Pengenalan Data Panel

-
Data dibagi menjadi dua garis besar yaitu time-series dan cross-section. Gabungan antara dua itu adalah data panel. Atau dapat dikatakan, data panel merupakan data yang memiliki cross-sectional unit yang sama (contohnya survey data keluarga atau perusahaan) dan dilakukan setiap waktu. (Gujarati, 2003) 

Jika dimasukkan dalam Stata maka format data panel seperti berikut:
   
 

Manfaat dari penggunaan data panel antara lain:
    1. Estimasi data panel dapat mengambil heterogenitas dalam individu secara eksplisit ke dalam model atau persamaan
    2. Memberikan data yang lebih informatif, variabilitas, serta collinearity yang lemah antar variabel.
    3. Sesuai untuk mempelajari dinamika perubahan (dynamics of change) kebebasan lebih banyak dan efisien.
    4. Dapat memperkaya analisis empiris dengan cara-cara yang tidak mungkin menggunakan data time-series atau cross-section
Baltagi (1982) memformulasikan model umum persamaan regresi panel data sebagai berikut:
  
 

Dimana:
               i   = 1, 2, …, N  (Simbol untuk individu, perusahaan, dll cross-section)
               t  = 1, 2, …, T (Simbol untuk waktu time-series)
               β   = koefisien slope
               α   = koefisien konstanta
               Yit = variabel dependen untuk unit individu ke-i dan unit waktu ke-t
               Xit = variabel independen untuk unit individu ke-i dan unit waktu ke-t

Sebagian besar aplikasi data panel menggunakan model one-way error component untuk error-nya, dapat dirumuskan sebagai berikut:
 

Dimana µi merupakan simbol untuk efek karakteristik individu yang tidak terobservasi (individual-specific effect) dan vit merupakan simbol untuk remainder disturbance.


 Sumber: Gujarati, Damodar. 2006. Basic Econometrics. McGraw-Hill

Komentar

Posting Komentar

Postingan populer dari blog ini

Linear Probability Model (LPM), Logit Model, dan Probit Model (Normit Model) dengan STATA (2011)

-
Gambar
Model dengan variabel dependen yang bersifat diskrit, maka estimasi dengan menggunakan regresi liner akan terasa dipaksakan, karena estimator yang dihasilkan tidak lagi bersifat BLUE (Best Linier Unbiased Estimator). Hal ini disebabkan: varian error-nya tidak terdistribusi normal, estimator tidak efisien akibat heteroskedastis, dan R² tidak dapat digunakan sebagai pengukur Goodness of Fit.   Oleh karenanya, untuk menghasilkan estimator persamaan yang BLUE, penelitian ini menggunakan q ualitative response regression model. Terdapat tiga pendekatan untuk mengembangkan model yang menjelaskan model regresi binary response yaitu:  Linear Probability Model (LPM)  Logit Model  Probit Model (Normit Model)  Jika dilihat secara grafik perbedaan antara jasil estimasi menggunakan Linear dan Logistik (Probit dan Logit) terhadap model dengan variabel dependen yang bersifat diskrit, maka dapat dilihat seperti berikut:
Baca selengkapnya

Random Effect Model (REM)

-
W alaupun FEM atau LSDV mudah untuk diaplikasikan, tidak dapat dipungkiri penerapannya akan menimbulkan konsekuensi ( trade off ) yang mungkin cukup mahal. Penambahan dummy variables ke dalam model dapat mengurangi banyaknya derajat kebebasan ( degree of freedom ) yang pada akhirnya akan mengurangi efisiensi dari parameter yang diestimasi. Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, maka kita dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya. Hal ini dikenal sebagai model efek acak ( random effect model atau REM ).
Baca selengkapnya

Ordinary Least Square (OLS) dengan STATA (2011)

-
Gambar
Pengantar Regresi linear adalah teknik statistika yang memberikan pendugaan dari kemiringan suatu garis lurus (linear) dan posisi dimana garis tersebut memotong sumbu y, berdasarkan sejumlah informasi mengenai hubungan antar variabel. Memberikan pendugaan nilai a dan b, berdasarkan sejumlah informasi mengenai x dan y, pada persamaan berikut: y=a+b.x  x disebut variabel independent, karena nilainya tidak tergantung variabel lain. y disebut variabel dependent, karena nilainya tergantung nilai x. a dan b disebut parameter, a adalah intercept dan b adalah slope. Regresi linear sederhana, apabila variabel dependent hanya ditentukan oleh satu variabel independent. Contohnya: y = a + b.x + e. Sedangkan Jika Regresi Linear berganda, apabila variabel dependent ditentukan oleh lebih dari satu variabel independent. Contohnya: y = a + b1.x1 + b2.x2 + …. + bn.xn + e. Dimana, e = error term = perbedaan antara y aktual dengan y hasil estimasi garis regresi. Metode yang digunakan untuk menge
Baca selengkapnya