Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

EKONOMETRIKA TERAPAN (Pertemuan #3) Pengajar: Dr. Vera Lisna, S.Si, M.Phil 1.

Presentasi serupa


Presentasi berjudul: "EKONOMETRIKA TERAPAN (Pertemuan #3) Pengajar: Dr. Vera Lisna, S.Si, M.Phil 1."— Transcript presentasi:

1 EKONOMETRIKA TERAPAN (Pertemuan #3) Pengajar: Dr. Vera Lisna, S.Si, M.Phil 1

2 Model Regresi Data Panel Model dengan data CS Y i = α + βX i + ε i ; i = 1, 2, …, N Model dengan data TS Y t = α + βX t + ε t ; t = 1, 2, …, T Model dengan data panel Y it = α + βX it + ε it ; i = 1, 2, …, N; t = 1, 2, …, T 2

3 Estimasi Model Data Panel Dasar estimasi model panel linier adalah GLM Secara umum, estimasi model data panel  α dan β berbeda  i,t Estimasi model data panel tergantung pada asumsi α, β, dan ε 3

4 Estimasi Model Data Panel Beberapa kemungkinan estimasi: 1.Asumsi α dan β tetap  i,t 2.Asumsi α berbeda  i tetapi β tetap 3.Asumsi α berbeda  i,t tetapi β tetap 4.Asumsi α dan β berbeda  i 5.Asumsi α dan β berbeda  i,t 4

5 5 One-way error component model Individual effect Random error Time Effect Two-way error component model Individual effect Random error Error component model y it = α + βX it + ε it

6 Teknik Estimasi Model Data Panel 1.Pooled OLS (PLS) / Common effect – Asumsi α tetap dan β tetap – Perbedaan antar i dan t dicerminkan oleh ε – Estimasi regresi berlaku untuk setiap observasi 2.Fixed Effect Model (FEM) – Asumsi α beda tetapi β tetap – Perbedaan antar i dan t dicerminkan oleh α – Pembeda α dapat menggunakan variabel dummy – Dikenal dengan model LSDV 3.Random Effect Model (REM) – Asumsi β beda – Perbedaan antar i dan t dicerminkan oleh β – Mempertimbangkan korelasi antar ε i dan antar ε t – Dikenal dengan Error Component Model (ECM) – N > T  gunakan REM (Gujarati, 2003) 6

7 Teknik Estimasi PLS Asumsi (1): α dan β tetap  i & t Asumsi perilaku data antar individu sama di setiap waktu Teknik PLS = teknik OLS untuk data CS atau TS Kelemahan: tidak dapat menganalisis perbedaan antar individu dan antar waktu  tidak memperhatikan dimensi individu (i) dan waktu (t)  paramater β bias Model sederhana: Y it = α + βX it + ε it ; i = 1, 2, …, N; t = 1, 2, …, T ↓ Apakah asumsi α dan β tetap  i & t realistis? 7

8 Kelemahan: Parameter β bias  arah kemiringan (slope) PLS tidak sejajar dengan garis regresi masing-masing individu (tidak dapat membedakan observasi yang sama pada periode berbeda) 8 Group 2 α 2 + βx it Group 1 α 1 + βx it Slope bias x it y it Teknik Estimasi PLS

9 Real capital stock Real gross investment X3X3 X2X2 Real value of the firm Y Y it = α + β 1 X 1it + β 2 X 2it + ε it i = 1, 2, 3, 4  CS identifier t = 1, 2, …, 20  TS identifier ↓ NxT = 80 observasi Grunfeld Investment Function Contoh Estimasi PLS (1) α dan β tetap  i & t

10 Dependent Variable: Y? Method: Pooled Least Squares Date: 10/24/14 Time: 09:06 Sample: Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 VariableCoefficientStd. Errort-StatisticProb. C X1? X2? R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic) Contoh Output Estimasi PLS

11 Teknik Estimasi FEM Asumsi (2): α beda  i tetapi β tetap Asumsi perilaku data beda antar individu (antar unit CS) Model Grunfeld Investment Function: Y it = α + β 1 X 1it + β 2 X 2it + ε it ↓ Y it = α i + β 1 X 1it + β 2 X 2it + ε it ↓ intersep ke empat perusahaan bisa berbeda (misalnya karena perbedaan manajerial) Model sederhana: Y it = α i + βX it + ε it ; i = 1, 2, …, N; t = 1, 2, …, T ↓ Fixed Effect (regression) model (FEM) 11

12 Contoh Estimasi FEM Grunfeld investment function Y it =  1 +  2 D 2i +  3 D 3i +  4 D 4i + β 1 X 1it + β 2 X 2it + ε it D 2i = 1 untuk i = GM; otherwise = 0 D 3i = 1 untuk i = US; otherwise = 0 D 4i = 1 untuk i = WE; otherwise = 0  1 : intersep GE  2,  3,  4 : differential intercept coeff 12 (2) α beda  i tetapi β tetap

13 Contoh Output Estimasi FEM 13 Dependent Variable: Y? Method: Pooled Least Squares Date: 10/28/14 Time: 11:56 Sample: Included observations: 20 Cross-sections included: 4 Total pool (balanced) observations: 80 VariableCoefficientStd. Errort-StatisticProb. C X1? X2? Fixed Effects (Cross) _GE--C _GM--C _US--C _WE--C Effects Specification Cross-section fixed (dummy variables) R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood Hannan-Quinn criter F-statistic Durbin-Watson stat Prob(F-statistic)

14 Contoh Output Estimasi FEM 14 Y 1t = X 11t X 21t Y 2t = X 12t X 22t Y 3t = X 13t X 23t Y 4t = X 14t X 24t Y it = D 2i D 3i D 4i X 1it X 2it Y it =  1 +  2 D 2i +  3 D 3i +  4 D 4i + β 1 X 1it + β 2 X 2it + ε it

15 Contoh Output Estimasi FEM 15 Goodness of fit  restricted F test H 0 : PLS (restricted) H 1 : FEM (unrestricted) F =  highly significant  H0 ditolak  restricted regression (PLS) invalid

16 Time Effect Grunfeld investment function berubah setiap waktu karena faktor-faktor perubahan teknologi, perubahan aturan pemerintah, perubahan kebijakan pajak, dll  time effect  menggunakan time dummies (satu varb dummy  t) ↓ Yit = Dum Dum 36 + … + 19 Dum 53 + β 1 X 1it + β 2 X 2it + ε it Dum 35 = 1  jika t = 1935; otherwise = 0 Dum 36 = 1  jika t = 1936; otherwise = 0 Dum 53 = 1  jika t = 1953; otherwise = 0 Base year = 1954  nilai intersep = 0 16

17 Contoh Estimasi FEM Grunfeld investment function Y it = α 1 + α 2 D GM i + α 3 D US i + α 4 D WE i Dum Dum 36 + … + 19 Dum 53 + β 1 X 1it + β 2 X 2it + ε it 17 (3) α beda  i,t tetapi β tetap Fungsi investasi GE, GM, US, dan WE berbeda Y it = α 1 + α 2 D 2i + α 3 D 3i + α 4 D 4i + β 1 X 1it + β 2 X 2it + ε it Y it = α 1 + α 2 D 2i + α 3 D 3i + α 4 D 4i + β 1 X 1it + β 2 X 2it +  1 (D 2i X 2it ) +  2 (D 2i X 3it ) +  3 (D 3i X 2it ) +  4 (D 3i X 3it ) +  5 (D 4i X 2it ) +  6 (D 4i X 3it ) + ε it (4) α dan β beda  i

18 Teknik Estimasi REM Asumsi (5): α dan β beda  i,t Y it = α i + β 1 X 1it + β 2 X 2it + ε it ↓ α i = α + u i ;i = 1, 2, …, N α : rata-rata u i  N(0,  2 u ) ↓ Y it = α + β 1 X 1it + β 2 X 2it + u i + ε it = α + β 1 X 1it + β 2 X 2it +  it  it = u i + ε it u i : CS (individual spesific) error component ε it : kombinasi TS dan CS error component 18

19 Contoh Output Estimasi REM 19

20 Contoh Output Estimasi REM 20 Y it = α + β 1 X 1it + β 2 X 2it + u i + ε it  Y it = (α + u i ) + β 1 X 1it + β 2 X 2it + ε it Y 1t = ( – ) X 11t X 21t = X 11t X 21t Y 2t = X 12t X 22t Y 3t = X 13t X 23t Y 4t = X 14t X 24t


Download ppt "EKONOMETRIKA TERAPAN (Pertemuan #3) Pengajar: Dr. Vera Lisna, S.Si, M.Phil 1."

Presentasi serupa


Iklan oleh Google