Upload
dorian-raymond
View
70
Download
2
Embed Size (px)
DESCRIPTION
Ekonometrika. Program Studi Statistika, semester Ganjil 2012/2013. Panel Data Regression Model. Panel Data/ Pooled Data/ Longitudinal Data/ Micropanel Data Mempunyai dua dimensi : individu ( mis : perusahaan , propinsi , negara ) dan waktu - PowerPoint PPT Presentation
Citation preview
Dr. Rahma Fitriani, S.Si., M.Sc
Ekonometrika
Program Studi Statistika, semester Ganjil 2012/2013
Panel Data Regression Model Panel Data/ Pooled Data/ Longitudinal Data/
Micropanel Data Mempunyai dua dimensi: individu (mis:
perusahaan, propinsi, negara) dan waktu Penggabungan data cross section dan time
series Setiap unit data cross section diulang dalam
beberap periode waktu
Kelebihan Penggunaan data Panel Keheterogenan antar individu dapat secara
eksplisit diakomodasi Penggabungan antara cross section dan time
series membuat data panel menjadi Lebih informatif Lebih bervariasi Mengurangi kolinieritas Memperbanyak derajat bebas Lebih efisien
Pengulangan waktu pada unit cross section yang sama mengakomodasi perubahan dinamis setiap unit cross section
Model Linier Data Panel
ititiit XaY
Untuk satu peubah bebas (yang dapat dibuat umum untuk lebih dari satu peubah bebas)
ai adalah variabel tak terobservasi yang spesifik bagi setiap individu
Diasumsikan bernilai konstan sepanjang waktu untuk setiap individu
Beberapa model yang dapat diasumsikan Pooled Model Random effects Model Fixed effects Model
Pooled Model
Model paling sederhana Diasumsikan bahwa tidak ada keheterogenan antar
individu yang tidak terobservasi Semua keheterogenan sudah ditangkap oleh peubah
eksogen Model menggunakan asumsi yang sama seperti yang
digunakan pada data cross section
ititit XaY
Pooled OLS Estimator (POLS) Dengan asumsi Pooled Model maka penduga
parameter model dapat dilakukan dengan menggunakan POLS
Model Fixed Effects dan Random Effects
Diasumsikan bahwa terdapat keheterogenan antar individu yang tidak terobservasi: ai
ai tidak tergantung waktu (time invariant) Model fixed effects (FE): diasumsikan bahwa
masih terdapat hubungan antara ai dan peubah eksogen
Model random effects (RE): diasumsikan bahwa ai dan peubah eksogen saling bebas
ititiit XaY
Beberapa alternatif penduga untuk asumsi FE Least Square Dummy Variable (LSDV)
Estimator Within Estimator Between Estimator
Least Squares Dummy Variable Estimator (LSDV) Pendugaan parameter jika diasumsikan Model FE. ai diduga bersama-sama dengan β Menggunakan N peubah dummy untuk setiap unit
cross section
itit
N
kkikit XDY
21
Penduga OLS diterapkan pada model di atas
Within Estimator Dilakukan transformasi terhadap data untuk
menghilangkan efek heterogenitas yang tidak terobservasi
Model awal: ititiit XaY
Hitung rata-rata dari seluruh waktu pengamatan bagi setiap unit cross section:
... iiii XaY
Transformasi: ... iitiitiit XXYY
Penduga OLS diperoleh berdasarkan data hasil transformasi di atas
Within Estimator Mengukur keragaman data hanya berdasarkan
waktu Tidak memuat peubah yang tidak tergantung
waktu (time invariant)
Between Estimator Hanya menunjukkan keragaman dari unit cross
section Digunakan rata-rata seluruh waktu pada setiap
unit cross section Model panel terduksi menjadi:
... iiii XaY
Penduga OLS diterapkan pada model tereduksi tersebut
Sayangnya penduga ini kurang konsisten
Penduga untuk model dengan asumsi RE Between Estimator:
Tidak efisien Random effects estimator
Random Effects Estimator (Penduga RE) Penduga ini mengasumsikan bahwa efek individu bersifat
random bagi seluruh unit cross section
ititiit XaY
itiit av
ititit vXY
Penduga RE mengakomodasi struktur error tersebut
Penduga RE diperoleh berdasarkan metode pooled GLS
22 ,0~,,0~ NNa itai
Random Effects Estimator (Penduga RE)
iitiitiit vvXXYY
Penduga RE mengukur keragaman berdasarkan waktu dan cross section
Penduga RE rata-rata terboboti antara penduga FE (Fixed Effects Estimator) dan BE (Between Estimator)
22 ˆˆ
ˆ1ˆ
aT
Estimator withinMSEˆ 2 Estimatorbetween MSEˆ 2 a
Prosedur untuk pendugaan pada model data Panel Duga model FE dan RE Lakukan uji Hausman
Menguji apakah terdapat perbedaan nyata antara penduga model FE dan penduga model RE
Hipotesis nol: kedua penduga tidak ada perbedaan
Jika H0 ditolak maka penduga FE lebih sesuai
Jika H0 diterima maka lanjutkan dengan uji Breusch Pagan
0: 20 aH
0: 20 aH
Jika H0 ditolak maka: Komponen galat individu nyata, Penduga RE lebih sesuaiJika H0 diterima maka penduga POLS (Pooled OLS)
lebih sesuai
Garis besar penetapan asumsi FE atau RE Jika T (waktu pengamatan) cukup besar dan N
(jumlah unit cross section) kecil → kemungkinan besar tidak banyak perbedaan antara penduga FE dan RE. Alasan kemudahan: gunakan penduga FE (LSDV)
Ketika N besar dan T kecil dan unit pengamatan bukan berupa sampel dari populasi yang lebih besar, FE model lebih tepat Gunakan penduga FE (LSDV)
Ketika N besar dan T kecil dan unit pengamatan berupa sampel acak dari populasi yang lebih besar, RE model lebih tepat Gunakan peduga RE (Random Effect Estimator)
Jika komponen dari error berkorelasi dengan salah satu peubah eksogen: gunakan FE model Penduga FE
Contoh Aplikasi Penelitian tentang jumlah investasi (I)
berdasarkan nilai asset perusahaan (Finv) dan modal perusahaan (Cinv)
Penelitian berdasarkan pada data tahunan investasi 4 perusahaan (unit cross section) mulai dari tahun 1935 – 1954 (time series, 20 tahun)
Secara a priori diharapkan bahwa investasi berkorelasi positif terhadap nilai asset dan modal
Pemilihan asumsi RE atau FE Dari N (kecil) dan T(besar), semestinya penduga RE
dan FE tidak akan berbeda nyataAkan tetapi jika diasumsikan bahwa: perbedaan setiap perusahaan bersifat random dan efek tak terobservasi setiap perusahaan tidak
berhubungan dengan peubah penjelas Penduga RE lebih sesuai
Jika hanya 4 perusahaan tsb yang mungkin ada maka Penduga FE lebih sesuaiJika 4 perusahaan adalah sampel acak dari populasi
perusahaan-perusahaan Penduga RE lebih sesuai
Output hasil pendugaan, asumsi RE Dependent variable: I
coefficient std. error t-ratio p-value --------------------------------------------------------- const -74.8236 84.5994 -0.8844 0.3792 Finv 0.107965 0.0165715 6.515 6.78e-09 *** Cinv 0.347411 0.0262238 13.25 1.50e-021 ***
Mean dependent var 290.9116 S.D. dependent var 284.8557 Sum squared resid 1576262 S.E. of regression 142.1565 Log-likelihood -509.0567 Akaike criterion 1024.113 Schwarz criterion 1031.259 Hannan-Quinn 1026.978
Prosedur Lanjutan
'Within' variance = 5593.42 'Between' variance = 23981.7 theta used for quasi-demeaning = 0.89201
Hausman test - Null hypothesis: GLS estimates are consistent Asymptotic test statistic: Chi-square(2) = 1.51948 with p-value = 0.467788
Breusch-Pagan test - Null hypothesis: Variance of the unit-specific error = 0 Asymptotic test statistic: Chi-square(1) = 382.288 with p-value = 3.95186e-085
2ˆ2ˆa
89201.0ˆˆ
ˆ1ˆ
22
aT
Terima H0: tidak ada beda penduga FE dan RE
Tolak H0: RE lebih sesuai