Regresi Data Panel (2) “Tahap Analisis”

image_print

Tahapan Analisis Regresi Data Panel

Berikut ini adalah tahapan analisis regresi data panel:

(1)   Estimasi Model Regresi Data Panel

Model persamaan data panel yang merupakan gabungan dari data cross section dan data time series adalah sebagai berikut:

Yit = α + β1X1it + β2X2it  + … + βnXnit + eit

dimana:

Yit            = variabel terikat (dependent)

Xit            = variabel bebas (independent)

i               = entitas ke-i

t               = periode ke-t

Persamaan di atas merupakan model regresi linier berganda dari beberapa variabel bebas dan satu variabel terikat. Estimasi model regresi linier berganda bertujuan untuk memprediksi parameter model regresi yaitu nilai konstanta (α) dan koefisien regresi (βi). Konstanta biasa disebut dengan intersep dan koefisien regresi biasa disebut dengan slope. Regresi data panel memiliki tujuan yang sama dengan regresi linier berganda, yaitu memprediksi nilai intersep dan slope. Penggunaan data panel  dalam regresi akan menghasilkan intersep dan slope yang berbeda pada setiap entitas/ perusahaan dan setiap periode waktu. Model regresi data panel yang akan diestimasi membutuhkan asumsi terhadap intersep, slope dan variabel gangguannya. Menurut Widarjono (2007) ada beberapa kemungkinan yang akan muncul atas adanya asumsi terhadap intersep, slope dan variabel gangguannya.

1)      Diasumsikan intersep dan slope adalah tetap sepanjang periode waktu dan seluruh entitas/perusahaan. Perbedaan intersep dan slope dijelaskan oleh variabel gangguan (residual).

2)      Diasumsikan slope adalah tetap tetapi intersep berbeda antar entitas/perusahaan.

3)      Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar individu.

4)      Diasumsikan intersep dan slope berbeda antar individu.

5)      Diasumsikan intersep dan slope berbeda antar waktu dan antar individu.

Dari berbagai kemungkinan yang disebutkan di atas muncullah berbagai kemungkinan model/teknik yang dapat dilakukan oleh regresi data panel. Dalam banyak literatur hanya asumsi pertama sampai ketiga saja yang sering menjadi acuan dalam pembentukan model regresi data panel.

Menurut Widarjono (2007, 251), untuk mengestimasi parameter model dengan data panel, terdapat tiga teknik (model) yang sering ditawarkan, yaitu:

  1. Model Common Effect

Teknik ini merupakan teknik yang paling sederhana untuk mengestimasi parameter model data panel, yaitu dengan mengkombinasikan data cross section dan time series sebagai satu kesatuan tanpa melihat adanya perbedaan waktu dan entitas (individu). Dimana pendekatan yang sering dipakai adalah metode Ordinary Least Square (OLS). Model Commen Effect mengabaikan adanya perbedaan dimensi individu maupun waktu atau dengan kata lain perilaku data antar individu sama dalam berbagai kurun waktu.

  1. Model Efek Tetap (Fixed Effect)

Pendekatan model Fixed Effect mengasumsikan bahwa intersep dari setiap individu adalah berbeda sedangkan slope antar individu adalah tetap (sama). Teknik ini menggunakan variabel dummy untuk menangkap adanya perbedaan intersep antar individu.

  1. Model Efek Random (Random Effect)

Pendekatan yang dipakai dalam Random Effect mengasumsikan setiap perusahaan mempunyai perbedaan intersep, yang mana intersep tersebut adalah variabel random atau stokastik. Model ini sangat berguna jika individu (entitas) yang diambil sebagai sampel adalah dipilih secara random dan merupakan wakil populasi. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang cross section dan time series.

 

(2)   Pemilihan Model (Teknik Estimasi) Regresi Data Panel

Pada dasarnya ketiga teknik (model) estimasi data panel dapat dipilih sesuai dengan keadaan penelitian, dilihat dari jumlah individu bank dan variabel penelitiannya. Namun demikian, ada beberapa cara yang dapat digunakan untuk menentukan teknik mana yang paling tepat dalam mengestimasi parameter data panel. Menurut Widarjono (2007: 258), ada tiga uji untuk memilih teknik estimasi data panel. Pertama, uji statistik F digunakan untuk memilih antara metode Commom Effect atau metode Fixed Effect. Kedua, uji Hausman yang digunakan untuk memilih antara metode Fixed Effect atau metode Random Effect. Ketiga, uji Lagrange Multiplier (LM) digunakan untuk memilih antara metode Commom Effect atau metode Random Effect.

Menurut, Nachrowi (2006, 318), pemilihan metode Fixed Effect atau metode Random Effect dapat dilakukan dengan pertimbangan tujuan analisis, atau ada pula kemungkinan data yang digunakan sebagai dasar pembuatan model, hanya dapat diolah oleh salah satu metode saja akibat berbagai persoalan teknis matematis yang melandasi perhitungan. Dalam software Eviews, metode Random Effect hanya dapat digunakan dalam kondisi jumlah individu bank lebih besar dibanding jumlah koefisien termasuk intersep. Selain itu, menurut beberapa ahli Ekonometri dikatakan bahwa, jika data panel yang dimiliki mempunyai jumlah waktu (t) lebih besar dibandingkan jumlah individu (i), maka disarankan menggunakan metode Fixed Effect. Sedangkan jika data panel yang dimiliki mempunyai jumlah waktu (t) lebih kecil dibandingkan jumlah individu (i), maka disarankan menggunakan metode Random Effect.

a)      Uji Statistik F (Uji Chow)

Untuk mengetahui model mana yang lebih baik dalam pengujian data panel, bisa dilakukan dengan penambahan variabel dummy sehingga dapat diketahui bahwa intersepnya berbeda dapat diuji dengan uji Statistik F. Uji ini digunakan untuk mengetahui apakah teknik regresi data panel dengan metode Fixed Effect lebih baik dari regresi model data panel tanpa variabel dummy atau metode Common Effect.

Hipotesis nul pada uji ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat untuk regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah intersep tidak sama atau model yang tepat untuk regresi data panel adalah Fixed Effect.

Nilai Statistik F hitung akan mengikuti distribusi statistik F dengan derajat kebebasan (deggre of freedom) sebanyak m untuk numerator dan sebanyak n – k untuk denumerator. m merupakan merupakan jumlah restriksi atau pembatasan di dalam model tanpa variabel dummy. Jumlah restriksi adalah jumlah individu dikurang satu. n merupakan jumlah observasi dan k merupakan jumlah parameter dalam model Fixed Effect. Jumlah observasi (n) adalah jumlah individu dikali dengan jumlah periode, sedangkan jumlah parameter dalam model Fixed Effect (k) adalah jumlah variabel ditambah jumlah individu. Apabila nilai F hitung lebih besar dari F kritis maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai F hitung lebih kecil dari F kritis maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model Common Effect.

 b)     Uji Hausman

Hausman telah mengembangkan suatu uji untuk memilih apakah metode Fixed Effect dan metode Random Effect lebih baik dari metode Common Effect. Uji Hausman ini didasarkan pada ide bahwa Least Squares Dummy Variables (LSDV) dalam metode metode Fixed Effect dan Generalized Least Squares (GLS) dalam metode Random Effect adalah efisien sedangkan Ordinary Least Squares (OLS) dalam metode Common Effect tidak efisien. Dilain pihak, alternatifnya adalah metode OLS efisien dan GLS tidak efisien. Karena itu, uji hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda sehingga uji Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.

Statistik uji Hausman mengikuti distribusi statistik Chi-Squares dengan derajat kebebasan (df) sebesar jumlah variabel bebas. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel adalah model Random Effect dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah model Fixed Effect. Apabila nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model Random Effect.

c)      Uji Lagrange Multiplier

Menurut Widarjono (2007: 260), untuk mengetahui apakah model Random Effect lebih baik dari model Common Effect digunakan Lagrange Multiplier (LM). Uji Signifikansi Random Effect ini dikembangkan oleh Breusch-Pagan. Pengujian didasarkan pada nilai residual dari metode Common Effect.

Uji LM ini didasarkan pada distribusi Chi-Squares dengan derajat kebebasan (df) sebesar jumlah variabel independen. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah Random Effect. Apabila nilai LM hitung lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model Random Effect. Dan sebaliknya, apabila nilai LM hitung lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah model Common Effect.

 

(3)   Pengujian Asumsi Klasik (Multikolinieritas dan Heteroskedastisitas)

Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect dan Random Effect. Model Common Effect dan Fixed Effect menggunakan pendekatan Ordinary Least Squared (OLS) dalam teknik estimasinya, sedangkan Random Effect menggunakan Generalized Least Squares (GLS) sebagai teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary Least Squared (OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi linier dengan pendekatan OLS.

Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan bahwa model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat linieritasnya.

Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.

Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas. Jika variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.

Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke ciri data cross section dibandingkan time series.

Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan beberapa pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.

Dari penjelasan di atas dapat ditarik kesimpulan bahwa pada regresi data panel, tidak semua uji asumsi klasik yang ada pada metode OLS dipakai, hanya multikolinieritas dan heteroskedastisitas saja yang diperlukan.

 Uji Multikolinieritas

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun demikian, adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model (persamaan) sangatlah tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan pendugaan parameter, dalam hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya. Korelasi yang kuat antara variabel bebas dinamakan multikolinieritas.

Menurut Chatterjee dan Price dalam Nachrowi (2002), adanya korelasi antara variabel-variabel bebas menjadikan intepretasi koefisien-koefisien regresi mejadi tidak benar lagi. Meskipun demikian, bukan berarti korelasi yang terjadi antara variabel-variabel bebas tidak diperbolehkan, hanya kolinieritas yang sempurna (perfect collinierity) saja yang tidak diperbolehkan, yaitu terjadinya korelasi linier antara sesama variabel bebasnya. Sedangkan untuk sifat kolinier yang hampir sempurna (hubungannya tidak bersifat linier atau korelasi mendekati nol) masih diperbolehkan atau tidak termasuk dalam pelanggaran asumsi.

Ada beberapa cara untuk mengidentifikasi adanya multikolinieritas, dan cara yang paling mudah adalah dengan mencari nilai koefisien korelasi antar variabel bebas. Koefisien korelasi antara dua variabel yang bersifat kuantitatif dapat menggunakan coefficient correlation pearson, dengan rumus sebagai berikut:

Dimana Xi dan Yi adalah variabel bebas yang akan dicari nilai koefisien korelasinya dan n adalah jumlah data dari kedua variabel bebas tersebut. Nilai mutlak dari koefisien korelasi besarnya dari nol sampai satu. Semakin mendekati satu, maka dapat dikatakan semakin kuat hubungan antara kedua variabel tersebut dan artinya semakin besar kemungkinan terjadinya multikolinieritas.

 Uji Heteroskedastisitas

Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang dipakai, maka hanya uji heteroskedastisitas saja yang relevan dipakai pada model data panel.

Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk memiliki varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians dari setiap gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi tersebut tidak tercapai, dengan kata lain  dimana  adalah ekspektasi dari eror dan  adalah varians dari eror yang berbeda tiap periode waktu.

Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara hasil estimasinya tetap konsisten dan tidak bias. Eksistensi dari masalah heteroskedastisitas akan menyebabkan hasil Uji-t dan Uji-F menjadi tidak berguna (miss leanding).

Ada beberapa metode yang dapat digunakan untuk menditeksi heteroskedastisitas, tetapi dalam penelitian ini hanya akan dilakukan dengan menggunakan White Heteroskedasticity Test pada consistent standard error & covariance. Hasil yang diperlukan dari hasil uji ini adalah nilai F dan Obs*R-squared, dengan hipotesis sebagai berikut:

H0  : Homoskedasticity

H1  : Heteroskedasticity

Kemudian kita bandingkan antara nilai Obs*R-squares dengan nilai  tabel dengan tingkat kepercayaan tertentu dan derajat kebebasan yang sesuai dengan jumlah variabel bebas. Jika nilai Uji Heteroskedastisitas  tabel maka H0 diterima, dengan kata lain tidak ada masalah heteroskedastisitas.

 

(4)   Uji Kelayakan (Goodness of Fit) Model Regresi Data Panel

Uji Hipotesis

Menurut Nachrowi (2006), uji hipotesis berguna untuk menguji signifikansi koefisien regresi yang didapat. Artinya, koefisien regresi yang didapat secara statistik tidak sama dengan nol, karena jika sama dengan nol maka dapat dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikatnya. Untuk kepentingan tersebut, maka semua koefisien regresi harus diuji. Ada dua jenis uji hipotesis terhadap koefisien regresi yang dapat dilakukan, yaitu:

  1. Uji-F

Uji-F diperuntukkan guna melakukan uji hipotesis koefisien (slope) regresi secara bersamaan, dengan kata lain digunakan untuk memastikan bahwa model yang dipilih layak atau tidak untuk mengintepretasikan pengaruh variabel bebas terhadap variabel terikat.

  1. Uji-t

Jika Uji-F dipergunakan untuk menguji koefisien regresi secara bersamaaan, maka Uji-t digunakan untuk menguji koefisien regresi secara individu. Pengujian dilakukan terhadap koefisien regresi populasi, apakah sama dengan nol, yang berarti variabel bebas tidak mempunyai pengaruh signifikan terhadap variabel terikat, atau tidak sama dengan nol, yang berarti variabel bebas mempunyai pengaruh signifikan terhadap variabel terikat.

Koefisien Determinasi

Koefisien Determinasi (Goodness of Fit) dinotasikan dengan R-squares yang merupakan suatu ukuran yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang terestimasi. Nilai Koefisien Determinasi mencerminkan seberapa besar variasi dari variabel terikat dapat diterangkan oleh variabel bebasnya. Bila nilai Koefisien Determinasi sama dengan 0, artinya variasi dari variabel terikat tidak dapat diterangkan oleh variabel-variabel bebasnya sama sekali. Sementara bila nilai Koefisien Determinasi sama dengan 1, artinya variasi variabel terikat secara keseluruhan dapat diterangkan oleh variabel-variabel bebasnya. Dengan demikian baik atau buruknya suatu persamaan regresi ditentukan oleh R-squares-nya yang mempunyai nilai antara nol dan satu.

 

Refrensi:

Baltagi, Bagi (2005). Econometric Analysis of Panel Data, Third Edition. John Wiley & Sons.

Nachrowi, N. Djalal dan Hardius Usman (2006). Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan, Jakarta: LPFE Universitas Indonesia.

Widarjono, Agus (2007). Ekonometrika: Teori dan Aplikasi Untuk Ekonomi dan Bisnis, edisi kedua. Yogyakarta: Ekonisia FE Universitas Islam Indonesia.

About Muhammad Iqbal

You may also like...

598 Responses

  1. syihab says:

    assalamualaikum.

    terima kasih, ilmu ini berguna sekali untuk penelitian saya,
    jika boleh saya bertanya, apakah untuk fixed effect diperlukan uji asumsi klasik (heteroskedastisitas) ?

    • Muhammad Iqbal says:

      Alaikumusalam. Syihab, terima kasih atas komentnya.
      Menurut saya model Fixed Effect tetap diperlukan uji asumsi klasik, karena pendekatan yang dipakai masih Ordinary Least Squared (OLS), termasuk heteroskedastisitas.

  2. laila says:

    Assalamu’alaikum. Terima kasih, ini sangat berguna untuj penelitian saya. Saya ingin tanya, berarti untuk data panel hanya perlu melakukan uji asumsi klasik pada multikolinieritas dan heteroskedastisitas saja yah?
    Tapi saya jadu kebingungan, ko data saya msh ada heteroskedastisitas dan multikolinieritas ya mas.
    Mohon bimbingannya

    • Muhammad Iqbal says:

      Alaikumusalam.
      Menurut saya pada regresi data panel, uji asumsi klasik yang penting untuk dilakukan adalah multikolinieritas dan heteroskedastisitas. Tapi bukan berarti jika model yang terpilih Common Effect atau Fixed Effect tidak dapat dilakukan pengujian terhadap Normalitas dan Linieritas. Saya berpendapat, bahwa yang urgent dalam regresi data panel adalah heteroskedastisitas, karena sifat data panel yang pasti cross section-nya, sedangkan sifat time series-nya tidak begitu dominan walaupun masih ada (alasan inilah yang tidak perlunya autokorelasi).
      Beberapa metode dapat dilakukan untuk menyembuhkan heteroskedastisitas, seperti metode Generalized Least Squared (GLS) dan Metode White. Keduanya ada dalam perangkat Eviews.
      Untuk metode GLS dapat dilakukan dengan cara mengganti pilihan GLS weights ke Cross-Section Weigths (yang tadinya No Weights). Bagian ini ada pada saat kita akan memilih model (Common, Fixed atau Random) di tombol Estimate.
      Sedangkan sebagai alternatif lain, yaitu metode White dapat dilakukan dengan cara menganti pilihan Coef covariance method ke white cross-section (yang tadinya Ordinary). Bagian ini juga ada pada saat kita memilih model.

      Untuk Multikolinieritas, jika ada variabel bebas yang saling multikol maka saran saya pilih variabel yang paling mewakili penelitian Anda, sisanya dapat dikeluarkan dari model.

      • reno says:

        misalkan fem adalah metode terbaik, setelah dilakukan uji asumsi klasik ternyata terkena hetero, untuk menyembuhkannya digunakan metode GLS, yang diganti menjadi GLS itu saat uji hetero saja atau regresi pertama (regresi awal yg menggunakan fem) juga harus diganti dengan GLS juga…?

        • Muhammad Iqbal says:

          FEM yang sudah GLS tidak perlu uji hetero lagi

          • Fiza says:

            Mohon maaf, izin memastikan berarti jika terkena masalah hetero yang dilakukan dengan uji glejser lalu diperbaiki dengan GLS dalam estimasi Uji Glejser tersebut, pada model terbaik awal (FEM) tidak perlu diganti dengan GLS juga ya kak? Mohon dijawab kak. Terima kasih.

          • Fiza says:

            Mohon maaf, izin memastikan berarti jika terkena masalah hetero yang dilakukan dengan uji glejser lalu diperbaiki dengan GLS dalam estimasi Uji Glejser tersebut, pada model terbaik awal (FEM) tidak perlu diganti dengan GLS juga ya pak? Mohon dijawab pak. Terima kasih.

      • Fitra says:

        Assalamualaikum. Apakah ada tinjauan literatur dri metode menyembuhkan heteroskedastisitas dengan cara white nya pak ?
        Terimakasih pak

  3. tika says:

    Saya mau tanya. Penelitian saya dlm variabel independen terdapat variabel dummy. saat saya uji heteroskedastisitas, variabel independen saya yg berupa dummy di bawah 0.05. apakah variabel dummy tidak apa2 jika mengandung heteroskedastisitas? Terima kasih

    • Muhammad Iqbal says:

      Maaf, saya kurang jelas pertanyaannya. Variabel dummy yang Anda maksud disini variabel apa contohnya. Karena model fixed effect itu juga sudah menggunakan variabel dummy sebagai pembeda antara satu individu dengan individu lainnya.
      Uji heteroskedastisitas bukan untuk masing-masing variabel, melainkan untuk keseluruhan model. Jika memang model Anda mengandung heteroskedastisitas sebaiknya disembuhkan terlebih dahulu.

  4. adin says:

    kalo model random effect apakah harus semua terpenuhi uji asumsi klasik?

    • Muhammad Iqbal says:

      Model radom effect tidak menggunakan OLS jadi tidak relevan menggunakan uji asumsi klasik lagi.

      • Caca says:

        Malam Pak, apakah ada buku yg medukung tentang jawaban Bapak ini? Karena saya jg sedang menyusun skripsi dan model random effect yg terpilih namun saya diminta menggunakan uji asumsi klasik oleh pembimbing. Bagaimana pendapat Bapak mengenai hal ini? Terimakasih sebelumnya Pak

  5. Putri says:

    Ass.wr.wb
    Saya mau nanya, kalo boleh tau berdasarkan pendapat siapa saja ya Pak bahwa uji normalitas tidak wajib dalam regresi panel? Soalnya saya juga sedang mencari.
    Terimakasih

    • Muhammad Iqbal says:

      Alaikumusalam Wr. Wb.
      Saya sendiri tidak menemukan pendapat yang menyatakan bahwa model dengan pendekatan OLS (regresi data panel dengan CE dan FE) tidak wajib di uji normalitasnya, tetapi asumsi normalitas atas residual model OLS tidak akan mengurangi sifat BLUE dari suatu model. Normalitas hanya akan berimplikasi pada uji t. Jika suatu residual model tidak terdistribusi normal, maka uji t kurang relevan digunakan untuk menguji koefisien regresi. Meskipun demikian, jika uji t mau dipaksakan menurut saya tetap boleh, karena dalam uji t syarat kenormalan tidaklah mutlak diperlukan. Suatu data terdistribusi normal atau tidak, tetap boleh diuji dengan uji t, apalagi jika jelas data tersebut bersifat kuantitatif.
      terima kasih juga atas pertanyaannya.

  6. Assalamualaikum..
    Pak, saya mau bertanya, bagaimana cara (langkah-langkah) melakukan uji asumsi klasik pada softwere EViews ?
    terimakasih atas bantuannya pak..

  7. dani says:

    mlm pak
    saya dani mahasiswa semester akhir yang sedang mengerjakan skripsi. Saya mau bertanya, data yang saya gunakan adalah 86 perusahaan dengan empat variabel independen dan memiliki empat periode dari tahun 2010-2013. Apakah data saya termasuk data panel? Lalu jika data saya termasuk data panel apakah wajib hukumnya untuk memilih model dari fixed/random/common?
    terimakasih pak

    • Muhammad Iqbal says:

      Malam Dani,
      Ya, data kamu termasuk data panel. Menurut saya kamu tidak wajib memilih model. Bahkan boleh saja tidak menggunakan regresi data panel. Ini hanya salah satu alternatif metode yang saat ini paling cocok untuk menganalisis jenis data panel. Semoga bermanfaat.

      • Abby says:

        Selamat malam Pak, saya mau bertanya. Saya melakukan penelitian dgn 23 perusahaan X 2 tahun penelitian sehingga sampel menjadi 46. Jika penggunaan regresi data panel tidak wajib apakah saya bisa menggunakan regresi linear berganda saja? Yg rumusnya Y = a + b1X1 +b2X2 + e. Dan pada saat input data di eviews berarti workfile struvture type nya yg mana ya? Terimakasih..

        • Muhammad Iqbal says:

          Ya, bisa menggunakan regresi linier berganga. Pilih Structure type yang undate. Sama2

          • raaf says:

            assalamu’alaikum pa yg saya ketahui regresi linear berganda hanya digunakan untuk timeseries atau crossectional saja. sementara regresi data panel untuk penggabungan keduanya. apakah benar pa?

      • herry says:

        selamat pagi pak,
        saya dani mahasiswa semester akhir yang sedang mengerjakan skripsi. Saya mau bertanya, data yang saya gunakan adalah 53 perusahaan dengan empat variabel independen dan memiliki tiga periode dari tahun 2016-2018. Apakah data saya termasuk data panel?

  8. Narishwari says:

    Assalamualaikum..
    Saya sedang mengerjakan skripsi menggunakan regresi data panel.. Hasil model yg saya dapatkan adalah REM namun data saya masih mengandung heteroskedastisitas. Jika saya melakukan penyembuhan heteroskedastisitas, itu berarti model saya akan berubah? Terima kasih pak

    • Muhammad Iqbal says:

      Alaikumusalam Narishwari. Yang saya ketahui, REM menggunakan pendekatan GLS yang biasa digunakan untuk menyembuhkan heteroskedastisitas. Jadi tidak perlu lagi dilakukan penyembuhan heteroskedastisitas. Artinya dapat dianggap REM sudah terbebas dari Heteroskedastisitas.

  9. Yusuf Ahmad says:

    salam pak
    Pak kalo boleh tahu adakah ahli atau buku yg dapat dijadikan rujukan untuk memperkuat pernyataan “model REM tidak perlu uji heteroskedasitas”?
    Terima kasih atas bantuannya

    • Muhammad Iqbal says:

      Salam,
      Sampai saat ini saya tidak menemukan refrensi yang menyatakan bahwa REM tidak perlu uji heteroskedastisitas. Yang ada adalah Metode Generalized Least Squared (GLS) merupakan salah satu cara menghilangkan heteroskedastisitas.

  10. Vighar says:

    Permisi pak… Sya mau brtanya.. Klau memkai REM,, uji hetero white test bgaimna? Dan nilai obs*rsquare yg mana?

    • Muhammad Iqbal says:

      Sepengetahuan saya, Regresi Data Panel dengan EViews tidak menyediakan uji hetero white. Kalaupun mau, dilakukan secara manual.

  11. Novri says:

    Assalamualaikum pak saya mahasiswi yang sedang menyusun skripsi .

    Pak saya mau bertanya , mengenai :
    “Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.”

    Saya menggunakan data tahun 2012 dengan n = 26 kabupaten dan kota.
    Itu data cross section ya pak.
    Kalau tidak merepotkan , saya mau bertanya mengenai sumber buku yang menyatakan seperti di atas .
    Karena saya belum mengetahui itu bersumber darimananya .

    Atas perhatiannya saya ucapkan terimakasih pak.

    • Muhammad Iqbal says:

      Alaikumusalam.
      Iya data cross section. Data cross-section adalah data yang dikumpulkan pada suatu waktu tertentu (at a point of time) yang menggambarkan kegiatan/keadaan pada waktu tersebut/tertentu. Sedangkan Data Time Series adalah data yang dikumpulkan dari waktu ke waktu untuk memberikan gambaran tentang perkembangan suatu kegiatan.
      Semoga bermanfaat

  12. Ira says:

    Assalamu’alaikum pak. Saya mahasiswa semester 7 yang sedang menyusun skripsi. Saya sedang mencari literatur-literatur tentang regresi data panel, terutama mengenai uji asumsi. Bolehkah saya tahu buku / literatur apasaja yang menjadi bahasan Bapak mengenai “(3) Pengujian Asumsi Klasik (Multikolinieritas dan Heteroskedastisitas)” terutama masalah uji normalitas tidak perlu dan uji autokorelasi akan sia-sia dilakukan untuk data panel ?

    • Muhammad Iqbal says:

      Alaikumusalam Ira. Sebagaimana di tulisan saya yang menjadi literatur adalah bukunya Baltagi, Nachrowi dan Widarjono. Dalam literatur tidak dijelaskan secara lugas seperti yang saya bahasakan untuk uji normalitas dan autokorelasi yang tidak perlu dilakukan, tetapi lebih dalam Nachrowi dijelaskan bahwa model regresi data panel tidak mensyaratkan persamaan yang bebas autokorelasi. Hal ini sangatlah masuk akal, karena sifat autokorelasi disebabkan adanya korelasi serial antar residual karena data yang terurut secara time series. Data panel memang memuat unsur time series tapi tidak murni time series sehingga urutan penyusunan data tidak satu kemungkinan, tetapi banyak kemungkinan. Hal inilah yang pada saat dilakukan pengujian terhadap autokorelasi menjadi tidak konsisten, sehingga saya menyimpulkan bahwa uji autokorelasi menjadi kesia-siaan semata.
      Mengenai uji normalitas, dibeberapa literatur juga tidak saya temui adanya suatu keharusan untuk dilakukan, bahkan saya tidak menemui yang melakukan uji normalitas. Menurut pandangan saya, uji normalitas bukanlah suatu keharusan, bahkan di Regresi Linier Berganda dengan OLS sekalipun, tapi bersifat anjuran. Dikatakan anjuran karena jika residual terdistribusi normal, maka akan berdampak kepada distribusi dari parameter koefisien regresi yang juga normal, sehingga penggunaan uji t tepat dilakukan. Yang perlu diingat dari uji normalitas juga bukan sekedar residualnya saja yang terdistribusi normal, tetapi rata-ratanya juga harus nol dan variannya sama dengan varian populasi (lihat Essentials of Econometrics, Gujarati).

      • Nurhalia says:

        asslmualkum pak apa bisa di berikan judul buku nachrowi n halaman berapa yg menjelaskan tentang diatas sy sangat membutuhkan literatur tersebut.
        terimakasih…

        • Muhammad Iqbal says:

          Nachrowi, N. Djalal dan Hardius Usman, 2006, Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan, Jakarta, LPFE Universitas Indonesia.

          • Asslamilaikum Pak, saya masih kebingungan dengan penjelasan dan diskusi yang bapak sampaikan. saya mahasiswa analis keuangan sekarang sedang mengerjakan regresi namun secara manual lewat excel. yang saya bingungkan disini adalah pernyataan tentang Uji Normalitas. Karena Penelitian yang Bapak Bahas adalah Parametric maka setau saya Normalitas itu mutlak. karena Parametrik menggunakan perhitungan varian covarian dan standar deviasinya lewat rata-rata. berbeda dengan non parametrik yang mengestimasi regresinya menggunakan median (nilai tengah)

  13. lestari says:

    Assalammualaikumwrwb. Saya Lestari dari Magelang, mau menanyakan, saya menggunakan data panel. Berdasarkan tahapan pemilihan model terbaik dengan STATA11 terplih REM (Random Effect Model). Yang ingin saya tanyakan, apakah dalam STATA tersedia uji parsial t dan uji simultan F pada model random efek yang terplih. Terima kasih.

    • Muhammad Iqbal says:

      Alaikumusalam Wr. Wb.
      Tuk Lestari mohon maaf saya tidak pernah pakai STATA, tapi dari tampilan yang pernah saya lihat ada uji t dan F. Secara logika juga memang seharusnya ada.

  14. Nabilla says:

    Pak, saya ingin bertanya apakah software yang paling bagus dan cocok untuk melakukan regresi data panel? Terima kasih.

    • Muhammad Iqbal says:

      Setahu saya sama saja. Stata, Eviews atau lainnya. Semua cuma alat. Yang penting memahami metode regresi data panelnya.

  15. Nurhalia says:

    Ass pak, terimakasih atas pengetahuan yang diberikan. saya ingin tanyakan mengenai pemilihan model terbaik dlm regresi data panel yaitu CEM,FEM, REM. apakah bisa memilih sendiri sesuai dengan hasil yang terbaik menurut model penelitian kita (yang mendukung teori dlm penelitian). karena dari hasil pengujian Chow, Hausman dan LM itu semua mengarah pada FE, otomatis yg harus di interpretasi hasil FE yach (mohon dikoreksi klo salah) sedangkan hasil FE tdk ada yang signifikan dan R squarenya sangat kecil …mohon penjelasannya apakah ada literatur yg bs sy jadikan pembenaran untuk memilih sendiri model

    • Muhammad Iqbal says:

      Alaikumusalam. Pemilihan model dengan menggunakan uji Chow, Hausman dan LM digunakan apabila kita tidak memiliki pengetahuan model mana (diantara CE, FE, dan RE) yang sesuai dengan data yang kita miliki. Sangat memungkinkan jika dari awal kita sudah menetapkan ingin menggunakan model tertentu tanpa melalui tahap pemilihan model. Artinya model yang dipilih berdasarkan tujuan penelitian.
      Dari kasus yang kamu miliki, sangat jarang terjadi R squared di FE paling kecil. Biasanya FE selalu memiliki R squared terbesar. Memilih model yang lain boleh2 saja, tetapi pastikan sesuai dengan tujuan penelitian.

      • Nurhalia says:

        Terimakasih banyak atas penjelasannya mas, sesuai tujuan penelitianku bahwa ke 3 variabel bebas seharusnya berpengaruh positif dan signifikan terhadap variabel dependen (sesuai dengan teori yang dipakai). dan hanya hasil REM yang sesuai dan R-squarenya (86.20) sedangkan hasil FE tidak ada yg signifikan dan R-sq nya sangat kecil (0,006). kira-kira ada kah pembenaran dari referensi siapa…gtu yg bisa menguatkan alasan sy memilih REM. mohon penjelasannya. terimakasih

        • Muhammad Iqbal says:

          Di buku Gujarati atau Nachrowi FEM dipakai apabila periode lebih banyak daripada perusahaan, dan REM sebaliknya. Yang perlu diingat uji Chow, Haussman atau LM hanya alat bantu dalam menentukan model mana yang cocok dengan karakteritik data yang dimiliki. Coba baca Gujarati, Basic Econometrica 5 Ed. Semoga bermanfaat

  16. Jeannie says:

    Dear Pak Iqbal,
    maaf pak, saya mau tanya.
    saya sedang mengerjakan thesis dengan data panel. saya bingung pak, untuk data panel uji apakah yang diharuskan dalam penelitian? karena ketika saya coba untuk uji autokorelasi dan heteroskedastisitas di Eviews, kedua uji tersebut tidak bisa dan tidak ada pilihan dalam Residual Tests.

    Mohon dikonfirmasi segera pak, saya butuh bantuan.

    Terimakasih.

    • Muhammad Iqbal says:

      Dear Jeannie,
      Betul memang di Eviews pada bagian regresi data panel tidak tersedia uji autokorelasi dan heteroskedastisitas, tetapi bukan berarti keduanya tidak bisa dilakukan. Bisa saja dilakukan secara manual, tapi perlu diingat bahwa autokorelasi berlaku pada data time series bukan cross section. Sedangkan untuk menguji heteroskedastisitas pilih jenis uji yang diinginkan, lalu modifikasi ujinya.

  17. Nurhalia says:

    postingannya sangat berguna TERIMAKASIH. apakah dalam regresi data panel (sy menggunakan STATA.12.) dengan pilihan REM tidak perlu dilakukan uji asumsi klasik (OLS) seperti autokorelasi yach pak… mohon perbaikannya

  18. Joshua says:

    Dear Pak Iqbal,
    Terima kasih Pak atas materinya sangat membantu saya yang sedang mengolah data untuk skripsi. Saya ingin bertanya, periode penelitian saya terdiri dari 6 tahun, yaitu tahun 2008,2009,2010,2012,2013, dan 2014, saya tidak menggunakan tahun 2011 karena mempunyai alasan yang logis untuk tidak memakai periode 2011. Apakah data saya masih bisa disebut sebagai data panel Pak? Mengingat data saya memiliki 1 variabel terikat dan 4 variabel bebas dan menggunakan 15 perusahaan setiap tahunnya.
    Pertanyaan yang kedua Pak, jika data saya terdapat nilai 0 apakah saya bisa mentransformasi data saya menggunakan logaritma pak dengan perhitungan sebagai berikut log(variabel+1) ditambah 1 karena data saya terdapat nilai 0, apakah bisa seperti itu Pak?
    Terima kasih sebelumnya Pak.

    • Muhammad Iqbal says:

      1) Menurut saya, data yang digunakan tidak dapat dikatakan lagi sebagai data panel. Karena syarat time seriesnya hilang. Lebih tepat sebagai data cross section. Tapi, saya juga tidak tau apa alasan tidak mengikutkan data di tahun 2011 menggurai sifat time series-nya atau tidak. Jika ya, betul hilang sifat time seriesnya, tetapi jika tidak ya bisa2 saja dikatakan masih memiliki sifat time series (data panel).
      2) Memang betul nilai 0 tidak dapat di log-kan, tapi dengan menambah angka 1 tidak serta merta dibenarkan, tergantung sebaran data pada variabel yang memiliki nilai 0 tersebut.

      • Joshua says:

        Terima kasih pak atas jawabannya.
        Untuk tahun 2011 tidak saya masukkan, karena pada tahun tersebut tidak memiliki pengaruh pada penelitian saya. Penelitian saya meneliti tentang sebelum dan sesudah suatu fenomena, 2008-2010 adalah periode sebelum dan 2012-2014 adalah periode sesudah fenomena tersebut, sedangkan pada tahun 2011 tidak masuk dalam periode keduanya, jadi saya tidak mengikutkan data di tahun 2011. Menurut saya penelitian saya ini masih memiliki sifat time series pak, dan masih bisa disebut sebagai data panel, apakah benar demikian pak atau memang sudah hilang sifat time seriesnya?

        • Muhammad Iqbal says:

          Ada pendekatan yang bisa digunakan untuk melihat adanya perbedaan pengaruh sebelum dan sesudah, salah satu uji yang bisa digunakan adalah uji chow (sama dengan uji ce dan fe, tapi beda kegunaan). Pendekatan ini tetap menggunakan tahun dimana terjadinya perubahan tersebut. sehingga tahun 2011 tetap digunakan.

          • Joshua says:

            Iya pak saya pernah membaca literatur yang membahas uji chow mengenai perubahan struktural tersebut, terima kasih banyak pak atas penjelasan dan bantuannya.

  19. Ninda says:

    assalamualaikum pak.. saya mau tanya variabel independent saya kepemilikan keluarga memakai variabel dummy , 0 dan 1, saya uji dengan uji asumsi klasik .. pada uji normalitas memakai one kolmorogrov tidak normal, saya transfrom juga tidak normal..
    yang mau saya tanya kan perlukah variabel dummy memakai semua uji asumsi klasik? dan perlukah variabel dummy memakai uji normalitas?

    • Muhammad Iqbal says:

      Alaikumusalam….
      Variabel dengan skala nominal (1 dan 0) tidak terdistribusi normal. Uji asumsi klasik bukan tergantung pada jenis variabelnya, tetapi pada metode yang digunakannya, yaitu Regresi Linier dengan pendekatan Ordinary Least Squared (OLS).

  20. Rizki says:

    Assalamualaikum pak, saya rizki sedang menyusun skripsi

    Yg mau saya tanyakan, model terpilih pd penelitian saya ada CE apakah dilakukan uji asumsi klasik juga? Trims

  21. Ari says:

    Assalamualaikum pak.
    Pada tulisan bapak diatas mengenai uji heteroskedastisitas mengatakan uji tsb dilakukan dengan cara mengalikan jumlah observasi dengan multiple R lalu dibandingkan dengan “tabel”. “Tabel” disini maksudnya apa pak? Lalu keterangan hipotesisnya juga sepertinya hilang, apakah jika nilai hasil hitung > tabel maka H0 diterima, dan sebaliknya.
    Pertanyaan saya yg lain, apakah wajib melakukan uji pemilihan model?
    Terima Kasih.

    Akhmad Azhari
    Universitas Hasanuddin Makassar

    • Muhammad Iqbal says:

      Alaikumusalam.
      Maaf Akhmad Azhari, sepertinya saya tidak menulis mengalikan jumlah observasi dengan multiple R lalu dibadingkan dengan ‘tabel’ untuk uji heteroskedastisitas. Mengenai uji pemilihan model tidak wajib. Bisa saja dari awal seseorang sudah merencanakan menggunakan FE untuk melihat adanya perbedaan intersep antar perusahaan. Jadi dia sudah memilih FE sedari awal. Tapi yang perlu dipahami bahwa uji pemilihan model membantu kita menentukan kecocokan data dengan model yang ada. Mudah2an membantu. Terima kasih atas pertanyaannya.

  22. mahasiswa says:

    Untuk lebih memahami uji asumsi klasik pada data panel silahkan buka blog dibawah:
    http://azharimasri.blogspot.co.id/2016/02/uji-asumsi-klasik-autokorelasi.html

  23. Ria says:

    Assalamualaikum pak
    Saya sudh melakukan pemilihan model regresi dan didpt hasil yaitu random effect, tapi kenapa nilai R-Squared dan Adj R-Squared nya kecil sekali dibawah 20%
    Apakah jika menggunakan Random Effect nilai KD nya selalu kecil? Dan kemudian jika saya menggunakan fixed effect apa diperbolehkan mengingat hasil dr uji regresi adalah random effect

  24. Muhammad Iqbal says:

    Alaikumusalam Ria,
    Betul, pada model Random Effect KD selalu “lebih kecil” dibandingkan pada model Fixed Effect, bukan “kecil”. Boleh2 saja pilih FE, tapi jangan pakai teknik pemilihan model, melainkan sudah dari awal dijelakan bahwa akan menggunakan model Regresi Data Panel dengan Dummy Variable.

  25. Ria says:

    Dear pak Iqbal,
    Maksudnya bagaimana ya pak regresi data panel dengan dummy variabel, karena saya tidak menggunakan variabel dummy dalam penelitian saya
    Mohon bantuannya
    Terima kasih

  26. Muhammad Iqbal says:

    Iya, FE itu bahasa lainnya adalah LSDV (Least Squared with Dummy Variable)

    • dhika says:

      Pak Iqbal,
      Saya mau bertanya terkait model Fixed Effect. Berdasarkan uji chow dan hausman, data saya tepat untuk menggunakan FE namun dalam data saya tidak menggunakan dummy variabel. Apa saya tetap dapat menggunakan model Fixed Effect?

      Terimakasih Pak.

  27. Muhammad Rizky says:

    Assalamu’alaykum wr. wb., Selamat Pagi Pak,

    Saya mau bertanya, saya sedang mengerjakan skripsi dengan data panel, dan dari hasil pengujian Hausman dan Likelihood terpilih model REM. Untuk model REM dengan estimasi GLS berarti yang perlu dicek hanya multikol (setau saya kalau panel juga udah nyembuhin multikol) dan normalitas saja ya? Meskipun durbin watson saya kecil hanya 0.9 (kecil dari 2 kemungkinan autokol positif)?

    • Muhammad Iqbal says:

      Sy tidak menemukan refrensi yang mengatakan bahwa GLS dapat menyembuhkan multikolinieritas. Yang saya tau, multikolinieritas dapat disembuhkan salah satunya dengan menambah data atau mengevaluasi model (mengurangi variabel bebas yang menyebabkan multikol).
      Yang saya tau durbin watson untuk menguji autokorelasi, dalam data panel, autokorelasi tidak diuji.

      • Muhammad Rizky says:

        Terima kasih Pak atas balasannya, berarti kalau model REM boleh mengabaikan durbin watson yang hanya 0.9 kan ya?

        • Muhammad Iqbal says:

          Ya

          • Muhammad Rizky says:

            Terima kasih Pak atas balasannya, kalau boleh saya mau tahu Pak jurnal atau textbook yang mendukung bahwa autokorelasi dalam panel tidak perlu diuji karena panel lebih cenderung seperti cross-section..

          • Muhammad Iqbal says:

            Klo yang saya tau tidak ada regresi data panel yang pake uji autokorelasi. Coba baca bukunya Nachrowi & Hardius atau Mahyus Ekananda

          • Muhammad Rizky says:

            Terima kasih banyak atas jawabannya Pak. Saya akan coba cari bukunya Mahyus Ekananda dan Nachrowi & Hardius

  28. yesa says:

    ass pak, saya sedang mengerjakan skripsi dengan data panel, dan saya menggunakan REM model. setelah dilakukan uji multikoleniaritas, terdapat masalah yang mana VIF nya sangat besar. 200+.
    selain itu juga ada masalah dengan uji normalitas. bagaimana mengatasi masalah tersebut pak? apakah saya hanya perlu melakukan uji heteroskedastisitas dan multikoleniaritas? makasih ya pak atas informasinya.

    • Muhammad Rizky says:

      Kalau menurut saya mas/mbak, coba alternatif lain seperti korelasi. Setahu saya jika korelasi antarvariabel bebas tidak ada yang lebih dari 0.75 masih bisa dikatakan tidak terjadi pelanggaran asumsi nonmultikolinearitas

    • Muhammad Iqbal says:

      Alaikumusalam. Ya, benar kata Rizky, kita bisa pakai korelasi. Yang saya tau cara mengatasi korelasi, adalah dengan cara menambah data atau evaluasi model dengan cara mengganti pengukuran variabel yang kita punya atau mengeliminasi yang diperkirakan terindikasi multikolinieritas. Model REM boleh tidak dilakukan uji heteroskedastisitas. Klo normalitas menurut saya bukan suatu keharusan, jika pun mau dievaluasi, lakukan modifikasi model.

  29. Tika says:

    Selamat pagi pak, saya mau bertanya mengenai uji heterokedastisitas dengan uji glejser. Jika dilihat Probnya salah satu variabel independen saya dibawah 0,05. Apakah data saya mengandung heteroskedastisitas apa tidak? Karena mengingat model saya adalah common effects (OLS).
    Terima kasih sebelumnya

    • Muhammad Iqbal says:

      Pagi Tika. Ya benar model (bukan data) Anda mengandung heterokedastisitas. Guna memudahkan Uji Glejser sebaiknya gunakan nilai Prob. dari Uji F saja, tidak perlu uji t.

  30. hanifan says:

    Selamat malam pak saya sedang mengerjakan skripsi ttg kredit macet dengan metode gmm, tp saya kesulitan menemukan referensi utk bbrp hal.

    1. Apakah metode gmm memerlukan uji model seperti halnya pada ols? (Chow test dkk),
    2. Apakah metode gmm memerlukan uji asumsi klasik? Jika perlu, manakah uji asumsi klasik yg diperllukan untuk menyelesaikan metode ini?
    3. Apakah uji model seperti R square adalah hal yg harus dipakai pada metode gmm? Karena saya tdk menemukan hasil uji r square aaat meregresi dengan stata.
    4. Apakah bapak bisa menjelaskan tentang variabel instrumen? Sebenarnya bagaimana definisi terbaik tentang variabel instrumen? Apakah perbedaan variabel instrumen dan kontrol? Kemudian bagaimana membuat variabel instrumen yang baik pak?

    • Muhammad Iqbal says:

      Terima kasih Hanifan atas pertanyaannya. Saya akan coba menjawab, sebatas pengetahuan dan pemahaman saya. Metode GMM dipilih karena ada keyakinan (atau bukti) bahwa lag dari variabel dependent juga bertindak sebagai variabel independent. Bahasa lainnya variabel dependent dipengaruhi oleh dirinya sendiri. Atas dasar itu, seharusnya tahapan standar yang ada di regresi data panel (CE, FE, & RE) sudah dilalui (pertanyaan 1&2). Untuk R square di Stata saya sendiri tidak tau, tapi logikanya bisa dihitung. Dan mengenai variabel instrumen (VI) yang saya tau, jumlahnya harus lebih banyak dari variabel bebas. Setau saya VI bukan variabel kontrol, VI ada karena sifat GMM, sedangkan variabel kontrol lebih ditujukan untuk untuk melihat perbedaan pengaruh variabel bebas terhadap variabel terikatnya.

  31. misno says:

    ARtikel yang sangat membantu sekali…..
    saya mau tanya perbedaan yang digunakan untuk metode data panel seimbang dan tidak seimbang…..

    apakah metode yang digunakan juga berbeda?

    • Muhammad Iqbal says:

      Terima kasih,
      Ya berbeda, jika balance panel biasanya menggunakan OLS atau GLS maka unbalance panel biasanya menggunakan ANOVA, ML atau Monte Carlo.

      • misno says:

        terima kasih atas jawabannya pak…
        apakah ada artikel bapak yang membahas secara khusus tentang kedua metode diatas pak, unbalanced dan balanced…

  32. ray says:

    pak bagaimana cara menilai data autokorelasi. misal ditemukan angka DW sebesar 2,233 itu harus bagaimana ya pak saya mengolah dengan eviews

    • Muhammad Iqbal says:

      Autokorelasi dapat disembuhkan dengan diffrensing atau autoregression. Konsepnya bisa lihat di Bukunya Agus Widarjono.

  33. nina says:

    Selamat pagi Pak Iqbal. Saya mau bertanya, skripsi saya terdiri dari 4 variabel. 2 variabel berupa rasio dan 2 variabel menggunakan variabel dummy. Namun saat saya melakukan fixed effect muncul “Near singular matrix”. Apakah terjadi kesalahan pada data mentah yg saya gunakan? Adakah cara lain agar fix effect model bisa dilakukan? Terima kasih

  34. Muhammad Iqbal says:

    Siang Nina. Variabel Dummy kamu yang membuat “Near singular matrix”. Coba kamu hilangkan satu per satu variabel dummy-nya, maka kemungkinan ga “near singular matrix” lagi. Perlu diingat bahwa fixed effect memuat dummy variabel. Besar kemungkinan dummy yang kamu buat dan dummy fixed effect banyak kesamaannya.

    • Hera arfiana says:

      Assalamualaikum pak. Maksudnya menghilangkan dummy variabel apakah mengeluarkan dummy variabel dari model atau dengan kata lain tidak pakai variabel dummy dalam data panel

  35. Geby says:

    Selamat pagi pak, saya mau nanyak, data yang saya gunakan ada 4 variabel independen dan 1 variabel independen selama tahun 2011-2015. Apakah itu termasuk data panel pak? Dan saya mau nanyak juga kalo kita menggunakan analisis path bisa pake eviews? Gimana caranya.?Makasih pak.

    • Muhammad Iqbal says:

      Sore Geby,
      Maaf saya tidak jelas dengan 4 variabel independent dan 1 variabel independent? Data panel itu banyak perusahaan dan banyak periode waktunya. EView untuk path analysis bisa2 aja, tapi rumit, karena jatuhnya manual seperti regresi liner berganda. Sebaiknya gunakan software Lisrel atau Amos.

  36. nina says:

    Terima kasih atas jawabannya Pak. Lalu adakah pengganti variabel dummy mengingat variabel saya reputasi underwriter dan reputasi auditor dimana auditor dan underwriter yg masuk big 10 diberi angka 1 sementara yg tidak diberi angka 0?

    • Muhammad Iqbal says:

      Sepertinya agak sulit kalo varaibelnya seperti itu, karena kemungkinan besar akan terus berulang “near singular matrix”. Saran saya tidak perlu pakai regresi data panel, pakai saja regresi linier berganda. Untuk menjawab pertanyaan penelitian atau pengujian hipotesis itu cukup.

  37. misno says:

    terima kasih pak artikelnya sangat bermanfaat sekali…
    saya salut pada bapak yang mau menjawab pertanyaan dari pembaca,,,
    saya mau bertanya pak :
    1. Jika R-kuadrat saya kecil untuk data panel apakah bisa saya hentikan penelitian saya ?
    masalahnya r kuadrat saya untuk yang gunakan metode common effect rendah sedangkan gunakan metode fixed effect lumayan tinggi sekitar 88%…

    2. APa sih perbedaan data panel biasa dengan data panel dinamis? untuk mengestimasi modelnya bagaimana ya pak..

    Terima kasih pak

    • Muhammad Iqbal says:

      Sama2 Misno, sekalian belajar. 🙂
      1. R-square salah satu indikator sebuah model dipilih atau dikatakan baik, tapi tidak mutlak. Penentuan fixed, common atau random tidak harus selalu menggunakan pengujian (chow, hausmann, atau LM) bisa saja ditentukan di awal sesuai dengan tujuan penelitian. Misalnya ingin melihat perbedaan pengaruh variabel bebas terhadap variabel terikat di setiap perusahaan. Tanpa uji chow, fixed effect bisa langsung kita pilih. Dan sebagai catatan dari ketiga model, fixed effect biasanya R-square nya paling besar.
      2. Data panel biasa tidak mempertimbangkan adanya lag waktu, sedangkan pada panel dinamis diperhitungkan. Estimasinya agak rumit. Kamu bisa baca bukunya Mahyus Ekananda. #Maaf saya belum sempat nulis lagi panduannya.

      • misno says:

        Terima kasih pak atas jawabannya…
        Memang benar pak dari penelitian saya juga menujukkan kalau untuk fixed effects r-kuadratnya sangat tinggi sedangkan untuk common efect rendah…

        Saya pengen beli bukunya mahyus ekananda, tapi kemarin saya juga sempat beli 2 buku dan hasilnya tidak memuaskan karena isi bukunya hanya sebatas bahas model panel dinamis yang garis besarnya saja…

        Apa buku mahyus ekananda ini lengkap pak bahas data panel dinamis dengan eviews, soalnya saya lagi cari data panel dinamis yang pake software e-views…

        Terima kasih pak

        • Muhammad Iqbal says:

          Lengkap sih tidak, tapi cukup informatif klo mau ngolah data dengan pendekatan dinamis. Buku itu tidak menjelaskan secara rinci bagaimana pemilihan Instrumen Variabel (IV), tapi kalo dibaca dengan jeli kita dapat menemukan caranya.

  38. nina says:

    Terima kasih banyak Pak Iqbal atas jawabannya. Jawaban bapak sangat membantu.

  39. laurens says:

    Pak Saya mau nanya, saya melakukan penelitian pada 12 kab/kota dengan rentang waktu 5 tahun ( 2009-2013).
    Sementara salah satu kabupaten di tahun 2009 tidak ada data pak. Dengan kata lain datanya menjadi tidak seimbang.
    apa bisa diregresi pak??

    • Muhammad Iqbal says:

      Bisa, samain saja tahunya atau kurangin kab/kota nya jadi 11. Karena kalau tetap diolah dengan regresi data panel pasti akan unbalance

  40. nina says:

    Selamat siang Pak Iqbal. Saya sudah melakukan uji heteroskedatisitas pada data saya, namun nilai probnya dibawah 0.05 sehingga mengandung heteroskedastisitas. Setalah itu saya melakukan penyembuhan hetero dengan pembobotan, namun angka probnya malah semakin menjauhi 0.05. Adakah metode lain untuk penyembuhan hetero selain menggunakan pembobotan pak? Terima kasih

  41. selamat siang pak, saya ingin menanyakan maksud dari kata slope dan intercept itu apa ya ? bisa diberikan contoh ?! terimakasih.

    • Muhammad Iqbal says:

      Suatu metode regresi biasanya menggunakan pendekatan persamaan, contoh persamaan linier. Persamaan linier dapat dituliskan secara matematis Y = a + bX (X variabel bebas, Y variabel terikat) dimana a adalah intersep/konstanta, sedangkan b adalah slope. Intersep menjelaskan kondisi Y pada saat X nol atau tidak berubah, sedangkan slope menjelaskan besarnya pengaruh perubahan Y akibat perubahan X.

  42. novella marselly says:

    Selamat Siang Pak Muhammad Iqbal,

    Saya mahasiswi semester 8, saya ingin bertanya perihaal uji asumsi klasik yang dilakukan dalam data panel. Skripsi saya tentang pengaruh NPL, LDR, PDN, CAR terhadap ROA. Data yang saya gunakan berjenis data panel dengan cross section 20 bank dan time series 5 tahun. Setelah melakukan uji Chow, uji Hausman dan Multiplier model regresi yang terpilih adalah model random effect, dan sebelumnya saya juga telah melakukan analisis deskriptif dengan eviews 8 dan hasil yang saya dapat banyak variabel yang memiliki selisih antara mean dan median cukup besar dan nilai skewness dan kurtosis juga menunjukan bahwa data tidak berdistribusi normal. Dan setelah saya membaca artikel bapak, apa benar bahwa data panel tidak mensyaratkan adanya uji asumsi klasik? dan dari hasil uji normalitas yang saya dapatkan apa saya bisa tetap melakukan uji t untuk pengujian secara parsial dan uji f untuk uji simultannya?
    Demikian pertanyaan saya, atas bantuan dan ilmu yang telah bapak berikan saya ucapkan terima kasih.

    Regards,
    Vella

    • Muhammad Iqbal says:

      Siang Vella,
      Uji asumsi klasik itu untuk Regresi Linier dengan OLS. Regresi data panel tidal semua modelnya pakai OLS. Hanya Common Effect & Fixed Effect saja yg OLS, Random Effect pakai GLS. Pada saat sy bilang tidak perlu uji asumsi klasik artinya tidak semua uji diperlukan. Autokorelasi tidak perlu. Uji Normalitas bisa menggunakan teorema limit sentral yg menyebutkan bahwa jika data besar makan dapat dikatakan terdistribusi normal (baca: Basic Econometric, Gujarati) sehingga uji t & F bisa dilakukan

  43. Sartika Handayani says:

    Assalamualaikum pak. Mohon penjelasannya. Apakah untuk melakukan regresi data panel yg harus dilakukan terlebih dahulu memilih model yg tepat dulu br melakukan uji asumsi klasik atau kebalikannya pak?

  44. Muhammad Iqbal says:

    Alaikumusalam Sartika,
    Tentukan (pilih) model dulu baru uji asumsi klasik. Krn uji asumsi klasik melekat pada model yg dibentuk data bukan pada data.

    • Sartika Handayani says:

      Maaf pak Iqbal saya bisa minta email Bapak? sy suadh melakukan uji model tp hasil yang saya dapatkan tidak ada yang signifikan pak. Mohon bantuannya.