PANEL DATA WITH STATA

Dias Satria
Head of International Undergraduate Program (Economics, Finance and Banking), Universitas
Brawijaya
 Materi ini memfokuskan pada analisis regresi yang mengkombinasikan data time

series dengan data cross section, yang dikenal dengan data panel. Materi ini

diawali dengan deskripsi mengenai data panel. Selanjutnya membahas jenis-

jenis model data panel, diikuti dengan penentuan model terbaik serta asumsi

klasik yang berkaitan dengan regresi data panel. Terakhir, cara regresi data

panel yang didampingi aplikasi-aplikasi untuk memudahkan dalam meregresi

data panel.

..

APA YANG DIMAKSUD DATA PANEL ?

Data panel adalah kombinasi antara data silang tempat (cross section)

dengan data runtut waktu (time series) (Kuncoro, 2011). Aji (2011) menyatakan

bahwa terdapat tiga metode dalam mengestimasi model regresi dengan data

panel, yaitu Pooled Least Square atau biasa menggunakan metode Ordinary

Least Square (OLS), Fixed Effect (FE), dan Random Effect (RE).

Ordinary Least Square (OLS)

Model ini menggabungkan data cross section dan data time series,

kemudian dengan menggunakan metode OLS terhadap data panel tersebut. Dari

pendekatan ini kita dapat melihat perbedaan antar individu dan perbedaan antar

waktu karena interseptnya maupun slope sama. Model ini tidak memperhatikan

adanya perbedaan karakteristik dalam cross section maupun time series dalam

persamaan nya dapat ditulis dalam Gujarati (2012) adalah sebagai berikut:

𝑌𝑖𝑡 = 𝛽1 + 𝛽2 + 𝛽3𝑋3𝑖𝑡 + ⋯ + 𝛽𝑛𝑋𝑛𝑖𝑡 + 𝑒𝑖𝑡

Fixed Effect (FE)

2
 Dalam model ini memiliki intercept yang mungkin berubah-ubah untuk

setiap individu dan waktu, dimana setiap unit cross section bersifat tetap secara

time series persamaan dari model dalam Gujarati (2012) adalah sebagai berikut:

𝑌𝑖𝑡 = 𝛼1 + 𝛼𝑛𝐷𝑛 + … + 𝛽3𝑋3𝑖𝑡 + ⋯ +𝛽𝑛𝑋𝑛𝑖𝑡 + 𝜀𝑖𝑡

Dengan keterangan merupakan variabel dummy sebanyak N-1 dan T-1,

selain itu model ini masih banyak mempunyai kekurangan yaitu kekurangan

derajat kebebasan (degree of freedom) akibat jumlah sample yang terbatas dan

adanya multikolinieritas yang diakibatkan oleh banyaknya variabel dummy yang

diestimasi sedangkan kemampuan estimasinya masih terbatas, terutama jika

terdapat variabel dummy yang diestimasi,ditambah lagi kemungkinan korelasi

diantara komponen residual spesifik (cross section dan time series).

Random Effect (RE)

Model ini mumpunyai kesamaan dengan model sebelumnya yaitu fixed

effects, dimana dimasukan juga dimensi individu dan waktu namun pembeda

model ini dari fixed effects adalah dalam mengestimasi dimasukan juga error

term karena dalam mengansumsikan error term berhubungan dengan dimensi

individu maupun waktu, dalam persamaannya yang ditulis dalam Gujarati (2012)

adalah sebagai berikut:

𝑌𝑖𝑡 = 𝛽0 + 𝛽1𝑋1𝑖𝑡 + 𝛽2𝑋2𝑖𝑡 + 𝛽3𝑋3𝑖𝑡 + ⋯ +𝛽𝑛𝑋𝑛𝑖𝑡 + 𝑒𝑖𝑡

Dimana 𝑒𝑖𝑡 adalah gangguan (error term) yang merupakan gabungan dari

time series dan cross section, untuk melihat apakah model yang digunakan

adalah Fixed Effects atau Random Effects maka harus dilakukan uji Correlated

Random Effects–Hausman Test.

3
BAGAIMANA MENENTUKAN MODEL TERBAIK ?

Penentuan model terbaik antara Ordinary Least Square, Fixed Effect, dan

Random Effect menggunakan dua teknik estimasi model. Dua teknik ini

digunakan dalam regresi data panel untuk memperoleh model yang tepat dalam

mengestimasi regresi data panel. Dua uji yang digunakan, pertama Chow test

digunakan untuk memilih antara model Ordinary Least Square atau Fixed Effect.

Kedua, Hausman test digunakan untuk memilih antara model Fixed Effect atau

random effect yang terbaik dalam mengestimasi regresi data panel. Penggunaan

kedua pengujian tersebut dalam pemilihan model terbaik regresi data panel

ditunjukkan oleh gambar berikut :

Ordinary Least
Square
Chow Test
Fixed Effect

Hausman Test

Random Effect

1. Chow Test

Uji chow ini bertujuan untuk menentukan bagaimana model

digunakan apakah menggunakan Ordinary Least Square atau Fixed

Effects, dengan hipotesis sebagai berikut:

H0 : Model OLS

H1 : Model FE

Dalam menolak maupun menerima hipotesis di atas maka

dilakukan perbandingan antara perhitungan F-tabel dan F-statistik,

4
 apabila F-statistik lebih besar dari F-tabel maka H0 ditolak yang berati

model yang paling cocok untuk digunakan merupakan model fixed effects,

dan jika F-statistik lebih kecil maka model yang paling cocok untuk

digunakan ialah model OLS.

F-statistik > F-tabel = H0 ditolak

F-statistik < F-tabel = H0 diterima

2. Hausman Test

Uji Hausman merupakan uji lanjutan dalam memilih model regresi

data panel. Uji ini dilakukan ketika hasil yang ditunjukan oleh Uji Chow

Model Fixed Effects lebih bagus, dalam Uji Hausman akan di pilih lagi

manakah yang lebih cocok digunakan antara Fixed Effects dan Random

Effects, uji hausman menggunakan hipotesis sebagai berikut:

H0 : Model Random Effects

H1 : Model Fixed Effects

Dalam menolak maupun menerima hipotesis di atas uji Hausman

ini mengikuti distribusi statistik Chi Square dengan degree of freedom

sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai

statistik Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan

model yang tepat adalah model Fixed Effects sedangkan sebaliknya bila

nilai statistik Hausman lebih kecil dari nilai kritisnya maka model yang

tepat adalah model Random Effects (Gujarati, 2012).

ADAKAH ASUMSI KLASIK DALAM DATA PANEL ?

Data panel adalah regresi yang menggabungkan data time series dan data

cross section (Widarjono, 2009). Ada beberapa keuntungan yang diperoleh

dengan menggunakan estimasi data panel. Pertama, meningkatkan jumlah

5
obeservasi (sampel), dan kedua, memperoleh variasi antar unit yang berbeda

menurut ruang dan variasi menurut waktu (Kuncoro, 2012). Menurut Gujarati

(2012) data panel sedikit terjadi kolinearitas antar variabel sehingga sangat kecil

kemungkinan terjadi multikolinearitas. Berdasarkan uraian tersebut asumsi klasik

yang digunakan dalam penelitian adalah uji autokorelasi dan uji

heterokedastisitas.

1. Uji Multikolinearitas

Menurut Ghozali (2001), uji ini bertujuan menguji apakah pada

model regresi ditemukan adanya korelasi antarvariabel independen.

Model regresi yang baik seharusnya tidak terjadi korelasi antarvariabel

independen. Deteksi ada-tidaknya multikolinearitas dalam model regresi

dapat dilihat dari tolerance value atau variance inflation factor (VIF).

Kriteria untuk mendeteksi ada atau tidaknya multikolinearitas dalam

model ini adalah sebagai berikut.

 Nilai R2 sangat tinggi, tetapi secara individual variabel‐variabel

bebas banyak yang tidak signifikan memengaruhi variabel terikat.

 Menganalisis matriks korelasi antar variabel bebas. Jika terdapat

korelasi antarvariabel bebas yang cukup tinggi (>0.9), hal ini

merupakan indikasi adanya multikolinearitas.

 Dilihat dari nilai tolerance dan VIF. Nilai cut off tolerance <0.10 dan

VIF>10 berarti terdapat multikolinearitas. Jika terjadi gejala

multikolinearitas yang tinggi, standard error koefisien regresi akan

semakin besar dan mengakibatkan confidence interval untuk

pendugaan parameter semakin lebar. Dengan demikian, terbuka

kemungkinan terjadinya kekeliruan atau menerima hipotesis yang

salah. Uji multikolinearitas dapat dilaksanakan dengan jalan

6
 meregresikan model analisis dan melakukan uji korelasi

antarvariabel independen dengan menggunakan variance inflating

factor (VIF). Batas VIF adalah 10. Apabila nilai VIF lebih besar

daripada 10, maka dapat dikatakan terjadi multikolinearitas.

2. Uji Heterokedastisitas

Heterokedastisitas timbul apabila nilai residual dari model tidak

memiliki varians yang konstan. Artinya, setiap observasi mempunyai

reliabilitas yang berbeda-beda akibat perubahan kondisi yang

melatarbelakangi tidak terangkum dalam model (Kuncoro, 2011).

Gejala ini sering terjadi pada data cross section (Gujarati, 2012),

sehingga sangat dimungkinkan terjadi heterokedastisitas pada data

panel.

3. Uji Autokorelasi

Autokorelasi muncul karena residual yang tidak bebas antar satu

observasi ke observasi lainnya (Kuncoro, 2011). Hal ini disebabkan

karena error pada individu cenderung mempengaruhi individu yang

sama pada periode berikutnya. Masalah autokorelasi sering terjadi

pada data time series (runtut waktu). Deteksi autokorelasi pada data

panel dapat melalui uji Durbin-Watson. Nilai uji Durbin-Watson

dibandingkan dengan nilai tabel Durbin-Watson untuk mengetahui

keberadaan korelasi positif atau negatif (Gujarati, 2012). Keputusan

mengenai keberadaan autokorelasi sebagi berikut :

a) Jika d < dl, berarti terdapat autokorelasi positif

b) Jika d > (4 – dl), berarti terdapat autokorelasi negatif

c) Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi

d) Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan

7
BAGAIMANA CARA REGRESI DATA PANEL ?

Regresi data panel dalam penjelasan ini menggunakan software Stata

13.1. Langkah pertama yaitu menginput data dan estimasi model. Selanjutnya

menentukan model terbaik, kemudian model tersebut diuji berdasarkan asumsi

klasik. Model yang sempurna merupakan model yang bebas oleh asumsi klasik.

Tahap terakhir dalam regresi data panel sama dengan regresi pada umumnya

yaitu pengujian hipotesis.

APLIKASI 1 : Input Data dan Estimasi Model

1. File > Open > pilih file yang berisikan data (jika data dalam format .dta)

File > Import > pilih file yang berisikan data (jika data dalam format .xls)

Untuk melihat data melalui Data Editor

8
 2. Selanjutnya, ketikkan perintah sebagai berikut dikotak command

kemudian tekan enter:

. xtset id tahun, yearly

Perintah (command) di atas bertujuan untuk membentuk atau declare

dataset panel data agar pengujian ini dapat dilakukan. Hasilnya adalah

sebagai berikut:

. xtset id tahun, yearly

panel variable: id (strongly balanced)
time variable: tahun, 2000 to 2009
delta: 1 year

APLIKASI 2 : Menentukan Model Terbaik

1. Uji Chow : Ordinary Least Square vs Fixed Effect

Langkah-langkah :

Melakukan uji model Ordinary Least Square dengan menulis

syntax dikolom command > klik Enter

. reg y x1 x2 x3

9
 . reg y x1 x2 x3

Source SS df MS Number of obs = 500

F( 3, 496) = 388.12
Model 52664.5498 3 17554.8499 Prob > F = 0.0000
Residual 22434.5282 496 45.2309036 R-squared = 0.7013
Adj R-squared = 0.6995
Total 75099.078 499 150.499154 Root MSE = 6.7254

y Coef. Std. Err. t P>|t| [95% Conf. Interval]

x1 .2096624 .0176373 11.89 0.000 .1750093 .2443155

x2 .251149 .0166602 15.07 0.000 .2184157 .2838823
x3 .2159845 .0176206 12.26 0.000 .1813642 .2506048
_cons 42.13639 1.101853 38.24 0.000 39.97152 44.30126

Melakukan uji model Fixed Effect dengan menulis syntax dikolom

command > klik Enter

. xtreg y x1 x2 x3, fe

. xtreg y x1 x2 x3, fe

Fixed-effects (within) regression Number of obs = 500

Group variable: id Number of groups = 50

R-sq: within = 0.4908 Obs per group: min = 10

between = 0.9363 avg = 10.0
overall = 0.6997 max = 10

F(3,447) = 143.61
corr(u_i, Xb) = 0.6027 Prob > F = 0.0000

y Coef. Std. Err. t P>|t| [95% Conf. Interval]

x1 .1271326 .0164944 7.71 0.000 .0947164 .1595487

x2 .1814946 .0153389 11.83 0.000 .1513493 .2116398
x3 .1589053 .0160304 9.91 0.000 .1274011 .1904095
_cons 53.22545 1.237474 43.01 0.000 50.79346 55.65744

sigma_u 5.2402798
sigma_e 5.5929275
rho .46748198 (fraction of variance due to u_i)

F test that all u_i=0: F(49, 447) = 5.51 Prob > F = 0.0000

Apabila P Value (Prob>F) < Alpha 0.05 maka H1 diterima artinya

pilihan terbaik adalah Fixed Effect, yaitu dengan cara melihat nilai

prob F yang paling bawah pada hasil output Fixed Effect.

2. Uji Hausman : Fixed Effect vs Random Effect

Langkah-langkah :

10
Melakukan uji model Random Effect dengan menulis syntax

dikolom command > klik Enter

. xtreg y x1 x2 x3, re

. xtreg y x1 x2 x3, re

Random-effects GLS regression Number of obs = 500

Group variable: id Number of groups = 50

R-sq: within = 0.4899 Obs per group: min = 10

between = 0.9381 avg = 10.0
overall = 0.7011 max = 10

Wald chi2(3) = 844.16

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

y Coef. Std. Err. z P>|z| [95% Conf. Interval]

x1 .1811264 .0171092 10.59 0.000 .1475929 .2146598

x2 .2284076 .0160265 14.25 0.000 .1969961 .259819
x3 .1968289 .0169139 11.64 0.000 .1636783 .2299795
_cons 45.86759 1.182203 38.80 0.000 43.55051 48.18466

sigma_u 1.7352589
sigma_e 5.5929275
rho .08780843 (fraction of variance due to u_i)

Apabila pada uji Chow pilihan jatuh pada model Fixed Effect,

maka selanjutnya adalah penentuan model mana yang terbaik

antara Fixed Effect atau Random Effect. Caranya dengan menulis

syntax dikolom command > klik Enter

. quietly xtreg y x1 x2 x3, fe

. estimates store fe
. quietly xtreg y x1 x2 x3, re
. estimates store re
. hausman fe re

11
 . quietly xtreg y x1 x2 x3, fe

. estimates store fe

. quietly xtreg y x1 x2 x3, re

. estimates store re

. hausman fe re

Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fe re Difference S.E.

x1 .1271326 .1811264 -.0539938 .

x2 .1814946 .2284076 -.046913 .
x3 .1589053 .1968289 -.0379236 .

b = consistent under Ho and Ha; obtained from xtreg

B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(3) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 239.93
Prob>chi2 = 0.0000
(V_b-V_B is not positive definite)

Apabila P Value (Prob>Chi2) < Alpha 0.05 maka H0 ditolak artinya

pilihan terbaik adalah Fixed Effect.

APLIKASI 3 : Menguji Asumsi Klasik

1. Uji Multikolinearitas

Langkah-langkah :

Ordinary Least Square

Melakukan uji Multikolinearitas dengan menulis syntax dikolom

command > klik Enter

. reg y x1 x2 x3

. vif

Fixed Effect dan Random Effect

Melakukan uji Multikolinearitas dengan menulis syntax dikolom

command > klik Enter

. xtreg y x1 x2 x3, fe

12
 . vif, uncentered

. vif, uncentered

Variable VIF 1/VIF

x3 9.27 0.107893
x2 9.12 0.109649
x1 8.96 0.111602

Mean VIF 9.12

Apabila nilai VIF > 10 atau tolerance (1/VIF) adalah .01 atau

kurang maka, mengindikasikan adanya multikolinearitas.

2. Uji Heterokedastisitas

Langkah-langkah :

Ordinary Least Square

Melakukan uji Heterokedastisitas dengan menulis syntax dikolom

command > klik Enter

. reg y x1 x2 x3

. hettest

Fixed Effect

Melakukan uji Heterokedastisitas dengan menulis syntax dikolom

command > klik Enter

. xtreg y x1 x2 x3, fe

. xttest3

Jika perintah tidak tersedia, maka harus menginstal terlebih

dahulu pada viewer > cari heteroscedasticity > klik SJ-5-2 > instal
. xttest3

Modified Wald test for groupwise heteroskedasticity

in fixed effect regression model

H0: sigma(i)^2 = sigma^2 for all i

chi2 (50) = 374.84

Prob>chi2 = 0.0000

Random Effect

13
 Melakukan uji General Least Square (GLS) dengan menulis

syntax dikolom command > klik Enter

. xtgls y x1 x2 x3

3. Uji Autokorelasi

Langkah-langkah :

Ordinary Least Square

Melakukan uji Autokorelasi dengan menulis syntax dikolom

command > klik Enter

. reg y x1 x2 x3

. bgodfrey

Fixed Effect

Melakukan uji Autokorelasi dengan menulis syntax dikolom

command > klik Enter

. xtserial y x1 x2 x3

Jika perintah tidak tersedia, maka harus menginstal terlebih

dahulu pada viewer > cari xtserial > klik SJ-3-2 > instal
. xtserial y x1 x2 x3

Wooldridge test for autocorrelation in panel data

H0: no first-order autocorrelation
F( 1, 49) = 3.285
Prob > F = 0.0761

Random Effect

Melakukan uji General Least Square (GLS) dengan menulis

syntax dikolom command > klik Enter

. xtgls y x1 x2 x3

APLIKASI 4 : Perbaikan Asumsi Klasik

14
 Pada model Ordinary Least Square dan Fixed Effect, apabila implikasi terjadi

autokorelasi dan heterokedastisitas pada data panel dapat diperbaiki dengan

berbagai macam cara, akan tetapi khusus Random Effect tidak perlu menguji

atau mengatasi permasalahan pada asumsi klasik karena sudah menggunakan

metode GLS. Langkah-langkahnya sebagai berikut :

Ordinary Least Square

Menulis syntax dikolom command > klik Enter

1. Robust

. reg y x1 x2 x3, ro

2. General Least Square (GLS)

. xtgls y x1 x2 x3

Fixed Effect

Menulis syntax dikolom command > klik Enter

1. Robust

. xtreg y x1 x2 x3, fe ro

. xtreg y x1 x2 x3, fe ro

Fixed-effects (within) regression Number of obs = 500

Group variable: id Number of groups = 50

R-sq: within = 0.4908 Obs per group: min = 10

between = 0.9363 avg = 10.0
overall = 0.6997 max = 10

F(3,49) = 45.04
corr(u_i, Xb) = 0.6027 Prob > F = 0.0000

(Std. Err. adjusted for 50 clusters in id)

Robust
y Coef. Std. Err. t P>|t| [95% Conf. Interval]

x1 .1271326 .017056 7.45 0.000 .0928573 .1614078

x2 .1814946 .0189575 9.57 0.000 .1433981 .219591
x3 .1589053 .0186755 8.51 0.000 .1213755 .1964351
_cons 53.22545 2.165662 24.58 0.000 48.87339 57.57751

sigma_u 5.2402798
sigma_e 5.5929275
rho .46748198 (fraction of variance due to u_i)

15
 2. General Least Square (GLS)

. xtgls y x1 x2 x3 [Link]

APLIKASI 5 : Pengujian Hipotesis

Pengujian hipotesis dalam penelitian ini dapat diukur dari goodness of fit

fungsi regresinya, Secara statistik, analisa ini dapat dapat diukur dari nilai

statistik t, nilai statistik F, dan koefisien determinasi. Analisa regresi ini bertujuan

untuk mengetahui secara parsial maupun simultan pengaruh variabel

independen terhadap variabel dependen serta untuk mengetahui proporsi

variabel independen dalam menjelaskan perubahan variabel dependen.

1. Uji t (Uji Signifikansi Invidu)

Nilai t-hitung digunakan untuk menguji apakah masing-masing variabel

bebas yang digunakan berpengaruh signifikan terhadap variabel terikat.

Variabel bebas dikatakan berpengaruh signifikan jika t-hitung>t-tabel. Untuk

menghitung t-hitung dapat menggunakan rumus:

̂ (̂ )√
t= ̂ = ̂

Hipotesis yang diuji:

H0 : βi = 0 Tidak ada pengaruh signifikan dari variabel bebas terhadap

variabel terikat yang dalam model.

H1 : βi ≠ 0 Variabel bebas berpengaruh signifikan terhadap variabel terikat.

2. Uji F (Uji Signifikansi Serentak)

Nilai F-hitung dalam Uji signifikansi serentak/simultan digunakan untuk

menguji apakah penggunaan model sudah tepat dan apakah hasil regresi

dapat dipercaya. Uji F ini bertujuan untuk mengetahui apakah variabel bebas

yang digunakan mampu menjelaskan perubahan variabel terikat. Artinya nilai

F-hitung ini untuk membuktikan kebenaran atau kesalahan, menerima atau

16
menolak hipotesis nol. Jika hipotesis nol ditolak, berarti semua variabel atau

minimal ada satu variabel berpengaruh signifikan terhadap variabel terikat

yang digunakan. Sebaliknya jika menerima hipotesis nol berarti variabel

bebas tidak berpengaruh signifikan terhadap variabel bebas dalam model.

Untuk menguji apakah Ho diterima atau ditolak, kita dapat membandingkan

nilai F-hitung dengan nilai F-tabel dengan derajat kebebasan df: α, (k-1), (n-

k). Nilai F hitung dapat diperoleh dengan rumus:

F=

Hipotesis yang digunakan:

H0 : βi = 0 Semua variabel bebas secara serentak tidak berpengaruh

signifikan terhadap variabel terikat.

H1 : βi ≠ 0 Semua variabel bebas atau minimal ada satu variabel secara

serentak berpengaruh signifikan terhadap variabel bebas.

3. Uji Koefisien Determinasi (R2)

Koefisien determinasi digunakan untuk mengetahui seberapa jauh model

regresi mampu menjelaskan variabel terikat atau apakah sudah cukup tepat

memilih variabel independen untuk mengukur variabel dependen. Nilai

koefisien determinasi dapat dihitung dengan rumus:

R2 = 1 -

Nilai koefisien determinasi berada diantara nol dan satu (0<R2<1).

Semakin mendekati satu, semakin tepat pemilihan variabel bebas untuk

menjelaskan variabel terikat. Begitu pula sebaliknya, semakin mendekati

nol, semakin tidak tepat pemilihan variabel bebas untuk menjelaskan

variabel terikat.

17