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

mailto:[email protected]



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



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.



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:



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.



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.



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



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



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



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

…



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.



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.



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


Group variable: perusahaan Number of groups = 17Random-effects GLS regression Number of obs = 68



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



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



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


Group variable: perusahaan Number of groups = 17Fixed-effects (within) regression Number of obs = 68

. xtreg pbv der roe,fe ro



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

https://ecodevzone.blogspot.com/2018/09/analisis-regresi-data-panel.html

PENGGUNAAN DATA PANEL UNTUK PENELITIAN MANAJEMEN...

Documents

Transcript of PENGGUNAAN DATA PANEL UNTUK PENELITIAN MANAJEMEN...