Skip to content Skip to sidebar Skip to footer

Widget Atas Posting

Cara Regresi Data Panel dan Uji Asumsi Klasik di Eviews 9

Gambar : Cover Artikel

REGRESI DATA PANEL

Ditulis oleh : Dimas Purbo Wicaksono Fenda Putra, S.E.

A.Penjelasan Data Panel dan Regresi Linear Sederhana

Regresi linear sederhana merupakan pengujian statistik yang berfungsi untuk menguji sejauh mana hubungan sebab akibat antara variabel independent terhadap variabel dependent.

Data panel merupakan gabungan dari data time series dan cross section. Data ini memiliki jangkauan pengamatan yang lebih luas dan lebih banyak dibandingkan data time series maupun data cross section. Data panel sering disebut juga pooled data (pooling time series dan cross section), micropanel data, longitudinal data, event history analysis dan cohort analysis.

Secara sederhana data ini dapat didefinisikan sebagai sekelompok data yang mengamati perilaku unit cross section sepanjang waktu. Contoh : individu, perusahaan, dan negara. Regresi data panel merupakan jenis pengujian regresi yang memiliki ciri tersendiri, yaitu adanya kombinasi antara data runtut waktu (time series) dan data cross sectional (cross section). Teknik data panel memiliki beberapa keunggulan dibandingkan dengan data time series maupun cross section (Gujarati, 2003). 

Keunggulan yang dimaksud antara lain :

1.Menggabungkan data time series dengan cross section, menjadikan data lebih informatif, bervariasi, tingkat kolinearitas antar variabel yang rendah, memiliki degree of freedom yang lebih besar, dan lebih efisien.
2.Data panel tepat digunakan untuk meneliti perubahan dinamis (dynamic change) dengan melakukan analisis data cross section dalam beberapa periode.
3.Mampu mendeteksi dan mengukur pengaruh yang tidak dapat di observasi melalui data time series atau data cross section.
4.Data panel memungkinkan kita mempelajari perilaku yang lebih luas.
5.Bersifat heterogen.

Selain keunggulan di atas, data panel juga memiliki beberapa keuntungan yang banyak dibandingkan data time series maupun cross section. Keuntungan ini diutarakan oleh Hsiao (2003) antara lain :

1.Memberikan peneliti jumlah pengamatan yang jauh lebih besar dari data time series maupun cross section, meningkatkan nilai degree of freedom (derajat kebebasan), memiliki variabilitas yang besar dan mengurangi kolinearitas antar variabel sehingga hasil estimasi menjadi efisien.
2.Memberikan infomasi yang lebih banyak dibandingkan data time series maupun cross section.
3.Memberikan penyelesaian yang lebih baik dalam inferensi perubahan dinamis dibandingkan data cross section.

B.Tahapan Pengolahan Data

Pada kesempatan ini kita akan belajar cara olah data panel dengan software eviews per-tahapan agar mudah dipahami dan dipraktekkan secara langsung.

Adapun tahapan untuk melakukan regresi data panel adalah dengan kita mencari model regresi terbaik, kemudian uji asumsi klasik :

Variabel yang dipergunakan :

Y    = Pengangguran Terbuka
X    = Upah Minimum Provinsi

Langkah 1 : Persiapkan data yang akan diolah, usahakan data telah disusun terlebih dahulu. Berikut susunan data yang saya miliki (Data ini merupakan data sekunder, data ini hanya sebagai contoh saja bukan data real (karena sudah dirubah satuannya dengan log)).

Berikut adalah contoh data panel.

Gambar : Data Latihan

Langkah 2 : Buka sofware eviews, Klik File => New => Workfile.

Gambar : Pengolah Data Eviews 9

Langkah 3 : Pada bagian Workfile structure type, pilih Balanced Panel.

Gambar : Pengolah Data Eviews 9

Langkah 4 : Di Panel Specification dibagian Frequency pilih Annual (Karena data berbentuk tahunan). Start date isikan dengan tahun awal data yaitu 2011 dan End date isikan dengan tahun akhir data yaitu 2015. Kemudian klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 5 : Menuju ke menu Quick, lalu pilih Empty Group (Edit Series).

Gambar : Pengolah Data Eviews 9

Langkah 6 : Setelah itu copy data yang sudah siap diolah (note : Jangan lupa sertakan variabel independent dan dependent), kemudian klik paste pada kolom atas group.

Gambar : Pengolah Data Eviews 9

Langkah 7 : Data sudah masuk ke dalam program eviews. Kemudain pilih Proc => Make Equation.

Gambar : Pengolah Data Eviews 9

Langkah 8 : Lalu akan muncul tampilan Equation Estimator => Specification.

Gambar : Pengolah Data Eviews 9

Langkah 9 : Ubah persamaan regresi y x c menjadi y c x. Lalu pada Estimation setting di bagian Method => Pilih dengan “LSLeast Squared (NLS and ARMA).

Gambar : Pengolah Data Eviews 9

Langkah 10 : Kemudian menuju ke bagian Panel Options. Pada Effects specification pada bagian Cross section => tentukan uji yang akan dilakukan. Dalam regresi data panel untuk menentukan model regresi yang dipergunakan harus melalui tahapan pemilihan model. Urutannya : Lakukan uji chow/Redundant Fixed Effects-Likelihood Ratio, setelah itu uji hausman/Random Effect Testing, dan jika tidak menemukan hasil yang sama maka dilakukan uji terakhir yaitu uji LM test/Lagrange multipliers. Kita lakukan uji chow/Redundant Fixed Effects. Cara dengan mengganti pada bagian Cross section dengan Fixed. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 11 : Hasil regresi fixed effects sebagai berikut.

Gambar : Pengolah Data Eviews 9

Langkah 12 : Klik View => Fixed/Random Effects Testing pilih Redundant Fixed Effect - Likelihood Ratio. 

Gambar : Pengolah Data Eviews 9

Langkah 13 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi output :

Hipotesa :

H0 : Common Effect
H1 : Fixed Effect

Hasil likelihood ratio/uji chow untuk model ini memiliki nilai probabilitas F lebih kecil dari Alpha (0.05) yaitu nilai probabilitas F sebesar 0.0000 < 0,05 sehingga H0 ditolak dan H1 diterima, model yang sesuai dari hasil ini yaitu fixed effects.

Langkah 14 : Setelah mengetahui hasil dari uji chow, kita melakukan pengujian lagi ke uji selanjutnya yaitu uji hausman. Pilih Proc => Specify/Estimate.

Gambar : Pengolah Data Eviews 9

Langkah 15 : Kembali lagi ke Panel Options, caranya pilih Proc => Specify/Estimate. Pilih Panel Options, ganti metode pada bagian Cross section dengan Random. Klik ok. 

Gambar : Pengolah Data Eviews 9

Langkah 16 : Hasil regresi random effects sebagai berikut.

Gambar : Pengolah Data Eviews 9

Langkah 17 : Klik View => Fixed/Random Effects Testing, pilih Correlated Random Effects - Hausman Test

Gambar : Pengolah Data Eviews 9

Langkah 18 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi output :

Hipotesa :

H0 : Model mengikuti random effects
H1 : Model mengikuti fixed effects

Berdasarkan hasil uji hausman menunjukkan nilai signifikansi 0.1072 (signifikansi > 0.05), maka H0 diterima dan H1 ditolak, sehingga dapat diartikan bahwa model random effects lebih baik dari model fixed effects. Karena hasil belum menemukan kesamaan metode, maka dilanjutkan dengan metode penentu yaitu uji Langrange Multiplier untuk menentukan apakah kita tetap memilih random effects ataukah common effects.

Langkah 19 : Setelah mengetahui hasil dari uji chow, kita melakukan pengujian lagi ke uji selanjutnya yaitu uji hausman. Pilih Proc => Specify/Estimate.

Gambar : Pengolah Data Eviews 9

Langkah 20 : Kembali lagi ke Panel Options, caranya pilih Proc => Specify/Estimate. Pilih Panel Options, ganti metode pada bagian Cross section dengan None. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 21 : Hasil regresi common effects sebagai berikut.

Gambar : Pengolah Data Eviews 9

Langkah 22 : Klik View => Fixed/Random Effects Testing, pilih Omitted Random Effects - Langrange Multiplier.

Gambar : Pengolah Data Eviews 9

Langkah 23 : Hasilnya sebagai berikut :

Gambar : Pengolah Data Eviews 9

Interpretasi output :

Hipotesa :

H0 : Common Effects
H1 : Random Effects

Hasil output diatas menunjukkan nilai probabilitas Breush-Pagan (BP) pada sub Cross section sebesar 0.1213. Hipotesa-nya adalah jika probabilitas Breush-Pagan (BP) lebih besar dari Alpha (0.1213 <0.05) maka H0 diterima dan H1 ditolak, jadi motode yang tepat pada hasil diatas adalah common effects. Sehingga kesimpulan dari data ini adalah metode yang terbaik untuk dilakukan penelitian adalah metode common effects.

Langkah 24 : Nah coba kita lihat hasil regresi dari common effects. Caranya dengan kembali ke Panel Options, pilih Proc => Specify/Estimate

Gambar : Pengolah Data Eviews 9

Langkah 25 : Pilih Panel Options, ganti metode pada bagian Cross section dengan none/common effects. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 26 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi output :

a. Koefisien Determinasi.

Hasil output di atas menunjukkan nilai R-squared sebesar 0.010957 yang berarti variasi tiga variabel independent X (Upah Minimum Provinsi) mampu menjelaskan 1.09% variasi variabel dependent Y (Pengangguran Terbuka). Sisanya 98.91% dijelaskan oleh variabel lain diluar model atau yang tidak diteliti.

Hasil output di atas menunjukkan nilai adjusted R-squared sebesar 0.004889 yang berarti variasi tiga variabel independent X (Upah Minimum Provinsi) mampu menjelaskan 0.48% variasi variabel dependent Y (Pengangguran Terbuka). Sisanya 99.52% dijelaskan oleh variabel lain yang tidak diteliti.

Kesimpulan : Model regresi sangat tidak baik.

b. Uji Signifikansi Simultan (Uji Statistik F)

Hasil output di atas menunjukkan nilai F statistik sebesar 1.805754 dengan probabilitas 0.180886. Karena probabilitas di atas 0.05, maka dapat disimpulkan bahwa ketiga variabel X (Upah Minimum Provinsi) secara bersama-sama tidak (simultan) berpengaruh terhadap Y (Pengangguran Terbuka).

c. Uji Signifikansi Paramater Individual (Uji Statistik t)

Hasil output uji t statistik menunjukkan bahwa variabel independent X (Upah Minimum Provinsi) tidak berpengaruh terhadap dependent Y (Pengangguran Terbuka) dengan nilai signifikansi di atas 0.05.

Nilai Konstanta sebesar -6.026853 menunjukkan bahwa jika variabel independent t X (Upah Minimum Provinsi) dianggap konstan maka rata-rata pengangguran sebesar -6.026853.

Nilai koefisien regresi X (Upah Minimum Provinsi) sebesar 1.934490 menunjukkan bahwa setiap kenaikan X (Upah Minimum Provinsi) sebesar 1% maka Y (Pengangguran  Terbuka) akan meningkat sebesar 1.934490 persen.

Langkah 27 : Setelah mengetahui metode yang dipergunakan, langkah selanjutnya lakukan uji asumsi klasik. Khusus untuk data panel, hanya ada tiga uji asumsi klasik yang wajib diuji antara lain uji normalitas, uji multikolinearitas, dan uji heteroskedastisitas. Kita lakukan uji normalitas terlebih dahulu. Caranya dengan memilih Residual Diagnostics => Histogram - Normality Test.

Gambar : Pengolah Data Eviews 9

Langkah 28 : Hasilnya sebagai berikut :

Gambar : Pengolah Data Eviews 9

Interpretasi output :

Dasar menetukan normal atau tidaknya data jika nilai dari probabilitas jarque bera lebih besar dari tingkat alpha 0.05 maka data berdistribusi normal. Namun jika lebih kecil maka data tidak berdistribusi normal. Hasil di atas menunjukkan nilai probabilitas jarque bera sebesar 0.000148 yang mana lebih kecil dari tingkat alpha 0.05, sehingga data tidak berdistribusi normal.

Langkah 29 : Setelah mengetahui hasil dari uji normalitas, langkah selanjutnya kita lakukan uji multikolinearitas. Caranya pilih Quick => Group Statistik => Correlation. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 30 : Pada kotak Series List isikan dengan variabel independent. Karena variabel independent saya hanya 1 , maka saya isikan “X”. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 31 : Akan muncul pilihan “Delete Untitled Group” pilih “Yes”. dan hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi output :

Kriteria penilaiannya jika nilai dibawah 0.8, maka data terbebas dari multikolinearitas, namun jika nilai lebih besar dari 0.8 maka data terjangkit masalah multikolinearitas. Karena data diatas menunjukkan nilai 1.000000, artinya lebih besar dari 0.8, sehingga dapat disimpulkan bahwa data ini terjangkit masalah multikolinearitas.

Setelah mengetahui hasil dari uji multikolinearitas, langkah berikutnya lakukan uji heteroskedastisitas. Caranya dengan melakukan uji glejser

Langkah 32 : Pertama-tama kita blok pada folderresid”, pilih Genr (generate).

Gambar : Pengolah Data Eviews 9

Langkah 33 : Tuliskan pada kotak Generate  Series by Equation dibagian Enter eqution dengan rumus : resabs(atau residual absolute)=abs(atau absolute)(resid). Klik ok. 

Gambar : Pengolah Data Eviews 9

Langkah 34 : Maka akan muncul folder baru yang bernama “resabs” (atau residual absolute). 

Gambar : Pengolah Data Eviews 9

Langkah 35 : Selanjutnya pilih Quick => Estimate Equation. Kemudian ketikan resabs c x.

Gambar : Pengolah Data Eviews 9

Langkah 36 : Kemudian ketikan resabs c x. 

Gambar : Pengolah Data Eviews 9

Langkah 37 : Pilih Panel Options. Pada bagian Cross section metode yang terpilih yaitu common effects/none. Klik ok.

Gambar : Pengolah Data Eviews 9

Langkah 38 : Hasilnya sebagai berikut.

Gambar : Pengolah Data Eviews 9

Interpretasi output :

Nilai p-value variabel X (Upah Minimum Provinsi) sebesar 0.5019 hasil ini menujukkan nilai yang lebih besar dari tingkat alpha 0.05, maka dapat disimpulkan bahwa data ini terbebas dari masalah heteroskedastisitas.

Informasi ekonometrika secara lengkap, silakan kunjungi channel youtube saya di : Dimas Channel

Note : Silakan bagi teman-teman yang ingin meng-copy artikel ini. Mohon sertakan sumber aslinya. Terima Kasih :-)

11 comments for "Cara Regresi Data Panel dan Uji Asumsi Klasik di Eviews 9"

  1. mas Kalo saya pakai resabs=abs(resid), itu dari 4 variabel independen, 1 yang tidak lolos heteros pak krna di bawah 0.05. Itu apakah tetap bisa dibilang lolos heteros atau semuanya harus di atas 0.05 pak? Terima kasih sebelumnya.run nya pake Eviews 9 mas

    ReplyDelete
    Replies
    1. Semunya harus diatas 0.05. Tetapi jika hanya 1 artinya terdapat 1 variabel yang menjadi masalah, jika dibiarkan maka akan menganggu pada estimasi hasil.

      Delete
  2. Kalau terjadi masalah multikolinieritas dan terjadi masalah heteros gimana ya pak?

    ReplyDelete
    Replies
    1. Perbaiki data.
      Silakan lihat di channel youtube saya, sudah saya jelaskan.

      Delete
  3. mas klo data yang tidak terdistribusi secara normal apakah harus diperbaiki?

    ReplyDelete
    Replies
    1. Kalau diperbaiki tetap tidak bisa normal maka biarkan saja. Asalkan data yang digunakan sudah memenuhi n>30 atau jumlah sampel data minimal 30. Gunakan pendapat dari CLT.

      Delete
  4. Pak mau tanya, kalau terjadi autokorelasi bagaimana ya? Saya baca katanya tidakpapa. Apakah benar?
    Terimakasih

    ReplyDelete
  5. Mas, kalo hasil uji heteroskedastisitas, salah satu variabel bernilai diatas 0,8, sedangkan 2 variabel lain dibawah 0,8. Cara memperbaikinya gimana ya?

    ReplyDelete
  6. Bapak izin bertanya, kalau model yg terbaik terpilih fem berarti uji heterosnya pilihnya fem ya pak? Atau none boleh?

    ReplyDelete
  7. Izin bertanya, kenapa uji asumsi di uji setelah pemilihan model, kenapa tidak diawal?
    Mohon dijawab kak🙏🏻

    ReplyDelete
  8. Maaf, mau nanya, jika observasi data panel ada 168 dari variabel selama 6 tahun tidak ada yang memenuhi kriteria asumsi klasik apa bisa dilanjutkan uji hipotesis. Tks

    ReplyDelete