Pengolahan Data Panel dengan STATA

Pusdiklat KU, 13 September-21 Oktober 2021

Model Data Panel Statis

oleh
Bambang Juanda
Departemen Ilmu Ekonomi, FEM IPB
[Link]

BJ-IPB
Ilustrasi Data Panel dari [Link] (Panel Data
Analysis: Fixed & Random Effects using Stata(v.4.2) by Oscar Torres-Reyna, 2007)

PU/DSS/OTR
BJ-IPB
Penggabungan Data Cross-Section danTime Series (modelnya?)
Data untuk beberapa unit individu (misalnya perusahaan, daerah atau
negara) selama periode waktu tertentu (misalnya beberapa bulan atau tahun).
Penggabungan Data Cross-Section danTime Series ini biasa dikenal dengan
panel data atau pooled data, longitudinal data, event history analysis, ataupun cohort
analysis. Misalnya kita punya data total pendapatan (X) dan total konsumsi (Y)
untuk N daerah kabupaten selama T tahun. Misalkan kita mengkaji model:
Yit =  +  Xit + εit , untuk i =1, 2,..., N; t =1, 2,..., T (5.6)
Jika asumsi klasik εit dipenuhi dan N,T besar maka kita dapat menduga model
regresi secara terpisah, misalnya untuk tiap waktu t dengan melibatkan N
pengamatan, modelnya untuk t=1 (ada T persamaan ) adalah sebagai berikut:
Yi1 = 1 + 1 Xi1 + εi1 , untuk i =1, 2,..., N;
Kita juga dapat menduga N model regresi dengan melibatkan T pengamatan.
Jika  dan  keduanya konstan sepanjang waktu dan juga untuk antar daerah,
maka dugaan yang lebih efisien adalah model (5.6) dengan data besar
(pooled) sebanyak NT pengamatan, dan akan ada NT-2 derajat bebas sisaan.
BJ-IPB
 OLS Regression
Source SS df MS Number of obs = 70
F(1, 68) = 0.40
Model 3.7039e+18 1 3.7039e+18 Prob > F = 0.5272
Residual 6.2359e+20 68 9.1705e+18 R-squared = 0.0059
Adj R-squared = -0.0087
Total 6.2729e+20 69 9.0912e+18 Root MSE = 3.0e+09

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

x1 4.95e+08 7.79e+08 0.64 0.527 -1.06e+09 2.05e+09

_cons 1.52e+09 6.21e+08 2.45 0.017 2.85e+08 2.76e+09

5.000e+09 1.000e+10
D F
F
. regress y x1
F D D
D D E
F C
D
. twoway scatter y x1, A
F
A
A A A
E
A
E B
B B F
C
C GG
GG
F C

D D B C G
mlabel(country) || lfit y x1, F A
E
E
E E
G
GB F
G G
C E
C
E AA

0
D B
clstyle(p2) B
B G
C
C
D AB
-1.000e+10-5.000e+09

C
F
B

-.5 0 .5 1 1.5
Predictor x1

Outcome Y Fitted values

BJ-IPB
 Kentungan Menggunakan Data Panel

• Jumlah observasi menjadi lebih banyak. Jika menggunakan satu entitas,

misalnya negara maka tidak dapat dilihat perbedaan antar wilayah. Jika
diamati beberapa entitas, misalnya 34 provinsi hanya pada satu waktu
maka tidak dapat dilihat perkembangan tiap wilayah (34 provinsi) tsb.
• Memberikan data yang lebih informatif, lebih bervariasi, mengurangi
kolinearitas antarpeubah (dapat menggunakan first difference),
memperbesar derajat kebebasan, dan lebih efisien.
• Dapat mengontrol unobserved heterogeneity
• Dapat dipelajari suatu bentuk perubahan yang dinamis.
• Dapat mendeteksi dan mengukur efek suatu variabel pada variabel
lainnya dengan lebih baik (misalnya utk tiap entitas dan tiap waktu)
• Dapat digunakan untuk mempelajari model prilaku (behavioral model) yang
lebih kompleks
BJ-IPB
Masalah (Asumsi) Model Data Panel

Yit =  +  Xit + εit , untuk i =1,2,

..., N; t =1,2,..., T (5.6)

Masalah model (5.6) adalah bahwa

asumsi  dan  konstan mungkin
tidak realistis. Misalnya apakah
Marjinal Propensity to Consume ()
antara Kabupaten Bogor dengan
Kabupaten Sorong sama? Begitu
juga tentang intersep . Untuk
mengatasi masalah ini dapat
menggunakan FEM dan REM,
selain model Dummy interaksi.

BJ-IPB
 Analisis data panel memungkinkan kita mengontrol faktor penyebab
heterogenitas antar individu yang tidak dapat kita amati atau ukur; atau
faktor yang merubah antar waktu tetapi bukan antar individu (entitas).
Yang jarang diungkapkan dalam bukuteks adalah interaksi antara
keduanya, seperti yang dibahas dalam masalah Dummy Variable di
Bab 5 [Link]

Dengan data panel kita dapat memasukkan variabel di berbagai

tingkatan analisis (misal Provinsi, Kab/Kota, K/L, siswa, sekolah) yang
sesuai untuk pemodelan bertingkat atau hierarki.

Beberapa kelemahan adalah masalah pengumpulan data (misal

sampling desain, cakupan), non-respons dalam kasus panel-mikro
atau ketergantungan lintas wilayah dalam kasus panel-makro (misal
korelasi antar wilayah)
Note: Kelebihan dan kekurangan analisis data panel data dapat lihat di
Baltagi, Econometric Analysis of Panel Data (chapter 1).
PU/DSS/OTR
BJ-IPB
 Pendekatan dalam Model Regresi Data Panel
 Estimasi Model tergantung asumsi intersep, slope dan sisaan uit
 Terdapat beberapa kemungkinan :
 Intersep dan slope adalah konstan menurut waktu dan individu
sedangkan sisaan berbeda antar waktu dan individu
 Slope tetap tetapi intersep berbeda antar individu
 Slope tetap tetapi intersep berbeda antar individu antar waktu
 Semua koefisien (slope dan intersep) berbeda antar individu
 Semua koefisien berbeda antar individu dan antar waktu
 Berdasarkan variasi asumsi tsb, terdapat 3 pendekatan model yaitu:
1. Metode Common-Constant (The Pooled OLS Method=PLS)
2. Metode Fixed Effect (FEM)
3. Metode Random Effect (REM) BJ-IPB
 Pendekatan dalam Model Regresi Data Panel
Metode Common-Constant (Pooled Ordinary Least Square = PLS)
 Menggunakan metode OLS biasa.
 Diasumsikan setiap unit individu memiliki intersep dan slope yang sama (tidak ada
perbedaan pada dimensi antar waktu).
 Regresi panel data yang dihasilkan berlaku untuk setiap individu.

Metode Fixed Effect (Fixed Effect Model=FEM)

 Intersep dibedakan antar individu. Corr(ui, Xitβ) atau E(ui, Xitβ) ≠ 0
 Dalam membedakan intersepnya dapat digunakan peubah dummy,.
 Metode ini dikenal dgn model Least Square Dummy Variable (LSDV).

Metode Random Effect (Random Effect Model=REM)

 Intersep tidak dianggap konstan, namun dianggap sebagai peubah random dengan
suatu nilai rata-rata. Corr(ui, Xitβ) atau E(ui, Xitβ) = 0 dengan ui ~ N(0,u2)
 Metode random dikenal dgn sebutan Error Components Model (ECM)
BJ-IPB
Dua teknik standar analisis data panel: FEM & REM
xtreg: perintah Stata untuk menduga FEM & REM
xtset: untuk setting data panel sebelum perintah xtreg, misal:
. xtset country year
panel variable: country (strongly balanced)
time variable: year, 1990 to 1999
delta: 1 unit

Dalam hal ini “country" mewakili entitas atau panel (i) dan “year" mewakili
Variabel waktu (t).
Catatan "(strongly balanced)" mengacu pada fakta bahwa semua negara
memiliki data untuk semua tahun. Jika, misalnya, satu negara tidak memiliki data
selama satu tahun maka data tersebut unbalanced.
Idealnya kita ingin memiliki dataset yang balanced tetapi ini meskipun
unbalanced kita masih dapat menduga model.

Catatan: Jika ada error setelah menggunakan xtset, misalnya

varlist: country: string variable not allowed
Kita perlu mengkonversi ‘country” ke numerik, misalnya
encode country, gen(country1)
Gunakan ‘country1’ sebagai pengganti ‘country’ dalam perintah xtset
BJ-IPB
 Eksplorasi Data Panel
Xtline y /*eksplorasi perkembangan data y utk masing2 country panel_ID*/

1.000e+10
A B C
5.000e+09
-5.000e+09

0
-1.000e+10
1.000e+10

D E F
5.000e+09
Outcome Y
-5.000e+09

0
-1.000e+10

1990 1995 20001990 1995 2000

1.000e+10

G
5.000e+09
-5.000e+09

0
-1.000e+10

1990 1995 2000

Year
Graphs by Country

BJ-IPB
 Eksplorasi Data Panel
xtline y, overlay
*Graphics>Panel-data linePlots: overlay each panel on same graph*

1.000e+10
Outcome 5.000e+09
Y

0
-5.000e+09
-1.000e+10

1990 1992 1994 1996 1998 2000

Year

A B
C D
E F
G

BJ-IPB
 1. Fixed Effects (Covariance) Model
(Within Estimator, Individual Dummy Variable Model, Least Squares Dummy Variable Model)
Gunakan FEM jika kita hanya tertarik untuk menganalisis dampak variabel yang bervariasi dari waktu ke
waktu.
FEM mengeksplorasi hubungan antara variabel penjelas (x) dan hasil (y) dalam suatu entitas. Setiap entitas
memiliki karakteristik masing-masing yang mungkin (atau tidak) mempengaruhi pengaruh variabel penjelas
(lihat penjelasan interaksi Dummy dengan variabel x).
Kita berasumsi bahwa sesuatu dalam diri individu dapat berdampak atau membiaskan variabel penjelas
atau hasil, dan kita perlu mengendalikannya. Inilah alasan di balik asumsi korelasi antara error
komponen cross section atau entitas; (dengan variabel penjelas). Corr(ui, Xitβ) ≠ 0 atau E(uit, ui’t’) ≠ 0
FEM dapat menghilangkan pengaruh dari karakteristik waktu (yg tetap) sehingga kita dapat menilai
pengaruh bersih dari penjelas (X) terhadap variabel hasil (Y).
Asumsi penting lainnya adalah bahwa karakteristik waktu (yg tetap) itu unik untuk individu dan tidak boleh
dikorelasikan dengan karakteristik individu lainnya.
Masing-masing entitas berbeda sehingga komponen error entitas dan konstanta (Dummy yang
merefleksikan karakteristik individu) seharusnya tidak berkorelasi dengan variabel lainnya.
Jika komponen error berkorelasi, maka FEM tidak cocok karena kesimpulan mungkin tidak benar dan kita
perlu memodelkan hubungan itu (mungkin menggunakan REM), inilah alasan utama untuk uji Hausman.

BJ-IPB
 Pers FEM umumnya Jika hanya intersep  yang berubah sepanjang waktu dan
berbeda antar daerah, maka dapat diatasi dengan memasukkan peubah dummy untuk
memungkinkan perbedaan intersep . Model ini disebut model efek tetap atau
(Covariance Model) :
Yit =  +  Xit + 2 W2t + 3 W3t + ...+ N WNt
+ 2 Zi2 + 3 Zi3 + ...+ T ZiT + εit , (5.8)
dimana
Wit = 1 untuk individu daerah ke-i; i = 2, 3, ... , N
0 selainnya.

Zit = 1 untuk periode waktu ke-t; t = 2, 3, ... , T

0 selainnya.

FEM diatas sebenarnya merupakan model regresi peubah dummy dengan

menambah (N+T-2) peubah bebas dummy. Jika kita menduga model (5.8) dengan
OLS akan menghasilkan dugaan semua parameter yang tak bias dan konsisten jika
asumsi klasik lainnya dipenuhi. Koefisien dummy mengukur perbedaan intersep antar
daerah i dengan daerah pertama (i=1), dan perubahan intersep antara waktu t dengan
waktu pertama (t=1). Coba uraikan model tiap daerah, dan tiap waktu.

BJ-IPB
1a. Model Efek Tetap (Covariance Model): FEM

Untuk menguji apakah intersep  konstan pada tiap daerah i dan tiap waktu t, maka
digunakan statistik uji berikut yang menyebar menurut sebaran F dengan
db1=(N+T-2) dan db2=NT-N-T.

( JKS1  JKS 2 ) /( N  T  2)
F( N T 2 , NT N T )  (5.9)

( JKS 2 ) /( NT  N  T )
JKS1 (Jumlah Kuadrat Sisa dalam ANOVA) hasil model OLS dan JKS2 hasil model
efek tetap. Jika nilai-p< atau (Fhit>F(db1,db2) ) maka terbukti bahwa asumsi
(restriksi) semua intersep konstan tidak benar.
Ada beberapa masalah penggunaan model efek tetap. Pertama,
penggunaan dummy tidak langsung mengidentifikasi apa yang menyebabkan
pergeseran garis regresi sepanjang waktu dan antar daerah. Kedua, teknik dummy
mengurangi derajat bebas (N+T-2) cukup besar.

BJ-IPB
 FEM: Keheterogenan antar entitas (country)
bysort country: egen y_mean=mean(y)
twoway scatter y country, msymbol(circle_hollow) || connected y_mean country,
msymbol(diamond) ||, xlabel(1 "A" 2 "B" 3 "C" 4 "D" 5 "E" 6 "F" 7 "G")
5.000e+09 1.000e+10

0
-1.000e+10-5.000e+09

A B C D E F G
Country

Outcome Y y_mean

Keheterogenan: variabel2 yg tidak teramati yang tidak berubah sepanjang waktu BJ-IPB
 FEM: Keheterogenan antar entitas (country)
twoway scatter y country, msymbol(circle_hollow) || bar y_mean country,
5.000e+09 1.000e+10 fcolor(none) ||, xlabel(1 "A" 2 "B" 3 "C" 4 "D" 5 "E" 6 "F" 7 "G")

0
-1.000e+10-5.000e+09

A B C D E F G
Country

Outcome Y y_mean

Keheterogenan: variabel2 yg tidak teramati yang tidak berubah sepanang waktu BJ-IPB
 FEM: Keheterogenan antar Tahun (year)
bysort year: egen y_mean1=mean(y)
twoway scatter y year, msymbol(circle_hollow) || connected y_mean1 year,
msymbol(diamond) ||, xlabel(1990(1)1999)
5.000e+09 1.000e+10

0
-1.000e+10-5.000e+09

1990 1991 1992 1993 1994 1995 1996 1997 1998 1999
Year

Outcome Y y_mean1

Keheterogenan: variabel2 yg tidak teramati yang tidak berubah antar entitas BJ-IPB
 OLS Regression
Source SS df MS Number of obs = 70
F(1, 68) = 0.40
Model 3.7039e+18 1 3.7039e+18 Prob > F = 0.5272
Residual 6.2359e+20 68 9.1705e+18 R-squared = 0.0059
Adj R-squared = -0.0087
Total 6.2729e+20 69 9.0912e+18 Root MSE = 3.0e+09

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

x1 4.95e+08 7.79e+08 0.64 0.527 -1.06e+09 2.05e+09

_cons 1.52e+09 6.21e+08 2.45 0.017 2.85e+08 2.76e+09

5.000e+09 1.000e+10
D F
F
. regress y x1
F D D
D D E
F C
D
. twoway scatter y x1, A
F
A
A A A
E
A
E B
B B F
C
C GG
GG
F C

D D B C G
mlabel(country) || lfit y x1, F A
E
E
E E
G
GB F
G G
C E
C
E AA

0
D B
clstyle(p2) B
B G
C
C
D AB
-1.000e+10-5.000e+09

C
F
B

-.5 0 .5 1 1.5
Predictor x1

Outcome Y Fitted values

BJ-IPB
 Source SS df MS Number of obs = 70 FEM menggunakan Least
F(7, 62) = 2.61
Model
Residual
1.4276e+20
4.8454e+20
7
62
2.0394e+19
7.8151e+18
Prob > F
R-squared
=
=
0.0199
0.2276
Squares Dummy Variable
Total 6.2729e+20 69 9.0912e+18
Adj R-squared
Root MSE
=
=
0.1404
2.8e+09
(LSDV) model
y Coef. Std. Err. t P>|t| [95% Conf. Interval] regress y x1 [Link]
x1 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09

country Mudah memahami

B -1.94e+09 1.26e+09 -1.53 0.130 -4.47e+09 5.89e+08
C -2.60e+09 1.60e+09 -1.63 0.108 -5.79e+09 5.87e+08 keheterogenan pengaruh x1
D 2.28e+09 1.26e+09 1.81 0.075 -2.39e+08 4.80e+09
E -1.48e+09 1.27e+09 -1.17 0.247 -4.02e+09 1.05e+09 utk masing2 country yg
F 1.13e+09 1.29e+09 0.88 0.384 -1.45e+09 3.71e+09
G -1.87e+09 1.50e+09 -1.25 0.218 -4.86e+09 1.13e+09 diserap (direfleksikan) oleh
_cons 8.81e+08 9.62e+08 0.92 0.363 -1.04e+09 2.80e+09 dummy variable

2.00e+094.00e+096.00e+09
predict yhat
separate y, by(country)
separate yhat, by(country)
twoway connected yhat1-yhat7
x1,symbol(nonediamond_hollow
triangle_hollow

0
square_hollow + -2.00e+09
circle_hollow x)
msize(medium) mcolor(black -.5 0 .5 1 1.5
Predictor x1
black black black black yhat, country == A yhat, country == B
black black) || lfit y x1, yhat, country == C yhat, country == D

clwidth(thick) yhat, country == E

yhat, country == G
yhat, country == F
Fitted values
clcolor(black) BJ-IPB
 FEM: Keheterogenan antar entitas (country)
Model LSDV memberikan cara yang baik untuk memahami FEM.
Pengaruh x1 dimediasi oleh perbedaan antar negara.
Dengan menambahkan dummy untuk masing2 negara, kita menduga pengaruh
murni x1 (dengan mengendalikan heterogenitas yang tidak teramati).
Setiap dummy merefleksikan pengaruh tertentu untuk masing-masing negara.

Variable ols ols_dum

regress y x1
x1 4.950e+08 2.476e+09* estimates store ols

country regress y x1 [Link]

B -1.938e+09 estimates store ols_dum
C -2.603e+09
D 2.282e+09
E -1.483e+09 estimates table ols ols_dum,
F 1.130e+09 star stats(N r2 r2_a)
G -1.865e+09

_cons 1.524e+09* 8.805e+08

N 70 70
r2 .00590459 .22757701
r2_a -.00871446 .14036796

legend: * p<0.05; ** p<0.01; *** p<0.001

BJ-IPB
 FEM: n intersep spesifik-entitas menggunakan xtreg
Xtreg y x1, fe
Fixed-effects (within) regression Number of obs = 70
Group variable: country Number of groups = 7

R-sq: Obs per group:

within = 0.0747 min = 10
between = 0.0763 avg = 10.0
overall = 0.0059 max = 10

F(1,62) = 5.00
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289

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

x1 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09

_cons 2.41e+08 7.91e+08 0.30 0.762 -1.34e+09 1.82e+09

sigma_u 1.818e+09
sigma_e 2.796e+09
rho .29726926 (fraction of variance due to u_i)

F test that all u_i=0: F(6, 62) = 2.97 Prob > F = 0.0131
regress y x1 [Link] NOTE: Add the option ‘robust’ to control for heteroskedasticity
Source SS df MS Number of obs = 70 FEM
F(7, 62) = 2.61
Model 1.4276e+20 7 2.0394e+19 Prob > F = 0.0199 menggunakan
Residual 4.8454e+20 62 7.8151e+18 R-squared
Adj R-squared
=
=
0.2276
0.1404
dummy OLS
Total 6.2729e+20 69 9.0912e+18 Root MSE = 2.8e+09

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

x1 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09

country
B -1.94e+09 1.26e+09 -1.53 0.130 -4.47e+09 5.89e+08
C -2.60e+09 1.60e+09 -1.63 0.108 -5.79e+09 5.87e+08
D 2.28e+09 1.26e+09 1.81 0.075 -2.39e+08 4.80e+09
E -1.48e+09 1.27e+09 -1.17 0.247 -4.02e+09 1.05e+09
F 1.13e+09 1.29e+09 0.88 0.384 -1.45e+09 3.71e+09
G -1.87e+09 1.50e+09 -1.25 0.218 -4.86e+09 1.13e+09

_cons 8.81e+08 9.62e+08 0.92 0.363 -1.04e+09 2.80e+09

BJ-IPB
 Fixed effects: n entity-specific intercepts (using xtreg)

Yit = β1Xit +…+ βkXkt + αi + eit [see eq.1]

NOTE: Add the option ‘robust’ to control for heteroskedasticity

Outcome Predictor
variable variable(s) Total number of cases (rows)

Fixed effects option

Total number of groups
. xtreg y x1, fe (entities)

Fixed-effects (within) regression Number of obs = 70

Group variable: country Number of groups = 7
The errors ui
are correlated R-sq: within = 0.0747 Obs per group: min = 10 If this number is < 0.05 then
with the between = 0.0763 avg = 10.0 your model is ok. This is a
regressors in overall = 0.0059 max = 10 test (F) to see whether all the
the fixed effects coefficients in the model are
model F(1,62) = 5.00 different than zero.
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289

Coefficients of the
y Coef. Std. Err. t P>|t| [95% Conf. Interval]
regressors. Indicate how
much Y changes when X
x1 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09
increases by one unit.
_cons 2.41e+08 7.91e+08 0.30 0.762 -1.34e+09 1.82e+09

sigma_u 1.818e+09
sigma_e 2.796e+09
29.7% of the variance is rho .29726926 (fraction of variance due to u_i)
due to differences
across panels. F test that all u_i=0: F(6, 62) = 2.97 Prob > F = 0.0131
‘rho’ is known as the
intraclass correlation

Chow Test: Ho: PLS vs H1: FEM

(sigma _ u) 2
rho 
(sigma _ u) 2  (sigma _ e) 2 For more info see Hamilton, Lawrence,
Statistics with STATA.

sigma_u = sd of residuals within groups ui

sigma_e = sd of residuals (overall error term) e i
PU/DSS/OTR
BJ-IPB
 Cara lain menduga FEM: n intersep spesifik-entitas menggunakan areg
Meskipun outputnya kurang informatif dibandingkan regresi dgn variabel dummy, areg memiliki dua
keunggulan. Pertama, mempercepat hasil eksplorasi & memberikan umpan balik tentang apakah pendekatan
variabel dummy bermanfaat. Kedua, ketika variabel (jumlah entitas) yang dikaji banyak, membuat dummy
untuk masing-masing entitas menyebabkan terlalu banyak variabel atau modelnya terlalu besar
. areg y x1, absorb(country) Hide the binary variables for each entity NOTE: Add the option ‘robust’ to control for heteroskedasticity

Linear regression, absorbing indicators Number of obs = 70

F( 1, 62) = 5.00
Prob > F = 0.0289
R-squared = 0.2276
Adj R-squared = 0.1404
Root MSE = 2.8e+09

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

x1 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09

_cons 2.41e+08 7.91e+08 0.30 0.762 -1.34e+09 1.82e+09

country F(6, 62) = 2.965 0.013 (7 categories)

Fixed-effects (within) regression Number of obs = 70 xtreg y x1, fe
Group variable: country Number of groups = 7

R-sq: Obs per group:

within = 0.0747 min = 10
between = 0.0763 avg = 10.0
overall = 0.0059 max = 10

F(1,62) = 5.00
corr(u_i, Xb) = -0.5468 Prob > F = 0.0289

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

x1 2.48e+09 1.11e+09 2.24 0.029 2.63e+08 4.69e+09

_cons 2.41e+08 7.91e+08 0.30 0.762 -1.34e+09 1.82e+09

sigma_u 1.818e+09
sigma_e 2.796e+09
rho .29726926 (fraction of variance due to u_i) PU/DSS/OTR

F test that all u_i=0: F(6, 62) = 2.97 Prob > F = 0.0131
BJ-IPB
 Membandingkan 3 Metode Pendugaan FEM
(Semuanya memberikan hasil yang sama)
xtreg y x1 x2 x3, fe
estimates store fixed
regress y x1 x2 x3 [Link]
estimates store ols_dum
areg y x1 x2 x3, absorb(country) /*Dalam perbandingan R2 hanya bermakna utk regress & areg*/
estimates store areg
estimates table fixed ols_dum areg, star stats(N r2 r2_a)
Variable fixed ols_dum areg

x1 2.425e+09* 2.425e+09* 2.425e+09*

x2 1.823e+09 1.823e+09 1.823e+09
x3 3.097e+08 3.097e+08 3.097e+08

country
2 -5.961e+09
3 -1.598e+09
4 -2.091e+09
5 -5.732e+09
6 8.026e+08
7 -1.375e+09

_cons -2.060e+08 2.073e+09 -2.060e+08

N 70 70 70
r2 .10092442 .24948198 .24948198
r2_a -.03393692 .13690428 .13690428

legend: * p<0.05; ** p<0.01; *** p<0.001

BJ-IPB
xtreg y x1 [Link], fe
Testing for time-fixed effects
Fixed-effects (within) regression Number of obs = 70 Untuk melihat apakah FE
Group variable: country Number of groups = 7
waktu diperlukan ketika
R-sq: Obs per group:
within = 0.2323 min = 10 menduga FEM, gunakan
between = 0.0763
overall = 0.1395
avg =
max =
10.0
10
command testparm. Ini
F(10,53) = 1.60
adalah tes untuk melihat
corr(u_i, Xb) = -0.2014 Prob > F = 0.1311 apakah dummy untuk
semua tahun, sama
y Coef. Std. Err. t P>|t| [95% Conf. Interval]
dengan 0, jika ya, maka
x1 1.39e+09 1.32e+09 1.05 0.297 -1.26e+09 4.04e+09
FE waktu tidak diperlukan)
year
1991 2.96e+08 1.50e+09 0.20 0.844 -2.72e+09 3.31e+09 testparm [Link]
1992 1.45e+08 1.55e+09 0.09 0.925 -2.96e+09 3.25e+09
1993 2.87e+09 1.50e+09 1.91 0.061 -1.42e+08 5.89e+09 ( 1) [Link] = 0
1994 2.85e+09 1.66e+09 1.71 0.092 -4.84e+08 6.18e+09
1995 9.74e+08 1.57e+09 0.62 0.537 -2.17e+09 4.12e+09
( 2) [Link] = 0
1996 1.67e+09 1.63e+09 1.03 0.310 -1.60e+09 4.95e+09 ( 3) [Link] = 0
1997 2.99e+09 1.63e+09 1.84 0.072 -2.72e+08 6.26e+09
1998 3.67e+08 1.59e+09 0.23 0.818 -2.82e+09 3.55e+09 ( 4) [Link] = 0
1999 1.26e+09 1.51e+09 0.83 0.409 -1.77e+09 4.29e+09 ( 5) [Link] = 0
_cons -3.98e+08 1.11e+09 -0.36 0.721 -2.62e+09 1.83e+09 ( 6) [Link] = 0
sigma_u 1.547e+09
( 7) [Link] = 0
sigma_e 2.754e+09 ( 8) [Link] = 0
rho .23985725 (fraction of variance due to u_i)
( 9) [Link] = 0
F test that all u_i=0: F(6, 53) = 2.45 Prob > F = 0.0362

Tidak ada alasan menolak Ho bahwa koefisien untuk F(9,53) = 1.21

semua tahun secara bersama-sama, sama dgn nol. Oleh Prob > F = 0.3094
karena itu tidak diperlukan FE waktu dalam kasus ini
BJ-IPB
 Catatan Model Efek Tetap (FEM) yang Standar

• FEM mengendalikan semua perbedaan antar individu

(bukan karena variasi waktu shg intersepnya tidak
bervariasi tiap waktu) sehingga diharapkan dugaan
koefisiennya tidak bias karena karakteristiknya (budaya,
agama, Jenis Kelamin, RAS dll) dihilangkan.
• Kelemahan FEM adalah mengasumsikan pengaruh variabel
penjelas X sama saja untuk tiap individu (realistis?)
 dipecahkan dgn dummy interaksi (Juanda, 2009)
Technically, time-invariant characteristics of the individuals are perfectly
collinear with the person [or entity] dummies. Substantively, however, fixed-effects
models are designed to study the causes of changes within a person [or entity].
A time-invariant characteristic cannot cause such a change, because it is
constant for each person.” (Underline is mine) Kohler, Ulrich, Frauke Kreuter,
Data Analysis Using Stata, 2nd ed., p.245

BJ-IPB
 twoway (scatter y x1,
mlabel(country)) (lfit y x1)
(lfit y x1 if country==1)
(lfit y x1 if country==2)
(lfit y x1 if country==3)
(lfit y x1 if country==4)
(lfit y x1 if country==5)
(lfit y x1 if country==6)
(lfit y x1 if country==7)

Mudah memahami
keheterogenan
pengaruh x1 utk
masing2 country
A B
dapat berbeda
slopenya
C D
E F
G

BJ-IPB
2. Model Efek Acak (Error-Components Model): REM
Memasukkan peubah dummy menggambarkan kekurangan pengetahuan
mengenai model, maka cukup logis menggambarkan kekurangan
pengetahuan ini melalui komponen sisaan. Kita dapat mengasumsikan data
panel tersebut mempunyai karakteristik komponen sisaannya berkorelasi
(bervariasi) antar waktu dan antar individu daerah. Model komponen sisaan
(error) ini disebut juga model efek acak, misalnya dengan model berikut:
Yit =  +  Xit + εit ,
εit = ui + vt + wit , untuk i =1, 2,..., N; t =1, 2,..., T (5.10a)
dimana ui ~ N(0,u2) : komponen sisaan data cross-section
vt ~ N(0,v2) : komponen sisaan data time series
wit ~ N(0,w2) : komponen sisaan gabungan.
Lihat [Link] dan [Link], “Pooling Cross-Section and Time
Series Data in the Estimation of a Dynamic Model: the Demand for
Natural Gas” dalam Econometrica, Vol 34(4):585-612, 1966.
BJ-IPB
2. Model Efek Acak (Error-Components Model): REM
Hubungan antara error-components model dan covariance model
dapat dilihat dengan memperlakukan komponen-komponen intersep dalam
covariance model sebagai 2 peubah acak, satu peubah deret waktu dan
satunya peubah cross-section. Jika kedua peubah acak ini menyebar
normal, derajat bebas sisaan dapat dihemat sehingga kita hanya
memperhatikan rataan dan ragam dari masing-masing komponen sisaan.
Formulasi error-components diperoleh dari covariance model dengan
mengasumsikan bahwa rataan efek acak dari time series dan cross-
section dimasukkan dalam komponen intersep, dan deviasi acak disekitar
rataannya disamakan dengan masing-masing error-components ui dan vt.
Dari (5.10b), ragam sisaan εit dapat diperoleh dengan rumus:

Var (εit) = u2 + v2 + w2 (5.11)

Model OLS yang diterapkan pada data panel, mempunyai ragam sisaan εit
dengan rumus: Var (εit) = w2. Oleh karena itu model efek acak dapat diduga
dengan OLS jika u2=v2=0. Jika tidak demikian, umumnya diduga dengan
metode GLS (Generalized Least Squares) yang akan dibahas dalam Bab 9 dan 12.
BJ-IPB
 Random Effects Model

• Keragaman antar entitas diasumsikan acak dan tidak berkorelasi

dengan variabel penjelas (prediktor) yang ada dalam model.
Corr(ui, Xitβ) = 0 atau E(uit, ui’t’) = 0
• Perbedaan utama FE dgn RE adalah apakah pengaruh individu yang
tak teramati memasukkan unsur-unsur yang berkorelasi dengan
variabel penjelas dalam model, bukan apakah pengaruh ini stokastik
atau tidak ”[Green, 2008, p.183]
• Keuntungan dari REM adalah bahwa Anda dapat memasukkan variabel
(misal jenis kelamin) yang tetap antar waktu; serta inferensia lebih luas
dari samplenya. Dalam model FEM variabel-variabel ini direfleksikan
oleh intersep.
• Perlu menentukan karakteristik individu yang dapat mempengaruhi
variabel prediktor. Masalahnya disini adalah bahwa beberapa
variabel mungkin tidak tersedia sehingga mengarah ke bias omitted
variable dalam model.

BJ-IPB
 outcome variable Random Effects Model
xtreg y x1, re
Random-effects GLS regression Number of obs = 70
Group variable: country Number of groups = 7

R-sq: Obs per group:

within = 0.0747 min = 10
between = 0.0763 Perbedaan antar unit tidak avg = 10.0
overall = 0.0059 max = 10
berkorelasi dengan regressor
uji model
(Lihat Juanda, 2009) Wald chi2(1) = 1.91
corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.1669

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

x1 1.25e+09 9.02e+08 1.38 0.167 -5.21e+08 3.02e+09

_cons 1.04e+09 7.91e+08 1.31 0.190 -5.13e+08 2.59e+09

sigma_u 1.065e+09
sigma_e 2.796e+09
rho .12664193 (fraction of variance due to u_i)

Interpretasi dari koefisien X1 agak rumit karena mencakup pengaruh di dalam

entitas dan antar entitas. Jadi merepresentasikan rata-rata pengaruh X1 terhadap Y
ketika X1 berubah antar waktu dan antar entitas sebesar satu unit.

BJ-IPB
 Hausman Test: Fixed or Random
Uji Hausman untuk menentukan FE atau RE.
Ho: REM vs H1: FEM (Green, 2008). Pada hakikatnya
menguji apakah unique errors (ui) berkorelasi
dengan regressor (Ho: tidak berkorelasi)
. xtreg y x1, fe
. estimates store fixed
. xtreg y x1, re
. estimates store random
. hausman fixed random
Coefficients
(b) (B) (b-B) sqrt(diag(V_b-V_B))
fixed random Difference S.E.

x1 2.48e+09 1.25e+09 1.23e+09 6.41e+08

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 REM

chi2(1) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 3.67
Prob>chi2 = 0.0553 >  maka terima Ho:REM
BJ-IPB
 Testing for REM: Breusch-Pagan Lagrange Multiplier (LM)

Uji LM untuk menentukan REM

atau simple OLS (PLS).
Ho adalah keragaman antar
entitas sama dengan 0; atau
perbedaan antar entitas tidak
signifikan (Tidak ada efek panel).
. xtreg y x1, re
. xttest0
Breusch and Pagan Lagrangian multiplier test for random effects

y[country,t] = Xb + u[country] + e[country,t]

Estimated results:
| Var sd = sqrt(Var)
---------+-----------------------------
y | 9.09e+18 3.02e+09
e | 7.82e+18 2.80e+09
u | 1.13e+18 1.06e+09

Test: Var(u) = 0 Pooled LS or simple OLS (Ho) vs H1: REM

REM kurang tepat; tidak ada bukti chibar2(01) = 2.67
adanya perbedaan signifikan antar Prob > chibar2 = 0.0512
entitas, sehingga simple OLS dipilih BJ-IPB
 Testing for cross-sectional dependence/contemporaneous correlation
using Breusch-Pagan Lagrange Multiplier (LM) test of independence
Ketergantungan cross-sectional
adalah masalah di panel makro
dengan seri waktu yang lama
(lebih dari 20-30 tahun). Hal ini
tidak banyak masalah dalam
panel mikro (beberapa tahun dan
banyak kasus).
xtreg y x1, fe
xttest2 alternatif
Ho: Residual antar entitas tidak berkorelasi
Correlation matrix of residuals:
H1: Residual antar entitas berkorelasi

__e1 __e2 __e3 __e4 __e5 __e6 __e7

__e1 1.0000
__e2 0.3615 1.0000
__e3 0.5391 0.4146 1.0000 >  maka
__e4 0.3209 0.4660 -0.3015 1.0000 terima Ho
__e5 -0.2032 -0.3764 -0.3590 -0.3080 1.0000 (beda
__e6 -0.2572 0.2432 -0.0491 -0.1065 0.2321 1.0000 hasil dgn
__e7 0.6403 0.0793 0.8206 -0.4358 -0.0818 0.0355 1.0000 Chow test)
Breusch-Pagan LM test of independence: chi2(21) = 28.914, Pr = 0.1161
Based on 10 complete observations over panel units

BJ-IPB
 Testing for cross-sectional dependence/contemporaneous correlation
using Pasaran CD test
Seperti disebutkan dalam slide alternatif
sebelumnya, ketergantungan
cross-sectional lebih merupakan
masalah di panel makro dengan
seri waktu yang lama (lebih dari
20-30 tahun) daripada di panel
mikro. Tes Pesaran CD (cross-
sectional dependence)
digunakan untuk menguji apakah
residu berkorelasi antar entitas *. Ho: Residual (antar entitas) tidak berkorelasi
Ketergantungan cross-sectional H1: Residual (antar entitas) berkorelasi
dapat menyebabkan bias dalam
hasil tes (juga disebut korelasi xtreg y x1, fe
(beda hasil dgn
kontemporer) xtcsd, pesaran abs
Chow test)
Pesaran's test of cross sectional independence = 1.155, Pr = 0.2479
Average absolute value of the off-diagonal elements = 0.316

Seandainya ada ketergantungan cross-sectional, Hoechle menyarankan untuk

menggunakan Driscoll dan kesalahan standar Kraay menggunakan perintah xtscc

*Source: Hoechle, Daniel, “Robust Standard Errors for Panel Regressions with Cross-Sectional Dependence”,
[Link]
BJ-IPB
 Testing for Heteroskedasticity

• Suatu Uji heteroskedastisitas tersedia untuk FEM menggunakan

perintah xttest3.
• Ini adalah program yang ditulis pengguna, ketik: ssc instal xttest3

xttest3
Modified Wald test for groupwise heteroskedasticity
in fixed effect regression model

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

chi2 (7) = 42.77

Prob>chi2 = 0.0000

Hasil di atas, menolak nol dan menyimpulkan heteroskedastisitas.

CATATAN: Gunakan opsi ‘robust’ untuk mendapatkan standar errors dari

heteroskedasticity-robust (juga dikenal sebagai Huber / White atau penaksir sandwich).
BJ-IPB
 Testing for Serial Correlation
• Uji korelasi serial berlaku untuk panel makro dengan seri waktu yang
lama (lebih dari 20-30 tahun). Bukan masalah di panel mikro (yang
waktunya sangat sedikit). Korelasi serial menyebabkan standar error
koefisien menjadi lebih kecil daripada yang sebenarnya, dan juga R2
lebih tinggi dari yang seharusnya.
• Lagram-Multiplier dapat digunakan untuk uji korelasi serial: xtserial.

xtserial y x1
Wooldridge test for autocorrelation in panel data
H0: no first-order autocorrelation
F( 1, 6) = 0.214
Prob > F = 0.6603

Tidak ada alasan Hipotesis menolak nol dan menyimpulkan tidak ada autokorelasi
ordo-1.

BJ-IPB
BJ-IPB
 Tugas Mandiri
• Review apa yang dibahas dalam synchronous e-learning, dan gunakan
data yang sama.
• Jika sudah faham, coba latihan dengan data panel perekonomian
provinsi Jawa tengah yang sudah diberikan

BJ-IPB
BJ-IPB
 Faktor-faktor yang mempengaruhi
belanja modal (lbmodalsp)
Nasional KBI KTI
VARIABLES Lbmodalsp Lbmodalsp Lbmodalsp
Ldausp 0.125 0.371** -0.169
Ldbhsp 0.349*** 0.293*** 0.429***
Ldaksp 0.396*** 0.181* 0.524***
Lgablainsp -0.047 -0.011 -0.041
Lpadsp 0.192*** 0.188*** 0.261***
Constant 0.540 -0.304 1.511

Observations 160 79 81
P-Values in parentheses
R-squared 0.902 0.910 0.941
*** p<0.01, ** p<0.05, * p<0.1
 Hasil simulasi menunjukkan bahwa secara nasional DBH dan DAK memberikan pengaruh yang positif dan signifkan
terhadap belanja modal. DAK merupakan variabel yang pengaruhnya paling besar, dimana kenaikan 1% DAK dapat
meningkatkan belanja modal sebesar 0,396%.
 Simulasi antara Kawasan Barat Indonesia (KBI) dan Kawasan Timur Indonesia (KBI) menunjukkan hasil yang berbeda,
dimana untuk KBI DAU, DBH dan DAK memberikan pengaruh yang positif dan signifikan terhadap belanja modal, dengan
pengaruh terbesar berasal dari DAU. Sementara itu, KTI menunjukkan pola yang sama dengan nasional, dimana DBH dan
DAK memberikan pengaruh yang positif dan signifikan terhadap belanja modal sedangkan pengaruh DAU tidak signifikan

40 Sumber: Tim DJPK (2017)

 Latihan Kegiatan Mandiri
• Review apa yang dibahas dalam synchronous e-learning.
1. Jelaskan tentang Data panel, dan Kentungannya menggunakan data panel.
2. Jelaskan beberapa kemungkinan tentang intersep dan slope dari variable X
antar entitas (individu) dan antar waktu.
3. Dalam metode FEM, asumsi tentang intersep bagaimana? Jelaskan.
4. Dalam metode REM, asumsi tentang intersep bagaimana? Jelaskan.
5. Dalam model FEM dan/atau REM yang standar, pengaruh (slope) variable X
dianggap konstan. Apakah asumsi ini realistis? Jelaskan
6. Bagaimana memasukkan technological improvement dalam suatu model output
(produksi) nasional (daerah)?
7. Jelaskan tentang Model Analisis Pengaruh/Dampak Kebijakan
Desentralisasi Fiskal dan berikan ilustrasinya.

BJ-IPB
 Semoga bermanfaat
Terima kasih
(Salam, BJ)

Departemen Ilmu Ekonomi

Fakultas Ekonomi dan Manajemen
Institut Pertanian Bogor

BJ-IPB