Gambar. 3 Kerangka Pemikiran
2.4 Hipotesis Penelitian
Hipotesis yang digunakan dalam penelitian ini adalah 1. Pengaruh faktor-faktor yang diduga menyebabkan terjadinya proses
deindustrialisasi di Indonesia sangat signifikan. 2. Globalisasi ekonomi mempercepat terjadinya proses deindustrialisasi di
Indonesia baik secara langsung maupun tidak langsung.
Keterangan: Pengaruh langsung
Pengaruh tidak langsung Terjadinya perubahan struktur ekonomi dalam
memacu pertumbuhan ekonomi di Indonesia
1. menurunnya peran sektor pertanian
2. meningkatnya peran sektor manufaktur
3. sektor jasa kurang lebih konstan, namun kontribusinya meningkat
sejalan dengan pertumbuhan ekonomi Proses industrialisasi di Indonesia dimulai tahun 1980-an
Sejak tahun 2002 terjadi gejala deindustrialisasi
Pertumbuhan Produktivitas
Pendapatan per kapita Faktor-faktor yang mempengaruhi
terjadinya proses deindustrialisasi
Saran implikasi kebijakan yang tepat atas fenomena terjadinya gejala deindustrialisasi
2.5 Kerangka Pemodelan
Secara garis besar model yang dibangun dalam penelitian ini untuk mengetahui faktor-faktor yang memengaruhi deindustrialisasi di Indonesia terbagi
menjadi dua faktor yaitu faktor domestik dan fakor global. Faktor domestik yang memengaruhi deindustrialisasi adalah national affluence pendapatan per kapita
dan productivity growth pertumbuhan produktivitas. Adapun faktor global yang diperkirakan memengaruhi deindustrialisasi adalah openness keterbukaan
ekonomi dan foreign direct investment penanaman modal asing. Faktor global memengaruhi deindustrialisasi baik secara langsung maupun tidak langsung.
Berikut skema kerangka pemodelan yang dibangun untuk menemukan jawaban atas permasalahan dan tujuan penelitian.
Gambar. 4 Kerangka Pemodelan
Pendapatan per kapita national affluence
Pertumbuhan produktivitas productivity growth
Openness
PMA Globalisasi
ekonomi Deindustrialisasi
Keterangan : Pangaruh Langsung
Pengaruh tidak langsung
Halaman ini sengaja dikosongkan
3. METODE PENELITIAN
3.1 Jenis dan Sumber Data
Data yang akan digunakan dalam penelitian ini merupakan data sekunder yang diperoleh dari Badan Pusat Statistik BPS dan Badan Koordinasi
Penanaman Modal BKPM. Data sekunder yang digunakan antara lain Pendapatan Daerah Regional Bruto PDRB menurut lapangan usaha, PDRB
menurut penggunaan, jumlah penduduk, jumlah pengangguran dan jumlah tenaga kerja menurut lapangan usaha yang diperoleh dari Badan Pusat Statistik.
Sedangkan data penanaman modal asing diperoleh dari Badan Koordinasi Penanaman Modal.
Cakupan penelitian ini adalah seluruh wilayah Indonesia yang tercakup ke dalam 26 provinsi selama periode 2000-2009. Data yang digunakan merupakan
data masing-masing provinsi selama kurun waktu tahun 2000-2009 dan berupa data riil atau sudah merujuk pada tahun dasar tertentu. Tahun dasar yang
digunakan adalah tahun 2000. Provinsi yang mengalami pemekaran dikembalikan lagi ke provinsi induknya. Pengolahan data menggunakan software Stata 9.0.
3.2 Definisi Operasional
Berdasarkan latar belakang, permasalahan, serta tujuan dan didukung dengan tinjauan pusaka, maka ada beberapa variabel yang relevan digunakan
dalam penelitian. Variabel-variabel yang digunakan dalam penelitian adalah sebagai berikut:
Tabel 6. Nama variabel dan satuannya yang digunakan dalam penelitian
Nama Variabel Keterangan
Sumber Satuan
RME Relative Manfacturing Employment
BPS Persen
NA National Affluence
BPS -
PG Productivity Growth
BPS Persen
OPN Openness
BPS Persen
U Unemployment
BPS Persen
HC Human Capital
BPS Persen
PMA Penanaman Modal Asing
BKPM Persen
Definisi operasional dari masing-masing variabel yang digunakan adalah sebagai berikut:
a. Relative Manufacturing Employment RME adalah proporsi pekerja sektor manufaktur terhadap total pekerja.
b. National Affluence NA adalah pendapatan per kapita, diukur dari pendapatan domestik regional bruto dibagi dengan jumlah penduduk.
c. Productivity Growth adalah pertumbuhan produktivitas, dimana ukuran productivity growth
dari nilai tambah output sektor manufaktur per pekerja dikurangi nilai tambah output sektor jasa per pekerja.
d. Openness merupakan tingkat keterbukaan perdagangan internasional yang didekati dengan persentase ekspor ditambah impor terhadap produk domestik
regional bruto .
Impor barang dan jasa merupakan transaksi perdagangan barang dan jasa dari bukan penduduk non residen ke penduduk residen.
Ekspor barang dan jasa merupakan transaksi perdagangan barang dan jasa dari penduduk residen ke bukan penduduk non residen.
e. Unemployment Pengangguran atau sering disebut sebagai failure effect Alderson, 1999 adalah tingkat rata-rata pengangguran merupakan persentase
jumlah penduduk yang menganggur terhadap total pekerja. f. Penanaman Modal Asing PMA merupakan fixed capital gross yang didekati
dengan persentase realisasi foreign direct investment penanaman modal asing terhadap produk domestik regional bruto.
g. Human capital merupakan proporsi pekerja terampil pekerja dengan tingkat pendidikan sekolah menengah ke atas terhadap total pekerja.
3.3 Metode Analisis 3.3.1 Analisis Deskriptif
Analisis deskriptif merupakan analisis sederhana yang bertujuan
mendiskripsikan dan mempermudah penafsiran yang dilakukan dengan memberikan pemaparan dalam bentuk tabel, grafik, dan diagram. Fungsi analisis
deskriptif adalah untuk memberikan gambaran umum tentang data yang telah diperoleh. Gambaran umum ini dapat menjadi acuan untuk melihat karakteristik
data yang akan diteliti. Dalam penelitian ini, analisis deskriptif digunakan untuk
memberikan suatu gambaran secara umum mengenai kondisi perekonomian di Indonesia dan karakteristik variabel-variabel yang terkait dalam penelitian.
3.3.2 Regresi Data Panel
Dalam melakukan analisis ekonomterik, dapat digunakan data time series, data cross section, atau data panel. Data panel longitudinal data merupakan data
yang memiliki dimensi ruang individu dan waktu. Dengan kata lain, data panel merupakan unit-unit individu yang sama yang diamati dalam kurun waktu
tertentu. Secara umum, data panel dicirikan oleh T periode waktu t = 1,2,...,T yang kecil dan n jumlah individu i = 1,2,...,n yang besar. Namun tidak menutup
kemungkinan sebaliknya, yakni data panel terdiri atas periode waktu yang besar dan jumlah individu yang kecil. Dalam data panel, data cross section yang sama
diobservasi menurut waktu. Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya
jika jumlah observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel.
Regresi dengan menggunakan data panel disebut dengan model regresi data panel.
Aplikasi metode estimasi dengan menggunakan data panel banyak digunakan baik secara teoritis maupun aplikatif dalam berbagai literatur
mikroekonometrik dan makroekonometrik. Popularitas penggunaan data panel ini merupakan konsekuensi dari kemampuan dan ketersediaan analisis yang diberikan
oleh data jenis ini. Penggabungan data cross section dan time series dalam studi data panel digunakan untuk mengatasi kelemahan dan menjawab pertanyaan yang
tidak dapat dijawab oleh model cross section dan time series murni. Melalui analisis data panel, kita dapat menangkap perilaku sejumlah
individu yang memiliki karakteristik yang berbeda-beda dalam suatu rentang waktu yang terdiri atas unit-unit waktu yang juga berbeda. Heterogenitas antar
individu maupun antar waktu digambarkan dalam model dengan intersep dan koefisien slope yang berbeda-beda. Nilai intersep dan koefisien slope yang
berbeda-beda ini berasal dari pengaruh variabel yang tidak termasuk dalam variabel penjelas dalam persamaan regresi biasa.
Menurut Baltagi 2005, beberapa keuntungan penggunaan data panel adalah sebagai berikut :
1. Data panel mampu mengontrol heterogenitas variabel-variabel yang tidak dimasukkan dalam model unobserved heterogenity,
2. Data panel dapat memberikan data yang intensif, mengurangi kolinearitas antar peubah, meningkatkan derajat kebebasan dan lebih efisien,
3. Data panel lebih baik untuk studi dynamics of adjustment, 4. Data panel mampu mengidentifikasi dan mengukur efek yang secara
sederhana tidak dapat diatasi dalam data cross section saja atau data time series
saja, 5. Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu
karena unit data lebih banyak.
Secara umum, terdapat dua pendekatan dalam metode data panel, yaitu Fixed Effect Model
FEM dan Random Effect Model REM Baltagi, 2005. Keduanya dibedakan berdasarkan ada atau tidaknya korelasi antara komponen
error dengan variabel bebas. Misalkan :
it it
i it
X y
3.1 Pada one way error components model, komponen error dispesifikasikan dalam
bentuk:
it it
it
u
3.2 Untuk two way error components model, komponen error dispesifikasi dalam
bentuk:
it it
it it
u
3.3
Pada pendekatan one way, komponen error hanya memasukkan komponen error yang merupakan efek dari individu
i
. Pada two way telah dimasukkan efek dari waktu
t
ke dalam komponen error. Komponen
it
u diasumsikan tidak
berkorelasi dengan
it
X . Jadi perbedaan antara FEM dan REM terletak pada ada
atau tidaknya korelasi antara
i
dan
t
dengan
it
X . Uji yang digunakan dalam
penentuan kedua metode ini adalah uji Hausman.
3.3.2.1 Fixed Effect Model FEM
FEM digunakan ketika antara efek individu
i
dan efek dari waktu
t
memiliki korelasi dengan
it
X atau memiliki pola yang sifatnya tidak acak. Asumsi
ini membuat komponen error dari efek individu
i
dan efek waktu
t
menjadi bagian dari intersep, yaitu:
a. Untuk one way error component:
it it
i i
it
u X
y
3.4 b. Untuk two way error component:
it it
it it
it it
u X
y
3.5 Penduga FEM secara umum dapat dihitung dengan beberapa teknik sebagai
berikut: 1. Pendekatan Pooled Least Square PLS
Pendekatan ini menggunakan gabungan dari seluruh data pooled, sehingga terdapat N x T observasi, dimana N menunjukkan jumlah unit cross section
dan T menunjukkan jumlah series yang digunakan, yang diregresikan dengan model:
it it
it it
u X
y
3.6 dimana
i
bersifat konstan untuk semua observasi, atau
i
, yang dirumuskan sebagai :
x y
ˆ ˆ
3.7
N i
T t
it N
i T
t it
it
x NT
y x
NT
1 1
2 1
1
~ 1
~ ~
1 ˆ
3.8
Dengan
N i
T t
it
x NT
x
1 1
. 1
dan x
x x
it it
~ serta
N i
T t
it
y NT
y
1 1
. 1
dan y
y y
it it
~ Dengan mengkombinasikan semua data cross section dan data time series,
data panel dapat meningkatkan derajat kebebasan sehingga dapat memberikan hasil estimasi yang lebih efisien, sehingga:
N i
T t
it it
x u
1 1
2
~ var
var
3.9 Pendekatan dengan least square memiliki kelemahan yaitu dugaan parameter
β yang dihasilkan dapat bersifat bias. Hal ini ditunjukkan dari arah kemiringan PLS yang tidak sejajar dengan garis regresi dari masing-masing individu.
Dugaan parameter β yang bersifat bias ini disebabkan karena PLS tidak dapat membedakan observasi individu yang berbeda pada periode yang sama, atau
tidak dapat membedakan observasi individu yang sama pada periode yang berbeda.
2. Pendekatan Within Group WG Pendekatan ini digunakan untuk mengatasi masalah bias pada PLS. Teknik
yang digunakan adalah dengan menggunakan data deviasi dari rata-rata individu dimana:
T t
it i
y T
y
1 1
dan
T t
it i
x T
x
1 1
dengan
i it
it
x x
x
dan
i it
it
y y
y
dan dengan membuat persamaan 3.6 dalam bentuk rata-rata, diperoleh:
i i
i i
u x
y
3.10 Dengan mengurangi persamaan 3.6 dan 3.10, maka diperoleh
i it
i it
i i
i it
u u
x x
y y
3.11 atau
it it
it
u x
y
sehingga dapat dihitung penduga Within Group sebagai
N i
T t
it N
i T
t it
it WG
x NT
y x
NT
1 1
2 1
1
1 1
ˆ
3.12
Berdasarkan persamaan tersebut, FEM dengan pendekatan WG tidak memiliki konstanta intersep. Kelebihan dari pendekatan WG adalah dapat menghasilkan
parameter β yang tidak bias, tetapi kelemahannya adalah nilai var β
WG
cenderung lebih besar dari var β
PLS
sehingga dugaan WG menjadi relatif lebih tidak efisien dibanding PLS. Kelemahan lain dari pendekatan WG adalah
tidak dapat mengakomodir karakteristik time-invariant efek individual pada FEM sebagaimana terlihat dari tidak disertakannya konstanta intersep ke
dalam model. 3. Pendekatan Least Square Dummy Variable LSDV
Metode ini bertujuan merepresentasikan perbedaan intersep dengan membuat
dummy variable . Untuk mengilustrasikan pendekatan ini misalkan persamaan
awal seperti pada persamaan PLS dan kelompok dummy variable
1
git
d
g=i.
it it
i it
u x
y
it it
Nit N
it it
u x
d d
d
....
2 2
1 1
3.13 persamaan ini dapat diestimasi dengan pendekatan OLS sehingga diperoleh
parameter β
LSDV
. Kelebihan pendekatan LSDV adalah dapat menghasilkan dugaan parameter β
yang tidak bias dan efisien. Tetapi kelemahannya jika jumlah unit observasinya besar maka terlihat cumbersome atau sulit menduga persamaan
regresinya karena penggunaan peubah dummy yang terlalu banyak sehingga pada gilirannya dapat mengurangi derajat bebas.
Selanjutnya untuk menguji apakah intersep konstan atau tidak, atau untuk menguji apakah lebih baik menggunakan PLS atau LSDV, dapat digunakan F-
test dengan hipotesis sebagai berikut:
H :
N
...
3 2
1
H
1
: minimal ada sepasang α yang tidak sama Dasar penolakan terhadap H0 adalah dengan menggunakan F-statistik yaitu:
1 .
1
2 2
2
N k
N NT
R R
R F
DV P
DV
keterangan :
2 DV
R
= koefisien determinasi LSDV
2 P
R = koefisien determinasi PLS
k
= banyaknya peubah Jika nilai F hasil pengujian lebih besar dari F-tabel, maka cukup bukti untuk
melakukan penolakan terhadap hipotesis nol sehingga dugaan bahwa α adalah sama untuk semua individu dapat ditolak.
4. Two Way Error Components Fixed Effect Model Model ini disusun berdasarkan fakta bahwa terkadang fixed effects tidak hanya
berasal dari observasi individu tetapi juga berasal dari time-effect, sehingga
model dasar yang digunakan adalah:
it it
t i
it
u x
y
3.14 dengan γ
t
merepresentasikan time-effect. Jika masing-masing pengaruh individu
i
dan time-effect
t
diasumsikan berbeda, sehingga dengan menambahkan sejumlah
1
sit
z s = t peubah
dummy yang merepresentasikan efek waktu diperoleh persamaan:
it it
Tit T
it Nit
N it
it it
u x
z g
z g
d d
d y
...
...
2 2
2 2
1 1
3.15 Penambahan sejumlah dummy variable ke dalam persamaan menyebabkan
masalah pada penggunaan two way fixed effect yaitu berkurangnya derajat kebebasan, yang pada akhirnya akan mengurangi efisiensi dari parameter yang
diestimasi.
3.3.2.2 Random Effect Model REM
REM muncul ketika antara efek individu dan periode tidak berkorelasi dengan
it
X atau memiliki pola yang sifatnya acak. Asumsi ini membuat komponen
error dari efek individu dan waktu dimasukkan ke dalam error, dimana:
a. Untuk one way error component:
i it
it i
it
u X
y
3.16 b. Untuk two way error component:
i i
it it
i it
u X
y
3.17 Beberapa asumsi yang digunakan dalam REM yaitu:
i it
u E
= 0
i it
u E
2
=
2 u
it i
x E
= 0 for all
t i
,
it i
x E
2
=
2
j it
u E
= 0 for all
j t
i ,
,
js it
u u
E
= 0 for j
i or
s t
j i
E
= 0 for j
i .
Untuk one way error component,
i i
dan untuk two way error component,
i i
i
. Dari semua asumsi tersebut, yang paling penting dalam REM adalah
asumsi bahwa nilai harapan dari
it
x untuk setiap τ
i
adalah 0, atau
it i
x E
.
Untuk menguji asumsi ini yaitu dengan menggunakan Haussman Test. Karena berkaitan dengan ditolak atau tidak ditolaknya asumsi ada atau tidaknya korelasi
antara komponen error dengan peubah bebas, maka Haussman Test dapat secara langsung digunakan untuk memilih antara FEM dan REM. Hipotesis yang
digunakan dalam Haussman Test adalah sebagai berikut: H
:
it i
x E
, tidak ada korelasi antara komponen error dengan peubah bebas
REM H
1
:
it i
x E
, ada korelasi antara komponen error dengan peubah bebas
FEM Sebagai dasar penolakan H
maka digunakan statistik Haussman
dan membandingkannya dengan Chi square. Statistik Haussman dirumuskan dengan :
FEM REM
REM FEM
FEM REM
M M
H
1
~
2 k
3.18
Keterangan : M = matrik kovarians untuk parameter β
k
= derajat bebas Apabila nilai H hasil pengujian lebih besar dari χ
2
– tabel, maka cukup bukti untuk melakukan penolakan terhadap H
sehingga model yang digunakan adalah model fixed effect
, begitu juga sebaliknya. Untuk menghitung estimator REM, ada dua jenis pendekatan yang digunakan, yaitu:
1. Pendekatan Between Estimator Pendekatan ini berkaitan dengan dimensi antar data differences between
individual , yang ditentukan sebagaimana OLS estimatror pada sebuah regresi
dari rata-rata individu
y
dalam nilai x secara individu. Between estimator konsisten untuk N tak hingga, dengan asumsi bahwa peubah bebas dengan
error tidak saling berkorelasi atau
,
i it
x E
begitu juga dengan nilai rata-
rata error
,
i it
x E
.
2. Pendekatan Generalized Least Square Pendekatan GLS mengkombinasikan informasi dari dimensi antar dan dalam
between dan within data secara efisien. GLS dapat dipandang sebagai rata- rata yang dibobotkan dari estimasi between dan within dalam sebuah regresi.
3.4 Spesifikasi Model Ekonometrik
Berdasarkan pertimbangan dari beberapa penelitian terdahulu seperti Rowthorn dan Ramaswamy 1997,1999 dan Alderson 1997,1999, maka model
faktor-faktor yang memengaruhi deindustrialisasi di Indonesia dengan merujuk pada penelitian Kollmeyer 2009 dan direpresentasikan ke dalam tiga persamaan
adalah sebagai berikut:
it it
it it
it it
UN HC
PMA Opnguna
NA
4 3
2 1
3.19
it it
it it
it it
UN HC
PMA Opnguna
PG
4 3
2 1
3.20
it it
it it
it it
it
PMA Opnguna
PG PG
NA NA
RME
6 5
2 4
3 2
2 1
it it
it
UN HC
8 7
3.21 Keterangan :
RME : Proporsi pekerja sektor manufaktur terhadap total pekerja
persen NA
: Pendapatan per kapita yang didekati dengan produk domestik regional bruto PDRB terhadap jumlah penduduk
NA
2
: Kuadrat pendapatan per kapita PG
: Pertumbuhan produktivitas yang didekati dengan produktivitas sektor manufaktur dikurangi produktivitas sektor jasa
PG
2
: Kuadrat pertumbuhan produktivitas Opnguna
: Keterbukaan ekonomi openness yang diukur dengan ekspor ditambah impor terhadap produk domestik regional bruto
persen PMA
: nilai realisasi penanaman modal asing terhadap produk domestik regional bruto persen
HC : jumlah pekerja terampil yang ddiukur dengan jumlah pekerja
dengan tingkat pendidikan SMASMK ke atas terhadap total pekerja persen
UN : jumlah penduduk yang tidak bekerja terhadap total pekerja
persen i
: Provinsi ke – i t
: Tahun ke – t
Sebelum melakukan estimasi ketiga persamaan diatas, ada dua hal yang harus dipertimbangkan terkait dengan multiple equation models. Salah satu hal
yang mungkin muncul dalam multiple equation adalah terdapat hubungan dua
arah timbal balik dalam proses sebab akibat atau seringkali disebut dengan variabel bermasalah problematic variable. Problematic variable ini akan
berkorelasi dengan satu atau lebih dari disturbance terms dalam model, sehingga hasil dari estimasi dengan teknik regresi standar akan menghasilkan estimasi
parameter yang bias dan tidak efisien. Untuk mengatasi problematic variable, kadangkala digunakan instrument variable IV, seperti two-stage least squares
2SLS atau three-stage least squares 3SLS untuk menggantikan problematic variable
dengan pendekatan proxy yang tepat. Akan tetapi model yang digunakan dalam penelitian ini tidak mempunyai pola sebab akibat atau hanya
mempunyai hubungan yang searah, sehingga estimasi dengan menggunakan instrument variable
IV tidak diperlukan. Model persamaan 3.21 merupakan model yang tidak mempunyai pola sebab akibat karena relative manufacturing
employment hanya dipengaruhi oleh faktor domestik domectic causes dan faktor
global global causes, akan tetapi kedua faktor tersebut tidak memengaruhi terjadinya relative manufacturing employment. Hal ini berarti bahwa ketiga
persamaan diatas 3.19 – 3.21 dapat diestimasi secara terpisah dengan menggunakan teknik regresi standar Kollmeyer, 2009.
Faktor domestik yang memengaruhi relative manufacturing employment merupakan faktor-faktor yang berasal dari dalam negeri yang terdiri dari national
affluence pendapatan per kapita dan productivity growth pertumbuhan
produktivitas dari sektor manufaktur. Sedangkan faktor global merupakan faktor- faktor yang berkaitan dengan pengaruh global dalam memengaruhi relative
manufacturing employment , yang diukur melalui tingkat keterbukaan ekonomi
openness dan investasi asing langsung foreign direct investment serta kontrol variabel yaitu human capital dan unemployment. Sehingga secara keseluruhan
persamaan 3.21 dapat dipecah menjadi dua persamaan yang melihat hubungan tidak langsung indirect model dari faktor domestik dan faktor global dalam
memengaruhi relative manufacturing employment yaitu sebagai berikut:
it it
it it
it it
PG PG
NA NA
RME
2 4
3 2
2 1
3.22
it it
it it
it it
UN HC
PMA Opnguna
RME
4 3
2 1
3.23
Masalah lain yang mungkin timbul pada mulyiple equations adalah pada
saat disturbance terms dari masing-masing persamaan saling berkorelasi satu sama lain. Terjadinya korelasi antar disturbance terms dari masing-masing
persamaan akan membuat estimasi parameter yang dihasilkan dengan teknik regresi standar menjadi tidak efisien. Terdapat dua uji untuk mengetahui ada
tidaknya korelasi disturbance terms antara satu persamaan dengan persamaan lain, yaitu 1 uji Breusch-Pagan dimana hipotesis nolnya H
adalah disturbance terms
antar persamaan independen dan 2 melihat matriks korelasi disturbance terms
yang dihasilkan oleh masing-masing persamaan dengan menggunakan teknik regresi kuadrat terkecil Ordinary Least Square.
Pemilihan metode regresi yang tepat perlu dilakukan untuk mendapatkan model estimasi yang efisien, sehingga dalam penelitian ini digunakan data panel
agar efisiensi dapat ditingkatkan. Data panel juga mampu mengontrol heterogenitas variabel-variabel yang tidak dimasukkan dalam model unobserved
heterogenity . Heterogenitas dalam data panel dapat diatasi dengan penggunaan
metode fixed effects maupun random effects. Pemilihan antara kedua metode tersebut juga untuk mengetahui ada tidaknya korelasi antara
i
efek individu dan
t
efek waktu dengan
it
X . Uji yang digunakan dalam pemilihan antara metode
fixed effect dan random effects adalah menggunakan uji Hausman.
Menurut Hsiao 2003 ketika uji pemilihan fixed effect dan random effect tidak dapat ditentukan secara teoritis maka sebaiknya menggunakan metode
random effect apabila data diambil dari sampel individu atau beberapa individu
yang dipilih secara acak untuk menarik kesimpulan tentang populasinya. Namun apabila evaluasi meliputi seluruh individu dalam populasi atau hanya meliputi
beberapa individu dengan penekanan pada individu-individu tersebut maka lebih baik menggunakan fixed effect model. Dikarenakan jumlah cross section dari
persamaan yang akan diestimasi mencerminkan seluruh populasi 26 provinsi di Indonesia, maka secara teori dapat langsung digunakan fixed effects model.
Regresi data panel juga harus memenuhi asumsi dasar bahwa estimasi parameter dalam model regresi harus bersifat BLUE Best Linier Unbiased
Estimate , dimana var ui harus sama dengan σ
2
konstan, atau semua error mempunyai varian yang sama. Kondisi itu disebut dengan homoskedastisitas,
tetapi apabila varian tidak konstan atau berubah-ubah disebut dengan
heteroskedastisitas. Pendeteksian ada tidaknya autokorelasi pada model juga perlu dilakukan sehingga model regresi bersifat BLUE. Autokorelasi adalah korelasi
yang terjadi antar observasi dalam satu variabel atau korelasi antar error masa yang lalu dengan error masa sekarang. Adanya autokorelasi dapat memengaruhi
efisiensi dari estimatornya, walaupun estimatornya tetap tidak bias. Penggunaan data panel dengan memasukan efek individu dan efek waktu
tidak selalu dapat mengatasi masalah yang mungkin terkait dengan data panel. Masalah yang mungkin timbul dalam penggunaan data panel adalah adanya
korelasi serial, korelasi spasial dan heteroskedastisitas. Untuk mengatasi adanya masalah tersebut, maka estimasi model dapat dilakukan dengan metode General
Least Square GLS dengan kelemahan penduga estimasi GLS tidak memberikan
nilai R-squared. Metode General Least Square GLS sebagai salah satu bentuk estimasi
least square
merupakan bentuk
estimasi yang
mampu mengatasi
heteroskedastisitas dengan menghasilkan estimasi yang efisien serta masih bersifat unbiased dan konsisten. Sifat heteroskedastisitas potensial dimiliki oleh
data cross-section. Terdeteksinya gejala heteroskedastisitas dalam data panel apabila menggunakan model estimasi Ordinary Least Square OLS akan
mendapatkan hasil yang tidak efisien. Model estimasi GLS pada dasarnya melakukan transformasi error terms
pada data dasar dan menerapkan model OLS terhadap data yang telah ditransformasi. Estimator fixed effects yang ditransformasi dapat ditulis dalam
bentuk GLS dan tidak berhubungan dengan GLS dalam estimator random effects, yaitu
T i
i i
T i
i i
FE
My X
MX X
1 1
1
ˆ dimana
e e
T I
M
T
1
Estimator fixed effects menggunakan M sebagai matriks pembobot dibandingkan
’ ..
.. ..
.. ..
2 2
2 2
2 2
2 2
2 2
2 2
2 2
2 2
ee I
E
u u
i u
u i
i
,
dimana
iT i
i i
,...., ,
2 1
dan
1 ...
1 1
e
. Transformasi error terms