Pooled Least Square (PLS)

-
Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa atau sering disebut Pooled Least Square (PLS) yang diterapkan dalam data yang berbentuk pool. Misalkan terdapat persamaan berikut ini:

Yit = a + bXit + eit                       untuk i =  1, 2, . . . , N dan t = 1, 2, . . ., T

dimana N adalah jumlah unit cross-section (individu) dan T adalah jumlah periode waktunya. Dengan mengasumsikan komponen error dalam pengolahan Ordinary Least Square (OLS), kita dapat melakukan dua proses estimasi, pertama secara terpisah untuk setiap unit cross-section atau untuk setiap time-series. Kedua dengan mengabungkan antara cross dan time lalu diestimasi secara bersamaan.

Pada cara pertama misalkan untuk periode t = 1, akan diperoleh persamaan regresi cross-section sebagai berikut:

Yi1 = a + bXi1 + ei1                               untuk i =  1, 2, . . . , N

yang akan berimplikasi diperolehnya persamaan sebanyak T persamaan yang sama. Begitu juga sebaliknya, kita juga akan dapat memperoleh persamaan deret waktu (time-series) sebanyak N persamaan untuk setiap T observasi. Namun, untuk mendapatkan parameter a dan b  yang konstan dan efisien, hanya dapat diperoleh dalam bentuk regresi yang lebih besar dan melibatkan sebanyak NT observasi.

Pada cara kedua, kita menggabungkan antara cross dan time. Jika kita mempunyai 20 obesrvasi cross pada tiga tahun berturut-turut, maka kita akan mempunyai 60 observasi data. Satu-satunya yang tidak memuaskan adalah DW-stat yang rendah, mengindikasikan adanya kemungkinan otokorelasi dalam data atau kesalahan spesifikasi. Maka kritikan oleh Gujarati (2003) bahwa metode PLS menawarkan kemudahan, tetapi model dapat mendistorsi gambaran yang sebenarnya dari hubungan antara Y dan X di observasi tersebut. Oleh karena itu, meskipun sederhana, regresi pooled dapat merusak gambaran sebenarnya dari hubungan antara Y dan X di setiap individu. Apa yang perlu  lakukan adalah menemukan beberapa cara untuk mempertimbangkan sifat spesifik (karakteristik) dari setiap Individu.


 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