ANALISIS ESTIMASI MODEL REGRESI DATA PANEL …lib.unnes.ac.id/22312/1/4111411057-s.pdfregresi data panel, melakukan uji pemilihan model terbaik, uji diagnostik pada ... 2.3 Pemilihan

ANALISIS ESTIMASI MODEL REGRESI DATA

PANEL DENGAN PENDEKATAN COMMON EFFECT

MODEL (CEM), FIXED EFFECT MODEL (FEM), DAN

RANDOM EFFECT MODEL (REM)

Skripsi

disusun sebagai salah satu syarat

untuk memperoleh gelar Sarjana Sains

Program Studi Matematika

oleh

Styfanda Pangestika

4111411057

JURUSAN MATEMATIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

UNIVERSITAS NEGERI SEMARANG

2015

ii

iii

iv

MOTTO

“Barangsiapa yang menapaki suatu jalan dalam rangka mencari ilmu maka Allah

akan memudahkan baginya jalan ke Surga.

(H. R. Ibnu Majah & Abu Dawud)

Maka nikmat Tuhan kamu yang manakah yang kamu dustakan?

(QS. Ar Rahman [55])

Life is what you make it. Always has been, always will be

(Eleanor Roosevelt)

PERSEMBAHAN

Untuk ayah dan ibu saya tercinta

Untuk adik saya tersayang

Untuk Universitas Negeri Semarang (UNNES)

v

PRAKATA

Alhamdulillah, puji syukur senantiasa penulis panjatkan ke hadirat Allah

SWT atas limpahan karunia-Nya sehingga penulis dapat menyelesaikan skripsi

yang berjudul “Analisis Estimasi Model Regresi Data Panel dengan

Pendekatan Common Effect Model (CEM), Fixed Effect Model (FEM), dan

Random Effect Model (REM).”

Penulis menyadari dalam penyusunan skripsi ini penulis telah mendapat

banyak bantuan, bimbingan, dan dorongan dari berbagai pihak. Oleh karena itu,

penulis menyampaikan terima kasih kepada:

1. Prof. Dr. Fathur Rokhman, M.Hum., Rektor Universitas Negeri Semarang.

2. Prof. Dr. Wiyanto, M.Si., Dekan Fakultas Matematika dan Ilmu Pengetahuan

Alam Universitas Negeri Semarang.

3. Drs. Arief Agoestanto, M.Si., Ketua Jurusan Matematika Fakultas

Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang.

4. Dr.Scolastika Mariani, M.Si., selaku dosen pembimbing utama, yang telah

menuntun, memberikan arahan dan bimbingan dalam penyelesaian skripsi ini.

5. Prof. Dr. Zaenuri, S.E, M.Si,Akt., selaku dosen pembimbing pendamping,

yang telah menuntun, memberikan arahan dan bimbingan dalam penyelesaian

skripsi ini.

6. Drs. Sugiman, M.Si., selaku ketua penguji, yang telah berkenan untuk

menguji skripsi ini.

7. Alamsyah, S.Si., M.Kom., selaku dosen wali yang telah membimbing dan

memberikan masukan selama 4 tahun penulis menjalani perkuliahan.

vi

8. Badan Pusat Statistik Provinsi Jawa Tengah yang telah membantu dalam

penyediaan data untuk melakukan penelitian.

9. Keluarga besarku yang selalu mendoakan dan menjadi motivasku dalam

menyelesaikan skripsi ini.

10. Teman-teman M2M, KKN Lolipop dan teman-teman trouble maker kos yang

telah memberikan motivasinya.

11. Sahabat-sahabatku, Elok, Danang, Arya, Puji, Ari, Iin, Bravura, Mila, Rizky,

Mira, Rangga, Rifan, dan Taufiq yang selalu memberikan dukungan dan

motivasinya.

12. Semua pihak yang tidak dapat penulis sebutkan satu persatu yang telah

membantu dalam penyelesaian skripsi ini.

Penulis menyadari, bahwa masih banyak keterbatasan pengetahuan dan

kemampuan yang penulis miliki. Penulis mengharapkan kritik dan saran yang bisa

membangun penelititan-penelitian yang lain. Semoga skripsi ini dapat berguna

dan bermanfaat bagi pembaca.

Semarang, September 2015

Penulis

vii

ABSTRAK

Pangestika, Styfanda. 2015. Analisis Estimasi Model Regresi Data Panel dengan

Pendekatan Common Effect Model (CEM), Fixed Effect Model (FEM), dan

Random Effect Model (REM). Skripsi. Jurusan Matematika Fakultas Matematika

dan Ilmu Pengetahuan Alam Universitas Negeri Semarang. Pembimbing Utama

Dr. Scolastika Mariani, M.Si., dan Pembimbing Pendamping Prof. Dr. Zaenuri,

S.E, M.Si,Akt.

Kata kunci : Regresi Data Panel, Fixed Effect Model, Random Effect Model.

Penelitian ini mengkaji tentang estimasi parameter model regresi data panel.

Penelitian ini bertujuan untuk (1) menjelaskan estimasi parameter model regresi

data panel dengan pendekatan Common Effect Model (CEM), Fixed Effect Model

(FEM) dan Random Effect Model (REM) untuk data pengaruh angka melek huruf,

rata-rata lama sekolah, dan pengeluaran riil per kapita disesuaikan terhadap Indeks

Pembangunan Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari

tahun 2008 sampai dengan 2012; (2) mengetahui estimasi parameter model regresi

data panel terbaik; dan (3) menganalisis estimasi parameter model regresi data

panel terbaik dengan menggunakan kriteria uji diagnostik. Pengambilan data

dilakukan dengan cara mendokumentasikan data di Badan Pusat Statistik (BPS)

Jawa Tengah.

Data yang diambil berupa Angka Melek Huruf, Rata-rata Lama Sekolah,

Pengeluaran Riil Per Kapita Disesuaikan dan Indeks Pembangunan Manusia

(IPM). Untuk selanjutnya dilakukan estimasi model regresi data panel terbaik.

Analisis data dilakukan dengan menggunakan penghitungan manual dan dengan

menggunakan software R.

Dari tahapan analisis yang dilakukan, yaitu mengestimasi parameter model

regresi data panel, melakukan uji pemilihan model terbaik, uji diagnostik pada

model terbaik, pemeriksaan persamaan regresi, menguji signifikansi parameter

regresi data panel, menguji asumsi regresi data panel, dan interpretasi model

regresi maka diperoleh kesimpulan yaitu estimasi model regresi data panel terbaik

dengan pendekatan fixed effect model dengan efek individu dengan nilai dan model persamaan hasil estimasi sebagai berikut:

.

viii

DAFTAR ISI

Halaman

HALAMAN JUDUL ............................................................................................. i

PERNYATAAN KEASLIAN TULISAN ............................................................ ii

HALAMAN PENGESAHAN ............................................................................. iii

MOTTO DAN PERSEMBAHAN ....................................................................... iv

PRAKATA ............................................................................................................ v

ABSTRAK .......................................................................................................... vii

DAFTAR ISI ..................................................................................................... viii

DAFTAR TABEL ............................................................................................. xiv

DAFTAR GAMBAR .......................................................................................... xv

DAFTAR LAMPIRAN ...................................................................................... xvi

BAB

1. PENDAHULUAN ......................................................................................... 1

1.1 Latar Belakang ........................................................................................ 1

1.2 Batasan Masalah ..................................................................................... 7

1.3 Rumusan Masalah ................................................................................... 7

1.4 Tujuan Penelitian .................................................................................... 8

1.5 Manfaat Penelitian .................................................................................. 8

1.6 Sistematika Penulisan ............................................................................. 9

2. TINJAUAN PUSTAKA .............................................................................. 11

2.1 Model Regresi Linear ........................................................................... 11

2.1.1 Model Regresi Linear Sederhana ................................................ 11

ix

2.1.2 Model Regresi Linear Ganda ....................................................... 11

2.2 Model Regresi Data Panel .................................................................... 14

2.2.1 Common Effect Model (CEM) ..................................................... 16

2.2.1.1 Ordinary Least Square (OLS) ....................................... 17

2.2.2 Fixed Effect Model (FEM) ........................................................... 18

2.2.2.1 Least Square Dummy Variable (LSDV) ....................... 19

2.2.3 Random Effect Model (REM) ...................................................... 21

2.2.3.1 Generalized Least Square (GLS) .................................. 23

2.3 Pemilihan Model Estimasi Regresi Data Panel .................................... 24

2.3.1 Uji Chow ..................................................................................... 24

2.3.2 Uji Haussman .............................................................................. 25

2.3.3 Uji Breusch-Pagan ....................................................................... 26

2.4 Uji Diagnostik ....................................................................................... 27

2.4.1 Uji Korelasi Serial ....................................................................... 27

2.4.1.1 Uji Breusch-Godfrey ..................................................... 27

2.4.2 Tests for Cross Sectional Dependence ........................................ 28

2.4.2.1 Pesaran’s CD Test ........................................................ 29

2.4.3 Unit Root Tests ............................................................................ 31

2.4.4 Uji Heterokedastisitas .................................................................. 32

2.5 Struktur Variance-Covariance Residual Fixed Effect Model ............... 33

2.5.1 Struktur Homokedastik dan Tidak Ada Korelasi Serial .............. 34

2.5.2 Struktur Heterokedastik dan Tidak Ada Korelasi Serial ............. 34

2.5.2.1 Weighted Least Square (WLS) ...................................... 34

x

2.5.3 Struktur Heterokedastik dan Ada Korelasi Serial ....................... 35

2.5.3.1 Serial Correlation and the Robust Variance Matrix

Estimastor ...................................................................... 35

2.6 Pemeriksaan Persamaan Regresi ........................................................... 38

2.6.1 Standard Error ............................................................................ 38

2.6.2 Uji Hipotesis ................................................................................ 39

2.6.2.1 Uji Serentak (Uji F) ....................................................... 39

2.6.2.2 Uji Parsial (Uji t) ........................................................... 40

2.6.2.3 Koefisien Determinasi ................................................... 42

2.7 Uji Asumsi Model Regresi Data Panel ................................................. 42

2.7.1 Uji Normalitas ............................................................................. 43

2.7.2 Uji Linearitas ............................................................................... 45

2.7.3 Multikolinearitas.......................................................................... 46

2.8 Pembangunan Manusia ......................................................................... 47

2.9 Indeks Pembangunan Manusia ............................................................. 48

2.10 Komponen Pembangunan Manusia .................................................... 48

2.11 Penelitian Terdahulu ........................................................................... 50

3. METODE PENELITIAN ............................................................................. 53

3.1 Fokus Penelitian ................................................................................... 53

3.2 Klasifikasi Penelitian Berdasarkan Tujuan dan Pendekatan ................. 54

3.3 Pengumpulan Data ................................................................................ 54

3.4 Pemecahan Masalah .............................................................................. 55

3.5 Menarik Kesimpulan ............................................................................. 57

xi

4. HASIL DAN PEMBAHASAN ................................................................... 59

4.1 Hasil ...................................................................................................... 59

4.1.1 Estimasi Model Regresi Data Panel ............................................ 59

4.1.1.1 Common Effect Model (CEM) ....................................... 60

4.1.1.2 Fixed Effect Model (FEM) ............................................ 63

4.1.1.3 Random Effect Model (REM) ........................................ 68

4.1.2 Pemilihan Model Estimasi Regresi Data Panel ........................... 71

4.1.2.1 Uji Chow ....................................................................... 71

4.1.2.2 Uji Haussman ................................................................ 72

4.1.2.3 Uji Breusch-Pagan ......................................................... 73

4.1.3 Uji Diagnostik ............................................................................. 75

4.1.3.1 Uji Korelasi Serial ......................................................... 75

4.1.3.2 Tests for Cross-Sectional Dependence .......................... 76

4.1.3.2.1 Pesaran’s CD Test ........................................ 76

4.1.3.3 Unit Root Tests .............................................................. 77

4.1.3.4 Uji Heterokedastisitas ................................................... 78

4.1.4 Serial Correlation and the Robust Variance Matrix Estimator .. 79

4.1.5 Pemeriksaan Persamaan Regresi ................................................. 83

4.1.5.1 Standard Error .............................................................. 83

4.1.5.2 Uji Hipotesis .................................................................. 84

4.1.5.2.1 Uji Serentak (Uji F) ...................................... 84

4.1.5.2.2 Uji Parsial (Uji t) .......................................... 85

4.1.5.2.3 Koefisien Determinasi .................................. 85

xii

4.1.6 Uji Asumsi Model Regresi Data Panel ........................................ 86

4.1.6.1 Uji Normalitas ............................................................... 86

4.1.6.2 Uji Linearitas ................................................................. 88

4.1.6.3 Uji Multikolinearitas ..................................................... 93

4.2 Pembahasan .......................................................................................... 94

4.2.1 Model Regresi Data Panel ........................................................... 94

4.2.1.1 Common Effect Model (CEM) ....................................... 96

4.2.1.2 Fixed Effect Model (FEM) ............................................ 96

4.2.1.3 Random Effect Model (REM) ........................................ 97

4.2.2 Pemilihan Model Estimasi Regresi Data Panel ........................... 97

4.2.2.1 Uji Chow ....................................................................... 97

4.2.2.2 Uji Hausman .................................................................. 97

4.2.2.3 Uji Breusch-Pagan ......................................................... 98

4.2.3 Uji Diagnostik ............................................................................. 98

4.2.3.1 Uji Korelasi Serial ......................................................... 98

4.2.3.2 Tests for Cross-Sectional Dependence .......................... 99

4.2.3.2.1 Pesaran’s CD Test ........................................ 99

4.2.3.3 Unit Root Tests ............................................................ 100

4.2.3.4 Uji Heterokedastisitas ................................................. 100

4.2.4 Struktur Variance-Covariance Residual Fixed Effect Model .... 101

4.2.5 Serial Correlation and the Robust Variance Matrix Estimator 101

4.2.6 Pemeriksaan Persamaan Regresi ............................................... 102

4.2.6.1 Standard Error ............................................................ 102

xiii

4.2.6.2 Uji Hipotesis ................................................................ 102

4.2.6.2.1 Uji Serentak (Uji F) .................................... 102

4.2.6.2.2 Uji Parsial (Uji t) ........................................ 102

4.2.6.2.3 Koefisien Determinasi ................................ 103

4.2.7 Uji Asumsi Model Regresi Data Panel ...................................... 103

4.2.7.1 Uji Normalitas ............................................................. 103

4.2.7.2 Uji Linearitas ............................................................... 104

4.2.7.3 Uji Multikolinearitas ................................................... 104

4.2.8 Interpretasi Hasil ....................................................................... 104

5. PENUTUP ................................................................................................. 107

5.1 Kesimpulan ......................................................................................... 107

5.2 Saran ................................................................................................... 108

DAFTAR PUSTAKA ....................................................................................... 109

LAMPIRAN ...................................................................................................... 112

xiv

DAFTAR TABEL

Tabel Halaman

4.1 Hasil Estimasi dengan Common Effect Model .............................................. 61

4.2 Nilai Statistik dengan Common Effect Model ............................................... 62

4.3 Hasil Estimasi dengan Fixed Effect Model ................................................... 67

4.4 Nilai Statistik dengan Fixed Effect Model .................................................... 68

4.5 Hasil Estimasi dengan Random Effect Model ............................................... 69

4.6 Nilai Statistik dengan Random Effect Model ................................................ 70

4.7 Nilai Hasil Uji Chow ..................................................................................... 72

4.8 Rangkuman Hasil Uji Breusch-Pagan ........................................................... 74

4.9 Hasil Estimasi dengan the Robust Variance Matrix Estimator ..................... 80

4.10 Tabel Nilai untuk Setiap Wilayah ........................................................... 81

4.11 Nilai Standard Error Fixed Effect Model .................................................... 83

4.12 Nilai Korelasi Variabel Independen ............................................................ 93

xv

DAFTAR GAMBAR

Gambar Halaman

4.1 Plot Residual ( ) dengan ........................................................................... 89

4.2 Plot dengan ........................................................................................... 90

4.3 Plot dengan ........................................................................................... 90

4.4 Plot dengan ........................................................................................... 91

4.5 Plot Residual dengan ................................................................................ 92



xvi

DAFTAR LAMPIRAN

Lampiran Halaman

1. Data untuk Estimasi Model dengan Regresi Data Panel ............................... 112

2. Estimasi Common Effect Model .................................................................... 117

3. Estimasi Fixed Effect Model ......................................................................... 118

4. Estimasi Random Effect Model ..................................................................... 122

5. Uji Chow ....................................................................................................... 125

6. Uji Hausman ................................................................................................. 126

7. Uji Breusch-Pagan ........................................................................................ 128

8. Uji Korelasi Serial ......................................................................................... 129

9. Pesaran’s CD Test ........................................................................................ 130

10. Unit Root Tests ............................................................................................ 131

11. Uji Heterokedastisitas ................................................................................. 132

12. Residual Fixed Effect Model ....................................................................... 133

13. Uji Jarque Bera ............................................................................................ 138

1

BAB 1

PENDAHULUAN

1.1 Latar Belakang

Analisis regresi dalam statistika adalah salah satu metode untuk menentukan

hubungan sebab-akibat antara satu variabel dengan variabel atau variabel-variabel

yang lain. Variabel “penyebab” disebut dengan bermacam-macam istilah seperti

variabel penjelas, variabel eksplanatorik, variabel independen, atau secara bebas

dinamakan dengan variabel (karena seringkali digambarkan dalam grafik

sebagai absis, atau sumbu ). Variabel terkena akibat dikenal sebagai variabel

yang dipengaruhi, dependen, variabel terikat, atau variabel . Kedua variabel ini

dapat merupakan variabel acak (random), namun variabel yang dipengaruhi harus

selalu variabel acak.

Regresi pertama kali diperkenalkan oleh Sir Francis Galton pada tahun 1886

(Mudrajat Kuncoro, 2001: 91). Analisis regresi adalah salah satu analisis yang

paling popular dan luas pemakaiannya. Analisis regresi dipakai secara luas untuk

melakukan prediksi dan ramalan. Analisis ini juga digunakan untuk memahami

variabel bebas mana saja yang berhubungan dengan variabel terikat dan untuk

mengetahui bentuk-bentuk hubungan tersebut.

Data panel adalah gabungan antara data runtun waktu (time series) dan data

silang (cross section). Data runtun waktu biasanya meliputi satu objek tetapi

meliputi beberapa periode (bisa harian, bulanan, kuartalan, atau tahunan). Data

silang terdiri dari atas beberapa atau banyak objek, sering disebut responden

2

(misalnya perusahaan) dengan beberapa jenis data (misalnya laba, biaya iklan,

laba ditahan, dan tingkat investasi) dalam suatu periode waktu tertentu.

Karena data panel merupakan gabungan dari data cross section dan data time

series maka tentunya akan mempunyai observasi lebih banyak dibanding data

cross section atau time series saja. Akibatnya, ketika digabungkan menjadi pool

data, guna membuat regresi maka hasilnya cenderung akan lebih baik dibanding

regresi yang hanya menggunakan data cross section atau time series saja

(Nachrowi & Usman, 2006). Analisis regresi data panel adalah analisis regresi

dengan struktur data merupakan data panel. Umumnya pendugaan parameter

dalam analisis regresi dengan data cross section dilakukan dengan pendugaan

Metode Kuadrat Terkecil (MKT). metode ini akan memberikan hasil pendugaan

yang bersifat Best Linear Unbiased Estimator (BLUE) jika semua asumsi Gauss

Markov terpenuhi diantaranya adalah non-autocorrelation. Kondisi terakhir ini

tentunya sulit terpenuhi pada saat kita berhadapan dengan data panel. Sehingga

pendugaan parameter tidak lagi bersifat BLUE. Jika data panel dianalisis dengan

pendekatan model-model time series seperti fungsi transfer, maka ada informasi

keragaman dari unit cross section yang diabaikan dalam pemodelan. Salah satu

keuntungan dari analisis regresi data panel adalah mempertimbangkan keragaman

yang terjadi dalam unit cross section (Jaya & Sunengsih, 2009).

Dalam suatu penelitian ada kalanya seorang peneliti tidak dapat melakukan

analisis hanya dengan menggunakan data time series maupun data cross section.

Misalnya seorang peneliti hendak membuat model tentang keuntungan suatu

perusahaan (dalam suatu industri) yang ditinjau melalui: banyaknya modal fisik,

3

banyaknya pekerja, dan total penjualan. Kalau peneliti hanya menggunakan data

cross section yang diamati hanya pada suatu saat (misalnya satu tahun), maka

peneliti tersebut tidak dapat melihat bagaimana pertumbuhan keuntungan

perusahaan tersebut dari waktu ke waktu pada suatu periode tertentu (katakanlah

dalam kurun waktu 10 tahun). Padahal sangat mungkin kondisi antara suatu tahun

dengan tahun lainnya berbeda. Dengan menggunakan data panel, maka peneliti

dapat melihat fluktuasi keuntungan satu perusahaan pada periode waktu tertentu

dan perbedaan keuntungan beberapa perusahaan pada suatu waktu (Nachrowi &

Usman, 2006).

Menurut Hsiao (1992), keuntungan-keuntungan menggunakan analisis regresi

data panel adalah memperoleh hasil estimasi yang lebih baik karena seiring

dengan peningkatan jumlah observasi yang otomatis berimplikasi pada

peningkatan derajat kebebasan (degree of freedom) dan menghindari kesalahan

penghilangan variabel (omitted variable problem).

Selain itu, keunggulan regresi data panel menurut Wibisono (2005) antara

lain :

(1) Data Panel mampu memperhitungkan heterogenitas individu secara ekspilisit

dengan mengizinkan variabel spesifik individu;

(2) Kemampuan mengontrol heterogenitas ini selanjutnya menjadikan data panel

dapat digunakan untuk menguji dan membangun model perilaku lebih

kompleks;

4

(3) Data panel mendasarkan diri pada observasi cross-section yang berulang-

ulang (time series), sehingga metode data panel cocok digunakan sebagai

study of dynamic adjustment;

(4) Tingginya jumlah observasi memiliki implikasi pada data yang lebih

informative, lebih variatif, dan kolinearitas (multiko) antara data semakin

berkurang, dan derajat kebebasan (degree of freedom/ df) lebih tinggi

sehingga dapat diperoleh hasil estimasi yang lebih efisien;

(5) Data panel dapat digunakan untuk mempelajari model-model perilaku yang

kompleks; dan

(6) Data panel dapat digunakan untuk meminimalkan bias yang mungkin

ditimbulkan oleh agregasi data individu.

Beberapa penelitian yang telah dilakukan menggunakan data panel

(Chadidjah & Elfiyan, 2009) antara lain (1) penelitian yang dilakukan oleh Pujiati

(2007) mengenai analisis pertumbuhan ekonomi di Karesidenan Semarang Era

Kebijakan Fiskal yaitu 6 kabupaten/kota di wilayah Karesidenan Semarang dari

tahun 2002-2006. Dalam analisisnya menggunakan pooled model, fixed effect

model, dan random effect model. Hasilnya bahwa fixed effect model lebih baik

sehingga efek dari perbedaan wilayah berarti, akan tetapi dalam pemilihan model

terbaik antara fixed effect model, dan random effect model hanya menggunakan

perbandingan nilai goodness of fit tanpa pengujian; (2) penelitian yang dilakukan

oleh Sugiharso dan Ester (2007) mengenai determinan investasi portofolio

internasional negara-negara ASEAN, Amerika Serikat dan Jepang menggunakan

data panel. Penelitian ini mencoba mengkaji lebih jauh determinan-determinan

5

yang menentukan aliran investasi portofolio internasional dan bagaimana investor

masing-masing negara-negara anggota ASEAN (yaitu Filipina, Malaysia,

singapura, dan Thailand), Amerika Serikat dan Jepang melakukan pilihan dalam

Internasional Portfolio Holding dengan menggunakan Gravity Model. Data yang

digunakan adalah data sekunder tahun 1992-2005. Penelitian ini menggunakan

pooled model yang mempunyai asumsi intercept dan slope dari persamaan regresi

dianggap konstan untuk daerah dan antar waktu. Padahal pada kenyataannya,

kondisi ini kurang bias mencerminkan keadaan sebenarnya dimana masing-

masing Negara mempunyai kondisi yang berbeda secara ekonomi maupun

geografis.

Beberapa penelitian lain antara lain penelitian oleh Rafael E. De Hoyos dan

Vasilis Sarafidis (2006), menjelaskan bahwa perintah xtcsd pada software Stata

digunakan untuk menguji adanya ketergantungan cross-sectional (cross-sectional

dependence) dalam model data panel dengan menggunakan Fixed Effect Model

(FEM) dan Random Effect Model (REM) dengan banyak unit cross sectional dan

beberapa pengamatan time series. Xtcsd dapat menjelaskan tiga prosedur uji

berbeda, yaitu Friedman’s test statistic, the statistic proposed by Frees, dan the

cross-sectional dependence (CD) test of Pesaran dengan menggunakan berbagai

macam contoh empiris.

Penelitian oleh David M. Drukker (2003), menjelaskan bahwa adanya

korelasi serial pada model data panel linear bias terhadap standard errors dan

menyebabkan hasil menjadi kurang efisien. Uji untuk mengidentifikasi adanya

korelasi serial pada random atau fixed effect one way model oleh Wooldridge

6

(2002) dapat diterapkan dalam kondisi umum dan mudah untuk diterapkan.

Penelitian didukung dengan menggunakan program Stata.

Manusia adalah kekayaan bangsa yang sesungguhnya. Tujuan utama

pembangunan adalah menciptakan lingkungan yang memungkinkan rakyat

menikmati umur panjang, sehat, dan menjalankan kehidupan yang produktif. Hal

ini nampaknya sederhana. Tetapi seringkali terlupakan oleh kesibukan jangka

pendek untuk mengumpulkan harta dan uang. (UNDP: Humant Development

Report, 2000: 16).

Untuk melihat sejauh mana keberhasilan pembangunan dan

kesejahteraan manusia, UNDP telah menerbitkan suatu indikator yaitu Indeks

Pembangunan Manusia (IPM) untuk mengukur kesuksesan pembangunan dan

kesejahteraan suatu negara. IPM adalah suatu tolak ukur angka kesejahteraan

suatu daerah atau negara yang dilihat berdasarkan tiga dimensi yaitu: angka

harapan hidup pada waktu lahir (life expectancy at birth), angka melek huruf

(literacy rate) dan rata-rata lama sekolah (mean years of schooling), dan

kemampuan daya beli (purchasing power parity). Indikator angka harapan hidup

mengukur kesehatan, indikator angka melek huruf penduduk dewasa dan rata-rata

lama sekolah mengukur pendidikan dan terakhir indikator daya beli mengukur

standar hidup. Ketiga indikator tersebut saling mempengaruhi satu sama lain,

selain itu dapat dipengaruhi oleh faktor-faktor lain seperti ketersediaan

kesempatan kerja yang ditentukan oleh pertumbuhan ekonomi, infrastruktur, dan

kebijakan pemerintah sehingga IPM akan meningkat apabila ketiga unsur tersebut

dapat ditingkatkan dan nilai IPM yang tinggi menandakan keberhasilan

7

pembangunan ekonomi suatu negara. (United Nation Development Programme,

UNDP, 1990).

Dengan kata lain Indeks Pembangunan Manusia dapat dipengaruhi oleh

beberapa faktor antara lain angka melek huruf, rata-rata lama sekolah dan

pengeluaran riil per kapita disesuaikan yang dapat digunakan sebagai contoh

penerapan dalam analisis regresi data panel.

1.2 Batasan Masalah

Ruang lingkup pembahasan dalam penulisan ini membahas tentang metode

estimasi parameter pada data panel, pemodelan regresi data panel dan penerapan

model regresi data panel terbaik pada pengaruh angka melek huruf, rata-rata lama

sekolah, dan pengeluaran riil per kapita disesuaikan terhadap Indeks

Pembangunan Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari

tahun 2008 sampai dengan 2012.

1.3 Rumusan Masalah

Berdasarkan latar belakang di atas dapat dirumuskan beberapa masalah yaitu:

a. Bagaimana estimasi parameter model regresi data panel dengan pendekatan

Common Effect Model (CEM), Fixed Effect Model (FEM) dan Random Effect

Model (REM) untuk data pengaruh angka melek huruf, rata-rata lama


Pembangunan Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah

dari tahun 2008 sampai dengan 2012?

b. Bagaimana estimasi parameter model regresi data panel terbaik?

8

c. Bagaimana menganalisis estimasi parameter model regresi data panel terbaik

dengan menggunakan kriteria uji diagnostik?

1.4 Tujuan Penelitian

a. Menjelaskan estimasi parameter model regresi data panel dengan pendekatan

Common Effect Model (CEM), Fixed Effect Model (FEM) dan Random Effect

Model (REM) untuk data pengaruh angka melek huruf, rata-rata lama


Pembangunan Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah

dari tahun 2008 sampai dengan 2012.

b. Untuk mengetahui estimasi parameter model regresi data panel terbaik.

c. Untuk menganalisis estimasi parameter model regresi data panel terbaik

dengan menggunakan kriteria uji diagnostik.

1.5 Manfaat Penelitian

Manfaat yang diharapkan dari hasil penulisan ini adalah sebagai berikut:

a. Bagi Penulis

1) Untuk mengembangkan dan mengaplikasikan pengetahuan dan keilmuan

di bidang matematika.

2) Dapat menjelaskan model estimasi regresi data panel dengan pendekatan

common effect model, fixed effect model dan random effect model.

3) Dapat mengaplikasikan estimasi model regresi data panel hingga

menemukan estimasi model terbaik.

9

b. Bagi Pembaca

Sebagai bahan informasi dan tambahan pengetahuan pada bidang matematika

khususnya estimasi model regresi data panel dan diharapkan kepada pembaca

untuk melakukan penelitian selanjutnya.

c. Bagi Lembaga

Sebagai bahan informasi dan tambahan referensi pada bidang matematika.

1.6 Sistematika Penulisan

BAB 1 : Pendahuluan yang berisi latar belakang, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, metode penelitian, dan

sistematika penulisan.

BAB 2 : Kajian teori berisi dasar-dasar teori sebagai acuan dalam penulisan

antara lain: model regresi linear, model regresi data panel, pemilihan

model estimasi regresi data panel, uji diagnostik, struktur variance-

covariance residual fixed effect model, pemeriksaan persamaan regresi,

uji asumsi model regresi data panel, pembangunan manusia, indeks

pembangunan manusia, komponen pembangunan manusia,dan

penelitian terdahulu.

BAB 3 : Metode penelitian menyajikan gagasan pokok yang terdiri dari tahap

permasalahan, investigasi awal, persiapan penelitian, penyelesaian,

tahap pelaporan hasil, dan penarikan kesimpulan.

BAB 4 : Hasil dan pembahasan berisi hasil dan pembahasan dalam menjelaskan

model estimasi data panel dengan pendekatan Common Effect Model

10

(CEM), Fixed Effect Model (FEM) dan Random Effect Model (REM)

untuk data pengaruh angka melek huruf, rata-rata lama sekolah, dan

pengeluaran riil per kapita disesuaikan terhadap Indeks Pembangunan

Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari tahun

2008 sampai dengan 2012.

BAB 5 : Penutup berisi kesimpulan dan saran.

11

BAB 2

TINJAUAN PUSTAKA

2.1 Model Regresi Linear

2.1.1 Model Regresi Linear Sederhana

Menurut Sumodiningrat (1994, 100), hubungan atau persamaan dalam teori

ekonomi biasanya mempunyai spesifikasi hubungan yang pasti (exact) atau

hubungan deterministic di antara variabel-variabel. Mengingat bahwa hubungan

yang tidak exact tidak pernah ada dalam ekonomi maka faktor-faktor stokastik

harus ada dalam hubungan ekonomi. Dengan semakin banyaknya tuntutan akan

perlunya menguji teori-teori ekonomi, variabel stokastik juga perlu diuji

keberadaannya di dalam hubungan ekonomi.

Bentuk paling sederhana dari hubungan stokastik antara dua variabel dan

disebut “model regresi linear”.

(2.1)

disebut variabel terikat (dependent variable), adalah variabel bebas

(Independent variable) atau variabel penjelas (explanatory variable), adalah

variabel gangguan stokastik (stochastic disturbance), dan adalah parameter-

parameter regresi. Subskrip menunjukan pengamatan yang ke- . Parameter

dan ditaksir atas dasar data yang tersedia untuk variabel dan .

2.1.2 Model Regresi Linear Ganda

Secara umum model regresi linear ganda (Judge, 1988: 926) dapat ditulis:

12

(2.2)

Dengan

= intercept

= slope

= error,

= observasi (pengamatan) ke –i

= banyaknya observasi

Oleh karena i menunjukan observasi maka terdapat n persamaan:

(2.3)

Model regresi dapat ditulis dalam matriks sebagai berikut.

(2.4)

Dengan

(2.5)

(

)

(

)

(

)

13

Beberapa asumsi yang penting dalam regresi linear ganda (Widarjono,

2005:78) antara lain:

a. Hubungan antara Y (variabel dependen) dan X (variabel independen) adalah

linear dalam parameter.

b. Tidak ada hubungan linear antara variabel independen atau tidak ada

multikolinearitas antara variabel independen.

c. Nilai rata-rata dari adalah nol.

(2.6)

Dalam bentuk matriks:

(2.7)

[

]

[ ]

vektor nol

d. Tidak ada korelasi antara dan ( ). ( )

e. Variansi setiap adalah sama (homoskedastisitas).

(2.8)

Apabila ditulis dalam bentuk matriks:

(2.9)

0

1

14

[

]

[

]

2.2 Model Regresi Data Panel

Data panel adalah data yang merupakan hasil dari pengamatan pada beberapa

individu atau (unit cross-sectional) yang merupakan masing-masing diamati

dalam beberapa periode waktu yang berurutan (unit waktu) (Baltagi, 2005).

Menurut Wanner & Pevalin sebagaimana dikutip oleh Sembodo (2013)

menyebutkan bahwa regresi panel merupakan sekumpulan teknik untuk

memodelkan pengaruh peubah penjelas terhadap peubah respon pada data panel.

Ada beberapa model regresi panel, salah satunya adalah model dengan slope

konstan dan intercept bervariasi. Model regresi panel yang hanya dipengaruhi

oleh salah satu unit saja (unit cross-sectional atau unit waktu) disebut model

komponen satu arah, sedangkan model regresi panel yang dipengaruhi oleh kedua

unit (unit cross-sectional dan unit waktu) disebut model komponen dua arah.

Secara umum terdapat dua pendekatan yang digunakan dalam menduga model

dari data panel yaitu model tanpa pengaruh individu (common effect) dan model

dengan pengaruh individu (fixed effect dan random effect).

Menurut Jaya & Sunengsih (2009), analisis regresi data panel adalah analisis

regresi yang didasarkan pada data panel untuk mengamati hubungan antara satu

15

variabel terikat (dependent variable) dengan satu atau lebih variabel bebas

(independent variable). Beberapa alternatif model yang dapat diselesaikan dengan

data panel yaitu,

Model 1: semua koefisien baik intercept maupun slope koefisien konstan.

(2.10)

∑

Model 2: slope koefisien konstan, tetapi intercept berbeda akibat perbedaan unit

cross section.

(2.11)

∑

Model 3: slope koefisien konstan, tetapi intercept berbeda akibat perbedaan unit

cross section dan berubahnya waktu.

(2.12)

∑

Model 4: intercept dan slope koefisien berbeda akibat perbedaan unit cross

section.

(2.13)

∑

16

Model 5: intercept dan slope koefisien berbeda akibat perbedaan unit cross

section dan berubahnya waktu.

(2.14)

∑

Dengan,

Banyak unit cross section

Banyak data time series

Nilai variabel terikat cross section ke-i time serieske-t

Nilai variabel bebas ke-k untuk cross section ke-i tahun ke-t

Parameter yang ditaksir

Unsur gangguan populasi

Banyak parameter regresi yang ditaksir

2.2.1 Common Effect Model (CEM)

Menurut Baltagi (2005) model tanpa pengaruh individu (common effect)

adalah pendugaan yang menggabungkan (pooled) seluruh data time series dan

cross section dan menggunakan pendekatan OLS (Ordinary Least Square) untuk

menduga parameternya. Metode OLS merupakan salah satu metode populer untuk

menduga nilai parameter dalam persamaan regresi linear. Secara umum,

persamaan modelnya dituliskan sebagai berikut.

(2.15)

17

Dengan:

= Variabel respon pada unit observasi ke-i dan waktu ke-t

= Variabel prediktor pada unit observasi ke-i dan waktu ke-t

= Koefisien slope atau koefisien arah

= Intercept model regresi

= Galat atau komponen error pada unit observasi ke-i dan waktu ke-t

2.2.1.1 Ordinary Least Square (OLS)

Menurut Nachrowi & Usman (2006, 312) bahwa data panel tentunya akan

mempunyai observasi lebih banyak dibanding data cross section atau time series

saja. Akibatnya, ketika data digabungkan menjadi pooled data, guna membuat

regresi maka hasilnya cenderung akan lebih baik dibanding regresi yang hanya

menggunakan data cross section atau time series saja. Dipunyai model berikut.

(2.16)

Bila ( ) dan

kita dapat estimasi model tersebut dengan memisahkan waktunya sehingga ada

regresi dengan pengamatan. Atau dapat dituliskan dengan:

(2.17)

18

Model juga dapat diestimasi dengan memisahkan cross section-nya sehingga

didapat regresi dengan masing-masing pengamatan. Atau dapat ditulis

dengan:

(2.18)

Bila dipunyai asumsi bahwa dan akan sama (konstan) untuk setiap data

time series dan cross section, maka dan dapat diestimasi dengan model

berikut. dengan menggunakan x pengamatan.

(2.19)

2.2.2 Fixed Effect Model (FEM)

Pendugaan parameter regresi panel dengan Fixed Effect Model menggunakan

teknik penambahan variabel dummy sehingga metode ini seringkali disebut

dengan Least Square Dummy Variable model. Persamaan regresi pada Fixed

Effect Model adalah

(2.20)

∑

Gujarati (2004) mengatakan bahwa pada Fixed Effect Model diasumsikan

bahwa koefisien slope bernilai konstan tetapi intercept bersifat tidak konstan.

19

2.2.2.1 Least Square Dummy Variable (LSDV)

Menurut Greene (2007), secara umum pendugaan parameter model efek tetap

dilakukan dengan LSDV (Least Square Dummy Variable), dimana LSDV

merupakan suatu metode yang dipakai dalam pendugaan parameter regresi linear

dengan menggunakan Metode Kuadrat Terkecil (MKT) pada model yang

melibatkan variabel boneka sebagai salah satu variabel prediktornya. MKT

merupakan teknik pengepasan garis lurus terbaik untuk menghubungkan variabel

prediktor dan variabel respon . Berikut. adalah prinsip dasar MKT:

(2.21)

Sehingga didapatkan Jumlah Kuadrat Galat sebagai berikut.

(2.22)

Dimana, jika matriks transpose , maka scalar .

Untuk mendapatkan penduga parameter yang menyebabkan jumlah kuadrat

galat minimum, yaitu dengan cara menurunkan persamaan (1) terhadap parameter

yang kemudian hasil turunan tersebut disamakan dengan nol atau

,

sehingga diperoleh:

(2.23)

20

Pada pemodelan efek tetap grup, variabel boneka yang dibentuk adalah

sebanyak , sehingga model yang akan diduga dalam pemodelan efek tetap

adalah sebagai berikut.

(2.24)

Sedangkan untuk pemodelan efek tetap waktu, variabel boneka yang dibentuk

bedasarkan unit waktu, dimana variabel boneka yang terbentuk yang terbentuk

sebanyak , sehingga model yang akan diduga dalam pemodelan efek tetap

waktu adalah sebagai berikut.

(2.25)

Hun (2005) juga mengemukakan bahwa pada model regresi panel dengan

intercept bervariasi dan slope konstan, pemodelan efek tetap komponen dua arah

secara umum dilakukan dengan Least Square Dummy Variable (LSDV) dimana

model dengan peubah dummy seperti berikut.

(2.26)

Dengan,

21

= peubah boneka ke-j unit cross-sectional ke-i dan

unit waktu ke-t. bernilai satu jika dan bernilai nol jika .

= peubah boneka ke-k unit cross-sectional ke-i dan

unit waktu ke-t. bernilai satu jika dan benilai nol jika .

= rata-rata peubah respon jika peubah boneka ke-j bernilai satu dan peubah

penjelas bernilai nol.

= rata-rata nilai peubah respon jika peubah boneka ke-k bernilai satu dan

peubah penjelas bernilai nol.

2.2.3 Random Effect Model (REM)

Menurut Nachrowi & Usman (2006, 315) sebagaimana telah diketahui bahwa

pada Model Efek Tetap (MET), perbedaan karakteristik-karakteristik individu dan

waktu diakomodasikan pada intercept sehingga intercept-nya berubah antar

waktu. Sementara Model Efek Random (MER) perbedaan karakteristik individu

dan waktu diakomodasikan pada error dari model. Mengingat ada dua komponen

yang mempunyai kontribusi pada pembentukan error, yaitu individu dan waktu,

maka random error pada MER juga perlu diurai menjadi error untuk komponen

waktu dan error gabungan.

Dengan demikian persamaan MER diformulasikan sebagai berikut.

(2.27)

Dimana:

: Komponen error cross section

: Komponen error time series

22

: Komponen error gabungan.

Adapun asumsi yang digunakan untuk komponen error tersebut adalah:

(2.28)

Melihat persamaan di atas, maka dapat dinyatakan bahwa MER menganggap

efek rata-rata dari data cross section dan time series direpresentasikan dalam

intercept. Sedangkan deviasi efek secara random untuk data time series

direpresentasikan dalam dan deviasi untuk data cross section dinyatakan dalam

.

, dengan demikian varians dari error tersebut dapat

dituliskan dengan:

(2.29)

Hal ini tentunya berbeda dengan Model OLS yang diterapkan pada data panel

(pooled data), yang mempunyai varian error sebesar:

(2.30)

Dengan demikian, MER bisa diestimasi dengan OLS bila

.

Jika tidak demikian, MER perlu diestimasi dengan metode lain. Adapun metode

estimasi yang digunakan adalah Generalized Least Square (GLS).

23

2.2.3.1 Generalized Least Square (GLS)

Untuk Random Effect Model (REM), pendugaan parameternya dilakukan

menggunakan Generalized Least Square jika matriks diketahui, namun jika

tidak diketahui dilakukan dengan FGLS yaitu menduga elemen matriks . Pada

REM ketidaklengkapan informasi untuk setiap unit cross section dipandang

sebagai error sehingga adalah bagian dari unsur gangguan. Model REM dapat

dituliskan dapat dituliskan sebagai berikut.

(2.31)

∑

Asumsi:

( )

( ) ( )

Untuk data cross section ke-i persamaan di atas dapat ditulis

. Varians komponen dari unsur gangguan untuk unit cross

section ke-i adalah:

(2.32)

[

]

Varians komponen identik untuk setiap unit cross section. Sehingga varians

komponen untuk seluruh observasi dapat dituliskan:

24

(2.33)

0

1

Jika nilai diketahui maka persamaan dapat diduga menggunakan

Generalized Least Square (GLS) dengan Jika

tidak diketahui maka perlu diduga dengan menduga dan

, sehingga

persamaan di atas diduga dengan ( )

dimana

dengan adalah residu dari Least Square Dummy Variable

(LSDV). Sedangkan

.

2.3 Pemilihan Model Estimasi Regresi Data Panel

2.3.1 Uji Chow

Uji ini digunakan untuk memilih salah satu model pada regresi data panel,

yaitu antara model efek tetap (fixed effect model) dengan model koefisien tetap

(common effect model). Prosedur pengujiannya sebagai berikut (Baltagi, 2005).

Hipotesis:

(efek unit cross section secara keseluruhan tidak

berarti)

Minimal ada satu ; (efek wilayah berarti)

Statistik uji yang digunakan merupakan uji F, yaitu

(2.34)

[ ] ⁄

⁄

25

Keterangan:

Jumlah individu (cross section)

Jumlah periode waktu (time series)

Jumlah variabel penjelas

restricted residual sums of squares yang berasal dari model koefisien

tetap

unrestricted residual sums of squares yang berasal dari model efek tetap

Jika nilai atau p-value < (taraf signifikansi/alpha),

maka tolak hipotesis awal sehingga model yang terpilih adalah model efek

tetap.

2.3.2 Uji Hausman

Uji ini digunakan untuk memilih model efek acak (random effect model)

dengan model efek tetap (fixed effect model). Uji ini bekerja dengan menguji

apakah terdapat hubungan antara galat pada model (galat komposit) dengan satu

atau lebih variabel penjelas (independen) dalam model. Hipotesis awalnya adalah

tidak terdapat hubungan antara galat model dengan satu atau lebih variabel

penjelas. Prosedur pengujiannya sebagai berikut (Baltagi, 2008: 310).

Hipotesis:

Korelasi (efek cross-sectional tidak berhubungan dengan

regresor lain)

Korelasi (efek cross-sectional berhubungan dengan regresor

lain)

26

Statistik uji yang digunakan adalah uji chi-squared berdasarkan kriteria Wald,

yaitu

(2.35)

[ ]

( ) [ ( )]

Keterangan:

vektor estimasi slope model efek tetap

vektor estimasi slope model efek acak

Jika nilai atau nilai p-value kurang dari taraf signifikansi yang

ditentukan, maka tolak hipotesis awal sehingga model yang terpilih adalah

model efek tetap.

Menurut Rosadi (2011, 274) uji ini bertujuan untuk melihat apakah terdapat

efek random di dalam panel data.

Dalam perhitungan statistik Uji Hausman diperlukan asumsi bahwa

banyaknya kategori cross section lebih besar dibandingkan jumlah variabel

independen (termasuk konstanta) dalam model. Lebih lanjut, dalam estimasi

statistik Uji Hausman diperlukan estimasi variansi cross section yang positif, yang

tidak selalu dapat dipenuhi oleh model. Apabila kondisi-kondisi ini tidak dipenuhi

maka hanya dapat digunakan model fixed effect.

2.3.3 Uji Breusch-Pagan

Menurut Rosadi (2011, 264) Uji Breusch-Pagan digunakan untuk menguji

adanya efek waktu, individu atau keduanya.

Hipotesis:

27

atau tidak terdapat efek cross-section maupun waktu

atau tidak terdapat efek cross-section

atau terdapat efek cross-section

atau tidak terdapat efek waktu

atau terdapat efek waktu

Statistik uji: Uji Breusch-Pagan

Taraf signifikansi: 5%

Wilayah Kritik: Jika nilai p-value kurang dari taraf signifikansi yang ditentukan,

maka tolak hipotesis awal .

2.4 Uji Diagnostik

2.4.1 Uji Korelasi Serial

Menurut Supranto (1995), korelasi serial yaitu korelasi (hubungan) antara

nilai-nilai pengamatan yang tersusun dalam rangkaian waktu (seperti pada data

runtun waktu atau time series) atau korelasi diantara nilai-nilai pengamatan yang

terurut dalam ruang (data pengamatan merupakan cross-sectional).

2.4.1.1 Uji Breusch-Godfrey

Uji ini dikembangkan oleh Breusch-Godfrey. Hipotesis null berarti tidak

adanya korelasi serial pada komponen galat (Rosadi, 2011: 277).

(2.36)

Berdasarkan model tersebut, Breusch-Godfrey mengasumsikan bahwa

mengikuti autoregresif ordo p(AR(p)), sehingga membentuk model berikut.

(2.37)

28

Hipotesis:

(tidak ada korelasi serial orde p)

(ada korelasi serial)

Statistik Uji:

(2.38)

Keputusan tolak jika atau p-value < 5%.

2.4.2 Pengujian Ketergantungan Cross-Sectional (Tests for Cross-Sectional

Dependence)

Menurut Baltagi, ketergantungan cross-sectional merupakan masalah pada

data panel makro (macro panels) dengan data runtun waktu jangka panjang.

Namun tidak terdapat masalah pada panel mikro (beberapa tahun).

Menurut Hoyos & Sarafidis (2006) secara umum model data panel dituliskan

sebagai berikut.

(2.39)

and

Dimana

= Variabel respon pada unit observasi ke-i dan waktu ke-t

= Variabel prediktor pada unit observasi ke-i dan waktu ke-t

= Koefisien slope atau koefisien arah

= perbedaan intercept akibat perbedaan unit cross section

= Galat atau komponen error pada unit observasi ke-i dan waktu ke-t

29

menyatakan bahwa diasumsikan independent and identically

distributed (i.i.d) pada periode waktu dan diseluruh unit cross-sectional.

Berdasarkan hipotesis alternatif, mungkin dapat berkorelasi pada unit cross-

sections tetapi berasumsi bahwa tidak ada korelasi serial.

( )

dimana adalah koefisien korelasi product-moment dari gangguan yang

diberikan

(2.40)

∑

∑

⁄ (∑

) ⁄

2.4.2.1 Pesaran’s CD Test

Dalam estimasi seemingly unrelated regression, Breusch dan Pagan (1980)

mengusulkan Lagrange Multiplier (LM) statistik, yang valid untuk model efek

tetap dengan prosedur sebagai berikut.

(2.41)

∑ ∑

Dimana adalah estimasi sederhana korelasi residual pair-wise

(2.42)

∑

∑

⁄ (∑

) ⁄

30

Statistik uji yang digunakan merupakan uji LM yang mengikuti distribusi chi-

squared dengan derajat bebas . Namun demikian, uji ini mungkin

menunjukan distorsi ukuran yang besar dalam kasus dimana berukuran besar

dan terbatas yang merupakan situasi yang biasa ditemui dalam kasus empiris,

karena terutama bahwa statistik LM tidak tepat berpusat pada nilai yang terbatas

dan cendurung tidak bias dengan yang besar.

Pesaran (2004) menyediakan alternatif berikut. ini

(2.43)

√

.∑ ∑

/

Dan menyatakan bahwa adalah tidak adanya cross-sectional dependence

untuk dan cukup besar.

Tidak seperti statistik LM, statistik CD mempunyai mean 0 untuk nilai yang

tepat pada dan , untuk berbagai macam model data panel, termasuk model

heterogen, model non-stasioner dan panel dinamis.

Dalam kasus panel yang tidak seimbang, Pesaran (2004) mengusulkan sedikit

modifikasi dari persamaan sebelumnya, yaitu

(2.44)

√

.∑ ∑ √

/

Dimana jumlah yang sama dari pengamatan unit time series

antara i dan j.

(2.45)

31

∑

*∑ + ⁄

*∑ + ⁄

Dan

(2.46)

∑

Statistik yang telah diubah menjelaskan fakta bahwa residuals untuk subset

dari t belum tentu 0 (Hoyos & Sarafidis, 2006).

2.4.3 Unit Root Tests

Menurut Enders, sebagaimana dikutip oleh Ma’aruf & Wihastuti (2008), unit

root tests adalah pengujian terhadap serangkaian data ditahap awal yang bertujuan

untuk mengetahui statsioneritas data. Data yang stasioner dibutuhkan agar hasil

estimasi tidak bersifat lancung (spurious regression).

Menurut Croissant & Millo (2008) diketahui model berikut.

(2.47)

∑

Hipotesis unit root tests adalah . Model dapat ditulis ulang sebagai

berikut.

(2.48)

∑

Sehingga hipotesis unit root tests sekarang adalah .

32

Beberapa unit root tests untuk data panel didasarkan pada hasil awal yang

diperoleh dari Augmented Dickey Fuller regression.

Pertama, harus menentukan jumlah optimal dari lags untuk setiap time-

series. Beberapa kemungkinan yang tersedia memiliki kesamaan bahwa jumlah

maksimum dari lags harus dipilih pertama kali. Kemudian dapat dipilih dengan

menggunakan:

1. Swartz Information Criteria (SIC)

2. Akaike Information Criteria (AIC)

3. Hall Method, yang dipilih dengan menghilangkan lags yang tertinggi ketika

nilai tidak signifikan

ADF regression berjalan pada observasi untuk setiap individu,

sehingga jumlah seluruh observasi adalah dimana , adalah

rata-rata dari lags. adalah vektor residual.

Estimasi variansi adalah sebagai berikut.

(2.49)

∑

2.4.4 Uji Heterokedastisitas

Uji ini digunakan untuk mengetahui apakah matriks struktur variance-

covariance residual bersifat homokedastik atau heterokedastisitas. Pengujiannya

sebagai berikut. (Greene, 2003).

Hipotesis:

(struktur variance-covariance residual homokedastik)

33

minimal ada satu (struktur variance-covariance residual

heterokedastisitas);

Statistik uji yang digunakan merupakan uji LM yang mengikuti distribusi chi-

squared, yaitu

(2.50)

∑ (

)

Keterangan:

T = Banyaknya data time series

N = Banyaknya data cross section

variance residual persamaan ke-i

variance residual persamaan sistem

Jika nilai atau p-value kurang dari taraf signifikansi maka

tolak hipotesis awal sehingga struktur variance-covariance residual bersifat

heterokedastisitas.

2.5 Struktur Variance-Covariance Residual Fixed Effect Model

Jika model yang terpilih atau yang digunakan adalah fixed effect model

(model efek tetap), maka haruslah dilihat struktur variance-covariance residual

dari modelnya (Gujarati, 2004). Ada tiga pembagian model struktur variance-

covariance dari residual untuk fixed effect model yaitu struktur homokedastik dan

tidak ada korelasi serial, struktur heterokedastisitas dan tidak ada korelasi serial,

dan struktur heterokedastisitas dengan korelasi serial.

34

2.5.1 Struktur Homokedastik dan Tidak Ada Korelasi Serial

Struktur variance-covariance residual yang bersifat homokedastik dan tidak

ada serial correlation adalah sebagai berikut.

(2.51)

[

]

Untuk struktur seperti ini metode estimasi yang digunakan adalah Ordinary

Least Square (OLS).

2.5.2 Struktur Heterokedastik dan Tidak Ada Korelasi Serial

Struktur variance-covariance residual yang bersifat heterokedastik dan tidak

ada korelasi serial adalah sebagai berikut.

(2.52)

[

]

Untuk struktur seperti ini metode estimasi yang digunakan adalah

Generalized Least Square (GLS) atau Weighted Least Square (WLS) Cross-

Sectional Weight.

2.5.2.1 Weighted Least Square (WLS)

Disebut Weighted Least Square (WLS) karena pada metode ini digunakan

“weight” atau pembobot yang proporsional terhadap inverse (kebalikan) dari

varians variabel respon sehingga diperoleh residual baru yang memiliki sifat

35

seperti pada regresi dengan OLS. Formula yang digunakan untuk mengestimasi

parameter regresi dengan metode ini adalah sebagai berikut.

(2.53)

Dimana matriks adalah matriks diagonal dengan pembobot pada

diagonal utama. Karena itu, matriks ini disebut matriks pembobot.

Dalam prektek, pembobot adalah nilai-nilai populasi yang tidak diketahui

secara langsung sehingga di estimasi berdasarkan data sampel.

2.5.3 Struktur Heterokedastik dan Ada Serial Korelasi

Struktur variance-covariance residual yang bersifat heterokedastik dan ada

korelasi serial adalah sebagai berikut.

(2.54)

[

]

Untuk struktur seperti ini estimasi yang digunakan adalah Robust Variance

Matrix Estimator.

2.5.3.1 Serial Correlation and the Robust Variance Matrix Estimator

Model efek linear teramati untuk periode waktu sebagai berikut.

(2.55)

and

Ketika heterokedastisitas pada terdeteksi, maka itu merupakan potensi

masalah yang biasa terjadi, korelasi serial terkadang sangat penting untuk diingat

36

pada aplikasi tertentu. Ketika menerapkan perkiraan fixed effect, perlu diingat

bahwa tidak ada aturan untuk korelasi serial pada { }. Ketika benar

bahwa observasi korelasi serial pada komposisi errors, , didominasi

oleh adanya , maka korelasi serial dapat juga hilang dari waktu ke waktu.

Terkadang, { } mempunyai ketergantungan serial yang sangat kuat, dalam hal

ini kesalahan standar fixed effect biasa diperoleh dari persamaan ( )

(∑

)

(∑ ∑

)

dapat disalahartikan. Kemungkinan ini

cenderung menjadi masalah yang lebih besar dengan nilai yang besar.

Menguji kesalahan fatal pada error, { } untuk korelasi serial agak sulit.

Intinya adalah bahwa tidak dapat memperkirakan dikarenakan time demeaning

yang digunakan pada fixed effect, hanya dapat memperkirakan time demeaning

dalam errors. Seperti apa yang telah ditunjukkan di persamaan

, time-demeaned errors berkorelasi negatif jika tidak berkorelasi.

Ketika , untuk semua , maka itu adalah korelasi negatif yang

sempurna. Kesimpulan ini menunjukkan bahwa untuk jadilah tak berarti

untuk penggunaan sebagai uji berbagai macam korelasi serial parental.

Ketika , dapat digunakan persamaan

untuk memutuskan apakah terdapat korelasi serial pada { }. Secara natural,

dapat digunakan residual dari fixed effect, . Pengujian sangatlah kompleks dari

fakta bahwa { } berkorelasi serial pada hipotesis nol. Ada dua kemungkinan

untuk menentukannya. Pertama, hanya dapat menggunakan dua waktu periode

untuk menguji persamaan menggunakan regresi

sederhana, pakailah regresi

37

(2.56)

pada

dan gunakan , koefisien pada , bersama dengan standard error-nya, untuk

menguji , dimana ( ). (Hal itu adalah cara

yang sepele untuk membuat uji ini tegar pada heterokedastisitas).

Alternatifnya, dapat digunakan lebih banyak periode waktu jika membuat t

statistik tegar pada korelasi serial yang sewenang-wenang. Dengan kata lain,

jalankan pooled OLS regression

(2.57)

pada

dan gunakan robust standard error secara penuh untuk pooled OLS.

Jika ditemukan korelasi serial, haruslah pada tingkat minimal, sesuaikan

varians estimator matriks asymptotic dan uji statistik. ,

tunjukan vektor fixed effect residuals. The robust variance matrix

estimator dari adalah

(2.58)

( ) ( )

(∑

) ( )

yang disarankan oleh Arellano (1987) dan mengikuti dari kesimpulan umum

White (1984, chapter 6). The robust variance matrix estimator valid untuk semua

heterokedastisitas atau serial korelasi di { }, tersedia pada nilai

kecil relatif ke (Wooldridge, 2002, bagian 10.5.4).

38

2.6 Pemeriksaan Persamaan Regresi

Menurut Nachrowi & Usman (2006), baik atau buruknya regresi yang dibuat

dapat di lihat berdasarkan beberapa indikator, yaitu meliputi standard error, uji

hipotesis dan koefisien determinasi (

2.6.1 Standard Error

Metode yang digunakan untuk menduga model dilandasi pada prinsip

meminimalkan error. Oleh karena itu, ketepatan dari nilai dugaan sangat

ditentukan oleh standard error dari masing-masing penduga. Adapun standard

error dirumuskan sebagai berikut.

(2.59)

,

∑ -

⁄

(2.60)

,∑

∑ -

⁄

Oleh karena merupakan penyimpangan yang terjadi dalam populasi, yang

nilainya tidak diketahui, maka biasanya diduga berdasarkan data sampel.

Adapun penduganya adalah sebagai berikut.

(2.61)

(∑

)

⁄

(2.62)

39

Terlihat hubungan error yang minimal akan mengakibatkan standard error

koefisien minimal pula. Dengan minimalnya standard error koefisien berarti,

koefisien yang didapat cenderung mendekati nilai sebenarnya. Bila rasio tersebut

bernilai 2 atau lebih, dapat dinyatakan bahwa nilai standard error relatif kecil

dibanding parameternya. Rasio inilah yang menjadi acuan pada Uji t.

2.6.2 Uji Hipotesis

Uji hipotesis ini berguna untuk memeriksa atau menguji apakah koefisien

regresi yang didapat signifikan. Maksud dari signifikan ini adalah suatu nilai

koefisien regresi yang secara statistik tidak sama dengan nol. Jika koefisien slope

sama dengan nol, berarti dapat dikatakan bahwa tidak cukup bukti untuk

menyatakan variabel bebas mempunyai pengaruh terhadap variabel terikat.

Untuk kepentingan tersebut, maka semua koefisien regresi harus di uji. Ada

dua jenis uji hipotesis terhadap koefisien regresi yang dapat dilakukan, yang

disebut Uji F dan Uji t. Uji F digunakan untuk menguji koefisien (slope) regresi

secara bersama-sama, sedang Uji t untuk menguji koefisien regresi, termasuk

intercept secara individu.

2.6.2.1 Uji Serentak (Uji F)

Uji-F diperuntukan guna melakukan uji hipotesis koefisien (slope) regresi

secara bersamaan. Dengan demikian, secara umum hipotesisnya dituliskan

sebagai berikut.

Tidak demikian (paling tidak ada satu slope yang )

dimana k adalah banyaknya variabel bebas.

40

Statistik uji:

(2.63)

Dengan

= koefisien determinasi

= jumlah cross section

= jumlah time series

= jumlah variabel independen

Kriteria uji: ditolak jika , artinya bahwa

hubungan antara semua variabel independen dan variabel dependen berpengaruh

signifikan (Gujarati, 2004).

2.6.2.2 Uji Parsial (Uji t)

Adapun hipotesis dalam uji ini adalah sebagai berikut.

( adalah koefisien slope)

Dari hipotesis tersebut dapat terlihat arti dari pengujian yang dilakukan, yaitu

berdasarkan data yang tersedia, akan dilakukan pengujian 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.

41

Untuk regresi sederhana, yang mempunyai dua koefisien regresi (intercept

dan sebuah slope), tentu hipotesis yang dibuat akan sebanyak dua buah, yaitu

(2.64)

(2.65)

Uji t didefinisikan sebagai berikut.

(2.66)

Tetapi, karena akan diuji apakah sama dengan 0 ( ), maka nilai

dalam persamaan harus diganti dengan nol. Maka formula Uji t menjadi

(2.67)

Nilai t diatas akan dibandingkan dengan nilai t Tabel. Bila ternyata setelah

dihitung | | ⁄ , maka nilai t berada dalam daerah penolakan,

sehingga hipotesis nol ditolak pada tingkat kepercayaan

. Dalam hal ini dapat dikatakan bahwa statistically significance.

42

Khusus untuk Uji t ini dapat dibuat batasan daerah penolakan secara praktis,

yaitu bila derajat bebas atau lebih dan , maka hipotesis akan

ditolak jika

(2.68)

| |

2.6.2.3 Koefisien Determinasi

Menurut Nachrowi & Usman (2006), Koefisien Determinasi (Goodness of

Fit), yang dinotasikan dengan , merupakan suatu ukuran yang penting dalam

regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang

terestimasi. Atau dengan kata lain, angka tersebut dapat mengukur seberapa

dekatkah garis regresi yang terestimasi dengan data sesungguhnya.

Nilai Koefisien Determinasi ini mencerminkan seberapa besar variasi

dari variabel terikat dapat diterangkan oleh variabel bebas . Bila nilai

Koefisien Determinasi sama dengan 0 , artinya variasi dari tidak dapat

diterangkan oleh sama sekali. Sementara bila , artinya variasi secara

keseluruhan dapat diterangkan oleh . Dengan kata lain , maka semua

pengamatan berada tepat pada garis regresi. Dengan demikian baik atau buruknya

suatu persamaan regresi ditentukan oleh -nya yang mempunyai nilai antara nol

dan satu.

2.7 Uji Asumsi Model Regresi Data Panel

Menurut Yudiatmaja (2013), model regresi data panel dapat disebut sebagai

model yang baik jika model tersebut memenuhi kriteria Best, Linear, Unbiased,

43

dan Estimator (BLUE). BLUE dapat dicapai bila memenuhi asumsi klasik.

Apabila persamaan yang terbentuk tidak memenuhi kaidah BLUE, maka

persamaan tersebut diragukan kemampuannya dalam menghasilkan nilai-nilai

prediksi yang akurat. Tetapi bukan berarti persamaan tersebut tidak bisa

digunakan untuk memprediksi. Agar suatu persamaan tersebut dapat

dikategorikan memenuhi kaidah BLUE, maka data yang digunakan harus

memenuhi beberapa asumsi yang sering dikenal dengan istilah uji asumsi klasik.

Uji asumsi klasik mencakup uji normalitas, uji multikolinearitas, uji

linearitas, uji heterokedastisitas dan uji autokorelasi. Persamaan yang terbebas

dari kelima masalah pada uji asumsi klasik akan menjadi estimator yang tidak bias

(Widarjono, 2007).

2.7.1 Uji Normalitas

Data klasifikasi kontinu dan data kuantitatif yang termasuk dalam pengukuran

data skala interval atau ratio agar dapat dilakukan uji statistik parametrik

dipersyaratkan berdistribusi normal. Pembuktian data berdistribusi normal

tersebut perlu dilakukan uji normalitas terhadap data. Uji normalitas berguna

untuk membuktikan data dari sampel yang dimiliki berasal dari populasi

berdistribusi normal atau data populasi yang dimiliki berdistribusi normal. Banyak

cara yang dapat dilakukan untuk membuktikan suatu data berdistribusi normal

atau tidak.

Metode klasik dalam pengujian normalitas suatu data tidak begitu rumit.

Berdasarkan pengalaman empiris beberapa pakar statistik, data yang banyaknya

44

lebih dari 30 angka , maka sudah dapat diasumsikan berdistribusi

normal. Biasa dikatakan sebagai sampel besar.

Namun untuk memberikan kepastian, data yang dimiliki berdistribusi normal

atau tidak, sebaiknya digunakan uji statistik normalitas. Karena belum tentu data

yang lebih dari 30 bisa dipastikan berdistribusi normal, demikian sebaliknya data

yang banyaknya kurang dari 30 belum tentu tidak berdistribusi normal, untuk itu

perlu suatu pembuktian. Pembuktian normalitas dapat dilakukan dengan manual,

yaitu dengan menggunakan kertas peluang normal, atau dengan menggunakan uji

statistik normalitas.

Banyak jenis uji statistik normalitas yang dapat digunakan diantaranya

Kolmogorov Smirnov, Lilliefors, Chi-Square, Shapiro Wilk atau menggunakan

software komputer. Software komputer dapat digunakan misalnya SPSS, Minitab,

Simstat, Microstat, dsb. Pada hakekatnya software tersebut merupakan hitungan

uji statistik Kolmogorov Smirnov, Lilliefors, Chi-Square, Shapiro Wilk, dsb yang

telah diprogram dalam software komputer. Masing- masing hitungan uji statistik

normalitas memiliki kelemahan dan kelebihannya, pengguna dapat memilih sesuai

dengan keuntungannya.

Pengujian asumsi ini menguji normalitas pada residualnya yang dihasilkan

dari model regresinya. Untuk menguji normalitas ini menggunakan Uji Jarque-

Bera. Uji Jarque-Bera ini menggunakan perhitungan skewness dan kurtosis

dengan hipotesis:

Residual berdistribusi normal

Residual tidak berdistribusi normal

45

Statistik uji:

(2.69)

*

+

Dengan:

N : Banyaknya data

: Skewness (kemencengan)

Kurtosis (peruncingan)

Dengan

(2.70)

∑

(

∑ )

(2.71)

⁄

∑

(

∑ )

⁄

Kriteria uji: ditolak jika artinya residual tidak berdistribusi normal

(Jarque and Bera, 1987).

2.7.2 Uji Linearitas

Menurut Siswandari sebagaimana dikutip oleh Arifin (2010), Uji Linearitas

digunakan untuk mendeteksi adanya hubungan linear antara variabel dan

yang bisa dilakukan, sebagai berikut. :

(1) Plot antara residu versus

46

Jika plot yang bersangkutan menggambarkan suatu scatter diagram

(diagram pencar) dalam arti tidak berpola maka dapat dikatakan tidak terjadi

mispesifikasi pada fungsi regresi, hal ini bararti bahwa hubungan antara

variabel dan adalah linear.

(2) Plot antara variabel versus

Jika plot menggambarkan garis lurus maka asumsi pertama ini telah

terpenuhi.

(3) Plot antara residu versus

Jika plot menggambarkan diagram pencar maka linearitas ini sudah

terpenuhi.

2.7.3 Multikolinearitas

Istilah multikolinearitas mula-mula ditemukan oleh Ragnar Frisch. Pada

mulanya multikoliearitas berarti adanya hubungan linear yang “sempurna” atau

pasti, di antara beberapa atau semua variabel yang menjelaskan dari model

regresi. Istilah kolinearitas (collinearity) sendiri berarti hubungan linear tunggal

(single linear relationship), sedangkan kolinearitas ganda (multikolinearity)

menunjukkan adanya lebih dari satu hubungan linear yang sempurna.

Asumsi multikolinearitas adalah asumsi yang menunjukan adanya hubungan

linear yang kuat diantara beberapa variabel prediktor dalam suatu model regresi

linear berganda. Model regresi yang baik memiliki variabel-variabel prediktor

yang independen atau tidak berkorelasi. Penyebab terjadinya kasus

multikolinearitas adalah terdapat korelasi atau hubungan linear yang kuat diantara

beberapa variabel prediktor yang dimasukkan kedalam model regresi.

47

Multikolinearitas digunakan untuk menguji suatu model apakah terjadi

hubungan yang sempurna atau hampir sempurna antara variabel bebas, sehingga

sulit untuk memisahkan pengaruh antara variabel-variabel itu secara individu

terhadap variabel terikat. Pengujian ini untuk mengetahui apakah antar variabel

bebas dalam persamaan regresi tersebut tidak saling berkorelasi.

Beberapa indikator dalam mendeteksi adanya multikolinearitas, diantaranya

(Gujarati, 2006):

(1) Nilai yang terlampau tinggi (lebih dari 0,8) tetapi tidak ada atau sedikit t-

statistik yang signifikan; dan

(2) Nilai F-statistik yang signifikan, namun t-statistik dari masing-masing

variabel bebas tidak signifikan.

Untuk menguji multikolinearitas dapat melihat matriks korelasi dari variabel

bebas, jika terjadi koefisien korelasi lebih dari 0,80 maka terdapat

multikolinearitas (Gujarati, 2006).

2.8 Pembangunan Manusia

Mengutip isi Human Development Report (HDR) pertama tahun 1990,

pembangunan manusia adalah suatu proses untuk memperbanyak pilihan-pilihan

yang dimiliki oleh manusia. Diantara banyak pilihan tersebut, pilihan terpenting

adalah untuk berumur panjang dan sehat, untuk berilmu pengetahuan, dan untuk

mempunyai akses terhadap sumber daya yang dibutuhkan agar dapat hidup secara

layak.

48

2.9 Indeks Pembangunan Manusia (IPM)

Menurut BPS (2008) Indeks Pembangunan Manusia merupakan salah satu

cara untuk mengukur keberhasilan pembangunan manusia berbasis sejumlah

komponen dasar kualitas hidup.

Indeks Pembangunan Manusia mengukur capaian pembangunan manusia

berbasis sejumlah komponen dasar kualitas hidup. Sebagai ukuran kualitas hidup,

IPM dibangun melalui pendekatan tiga dimensi dasar. Dimensi tersebut mencakup

umur panjang dan sehat, pengetahuan, dan kehidupan yang layak. Ketiga dimensi

tersebut memiliki pengertian sangat luas karena terkait banyak factor. Untuk

mengukur dimensi kesehatan, digunakan angka harapan hidup waktu lahir.

Selanjutnya untuk mengukur dimensi pengetahuan digunakan gabungan indicator

Angka Melek Huruf dan Rata-rata Lama Sekolah. Adapun untuk mengukur

dimensi hidup layak digunakan indikator kemampuan daya beli masyarakat

terhadap sejumlah kebutuhan pokok yang dilihat dari rata-rata besarnya

pengeluaran per kapita sebagai pendekatan pendapatan yang mewakili capaian

pembangunan untuk hidup layak.

2.10 Komponen Pembangunan Manusia

Lembaga United Nations Development Programme (UNDP) telah

mempublikasikan laporan pembangunan sumber daya manusia dalam ukuran

kuantitatif yang disebut Human Development Indeks (HDI).

Adapun indikator yang dipilih untuk mengukur dimensi HDI adalah sebagai

berikut. (UNDP, Human Development Report 1993: 105-106):

49

(1) Longevity, diukur dengan variabel harapan hidup saat lahir atau life

expectancy of birth dan angka kematian bayi per seribu penduduk atau infant

mortality rate;

(2) Educational Achievment, diukur dengan dua indikator, yakni melek huruf

penduduk usia 15 tahun ke atas (adult literacy rate) dan tahun rata-rata

bersekolah bagi penduduk 25 tahun ke atas (the mean years of schooling);

dan

(3) Access to resource, dapat diukur secara makro melalui PDB riil perkapita

dengan terminologi purchasing power parity dalam dolar AS dan dapat

dilengkapi dengan tingkatan angkatan kerja.

Dari penjelasan tersebut dapat disimpulkan bahwa komponen-komponen

yang mempengaruhi IPM antara lain:

(1) Indeks Harap Hidup

Indeks harapan hidup menunjukkan jumlah tahun hidup yang diharapkan

dapat dinikmati penduduk suatu wilayah.

(2) Indeks Hidup Layak

Untuk mengukur dimensi standar hidup layak (daya beli), UNDP

menggunakan indikator yang dikenal dengan real per kapita GDP adjusted.

Untuk perhitungan IPM sub nasional (provinsi atau kabupaten/kota) tidak

memakai PDRB per kapita karena PDRB per kapita hanya mengukur

produksi suatu wilayah dan tidak mencerminkan daya beli riil masyarakat

yang merupakan konsentrasi IPM.

50

(3) Indeks Pendidikan

Penghitungan Indeks Pendidikan (IP) mencakup dua indikator yaitu

Angka Melek Huruf (LIT) dan Rata-rata Lama Sekolah (MYS). Populasi

yang digunakan adalah berumur 15 tahun ke atas karena pada kenyataannya

penduduk usia tersebut sudah ada yang berhenti sekolah. Batasan ini

diperlukan agar angkanya lebih mencerminkan kondisi sebenarnya mengingat

penduduk yang berusia kurang dari 15 tahun masih dalam proses sekolah atau

akan sekolah sehingga belum pantas untuk Rata-rata Lama Sekolahnya.

Kedua indikator pendidikan ini dimunculkan dengan harapan dapat

mencerminkan tingkat pengetahuan (cerminan angka LIT), dimana LIT

merupakan proporsi penduduk yang memiliki kemampuan baca tulis dalam

suatu kelompok penduduk secara keseluruhan. Sedangkan cerminan angka

MYS merupakan gambaran terhadap keterampilan yang dimiliki penduduk.

2.11 Penelitian Terdahulu

Sebagai bahan pertimbangan dalam penelitian ini akan dicantumkan beberapa

hasil penelitian terdahulu oleh beberapa peneliti antara lain:

Penelitian yang dilakukan oleh Hsiao dan Shen (2003), menggunakan data

panel dari 23 negara berkembang dari tahun 1976 sampai dengan 1997. Dalam

penelitian ditemukan bahwa pertumbuhan ekonomi berdampak positif dan

signifikan terhadap Foreign Investment Direct (FDI) dan pembangunan

infrastruktur yang memadai berhubungan positif terhadap FDI (Chadidjah &

Elfiyan, 2009).

51

Jurnal “Aplikasi Regresi Data Panel dengan Pendekatan Fixed Effect Model

(Studi Kasus: PT PLN Gianyar)” oleh Ni Putu Anik Mas Ratnasari menyatakan

bahwa salah satu pendekatan dalam pemodelan regresi data panel adalah dengan

menggunakan Fixed Effect Model (FEM) Metode pendugaan parameter regresi

adalah Least Square Dummy Variable (LSDV). Berdasarkan penelitian tentang

motivasi tenaga kerja di PT PLN Gianyar diperoleh banwa existence (EX)

berpengaruh positif dan signifikan terhadap motivasi tenaga kerja non-

outsourcing di PT PLN Gianyar dan growth (GR) berpengaruh positif dan

signifikan terhadap motivasi tenaga kerja outsourcing di PT PLN Gianyar.

Jurnal “Peramalan Jumlah Kepemilikan Sepeda Motor dan Penjualan Sepeda

Motor di Jawa Timur dengan Menggunakan Regresi Data Panel” oleh Hilda

Rosdiana dan Dwi Endah menyatakan bahwa karakteristik kepemilikan dan

penjualan sepeda motor disetiap wilayah cenderung tidak sama, sehingga

digunakan metode regresi data panel. Model kepemilikan sepeda motor adalah

Random Effect Model (REM) dan model penjualan sepeda motor adalah Fixed

Effect Model (FEM) cross section weight.

Jurnal “Panel Data Econometrics in R: The plm Package” oleh Yves

Croissant dan Giovanni Millo menyatakan bahwa data panel jelas merupakan

salah satu bidang utama dalam ekonometrika, namun terkadang model-model

yang digunakan sulit untuk diestimasi dengan program R. Plm adalah paket untuk

program R yang bertujuan untuk membuat estimasi model panel linear sederhana.

Plm menyediakan fungsi untuk memperkirakan berbagai macam model dan

membuatnya robust (tahan). Berdasarkan penelitian, plm bertujuan untuk

52

menyediakan paket komprehensif yang berisi fungsi standar yang dibutuhkan

untuk manajemen dan analisis ekonometrik data panel.

Jurnal “Testing for Cross-Sectional Dependence in Panel-Data Models” oleh

Rafael E. De Hoyos dan Vasilis Sarafidis menjelaskan bahwa perintah xtcsd pada

software Stata digunakan untuk menguji adanya ketergantungan cross-sectional

(cross-sectional dependence) dalam model data panel dengan menggunakan Fixed

Effect Model (FEM) dan Random Effect Model (REM) dengan banyak unit cross

sectional dan beberapa pengamatan time series. Xtcsd dapat menjelaskan tiga

prosedur uji berbeda, yaitu Friedman’s test statistic, the statistic proposed by

Frees, dan the cross-sectional dependence (CD) test of Pesaran dengan

menggunakan berbagai macam contoh empiris. Prosedur tersebut berlaku ketika

tetap dan besar. Xtscd juga dapat digunakan untuk melakukan Pesaran’s CD

test untuk panel tidak seimbang.

Jurnal “Testing for Serial Correlation in Linear Panel-Data Models” oleh

David M. Drukker menjelaskan bahwa karena korelasi serial pada model data

panel linear bias terhadap standard errors dan menyebabkan hasil menjadi kurang

efisien, maka peneliti harus mengidentifikasi adanya korelasi serial dalam error

pada model data panel. Uji untuk mengidentifikasi adanya korelasi serial pada

random atau fixed effect one way model oleh Wooldridge (2002) dapat diterapkan

dalam kondisi umum dan mudah untuk diterapkan. Hasil simulasi yang disajikan

dalam artikel tersebut menunjukkan bahwa tes Wooldridge untuk korelasi serial

pada model data panel linear satu arah sangat baik dengan sampel-sampel yang

tepat.

53

BAB 3

METODE PENELITIAN

3.1 Fokus Penelitian

Fokus permasalahan yang dilakukan dalam penelitian ini adalah sebagai

berikut

a. Penelitian menggunakan regresi data panel dengan pendekatan estimasi

Common Effect Model, Fixed Effect Model, dan Random Effect Model.

b. Metode yang digunakan adalah Ordinary Least Square (OLS), Least Square

Dummy Variable (LSDV), dan Generalized Least Square (GLS).

c. Uji Pemilihan model terbaik menggunakan Uji Chow, Uji Hausman dan Uji

Breusch-Pagan.

d. Uji Diagnostik pada model regresi data panel terpilih, antara lain uji korelasi

serial menggunakan Uji Breusch-Godfrey, Tests for Cross Sectional

Dependence dengan menggunakan Pesaran’s CD Tests, Unit Root Tests

dengan menggunakan Augmented Dickey-Fuller Test dan Uji Heteroskedastik

dengan menggunakan Uji Lagrange Multiplier yang mengikuti distribusi chi-

squared.

e. Pemeriksaan persamaan model regresi data panel terbaik meliputi

pemeriksaan standard error, uji hipotesis yaitu uji serentak (uji F) dan uji

parsial (uji t) serta pemeriksaan koefisien determinasi.

f. Uji Asumsi model regresi data panel terbaik antara lain Uji Normalitas, Uji

Linearitas dan Uji Multikolinearitas.

54

g. Penelitian didukung dengan menggunakan software R.

h. Variabel yang digunakan adalah data Indeks Pembangunan Manusia dan

faktor-faktor yang mempengaruhinya yaitu Angka Melek Huruf, Rata-rata

Lama Sekolah, dan Pengeluaran Riil Per Kapita Disesuaikan di seluruh

Kabupaten/Kota di Jawa Tengah dari tahun 2008 sampai dengan 2012.

i. Lokasi yang digunakan adalah Badan Pusat Statistik Provinsi Jawa Tengah.

3.2 Klasifikasi Penelitian Berdasarkan Tujuan dan Pendekatan

Berdasarkan tujuan penelitian, penelitian ini termasuk ke dalam penelitian

operasional. Penelitian operasional adalah penelitian yang bertujuan untuk

menemukan model atau sistem kerja yang optimal. Penelitian ini bertujuan untuk

mengetahui penerapan dalam pemilihan estimasi parameter model regresi data

panel terbaik dengan menggunakan pendekatan Common Effect Model, Fixed

Effect Model, dan Random Effect Model.

Berdasarkan pendekatan penelitian, penelitian ini termasuk ke dalam

penelitian kajian pustaka. Penelitian ini bertujuan untuk menjawab suatu masalah

dengan cara mengkaji sejumlah literatur (bahan pustaka) secara mendalam, dalam

penelitian pustaka yang digunakan adalah jurnal dan buku yang berkaitan dengan

analisis regresi data panel dan estimasi parameter model regresi data panel dengan

pendekatan Common Effect Model, Fixed Effect Model, dan Random Effect

Model.

3.3 Pengumpulan Data

Metode yang digunakan dalam pengumpulan data dalam penelitian ini adalah

metode dokumentasi. Metode dokumentasi adalah metode pengumpulan data

55

dengan cara mengambil data sekunder yang diperoleh dari Badan Pusat Statistik

Provinsi Jawa Tengah (BPS Jateng).

3.4 Pemecahan Masalah

Pada tahap ini dilakukan kajian pustaka, yaitu mengkaji permasalahan secara

teoritis berdasarkan sumber-sumber pustaka yang ada. Adapun langkah-langkah

yang dilakukan dalam tahap pemecahan masalah ini adalah:

1. Mengestimasi parameter model regresi data panel

2. Melakukan uji pemilihan model terbaik

3. Uji diagnostik pada model terbaik

4. Pemeriksaan persamaan regresi

5. Menguji asumsi regresi data panel

6. Interpretasi model regresi

Langkah-langkah tersebut dapat dilihat pada diagram alur Gambar 3.1,

Gambar 3.2, dan Gambar 3.3.

Tidak

Mulai

Input data

Estimasi Model Regresi

Data Panel

Uji

Chow

Uji

Hausman

Diagnostics

Ya Ya

Tidak

56

Diagram alur Gambar 3.1


Pemeriksaan

Persamaan Regresi

Uji Asumsi Regresi

Data Panel

Interpretasi Model

Regresi

Selesai

Estimasi Model Regresi

Data Panel

Common Effect

Model

Fixed Effect

Model

Random Effect

Model

57


3.5 Menarik Kesimpulan

Langkah terakhir dalam kegiatan penelitian ini adalah menarik kesimpulan

dari keseluruhan permasalahan yang telah dirumuskan. Pemilihan model terbaik

dapat dilakukan dengan menggunakan Uji Chow dalam menentukan Common

Effect Model atau Fixed Effect Model, Uji Hausman dalam menentukan Random

Effect Model atau Fixed Effect Model dan Uji Breusch-Pagan untuk menentukan

adanya efek individu, efek waktu atau keduanya pada model regresi data panel

Diagnostics

Uji Breusch-

Godfrey

Pearan’s

CD Tests

Unit

Root

Tests

Uji

Heterokedastisitas

58

terbaik. Selanjutnya dilakukan uji diagnostik, yaitu uji korelasi serial, pengujian

ketergantungan cross sectional (testing for cross sectional dependence), Unit Root

Tests, dan Uji Heteroskedastik. Pemeriksaan persamaan regresi, menguji

signifikansi parameter regresi data panel, melakukan uji asumsi regresi data panel,

serta tahapan terakhir adalah interpretasi model regresi data panel Indeks

Pembangunan Manusia (IPM) dari tahun 2008 sampai dengan 2012. Sehingga

simpulan yang diperoleh adalah estimasi model terbaik dari pengaruh Angka

Melek Huruf, Rata-rata Lama Sekolah, dan Pengeluaran Riil Per Kapita

Disesuaikan terhadap Indeks Pembangunan Manusia (IPM) di seluruh

Kabupaten/Kota di Jawa Tengah.

107

BAB 5

PENUTUP

5.1 Simpulan

Berdasarkan hasil analisis dan pembahasan pada bab 4, maka dapat diperoleh

beberapa kesimpulan sebagai berikut,

a. Setelah memenuhi uji diagnostik dan uji asumsi model regresi, maka model

regresi data panel yang lebih sesuai untuk pemodelan Indeks Pembangunan

Manusia (IPM) di seluruh Kabupaten/Kota di Jawa Tengah dari tahun 2008

sampai dengan 2012 adalah Fixed Effect Model (FEM) dengan efek individu,

dengan model persamaan hasil estimasi sebagai berikut

Dengan

: nilai variable respon (Indeks Pembangunan Manusia) untuk wilayah ke-i

tahun ke-t

: nilai Angka Melek Huruf (AMH) untuk wilayah ke-i tahun ke-t

: nilai Rata-rata Lama Sekolah (RLS) untuk wilayah ke-i tahun ke-t

: nilai Pengeluaran Riil Per Kapita Disesuaikan (PPP) untuk wilayah ke-i

tahun ke-t

: konstanta yang bergantung pada unit ke-i, tetapi tidak pada waktu t

b. Dari Fixed Effect Model (FEM) dengan efek individu didapatkan

berarti variabel Angka Melek Huruf, Rata-rata Lama Sekolah dan

Pengeluaran Riil Per Kapita Disesuaikan secara bersama-sama mempengaruhi

108

variabel Indeks Pembangunan Manusia (IPM) sebesar sedangkan

sisanya sebesar dijelaskan oleh variabel lain diluar model dan

seluruh variabel bebas signifikan secara statistik pada yang berarti

mempunyai pengaruh yang signifikan terhadap variabel IPM.

5.2 Saran

Berdasarkan hasil penelitian diperoleh estimasi parameter model regresi data

panel terbaik dengan pendekatan Fixed Effect Model (FEM) dengan efek individu

yang selanjutnya dapat digunakan untuk memperkirakan nilai-nilai populasi pada

Indeks Pembangunan Manusia (IPM) yang dipengaruhi oleh variabel-variabel

Angka Melek Huruf, Rata-rata Lama Sekolah, dan Pengeluaran Riil Per Kapita

Disesuaikan pada wilayah tertentu di seluruh Kabupaten/Kota di Jawa Tengah

dengan tahun tertentu yang telah ditentukan terlebih dahulu.

Karena keterbatasan penulis dalam melakukan penelitian, analisis data, dan

keterbatasan waktu yang dimiliki oleh penulis maka peneliti selanjutnya yang

secara khusus membahas mengenai estimasi model regresi data panel diharapkan

dapat menganalisis secara detail mengenai pemilihan model regresi data panel

terbaik yang salah satunya adalah menggunakan Uji Breusch-Pagan dengan

menggunakan statistik Uji Lagrange Multiplier.

Penelitian ini juga masih dapat dikembangkan dengan menggunakan metode

lain pada uji diagnostik untuk masalah terdeteksinya korelasi serial dan

heteroskedastik pada data selain dengan menggunakan metode the robust

variance matrix estimator. Pembaca juga dapat mengkaji mengenai estimasi

parameter pada model data panel dinamik dan regresi non linear data panel.

109

DAFTAR PUSTAKA

Arifin, Isnan. 2010. Pengaruh Faktor-faktor Kepuasan Kerja Terhadap

Produktifitas Kerja Karyawan bagian produksi PT. Sari husada

Klaten Tahun 2009. Skripsi. Surakarta: FKIP Universitas Sebelas

Maret.

Badan Pusat Statistik Jawa Tengah. 2008. Jawa Tengah dalam Angka 2008.

Semarang.


Semarang.


Semarang.


Semarang.


Semarang.


Semarang.

Baltagi, B. H. 2005. Econometrics Analysis of Panel Data (3rd

ed). Chicester,

England: John Wiley & Sons Ltd.

Baltagi, B. H. 2008. Econometrics (4th

ed). Verlag Berlin Heidelberg: Springer.

Croissant, Y., & G. Millo. 2008. Panel Data Econometrics in R: The plm Package.

Journal of Statistical Software, 27(2).

Greene, W. H. 1997. Econometric Analysis (3rd

ed). New Jersey: Prentice Hall

International.

Greene, W. H. 2003. Econometric Analysis (5th


International.



International.



International.

110

Gujarati, D. N. 1995. Basic Econometrics. New York: McGraw-Hill.

Gujarati, D. N. 2004. Basic Econometrics (4th

ed). New York: The McGraw-Hill

Companies.

Gujarati, D. N. 2006. Essentials of Econometrics (3rd

ed). Translated by Mulyadi,

J. A.,dkk. 2007. Jakarta: Erlangga.

Hoyos, R. E. D., & V. Sarafidis. 2006. Testing for Cross-sectional Dependence in

Panel-data Models. The Stata Journal, 6(4): 482-496.

Jaya, I. G. N. M., & N. Sunengsih. 2009. Kajian Analisis Regresi dengan Data

Panel. Prosiding Seminar Nasional Penelitian. Yogyakarta:

Universitas Negeri Yogyakarta.

Judge, G. G. 1998. Introduction to the Teory and Practice of Econometrics. New

York: John Wiley & Sons.

Judge, G. G., W. E. Griffith, R. C., Hill, & T. Lee. 1980. The Teory and Practice

of Econometrics. New York: John Wiley & Sons.

Ma’aruf, Ahmad & L. Wihastuti. 2008. Pertumbuhan Ekonomi Indonesia:

Determinan dan Prospeknya. Jurnal Ekonomi dan Studi

Pembangunan, 9(1): 44-55.

Nachrowi, D. N. & H. Usman. 2006. Pendekatan Populer dan Praktis

Ekonometrika untuk Analisis Ekonomi dan Keuangan. Jakarta:

Lembaga Penerbit FE UI.

Ratnasari, N. P. A. M. 2014. Aplikasi Regresi Data Panel Dengan Pendekatan

Fixed Effect Model (Studi Kasus: PT PLN Gianyar). Jurnal

Matematika FMIPA Universitas Udayana, 3(1): 1-7.

Rosadi, Dedi. 2011. Ekonometrika & Analisis Runtun Waktu Terapan dengan R.

Yogyakarta: C. V. Andi Offset.

Rosdiana, Hilda & Dwi Endah. 2014. Peramalan Jumlah Kepemilikan Sepeda

Motor dan Penjualan Sepeda Motor di Jawa Timur dengan

Menggunakan Regresi Data Panel. Jurnal Sains dan Seni POMITS,

3(2): 2337-3520.

Sembodo, Heri. 2013. Pemodelan Regresi Panel pada Pendapatan Asli Daerah

(PAD) dan Dana Alokasi Umum (DAU) Terhadap Belanja Daerah.

Jurnal Mahasiswa Statistik, 1(4): 297-300.

Sumodiningrat, Gunawan. 1996. Ekonometrika Pengantar (1st ed). Yogyakarta:

BPFE Fakultas ekonomi UGM.

111

Supranto, J. 2005. Ekonometri (1st ed). Bogor: Ghalia Indonesia.

Supranto, J. 1995. Ekonometrika Buku Dua. Jakarta: LPPE Universitas Indonesia.

UNDP. 1990. Human Development Report 1990. New York: Oxford University

Press.

UNDP. 1993. Human Development Report 1993. New York: Oxford University

Press.

Widarjono, Agus. 2005. Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan

Bisnis. Yogyakarta: Ekonisia FE UII.

Widarjono, Agus. 2007. Ekonometrika Teori dan Aplikasi Untuk Ekonomi dan

Bisnis (2nd

ed). Yogyakarta: Ekonisia FE UII.

Wooldridge, J. M. 2002. Econometric Analysis of Cross Section And Panel Data.

London: The MIT Press.

Yudiatmaja, F. 2013. Analisis Regresi dengan Menggunakan Aplikasi Komputer

Statistika SPSS. Jakarta: Gramedia Pustaka Utama.

112

Lampiran 1

Data Penelitian

Kab/Kota Tahun AMH RLS PPP IPM

Kab. Cilacap 2008 90.10 6.60 631.17 70.90

Kab. Cilacap 2009 90.28 6.72 633.50 71.39

Kab. Cilacap 2010 90.28 6.85 634.50 71.73

Kab. Cilacap 2011 91.48 6.86 636.62 72.34

Kab. Cilacap 2012 91.49 6.87 639.78 72.77

Kab. Banyumas 2008 93.92 7.49 626.94 71.80

Kab. Banyumas 2009 93.98 7.72 630.75 72.27

Kab. Banyumas 2010 93.98 7.73 634.52 72.60

Kab. Banyumas 2011 94.06 7.76 638.27 72.96

Kab. Banyumas 2012 94.24 7.79 641.78 73.33

Kab. Purbalingga 2008 93.01 6.46 627.57 70.90

Kab. Purbalingga 2009 93.02 6.81 630.44 71.51

Kab. Purbalingga 2010 93.48 7.18 631.04 72.07

Kab. Purbalingga 2011 93.50 7.21 634.44 72.50

Kab. Purbalingga 2012 93.52 7.23 638.41 72.97

Kab. Banjarnegara 2008 88.24 5.98 628.33 69.00





Kab. Kebumen 2008 90.39 6.65 627.57 70.20

Kab. Kebumen 2009 90.40 6.84 632.43 70.73

Kab. Kebumen 2010 90.74 6.87 635.81 71.12

Kab. Kebumen 2011 91.53 6.92 639.16 71.62

Kab. Kebumen 2012 91.54 6.93 641.78 71.86

Kab. Purworejo 2008 89.20 7.30 633.27 71.30

Kab. Purworejo 2009 89.78 7.70 633.61 71.88

Kab. Purworejo 2010 91.51 7.75 634.97 72.55

Kab. Purworejo 2011 91.74 7.84 636.29 72.91

Kab. Purworejo 2012 92.79 7.93 638.51 73.53

Kab. Wonosobo 2008 88.91 6.11 626.77 69.50

Kab. Wonosobo 2009 89.27 6.27 629.26 70.08

Kab. Wonosobo 2010 90.47 6.27 629.76 70.52

Kab. Wonosobo 2011 91.16 6.55 630.41 71.06

Kab. Wonosobo 2012 91.43 6.56 632.71 71.45

Kab. Magelang 2008 91.34 7.10 630.88 71.40

Kab. Magelang 2009 91.35 7.26 633.26 71.76

Kab. Magelang 2010 91.35 7.26 636.96 72.08

113

Kab. Magelang 2011 93.29 7.33 638.16 72.69

Kab. Magelang 2012 93.31 7.55 641.45 73.14

Kab. Boyolali 2008 85.96 7.10 626.14 70.00

Kab. Boyolali 2009 85.97 7.29 629.49 70.44

Kab. Boyolali 2010 85.97 7.37 632.00 70.72

Kab. Boyolali 2011 87.96 7.42 632.19 71.25

Kab. Boyolali 2012 87.97 7.43 634.86 71.50

Kab. Klaten 2008 89.28 7.75 641.86 72.90

Kab. Klaten 2009 89.70 7.93 643.92 73.41

Kab. Klaten 2010 89.90 8.27 644.21 73.83

Kab. Klaten 2011 89.92 8.28 646.39 74.10

Kab. Klaten 2012 89.93 8.31 649.49 74.46

Kab. Sukoharjo 2008 90.36 8.15 643.38 73.00

Kab. Sukoharjo 2009 90.38 8.36 644.60 73.29

Kab. Sukoharjo 2010 90.69 8.36 646.94 73.57

Kab. Sukoharjo 2011 90.72 8.52 649.96 73.97

Kab. Sukoharjo 2012 90.73 8.53 652.39 74.21

Kab. Wonogiri 2008 82.03 6.10 639.55 70.50

Kab. Wonogiri 2009 82.14 6.29 644.24 71.04

Kab. Wonogiri 2010 82.18 6.32 647.21 71.33

Kab. Wonogiri 2011 83.50 6.35 649.51 71.86

Kab. Wonogiri 2012 84.32 6.65 653.07 72.59

Kab. Karanganyar 2008 84.76 7.05 645.79 72.20

Kab. Karanganyar 2009 84.96 7.17 647.87 72.55

Kab. Karanganyar 2010 86.91 7.39 647.94 73.19

Kab. Karanganyar 2011 88.90 7.41 649.70 73.82

Kab. Karanganyar 2012 88.95 8.27 651.05 74.62

Kab. Sragen 2008 81.15 6.50 626.26 69.60

Kab. Sragen 2009 82.26 6.88 627.15 70.27

Kab. Sragen 2010 84.36 6.99 628.04 71.00

Kab. Sragen 2011 84.41 7.02 630.01 71.33

Kab. Sragen 2012 84.41 7.22 633.90 71.85

Kab. Grobogan 2008 90.18 6.60 627.60 70.20

Kab. Grobogan 2009 90.36 6.76 629.42 70.60

Kab. Grobogan 2010 90.36 6.76 631.25 70.83

Kab. Grobogan 2011 90.41 6.81 635.15 71.27

Kab. Grobogan 2012 90.94 6.83 638.68 71.77

Kab. Blora 2008 82.97 6.02 633.90 69.60

Kab. Blora 2009 83.19 6.25 637.29 70.14

Kab. Blora 2010 83.19 6.25 642.36 70.61

Kab. Blora 2011 85.06 6.45 642.83 71.25

Kab. Blora 2012 85.06 6.46 645.28 71.49

114

Kab. Rembang 2008 88.79 6.65 639.29 71.10

Kab. Rembang 2009 89.43 6.85 640.28 71.55

Kab. Rembang 2010 91.17 6.85 641.28 72.07

Kab. Rembang 2011 91.36 6.89 644.43 72.45

Kab. Rembang 2012 91.37 7.05 646.90 72.81

Kab. Pati 2008 86.28 6.80 639.68 72.30

Kab. Pati 2009 86.38 6.95 643.48 72.72

Kab. Pati 2010 86.42 6.95 646.15 72.96

Kab. Pati 2011 87.59 6.98 648.77 73.49

Kab. Pati 2012 87.61 7.01 652.22 73.81

Kab. Kudus 2008 91.98 7.80 633.57 72.00

Kab. Kudus 2009 92.48 8.11 635.90 72.57

Kab. Kudus 2010 93.71 8.11 636.90 72.95

Kab. Kudus 2011 93.73 8.12 639.98 73.24

Kab. Kudus 2012 93.74 8.49 642.02 73.69

Kab. Jepara 2008 92.92 7.22 627.68 71.90

Kab. Jepara 2009 93.09 7.40 631.04 72.45

Kab. Jepara 2010 93.09 7.40 632.48 72.64

Kab. Jepara 2011 93.15 7.52 636.45 73.12

Kab. Jepara 2012 93.29 7.58 639.89 73.54

Kab. Demak 2008 90.82 7.00 630.13 71.60

Kab. Demak 2009 90.95 7.26 631.72 72.10

Kab. Demak 2010 91.36 7.59 632.22 72.58

Kab. Demak 2011 92.53 7.60 632.87 73.09

Kab. Demak 2012 92.54 7.62 635.62 73.52

Kab. Semarang 2008 93.51 7.15 632.18 73.30

Kab. Semarang 2009 93.62 7.40 633.14 73.66

Kab. Semarang 2010 93.62 7.75 634.97 74.10

Kab. Semarang 2011 93.67 7.87 637.71 74.45

Kab. Semarang 2012 94.20 8.07 640.67 74.98

Kab. Temanggung 2008 95.93 6.70 630.82 73.40

Kab. Temanggung 2009 95.94 6.86 633.87 73.85

Kab. Temanggung 2010 95.94 7.01 635.01 74.11

Kab. Temanggung 2011 95.96 7.09 638.07 74.47

Kab. Temanggung 2012 95.97 7.10 640.56 74.74

Kab. Kendal 2008 88.93 6.69 631.64 69.40

Kab. Kendal 2009 88.96 6.90 635.70 70.07

Kab. Kendal 2010 89.15 6.91 637.09 70.41

Kab. Kendal 2011 89.31 6.93 639.78 70.85

Kab. Kendal 2012 89.77 7.11 642.55 71.48

Kab. Batang 2008 87.62 6.02 626.02 69.20

Kab. Batang 2009 87.74 6.34 628.82 69.84

115

Kab. Batang 2010 88.09 6.71 630.11 70.41

Kab. Batang 2011 89.90 6.72 631.55 71.06

Kab. Batang 2012 89.93 6.73 634.28 71.41

Kab. Pekalongan 2008 89.94 6.50 637.47 70.30

Kab. Pekalongan 2009 90.60 6.66 638.79 70.83

Kab. Pekalongan 2010 92.05 6.66 639.95 71.40

Kab. Pekalongan 2011 92.08 6.70 643.53 71.86

Kab. Pekalongan 2012 92.11 6.80 646.96 72.37

Kab. Pemalang 2008 87.34 6.10 632.39 68.40

Kab. Pemalang 2009 87.75 6.49 634.26 69.02

Kab. Pemalang 2010 90.76 6.49 635.26 69.89

Kab. Pemalang 2011 90.79 6.51 637.71 70.22

Kab. Pemalang 2012 90.80 6.54 641.52 70.66

Kab. Tegal 2008 89.09 6.24 634.24 69.50

Kab. Tegal 2009 89.26 6.42 637.09 70.08

Kab. Tegal 2010 89.26 6.56 639.95 70.59

Kab. Tegal 2011 89.47 6.60 643.48 71.09

Kab. Tegal 2012 90.64 6.62 646.19 71.74

Kab. Brebes 2008 84.85 5.50 629.64 67.10

Kab. Brebes 2009 85.21 5.62 633.23 67.69

Kab. Brebes 2010 86.14 5.70 634.36 68.20

Kab. Brebes 2011 86.15 5.72 637.29 68.61

Kab. Brebes 2012 86.69 6.07 640.06 69.37

Kota Magelang 2008 97.17 10.00 645.91 76.10

Kota Magelang 2009 97.25 10.10 648.06 76.37

Kota Magelang 2010 97.25 10.21 649.52 76.60

Kota Magelang 2011 97.29 10.22 651.91 76.83

Kota Magelang 2012 97.52 10.36 655.08 77.26

Kota Surakarta 2008 96.66 10.15 646.45 77.20

Kota Surakarta 2009 96.67 10.32 648.23 77.49

Kota Surakarta 2010 96.68 10.32 652.43 77.86

Kota Surakarta 2011 96.71 10.34 655.77 78.18

Kota Surakarta 2012 96.73 10.49 658.92 78.60

Kota Salatiga 2008 96.49 9.50 643.96 75.80

Kota Salatiga 2009 96.50 9.75 644.65 76.11

Kota Salatiga 2010 96.50 9.94 647.54 76.53

Kota Salatiga 2011 96.52 9.97 650.39 76.83

Kota Salatiga 2012 96.55 9.98 653.16 77.13

Kota Semarang 2008 95.94 9.80 643.55 76.50

Kota Semarang 2009 96.44 9.98 644.63 76.90

Kota Semarang 2010 96.44 9.98 646.94 77.11

Kota Semarang 2011 96.47 10.11 649.21 77.42

116

Kota Semarang 2012 96.98 10.30 652.80 77.98

Kota Pekalongan 2008 95.37 8.52 632.38 73.50

Kota Pekalongan 2009 95.48 8.66 636.28 74.01

Kota Pekalongan 2010 95.68 8.66 640.55 74.47

Kota Pekalongan 2011 95.93 8.69 644.01 74.90

Kota Pekalongan 2012 95.94 8.72 647.14 75.25

Kota Tegal 2008 94.87 8.06 646.30 73.20

Kota Tegal 2009 94.88 8.25 648.66 73.63

Kota Tegal 2010 94.88 8.25 650.72 73.89

Kota Tegal 2011 94.90 8.27 653.11 74.20

Kota Tegal 2012 94.91 8.30 656.99 74.63

117

Lampiran 2

Estimasi Common Effect Model

Dependent Variable: IPM?

Method: Pooled Least Squares

Date: 08/11/15 Time: 13:29

Sample: 2008 2012

Included observations: 5

Cross-sections included: 35

Total pool (balanced) observations: 175

Variable Coefficient Std. Error t-Statistic Prob.

C 1.259155 6.073378 0.207324 0.8360

AMH? 0.134088 0.020514 6.536498 0.0000

RLS? 1.162309 0.080689 14.40482 0.0000

PPP? 0.078804 0.009044 8.713534 0.0000

R-squared 0.904571 Mean dependent var 72.46886

Adjusted R-squared 0.902897 S.D. dependent var 2.270707

S.E. of regression 0.707584 Akaike info criterion 2.168671

Sum squared resid 85.61547 Schwarz criterion 2.241009

Log likelihood -185.7587 Hannan-Quinn criter. 2.198014

F-statistic 540.3019 Durbin-Watson stat 0.027539

Prob(F-statistic) 0.000000

118

Lampiran 3

Estimasi Fixed Effect Model


Method: Pooled Least Squares

Date: 08/11/15 Time: 13:30

Sample: 2008 2012





C -20.23965 1.578004 -12.82611 0.0000

AMH? 0.267274 0.011851 22.55254 0.0000

RLS? 0.904716 0.058625 15.43214 0.0000

PPP? 0.096503 0.002733 35.31564 0.0000

Fixed Effects (Cross)

_KABCILACAP--C 0.392628

_KABBANYUMAS--C -0.492695

_KABPURBALINGGA--C -0.048235 _KABBANJARNEGARA

—C -0.398571

_KABKEBUMEN--C -0.458090

_KABPURWOREJO--C 0.069523

_KABWONOSOBO--C 0.118157

_KABMAGELANG--C -0.163748

_KABBOYOLALI--C 0.319867

_KABKLATEN--C 0.396275

_KABSUKOHARJO--C -0.427291

_KABWONOGIRI--C 1.416597

_KABKARANGANYAR--C 0.963999

_KABSRAGEN--C 1.811197

_KABGROBOGAN--C -0.140293

_KABBLORA--C 0.954025

_KABREMBANG--C -0.133817

_KABPATI--C 1.457715

_KABKUDUS--C -0.650160

_KABJEPARA--C 0.232327

_KABDEMAK--C 0.577850

_KABSEMARANG--C 1.018214

_KABTEMANGGUNG--C 1.076041

_KABKENDAL--C -0.921703

_KABBATANG--C 0.232049

_KABPEKALONGAN--C -0.745634

_KABPEMALANG--C -1.251721

_KABTEGAL--C -0.743125

_KABBREBES--C -0.948619

_KOTAMAGELANG--C -1.077396

119

_KOTASURAKARTA--C -0.031999

_KOTASALATIGA--C -0.495142

_KOTASEMARANG--C 0.085591

_KOTAPEKALONGAN--C -0.501730

_KOTATEGAL--C -1.492086 Effects Specification

Cross-section fixed (dummy variables)



S.E. of regression 0.089217 Akaike info criterion -1.806012

Sum squared resid 1.090473 Schwarz criterion -1.118801

Log likelihood 196.0260 Hannan-Quinn criter. -1.527260



> library(foreign)

> fixed.dum<-lm(IPM~AMH+RLS+PPP+factor(Kab.Kota)-1,data=datapanel)

> summary(fixed.dum)

Call:

lm(formula = IPM ~ AMH + RLS + PPP + factor(Kab.Kota) - 1, data =

datapanel)

Residuals:

Min 1Q Median 3Q Max

-0.215230 -0.055129 0.001421 0.040477 0.215151

Coefficients:

Estimate Std. Error t value

Pr(>|t|)

AMH 0.267274 0.011851 22.55

<2e-16 ***

RLS 0.904716 0.058625 15.43

<2e-16 ***

PPP 0.096503 0.002733 35.32

<2e-16 ***

factor(Kab.Kota)Kab. Banjarnegara -20.638222 1.605175 -12.86

<2e-16 ***

factor(Kab.Kota)Kab. Banyumas -20.732346 1.572931 -13.18

<2e-16 ***

factor(Kab.Kota)Kab. Batang -20.007603 1.584585 -12.63

<2e-16 ***

factor(Kab.Kota)Kab. Blora -19.285627 1.596732 -12.08

<2e-16 ***

factor(Kab.Kota)Kab. Boyolali -19.919784 1.546904 -12.88

<2e-16 ***

factor(Kab.Kota)Kab. Brebes -21.188271 1.613991 -13.13

<2e-16 ***

120

factor(Kab.Kota)Kab. Cilacap -19.847023 1.594429 -12.45

<2e-16 ***

factor(Kab.Kota)Kab. Demak -19.661802 1.568295 -12.54

<2e-16 ***

factor(Kab.Kota)Kab. Grobogan -20.379945 1.588131 -12.83

<2e-16 ***

factor(Kab.Kota)Kab. Jepara -20.007325 1.576904 -12.69

<2e-16 ***

factor(Kab.Kota)Kab. Karanganyar -19.275652 1.583054 -12.18

<2e-16 ***

factor(Kab.Kota)Kab. Kebumen -20.697742 1.593439 -12.99

<2e-16 ***

factor(Kab.Kota)Kab. Kendal -21.161354 1.587961 -13.33

<2e-16 ***

factor(Kab.Kota)Kab. Klaten -19.843377 1.562881 -12.70

<2e-16 ***

factor(Kab.Kota)Kab. Kudus -20.889812 1.559908 -13.39

<2e-16 ***

factor(Kab.Kota)Kab. Magelang -20.403400 1.583089 -12.89

<2e-16 ***

factor(Kab.Kota)Kab. Pati -18.781937 1.596981 -11.76

<2e-16 ***

factor(Kab.Kota)Kab. Pekalongan -20.985286 1.615973 -12.99

<2e-16 ***

factor(Kab.Kota)Kab. Pemalang -21.491372 1.605232 -13.39

<2e-16 ***

factor(Kab.Kota)Kab. Purbalingga -20.287886 1.592437 -12.74

<2e-16 ***

factor(Kab.Kota)Kab. Purworejo -20.170128 1.560866 -12.92

<2e-16 ***

factor(Kab.Kota)Kab. Rembang -20.373468 1.606809 -12.68

<2e-16 ***

factor(Kab.Kota)Kab. Semarang -19.221438 1.576252 -12.19

<2e-16 ***

factor(Kab.Kota)Kab. Sragen -18.428454 1.543633 -11.94

<2e-16 ***

factor(Kab.Kota)Kab. Sukoharjo -20.666942 1.561441 -13.24

<2e-16 ***

factor(Kab.Kota)Kab. Tegal -20.982776 1.612155 -13.02

<2e-16 ***

factor(Kab.Kota)Kab. Temanggung -19.163611 1.613447 -11.88

<2e-16 ***

factor(Kab.Kota)Kab. Wonogiri -18.823055 1.605511 -11.72

<2e-16 ***

factor(Kab.Kota)Kab. Wonosobo -20.121495 1.596807 -12.60

<2e-16 ***

factor(Kab.Kota)Kota Magelang -21.317048 1.532583 -13.91

<2e-16 ***

factor(Kab.Kota)Kota Pekalongan -20.741381 1.557623 -13.32

<2e-16 ***

factor(Kab.Kota)Kota Salatiga -20.734794 1.536511 -13.49

<2e-16 ***

factor(Kab.Kota)Kota Semarang -20.154061 1.527860 -13.19

<2e-16 ***

factor(Kab.Kota)Kota Surakarta -20.271651 1.529816 -13.25

<2e-16 ***

121

factor(Kab.Kota)Kota Tegal -21.731738 1.594599 -13.63

<2e-16 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 0.08922 on 137 degrees of freedom

Multiple R-squared: 1, Adjusted R-squared: 1

F-statistic: 3.041e+06 on 38 and 137 DF, p-value: < 2.2e-16

> g=NULL

>

g=plm(IPM~AMH+RLS+PPP,data=datapanel,model="within",effect="indivi

dual")

> summary(g)

Oneway (individual) effect Within Model

Call:

plm(formula = IPM ~ AMH + RLS + PPP, data = datapanel, effect =

"individual",

model = "within")

Balanced Panel: n=35, T=5, N=175

Residuals :

Min. 1st Qu. Median 3rd Qu. Max.

-0.21500 -0.05510 0.00142 0.04050 0.21500

Coefficients :

Estimate Std. Error t-value Pr(>|t|)

AMH 0.2672744 0.0118512 22.552 < 2.2e-16 ***

RLS 0.9047163 0.0586255 15.432 < 2.2e-16 ***

PPP 0.0965029 0.0027326 35.316 < 2.2e-16 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Total Sum of Squares: 71.505

Residual Sum of Squares: 1.0905

122

Lampiran 4

Estimasi Random Effect Model


Method: Pooled EGLS (Cross-section random effects)

Date: 08/11/15 Time: 13:30

Sample: 2008 2012




Swamy and Arora estimator of component variances


C -20.09610 1.551283 -12.95450 0.0000

AMH? 0.259485 0.011468 22.62670 0.0000

RLS? 0.899776 0.054524 16.50240 0.0000

PPP? 0.097444 0.002629 37.06588 0.0000

Random Effects (Cross)

_KABCILACAP--C 0.390441

_KABBANYUMAS--C -0.461352

_KABPURBALINGGA--C -0.025511 _KABBANJARNEGARA--

C -0.418951

_KABKEBUMEN--C -0.456108

_KABPURWOREJO--C 0.074823

_KABWONOSOBO--C 0.115984

_KABMAGELANG--C -0.151764

_KABBOYOLALI--C 0.293739

_KABKLATEN--C 0.383571

_KABSUKOHARJO--C -0.431833

_KABWONOGIRI--C 1.336981

_KABKARANGANYAR--C 0.921150

_KABSRAGEN--C 1.753553

_KABGROBOGAN--C -0.140619

_KABBLORA--C 0.889755

_KABREMBANG--C -0.143238

_KABPATI--C 1.412758

_KABKUDUS--C -0.626306

_KABJEPARA--C 0.253802

_KABDEMAK--C 0.587763

_KABSEMARANG--C 1.041106

_KABTEMANGGUNG--C 1.112663

_KABKENDAL--C -0.933039

_KABBATANG--C 0.217566

_KABPEKALONGAN--C -0.745891

_KABPEMALANG--C -1.261327

_KABTEGAL--C -0.757249

_KABBREBES--C -0.989957

123

_KOTAMAGELANG--C -1.021426

_KOTASURAKARTA--C 0.014693

_KOTASALATIGA--C -0.446726

_KOTASEMARANG--C 0.133293

_KOTAPEKALONGAN--C -0.458176

_KOTATEGAL--C -1.464168 Effects Specification

S.D. Rho

Cross-section random 0.723681 0.9850

Idiosyncratic random 0.089217 0.0150 Weighted Statistics



S.E. of regression 0.091036 Sum squared resid 1.417159


Prob(F-statistic) 0.000000 Unweighted Statistics


Sum squared resid 107.2758 Durbin-Watson stat 0.006005

Call:

plm(formula = IPM ~ AMH + RLS + PPP, data = datapanel, model =

"random")

Balanced Panel: n=35, T=5, N=175

Effects:

var std.dev share

idiosyncratic 0.00796 0.08922 0.015

individual 0.52372 0.72368 0.985

theta: 0.945

Residuals :

Min. 1st Qu. Median 3rd Qu. Max.

-0.26400 -0.05500 -0.00181 0.05690 0.25300

Coefficients :

Estimate Std. Error t-value Pr(>|t|)

(Intercept) -20.0960996 1.5829062 -12.696 < 2.2e-16 ***

AMH 0.2594853 0.0117019 22.175 < 2.2e-16 ***

RLS 0.8997756 0.0556354 16.173 < 2.2e-16 ***

PPP 0.0974438 0.0026825 36.325 < 2.2e-16 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

124

Total Sum of Squares: 74.007

Residual Sum of Squares: 1.4172

F-statistic: 2919.66 on 3 and 171 DF, p-value: < 2.22e-16

125

Lampiran 5

Uji Chow

Redundant Fixed Effects Tests

Pool: DATA

Test cross-section fixed effects

Effects Test Statistic d.f. Prob.

Cross-section F 312.328775 (34,137) 0.0000

Cross-section Chi-square 763.569568 34 0.0000

Cross-section fixed effects test equation:


Method: Panel Least Squares

Date: 08/11/15 Time: 13:31

Sample: 2008 2012



Total pool (balanced) observations: 175 Coefficient Std. Error t-Statistic Prob.

C 1.259155 6.073378 0.207324 0.8360

AMH? 0.134088 0.020514 6.536498 0.0000

RLS? 1.162309 0.080689 14.40482 0.0000

PPP? 0.078804 0.009044 8.713534 0.0000



S.E. of regression 0.707584 Akaike info criterion 2.168671

Sum squared resid 85.61547 Schwarz criterion 2.241009

Log likelihood -185.7587 Hannan-Quinn criter. 2.198014



126

Lampiran 6

Uji Hausman

Correlated Random Effects - Hausman Test

Pool: DATA

Test cross-section random effects

Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.

Cross-section random 10.042744 3 0.0182

Cross-section random effects test comparisons:

Variable Fixed Random Var(Diff.) Prob.

AMH? 0.267274 0.259485 0.000009 0.0092

RLS? 0.904716 0.899776 0.000464 0.8186

PPP? 0.096503 0.097444 0.000001 0.2069

Cross-section random effects test equation:


Method: Panel Least Squares

Date: 08/11/15 Time: 13:31

Sample: 2008 2012



Total pool (balanced) observations: 175 Coefficient Std. Error t-Statistic Prob.

C -20.23965 1.578004 -12.82611 0.0000

AMH? 0.267274 0.011851 22.55254 0.0000

RLS? 0.904716 0.058625 15.43214 0.0000

PPP? 0.096503 0.002733 35.31564 0.0000 Effects Specification

Cross-section fixed (dummy variables)



S.E. of regression 0.089217 Akaike info criterion -1.806012

Sum squared resid 1.090473 Schwarz criterion -1.118801

Log likelihood 196.0260 Hannan-Quinn criter. -1.527260


127


> #uji hausman

> gf=NULL; gr=NULL

> gf=plm(IPM~AMH+RLS+PPP,data=datapanel,model="within")

> gr=plm(IPM~AMH+RLS+PPP,data=datapanel,model="random")

> phtest(gf,gr)

Hausman Test

data: IPM ~ AMH + RLS + PPP

chisq = 15.6933, df = 3, p-value = 0.001311

alternative hypothesis: one model is inconsistent

128

Lampiran 7

Uji Breusch-Pagan

> #Uji Breusch-Pagan

> g=NULL

> g=plm(IPM~AMH+RLS+PPP,data=datapanel,model="within")

> plmtest(g,effect="twoways",type="bp")

Lagrange Multiplier Test - two-ways effects (Breusch-

Pagan)


chisq = 315.9397, df = 2, p-value < 2.2e-16

alternative hypothesis: significant effects

> plmtest(g,effect="individual",type="bp")

Lagrange Multiplier Test - (Breusch-Pagan)


chisq = 315.7848, df = 1, p-value < 2.2e-16


> plmtest(g,effect="time",type="bp")

Lagrange Multiplier Test - time effects (Breusch-Pagan)


chisq = 0.1549, df = 1, p-value = 0.6939


129

Lampiran 8

Uji Korelasi Serial

> #uji korelasi serial

> fixed<-

plm(IPM~AMH+RLS+PPP,data=datapanel,index=c("Kab.Kota","Tahun"),mod

el="within")

> pbgtest(fixed)

Breusch-Godfrey/Wooldridge test for serial correlation in

panel models


chisq = 48.4765, df = 5, p-value = 2.839e-09

alternative hypothesis: serial correlation in idiosyncratic errors

130

Lampiran 9

Pesaran’s CD Test

> fixed<-

plm(IPM~AMH+RLS+PPP,data=datapanel,index=c("Kab.Kota","Tahun"),mod

el="within")

> pcdtest(fixed,test=c("cd"))

Pesaran CD test for cross-sectional dependence in panels

data: formula

z = -1.419, p-value = 0.1559

alternative hypothesis: cross-sectional dependence

131

Lampiran 10

Unit Root Tests

> panel.set<-plm.data(datapanel,index=c("Kab.Kota","Tahun"))

> library(tseries)

Loading required package: quadprog

‘tseries’ version: 0.10-22

‘tseries’ is a package for time series analysis and

computational finance.

See ‘library(help="tseries")’ for details.

> adf.test(datapanel.set$IPM,k=4)

Augmented Dickey-Fuller Test

data: datapanel.set$IPM

Dickey-Fuller = -3.9368, Lag order = 4, p-value = 0.01386

alternative hypothesis: stationary

132

Lampiran 11

Uji Heteroskedastik

> library(lmtest)

>

bptest(IPM~AMH+RLS+PPP+factor(Kab.Kota),data=datapanel,studentize=

F)

Breusch-Pagan test

data: IPM ~ AMH + RLS + PPP + factor(Kab.Kota)

BP = 86.4939, df = 37, p-value = 7.704e-06

> plot(AMH,IPM,pch=20,cex=1.2,xlab="AMH(%)",ylab="IPM",main="Plot

X1 dan Y",col=c("slateblue","firebrick","darkolivegreen"))

> abline(lm(datapanel$IPM~datapanel$AMH),lwd=3,col="red")

133

Lampiran 12

Residual Fixed Effect Model

-0.21523

-0.10676

0.019127

0.094765

0.208096

0.152114

0.030317

-0.01255

-0.06295

-0.10693

-0.07807

-0.06435

-0.01994

0.049459

0.112903

0.008091

-0.03924

-0.00037

-0.00117

0.03269

0.160153

0.04658

-0.00761

-0.08728

-0.11184

-0.08754

-0.05725

-0.02612

0.063602

0.107303

-0.15478

-0.05604

0.014975

0.054508

0.14134

0.085353

134

0.068249

0.031189

-0.05646

-0.12833

0.097098

0.039244

0.004645

-0.0608

-0.08018

-0.07175

-0.03565

-0.0047

0.040536

0.071563

0.054588

0.031518

0.002846

-0.04137

-0.04759

0.161369

0.047475

0.013029

-0.05887

-0.163

0.12265

0.109903

0.022925

-0.06689

-0.18859

0.022607

-0.03375

-0.05043

0.048955

0.012615

-0.05918

-0.02767

0.025725

0.030765

0.03036

0.090322

0.036293

135

0.017023

-0.06908

-0.07456

0.032505

0.034969

-0.00659

-0.01755

-0.04334

0.138489

0.029343

0.00099

-0.0617

-0.10712

0.107816

0.038865

-0.00639

-0.02801

-0.11229

-0.03277

-0.01531

0.035729

0.00801

0.004339

-0.15441

-0.07782

-0.05421

0.071301

0.215151

0.052717

0.064495

0.011244

-0.0251

-0.10335

-0.01355

-0.00531

0.008971

-0.00405

0.013937

-0.21497

-0.13478

0.011253

136

0.130802

0.207694

-0.07009

-0.02188

-0.00466

0.013567

0.083049

-0.1517

-0.07024

0.000269

0.070582

0.151088

0.001421

-0.02146

-0.05246

0.014995

0.057505

-0.1801

-0.08341

0.023927

0.090956

0.148628

-0.12796

-0.08919

-0.00918

0.097304

0.129012

0.066677

0.017342

0.006929

-0.01345

-0.0775

0.069771

0.031521

-0.00646

-0.0349

-0.05993

0.006708

0.02127

-0.00952

-0.01704

137

-0.00142

0.041128

0.040418

0.027497

-0.0072

-0.10185

0.016768

-0.00565

-0.01118

-0.00904

0.009096

-0.08639

-0.0587

0.0025

0.058419

0.084173

138

Lampiran 13

Uji Jarque-Bera

0

5

10

15

20

25

30

-0.2 -0.1 -0.0 0.1 0.2

Series: RESID_IPM

Sample 2008 2012

Observations 175

Mean 1.41e-17

Median 0.001421

Maximum 0.215151

Minimum -0.215230

Std. Dev. 0.079165

Skewness 0.005695

Kurtosis 3.423466

Jarque-Bera 1.308511

Probability 0.519829

Documents

ANALISIS ESTIMASI MODEL REGRESI DATA PANEL …lib.unnes.ac.id/22312/1/4111411057-s.pdfregresi data panel, melakukan uji pemilihan model terbaik, uji diagnostik pada ... 2.3 Pemilihan