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 da