BAB II

TINJAUAN PUSTAKA

2.1. Analisis Regresi

Analisis regresi adalah metode statistik yang digunakan untuk
mengidentifikasi dan memahami hubungan antara variabel prediktor
dan satu atau lebih variabel respon (Efendi dkk., 2020). Dengan
mempelajari hubungan tersebut, regresi dapat membantu untuk
memprediksi nilai variabel terikat berdasarkan nilai variabel bebas.
Tujuan utama analisis regresi sederhana adalah untuk menilai
kemampuan variabel prediktor dalam meramalkan variabel respon.
Metode ini memerlukan pembentukan hubungan linier dalam data,
yang disebut sebagai garis regresi. Analisis bertujuan untuk
memahami sejauh mana pengaruh variabel prediktor terhadap variabel
respon dan membuat prediksi berdasarkan hubungan tersebut. Secara
matematis dapat diuraikan model dari persamaan regresi linier
sederhana, yaitu sebagai berikut (Suyono, 2018):
𝑌 = 𝛽0 + 𝛽1 𝑋 + 𝜀 (2.1)
dimana:
𝑌 : Variabel respon
𝑋 : Variabel prediktor
𝛽0 : Intersep
𝛽1 : Koefisien regresi
𝜀 : Galat acak (random error)

2.2. Regresi Data Panel

Data panel merupakan kombinasi antara data deret waktu
(time series) dan data silang (cross section). Data deret waktu biasanya
mencakup satu objek atau individu, seperti harga saham, nilai tukar,
suku bunga SBI, atau tingkat inflasi, namun mencakup beberapa
periode waktu, yang umumnya bersifat harian, bulanan, kuartalan,
atau tahunan. Menurut Gujarati (2003), data cross-section mencakup
berbagai objek pada satu titik waktu, sedangkan data time series
mencakup satu objek yang diamati selama beberapa periode waktu.
Menurut Widarjono (2013), keunggulan data panel adalah sebagai
berikut:
1. Memberikan jumlah pengamatan yang lebih besar,
meningkatkan derajat kebebasan (degree of freedom),
 memberikan variabilitas data yang lebih tinggi, serta
mengurangi masalah kolinearitas antar variabel prediktor,
sehingga menghasilkan estimasi ekonometrik yang lebih
efisien.
2. Memberikan lebih banyak informasi yang tidak dapat
diperoleh dari data time series maupun cross-section.
3. Memberikan solusi yang lebih baik dibandingkan dengan
analisis data cross-section.

Data panel dapat dikelompokkan berdasarkan jumlah observasi

yang dilakukan untuk setiap individu atau entitas dalam kumpulan
data panel (Gujarati, 2003). Balanced panel adalah kondisi di mana
setiap subjek dalam analisis cross-sectional memiliki jumlah observasi
yang sama, sedangkan unbalanced panel terjadi ketika masing-masing
entitas memiliki jumlah observasi yang berbeda. Pada Tabel 2.1
disajikan kerangka umum balanced panel.

Tabel 2. 1 Kerangka Umum Balanced Panel

𝑖 𝑡 𝑌𝑖𝑡 𝑋𝑗𝑖𝑡 … 𝑋𝑗𝑖𝑡
1 1 𝑌11 𝑋111 … 𝑋𝑘11
. . . . .
. . . . .
1 T 𝑌1𝑇 𝑋11𝑇 𝑋𝑘1𝑇
. . . . … .
. . . . .
. . , . .
N 1 𝑌𝑁1 𝑋1𝑁1 … 𝑋𝑘𝑁1
. . . . .
. . . . .
N T 𝑌𝑁𝑇 𝑋1𝑁𝑇 𝑋𝑘𝑁𝑇

2.3. Model Regresi Data Panel

Secara umum, persamaan model regresi data panel dapat
dirumuskan sebagai berikut:
𝑘 (2.2)
𝑌𝑖𝑡 = 𝛼𝑖𝑡 + ∑ 𝛽𝑗 𝑋𝑗𝑖𝑡 + 𝑢𝑖𝑡
𝑗=1
dimana:
𝑗 : 1, 2, …, k, dengan k adalah banyaknya variabel prediktor
𝑖 : 1, 2, …, N, dengan i adalah indeks dimensi cross-section
𝑡 : 1, 2, …, T, dengan t adalah indeks dimensi waktu
𝑌𝑖𝑡 : nilai peubah respon unit cross-section ke- 𝑖 pada unit waktu
ke- 𝑡
𝛼𝑖𝑡 : Intersep
𝛽𝑗 : Koefisien regresi
𝑋𝑗𝑖𝑡 : Nilai peubah prediktor ke- 𝑗 unit cross-section ke- 𝑖 pada unit
waktu ke- 𝑡
𝑢𝑖𝑡 : Galat pada unit cross-section ke- 𝑖 pada unit waktu ke- 𝑡

2.4. Pendekatan Regresi Data Panel

Pada regresi data panel terdapat tiga pendekatan yang
digunakan, yaitu pendekatan Common effect model, Fixed effect
model, dan Random effect model.

2.4.1. Common Effect Model

Menurut Widarjono (2013), Common Effect Model (CEM)
mengasumsikan bahwa tidak ada variasi antar unit dalam cross-section
maupun antar periode waktu, dengan anggapan bahwa perilaku data
setiap individu adalah identik pada semua periode. Semua pengamatan
diperlakukan sebagai memiliki karakteristik yang serupa tanpa
memperhitungkan perbedaan antar individu atau waktu. Secara umum
common effect model dapat dinyatakan dalam persamaan sebagai
berikut:
𝑘 (2.3)
𝑌𝑖𝑡 = 𝛼 + ∑ 𝛽𝑗 𝑋𝑗𝑖𝑡 + 𝑢𝑖𝑡
𝑗=1
dimana:
𝑗 : 1, 2, …, k, dengan k adalah banyaknya variabel prediktor
𝑖 : 1, 2, …, N, dengan i adalah indeks dimensi cross-section
𝑡 : 1, 2, …, T, dengan t adalah indeks dimensi waktu
𝑌𝑖𝑡 : Variabel respon pada unit observasi ke- 𝑖 dan waktu ke- 𝑡
𝛼 : Intersep
𝛽𝑗 : Koefisien regresi
𝑋𝑗𝑖𝑡 : Variabel prediktor ke- 𝑗 unit observasi ke- 𝑖 dan waktu ke- 𝑡
𝑢𝑖𝑡 : Galat pada unit cross-section ke- 𝑖 pada unit waktu ke- 𝑡
[Link]. Ordinary Least Square (OLS)
Common Effect Model (CEM) atau Pooled OLS merupakan
salah satu pendekatan dalam estimasi data panel yang mengasumsikan
bahwa hubungan antara variabel prediktor dan respon adalah homogen
untuk semua unit dan waktu. Pada model ini tidak mempertimbangkan
adanya efek individual atau efek waktu. Estimasi dilakukan dengan
metode Ordinary Least Squares (OLS) yang meminimalkan jumlah
kuadrat galat (error). Meskipun bersifat sederhana, model ini dapat
menjadi titik awal dalam analisis panel sebelum dilakukan uji
pemilihan model panel yang lebih kompleks. Tujuan dari metode OLS
adalah untuk menemukan penduga parameter dengan mengurangi
jumlah kuadrat residual antara nilai observasi aktual dan nilai yang
diprediksi oleh model regresi (Maharani dkk., 2014). Prinsip dasar dari
metode kuadrat terkecil, yaitu:

𝜺 = 𝒀 − 𝑿𝜷 (2.4)
Selanjutnya, didapatkan jumlah kuadrat error sebagai berikut:
𝒏

𝑆𝑆𝐸 = ∑ 𝜺𝒊 𝟐 = 𝜺′ 𝜺
𝒊=𝟏
= (𝒀 − 𝑿𝜷)′ (𝒀 − 𝑿𝜷)
= (𝒀′ − 𝜷′ 𝑿′ )(𝒀 − 𝑿𝜷) (2.5)
= 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀 − 𝒀′ 𝑿𝜷 + 𝜷′ 𝑿′ 𝑿𝜷
= 𝒀′ 𝒀 − 𝟐𝜷′ 𝑿′ 𝒀 + 𝑿′𝜷′𝑿𝜷

Jika matriks (𝑿𝜷)′ = 𝜷′𝑿′, maka skalar 𝜷′ 𝑿′ 𝒀 = 𝒀′𝑿𝜷.

Untuk mendapatkan penduga pada parameter 𝜷 maka hasil turunan
harus disamakan dengan 0, sehingga diperoleh persamaan sebagai
berikut:
𝝏(𝜺′ 𝜺)
=𝟎
𝝏𝜷
′ ′ ′ ′ ′
𝝏(𝒀 𝒀 − 𝟐𝜷 𝑿 𝒀 + 𝜷 𝑿 𝑿𝜷)
=𝟎
𝝏𝜷
−𝟐𝑿′ 𝒀 + 𝟐𝑿′𝑿𝜷 ̂=𝟎 (2.6)
𝟐𝑿′𝑿𝜷 ̂ = 𝟐𝑿′𝒀
𝑿′ 𝑿𝜷̂ = 𝑿′ 𝒀
(𝑿′𝑿)−𝟏 (𝑿′ 𝑿)𝜷̂ = (𝑿′ 𝑿)−𝟏 𝑿′ 𝒀

Karena (𝑿′ 𝑿)−𝟏 (𝑿′ 𝑿) = 𝑰, di mana 𝑰 merupakan matriks identitas,

maka didapatkan:
 ̂ 𝑶𝑳𝑺 = (𝑿′𝑿)−𝟏 𝑿′𝒀
𝜷
(2.7)
Rumus estimasi parameter pada (2.10) menunjukkan bahwa
RRumus tersebut merepresentasikan estimasi dengan Ordinary Least
Squares (OLS). Parameter 𝜷 diestimasi sehingga meminimalkan
jumlah kuadrat dari residual atau galat prediksi.

[Link]. Uji Signifikansi Parameter Ordinary Least Square (OLS)

Sebelum melakukan interpretasi terhadap model, perlu
dilakukan pengujian signifikansi parameter dalam model regresi
sebagai berikut:

1. Uji Simultan
Uji simultan adalah metode statistik yang digunakan untuk
menilai dampak beberapa variabel prediktor yang bekerja sama
terhadap satu variabel respon. Hipotesis yang digunakan untuk uji F,
yaitu:

𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0 vs
𝐻1 : 𝑀𝑖𝑛𝑖𝑚𝑎𝑙 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛽𝑖 ≠ 0

Statistik Uji yang digunakan sebagai berikut:

(𝑆𝑆𝐸𝑃 − 𝑆𝑆𝐸𝑅 )/(𝑁 − 1) (2.8)

𝐹=
𝑆𝑆𝐸𝑅 /(𝑁 − 𝑘 − 1)

dimana:
𝑆𝑆𝐸𝑃 : Jumlah kuadrat kesalahan (Sum Square Error) dari
model regresi data panel
𝑆𝑆𝐸𝑅 : Jumlah kuadrat kesalahan (Sum Square Error) dari
model variabel common
𝑁 : Jumlah observasi
𝑁−𝑘−1 : Derajat kebebasan residual

Statistik uji F dibandingkan dengan tabel F. Apabila nilai

statistik uji F lebih besar dari tabel F atau p-value < 𝛼, maka cukup
bukti untuk menolak 𝐻0 , begitu pula sebaliknya.
2. Uji Parsial
Uji parsial atau uji t digunakan untuk menentukan seberapa
jauh variasi variabel prediktor terhadap variasi variabel respon.
Hipotesis yang digunakan untuk uji t, yaitu:
𝐻0 : 𝛽𝑖 = 0 vs
𝐻1 : 𝛽𝑖 ≠ 0
Statistik Uji yang digunakan sebagai berikut:

𝛽𝑖 (2.9)
𝑡=
𝑆𝐸(𝛽𝑖 )
𝑆𝐸(𝛽𝑖 ) = √𝜎̂ 2 (𝑋′𝑋)−1
𝑘𝑘
𝑅𝑆𝑆
𝜎̂ 2 =
𝑁−𝑘−1

dimana:
𝛽𝑖 : Koefisien regresi hasil estimasi OLS
𝑆𝐸(𝛽𝑖 ) : Standard error bagi 𝛽𝑖 pada variabel prediktor ke-i
𝜎̂ 2 : Estimasi varians residual
𝑅𝑆𝑆 : Residual sum of squares
𝑋 : Matriks variabel prediktor
𝑘 : Jumlah parameter
N : Jumlah pengamatan

Statistik uji t dibandingkan dengan tabel t dengan derajat

bebas n-k-1. Apabilai nilai statistik uji t lebih besari dari tabel t atau p-
value < 𝛼, maka cukup bukti untuk menolak 𝐻0 , begitu pula
sebaliknya.

3. Koefisien Determinasi
Koefisien determinasi (𝑅 2) adalah persentase pengaruh semua
variabel prediktor terhadap variabel respon. Persentase menunjukkan
seberapa baik variabel prediktor dapat menjelaskan variabel respon.
Koefisien determinasi yang lebih tinggi menunjukkan seberapa baik
variabel prediktor menjelaskan variabel respon. Nilai dari 𝑅 2 berada
pada rentang 0 sampai 1. Koefisien determinasi dapat dirumuskan
sebagai berikut:
 𝑆𝑆𝑅 𝑆𝑆𝐸 (2.10)
𝑅2 = =1−
𝑆𝑆𝑇 𝑆𝑆𝑇

dimana:
𝑆𝑆𝑅 : Jumlah kuadrat regresi
𝑆𝑆𝑇 : Jumlah kuadrat total
𝑆𝑆𝐸 : Jumlah kuadrat galat

2.4.2. Fixed Effect Model

Fixed Effect Model merupakan metode dalam analisis regresi
data panel yang digunakan untuk menangani variasi antar individu
dengan memberikan intersep yang berbeda untuk setiap unit
pengamatan dan menganggap bahwa koefisien kemiringan adalah
tetap (Gujarati, 2003). Adapun persamaan dari model fixed effect
sebagai berikut:
𝑘 (2.11)
𝑌𝑖𝑡 = 𝛼𝑖 + ∑ 𝛽𝑗 𝑋𝑗𝑖𝑡 + 𝜀𝑖𝑡
𝑗=1
dimana:
𝑗 : 1, 2, …, k, dengan k adalah banyaknya variabel prediktor
𝑖 : 1, 2, …, N, dengan i adalah indeks dimensi cross-section
𝑡 : 1, 2, …, T, dengan t adalah indeks dimensi waktu
𝑌𝑖𝑡 : Variabel respon pada unit observasi ke- 𝑖 dan waktu ke- 𝑡
𝛽𝑗 : Slope atau koefisien arah
𝑋𝑗𝑖𝑡 : Variabel prediktor ke- 𝑗 unit observasi ke- 𝑖 dan waktu ke- 𝑡
𝛼𝑖 : Intersep model regresi pada unit observasi ke- 𝑖
𝜀𝑖𝑡 : Galat atau komponen error pada unit observasi ke- 𝑖 dan
waktu ke- 𝑡

[Link]. Least Square Dummy Variable (LSDV)

Salah satu metode umum yang digunakan untuk mengestimasi
fixed effect model adalah Least Square Dummy Variable (LSDV).
Menurut Imani, dkk (2025), untuk membedakan intersepnya dapat
digunakan peubah dummy, sehingga model ini juga dikenal dengan
model Least Square Dummy Variable (LSDV). Metode ini digunakan
dengan memasukkan variabel dummy untuk setiap unit cross-section
ke dalam model regresi untuk menangkap adanya efek individual.
Berdasarkan persamaan regresi panel pada (2.2) diperoleh galat
sebagai berikut:
 𝒖 = 𝒀 − 𝑿𝜷 (2.12)
Sehingga diperoleh Jumlah Kuadrat Galat (JKG) sebagai berikut:
𝒖′ 𝒖 = (𝒀 − 𝑿𝜷)′ (𝒀 − 𝑿𝜷)
= 𝒀′ 𝒀 − 𝜷′ 𝑿′ 𝒀 − 𝒀′ 𝑿𝜷 + 𝜷′ 𝑿′ 𝑿 (2.13)
′ ′ ′
= 𝒀 𝒀 − 𝟐𝜷 𝑿 + 𝜷′𝑿′𝑿𝜷
Jika matriks transpose (𝑿𝜷)′ = 𝜷′𝑿′, maka skalar 𝜷′ 𝑿′ 𝒀 = 𝒀′𝑿𝜷.
Untuk memperoleh penduga parameter 𝛽 yang meminimalkan jumlah
kuadrat galat, dilakukan dengan cara menurunkan fungsi kuadrat galat
pada persamaan (2.8) terhadap parameter 𝛽 yang kemudian hasil
𝝏(𝒖′ 𝒖)
turunan tersebut disetarakan dengan nol atau = 𝟎, sehingga
𝝏𝜷
diperoleh:
𝝏(𝒀′ 𝒀 − 𝟐𝜷′ 𝑿′ 𝒀 + 𝜷′ 𝑿′ 𝑿𝜷)
=𝟎
𝝏𝜷
−𝟐𝑿′ 𝒀 + 𝟐𝑿′ 𝑿𝜷 ̂=𝟎
′ ̂
(2.14)
𝟐𝑿 𝑿𝜷 = 𝟐𝑿′𝒀
̂ = 𝑿′𝒀
𝑿′ 𝑿𝜷

Jika persamaan (2.9) dikalikan dengan (𝑿′ 𝑿)−𝟏 , maka didapatkan

hasil sebagai berikut:

̂ = (𝑿′𝑿)−𝟏 𝑿′𝒀
(𝑿′ 𝑿)−𝟏 (𝑿′ 𝑿)𝜷 (2.15)

Karena (𝑿′ 𝑿)−𝟏 (𝑿′ 𝑿) = 𝑰, di mana 𝑰 merupakan matriks identitas,

maka didapatkan:

̂ = (𝑿′ 𝑿)−𝟏 𝑿′ 𝒀
𝑿′ 𝑿𝜷 (2.16)

Selanjutnya, model fixed effect dengan variabel dummy dapat

dituliskan sebagai berikut:
𝑁 𝑘
(2.17)
𝑌𝑖𝑡 = 𝛽0 + ∑ 𝛼𝑖 𝐷𝑖 + ∑ 𝛽𝑗 𝑋𝑗𝑖𝑡 + 𝜀𝑖𝑡
𝑖=2 𝑗=1
dimana:
𝑗 : 1, 2, …, k, dengan k adalah banyaknya variabel prediktor
𝑖 : 1, 2, …, N, dengan i adalah indeks dimensi cross-section
𝑡 : 1, 2, …, T, dengan t adalah indeks dimensi waktu
𝑌𝑖𝑡 : Variabel respon pada unit observasi ke- 𝑖 dan waktu ke- 𝑡
𝛽0 : Intersep model regresi
𝛼𝑖 : Koefisien variabel dummy pada unit observasi ke- 𝑖
𝐷𝑖 : Variabel dummy pada unit observasi ke- 𝑖
𝛽𝑗 : Slope atau koefisien arah
𝑋𝑗𝑖𝑡 : Variabel prediktor ke- 𝑗 unit observasi ke- 𝑖 dan waktu ke- 𝑡
𝜀𝑖𝑡 : Galat atau komponen error pada unit observasi ke- 𝑖 dan
waktu ke- 𝑡

[Link]. Uji Signifikansi Parameter Least Square Dummy Variable

(LSDV)
1. Uji Simultan
Uji simultan atau uji F digunakan untuk menguji signifikansi
kolektif semua variabel prediktor dalam menjelaskan variabel respon
pada model LSDV. Hipotesis yang digunakan untuk uji simultan,
yaitu:

𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0 vs
𝐻1 : 𝑀𝑖𝑛𝑖𝑚𝑎𝑙 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛽𝑖 ≠ 0

Statistik Uji yang digunakan sebagai berikut:

(𝑆𝑆𝐸𝑃 − 𝑆𝑆𝐸𝑅 )/(𝑁 − 1) (2.18)

𝐹=
𝑆𝑆𝐸𝑅 /(𝑁 − 𝑘 − 1)

dimana:
𝑆𝑆𝐸𝑃 : Jumlah kuadrat kesalahan (Sum Square Error) dari
model regresi data panel
𝑆𝑆𝐸𝑅 : Jumlah kuadrat kesalahan (Sum Square Error) dari
model variabel fixed
𝑁 : Jumlah observasi
𝑁−𝑘−1 : Derajat kebebasan residual

Statistik uji F dibandingkan dengan tabel F. Apabila nilai

statistik uji F lebih besar dari tabel F atau p-value < 𝛼, maka cukup
bukti untuk menolak 𝐻0 , begitu pula sebaliknya.

2. Uji Parsial
Uji parsial atau uji t pada LSDV digunakan untuk menguji
pengaruh masing-masing variabel prediktor secara individual terhadap
variabel respon, setelah mengontrol efek tetap antar individu melalui
variabel dummy. Hipotesis yang digunakan untuk uji parsial, yaitu:
𝐻0 : 𝛽𝑗 = 0 vs
𝐻1 : 𝛽𝑗 ≠ 0

Statistik Uji yang digunakan sebagai berikut:

𝛽𝑗 (2.19)
𝑡=
𝑆𝐸(𝛽𝑗 )

𝑆𝐸(𝛽𝑖 ) = √𝜎̂ 2 (𝑋′𝑋)−1

𝑘𝑘
𝑅𝑆𝑆
𝜎̂ 2 =
𝑛−𝑁−𝑘−1

dimana:
𝛽𝑗 : Koefisien regresi hasil estimasi LSDV
𝑆𝐸(𝛽𝑗 ) : Standard error bagi 𝛽𝑗 pada variabel prediktor ke-j
𝜎̂ 2 : Estimasi varians error
𝑅𝑆𝑆 : Residual sum of squares
𝑋 : Matriks variabel prediktor
𝑛 : Jumlah pengamatan
𝑘 : Jumlah parameter
𝑁 : Jumlah unit individu

Statistik uji t dibandingkan dengan tabel t dengan derajat

bebas n-k-1. Apabilai nilai statistik uji t lebih besari dari tabel t atau p-
value < 𝛼, maka cukup bukti untuk menolak 𝐻0 , begitu pula
sebaliknya.

2.4.3. Random Effect Model

Random effect model merupakan metode dalam analisis
regresi data panel yang digunakan untuk menangani variasi antar
individu dengan menambahkan efek acak yang tidak dapat diamati.
Model ini mengasumsikan bahwa efek yang tidak teramati (random
effect) berpengaruh terhadap variabel respon dan intersep model dapat
berbeda antar individu, sedangkan koefisien kemiringan tetap konstan.
Model random effect memiliki syarat bahwa jumlah cross-section
harus lebih banyak dibandingkan dengan jumlah variabel yang
digunakan dalam penelitian (Nandita dkk., 2019). Model random
effect dapat dijabarkan sebagai berikut:

𝑌𝑖𝑡 = 𝛼 + 𝛽𝑋𝑖𝑡 + 𝑤𝑖𝑡 (2.20)

dengan
𝑤𝑖𝑡 = 𝑢𝑖 + 𝜀𝑖𝑡 (2.21)

[Link]. Generalized Least Square (GLS)

Estimasi parameter untuk random effect model dilakukan
dengan metode Generalized Least Square (GLS). Pada dasarnya,
spesifikasi model REM dan FEM sama dengan slope yang dianggap
konstan. Menurut Rizki, dkk (2022), hal yang membedakan keduanya
adalah bahwa REM tidak menggunakan metode Generalized Least
Square (GLS) tetapi menggunakan metode Least Ordinary Square
(OLS). Penentuan estimasi parameter 𝛽 pada REM dilakukan dengan
mencari jumlah kuadrat error. Berdasarkan persamaan (2.1) dalam
GLS diasumsikan bahwa error memiliki varians-kovarians yang tidak
identik dan heterokedastisitas atau ada autokorelasi atau 𝜀~𝑁(0, Φ),
di mana

𝜎1 2 0 0 (2.22)
⋯
𝜎2 2 0
Φ = 𝜎2𝜓 = [ 0 ]
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝜎𝑛 2

Φ merupakan matriks varians-kovarians yang mencakup

heterokedastisitas dan autokorelasi. Φ adalah matriks simetris dan
positive definite, maka terdapat matriks p yang merupakan matriks
simetrik non singular dan D adalah matriks diagonal yang elemen-
elemennya merupakan nilai-nilai eigen dari Φ.
Misalkan

𝜆1 0 0 (2.23)
⋯
0 𝜆2 0
𝐷=[ ]
⋮ ⋮ ⋱ ⋮
0 0 ⋯ 𝜆𝑛
Menjadi
 1⁄ 0 0 (2.24)
𝜆1 1 ⋯
⁄𝜆 0
𝑊= 0 2
⋮ ⋮ ⋱ ⋮
1
⋯ ⁄𝜆 ]
[ 0 0 𝑛
Maka diperoleh 𝑾′ 𝑫𝑾 = 𝑰
Misalkan
𝜺 = 𝒀 − 𝑿𝜷 ̂
= 𝒀 − 𝑿(𝑿′𝑿)−𝟏 𝑿′𝒀 (2.25)
= (𝑰 − 𝑿(𝑿′ 𝑿)−𝟏 𝑿′ )𝒀
Dan 𝑷 = 𝑿(𝑿′𝑿)−𝟏 𝑿′, maka 𝜺 = (𝑰 − 𝑷)𝒀. Berdasarkan hasil
tersebut didapatkan jumlah kuadrat error dari persamaan (2.12) dapat
dinyatakan sebagai berikut:

𝜺′ 𝜺 = 𝒀′ (𝑰 − 𝑷)(𝑰 − 𝑷)𝒀 (2.26)

Pada persamaan (2.21) adalah matriks idempoten, sehingga

(2.27)
𝜺′ 𝜺 = 𝒀′ (𝑰 − 𝑷)𝒀
Estimasi parameter pada 𝛽 untuk model transformasi statistik
linier umum pada persamaan (2.1) disebut sebagai Generalized Least
Squares Estimator (GLSE), yaitu:
̂ 𝑮𝑳𝑺 = 𝒀′ (𝑰 − 𝑷)(𝑰 − 𝑷)𝒀
𝜷
= 𝒀′(𝑰 − 𝑿(𝑿′ 𝑾𝑿)−𝟏 𝑿′ 𝑾)(𝑰 − 𝑿(𝑿′ 𝑾𝑿)−𝟏 𝑿′ 𝑾)𝒀 (2.28)
= 𝒀′(𝑰 − 𝑿(𝑿′ 𝑾𝑿)−𝟏 𝑿′ 𝑾)𝒀
Persamaan (2.23) merupakan Best Linier Unbiased Estimator
(BLUE).

[Link]. Uji Signifikansi Parameter Generalized Least Square

(GLS)
1. Uji Simultan
Uji simultan digunakan untuk menguji apakah seluruh
variabel prediktor secara bersama-sama berpengaruh signifikan
terhadap variabel respon dalam model dengan efek acak. Hipotesis
yang digunakan untuk uji F, yaitu:

𝐻0 : 𝛽1 = 𝛽2 = ⋯ = 𝛽𝑘 = 0 vs
𝐻1 : 𝑀𝑖𝑛𝑖𝑚𝑎𝑙 𝑡𝑒𝑟𝑑𝑎𝑝𝑎𝑡 𝑠𝑎𝑡𝑢 𝛽𝑖 ≠ 0
Statistik Uji yang digunakan sebagai berikut:

(𝑆𝑆𝐸𝑃 − 𝑆𝑆𝐸𝑅 )/(𝑁 − 1) (2.29)

𝐹=
𝑆𝑆𝐸𝑅 /(𝑁𝑇 − 𝑁 − 𝑘))

dimana:
𝑆𝑆𝐸𝑃 : Jumlah kuadrat kesalahan (Sum Square Error) dari
model regresi data panel
𝑆𝑆𝐸𝑅 : Jumlah kuadrat kesalahan (Sum Square Error) dari
model variabel random
𝑁 : Jumlah observasi
𝑇 : Banyaknya waktu
𝑘 : 𝐾 − 1, dengan 𝐾 adalah banyaknya variabel bebas

Statistik uji F dibandingkan dengan tabel F. Apabila nilai

statistik uji F lebih besar dari tabel F atau p-value < 𝛼, maka cukup
bukti untuk menolak 𝐻0 , begitu pula sebaliknya.

2. Uji Parsial
Uji parsial digunakan untuk menguji pengaruh masing-
masing variabel prediktor secara individu terhadap variabel respon,
dalam model yang mengasumsikan adanya random effect. Hipotesis
yang digunakan untuk uji t, yaitu:
𝐻0 : 𝛽𝑘 = 0 vs
𝐻1 : 𝛽𝑘 ≠ 0
Statistik Uji yang digunakan sebagai berikut:

𝛽𝑘 (2.30)
𝑡=
𝑆𝐸(𝛽𝑘 )
𝑆𝐸(𝛽𝑖 ) = √𝜎̂ 2 [𝑿′𝑾−𝟏 𝑿)−𝟏
𝒌𝒌

2
𝑅𝑆𝑆 ∗
𝜎̂ =
𝑛−𝑘

dimana:
𝛽𝑘 : Koefisien regresi hasil estimasi GLS
𝑆𝐸(𝛽𝑘 ) : Standard error bagi 𝛽𝑖 pada variabel prediktor ke-i
𝜎̂ 2 : Estimasi varians error
𝑅𝑆𝑆 ∗ : Residual Sum of Squares dari model hasil transformasi GLS
𝑛 : Jumlah pengamatan
𝑘 : Jumlah parameter regresi

Statistik uji t dibandingkan dengan tabel t dengan derajat

bebas n-k-1. Apabilai nilai statistik uji t lebih besari dari tabel t atau p-
value < 𝛼, maka cukup bukti untuk menolak 𝐻0 , begitu pula
sebaliknya.

2.5. Pengujian Model Data Panel

2.5.1. Uji Chow
Uji Chow umumnya digunakan untuk menguji adanya
perubahan struktural dalam beberapa atau semua parameter model
dengan asumsi bahwa istilah gangguan adalah sama dalam dua periode
(Baltagi, 2005). Uji Chow digunakan untuk memilih antara model
common effect dan model fixed effect dengan hipotesis sebagai berikut:

𝐻0 : 𝑎1 = 𝑎2 = ⋯ = 𝑎𝑁 = 𝑎 (Common effect model) vs

𝐻1 : minimal ada satu 𝑎𝑖 ≠ 0; 𝑖 = 1,2, … , 𝑛 (Fixed effect model)

Statistik uji yang digunakan adalah sebagai berikut:

𝑅𝑆𝑆1 − 𝑅𝑆𝑆2 /(𝑁 − 1) (2.31)

𝐹=
𝑅𝑆𝑆2 /(𝑁𝑇 − 𝑁 − 𝑘)
dimana:
𝑅𝑆𝑆1 : Residual sum of square hasil pendugaan model common
effect
𝑅𝑆𝑆2 : Residual sum of square hasil pendugaan model fixed effect
𝑁 : Banyaknya data cross-section
𝑇 : Banyaknya data time series
𝑘 : Banyaknya variabel prediktor

Dengan kriteria menolak 𝐻0 , jika 𝐹ℎ𝑖𝑡𝑢𝑛𝑔 > 𝐹𝑡𝑎𝑏𝑒𝑙 , dengan

𝛼=5%, yang berarti 𝛼 tidak konstan pada setiap 𝑖 dan 𝑡. Jika F
signifikan, maka estimasi model dengan fixed effect lebih baik
dibandingkan dengan common effect.

2.5.2. Uji Hausman

Menurut Greene (2019), uji Hausman digunakan untuk
membandingkan dan memilih antara model fixed effect dengan model
random effect. Alasan melakukan uji Hausman didasarkan pada model
fixed effect yang mengandung unsur trade-off berupa hilangnya
derajat kebebasan akibat penggunaan variabel dummy, serta model
random effect yang harus mempertimbangkan ketiadaan pelanggaran
asumsi dari setiap komponen galat. Adapun pengujian hipotesis pada
uji ini adalah sebagai berikut:

𝐻0 : 𝑐𝑜𝑟𝑟(𝑋𝑖𝑡 , 𝑈𝑖𝑡 ) = 0 (Random effect model) vs

𝐻1 : 𝑐𝑜𝑟𝑟(𝑋𝑖𝑡 , 𝑈𝑖𝑡 ) ≠ 0 (Fixed effect model)

Statistik uji yang digunakan adalah sebagai berikut:

𝑊 = [𝑏 − 𝛽]′ [𝑉𝑎𝑟(𝑏 − 𝛽)]−1 (𝑏 − 𝛽) (2.32)

dengan:
𝑏 : Koefisien random effect
𝛽 : Koefisien fixed effect

Statistik Hausman menyebar Chi-Square dengan derajat bebas

𝑘 (k = jumlah variabel prediktor), jika statistik Hausman hasil
2
pengujian lebih besar dari 𝜒(𝑘,𝛼) atau p-value < 𝛼, maka cukup bukti
untuk melakukan penolakan terhadap 𝐻0 , begitu pula sebaliknya.

2.5.3. Uji Lagrange Multiplier

Pengujian ini dilakukan untuk mengetahui apakah terdapat
unsur heteroskedastisitas pada model yang dipilih. Uji lagrange
multiplier digunakan ketika untuk membandingkan dan memilih
antara model common effect dengan model random effect. Pengujian
Lagrange Multiplier dapat dihipotesiskan sebagai berikut:

𝐻0 : 𝜎𝑖 2 = 𝜎 2 (Common effect model) vs

𝐻1 : 𝜎𝑖 2 ≠ 𝜎 2 (Random effect model)

Statistik uji yang digunakan adalah sebagai berikut:

2 (2.33)
𝑁𝑇 𝑁 𝑇 2 𝜎𝑖 2
𝐿𝑀 = ∑ [ 2 − 1]
2(𝑇 − 1) 𝑖=1 𝜎
dengan:
𝑁 : Banyaknya data cross-section
𝑇 : Banyaknya data time series
𝜎𝑖 2 : Variansi residual persamaan ke-𝑖
𝜎2 : Variansi residual persamaan system

Statistik Lagrange Multiplier menyebar Chi-Square dengan

derajat bebas 1, jika statistik uji Lagrange Multiplier hasil pengujian
2
lebih besar dari 𝜒(1,𝛼) atau p-value < 𝛼, maka cukup bukti untuk
melakukan penolakan terhadap 𝐻0 , begitu pula sebaliknya.

2.6. Pengujian Asumsi Klasik

Dalam analisis regresi, penting untuk melakukan uji asumsi
klasik untuk memverifikasi apakah model memenuhi kriteria tertentu.
Pengujian ini diperlukan untuk memastikan bahwa sampel yang
diteliti tidak terpengaruh oleh beberapa pengujian yang terdiri dari:

2.6.1. Uji Normalitas

Uji normalitas adalah suatu teknik untuk menguji apakah
model yang dianalisis memiliki kesesuaian dengan data atau tidak
(Quraisy, 2020). Pentingnya konsep ini terletak pada kenyataan jika
residual untuk setiap variabel tidak menunjukkan distribusi normal,
statistik parametrik tidak dapat diterapkan untuk pengujian hipotesis.
Dalam bidang uji normalitas tujuannya adalah untuk memberikan
wawasan tentang pola distribusi data yang dikumpulkan.
Pada penelitian ini, pengujian untuk menguji normalitas
adalah dengan menggunakan uji Jarque-Bera di mana uji ini dirancang
untuk menilai sejauh mana residual yang diberikan sesuai dengan
distribusi normal. Pengujian normalitas dapat dilakukan
menggunakan uji Jarque-Bera yang mengikuti distribusi chi-kuadrat
dengan tingkat signifikansi 0,05 di mana data dianggap berdistribusi
normal jika nilai signifikansi lebih besar dari 0,05 (Kabasarang dkk.,
2012). Berikut merupakan hipotesis dari Uji Jarque-Bera, yaitu:
𝐻0 : Residual berdistribusi normal vs
𝐻1 : Residual tidak berdistribusi normal
Statistik Uji:
𝑛 1 (2.34)
𝐽𝐵 = (𝑆 2 + (𝐾 − 3)2 )
6 4
1 𝑛
∑𝑖=1(𝑥𝑖 − 𝑥̅ )3
𝑆= 𝑛
1 3
( ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ 2 ) ⁄2
𝑛
 1 𝑛
∑ (𝑥 − 𝑥̅ )4
𝐾= 𝑛 𝑖=1 𝑖
1 3
(𝑛 ∑𝑛𝑖=1(𝑥𝑖 − 𝑥̅ )2 ) ⁄2
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 𝑃(𝜒𝛼2 > 𝐽𝐵)

dimana:
𝑥 : Data yang akan diuji kenormalan
𝑛 : Ukuran ampel
𝑆 : Nilai skewness
𝐾 : Nilai kurtosis
𝛼 : Derajat kebebasan
Kriteria pengujian:
1. Jika p-value > 𝛼, maka terima 𝐻0
2. Jika p-value < 𝛼, maka tolak 𝐻0

2.6.2. Uji Non Multikolinieritas

Multikolinearitas terjadi ketika terdapat hubungan yang kuat
antara dua atau lebih variabel prediktor dalam suatu model regresi,
atau ketika variabel prediktor tidak sepenuhnya prediktor satu sama
lain (Kartiningrum dkk., 2022). Adanya multikolinearitas dapat
menyebabkan hasil analisis regresi yang tidak akurat. Oleh karena itu,
penting untuk mengidentifikasi dan mengatasi masalah ini.
Terdapat berbagai macam metode untuk menguji
multikolinearitas, misalnya dengan menguji nilai toleransi dan
variance inflasi faktor (VIF). Nilai toleransi menunjukkan sejauh
mana variasi variabel prediktor tidak dapat dijelaskan oleh variabel
lain, sedangkan VIF menunjukkan sejauh mana multikolinearitas
mempengaruhi variasi koefisien regresi. Jika nilai toleransinya rendah
atau nilai VIF tinggi, maka dapat disimpulkan bahwa terdapat
multikolinearitas dalam model regresi. Menurut Ghozali (2018), dasar
pengambilan keputusan uji multikolinearitas, yaitu:
1. Besarnya variabel Inflation Factor/VIF pedoman suatu model
regresi yang bebas Multikolineritas yaitu nilai VIF < 10.
2. Besarnya Tolerance pedoman suatu model regresi yang bebas
Multikolineritas yaitu nilai Tolerance < 0,1.
Secara umum VIF dapat dituliskan dengan persamaan sebagai berikut:
1 (2.35)
𝑉𝐼𝐹𝐽 =
1−𝑅𝐽2 , di mana j = 1, 2, ..., k
2.6.3. Uji Heteroskedastisitas
Uji heteroskedastisitas merupakan metode statistik yang
digunakan untuk menilai apakah terdapat perbedaan varians residu
pada seluruh observasi dalam model regresi linier. Tujuan uji
heteroskedastisitas adalah untuk mengetahui apakah terdapat variasi
tingkat varians residual antar observasi yang berbeda dalam suatu
model regresi. Heteroskedastisitas menandakan adanya tingkat varians
yang tidak sama atau berbeda pada seluruh observasi dalam model
regresi (Mardiatmoko, 2020). Pengujian ini membantu mendeteksi
dan mengatasi ketidakkonsistenan dalam distribusi residu, yang dapat
memengaruhi keakuratan dan keandalan analisis regresi.
Pada penelitian ini menggunakan salah satu uji
heterokedastisitas yaitu dengan menggunakan uji Glejser. Uji Glejser
digunakan dengan meregresikan nilai absolut residual dengan variabel
prediktor. (Fidausya dkk, 2023). Hipotesis dari uji ini adalah sebagai
berikut:
𝐻0 : Tidak terjadi heteroskedastisitas vs
𝐻1 : Terjadi heteroskedastisitas
Statistik Uji:
|𝑈𝑡 | = 𝑎 + 𝑏𝑋𝑡 + 𝑣𝑡 (2.36)
𝑏 − 𝑏0
𝑡=
𝑆𝐸(𝑏)
𝑑𝑓 = 𝑛 − 𝑘 − 1
𝑝 − 𝑣𝑎𝑙𝑢𝑒 = 2 × 𝑃(𝑇𝑑𝑓 > |𝑡|)
dimana:
|𝑈𝑡 | : Nilai absolut residual dari model regresi utama
𝑋𝑡 : Variabel prediktor yang diuji
𝑎, 𝑏 : Parameter regresi
𝑣𝑡 : Error term
𝑏0 : Nilai koefisien pada 𝐻0
𝑆𝐸(𝑏) : Standar error dari koefisien regresi 𝑏
𝑑𝑓 : Derajat kebebasan
𝑛 : Jumlah observasi
𝑘 : Jumlah variabel prediktor dalam model
Kriteria pengujian:
1. Jika p-value < 𝛼, maka 𝐻0 ditolak.
2. Jika p-value > 𝛼, maka 𝐻0 diterima.
2.7. Indeks Kesehatan
Indeks kesehatan digunakan untuk menilai dan
membandingkan tingkat kesehatan masyarakat di suatu wilayah atau
kelompok tertentu. Indeks kesehatan bertujuan untuk menyediakan
gambaran yang komprehensif mengenai kondisi kesehatan suatu
populasi, sehingga dapat dimanfaatkan dalam merumuskan kebijakan
kesehatan, mengenali masalah kesehatan, dan memantau perubahan
kesehatan dari waktu ke waktu. Indeks kesehatan mencerminkan
tingkat kesehatan di suatu daerah dan dibentuk berdasarkan Angka
Harapan Hidup saat lahir. Angka Harapan Hidup (AHH) adalah
perkiraan rata-rata jumlah tahun yang dapat dijalani seseorang selama
hidupnya. Perhitungan AHH dilakukan dengan pendekatan tidak
langsung (indirect estimation). Data yang digunakan dalam
perhitungan adalah Anak Lahir Hidup (ALH) dan Anak Masih Hidup
(AMH). Menurut BPS (2017), Angka Harapan Hidup (AHH) dihitung
berdasarkan ALH dan AMH melalui metode Trussel dengan model
West yang sesuai dengan sejarah kependudukan serta kondisi
Indonesia dan negara-negara Asia Tenggara pada umumnya. Berikut
merupakan perumusan yang digunakan untuk menghitung indeks
Kesehatan:
𝐴𝐻𝐻 − 𝐴𝐻𝐻𝑚𝑖𝑛 (2.37)
𝐼𝐾𝑒𝑠𝑒ℎ𝑎𝑡𝑎𝑛 =
𝐴𝐻𝐻𝑚𝑎𝑘𝑠 − 𝐴𝐻𝐻𝑚𝑖𝑛

Batas maksimum dan batas minimum menurut standar UNDP

untuk AHH dalam perhitungan indeks adalah 85 tahun sebagai batas
atas dan 20 tahun sebagai batas bawah.

2.8. Angka Harapan Hidup (AHH)

Angka harapan hidup adalah suatu indikator demografi yang
menggambarkan rata-rata jumlah tahun yang diharapkan dapat dijalani
oleh individu sejak lahir yang ditentukan berdasarkan pola kematian
dalam suatu populasi (BPS, 2008). Angka Harapan Hidup di suatu
daerah bervariasi dibandingkan dengan daerah lainnya, tergantung
pada Tingkat kualitas hidup yang dapat dicapai oleh penduduk. Angka
Harapan Hidup merupakan suatu alat untuk menilai kinerja
pemerintah dalam meningkatkan kesejahteraan masyarakat secara
keseluruhan serta dalam meningkatkan derajat kesehatan secara
khusus. Apabila AHH rendah pada suatu wilayah, maka hal ini perlu
direspons dengan pelaksanaan program Pembangunan Kesehatan dan
program social lainnya yang mencakup kesehatan lingkungan,
kecukupan gizi, dan program pengentasan kemiskinan.

2.9. Indeks Pembangunan Manusia (IPM)

Indeks Pembangunan Manusia merupakan ukuran gabungan
yang digunakan untuk menilai kemajuan sosial dan ekonomi di suatu
negara atau daerah. Menurut BPS (2017), Indeks Pembangunan
Manusia dapat menentukan tingkat atau level pada pembangunan di
suatu daerah. IPM mengukur kemajuan dalam tiga dimensi utama,
yaitu usia panjang yang diukur dengan tingkat harapan hidup,
pengetahuan yang diukur dengan rata-rata tertimbang dari jumlah
orang dewasa yang dapat membaca dan rata-rata lamanya sekolah, dan
penghasilan yang diukur dengan pendapatan per kapita riil yang telah
disesuaikan. IPM dihitung sebagai rata-rata geometrik dari indeks
kesehatan, pendidikan, dan pengeluaran. Sebelum digunakan dalam
perhitungan, setiap komponen IPM distandarisasi dengan nilai
minimum dan maksimum. Berikut merupakan perumusan yang
digunakan:

Dimensi Pendidikan:
𝐻𝐿𝑆 − 𝐻𝐿𝑆𝑚𝑖𝑛 (2.38)
𝐼𝐻𝐿𝑆 =
𝐻𝐿𝑆𝑚𝑎𝑘𝑠 − 𝐻𝐿𝑆𝑚𝑖𝑛

𝑅𝐿𝑆 − 𝑅𝐿𝑆𝑚𝑖𝑛 (2.39)

𝐼𝑅𝐿𝑆 =
𝑅𝐿𝑆𝑚𝑎𝑘𝑠 − 𝑅𝐿𝑆𝑚𝑖𝑛

𝐼𝐻𝐿𝑆 + 𝐼𝑅𝐿𝑆 (2.40)

𝐼𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛 =
2

Dimensi Pengeluaran:

𝐼𝑝𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 =
ln(𝑝𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛) − ln (𝑝𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛𝑚𝑖𝑛 ) (2.41)
ln(𝑝𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛𝑚𝑎𝑘𝑠 ) − ln (𝑝𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛𝑚𝑖𝑛 )

Rumus Indeks Pembangunan Manusia (IPM):

𝐼𝑃𝑀 = 3√𝐼𝑘𝑒𝑠𝑒ℎ𝑎𝑡𝑎𝑛 × 𝐼𝑝𝑒𝑛𝑑𝑖𝑑𝑖𝑘𝑎𝑛 × 𝐼𝑝𝑒𝑛𝑔𝑒𝑙𝑢𝑎𝑟𝑎𝑛 × 100 (2.42)
2.10. Tingkat Kemiskinan
Kemiskinan merupakan suatu kondisi hidup yang rendah, di
mana sekelompok atau sejumlah orang mengalami kekurangan materi
jika dibandingkan dengan standar kehidupan yang umumnya berlaku
di masyarakat tersebut (Wulandari dkk., 2022). Standar hidup yang
rendah ini secara langsung memengaruhi kondisi kesehatan, moral,
dan harga diri individu yang tergolong miskin. Kemiskinan adalah
kondisi yang terjadi akibat keterbatasan sarana untuk memenuhi
kebutuhan dasar, atau kesulitan dalam memperoleh akses terhadap
pendidikan dan pekerjaan. (Wahab & Sudirman, 2023).
Metode yang digunakan BPS untuk menghitung jumlah
penduduk miskin sejak awal hingga kini tetap menggunakan
pendekatan yang sama, yaiu pendekatan kebutuhan dasar (basic need
approach). Dalam pendekatan ini, kemiskinan didefinisikan sebagai
ketidakmampuan untuk memenuhi kebutuhan dasar. Menurut
pendekatan ini, indikator yang digunakan adalah Head Count Index
(HCl) yang mengukur jumlah dan persentase penduduk miskin yang
hidup di bawah garis kemiskinan. Berikut merupakan perumusan
persentase kemiskinan:

1 𝑞 𝑍 − 𝑌𝑖 𝑎 (2.43)
𝑃𝑎 = ∑ ( )
𝑁 𝑖=1 𝑍

dimana:
𝑍 : Garis kemiskinan
𝑌𝑖 : Rata-rata pengeluaran per kapita penduduk yang berada
dibawah garis kemiskinan
𝑞 : Banyaknya penduduk yang berada dibawah garis kemiskinan
𝑁 : Jumlah penduduk