PENGGUNAAN DATA PANEL UNTUK PENELITIAN MANAJEMEN...
Transcript of PENGGUNAAN DATA PANEL UNTUK PENELITIAN MANAJEMEN...
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 22 IBI-K57
PENGGUNAAN DATA PANEL UNTUK PENELITIAN MANAJEMEN KEUANGAN
Andri Faisal
Email: [email protected] Program Studi Informatika, Fakultas Ilmu Komputer
Institut Bisnis Dan Informatika Kosgoro 1957
ABSTRAK Dalam penelitian manajemen keuangan data panel sudah sering digunakan karena spektrum yang sangat luas dari perusahaan maupun periode dari waktu. Ada setidaknya tiga jenis data panel yakni pooling, fixed effect, maupun common effect. Dengan prosedur langkah yang tepat maka analisis dari regresi data panel sangatlah mudah. Peneliti akan memperoleh hasil estimasi yang sahih yang dapat membuktikan kesahihan suatu teori. Kata Kunci: Data Panel, Regresi Rata Panel, STATA, Keuangan
I. PENDAHULUAN
Salah satu riset yang cukup berkembang di perguruan tinggi adalah
Ilmu Manajemen Keuangan. Analisis keuangan yang melibatkan laporan
keuangan dari perusahaan yang terdaftar dari Bursa Efek Indonesia
menjadi bahan yang seolah tidak pernah habis untuk dibahas.
Banyak fenomena dari perusahaan yang tidak terjawab dengan
kesimpulan umum sehingga mendorong peneliti maupun mahasiswa
untuk meneliti permasalahan tersebut. Sayangnya perusahaan masih
terbatas seperti perusahaan pertambangan masih berjumlah sekitar
belasan. Hal ini sulit untuk mengumpulkan data dalam jumlah banyak.
Adapun dengan adanya data panel ini maka akan menggabungkan
seluruh spektrum individual dan juga periode sehingga data bisa lebih
banyak. Tentu saja penggunaan data itu harus didukung juga dengan
tahapan pengolahan data yang benar.
II. TINJAUAN PUSTAKA
2.1. Data
Data adalah kumpulan dari datum yang menunjukkan “sesuatu”
(Supranto,1984). Ia merupakan sebuah gambaran dari satu elemen
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 23 IBI-K57
penelitian. Seorang merupakan kumpulan dari data yang banyak sekali.
Mungkin kalau ia menuliskan data maka tidak akan habis untuk
menuliskan banyak sekali mengenai dirinya. Dari satu kata saja bisa untuk
menuliskan banyak hal dari semua ini apalagi dari seorang individu.
Sebuah data adalah menyangkut banyak hal. Mulai dari nama yang
mungkin akan memberikan banyak arti dan juga seluruh karakteristik yang
terkandung di dalamnya.
Data itu jenisnya banyak. Salah satu jenis data menurut sifatnya.
Pembahasan mengenai banyaknya jenis data akan dibahas di tempat
yang lain saja atau buku statistik.
Ada beberapa macam data? Yakni data menurut sifatnya time series
yang berarti data yang menurut runtut waktu. Data ini meneliti data selama
perkembangan untuk diteliti dalam kurun waktu tertentu atau jangkauan
waktu tertentu. Lamanya interval data bisa lama bergantung dengan
perubahan. Jika suatu data yang berubah dalam waktu detik seperti
perkembangan bakteri maka perhitungannya dapat dipakai. Sebaliknya
jika data-data tidak berubah dalam jangka waktu yang lama maka kita
akan membutuhkan data yang seperti itu. Semisal adalah laporan
keuangan yang hanya berubah sekitar setahun paling cepat tiga bulan.
Oleh karena itu untuk pengumpulan data ini bisa dilakukan sekitar dalam
waktu tiga bulan.
Data time series ini penting untuk meramal suatu nilai baik itu berupa
harga, tingkat inflasi, nilai tukar, perkembangan manusia, pertumbuhan
bakteri, dan banyak hal yang lainnya. Orang yang menggunakan data ini
percaya kalau data akan berulang lagi seperti halnya sejarah. Masa lalu
dapat menggambarkan masa yang akan datang karenanya data masa lalu
sangat penting untuk memprediksi data sekarang.
Peramalan ini menggunakan data waktu yang masa lalu. Data
dikumpulkan dengan waktu jangka yang lama. Semakin lama maka akan
semakin baik. Hanya saja peramalan dalam jangka waktu yang lama pasti
akan sulit sekali karena hal dalam jangka waktu yang lama sangat sulit
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 24 IBI-K57
diprediksi. Seperti halnya diri kita pasti akan lebih mudah meramal apa
yang terjadi pada diri kita setahun kemudian daripada kita meramal 10
tahun kemudian. Untuk satu tahun ke depan kita bisa melihat apa yang
akan terjadi. Jika saja kita memiliki banyak potensi pada saat ini berarti
kita akan mempunyai peluang yang lebih banyak. Sebaliknya kalau kita
memiliki sedikit peluang maka akan sulit bagi kita untuk melangkah ke
dalam kesuksesan.
Data jenis lainnya adalah data cross section. Data ini berbeda
karena memakai dalam waktu satu periode saja. Ketika menggunakan
data ini mereka berpikiran kalau mencari hubungan dari individu dalam
waktu yang sama. Data seperti ini harus mempunyai banyak elemen
individu. Misalnya seorang peneliti menginginkan untuk peneliti jajan
anak-anak dalam satu masa. Ia bisa mengumpulkan data-data individu
untuk satu masa.
Selain data data yang dicontohkan diatas ada data yang disebut data
panel. Data jenis ini mengabungkan dua jenis data yakni data time series
dan juga data cross section.
2.2. Definisi Panel Data
Seperti sudah disebut di atas kalau panel data adalah sebuah data
kumpulan baik dari data time series maupun data cross section. Data ini
juga disebut data longitudinal. Maksud data ini adalah untuk menyelidiki
baik individual yang berkembang dalam jangka waktu tertentu.
Dalam data panel mempunyai kelebihan antara lain adalah
(Wibisono, 2005 dalam Arafandi):
a. Menyelidiki data heterogenitas dari masing-masing individu dalam
penelitian secara eksplisit dengan mengizinkan variabel spesifik
individu.
b. Menguji dan membangun perilaku model lebih kompleks karena
adanya kontrol heterogenitas.
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 25 IBI-K57
c. Bisa menjadi study adjustment of dynamic karena melibatkan data
dari berbagai individu yang juga datanya berseri.
d. Memperoleh data yang bervariasi dengan jumlah data yang lebih
banyak sehingga dapat memperoleh hasil yang valid atau tidak bias.
e. Data Panel diperlukan untuk studi perilaku yang kompleks.
f. Data Panel mengurangi regresi bias sebuah data individu.
2.3. Regresi
Regresi adalah suatu alat atau wahana (tools) untuk menyelidiki
keterkaitan antara hubungan variabel bebas maupun variabel tidak bebas.
Variabel bebas dalam hal ini adalah X adalah variabel yang tidak
mempunyai kaitan dengan variabel lainnya. Oleh karena itu ia juga disebut
dengan variabel Independen.
Sebaliknya variabel yang menjadi lawannya adalah variabel yang
namanya variabel tidak bebas. Variabel ini disebut variabel Y yang
tergantung oleh pengaruh dari variabel X. Sebaliknya variabel tidak bebas
tidak dapat mempengaruhi variabel bebas.
Untuk menentukan variabel bebas atau variabel tidak bebas dapat
menggunakan landasan teori yang ada di buku maupun jurnal. Kalau
menurut hitungan statistik kita dengan mudah menentukan hubungan
statistik apa saja. Seperti hubungan penyakit diabetes dengan marah.
Apakah marah menyebabkan diabetes? Tentu saja bisa sekali dengan
marah dan emosi berpengaruh ada keseimbangan badan sehingga si
pemarah akan mengalami diabetes. Sebaliknya diabetes mungkin
menyebabkan orang menjadi marah akibat ketidakseimbangan hormon.
Nah inilah yang mana yang menjadi variabel bebas atau tidak bebas itu
ditentukan oleh teori yang sebelumnya. Oleh karena itu seorang harus
menyiapkan teori sebelum mereka mengadakan penelitian lebih lanjut
terkecuali penelitian dengan sesuatu yang baru. Regresi mempunyai
formula seperti di bawah ini:
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 26 IBI-K57
𝑌 = 𝛼𝑖 + 𝛽1 𝑋1 + 𝛽2𝑋2 + ⋯ + 𝛽𝑛𝑋𝑛 +𝜀𝑖 ........................................................ (1)
Dimana:
Y= Variabel tidak bebas (dependen)
X= Variabel bebas (independen)
α = Koefisien persamaan regresi
β = koefisien
ε = error
Setiap regresi akan memberikan nilai tersebut. Alpha berarti adalah
nilai Y yang akan diperoleh seandainya nilai X seluruhnya adalah 0. Jadi
nilai koefisien ini akan membuat nilai Y selalu ada atau tidak nol. Nilai
inilah menjadi awal bagi nilai yang menunjukkan antara hubungan variabel
bebas dengan variabel tidak bebas.
Setelah itu kita bisa melihat nilai dari koefisien dari persamaan
tersebut. Jika positif artinya hubungan variabel bebas dengan variabel
tidak bebas adalah lurus yang artinya ketika variabel bebas menunjukkan
peningkatan maka variabel bebas juga akan meningkat juga. Sebaliknya
ketika koefisien menunjukkan nilai yang negatif maka berarti hubungan
antara variabel tidak bebas dengan variabel bebas adalah hubungan yang
negatif. Ketika variabel bebas menurun maka variabel tidak bebas akan
meningkat dan sebaliknya kalau variabel tidak bebas meningkat maka
sebaliknya akan terjadi menurun.
Untuk menyusun regresi kita harus berpatokan dengan teori yang
ada. Teori tersebut sebagai landasan untuk menentukan model penelitian.
Ini akan menjadi cara untuk mengerjakan regresi data tersebut.
Teori membantu untuk menentukan variabel bebas ataupun mana
yang variabel tidak bebas. Misalnya data untuk Return on Assets. Pada
satu model, rasio tersebut bisa menjadi variabel dependen. Tingginya
Return on Asset dapat dipengaruhi oleh faktor lainnya seperti Debt to
Equity Ratio, Current asset dan lain-lain. Tetapi di model lain bisa jadi
ROA menjadi variabel bebas yang mempengaruhi harga saham atau
return saham.
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 27 IBI-K57
2.4. Regresi Data Panel
Setidaknya ada beberapa jenis regresi yang dicatat Menurut Arifandi
(2018) ada sebagai berikut:
a. Pooling linear Square: Regresi panel ini tidak memperhatikan
perilaku individu maupun dari periode waktu. Perlakuan regresi ini
mirip dengan regresi berganda lainnya. Regresi ini disebut juga
dengan regresi common effect. Persamaannya seperti ini:
𝑌 = 𝛼𝑖𝑡 + 𝛽1 𝑋1𝑡 + 𝛽2𝑋𝑡2 + ⋯ + 𝛽𝑛𝑋𝑛𝑡 +𝜀𝑖𝑡 ........................................... (2)
b. Fixed Effect: Regresi panel ini memperhatikan individualnya.
Perbedaan individual akan diwakilkan dengan perbedaan intersep
tiap individu. Dalam riset keuangan misalnya perusahaannya. Untuk
mengadopsi perbedaan intersep maka menggunakan LSDV atau
Least Square Dummy Variabel.
𝑌 = 𝛼𝑖𝑡 +𝛽1 𝑋1𝑡 + 𝛽2𝑋2𝑡 + ⋯ + 𝛽𝑛𝑋𝑛𝑡 + 𝜀𝑖𝑡 ........................................... (3)
c. Random Effect: Regresi Panel ini mempertimbangkan perbedaan
dari individual maupun waktu. Dalam regresi ini mengasumsikan
perbedaan intersep pada perusahaannya. Oleh karena itu ada
residual dari waktu dan juga dari individualnya.
𝑌 = 𝛼𝑖𝑡 + 𝛽1 𝑋1𝑡 + 𝛽2𝑋2𝑡 + ⋯ + 𝛽𝑛𝑋𝑛𝑡 + 𝜀𝑖𝑡 + 𝜇𝑖𝑡 ................................................ (4)
2.5. Uji Asumsi Klasik
Sesudah kita menentukan model maka yang kita lakukan adalah
menghitung regresi dari model yang sudah kita pilih. Tidak sulit untuk
melakukan perhitungan yang demikian karena banyaknya begitu software
statistik yang sudah kita kenal seperti STATA, eViews atau R.
Kita akan mendapatkan nilai-nilai yang berdasarkan hasil dari
perhitungan kita. Nilai tersebut berupa persamaan estimasi yang akan
menggambarkan perkiraan dari sebuah model tersebut. Model ini dapat
menghitung seberapa kuat hubungan antara variabel bebas maupun
variabel tidak bebas.
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 28 IBI-K57
Jika ternyata model tersebut tidak bisa untuk memberikan gambaran
peramalan yang tepat maka harus ada cara yang tepat untuk mencari
estimasi yang benar. Terkadang memang muncul sesuatu yang tidak kita
inginkan seperti misalnya nilai R2 tidak memenuhi syarat. Nilai R2 nya
terlalu kecil sehingga kita tidak puas dengan nilai tersebut.
a. Normalitas
Normalitas adalah kondisi dimana sebuah data menyebar dengan
merata. Data yang ada mempunyai nilai yang tidak berbeda jauh. Kalau
nilai berbeda misalnya dalam satu kumpulan data ada data angka 1000
sedangkan angka lainnya bisa mencapai sejuta maka terjadi
kesenjangan data yang tajam sekali. Kita tidak bisa memuat sesuatu
data dengan sebaran yang normal.
Sebuah sebaran normal mempunyai gambaran data tersebar
merata. Data terbesar maupun yang terkecil berada di tepi cenderung
sedikit sekali sedangkan data yang paling banyak adalah data dengan
nilai yang berada di tengah atau nilai rata-rata.
b. Multikolinearitas
Dalam regresi berganda yang mempunyai variabel lebih dari dua
maka kita harus memperhatikan kalau di dalam variabel tersebut
mempunyai kesamaan. Kalau ada dua kesamaan untuk apa kita
periksa? Hal ini sering muncul karena komponen dari variabel bebas
hampir sama. Seperti misalnya rasio yang mempunyai komponen yang
sama. Contoh net profit margin dan gros profit margin yang keduanya
mempunyai numerator yang sama yakni penjualan. Kedua rasio ini bisa
saja menimbulkan multikolinearitas.
Untuk memastikan ada beberapa cara yang bisa kita lakukan.
Adapun untuk mendeteksi dari gejala ini maka kita bisa melihat beberapa
indikator lainnya seperti:
1) Nilai R2 yang besar sekali. Padahal hanya ada dua variabel saja
namun nilai R2-nya begitu tinggi. Biasanya peneliti yang
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 29 IBI-K57
menemukan nilai tinggi mereka akan bergembira, namun justru
menjadi nilai sebuah tanda dari sebuah ketidaksahihan.
2) Nilai VIF Faktor yang lebih besar dari 10 menandakan adanya
multikolinearitas
3) Nilai Tollreance yang mendekati sekitar 1 maka akan terjadi
indikasi dari gejala multikolinearitas.
4) Nilai euginvalue. Jika nilai euginvallue maka akan terjadi
multikolinearitas
Untuk variabel ini biasanya di awal tidak sulit. Kalau nama dan
komponen dari variabel ini mirip maka ada kemungkinan juga
menghasilkan multikolinearitas. Pada saat uji Pearson correlation atau
yang menyelidiki dua hubungan maka akan terlihat kalau dua variabel
independen justru berhubungan. Jika demikian kita sudah patut
menduganya bahwa kedua variabel ini berhubungan.
Gejala ini jarang terjadi karena biasanya penggunaan model yang
menurut penelitian sebelumnya sudah menunjukkan tidak terjadinya
multikolinearitas. Multikolinearitas tidak terjadi jika perhitungannya tepat.
Seharusnya yang berhubungan adalah antara variabel bebas
dengan tidak bebasnya namun yang terjadi adalah antara sesama
variabel bebasnya. Solusi mudah untuk mengatasi multikolinearitas
adalah membuang salah satu variabel bebas yang ada. Kendalanya
kalau variabel yang digunakan hanya dua saja. Ada rasa sayang jika kita
membuang variabel tersebut. Tentu ini akan menjadi masalah karena
penelitian dengan satu variabel ini juga menjadi yang hambar. Satu
variabel tidak akan menunjukkan sesuatu yang berpengaruh pada
variabel tersebut. Untuk skripsi saja ini menjadi sesuatu yang kurang
memenuhi syarat apalagi tesis atau disertasi. Untuk mengatasi
multikolinearitas kita dapat melakukan:
1) Menambah Banyaknya Data
Bisa saja data yang tersedia menjadikan sesama variabel bebas
terlihat sama. Padahal kalau kita ingin mengumpulkan data yang
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 30 IBI-K57
lebih banyak lagi bisa jadi kita akan mendapatkan data yang
banyak sekali dan akan menggambarkan data yang semakin
berlainan. Tetapi kalau data tersebut tidak berbeda dengan data
sebelumnya maka dapat dipastikan akan menghasilkan
multikolinearitas juga.
2) Transformasi Data
Bentuk panel adalah salah satu upaya untuk mengurangi adanya
multikolinearitas karena adannya dimensi waktu dan juga
dimensi individual yang menyebabkan data menjadi beragam
yang mengurangi peluang untuk terjadinya multikolinearitas akan
tetapi jika terjadi multikolinearitas maka kita bisa
mentransformasi data yang kita miliki. Upaya ini degan cara
mencari perbedaan periode sekarang dengan periode
sebelumnya atau first difference.
Jika persamaan seperti ini:
Yt = α + β1X 1t + β2X2t+ϵt .......................................................... (1)
Setelah itu kita mencari data periode sebelumnya:
𝑌𝑡−1= 𝛼 + 𝛽1𝑋1𝑡−1 + 𝛽2𝑋2𝑡−1 + 𝜖𝑡−1 ............................................. (2)
Kemudian kita bandingkan dengan data periode sebelumnya:
𝑌𝑡 − 𝑌𝑡−1 = 𝛽1(𝑋1𝑡 − 𝑋1,𝑡−1) + (𝛽2𝑋2𝑡 − 𝑋2,𝑡−1) + 𝑉𝑡−1 .................. (3)
Dengan menggunakan cara ini maka diharapkan multikolinearitas
yang terjadi pada persamaan ini akan menghilang.
c. Autokorelasi
Karena data panel mengandung unsur dimensi waktu maka ada
kemungkinan model regresi yang dihitung akan menghasilkan
autokorelasi juga. Untuk data time series maka menjadi kewajiban untuk
memeriksa autokorelasi karena data time series mengandung
autokorelasi.
Konsekuensi dari autokorelasi adalah tingkat galat (error) term akan
berubah dan mempunyai hubungan yang menyebabkan
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 31 IBI-K57
ketidakkonsistenan dalam estimasi. Penting sekali sebuah model
terbebas dari autokorelasi. Autokorelasi menyebabkan model estimasi
menjadi tidak sah atau nilainya bias. Untuk itu sebelum kita menghitung
nilai estimasi kita bisa untuk memeriksa apakah data tersebut
mengandung autokorelasi?
d. Heteroskedatisitas
Gejala ini menyebabkan nilai estimasi tidak sah atau bias. Hal ini
karena perbedaan error yang terjadi tidak konsisten padahal dalam
regresi kita menginginkan nilai error yang konstan.
III. METODE PENELITIAN
Dalam regresi data panel baik pada Pooling maupun panel, harus
terbebas dari heteroskedatisitas kecuali regresi dengan model random
effect. Pada model random effect, heteroskedatsitas sudah diperbaiki
dengan modelnya. Tahapan dalam Pengolahan Data Panel:
1. Penyiapan Data
Sebelum melakukan regresi data panel maka kita lakukan persiapan
data. Persiapan ini agar memudahkan pengolahan pakai software
statistik.
Pertama kita susun dulu berdasarkan dengan Individu. Kemudian
kita taruh seluruh data tahunannya. Setelah itu kita bisa memberikan
hitungan dalam bentuk tahunan. Dan setelahnya adalah lajur dari
data-data yang kita akan isi.
Tabel 1. Contoh Susunan Data Panel
Individu Tahun Y X1 X2 … Xn
1 1
2
…
n
2 1
2
…
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 32 IBI-K57
n
3 1
2
…
n
… 1
2
…
n
n 1
2
…
n
2. Melakukan Regresi Dengan Model Pooling
Model Pooling adalah menyatukan seluruh data yang tidak
mempertimbangkan individual maupun juga data periode atau
tahunan.
Pada bagian regresi ini kita akan memilih dua pilihan apakah kita
menggunakan pooling effect ataukah kita memilih Fixed Effect.
H0 : Pooling Least Square
H1 : Regresi Fixed Effect
Kriteria untuk menolak jika nilai F hitung lebih kecil dari nilai alpha
atau tingkat kesalahan. Misal F hitung < 0,05. Jika Ho ditolak maka
alternatifnya adalah penggunaan Regresi panel Fixed Effect.
3. Melakukan Regresi Panel Random Effect
Setelah itu kita melakukan Regresi Panel Random Effect. Pada
bagian ini kita akan memilih apakah kita menggunakan Random
Effect atau PLS:
H0 : Pooling Least Square
H1 : Regresi Random Effect
Jika nilai F hitung < 0,05 maka H0 ditolak dan H1 diterima artinya
penggunaan regresi random efek lebih tepat. Sebaliknya kalau F
hitung > 0,005 maka H0 tidak dapat ditolak atau regresi yang
digunakan adalah pooling.
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 33 IBI-K57
4. Melakukan Hausman Test
Jika pada bagian pooling maupun random effect, ternyata pooling
least square ditolak maka hanya ada dua kemungkinan yakni fixed
effect atau random effect.
H0 : Regresi Random Effect
H1 : Regresi Fixed Effect
Kriteria untuk penolakan dari H0 adalah jika nilai P < 0,05, artinya
kita sebaiknya menggunakan metode fixed effect. Sebaliknya jika
nilai P > 0,05 maka kita menggunakan fixed effect.
5. Langkah Uji Asumsi
Jika ternyata metode pooling atau fixed effect yang menjadi pilihan
kita maka kita harus melakukan tes uji asumsi klasik seperti
multikolinearitas, autokorelasi dan juga heteroskedatistitas. Untuk
metode random, uji asumsi klasik hanya untuk multikolinearitas saja.
Sebaliknya autokorelasi dan heteroskedatisitas tidak diperlukan
karena asumsi klasik sudah diperbaiki melalui generalized linear
square.
IV. HASIL DAN PEMBAHASAN
4.1. Tahapan Regresi Data Panel
Setelah data panel siap, kita bisa mengolah data. Adapun langkah-
langkah untuk mengolah data dalam STATA.
a. Menyetel Data Panel
Kita membuat perintah di kolom command dengan xtset individu
tahun.
.xtset perusahaan tahun
panel variable : perusahaan (strongly balanced)
time variable : tahun, 2014 to 2017
delta : 1 unit
Setelah ini kita bisa melanjutkan analisis regresi. Di atas terlihat
variabel panel (panel variable) adalah perusahaan sedangkan
variabel waktunya (time variable) tahunan dari tahun 2014-2017.
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 34 IBI-K57
b. Melakukan Regresi Pooled Least Square
c. Melakukan Regresi Panel Fixed Effect
d. Melakukan Regresi panel random effect
_cons 1.650462 .5249213 3.14 0.003 .6021214 2.698802 roe .0805145 .034677 2.32 0.023 .0112597 .1497692 der -.399654 .2032728 -1.97 0.054 -.8056178 .0063097 pbv Coef. Std. Err. t P>|t| [95% Conf. Interval]
Total 201.793913 67 3.01184945 Root MSE = 1.6414 Adj R-squared = 0.1055 Residual 175.113088 65 2.6940475 R-squared = 0.1322 Model 26.6808253 2 13.3404126 Prob > F = 0.0100 F( 2, 65) = 4.95 Source SS df MS Number of obs = 68
. reg pbv der roe
F test that all u_i=0: F(16, 49) = 4.01 Prob > F = 0.0001 rho .55014911 (fraction of variance due to u_i) sigma_e 1.244389 sigma_u 1.3761383 _cons 1.569091 .8289024 1.89 0.064 -.0966507 3.234833 roe .0501293 .0339628 1.48 0.146 -.0181215 .1183802 der .1397583 .6820727 0.20 0.838 -1.230918 1.510435 pbv Coef. Std. Err. t P>|t| [95% Conf. Interval]
corr(u_i, Xb) = -0.0330 Prob > F = 0.3398 F(2,49) = 1.10
overall = 0.0240 max = 4 between = 0.0128 avg = 4.0R-sq: within = 0.0431 Obs per group: min = 4
Group variable: perusahaan Number of groups = 17Fixed-effects (within) regression Number of obs = 68
. xtreg pbv der roe,fe
rho .45055502 (fraction of variance due to u_i) sigma_e 1.244389 sigma_u 1.1268549 _cons 1.889609 .5839231 3.24 0.001 .7451411 3.034078 roe .056379 .0310202 1.82 0.069 -.0044195 .1171774 der -.3214284 .2943889 -1.09 0.275 -.89842 .2555633 pbv Coef. Std. Err. z P>|z| [95% Conf. Interval]
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0814Random effects u_i ~ Gaussian Wald chi2(2) = 5.02
overall = 0.1317 max = 4 between = 0.2203 avg = 4.0R-sq: within = 0.0369 Obs per group: min = 4
Group variable: perusahaan Number of groups = 17Random-effects GLS regression Number of obs = 68
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 35 IBI-K57
4.2. Memilih Model Yang Tepat
Manakah model yang tepat? Untuk mengetahui model yang tepat,
kita harus mengikuti suatu proses agar kita bisa untuk menyelesaikan
permasalahan dalam model tersebut.
a. Memilih antara Regresi Pooling dengan Regresi Panel Fixed Effect
dengan menggunakan Fixed Effect Restricted, yaitu melihat nilai F
yang ada di bagian yang paling bawah.
Ho : PLS
H1 : FE
Karena nilai hasil regresi panel Fixed Effect menunjukkan nilai
0,0001 artinya kita menolak H0 artinya Fixed Effect lebih disarankan
daripada PLS.
b. Memilih model antara Regresi Pooling dengan Regresi Random
Effect dengan cara menggunakan Breusch Pagan Langrange Test.
Kalau nilai dari F lebih kecil dari alpha atau 0,05 maka H0 dapat
ditolak.
Ho : PLS
H1 : RE
Kalau dari nilai Chi terlihat lebih kecil dari 5 % karenanya pemakaian
PLS ditolak, sementara penggunaan regresi random effect diterima.
c. Tahap 3 FE Versus RE dengan menggunakan perintah seperti ini:
1) Regresi Fixed Effect → xtreg pbv der roe,fe
2) Simpan Hasil Regresi Fixed Effect → Estimates store fe
Prob > chi2 = 0.0000 chi2(1) = 16.31 Test: Var(u) = 0
u 1.269802 1.126855 e 1.548504 1.244389 pbv 3.011849 1.735468 Var sd = sqrt(Var) Estimated results:
pbv[perusahaan,t] = Xb + u[perusahaan] + e[perusahaan,t]
Breusch and Pagan Lagrangian multiplier test for random effects
. xttest0
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 36 IBI-K57
3) Regresi Random Effect → xtreg pbv der roe,re
4) Simpan hasil Regresi Random Effect → Estimates store re
5) Uji Haussman → Hausman fe re
Dengan kriteria:
H0: FE
H1 RE
JIka F<alpha maka terima H0
Kesimpulan yang diterima adalah Fixed Effect karena menolak HO.
Karena hanya Fixed effect maka harus mengikuti uji asumsi klasik.
4.3. Uji Asumsi Klasik
a. Multikolinearitas
Hasilnya nilai VIF <10 artinya tidak terjadi multikolinearitas atau
hubungan anatara sesama variable bebas. Kemudian ujian
hetereskedatisitas.
Prob>chi2 = 0.4363 = 1.66 chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
Test: Ho: difference in coefficients not systematic
B = inconsistent under Ha, efficient under Ho; obtained from xtreg b = consistent under Ho and Ha; obtained from xtreg roe .0501293 .056379 -.0062496 .0138283 der .1397583 -.3214284 .4611867 .6152709 fe re Difference S.E. (b) (B) (b-B) sqrt(diag(V_b-V_B)) Coefficients
Mean VIF 1.51 roe 1.51 0.660124 der 1.51 0.660124 Variable VIF 1/VIF
. vif,uncentered
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 37 IBI-K57
b. Heteroskedatisitas
Dari sini tidak ada terlihat adanya hetoroskedatisitas yang berarti
selisih error konstan dan estimasi regresi dapat diterima.
c. Autokorelasi
Uji ini menguji Autokorelasi .
4.4. Hasil Estimasi
Untuk mengatasi adanya yang tidak sesuai dengan asumsi klasik
yakni penggunaan metode regresi fixed effect robust yang langsung
memperbaiki uji klasik.
Prob>chi2 = 0.0000chi2 (17) = 4.2e+05
H0: sigma(i)^2 = sigma^2 for all i
in fixed effect regression modelModified Wald test for groupwise heteroskedasticity
. xttest3
Prob > F = 0.2701 F( 1, 16) = 1.305H0: no first-order autocorrelationWooldridge test for autocorrelation in panel data
. xtserial pbv der roe
rho .55014911 (fraction of variance due to u_i) sigma_e 1.244389 sigma_u 1.3761383 _cons 1.569091 .7928607 1.98 0.065 -.1116985 3.249881 roe .0501293 .0402483 1.25 0.231 -.0351933 .135452 der .1397583 .7307615 0.19 0.851 -1.409387 1.688904 pbv Coef. Std. Err. t P>|t| [95% Conf. Interval] Robust (Std. Err. adjusted for 17 clusters in perusahaan)
corr(u_i, Xb) = -0.0330 Prob > F = 0.4626 F(2,16) = 0.81
overall = 0.0240 max = 4 between = 0.0128 avg = 4.0R-sq: within = 0.0431 Obs per group: min = 4
Group variable: perusahaan Number of groups = 17Fixed-effects (within) regression Number of obs = 68
. xtreg pbv der roe,fe ro
Jurnal Mediastima ISSN 0852-7105
Volume 25, No. 2 Okt-Mar 2019
Andri Faisal
LPPM 38 IBI-K57
V. KESIMPULAN
Setelah beberapa tahapan metode yang paling cocok adalah Regresi
Random Efek. Regresi Panel Fixed Efect memerlukan uji asumsi Uji
Multikolinearitas, heteroskedatisitas dan autokorelasi. Kedua Uji di atas
lolos hanya saja tidak lolos pada uji autokorelasi karenanya menggunakan
regresi robust fixed effect.
Penggunaan panel data dapat membuat penelitian semakin baik
karena bisa mempelajari banyak spektrum baik individual maupun
tahunan. Pemilihan metode panel hanya berupa saran agar bisa memilih
mana yang paling baik untuk melakukan estimasi maupun pendugaan.
REFERENSI
Arafandi, A.M. 2018. Analisis Regresi Data Panel.
https://ecodevzone.blogspot.com/2018/09/analisis-regresi-data-panel.html diakses 9/20/2019 jam 10:29
Gujarati, D. Econometrics Theory 5th Edition.1995. Economterics Theory. McGrawHill Newyork
Supranto, J. 1984. Ekonometrik: Buku Kedua. Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia.
Suwandi, A. 2011. Modul STATA: Tahapan dan Perintah (SYNTAX) Data Panel. Modul. Laboraturium Komputasi Fakultas Ekonomi dan Bisnis Universitas Indonesia. Tidak dipublikasi