Modul Tutorial Data Panel
-
Upload
olahdata-tugasakhir -
Category
Education
-
view
1.734 -
download
7
description
Transcript of Modul Tutorial Data Panel
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
PANEL DATA DENGAN E-VIEWS
Untuk keperluan pembelajaran, pada modul ini akan dipergunakan contoh
kasus model pertumbuhan ekonomi regional di Indonesia. Modul ini akan
menguji model pertumbuhan neoklasik (neoclassical growth model) untuk
kasus Indonesia dengan hipotesis utama tentang konvergensi pendapatan
(income convergence); yaitu kecenderungan dimana negara miskin
tumbuh lebih cepat daripada negara kaya.
Dengan mendasarkan diri pada “Barro Regression” (Barro: 1991,
1992, 1995), kita akan menguji hipotesis absolute convergence dengan
mempergunakan persamaan berikut:
[1.1]
dimana ui0,T merepresentasikan rata-rata error term uit antara waktu 0 dan
T, dan intersep adalah a=x+[(1-e-T)/T].log[ŷ*].
Sedangkan untuk menguji hipotesis conditional convergence,
dimana kita berusaha untuk mempertahankan konstan steady-state dari
masing-masing perekonomian, kita akan mengestimasi:
[1.2]
dimana X adalah vektor dari variabel-variabel yang mempengaruhi
steady-state perekonomian i.
Untuk menguji hipotesis konvergensi, akan dipergunakan data 26
propinsi di Indonesia untuk periode waktu 1975-2000. Sebagai variabel
dependent (Y) adalah tingkat pertumbuhan PDRB riil tahunan (growth) dan
variabel independent (X) adalah PDRB per kapita riil pada awal observasi
(pdrb) dan variabel-variabel yang mempengaruhi steady-state
perekonomian yaitu secondary and upper educational attainment (educ),
angka harapan hidup (lex), tingkat inflasi regional (inf), dan tingkat
pertumbuhan transfer pemerintah pusat (trans).
Studi-studi konvergensi awal, seperti Mankiw, Romer, dan Weil
(1992) dan Barro (1991, 1992, 1995), banyak menggunakan model cross-
1
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
section linear yang diestimasi dengan metode ordinary least squares
(OLS).
Jika kita menerapkan pendekatan ini untuk kasus kita diatas, maka
kita akan menguji hipotesis model neoklasik dengan sebuah single cross-
section equation untuk satu periode 1975-2000. Dengan merpergunakan
data pada file Regresi_Cross-Section.xls, maka kita akan dapatkan hasil
estimasi dengan Eviews pada tabel 1 dan 2.
Tabel 1: Regresi Konvergensi Absolut
Dependent Variable: GROWTHMethod: Least SquaresDate: 12/08/05 Time: 22:04Sample: 1 26Included observations: 26
Variable Coefficient
Std. Error t-Statistic Prob.
C 0.229692 0.032367 7.096584 0.0000LOG(PDRB) -
0.0150940.002579 -5.853186 0.0000
R-squared 0.588052 Mean dependent var
0.040667
Adjusted R-squared 0.570888 S.D. dependent var 0.016824
S.E. of regression 0.011021 Akaike info criterion -6.10427
3Sum squared resid 0.002915 Schwarz criterion -
6.007496
Log likelihood 81.35555 F-statistic 34.25979
Durbin-Watson stat 1.585783 Prob(F-statistic) 0.000005
Tabel 2: Regresi Konvergensi Kondisional
Dependent Variable: GROWTHMethod: Least SquaresDate: 12/08/05 Time: 20:57Sample: 1 26Included observations: 26
Variable Coefficient
Std. Error t-Statistic Prob.
C 0.213956 0.052675 4.061820 0.0006LOG(PDRB) -
0.0159400.003317 -4.806203 0.0001
EDUC 0.000274 0.000587 0.465937 0.6463LOG(LEX) 0.005254 0.006075 0.864789 0.3974
INF 0.005986 0.010467 0.571932 0.5737TRANS 0.004754 0.005040 0.943257 0.3568
R-squared 0.642218 Mean dependent var
0.040667
Adjusted R-squared 0.552772 S.D. dependent var 0.016824
2
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
S.E. of regression 0.011251 Akaike info criterion -5.93755
3Sum squared resid 0.002532 Schwarz criterion -
5.647223
Log likelihood 83.18820 F-statistic 7.179987
Durbin-Watson stat 1.460876 Prob(F-statistic) 0.000541
Terlihat bahwa hasil estimasi kurang memuaskan dimana hanya
ada satu variabel penjelas yang signifikan yaitu pdrb. Walau demikian,
angka R2 dan DW-stat terlihat cukup baik. Kita juga gagal membuktikan
hipotesis konvergensi kondisional dengan melihat koefisien PDRB per
kapita awal yang tidak banyak berubah.
Untuk kasus kita diatas, penggunaan metode OLS ini memberikan
kita hasil yang kurang memuaskan karena regresi persamaan tunggal
cross-section seperti ini akan menghadapi masalah bias spesifikasi
(specification bias). Hal ini terjadi sebagai akibat dari perlakuan yang
kurang tepat terhadap efek spesifik-daerah khususnya yang berasosiasi
dengan perbedaan dalam teknologi dan selera. Selain itu, hal ini juga
terjadi karena kita tidak mengetahui variabel-variabel apa saja yang
seharusnya kita masukkan ke dalam persamaan sebagai determinan dari
pertumbuhan ekonomi. Dengan kata lain, kita tidak tahu “regresi yang
sesungguhnya”. Disini kita menghadapi masalah omitted variable bias.
Persamaan regresi pertumbuhan antar daerah, secara implisit
mengasumsikan bahwa semua daerah memiliki fungsi produksi yang
sama, yang artinya semua perekonomian beroperasi pada tingkat efisiensi
yang sama. Asumsi implisit ini terlihat kurang realistis. Dalam
kenyataannya kita melihat perbedaan dalam metode produksi dan tingkat
pengetahuan teknologi antar daerah sangat bervariasi. Karena itu sangat
mungkin fungsi produksi antar daerah untuk bervariasi secara substansial.
Persamaan regresi seperti diatas mungkin akan memperkirakan lebih
rendah tingkat konvergensi karena tidak sepenuhnya mampu menangkap
keseluruhan perbedaan dalam fungsi produksi antar daerah.
Beberapa peneliti merekomendasikan penggunaan metode data
panel untuk mengatasi masalah bias spesifikasi ini. Metode data panel
dipertimbangkan mengingat pendekatan ini mungkin akan memuaskan
3
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
karena metode ini mengizinkan kita untuk menghitung “efek spesifik-
daerah” yang menandakan variasi dalam pendapatan per kapita yang
terkait dengan karakteristik spesifik daerah. Dengan metode ini kita dapat
mengkontrol kondisi steady-state setiap daerah dengan lebih baik.
Pendekatan ini juga mungkin memuaskan karena ia dapat mengatasi
kesulitan interpretasi terhadap homogenitas parameter yang biasa kita
temui dalam regresi pertumbuhan cross-section konvensional.
Untuk menganalisa kasus diatas dengan metode data panel, modul
ini akan mempergunakan file data: Regresi_Panel-Data.xls. Struktur data
terdiri dari 26 data cross-section yaitu 26 propinsi di Indonesia serta 5
data time-series yaitu periode tahun 1975-1980, 1980-1985, 1985-1990,
1990-1995, dan 1995-2000.
Analisis data panel dengan program E-views secara umum terdiri
dari langkah-langkah sebagai berikut:
1. Membuat Workfile untuk Data Panel
2. Membuat Pool Object
3. Mengimpor Data Panel
4. Estimasi Data Panel
1. Membuat Workfile untuk Data Panel
Langkah pertama dalam pengolahan data panel dengan Eviews adalah
membuat workfile. Tidak ada yang istimewa disini. Urutan langkah-
langkahnya adalah:
- Klik File
- Klik New
- Klik Workfile ...
4
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
- Kemudian ketik frekuensi dan waktu untuk workfile panel data kita.
Karena data kita terdiri dari data 26 propinsi dengan 5 periode
rentang waktu, maka ...
- Klik Annual
- Ketik sembarang tahun yang menunjukkan 5 tahun. Misal, ketik
Start date: 1901 dan End date: 1905
- Klik OK
- Kita akan dapatkan sebuah workfile yang siap digunakan untuk
analisa data panel dengan rentang waktu (time-series) 5 tahun.
5
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
2. Membuat Pool Object
Aspek terpenting dalam pool object adalah daftar nama cross-section dari
data panel kita. Untuk alasan teknis, nama cross-section sebaiknya harus
singkat. Pool object adalah deskripsi yang menggambarkan struktur data
yang melandasi data panel kita. Urutan langkah membuat pool object
adalah:
- Klik Objects
- Klik New object
- Klik Pool ...
6
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
- Klik OK
- Maka akan terlihat pool window di layar monitor.
- Ketik kemudian cross-section identifiers pada kolom edit di pool
window.
- Pergunakan tanda “_” untuk mengawali nama cross-section
identifiers
- Untuk 26 propinsi di Indonesia, cross-section identifiers akan
nampak seperti pada gambar berikutnya.
- Setelah itu, simpan pool dengan cara meng-klik Name... pada pool
window.
- Beri nama sesuai dengan keinginan pada kolom edit yang tersedia.
- Pemberian nama pool ini dapat juga dilakukan langsung pada saat
kita meng-klik pool pada pertama kali object window terbuka. Lihat
gambar sebelumnya.
7
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
3. Mengimpor Data Panel
Untuk alasan kenyamanan dan kemudahan, disarankan untuk menyimpan
data dalam format Ms Excel. Dari Excel, data dapat diimpor dengan
mudah ke Eviews. Terdapat beberapa cara untuk mengimpor data panel.
Dalam modul ini kita hanya berhubungan dengan balanced data;
yaitu kasus dimana setiap cross-section atau time series memiliki jumlah
observasi yang sama, sehingga total observasi yang kita miliki adalah N.T
dimana N=jumlah cross-section dan T=jumlah time-series. Jika ada data
yang hilang sehingga jumlah observasi tidak sama, maka kita menghadapi
kasus unbalanced data yang merupakan topik lanjutan dalam pengolahan
data panel dan berada di luar pembahasan modul ini.
Selain itu, sebelum melakukan impor data panel, terlebih dahulu
kita harus mengetahui struktur data time-series dan cross-section serta
membedakan pengaturan data panel yaitu dalam bentuk unstacked data
dan stacked data.
Unstacked data
Pada bentuk data ini, observasi pada variabel tertentu untuk cross-section
tertentu dikelompokkan secara bersama-sama. Contoh:
8
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
c_usa c_kor c_jpn g_usa g_kor g_jpn
1990
1991
1992
...
Disini, C adalah konsumsi dan G adalah pengeluaran pemerintah. Setiap
negara (USA, Korea, dan Japan) memiliki kolom terpisah untuk C dan G
masing-masing.
Stacked data
Pada bentuk data ini, data seluruh variabel dikelompokkan secara
bersama-sama, sehingga setiap kolom mencerminkan variabel. Terdapat
dua jenis stacked data yaitu:
a. Stacked data by cross-section
Pada bentuk data ini, data diurutkan menurut cross-section. Contoh:
id Year c g
_usa 1990
... ...
_usa 2000
_kor 1990
... ...
_kor 2000
_jpn 1990
... ...
_jpn 2000
b. Stacked data by date
Pada bentuk data ini, data diurutkan menurut date. Contoh:
year Id c g
1990 _usa
1990 _kor
1990 _jpn
9
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
... ...
2000 _usa
2000 _kor
2000 _jpn
Setelah memahami hal diatas, kini kita siap untuk mengimpor data
panel ke dalam Eviews. Tempatkan data dalam format Excel. Ketik sesuai
dengan salah satu cara pengaturan diatas. Dalam file Regresi_Panel-
data.xls data diatur dalam bentuk stacked by date.
Urutan langkah mengimpor data panel ke dalam Eviews adalah:
- Klik Procs pada pool window
- Klik Import Pool Data (ASCII, XLS,WK?) ...
- Pada layar kemudian akan muncul open window
- Temukan dimana file data kita disimpan, pilih Regresi_Panel-
Data.xls, kemudian klik open
- Pada layar akan muncul Excel Spreadsheet Import window
- Karena kita menggunakan bentuk pengaturan data stacked by date,
maka pilihlah: series order= in columns dan group observation= by
cross-section.
- Ketik kemudian nama semua variabel kita pada tempat yang telah
disediakan, dengan ketentuan: penulisan antar variabel diselingi
spasi satu dan setiap variabel diakhiri tanda ?
- Untuk kasus kita diatas, ketiklah: growth? pdrb? educ? lex? inf?
trans?
- Tampilan Excel Spreadsheet Import window akan menjadi seperti
gambar ini.
10
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
- Klik OK
- Kini data telah diimpor ke Eviews dan siap untuk diolah.
4. Estimasi Data Panel
Sebagaimana telah dibahas pada materi, bahwa dalam analisis data panel
kita memiliki beberapa pilihan-pilihan yaitu dengan metode PLS (pooled
least squares), FEM (fixed effect model), atau REM (random effect model).
Urutan langkah untuk melakukan estimasi dalam data panel adalah:
- Klik Estimate pada pool window kita.
- Pada layar kemudian akan muncul pooled estimation window
- Terdapat beberapa fitur utama pada pooled estimation window
yaitu:
o Dependent variable; adalah tempat kita menuliskan
variabel dependent (Y) untuk data panel. Dalam kasus kita
diatas, Y = growth?
o Common coefficents; adalah tempat kita menuliskan
variabel penjelas (X) dengan slope koefisien yang konstan.
Dalam kasus kita diatas, X = log(pdrb?) educ? log(lex?) inf?
trans?
11
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
o Cross-section specific coefficients; adalah tempat kita
menuliskan variabel penjelas (X) dengan slope koefisien yang
berbeda untuk setiap unit cross-section.
o Intercept; adalah pilihan untuk asumsi intercept, apakah
mengikuti asumsi PLS, FEM, atau REM.
o Weighting; adalah pilihan untuk pembobotan yaitu:
No Weighting : semua observasi diberi bobot yang
sama.
Cross-Section Weights : GLS dengan menggunakan
estimasi varians residual cross section. Digunakan
apabila ada asumsi bahwa terdapat cross section
heteroskedasticity.
SUR : GLS menggunakan estimasi residual covariance
matrix cross section. Metode ini mengoreksi baik
heteroskedastisitas maupun autokorelasi antar unit
cross-section.
12
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
- Selain fitur utama, terdapat pilihan tambahan yang dapat dipilih
yaitu:
o White Heteroskedasticity covariance: Eviews
mengestimasi covariance yang akan menghasilkan general
heteroskedasticity; format ini lebih umum dari cross section
heteroskedasticity di atas di mana variance dalam tiap unit
cross section diizinkan untuk berbeda untuk tiap unit time
series.
o Iterate to Convergence : Eviews akan terus meng-update
pembobot (weights) dan koefisien sampai mencapai
konvergensi.
Dalam kasus kita diatas, kita akan memiliki dua skenario berikut:
1. Regresi untuk konvergensi absolut
o Klik Estimate pada pool window kita.
o Ketik growth? pada dependent variabe
o Ketik log(pdrb?) pada common coefficients
o Pilih fixed effects pada intercept
o Pilih cross-section weights pada weighting
o Klik OK
Dependent Variable: GROWTH?Method: GLS (Cross Section Weights)Date: 12/08/05 Time: 22:19Sample: 1901 1905Included observations: 5Number of cross-sections used: 26Total panel (balanced) observations: 130One-step weighting matrix
Variable Coefficient
Std. Error t-Statistic Prob.
LOG(PDRB?) -0.017269
0.002050 -8.423665 0.0000
Fixed Effects_ACEH--C 0.294528
_SUMUT--C 0.263274_SUMBAR--C 0.274427
_RIAU--C 0.298392_JAMBI--C 0.284905
_SUMSEL--C 0.248926_BENGKULU--C 0.265552_LAMPUNG--C 0.277618
_DKI--C 0.251854_JABAR--C 0.254435
13
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
_JATENG--C 0.252185_DIY--C 0.266324
_JATIM--C 0.273989_BALI--C 0.268498_NTB--C 0.261194_NTT--C 0.274980
_KALBAR--C 0.264951_KALTENG--C 0.286785_KALSEL--C 0.281322_KALTIM--C 0.280516_SULUT--C 0.262019
_SULTENG--C 0.249130_SULTRA--C 0.242042_SULSEL--C 0.243294_MALUKU--C 0.253103
_IRJA--C 0.232443Weighted Statistics
R-squared 0.806834 Mean dependent var
0.071177
Adjusted R-squared 0.758074 S.D. dependent var 0.061505
S.E. of regression 0.030252 Sum squared resid 0.094264
F-statistic 16.54693 Durbin-Watson stat 2.566027
Prob(F-statistic) 0.000000Unweighted Statistics
R-squared 0.442582 Mean dependent var
0.040667
Adjusted R-squared 0.301874 S.D. dependent var 0.036226
S.E. of regression 0.030268 Sum squared resid 0.094365
Durbin-Watson stat 2.040500
2. Regresi untuk konvergensi kondisional
o Klik Estimate pada pool window kita.
o Ketik growth? pada dependent variabe
o Ketik log(pdrb?) educ? log(lex?) inf? trans? pada common
coefficients
o Pilih fixed effects pada intercept
o Pilih cross-section weights pada weighting
o Klik OK
Dependent Variable: GROWTH?Method: GLS (Cross Section Weights)Date: 12/08/05 Time: 22:25Sample: 1901 1905Included observations: 5Number of cross-sections used: 26
14
Qiyara ConsultingInfo lengkap buka http://qiyara.ipromart.co.id
Total panel (balanced) observations: 130One-step weighting matrix
Variable Coefficient
Std. Error t-Statistic Prob.
LOG(PDRB?) -0.020151
0.002309 -8.727343 0.0000
EDUC? 0.094658 0.023149 4.088989 0.0001LOG(LEX?) -
0.0057530.019347 -0.297382 0.7668
INF? -0.004196
0.013513 -0.310542 0.7568
TRANS? 0.000402 0.006784 0.059324 0.9528Fixed Effects
_ACEH--C 0.349572_SUMUT--C 0.316335
_SUMBAR--C 0.327502_RIAU--C 0.354583_JAMBI--C 0.336469
_SUMSEL--C 0.301308_BENGKULU--C 0.313732_LAMPUNG--C 0.328407
_DKI--C 0.303234_JABAR--C 0.303235
_JATENG--C 0.297486_DIY--C 0.314321
_JATIM--C 0.316371_BALI--C 0.317324_NTB--C 0.306085_NTT--C 0.318606
_KALBAR--C 0.306579_KALTENG--C 0.325154_KALSEL--C 0.326679_KALTIM--C 0.320543_SULUT--C 0.302759
_SULTENG--C 0.286958_SULTRA--C 0.278609_SULSEL--C 0.282808_MALUKU--C 0.291696
_IRJA--C 0.270648Weighted Statistics
R-squared 0.881503 Mean dependent var
0.078655
Adjusted R-squared 0.845595 S.D. dependent var 0.076150
S.E. of regression 0.029923 Sum squared resid 0.088641
F-statistic 24.54875 Durbin-Watson stat 2.594638
Prob(F-statistic) 0.000000Unweighted Statistics
R-squared 0.458427 Mean dependent var
0.040667
Adjusted R-squared 0.294313 S.D. dependent var 0.036226
S.E. of regression 0.030432 Sum squared resid 0.091683
Durbin-Watson stat 2.042965
15