Regresi panel terdiri dari data cross section dan data time series. Bicara tentang data, data time series biasanya berupa data deret waktu untuk satu objek, misalnya data penjualan perusahaan A. Sumber data pada data time series hanya satu yakni perusahaan A dan keragaman data mengandalkan data deret waktu seperti contohnya periode tahun 2000 hingga 2020. Sedangkan data cross section merupakan data yang bersumber dari beberapa objek, namun satu waktu. Contoh data cross section adalah data pertumbuhan PDRB setiap provinsi pada tahun 2021. Data tersebut berisi data pertumbuhan PDRB di tahun 2021, tetapi terdapat 34 data karena jumlah provinsi di Indonesia saat ini 34 provinsi.

Data time series biasa diolah dengan analisis time series dan data cross section biasa digunakan dalam penelitian sebab akibat. Namun regresi panel membolehkan menggunakan data campuran dari keduanya. Misalnya data 5 perusahaan dengan periode 10 tahun. Artinya pada pengolahan data tersebut, sudah terdapat setidaknya 50 data. Hal ini lah yang menjadi keuntungan dan banyak peneliti menggunakan regresi panel sebagai topik penelitiannya, terutama mahasiswa yang mengerjakan tugas akhir. Dari pengalaman, biasanya sektor perbankan yang memanfaatkan analisis ini.

Keuntungan yang diperoleh ternyata menghasilkan konsekuensi yang harus dipenuhi oleh pengguna analisis ini. Sifat data time series berpotensi akan menghasilkan autokorelasi yakni ada hubungan atau korelasi antara data berdasarkan waktu karena dipengaruhi oleh trend, musiman, dan siklus. Sedangkan data cross section dengan ciri perusahaan yang sama, misalnya kelompok bank, berkemungkinan akan menghasilkan heteroskedastisitas. Oleh sebab itu, pengolahan data regresi panel berbeda dengan regresi biasa atau regresi berganda.

Adapun alasan menggunakan data panel lebih baik dalam model statistika adalah: pertama, data akan lebih heterogen karena menggunakan individu, daerah, atau perusahaan yang banyak sebagai komponen cross sectionnya. Kedua, kombinasi data time series dan cross section diyakini akan memberikan informasi yang lebih lengkap, lebih beragam, derajad bebas lebih besar, yang kesemua itu menguntungkan dalam perhitungan. Ketiga, studi data panel akan lebih memuaskan untuk menentukan perubahan dinamis dibanding studi yang sama dilakukan berulang ulang dari cross section. Keempat, data panel membantu studi untuk menganalisis prilaku yang lebih kompleks.

Setidaknya ada tiga kelompok regresi panel yang akan dijelaskan pada artikel ini. Ketiga regresi ini berdasarkan sifat random yang disebabkan oleh sebaran error seperti yang dijelaskan di paragraf sebelumnya. Ketiga kelompok regresi panel itu adalah yakni fixed effect, random effect, dan common effect. Perbedaan ketiganya sudah saya jelaskan pada artikel : jenis regresi panel dan mengolah fixed effect.

Tutorial panel data dengan eviews

Langsung saja, data yang akan dibahas disini dapat didownload link sebagai berikut:

Contoh data panel

Data tersebut diubah menjadi format sebagai berikut:

wilayahTahunYX1X2
A200348.478.2513.43
A200453.2814.9113.86
A200557.888.8414.48
B200316.331.438.01
B200417.494.497.42
B200519.4961.377.81
C200316.530.987.29
C200417.441.16.45
C200518.6317.24
D200351.2719.2812.42
D200455.825.0511.44
D200567.9818.4512.35
E200318.950.417.07
E200420.330.347.17
E200520.980.466.93

Dengan Y adalah PDRB, X1 adalah investasi, dan X2 adalah Tenaga Kerja. Adapun cara memasukkan data kedalam aplikasi eviews adalah:

Buka aplikasi eviews. Klik file- new -workfile

Workfile structure type pilih unstructured/undated, dan isi observasi dengan jumlah sample. Dalam latihan ini jumlah sample adalah 15. Klik ok

Kemudian pilih quick – empty group (edit series)

Copykan data excel di sheet eviews.

Pilih windows – workfile

Klik proc – reshape-reshape current page -unstack in new page

Pada series name isikan nama kolom wilayah atau data crosssection, sedangkan pada isian one or more series name isikan nama kolom time series. Pada latihan ini nama kolom wilayah adalah wilayah, dan nama kolom time series adalah tahun. Klik OK

Maka akan ada new page yang siap diolah untuk regresi panel seperti gambar di bawah ini :

Penjelasan Regresi panel : common effect

Pada common effect ini asumsi yang digunakan adalah slope dan intersep dari semua wilayah adalah sama. Jika persamaan regresi adalah:

Y = a + bX1, maka nilai a adalah intersep dan b adalah slope. Jadi persamaan ini dimiliki oleh semua wilayah dari a sampai e. artinya tidak ada pembedaa tempat dan regresi yang diproses sama seperti regresi berganda.

Adapun cara mengoperasionalkan pada eviews adalah sebagai berikut:

Klik dua kali  data pooled, pada pages biasanya diberi kode P:

Kemudian klik estimates dan isikan nama variabel independen dan dependen di kolomnya masing masing (beri tanda ? dibelakang setiap nama variabel, lihat gambar)

Cross section : none
Period: none
Weight: No Weights
Method : LS (Least Square)

Kemudian klik OK

Terlihat pada output disana nilai koefisien dan slope untuk semua tempat atau wilayah yang sama. Cara membaca output regresi panel sama dengan regresi berganda, yakni memperhitungkan nilai uji F secara keseluruhan, kemudian uji T secara parsial, r square sebagai kebaikmodelnya.

Penjelasan Regresi panel : fixed effect dan random effect

Kedua metode ini memiliki kesamaan, yakni persamaan yang diperoleh memiliki nilai intersep yang berbeda, tetapi slope yang sama. Jika persamaan linearnya adalah Y = a + bX1, maka intersep adalah a, b adalah slope. Kondisi ini memungkinkan adanya persamaan yang berbeda di setiap tempat atau wilayah. Untuk lebih mudahnya langsung praktek saja.

Sama dengan proses common effect, tetapi berbeda saat pengisisan estimate. Pada fixed effect, isikan

Cross section  fixed
Period: none
Weight : no weight
Method: LS (least Square) klik OK.

Hasil yang diperoleh:

Terlihat awal persamaannya adalah:

Y = -1.64 + 0.037 X1 +3.621 X2. Namun persamaan ini berbeda disetiap wilayah, perhatikan baris dibawah fixed effect (cross), disana ada penyesuaian untuk wilayah, dimana untuk wilayah A ada penyesuaian intersep sebesar 4.026 sehingga intersep untu persamaan di wilayah A menjadi = -1.64 + 4.02 = 2.38. begitu juga dengan wilayah yang lainnya. Sehingga persamaannya menjadi:

YA = 2.38 + 0.037 X1 +3.621 X2
YB = -11.12 + 0.037 X1 +3.621 X2
YC = -7.831 + 0.037 X1 +3.621 X2
YD = 13.85 + 0.037 X1 +3.621 X2
YE = -5484 + 0.037 X1 +3.621 X2

Dari sinilah dikatakan regresi panel dapat membandingkan wilayah satu dengan yang lain. Pada contoh ini adalah perbedaan  nilai PDRB dengan asumsi penambahan X1 dan X2 yang sama di setiap wilayah.

Hampir sama dengan fixed effect, random effect juga memiliki hasil persamaan yang berbeda disetiap wilayah, adapaun settingan pada saat estimasi adalah:

Cross section : Random
Period: none
Weight : no weight
Method: LS (least Square) klik OK.

Maka hasilnya adalah sebagai berikut:

Mencari persamaan setiap wilayah sama dengan mencari  persamaan di model fixed effect random diatas.

Cara memilih Metode regresi panel

Selanjutnya, kita dapat memilih apakah  metode fixed effect (fem) atau metode random effect (rem) yang lebih baik digunakan, menurut judgeada beberapa pertimbangan kriteria yang perlu diperhatikan, yaitu :

  1. jika time series (t) besar dan jumlah cross section  (n) kecil maka nilai taksiran parameter berbeda kecil, sehingga pilihan didasarkan pada kemudahan perhitungan, yaitu fem
  2. bila n besar dan t kecil, estimasi yang diperoleh dari kedua model tersebut sangat berbeda sekali. jika individu atau unit-unit cross section bersifat tidak random maka fem yang sangat tepat. bila unit analisis bersifat random maka rem lebih tepat.
  3. jika komponen error individu berkorelasi maka penaksiran rem adalah bias dan penaksiran fem tidak bias.
  4. jika n besar dan t kecil serta asumsi rem dipenuhi maka penaksiran rem lebih baik dari penaksiran fem.
  5. sebaiknya dalam menentukan, apakah metode fem dan rem digunakan dengan metode hausmann test.

Uji Chow: Common Vs Fixed effect

Uji fixed effect model dilakukan untuk melihat model manakah yang lebih tepat, model common ataufixed effect model dengan hipotes sebagaiberikut:

H0: common effect model
H1: fixed effect model

Caranya, pada output fixed effect diatas, pilih view- fixed/random effect – redundant fixed effect

Hasilnya adalah sbb:

Oleh karena p-value < 0,05 berarti h1 diterima, sehingga teridentifikasi bahwa fem lebih tepat dibandingkan cem (common effect model).

Uji Hausman : Fixed vs Random Effect

Karena teridentifikasi fem lebih tepat dibandingkan cem, maka tahap berikutnya adalah menguji apakah fem lebih tepat dibandingkan rem (random effect model), dengan hipotesase bagai berikut

H0: random effect
H1: fixed effect

Caranya, pada output random  effect diatas, pilih view- fixed/random effect – correlated random effect

Hasilnya adalah:

Nilai p value atau probabilitynya diatas 0.05, maka H1 ditolak. Sehingga teridentifikasi berikutnya bahwa rem lebih tepat dibandingkan fem.

Selanjutnya dilakukan uji asumsi klasik dengan menggunakan pages stacked yang diawal sebelum dilakukan reshape, atau lihat gambar dibawah ini.

Nah, cara uji asumsi klasik sama dengan pengujian asumsi klasik yang telah dijelaskan sebelumnya pada artikel regresi berganda dengan eviews, atau artikel lain yang sudah membahas tuntas satu persatu. Selain artikel, juga sudah disediakan video tutorial dalam penjelasannya. Silahkan berselancar di channel youtube catatan budi.

Terima kasih, selamat belajar.

Peneliti bidang sosial ekonomi pertanian. Pernah bekerja di bidang supply chain. Detil info silahkan kunjungi laman about me.

Leave a comment

Your email address will not be published. Required fields are marked *