Analisis Regresi Data Panel dengan EViews

19 Aug 2020 imran Alwi 0 Materi Statistika

Analisis Regresi Data Panel dengan EViews

ILUSTRASI DATA

Pada kasus berikut ingin melihat bagaimana rasio total hutang terhadap total aset (dta) pada tiga perusahaan. Data yang dikumpulkan yaitu dari tahun 2005 hingga 2008. Indikator yang digunakan diantaranya adalah sebagai berikut:

Size : penjualan (dalam ukuran ln_penjualan)

Tang : rasio aset tetap terhadap total aset

Growth : pertumbuhan penjualan

Prof : rasio laba bersih terhadap penjualan

Risk : selisih kuadrat dari rata-rata laba bersih

Adapun langkah-langkah dalam melakukan input data adalah sebagai berikut

  1. Klik File, pilih open, kemudian foreign data as workfile

  1. Maka akan disajikan lembar kerja sebagai berikut. Kemudian Pilih data yang akan kita analisis dan klik open.

     

  2. Klik Next,

  3. Akan muncul tampilan berikut. Bagian name diisi dengan nama variabel dan di bagian description sebagai tempat untuk mendeskripsikan nama variabel yang digunakan. Kemudian Klik Next

  4. Akan muncul tampilan berikut. Pada bagian basic structured pilih undated. Kemudian klik finish

  1. Akan muncul kotak dialog berikut. Kemudian klik

  2. Akan ditampilkan output berikut yang berupa hasil import data yang berupa stakced data. Fungsi dari stacked data ini adalah untuk melakukan uji unit root test
    (uji statsioner) dan uji asumsi klasik jika kita ingin melukan kedua uji tersebut.

  3. Jika tidak ingin melakukan uji stasioner dan uji asumsi klasik maka kita perlu membuat data stack menjai unstack, caranya adalah klik menu proc, reshape
    current page,
    dan pilih
    unstack in new page

     

  4. Akan muncul tampilan berikut. Pada bagian series name isikan nama kabupaten/kota kemudian untuk bagian series containing observation identifiers isikan dengan rentang waktu yang kita gunakan.

  5. Maka akan muncul tampilan berikut di lembar yang baru. Pada lembaran ini data sudah dalam bentuk tampilan unstacked data sehingga pada bagian ini kita dapat melakukan uji model, Uji chow dan uji hausman.

  1. Double klik pool

  1. Akan muncul tampilan berikut. Kemudian Klik estimate. Masukkan variabel dependen dan independen yang kita gunakan.

  • Untuk model Pool Least Square (PLS), maka pada bagian

    • cross section : none
    • Period     : None
    • Weights : No weights
    • method     : LS (Least Square)

Kemudian Klik OK

  • Untuk model Fixed Effect Model (FEM), maka pada bagian

    • cross section : Fixed
    • Period    : None
    • Weights : No weights
    • method    : LS (Least Square)

Kemudian Klik OK

  • Untuk model Random Effect Model (REM), maka pada bagian

    • cross section : Random
    • Period     : None
    • Weights : No weights
    • method    : LS (Least Square)

Kemudian Klik OK

Note :

model RE hanya dapat diestimasi pada saat jumlah entitas/perusahaan lebih banyak daripada jumlah varibel bebas

  1. F Test (Chow Test)

    Dilakukan untuk membandingkan/memilih model mana yang terbaik antara PLS dan FE. Pertama, pastikan bahwa model1 telah tertampil pada jendela Fixed Effet Model, setelah itu klik : View => Fixed/Random Effects Testing => Redundant Fixed Effects – Likelihood Ratio.

Maka akan muncul tampil seperti ini:

Dari tampilan di atas cukup perhatikan tabel yang paling atas saja. Perhatikan nilai probabilitas (Prob.) untuk Cross-section F. Jika nilainya > 0.05 (ditentukan di awal sebagai tingkat signifikansi atau alpha) maka model yang terpilih adalah PLS, tetapi jika < 0.05 maka model yang terpilih adalah FE.

Berdasarkan tabel yang paling atas terlihat bahwa nilai Prob. Cross-section F sebesar 0.000 yang nilainya < 0.05 sehingga dapat disimpulkan bahwa model FE lebih tepat dibandingkan dengan model PLS untuk kasus contoh diatas.

  1. Hausman Test

    Dilakukan untuk membandingkan/memilih model mana yang terbaik antara FE dan RE. Pertama pastikan bahwa pada jendela model1 telah tertampil model RE, setelah itu klik: View => Fixed/Random Effects Testing => Correlated Random Effects – Hausman Test.

    Maka akan muncul tampil seperti ini:

Dari tampilan di atas cukup perhatikan tabel yang paling atas saja. Perhatikan nilai probabilitas (Prob.) Cross-section random. Jika nilainya > 0.05 maka model yang terpilih adalah RE, tetapi jika < 0.05 maka model yang terpilih adalah FE.

Pada tabel yang paling atas terlihat bahwa nilai Prob. Cross-section random sebesar 0.0006 yang nilainya < 0.05 sehingga dapat disimpulkan bahwa model FE lebih tepat dibandingkan dengan model RE untuk kasus diatas.

Dari dua uji pemilihan model dapat disimpulkan bahwa untuk kasus diatas model FE lebih baik daripada model RE dan CE, tanpa harus dilakukan uji selanjutnya (LM Test).

Pengujian asumsi dilakukan di bagian stacked data, caranya

  1. Pilih Quick >> estimate question

  2. Akan muncul tampilan berikut. Buat model dengan menginputkan variabel dependen dan semua variabel independen seperti berikut ini

  1. Masuk dalam pengujian asumsi klasik,

    1. Uji Normalitas

      Klik View >> Residual Diagnostics >> Histgram normality test

Output:

Karena nilai p-value (0.0006) lebih kecil dari alpha (0.05) maka dapat dikatakan tolak H0 sehingga dapat dikatakan bahwa sisaan tidak menyebar normal atau dengan kata lain asumsi normalitas tidak dipenuhi.

  1. Uji Heteroskedastisitas

    Klik View >> Residual Diagnostics >> Heteroskedasticity test >> Uji White >> Unchek inculde white cross term

Output

Karena nilai p-value (0.0434) lebih kecil dari alpha (0.05) maka dapat dikatakan tolak H0 sehingga dapat dikatakan bahwa sisaan tidak homogen atau dengan kata lain asumsi non heteroskedastisitas tidak dipenui.

  1. Uji Autokorelasi

    Klik View >> Residual Diagnostics >> Serial LM test

    Output

Karena nilai p-value (0.000) lebih kecil dari alpha (0.05) maka dapat dikatakan tolak H0 sehingga dapat dikatakan bahwa sisaan saling berkorelasi atau dengan kata lain asumsi non autokorelasi tidak dipenui.

Uji Multikolinieritas

Klik Quick >> Grup Statistics >> Correlations
>> masukkan semua variabel independen

Output:

Dari matriks korelasi diatas tampak bahwa terdapat korelasi yang cukup tinggi antara variabel size dan tang yaitu sebesar (0.57)

  1. Asumsi Multikolinieritas

    Jika terdapat korelasi antar variabel independen maka salah satu cara yang dapat dilakukan adalah dengan membuang variabel yang berkorelasi kuat. Pada kasus sebelumnya terdapat korelasi yang cukup tinggi antara variabel size dan tang yaitu sebesar (0.57) sehingga kita dapat membuan salah satu dari variabel tersebut. Untuk kasus ini kita akan mencoba membuang variabel size.

    1. Asumsi Homogenitas / non-Heteroskedastisitas

      Heteroskedastisitas biasanya terjadi pada jenis data cross section. Karena regresi data panel memiliki karakteristik tersebut, maka ada kemungkinan terjadi heteroskedastisitas. Dari ketiga model regresi data panel hanya CE dan FE saja yang memungkinkan terjadinya heteroskedastisitas, sedangkan RE tidak terjadi.Hal ini dikarenakan estimasi CE dan FE masih menggunakan pendekatan Ordinary Least Square (OLS) sedangkan RE sudah menggunakan Generalize Least Square (GLS) yang merupakan salah satu teknik penyembuhan regresi.

      Solusinya yaitu dengan melakukan pembobotan (weighted). Untuk membandingkan apakah model FE terjadi heteroskedastisitas atau tidak, dapat dilakukan dengan cara membandingan hasil antara model FE tanpa pembobotan (unweighted) dan model FE dengan pembobotan (weighted). Sebagai contoh pada kasus diatas.

      Output model FE tanpa pembobotan (unweighted) Output dengan pembobotan (weighted).
       


 

Untuk mendapatkan hasil di atas pada saat estimasi (atau klik ) di bagian Panel Option, Weights, di GLS Weights pilih Cross-section weights.

Berikut ini hasil pembandingan kedua model CE:

Berdasarkan 3 (tiga) parameter di atas pada dasarnya tidak terdapat perbedaan yang terlalu signifikan, hanya pada R-squared saja yang mana model CE weighted lebih besar (lebih baik) sehingga dapat disimpulkan tidak terjadi heteroskedastisitas pada model FE.

  1. Asumsi non-Autokorelasi

Solusinya : Dengan melakukan differencing lag pertama

Pada kasus diatas dilakukan diffrencing lag pertama untuk seluruh variabel. Sehingga pada kolom estimasi model yang kita inputkan adalah

Awalnya à

Menjadi

Karena nilai p-value (0.0783) lebih besar dari alpha (0.05) maka dapat dikatakan gagal tolak H0 sehingga dapat dikatakan bahwa sisaan tidak saling berkorelasi atau dengan kata lain asumsi non autokorelasi dipenui.

  1. Asumsi normalitas

Solusinya : Dengan melakukan transformasi (misalnya transformasi log)


Karena nilai p-value (0.025) lebih besar dari alpha (0.01) maka dapat dikatakan gagal tolak H0 sehingga dapat dikatakan bahwa sisaan sudah menyebar normal atau dengan kata lain asumsi normalitas dipenuhi

Setelah dibentuk model terbaik (Model FE) dengan asumsi yang sudah terpenuhi maka diperoleh output sebagai berikut:


a) Uji –F, Uji-t dan Koefisien Determinasi

    Berdasarkan hasil uji secara simultan dari Model Fixed Effects,
diperoleh hasil bahwa secara keseluruhan (overall) variabel size, growth, prof berpengaruh secara simultan terhadap besarnya nilai total aset (dta) (F-statistic = 0.0000 < ). Hasil yang sama juga ditunjukkan oleh uji parsial (uji-t), yang menunjukkan bahwa masing-masing variabel independen secara statistik memiliki pengaruh yang signifikan terhadap total aset (dta).

    Nilai R-Square adjusted Model sebesar 0.436 yang menunjukkan bahwa 43.6% persen keragaman dari total aset (dta) dipengaruhi oleh variabel size, growth, prof sedangkan sisanya dipengaruhi oleh variabel lain di luar model.

b) Model regresi data panel yang paling tepat untuk pemodelan Total Aset (dta) untuk 21 perusahaan dari tahun 2002 sampai dengan 2008 adalah Fixed Effect Model (FEM) dengan efek individu,

    Model persamaan hasil estimasi sebagai berikut :

= 0.001 0.152 d_SIZEit + 0.100 d_GROWTHit
0.575 d_PROFit + 0.061 DA + 0.027 DB + . . .−0.01 DU

dengan

         : Nilai total aset (dta) untuk perusahaan ke-i tahun ke-t

SIZEit          : rasio aset tetap terhadap total aset untuk perusahaan ke-i tahun ke-t

GROWTHit      : pertumbuhan penjualan untuk perusahaan ke-i tahun ke-t

PROFit      : rasio laba bersih terhadap penjualan untuk perusahaan ke-i tahun ke-t

Di : Nilai Konstanta (Individual Effect) di setiap perusahaan ke –i, dengan i = A,B, . . .,U


 

BY: imran Alwi

Artikel terkait

Belum ada komentar, Jadilah yang pertama mengomentari.