October 2, 2014

Analisis Data Panel

Analisis Data Panel –  Data panel adalah data kombinasi dari data antar ruang (cross section ) dan runtun waktu (time series ) atau disebut juga data pooling (pooled data).

Penggunaan data panel mempunyai beberapa keunggulan dibandingkan dengan data runtut waktu dan data antar ruang. Pertama, dapat memberikan sejumlah data yang lebih besar, menaikan derajat bebas, mengurangi kolinearitas diantara variabel penjelas, sehingga diperoleh estimasi ekonometrik yang efisien. Kedua, memberikan informasi yang penting bagi  peneliti yang tidak dapat diberikan jika menggunakan data runtut waktu dan data antar ruang (Hsiao, 1995 dalam Suripto ).

Sementara menurut Baltagi ( dalam Suripto, 2003 ) keuntungan data panel adalah :

  1. Dengan data panel dapat menunjukkan heterogenitas dintara individu data yang diamati.
  2. Data panel memberikan lebih banyak informasi, lebih banyak variabel dan mengurangi kolinearitas (collinearitity)  diantara variabel  yang diamati, memberikan lebih banyak derajat bebas (degree of freedom) dan lebih efisien .
  3. Data panel akan memberikan gambaran yang lebih baik adanya perubahan dinamik dari masalah  yang diamati.
  4. Data panel dapat lebih mampu mendeteksi dan mengukur efek sesuatu yang diamati, yang tidak dapat dilakukan oleh data runtut waktu atau data antar ruang.
  5. Data panel dapat digunakan untuk mempelajari perilaku model dengan lebih lengkap.
  6. Data panel dapat meminimumkan bias yang mungkin dihasilkan dalam regresi.

Kesulitan utama model penelitian data panel adalah faktor pengganggu akan berpotensi  mengandung gangguan yang disebabkan karena penggunaan observasi runtut waktu (time series) dan antar ruang (cross section ), serta gangguan yang disebabkan keduanya. Penggunaan observasi antar ruang memiliki potensi terjadinya ketidak konsistenan  parameter regresi karena skala data yang berbeda, sedangkan  observasi  dengan data runtut waktu menyebabkan terjadinya autokorelasi  antar observasi.

Suatu model yang baik harus memenuhi kriteria BLUE (Best Linear Unbiased Estimator)  yaitu memenuhi asumsi klasik (Gujarati, 1995):

  1. Nilai rata-rata bersyarat dari gangguan populasi μ1 tergantung pada nilai tertentu variabel yang menjelaskan (x) adalah nol.
  2. Varians bersyarat dari μ1 adalah konstan atau homokedastik.
  3. Tidak ada autokorelasi dalam gangguan.
  4. Variabel yang menjelaskan adalah nonstokastik (yaitu, tetap dalam penyampelan berulang ) atau jika stokasti, didistribusikan secara independent  dari gangguan μ1
  5. Tidak ada multikolinearitas diantara variabel yang menjelaskan x.
  6. μ Didistribusikan secara normal dengan rata-rata dan varian yang diberikan oleh asumsi 1 dan 2.

Dalam penelitian yang menggunakan analisis data panel, minimal ada tiga metode prosedur estimasi:

  1. pooled regression yaitu menggabungkan semua data antar ruang dan runtut waktu kemudian diestimasi dengan metode Ordinary Least Square (OLS) untuk seluruh data. Pada model ini diasumsikan semua koefisien (intersep dan slope) konstan. Estimasi dilakukan dengan OLS.
  2. Fixed effect (Convariance model) yaitu, menghilangkan satu variabel penjelas yang akan menghasilkan intersep runtut waktu antar ruang. Salah satu metode untuk memberhitungkan pengaruh individu dalam model penelitian atau cross sectional adalah membuat intersep bervariasi untuk tiap individu sedangkan slope koefisien konstan (Hsiao, 1995 dalam Suripto).

Random effect (error component model) merupakan proses estimasi Generalized Least Square (GLS), yang merupakan teknik untuk mengatasi adanya autokorelasi runtut serta korelasi antar observasi dengan varians masing-masing. Model random effeck disebut juga Error Component Model (ECM). Model ECM didasarkan pada perhitungan dari disturbance μit. Model ini didapatkan dari model fixed effct dengan asumsi bahwa mean effect dari variabel random data panel termaksuk dalam intersep dan deviasi random dari mean disamakan dengan error component.

Pemilihan model FEM /model REM, manakah model yang baik untuk mengestimasi model dengan data panel, menurut Judge (Gujarati, 2003 dalam Suripto) adalah sebagai berikut:

  1. Jika T (jumlah data time series) besar dan N (jumlah dari unsur cross section) kecil, tidak terjadi perbedaan yang besar dalam mengestimasi parameter dengan menggunakan model FEM/model REM. Tetapi model FEM lebih disukai.
  2. Jika N besar dan T kecil, estimasi dengan kedua metode ini terjadi perbedaan yang signifikan. Digunakan FEM jika unit tidak random dan digunakan ECM jika unit diambil secara random.
  3. Jika N besar dan T kecil serta jika  asumsi ECM terpenuhi, estimasi dengan ECM lebih efisien dibandingkan dengan FEM.
  4. Єi dan variabel indenpenden berkorelasi lebih baik menggunakan FEM dan jika tidak berkorelasi lebih baik menggunakan ECM.

Pemilihan model estimasi data panel yang sesuai untuk melakukan estimasi dengan data diawali dengan membandingkan metode pooled regression melawan FEM

Incoming search terms:

Speak Your Mind

*

Current ye@r *