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

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

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

Fixed Effect (FEM)

-
Gujarati (2003) menjelaskan kesulitan terbesar dalam pendekatan metode kuadrat terkecil biasa tersebut adalah asumsi konstanta dan slope dari persamaan regresi yang dianggap konstan baik antar daerah maupun antar waktu yang mungkin tidak beralasan. Satu cara untuk memperhatikan “keunikan” unit cross-section atau unit time-series adalah dengan memasukkan variabel boneka ( dummy variable ) untuk mengizinkan terjadinya perbedaan nilai parameter yang berbeda-beda, baik lintas unit cross-section maupun antar unit waktu. Pendekatan yang paling sering dilakukan adalah dengan mengizinkan intercept bervariasi antar unit cross-section namun tetap mengasumsikan bahwa slope koefisien adalah konstan antar unit cross-section . Pendekatan ini dimana slope coefficents constant tetapi memiliki intercept yang berbeda-beda di setiap individu, dalam literatur dikenal dengan sebutan model efek tetap ( fixed effect model atau FEM ).
Baca selengkapnya