METODE DATA PANEL

DINAMIS

1
Departemen Ilmu Ekonomi Syariah, FEM-IPB
 Model Data Panel

Model Data Panel Statis Model Data Panel Dinamis

Ketika lag peubah dependen muncul:
misal yit = Xit  + it , dimana it = i + it
Endogeneity problem
Estimasi diproses dengan stacking the
data adalah OLS.
Penduga akan tidak konsisten dan
bias (Verbeek, 2004)
Jika
I (time-invariant effect) berkorelasi
dengan Xit (regressors), model disebut
Arellano and Bond (1991)
model FIXED-EFFECTS
menyarankan sebuah moment
condition yang dapat didekati melalui
Jika i tidak berkorelasi dengan Xit,
kerangka GMM.
model disebut model RANDOM-EFFECTS

1. First Differences GMM (FD-GMM)

UJI HAUSMAN
2. System GMM (SYS-GMM)
(H0: random effects estimator is correct)
 CONTINUUM

FIXED RANDOM GMM OLS

The Arrelano-Bond Estimator
Dalam model DATA PANEL dinamis, situasi secara substansi berbeda
dengan model data panel statis karena Yt-1 akan bergantung pada αi
dan tidak tergantung pada perlakuan αi .

Untuk mengatasi masalah ini, pendekatan method of moments dapat

digunakan. Arrelano dan Bond (1991) menyarankan pendekatan
Generalized Method of Moments (GMM).
Pendekatan GMM merupakan salah satu yang populer. Ada dua
alasan yang mendasari yaitu :

1. GMM merupakan common estimator dan memberikan

kerangka yang lebih bermanfaat untuk perbandingan dan
penilaian
2. GMM memberikan alternatif yang sederhana terhadap
estimator lainnya, terutama terhadap maximum likelihood
The Arrelano-Bond Estimator lanjutan
Namun demikian, GMM estimator juga tidak terlepas dari kelemahan.
Adapun beberapa kelemahan metode ini yaitu :

1. GMM estimator adalah asymptotically efficient dalam ukuran

contoh besar tetapi kurang efisien dalam ukuran contoh yang
terbatas (finite).
2. Estimator ini terkadang memerlukan sejumlah implementasi
pemrograman sehingga dibutuhkan suatu perangkat lunak
(software) yang mendukung aplikasi pendekatan GMM.

Ada dua jenis prosedur estimasi GMM yang digunakan oleh penelitian
terdahulu dalam mengestimasi model autoregresi linier yaitu :

1. First-Differences GMM atau FD-GMM.

2. System GMM atau SYS-GMM.
First Difference GMM (FD-GMM)

Misalkan sebuah model AR(1) sbb :

yit =  yit −1 + uit  1 ……………(4.1)

Dimana uit = i + vit , uit ~ IID(0,   ) dan vit ~ IID(0,  v ) bebas

2 2

satu sama lain dan diantara mereka sendiri. Pertama-tama kita

first difference untuk mengeliminasi efek individu

yit − yi ,t −1 =  ( yi ,t −1 − yi ,t −2 ) − (vit − vi ,t −1 )
……………(4.2)
dan perlu diketahui bahwa (vit − vi ,t −1 ) adalah MA(1) dengan unit
root. Untuk t=3, periode pertama yang kita amati, kita memiliki

yi 3 − yi 2 =  ( yi 2 − yi1 ) + (vi 3 − vi 2 ) ………(4.3)

First Difference GMM (FD-GMM) lanjutan

Dalam hal ini, yit instrumen yang valid, karena berkorelasi dengan
( yi 2 − yi1 ) dan tidak dengan (vit − vi ,t −1 ) selama vit tidak berkorelasi
serial. Untuk t = 4 periode kedua yang kita amati menjadi

yi 4 − yi 3 =  ( yi 3 − yi 2 ) + (vi 4 − vi 3 ) ……………(4.4)
Dalam kasus ini, yi 2 begitu juga dengan yi1 merupakan instrumen
yang valid untuk ( yi 3 − yi 2 ) , karena yi 2 dan yi1 tidak berkorelasi
dengan (vi 4 − vi 3 ) . Prosedur instrumental variable masih belum ada
untuk differenced error term pada persamaan (4.2), dimana
E(vi vi) =  v2 ( I N  G) ……………(4.5)

dimana vi = (vi 3 − vi 2 ,..., viT − viT −1 ) dan

First Difference GMM (FD-GMM) lanjutan

 2 −1 0 0 0
0
 
 −1 2 −1 0 0 0
G=  ……………(4.6)
 
0 0 0 −1 2 −1
0 0 0 0 −1 2 

adalah (T-2) x (T-2), karena vi adalah MA(1) dengan UNIT ROOT.
Didefinisikan sebagai

 yi  0 
 
 yi1 , yi 2 
Wi =   ………(4.7)

 
 0  yi1 ,..., yi ,T − 2  
Kemudian, matriks instrumen adalah W = W1,...,WN dan persamaan
instrumen yang dideskripsikan sebelumnya dicirikan oleh E (Wivi ) = 0 .
Dengan mengalikan ulang persamaan difference (4.2) dalam bentuk
vektor dengan Wi , kita akan memperoleh

W y = W (y−1 ) + W v ………(4.8)

Dengan melakukan GLS pada (4.8) kita akan memperoleh Arrelano

dan Bond (1991) preliminary one-step consistent estimator
−1
ˆ1 = ( y−1 ) W (W ( I N  G )W ) −1W (y−1 ) 
  …(4.9)

x ( y−1 )W (W ( I N  G )W ) −1W (y−1 ) 

Optimal GMM estimator dari  ala Hansen (1982) untuk N yang tak
hingga dan T relatif tetap dengan hanya menggunakan moment
restriction di atas menghasilkan notasi yang sama seperti (4.9) kecuali
bahwa
N
W ( I N  G )W = WiGWi
i =1
digantikan oleh
N
VN = Wi(vi )(vi )Wi
i =1

GMM estimator memerlukan no knowledge concerning kondisi awal

atau distribusi dari vi dan ui. Untuk menjalankan metode estimasi ini
v digantikan oleh difference residual yang diperoleh dari preliminary
consistent estimator ˆ1 . Hasil metode estimasi ini adalah two-step
Arrelano-Bond (1991) GMM estimator :
−1
ˆ2 = ( y−1 ) WVˆN−1W (y−1 )  ( y−1 ) WVˆN−1W (y )  …(4.10)
   
Sebuah estimasi yang konsisten dari asymptotic var ( ˆ2 ) diberikan
oleh bentuk pertama dalam (4.10)

−1
ˆ  
v̂ar( 2 ) = ( y−1 ) WVN W (y−1 )
ˆ −1
 
 
Perhatikan bahwa ˆ1 dan ˆ2 adalah asymptotically equivalent jika
vit adalah IID(0, v2 ).
First Difference GMM (FD-GMM) lanjutan

Namun demikian, FD-GMM estimator pada ukuran

contoh kecil (terbatas) dan dapat dikatakan bias. Hal ini terjadi ketika
lagged level dari series berkorelasi secara lemah dengan first-
difference berikutnya, oleh karenanya instrumen yang tersedia untuk
persamaan first-difference adalah lemah (Blundell dan Bond, 1998).
Pada persamaan model AR (1), fenomena ini dapat terjadi karena
autoregressive parameter ( ) mendekati satu atau ragam dari efek
individu ( i ) meningkat relatif terhadap ragam dari transient shock (vit).

Jika estimasi FD-GMM mendekati atau dibawah estimasi efek tetap

(fixed effect), maka kita dapat menarik kesimpulan bahwa estimasi
GMM downwards biased. Hal ni mungkin disebabkan oleh
instrumen yang lemah (weak instrument).
Blundell and Bond System GMM (SYS-GMM) Estimator

Blundell dan Bond (1998) menyatakan pentingnya dari pemanfaatan

kondisi semula dalam menghasilkan metode penduga (estimator)
yang efisien dari model data panel dinamis ketika T berukuran kecil.
Misalkan model autoregresi sederhana data panel dinamis sbb :

yit =  yit −1 + ui + vit

Dengan E ( i ) = 0, E (vit ) = 0 dan E ( i vit ) = 0 untuk I = 1,2,… ,N ;
T = 1,2,… ,T. Blundell dan Bond (1998) fokus pada kasus dimana
T = 3 dan oleh karena hanya ada satu kondisi ortogonal yang
diberikan E ( yi1vi 3 ) = 0 , maka  adalah just-identified. Dalam kasus
ini, tahapan pertama regresi instrumental variable diperoleh dengan
meregresikan yi 2 pada yi1 . Perhatikan bahwa regresi ini dapat
diperoleh dari (4.12) yang dievaluasi dari pada t = 2 dengan
mengurangi kedua sisi persamaan ini, menjadi

yi 2 = ( −1) yi ,1 + ui + vi 2
Blundell and Bond System GMM (SYS-GMM) Estimator

Karena kita mengharapkan E ( yi1ui )  0,maka ( − 1) akan bias ke

atas (upward biased) dengan
c
plim(ˆ − 1) = (ˆ − 1)
c + ( u2 /  m2 )
dimana c = (1 −  ) /(1 +  ).Bias ini dapat menyebabkan koefisien
estimasi pada peubah instrumen mendekati nol. Selain itu, nilai F-stat
dari regresi tahap pertama IV konvergen menuju nol dengan
noncentrality parameter
( c )
2
2

 = → 0, dimana  → 1
u

 + c
2
u
2
u

Karena  → 0 , Blundell dan Bond menghubungkan bias dan kurang

cermatnya FD-GMM estimator dengan masalah lemahnya instrumen
dan hal ini dicirikan oleh parameter konsentrasinya (  ).
Arrelano-Bover Estimator
Arrelano dan Bover (1995) mengembangkan sebuah kerangka GMM yang
terintegrasi untuk mencari pengestimasi peubah instrumen (instrumental
variable) yang efisien unuk model data panel dinamis.
−1
ˆ = W H M ( M H H M ) M HW  W H M (M H H M ) −1 M Hy
−1

………(4.14)
The Ahn-Schmidt Moment Conditions
Ahn dan Schmidt (1995) menunjukkan bahwa dibawah asumsi standar yang
digunakan dalam model data panel dinamis, ada beberapa tambahan
conditional moment yang diabaikan oleh penduga peubah instrumen yang
disarankan oleh Anderson dan Hsiao (1981). Holtz-Eakin,et, al. (1988) dan
Arrelano dan Bond (1991).
Dibawah asumsi sebelumnya, maka akan diperoleh T(T-1)/2
moment conditions :

E ( yis uit ) = 0 t = 2,......, T ; s = 0......, t − 2 ………(4.15)

namun Ahn dan Schmidt (1995) menemukan T-2 moment conditions
tidak diimplikasikan oleh 4.15 melainkan oleh

E ( yiT uit ) = 0 t = 2,......, T − 1 ………(4.16)

Oleh karena itu 4.15 dan 4.16 mengimplikasikan satu set T(T-1)+(T-2)
moment conditions yang mewakili seluruh kondisi bersyarat yang
diimplikasikan oleh asumsi bahwa vit adalah satu sama lain tidak berkorelasi
diantara mereka sendiri dan dengan i dan yi 0 .

The Keane-Runkle Estimator

Keane-Runkle (KR) (1992) menyarankan sebuah alternatif algoritma yang

lebih efisien yang meliputi struktur umum variance-covariance untuk faktor
pengganggu berdasarkan ide runtun waktu (time-series). Metode estimasi ini
mengeliminasi pola korelasi serial (serial correlation pattern) di dalam data,
sementara tetap menjaga kegunaan instrumen sebelumnya dalam
memperoleh estimasi parameter yang konsisten.
The Keane-Runkle Estimator lanjutan
Pertama, kita akan memperoleh sebuah estimasi yang konsisten dari ts
−1

dan Cholesky Decomposition PˆTS . Selanjutnya, mengalikan ulang model

dengan QˆTS = ( I n  PˆTS ) dan mengestimasi model dengan 2SLS. Dalam kasus
ini
−1
ˆKR =  X QˆTS PW QˆTS X  X QˆTS PwQˆTSY ………(4.17)

dimana Pw = W (W W )−1W  adalah matriks proyeksi untuk kumpulan instrumen

W. Perhatikan bahwa hal ini menyatakan untuk sebuah matriks kovarian ts
dan elemen nyatanya T(T+1)/2 harus lebih kecil dari N.
Contoh Aplikasi
Pengujian Convergence Hypothesis

Kita akan mengkaji apakah proses konvergensi

terjadi antar provinsi di Indonesia. Kita dapat
menggunakan model data panel dinamis untuk
menjawab permasalahan ini.
Asumsikan fungsi produksi Cobb-Douglas constant return to scale
dengan output (Y ) dan tiga input yaitu kapital (K),tenaga kerja (L) dan
labor augmenting technological progress (A)

Y (t ) = K (t ) ( A(t ) L(t ))1−

dimana 0< α < 1. Angkatan kerja dan pertumbuhan teknologi pada tingkat
konstan dan eksogen

L(t ) = L(0)e nt
A(t ) = A(0)e gt
dimana n adalah tingkat pertumbuhan dari angkatan kerja dan g adalah
tingkat pertumbuhan dari kemajuan teknologi. L(0) adalah kondisi semula
dari angkatan kerja dan A(0) adalah kondisi semula dari teknologi.
 Y (t )
Jika yˆt = = output per effective dari unit tenaga kerja
A(t ) L(t )
K (t )
Kˆ t = = capital per effective dari unit tenaga kerja
A(t ) L(t )

maka

ˆy(t ) = f (kˆ(t )) = kˆ(t ) ………(4.21)

sehingga evolusi dari kapital dinotasikan dengan

ˆ ˆ
k (t )sk (t ) − kˆ(t )(n + g +  )………(4.22)


dimana s adalah saving rate dan  adalah tingkat depresiasi kapital.

The steady state capital stock, K̂ * dapat ditentukan dengan men-set
persamaan (4.22) sama dengan nol. Sehingga
1

ˆ  s  1−
K (t ) = 
*

 n + g + 
Dengan mensubtitusikan persamaan (4.23) ke dalam fungsi produksi, maka
the steady state output per effective unit tenaga kerja dapat diturunkan.
Dalam bentuk logaritma natural (ln) dapat ditulis sbb:

  
ln yˆ =    ln s − ln(n + g +  )
*

 1− 
Tingkat konvergensi ( ) adalah tingkat dimana output per effective unit
tenaga kerja mendekati nilai steady state nya, diberikan oleh

d ln yˆ (t )
=  ln( yˆ * ) − ln yˆ (t ) 
dt

ln y(t2 ) = (1 −  )ln y + (1 −  )ln yˆ (t1 )

ˆ ˆ *

dimana  = (1 −  )(n + t +  ),  = e dan  = (t2 − t1 )

Persamaan (4.26) mewakili proses partial adjustment dimana nilai target
optimal peubah tak bebas (dependent variable) ditentukan oleh explanatory
variable dari periode saat ini.
 Jika sekarang output dihitung dalam per effective unit, persamaan (4.26)
dapat ditulis

 Y (t )   Y (t ) 
ln yˆ (t ) = ln   = ln  gt 
 A(t ) L (t )   A(t ) e L (t ) 
atau

 Y (t ) 
ln y (t ) = ln   − ln A(0) − gt
 L(t ) 
Subtitusikan ln y (t ) ke dalam persamaan (4.26) dan kurangkan dengan
untuk kedua sisi maka akan diperoleh

ln y(t2 ) − ln y(t1 ) = −(1 −  ) ln y(t1 ) + (1 −  ) ln A(0) + g (t2 −  t1 )

 
+(1 −  ) ln( s) − (1 −  ) ln (n + g +  )
1− 1−
z
 Y (t )
dimana y(t ) = L(t ) sama dengan capita output dan the parenthetical term z
sebagai log steady-state per capita output
Misalkan  = −(1 −  ) sebagai parameter income pada t1 , maka kecepatan
konvergensi dapat ditulis sbb :

ln(  − 1)
=

Persamaan (4.28) dapat ditulis sebagai model autoregressive dari model
pertumbuhan menjadi

ln y(t2 ) =  ln y(t1 ) + (1 −  ) ln A(0) + g (t2 −  t1 )

 
+(1 −  ) ln( s) − (1 −  ) ln (n + g +  )
1− 1−
Dalam literatur data panel konvensional, persamaan (4.30) dapat ditulis sbb

ln y (t2 ) =  ln yi ,t −1 + 1 ln si ,t −1 +  2 ln(n + g +  )i ,t + i + vi ,t

dimana
 
xit = (ln( sit ), ln(nit , g +  )), = ((1 −  ) , −(1 −  ) ) dan  = 1 +  = 
1− 1−
Persamaan akhir untuk (4.31) dapat ditulis sbb :

zit = (1 −  )zi ,t −1 +  xit + Di + uit , i = 1, 2,...N , t = 3,..., T

dimana z adalah pendapatan regional dan xit mengandung rasio investasi

terhadap PDB regional, tingkat pertumbuhan populasi dan tingkat kemajuan
teknologi dan penyusutan yang diasumsikan 5 %. Persamaan (4.32) ini sama
dengan penelitian terdahulu dan literatur tentang pertumbuhan (Romer, 2006)
 Uji Spesifikasi Model Data Panel

Untuk model panel statis, masalahnya adalah penentuan model efek

tetap atau efek acak. Pelatihan ini menggunakan Uji Hausman.

Beberapa kriteria digunakan untuk menemukan model dinamis atau

GMM paling sempurna :
1. Konsistensi. Arellano–Bond m1 and m2 statistics are relied on to
check the serial correlation property of the level residuals.
2. Validitas dari instrumen. Moment conditions diperiksa dengan
menggunakan Uji Sargan.
3. Tidak Bias. OLS akan menyebabkan estimasi biased upwards dan
efek tetap akan menyebabkan estimasi biased downwards.

Penduga Terbaik: Konsisten, Valid dan Tidak Bias

 Estimasi Data Panel Dinamis

FD-GMM estimator memberikan koefisien positif dan kurang dari 1,

mengimplikasikan proses konvergensi berlaku di Indonesia.
Namun demikian, koefisien ini jauh lebih rendah daripada estimasi
efek acak (downward biased).

Sebuah pendekatan Uji Sargan menyatakan bahwa peubah

instrumen yang digunakan dalam FD-GMM adalah tidak valid.

Need more stronger instruments GMM-SYS

 Estimasi SYS-GMM

Estimasi dari koefisien berada di atas efek tetap, dan dibawah estimasi
OLS yang sesuai: UNBIASED ESTIMATOR

Signifikansi statistik m1 dan tidak signifikansi statistik m2

mengindikasikan kurangnya second order serial correlation di dalam
residual dari pembedaan spesifikasi: CONSISTENT ESTIMATOR

Uji Sargan dari over-identifying restrictions mendeteksi tidak ada

masalah dengan validitas instrumen: VALID ESTIMATOR

Convergence process prevails, but the speed is low (.29 %)

Regional Income and Investment have the positive relationship
 Table 1. OLS Estimation of Convergence
Process in Indonesia

Parameters Estimated Standard Error P-value

Coefficients

Yi,t-1 1.0006 .3362-E02 .000

sit .0112 .5265-E02 .045

xit .4952-E02 .0147 .739

Implied  NA

R2 .9998
Adj-R2 .9997
LM het-test .6268 [.429]
 Table 2. Fixed effects Estimation of
Convergence Process in Indonesia

Parameters Estimated Standard P-value

Coefficients Error

Yi,t-1 .8817 .0142 .000

sit .0125 .7832-E02 .111

xit -.0626 .0284 .028

Implied  12.59

R2 .9853
Adj-R2 .9845
LM het-test .0493 [.824]
Durbin-Watson 2.0140 [.509,.617]
 Table 3. Random effects Estimation of
Convergence Process in Indonesia

Parameters Estimated Standard P-value

Coefficients Error

Yi,t-1 .9619 .8095-E02 .000

sit .5460-E02 .6950-E02 .432

xit .0105 .0226 .643

Implied  62.55

R2 .9833
Adj-R2 .9832
LM het-test .1187 [.730]
Durbin-Watson .8617 [.043,.074]
Hausman test H0:RE vs. FE: CHISQ(3) = 48.307, P-value = [.0000]
 Table 4. FD-GMM Estimation of
Convergence Process in Indonesia

Parameters Estimated Standard Error P-value

Coefficients

Yi,t-1 .5696 .0408 .000

sit -.1741 .0307 .000

xit - .3812 .1440 .008

Implied  56.28

LM Test:
Order 1 -5.3410, Two-tailed area : .0000
Order 2 1.7267, Two-tailed area : .0842
Sargan test 199.2536, Upper tail area : .0013
 Table 5. SYS-GMM Estimation of
Convergence Process in Indonesia

Parameters Estimated Standard P-value

Coefficients Error

Yi,t-1 .9971 .2227-E02 .000

sit .0327 .4947-E02 .000

xit -.0200 .0134 .139

Implied  .29

LM Test:
Order 1 -3.1897, Two-tailed area : .0014
Order 2 .7618, Two-tailed area : .4462
Sargan test 109.9013, Upper tail area : .0983
 UJI UNIT ROOT
PADA DATA PANEL
 UJI UNIT ROOT
PADA DATA PANEL

• ASUMSI CROSS-SECTIONAL INDEPENDENCE

1. Uji Levin, Lin dan Chu (LLC)
2. Uji Im, Pesaran dan Shin (IPS)
3. Uji Breitung
4. Uji Kombinasi p-value (Combining P-value test)
5. Residual Based LM Test
• ASUMSI CROSS-SECTIONAL DEPENDENCE
 Uji LLC

• Levin, Lin dan Chu (LLC) : uji UNIT ROOT bagi masing-masing
individu (cross-section) mempunyai keterbatasan dalam
hipotesis alternatif. Hal ini disebabkan secara persisten
terjadi deviasi yang cukup besar terhadap keseimbangannya,
terutama terjadi pada ukuran sample yang kecil.
• Oleh karena itu, disarankan suatu uji UNIT ROOT bagi DATA
PANEL yang lebih powerful daripada hanya uji pada masing-
masing cross-sectionnya.
• H0 : masing-masing cross-section mempunyai UNIT ROOT.
 Uji LLC
• Uji LLC dinyatakan p
dalam persamaan berikut:
yit =  yi ,t −1 +  iL yit − L +  mi d mt +  it
i

L =1
• m = 1,2,3
• Karena ordo lag tidak diketahui, maka perlu dilakukan
tiga tahap prosedur uji LLC:
1. Lakukan uji Augmented Dickey-Fuller (ADF) masing-
masing secara terpisah
2. Lakukan estimasi long-run standard deviation
1T k
 1 T

melalui persamaan 2

yi =
T −1

t =2
y2
+
it 2  
L =1
T −1

KL  y y 

t = 2+ L
it i .t − L

3. Hitung uji statistik untuk panel dengan

mengestimasi pooled regresi persamaan

eit =  i ,t +  it
 Uji LLC

• Adjusted t-statistic:
t − NTS ˆ −2
ˆ ( 
ˆ )  *

t* =  N  mT

ˆ mT
*

• Kelemahan uji LLC:

1. uji ini sangat tergantung pada asumsi interdependensi
antar individu dan juga tidak dapat diaplikasikan jika
terjadi korelasi antar cross-section.
2. adanya asumsi yang sangat restriktif dimana dinyatakan
bahwa semua cross-section bisa mengandung atau
tidak mengandung UNIT ROOT
 Uji IPS

• Uji LLC sangatlah terbatas dimana dalam uji ini diperlukan yang
homogen sepanjang cross-section (i). 
• Oleh karena itu, IPS mempertimbangkan koefisien yang heterogen dan
mengusulkan alternatif prosedur pengujian berdasarkan rata-rata uji
UNIT ROOT masing-masing individu dengan mengggunakan uji ADF.
• Hipotesis nol menyatakan bahwa masing-masing series dalam panel
mengandung UNIT ROOT (untuk setiap i) dan hipotesis alternatifnya
bahwa beberapa (tetapi tidak semua) series individu yang mempunyai
UNIT ROOT
 Uji IPS

• Diperlukan pemisahan (fraksi) time-series secara individual

yang stasioner, yang dinyatakan 0    1. , dimana lim ( N / N ) = 
N → 1

Kondisi ini sangat penting dalam mempertahankan

konsistensi uji UNIT ROOT dalam DATA PANEL.
• t statistic uji IPS merupakan rata-rata t-statistik uji ADF
masing-masing cross-section, yakni

N
1
t =
N
 t
i =1
i

t  i adalah t-statistik individual

 Uji Breitung

• Uji IPS dan LLC mempunyai distorsi ketika N relatif besar

terhadap T.
• Hasil studi Breitung (2000) menemukan bahwa uji LLC dan
IPS menjadi kehilangan kekuatannya jika ke dalam masing-
masing cross-section dimasukkan faktor trend. Hasil simulasi
menunjukkan bahwa kekuatan uji LLC dan IPS sangat sensitif
terhadap spesifikasi deterministic terms. Hal ini terjadi
karena adanya bias koreksi.
• Perlu dilakukan uji statistik yang tidak mengandung bias
penyesuaian dan mempunyai kekuatan dibandingkan
dengan uji LLC atau IPS dengan menggunakan eksperimen
Monte Carlo.
• Uji Breitung tidak memiliki bias penyesuaian karena
diperoleh melalui prosedur sebagai berikut.
• Pertama, sama seperti uji LLC, akan tetapi hanya
saja yang digunakan dalam memperoleh residual
dan . Residual-residual ini kemudian di-adjust untuk
yi ,t − L variasi individual.
mengoreksi
• Kedua, residualeit kemudian
 it −1 ditransformasikan melalui
prosedur forward orthogonalization transformation
seperti yang dilakukan oleh Arellano dan Bover (1995)
eit
dengan rumus sebagai berikut:
 T − t  ei.t +1 + ... + ei.T 
eit* =  eit 
(T − t + 1)  T −t 
–Ketiga, dilakukan estimasi terhadap pooled regression
berikut ini,
e = i.t −1 + 
*
it
*
it
sehingga diperoleh t-statistik untuk H 0 :  = 0
yang terdistribusi pada N(0,1).

Perlu dicatat adalah bahwa dalam persamaan ini tidak

dibutuhkan kernel computation.
 Uji Kombinasi p-value (Combining P-value test)

• Uji ini dilakukan menggabungkan p-values dari

regresi UNIT ROOT untuk masing-masing cross-
section i untuk menguji UNIT ROOT DATA PANEL
N
P = −2 ln pi
i =1

• Jika N besar, Choi (2001) mengusulkan uji P yang

dimodifikasi seperti di bawah ini:
N
1
Pm =
2 N
 (−2 ln p − 2)
i =1
i
• Kelebihan kombinasi p-value ini, yaitu:
1. dimensi cross-section (N) bisa terbatas maupun tidak;
2. masing-masing kelompok dapat mempunyai
komponen stokastik maupun komponen nonstokastik;
3. dimensi time-series (T) bisa berbeda untuk masing-
masing i; dan
4. hipotesis alternatifnya memperbolehkan beberapa
kelompok mempunyai UNIT ROOT.
(Choi, 2001)
 Residual Based LM Test

• Uji ini adalah generalisasi uji KPPS dari data time-

series dalam DATA PANEL.
• Uji ini didasarkan residual estimasi OLS pada
dengan asumsi adanya konstanta dan trend.
• Lengkapnya, model yang digunakannya adalah
sebagai berikut:

t
yit = rio + i t +  uis +  it =rio + i t + vit
s =1
• Hipotesis stasioner adalah H0 :  u,2 = 0 dimana
vit =  it
• LM statistic dinyatakan dalam:
1  N 1 T 2 2
LM 1 =   2  Sit  / ˆ 
N  i =1 T t =1 

• Hadri (2000) mengusulkan adanya alternatif uji

LM yang mempertimbangkan adanya
heteroskedastisitas pada i, sebut saja  2i yakni
1 N 1 T
2 2
LM 2 =   2  S it   
ˆ
N  i =1 T t =1 
 TERIMA KASIH

Departemen Ilmu Ekonomi Syariah, FEM-IPB