Dynamic Panel Data
Mahrus Lutfi Adi Kurniawan
Disampaikan di UNS, 11-Desember 2019
• Dynamic Panel Data
• Beberapa kasus dalam ekonomi, secara alamiah memiliki hubungan yang dinamis.
Seperti yang telah ditunjukkan oleh Balestra dan Nerlove (1966) permintaan pada
natural gas, Baltagi dan Levine (1986) permintaan pada rokok, Arrelano dan Bond
(1991) model dinamis pada tenaga kerja dan Islam (1995) membentuk model
pertumbuhan ekonomi.
• Penerapan model yang bersifat dinamis menjadi sangat penting untuk
menghasilkan parameter yang konsisten dari parameter lain yang non-dinamis.
• Contoh : permintaan (demand) akan suatu barang / jasa dapat bergantung pada
permintaan terdahulu. Pertumbuhan ekonomi dengan pendekatan yang berbeda
(klasik, neo-klasik, dll) secara alamiah memiliki sifat yang dinamis dalam
menghasilkan GDP. Etc.
• Dynamic Panel
• Salah satu karateristik dari dynamic panel data adalah terdapatnya lag pada
dependent variabel.
i = cross section N dan t = time series
Noted : bahwa error component model pada dapat menunjukkan one-way error
component model ataupun two way
• One way error component model dimana efek individual (cross-section) dan
adalah disturbance
• two way error component model dimana adalah efek waktu
• Dynamic Panel Data
• Rumus (pada slide sebelumnya) menunjukkan formula dari data panel dinamis.
Berdasarkan rumus tersebut dan untuk dapat menghasilkan nilai yang persisten
sepanjang waktu harus diperhatikan pada :
Identifikasi autokorelasi yang disebabkan lag pada dependent variabel, dan
Heterogenitas pada setiap nilai / data cross-section (unobserved individual-specific
effects)
• data panel dinamis berfokus pada :
Autoregressive distributed lag models, dan
N > T (even macro panel or micro panel)
• Dynamics panel data
• Penggunaan model data panel dinamis pada ekonomi ataupun finance lebih
ditekankan pada N > T atau nilai cross section lebih besar dari time series.
Contoh : penelitian dengan menggunakan 66 negara dari tahun 2007 – 2014 (8
tahun) / short panels.
• Tidak menjadi masalah berapapun tahun yang akan digunakan, karena model
GMM lebih menekankan pada ukuran cross section. (Baltagi, 2005).
• Dalam kasus lain, dapat dipersempit untuk menjadi short panel. Contoh penelitian
dari tahun 1960 – 2010. nilai T yang sangat besar bisa dibuat rata-rata (1960 –
1969, 1970 – 1979, 1980 – 1989, 1990 – 1999, 2000 – 2010), sehingga akan
menghasilkan nilai 5 tahun pada setiap cross section.
• Dynamic panel data
• Ketika menggunakan lag pada dependent variabel, apakah Pooled OLS, FE dan
RE tidak bisa menerapkannya juga?
• Harus kita ingat bahwa dalam model pooled OLS nilai koefisien cross-section
adalah konstan sepanjang waktu (mengabaikan perbedaan cross section)
• RE nilai regressor berhubungan nilai error term, maka penerapan lag pada
dependen variabel untuk RE tidak sesuai.
• Baik pooled OLS dan RE akan menghasilkan estimasi yang bias.
• Dapat dikatakan penggunaan lag pada dependen variabel untuk model FE namun
harus menggunakan nilai time series yang panjang dan itu tidak menjamin model
yang dihasilkan tidak bias.
• Difference GMM
• Diperkenalkan oleh Arellano-Bond (1991).
• Model empiris:
. xtabond CO2 eu gdp fdi
Arellano-Bond dynamic panel-data estimation Number of obs = 354
Group variable: Kode Number of groups = 65
Time variable: TAHUN
Obs per group: min = 1
avg = 5.446154
max = 6
Number of instruments = 25 Wald chi2(4) = 470.46
Prob > chi2 = 0.0000
• Difference GMM
• Terdapat perbedaan antara number of groups dan number of instrument. Variabel
eu, gdp, fdi dan lag pada variabel dependen dianggap sebagai variabel eksogen.
Dengan jumlah periode 8 tahun, (p – 2) sehingga memiliki rumus k + [p*[p+1]/2.
• Untuk number of groups adalah 65 dan number of instrumen menjadi 4 +
[6*[6+1]/2 = 25.
• Uji sargan digunakan untuk menunjukkan bahwa instrumen / model adalah valid.
• hasil difference GMM menunjukkan bahwa model invalid p-value < 5%
. estat sargan
Sargan test of overidentifying restrictions
H0: overidentifying restrictions are valid
chi2(20) = 86.18018
Prob > chi2 = 0.0000
• Difference GMM twostep
• Dengan pendekatan difference GMM twostep maka mendapatkan hasil untuk uji
sargan sebagai berikut:
. estat sargan
Sargan test of overidentifying restrictions
H0: overidentifying restrictions are valid
chi2(20) = 29.46176
Prob > chi2 = 0.0791
• Dan nilai residual correlation, (second order)
Order z Prob > z
1 -2.3782 0.0174
2 -1.1293 0.2588
• Kelemahan difference GMM
• Hasil estimasi difference GMM cenderung menurun dan bias (downward biased)
terlebih jika sampelnya sedikit.
• Instrumen difference GMM inkonsisten, hal ini ditunjukkan dengan nilai
instrumen yang dapat berubah-ubah tergantung pada penggunaan variabelnya
• Terdapat limit dalam menggunakan lag. pada difference GMM limit lag adalah 2.
• Berdasarkan kelemahan diatas, maka Blundell dan Bond (1998) menyarankan
untuk menggunakan model system GMM.
• System GMM merupakan pengembangan dari model yang telah dilakukan oleh
Arellano-Bond (1991).
• System GMM
• Estimasi sistem GMM lebih baik (presisi yang bagus dan sedikit kesalahan)
terutama memiliki hasil yang persisten, hal ini ditunjukkan dengan hasil
autoregressive yang persisten. (Blundell dan Bond, 1998; Ziliak, 1997; Baltagi,
2015)
• Hasil yang persisten dapat dikatakan bahwa hasil nilai suatu variabel saat ini dapat
dijadikan sebagai hasil suatu variabel untuk masa yang akan datang (prediksi dari
suatu kemungkinan variabel).
• Untuk mendapatkan hasil yang persisten diperhatikan pula hasil dari nilai Sargan
dan Hansen test serta nilai Autoregressive / proses time series (AR2) pada model.
(Baum, 2013).
• Decissions ???
• Kita harus menggunakan apa? Pooled OLS, FE, Difference GMM atau
System GMM?
• Temuan yang dilakukan oleh Bond (2001) menunjukkan bahwa :
Pooled OLS menghasilkan nilai estimasi yang bias (upward)
FE menghasilkan nilai estimasi yang bias (downward)
Diff GMM menghasilkan nilai estimasi yang bias diantara atau
mendekati FE (downward)
sistem GMM best result
• System GMM and IV
• Kelebihan lain dari system GMM adalah dapat menerapkan IV pada model.
Tujuannya adalah mengakomodasi variabel-variabel eksogen yang dapat
menghasilkan parameter lebih baik. (Baltagi, 2015)
• Penerapan model IV dalam stata menggunakan command xtabond2
• Anderson – Hsiao (1981) menerapkan uji endogenitas untuk IV (command stata
ivregress 2sls)
• Jika nilai p-Value > 5% maka IV merupakan variabel endogen
• Endogenous variables merupakan variabel yang berkorelasi dengan error term,
exogenous variables merupakan variabel yang tidak berkorelasi dengan error
term.