APLIKASI DATA PANEL DI STATA

-

Dipresentasikan dalam Pelatihan Stata di Dept. Ilmu Ekonomi – Universitas Indonesia (2012)

I.   Pengenalan Data Panel
  1. Kuadrat Terkecil (Pooled Least Square)
  2. Efek Tetap (Fixed Effect)
  3. Efek Acak (Random Effect)

II. Pemilihan Metode Estimasi dalam Panel Data
  1. Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Tetap (Fixed Effect)
  2. Pemilihan Efek Tetap (Fixed Effect) atau Efek Acak (Random Effect)
  3. Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Acak (Random Effect)

III.   Evaluasi Hasil Regresi Data Panel
  1. Kriteria Teori
  2. Kriteria Statistik
    1. Uji signifikansi serentak (F-Test).
    2. Uji Signifikansi parsial (t-test).
    3. Uji Goodness of Fit.
  3. Kriteria Ekonometrika
    1. Bebas dari Multikolinearitas
    2. Bebas dari Heteroskedastisitas
    3. Bebas dari Autokorelasi

  IV.       Robust Method dan General Least Square (GLS)
1.       Robust Method: PLS & FE
2.       General Least Square (GLS) Method: PLS & FE


Materi Pelatihan Panel Data di Stata!

 

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