Upload presentasi
Presentasi sedang didownload. Silahkan tunggu
Diterbitkan olehDicki Widya Telah diubah "10 tahun yang lalu
1
Ekonometrika Program Studi Statistika, semester Ganjil 2012/2013 Dr. Rahma Fitriani, S.Si., M.Sc
2
Panel Data Regression Model Panel Data/ Pooled Data/ Longitudinal Data/ Micropanel Data Mempunyai dua dimensi: individu (mis: perusahaan, propinsi, negara) dan waktu Penggabungan data cross section dan time series Setiap unit data cross section diulang dalam beberap periode waktu
3
Kelebihan Penggunaan data Panel Keheterogenan antar individu dapat secara eksplisit diakomodasi Penggabungan antara cross section dan time series membuat data panel menjadi Lebih informatif Lebih bervariasi Mengurangi kolinieritas Memperbanyak derajat bebas Lebih efisien Pengulangan waktu pada unit cross section yang sama mengakomodasi perubahan dinamis setiap unit cross section
4
Model Linier Data Panel Untuk satu peubah bebas (yang dapat dibuat umum untuk lebih dari satu peubah bebas) a i adalah variabel tak terobservasi yang spesifik bagi setiap individu Diasumsikan bernilai konstan sepanjang waktu untuk setiap individu
5
Beberapa model yang dapat diasumsikan Pooled Model Random effects Model Fixed effects Model
6
Pooled Model Model paling sederhana Diasumsikan bahwa tidak ada keheterogenan antar individu yang tidak terobservasi Semua keheterogenan sudah ditangkap oleh peubah eksogen Model menggunakan asumsi yang sama seperti yang digunakan pada data cross section
7
Pooled OLS Estimator (POLS) Dengan asumsi Pooled Model maka penduga parameter model dapat dilakukan dengan menggunakan POLS
8
Model Fixed Effects dan Random Effects Diasumsikan bahwa terdapat keheterogenan antar individu yang tidak terobservasi: a i a i tidak tergantung waktu (time invariant) Model fixed effects (FE): diasumsikan bahwa masih terdapat hubungan antara a i dan peubah eksogen Model random effects (RE): diasumsikan bahwa a i dan peubah eksogen saling bebas
9
Beberapa alternatif penduga untuk asumsi FE Least Square Dummy Variable (LSDV) Estimator Within Estimator Between Estimator
10
Least Squares Dummy Variable Estimator (LSDV) Pendugaan parameter jika diasumsikan Model FE. a i diduga bersama-sama dengan β Menggunakan N peubah dummy untuk setiap unit cross section Penduga OLS diterapkan pada model di atas Kelemahan: Jika unit cross section terlalu besar → kehilangan terlalu banyak derajat bebas.
11
Within Estimator Dilakukan transformasi terhadap data untuk menghilangkan efek heterogenitas yang tidak terobservasi Model awal: Hitung rata-rata dari seluruh waktu pengamatan bagi setiap unit cross section: Transformasi: Penduga OLS diperoleh berdasarkan data hasil transformasi di atas
12
Within Estimator Mengukur keragaman data hanya berdasarkan waktu Tidak memuat peubah yang tidak tergantung waktu (time invariant) Efisien dan konsisten dalam menduga model FE jika: Semua variabel penjelas yang mungkin dipakai di dalam model. Tidak ada korelasi antar peubah X dan galat Ragam galat homogen dan tidak berkorelasi serial.
13
Between Estimator Hanya menunjukkan keragaman dari unit cross section Digunakan rata-rata seluruh waktu pada setiap unit cross section Model panel terduksi menjadi: Penduga OLS diterapkan pada model tereduksi tersebut Sayangnya penduga ini kurang konsisten jika dipakai untuk menduga model dengan asumsi FE.
14
Penduga untuk model dengan asumsi RE Between Estimator: Tidak efisien jika dipakai untuk menduga model dengan asumsi RE. Random effects estimator
15
Random Effects Estimator (Penduga RE) Penduga ini mengasumsikan bahwa efek individu bersifat random bagi seluruh unit cross section Penduga RE mengakomodasi struktur error tersebut Penduga RE diperoleh berdasarkan metode pooled GLS
16
Random Effects Estimator (Penduga RE) Penduga RE mengukur keragaman berdasarkan waktu dan cross section Penduga RE rata-rata terboboti antara penduga FE (Fixed Effects Estimator) dan BE (Between Estimator)
17
Prosedur untuk pendugaan pada model data Panel Duga model FE dan RE Lakukan uji Hausman Menguji apakah terdapat perbedaan nyata antara penduga model FE dan penduga model RE Hipotesis nol: kedua penduga tidak ada perbedaan Jika H 0 ditolak maka penduga FE lebih sesuai Jika H 0 diterima maka lanjutkan dengan uji Breusch Pagan
18
Jika H0 ditolak maka: Komponen galat individu nyata, Penduga RE lebih sesuai Jika H0 diterima maka penduga POLS (Pooled OLS) lebih sesuai
19
Garis besar penetapan asumsi FE atau RE Jika T (waktu pengamatan) cukup besar dan N (jumlah unit cross section) kecil → kemungkinan besar tidak banyak perbedaan antara penduga FE dan RE. Alasan kemudahan: gunakan penduga FE (LSDV) Ketika N besar dan T kecil dan unit pengamatan bukan berupa sampel dari populasi yang lebih besar, FE model lebih tepat Gunakan penduga FE (LSDV) Ketika N besar dan T kecil dan unit pengamatan berupa sampel acak dari populasi yang lebih besar, RE model lebih tepat Gunakan peduga RE (Random Effect Estimator)
20
Jika komponen dari error berkorelasi dengan salah satu peubah eksogen: gunakan FE model Penduga FE
21
Contoh Aplikasi Penelitian tentang jumlah investasi (I) berdasarkan nilai asset perusahaan (Finv) dan modal perusahaan (Cinv) Penelitian berdasarkan pada data tahunan investasi 4 perusahaan (unit cross section) mulai dari tahun 1935 – 1954 (time series, 20 tahun) Secara a priori diharapkan bahwa investasi berkorelasi positif terhadap nilai asset dan modal
22
Pemilihan asumsi RE atau FE Dari N (kecil) dan T(besar), semestinya penduga RE dan FE tidak akan berbeda nyata Akan tetapi jika diasumsikan bahwa: perbedaan setiap perusahaan bersifat random dan efek tak terobservasi setiap perusahaan tidak berhubungan dengan peubah penjelas Penduga RE lebih sesuai Jika hanya 4 perusahaan tsb yang mungkin ada maka Penduga FE lebih sesuai Jika 4 perusahaan adalah sampel acak dari populasi perusahaan- perusahaan Penduga RE lebih sesuai
23
Output hasil pendugaan, asumsi RE Dependent variable: I coefficient std. error t-ratio p-value --------------------------------------------------------- const -74.8236 84.5994 -0.8844 0.3792 Finv 0.107965 0.0165715 6.515 6.78e-09 *** Cinv 0.347411 0.0262238 13.25 1.50e-021 *** Mean dependent var 290.9116 S.D. dependent var 284.8557 Sum squared resid 1576262 S.E. of regression 142.1565 Log-likelihood -509.0567 Akaike criterion 1024.113 Schwarz criterion 1031.259 Hannan-Quinn 1026.978
24
Prosedur Lanjutan 'Within' variance = 5593.42 'Between' variance = 23981.7 theta used for quasi-demeaning = 0.89201 Hausman test - Null hypothesis: GLS estimates are consistent Asymptotic test statistic: Chi-square(2) = 1.51948 with p-value = 0.467788 Breusch-Pagan test - Null hypothesis: Variance of the unit-specific error = 0 Asymptotic test statistic: Chi-square(1) = 382.288 with p-value = 3.95186e-085 Terima H 0 : tidak ada beda penduga FE dan RE Tolak H 0 : RE lebih sesuai
Presentasi serupa
© 2024 SlidePlayer.info Inc.
All rights reserved.