TUTORIAL
PENGOLAHAN DATA PANEL
MENGGUNAKAN EVIEW
R. SUPRIYANTO
TUTORIAL
PENGOLAHAN DATA PANEL
TUJUAN PEMBELAJARAN :
Memahami pengertian data panel dan
keuntungan-keuntungan penggunaan data panel
dibandingkan data deret waktu (time series)
ataupun kerat lintang (cross-section)
Memahami pendekatan-pendekatan dalam
regresi data panel dan pemilihan
pendekatan/model terbaik
Memahami prosedur Eviews untuk analisis
regresi data panel
Menginterpretasikan output program Eviews
PENGANTAR
Penggabungan data deret waktu dengan
kerat silang disebut dengan data panel.
Diperoleh gambaran tentang perilaku
beberapa objek tersebut selama beberapa
periode waktu.
Nama lain data panel: Pooled data,
longitudinal data, event history analysis,
ataupun cohort analysis
KEUNTUNGAN MENGGUNAKAN
DATA PANEL:
Dapat mengontrol unobserved heterogeneity
Memberikan data yang lebih informatif, lebih
bervariasi, mengurangi kolinearitas
antarpeubah, memperbesar derajat kebebasan,
dan lebih efisien.
Dapat dipelajari suatu bentuk perubahan yang
dinamis.
Dapat mendeteksi dan mengukur efek suatu
peubah pada peubah lainnya dengan lebih baik
Dapat digunakan untuk mempelajari model
prilaku (behavioral model) yang lebih kompleks
MODEL UMUM REGRESI DATA PANEL
Model Umum:
Yit X 'it u it
dimana:
i = 1, 2, …, N, menunjukkan rumah tangga, individu,
perusahaan dan lainnya (dimensi data silang)
t = 1, 2, …, T, menunjukkan dimensi deret waktu
α = koefisien intersep yang merupakan skalar
β =koefisien slope dengan dimensi K x 1, dimana K
adalah banyaknya peubah bebas
Yit = peubah tak bebas unit individu ke-i dan unit
waktu ke-t
Xit = peubah bebas untuk unit individu ke-i dan unit
waktu ke-t
PENDEKATAN DALAM REGRESI DATA PANEL
Estimasi regresi data panel 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-variasi asumsi tsb, terdapat tiga
pendekatan perhitungan model regresi data panel yaitu:
1. Metode Common-Constant (The Pooled OLS Method=PLS)
2. Metode Fixed Effect (FEM)
3. Metode Random Effect (REM)
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 kerat waktu).
Regresi panel data yang dihasilkan berlaku untuk setiap individu.
Metode Fixed Effect (Fixed Effect Model=FEM)
Intersep dibedakan antar individu.
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
Metode random dikenal dgn sebutan Error Components Model (ECM)
PEMILIHAN MODEL REGRESI DATA PANEL
Pemilihan antara Model PLS dengan FEM
Menggunakan Uji Chow atau Likelihood Test Ratio.
Pemilihan antara PLS dengan REM
Menggunakan uji Lagrange Multiplier (LM).
Pemilihan antara Model FEM dengan REM
Menggunakan uji Hausman
PROSEDUR EVIEWS UNTUK REGRESI DATA PANEL
Estimasi dengan Metode PLS. Klik Estimate
•dependent variable misalnya isikan dta? Sebagai
peubah tak bebasnya.
•Common coeficients: misalnya isikan c size? tang?
growth? prof? risk? sebagai peubah bebasnya.
•Perhatikan bahwa untuk setiap nama peubah diakhiri
dengan tanda tanya (?) kecuali untuk c (konstanta)
yang menunjukkan analisis dilakukan untuk seluruh
data individu.
Estimasi dengan Metode FEM.
Sama dengan metode PLS tetapi dengan mengganti pilihan pada kotak
Cross-section (yang tadi nya none) dengan Fixed.
Estimasi dengan Metode REM
Sama dengan metode PLS tetapi dengan mengganti pilihan pada kotak
Cross-section dengan Random
PROSEDUR EVIEWS UNTUK PEMILIHAN MODEL
Uji Chow untuk memilih antara model PLS dengan FEM
Dalam posisi setelah mengestimasi model FEM, klik View.
Klik Fixed/Random Effect Testing >
Redundant Fixed Effects – Likelihood Ratio
Uji Hausman untuk memilih antara model FEM dengan REM
Dalam posisi setelah mengestimasi model REM, klik View.
klik Fixed/Random Effect Testing >
Correlated Random Effects – Hausman
Test
CONTOH STUDI KASUS 1
PENGARUH FAKTOR-FAKTOR
TINGKAT KESEHATAN KEUANGAN
TERHADAP FINANCIAL DISTRESS
DENGAN TINGKAT RISIKO SEBAGAI
PEMODERASI PADA PERUSAHAAN
ASURANSI JIWA DI INDONESIA
Model
Solvabilitas
Cadangan Teknis
Financial Distress
Kecukupan Investasi
Ekuitas
Tingkat Risiko
HIPOTHESIS
H1: Secara simultan ukuran kesehatan keuangan yang
meliputi solvabilitas, likuiditas, tingkat risiko, kecukupan
investasi, dan ekuitas berpengaruh terhadap financial
distress.
H2: Solvabilitas berpengaruh terhadap financial distress.
H3: Likuiditas berpengaruh terhadap financial distress.
H4: Tingkat risiko berpengaruh terhadap financial distress.
H5: Kecukupan investasi berpengaruh terhadap financial
distress.
H6: Ekuitas berpengaruh terhadap financial distress.
H7: Tingkat risiko memoderasi pengaruh solvabilitas
terhadap financial distress.
H8: Tingkat risiko memoderasi pengaruh likuiditas
terhadap financial distress.
H9: Tingkat risiko memoderasi pengaruh kecukupan
investasi terhadap financial distress.
H10: Tingkat risiko memoderasi pengaruh ekuitas terhadap
financial distress.
TEKNIK ANALISIS
Uji Statistik Deskriptif
Uji Common Effect
Uji Model Data Panel Uji Fixed Effect
Uji Random Effect
Uji Chow
Uji Pemilihan Model
Uji Hausman
Uji Langrange (LM)
Uji Hipotesis
HASIL PENGUJIAN
Dipraktekkan/didemokan …..
CONTOH STUDI KASUS 2
ANALISIS FAKTOR-FAKTOR YANG
MEMPENGARUHI PELAPORAN
KEUANGAN MELALUI INTERNET
FINANCIAL REPORTING DENGAN
HARGA SAHAM SEBAGAI VARIABEL
MODERASI (Studi Empiris Pada
Perusahaan Jasa Perbankan)
KERANGKA PEMIKIRAN
Likuiditas
(ALR)
Solvabilitas
(DER)
Internet Financial
Profitabilitas
Reporting
(ROE)
(IFR)
Ukuran
perusahaan (SIZE)
Efisiensi
(AUR)
Harga Saham
CONTOH KASUS 2 HASIL DAN
PEMBAHASAN
IFR? ALR? DER? ROE? SIZE? AUR? HS?
Mean 0.813606 0.655388 7.461408 0.121597 19.90456 0.103440 2086.235
Median 0.816327 0.647876 7.187549 0.102865 18.97267 0.094437 905.0000
Analisis Maximum 0.920000 6.024663 15.62025 0.522493 30.58517 0.224260 21900.00
Statistik Minimum 0.700000 0.309293 0.762555 0.009256 15.28671 0.026148 64.00000
Std. Dev. 0.040225 0.426008 2.710707 0.073317 3.320195 0.031625 3040.983
Deskriptif Sum 136.6857 110.1052 1253.517 20.42831 3343.967 17.37786 350487.5
Sum Sq. Dev. 0.270215 30.30761 1227.105 0.897695 1840.957 0.167019 1.54E+09
Observations 168 168 168 168 168 168 168
Common Fixed Random
Variabel
Coef Prob Coef Prob Coef Prob
ALR 0.001417 0.6320 0.001698 0.5192 0.003554 0.5600
Pemilihan DER -0.00047 0.5262 -0.002073 0.0151 -0.001717 0.1618
ROE -0.09843 0.0001 0.003770 0.8924 -0.032209 0.4805
Model Data SIZE 0.002197 0.0003 0.002910 0.0057 0.002882 0.0148
Panel AUR 0.211231 0.0115 0.011449 0.0916 0.079190 0.5450
Adj.R2 0.133477 0.640251 0.054217
F stat 6.144838 0.576915 1.857326
Prob (F-stat) 0.000031 0.000000 0.104636
Durbin-Watson 1.102293 1.692708 0.903731
-2 ≤ DW ≤
+2
PEMILIHAN MODEL
Uji Chow
Redundant Fixed Effects Tests
Pool: IFR
Test cross-section fixed effects H0: Jika Chi Square > 0,05 maka
yang diterima adalah Common
Effect Model
Effects Test Statistic d.f. Prob.
H1: Jika Chi Square < 0,05 maka
Prob. tolak H0 dan menerima fixed
Cross-section F 9.943961 (20,142) 0.0000 < 0,05 Effect Model atau Random Effect
Uji Hausman
Correlated Random Effects - Hausman Test
Pool: IFR H0 : Jika Chi Square > 0,05
Test cross-section random effects maka yang diterima adalah
Random Effect Model
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
H1: Jika Chi Square < 0,05 maka
Prob. tolak H0 dan menerima fixed
Cross-section random 11.493507 5 0.0424
< 0,05 Effect Model
Analisis Regresi Data Panel Fixed Effect
IFR =0,768385 + 0,001698ALR – 0,002073DER + 0,011449ROE – 0,002910SIZE+0,011449AUR
Variabel Tanpa Moderasi Variabel dengan Moderasi
Dependent Variable: IFR? Dependent Variable: IFR?
Method: Pooled EGLS (Cross-section weights) Method: Pooled EGLS (Cross-section weights)
Total pool (balanced) observations: 168
Total pool (balanced) observations: 168 Linear estimation after one-step weighting matrix
Linear estimation after one-step weighting matrix
Variable Coefficient Std. Error t-Statistic Prob.
Variable Coefficient Std. Error t-Statistic Prob.
ALR? 0.048394 0.017812 2.716878 0.0074
DER? -0.002665 0.000939 -2.839585 0.0052
ALR? 0.001698 0.002628 0.646123 0.5192 ROE? 0.023809 0.031137 0.764660 0.4458
SIZE? 0.002619 0.000981 2.669990 0.0085
DER? -0.002073 0.000842 -2.461046 0.0151 AUR? 0.018176 0.130209 0.139590 0.8892
ROE? 0.003770 0.027818 0.135507 0.8924 ALR?*HS? -4.12E-05 1.54E-05 -2.670159 0.0085
SIZE? 0.002910 0.001037 2.805905 0.0057 DER?*HS? 1.55E-06 6.90E-07 2.248925 0.0261
AUR? 0.011449 0.125043 0.091563 0.9272 ROE?*HS? -3.92E-05 2.28E-05 -1.721153 0.0875
C 0.768385 0.023541 32.63984 0.0000 SIZE?*HS? 1.51E-06 4.82E-07 3.138754 0.0021
AUR?*HS? -5.89E-05 5.19E-05 -1.135031 0.2583
C 0.740750 0.023357 31.71460 0.0000
Weighted Statistics
Weighted Statistics
R-squared 0.679423 Durbin-Watson stat 1.706705
Adjusted R-squared 0.609224
R-squared 0.640251 Durbin-Watson stat 1.692708
F-statistic 9.678488
Adjusted R-squared 0.576915 Prob(F-statistic) 0.000000
F-statistic 10.10878
Prob(F-statistic) 0.000000
Terima Kasih