Panel Data

Regression
Models
Lab. Ekonometrika II
Departemen Ilmu Ekonomi
Fakultas Ekonomi dan Bisnis UNAIR
Concept

• Type of Data in Statistics: Example of panel data:

Year Country Un-n Rate Compensation
1. Time Series per hour
2. Cross Section 2000 1 7.10 105.60
3. Panel Data
2001 1 7.60 107.90
2002 1 9.70 109.30
• Dalam data panel, unit cross
sectional yang sama disurvei 2003 1 9.60 111.40
sepanjang waktu 2004 1 7.50 117.30
• Nama lain dari data panel: 2000 2 7.20 49.00
pooled data, data
longitudinal, analisis kohort 2001 2 7.30 54.10
• Model regresi: model regresi 2002 2 10.60 59.60
data panel
2003 2 11.50 63.90
2004 2 10.90 64.30
Keuntungan Data Panel

1. Teknik data panel dapat mempertimbangkan heterogenitas tersebut

secara eksplisit dengan memasukkan variabel-variabel yang spesifik
pada subjeknya.
2. Data panel memberikan lebih banyak informasi, lebih banyak
variabilitas, lebih sedikit kolinearitas, lebih banyak derajat kebebasan,
dan lebih efisien
3. Data panel lebih cocok untuk mempelajari dinamika perubahan.
4. Data panel dapat mendeteksi dan mengukur efek dengan lebih baik
yang tidak dapat diamati pada data cross section dan time series
murni.
5. Memungkinkan kita mempelajari model perilaku yang lebih rumit
6. Data panel dapat meminimalkan bias.
Estimation Techniques

• Panel Data: • Empat kemungkinan teknik estimasi:

1. Balanced Panel • Model OLS Terkumpul (PLS)
2. Unbalanced Panel
• Model variabel dummy kuadrat terkecil efek
tetap (FE LSDV)
• Model efek tetap dalam kelompok (FE)
• Model efek acak (RE)
Pooled OLS Model (PLS)

Hanya mengumpulkan semua pengamatan,

PLS Model mengabaikan sifat cross section dan deret waktu dari
data
• Consider this following model:
C it  1   2Qit   3 PFit   4 LFit  uit

• Where  C = total cost, Q = output, PF = fuel price, LF = load factor, i = airline id, t=year
id
• Dalam model ini, menggabungkan semua observasi, namun perhatikan bahwa kami
mengasumsikan koefisien regresi sama untuk semua maskapai penerbangan.
• Masalah utama model ini adalah tidak membedakan berbagai maskapai penerbangan.
Dengan kata lain, dengan menggabungkan maskapai penerbangan yang berbeda pada
waktu yang berbeda, kita menyamarkan heterogenitas tersebut.
• individualitas masing-masing subjek dimasukkan ke dalam istilah gangguan, akibatnya
ada kemungkinan bahwa istilah kesalahan tersebut berkorelasi dengan beberapa
regresi.
PLS estimation result in STATA

Source SS df MS Number of obs = 90

F( 3, 86) = 503.12
Model 1.1966e+14 3 3.9885e+13 Prob > F = 0.0000
Residual 6.8177e+12 86 7.9276e+10 R-squared = 0.9461
Adj R-squared = 0.9442
Total 1.2647e+14 89 1.4210e+12 Root MSE = 2.8e+05

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

q 2026114 61806.94 32.78 0.000 1903246 2148982

pf 1.225348 .1037217 11.81 0.000 1.019156 1.43154
lf -3065753 696327.3 -4.40 0.000 -4450006 -1681500
_cons 1158559 360592.7 3.21 0.002 441724.7 1875394
Fixed Effect Least Square Dummy Variables (LSDV)
Model

FE LSDV Gabungkan semua observasi, namun izinkan setiap unit

Model cross section memiliki variabel dummy (intersep)
sendiri.
• Consider this following model:
C it  1i   2Qit   3 PFit   4 LFit  uit

• Istilah “fixed effect” disebabkan oleh fakta bahwa, meskipun intersep mungkin berbeda
antar subjek, intersep setiap entitas tidak bervariasi dari waktu ke waktu (time
invariant)
• Kita dapat dengan mudah menggunakan teknik variabel dummy, khususnya teknik
dummy intersep diferensial untuk memungkinkan intersep bervariasi antar maskapai.
Fixed Effect LSDV estimation result
i.i _Ii_1-6 (naturally coded; _Ii_1 omitted)

Source SS df MS Number of obs = 90

F( 8, 81) = 346.92
Model 1.2289e+14 8 1.5361e+13 Prob > F = 0.0000
Residual 3.5865e+12 81 4.4278e+10 R-squared = 0.9716
Adj R-squared = 0.9688
Total 1.2647e+14 89 1.4210e+12 Root MSE = 2.1e+05

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

q 3319023 171354.1 19.37 0.000 2978083 3659964

pf .7730708 .097319 7.94 0.000 .5794365 .9667052
lf -3797368 613773.1 -6.19 0.000 -5018584 -2576152
_Ii_2 601733.3 100895.7 5.96 0.000 400982.5 802484.1
_Ii_3 1337181 186171 7.18 0.000 966758.6 1707602
_Ii_4 1777592 213162.9 8.34 0.000 1353465 2201719
_Ii_5 1828252 231229.7 7.91 0.000 1368178 2288327
_Ii_6 1706474 228300.9 7.47 0.000 1252227 2160721
_cons -131236 350777.1 -0.37 0.709 -829172.3 566700.4
PLS vs Fixed Effect LSDV Models

The restricted The test for choosing PLS or fixed LSDV model
F-test

2
( RUR  RR2 ) / m
F 2
(1  RUR ) /( n  k )
• H0 = all differential intercepts are equal to zero (PLS)
H1 = at least one intercept is not equal to zero (FE LSDV)
• Tolak H0 apabila nilai F lebih tinggi dari F-tabel atau p-value lebih kecil dari
alpha
Restricted F-test estimation result

. test _Ii_2 _Ii_3 _Ii_4 _Ii_5 _Ii_6

( 1) _Ii_2 = 0
( 2) _Ii_3 = 0
( 3) _Ii_4 = 0
( 4) _Ii_5 = 0
( 5) _Ii_6 = 0

F( 5, 81) = 14.60
Prob > F = 0.0000

Reject Ho
Fixed-Effect Within Group

FE- Within Gabungkan semua observasi, namun untuk setiap unit,

Group Model nyatakan setiap variabel sebagai deviasi dari nilai rata-
ratanya

tc it  2 qit   3 pf it   4 lf it  uit

• Within regression  menghilangkan efek tetap dengan menyatakan nilai

variabel terikat dan penjelas untuk setiap unit sebagai deviasi dari nilai rata-
ratanya masing-masing.
• Nilai yang dihasilkan disebut nilai “yang tidak berarti atau dikoreksi rata-rata”.
• Kekurangan model ini:
1. Kita tidak akan tahu bagaimana reaksi dep-var terhadap variabel invarian
waktu ini
2. mendistorsi nilai parameter dan tentunya dapat menghilangkan efek jangka
panjang.
 Fixed Effect Within Regression Estimation
Result

. reg cd qd pfd lfd, nocons

Source SS df MS Number of obs = 90

F( 3, 87) = 381.57
Model 4.7190e+13 3 1.5730e+13 Prob > F = 0.0000
Residual 3.5865e+12 87 4.1224e+10 R-squared = 0.9294
Adj R-squared = 0.9269
Total 5.0776e+13 90 5.6418e+11 Root MSE = 2.0e+05

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

qd 3319023 165339.8 20.07 0.000 2990393 3647654

pfd .7730709 .0939033 8.23 0.000 .586428 .9597138
lfd -3797368 592230.5 -6.41 0.000 -4974490 -2620246
 Fixed Effect Within Group Estimator
Fixed-effects (within) regression Number of obs = 90
Group variable: i Number of groups = 6

R-sq: within = 0.9294 Obs per group: min = 15

between = 0.9929 avg = 15.0
overall = 0.9112 max = 15

F(3,81) = 355.25
corr(u_i, Xb) = -0.9045 Prob > F = 0.0000

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

q 3319023 171354.1 19.37 0.000 2978083 3659964

pf .7730708 .097319 7.94 0.000 .5794365 .9667052
lf -3797368 613773.1 -6.19 0.000 -5018584 -2576152
_cons 1077303 310799.2 3.47 0.001 458910 1695696
92% varian
disebabkan oleh sigma_u 748483.04
perbedaan antar sigma_e 210422.77
panel rho .92675367 (fraction of variance due to u_i)

F test that all u_i=0: F(5, 81) = 14.60 Prob > F = 0.0000

Sigma_u = sd of residuals within groups ui

Sigma_e = sd of residuals (overall error term) ei Value of The
Restricted F test
PLS vs Fixed Effect Within Group Models

The restricted The test for choosing PLS or fixed within Group
F-test model

2
( RUR  RR2 ) / m
F 2
(1  RUR ) /( n  k )
• H0 = all differential intercepts are equal to zero (PLS)
H1 = at least one intercept is not equal to zero (FE Within Group)
• Tolak H0 apabila nilai F lebih tinggi dari F-tabel atau p-value lebih kecil dari
alpha
Random Effect Model
Kami berasumsi bahwa nilai intersep adalah
REM pengambilan acak dari populasi unit individu yang jauh
lebih besar
C it  1i   2Qit   3 PFit   4 LFit  uit
1i 1   i
C it  1   2Qit   3 PFit   4 LFit  uit   i
C it  1   2Qit   3 PFit   4 LFit  w it
• Wit = idiosyncratic error term  kombinasi antara deret waktu dan komponen kesalahan penampang, juga bervariasi
antar penampang.
• Alasan di balik model RE adalah, tidak seperti model FE, variasi antar entitas diasumsikan acak dan tidak berkorelasi
dengan variabel prediktor atau independen yang dimasukkan dalam model
• Metode yang tepat digunakan untuk model ini adalah Generalized Least Square (GLS)
• Jika Anda memiliki alasan untuk meyakini bahwa perbedaan antar entitas mempunyai pengaruh terhadap variabel
dependen, maka Anda harus menggunakan RE.
• Keuntungan dari efek acak adalah Anda dapat memasukkan variabel invarian waktu. Dalam model efek tetap,
variabel-variabel ini diserap oleh intersep.
Random Effect Estimation Result

Random-effects GLS regression Number of obs = 90

Group variable: i Number of groups = 6

R-sq: within = 0.9037 Obs per group: min = 15

between = 0.9934 avg = 15.0
overall = 0.9432 max = 15

Wald chi2(3) = 883.50

corr(u_i, X) = 0 (assumed) Prob > chi2 = 0.0000

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

q 2288588 109493.7 20.90 0.000 2073984 2503192

pf 1.123591 .1034406 10.86 0.000 .9208515 1.326331
lf -3084994 725679.8 -4.25 0.000 -4507301 -1662688
_cons 1074293 377468 2.85 0.004 334469.4 1814117

sigma_u 107411.2
sigma_e 210422.77
rho .20670403 (fraction of variance due to u_i)
Random Effect vs Fixed Effect

Testing whether wit is correlated with the explanatory

Hausman test
variables or not, that is whether REM is the appropriate
model

• H0 = FEM and REM estimators do not differ substantially (REM)

H1 = FEM and REM estimators differ substantially (FEM)
• Tolak H0 jika nilai chi-kuadrat lebih tinggi dari chi kuadrat-tabel atau p-value
lebih kecil dari alpha
Hausman Test Estimation Result

Test: Ho: difference in coefficients not systematic

chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)
= 60.87
Prob>chi2 = 0.0000
(V_b-V_B is not positive definite)
Random Effect vs PLS
Lagrange Testing whether wit is correlated with the explanatory
Multiplier Test variables or not, that is whether REM is the appropriate
model

• H0 = there are no random effects (PLS)

H1 = there are random effects (REM)
• Tolak H0 jika nilai chi-kuadrat lebih tinggi dari chi kuadrat-tabel atau p-value
lebih kecil dari alpha
• Df=1  we are testing the single hypothesis
Lagrange Multiplier Test Estimation
Result
Some Guidelines

LM test
PLS e d REM
tri t

H
t
F-r tes

tes man
c

a us
t
e s

FEM
Classical Assumption Test in Panel Data

•Uji asumsi klasik hanya dilakukan pada model PLS dan FEM, karena kedua model
tersebut didasarkan pada asumsi OLS
• Pengujian model REM ini tidak perlu dilakukan karena asumsi dasarnya adalah
Model GLS.
•Dalam GLS, estimator digunakan untuk memperhitungkan heteroskedastisitas
pada kesalahan.
Testing For multicollinearity

hubungan linier antara dua atau lebih

Multicollinerity
Variabel independen

• variance-inflating factor (VIF)  Multicollinerity exist if VIF > 10

• FEM LSDV and PLS  vif atau pwcorr indepvar
• FEM within regression  vif, uncentered
Testing For Serial Correlation

Autocorrelation Korelasi antara gangguan dari waktu ke waktu

• Salah satu alasan untuk menguji korelasi serial adalah bahwa korelasi tersebut tidak
boleh ada jika model dianggap lengkap secara dinamis dalam mean kondisional.
• Alasan kedua untuk menguji korelasi serial adalah untuk melihat apakah kita harus
menghitung penduga matriks varians yang kuat untuk penduga OLS yang
dikumpulkan.
• Mengabaikan korelasi serial ketika ada menghasilkan perkiraan koefisien regresi yang
konsisten tetapi tidak efisien dan kesalahan standar yang bias.

Wooldridge test (FEM-PLS)

H0 = there are no serial correlation
H1 = there are serial correlation
• Tolak H0 apabila nilai F-Stat lebih tinggi dari F-tabel atau Prob > F kurang dari alpha
Serial Correlation Test Result

FEM,
PLS
Testing for Heteroskedasticity

Variasi dari perubahan yang tidak dapat diobservasi

Heteroskedasticity
segmen populasi yang berbeda

Ketika terjadi heteroskedastisitas, estimasi koefisien regresi akan

tetap konsisten, namun estimasi tersebut tidak akan efisien.

Breusch-Pagan / Cook-Weisberg test (PLS) - Wald Test (FEM)

• H0 = Homoscedasticity
H1 = Heteroskedasticity
• Tolak H0 jika nilai chi-kuadrat lebih tinggi dari chi kuadrat-tabel atau p-value lebih
kecil dari alpha
Heteroskedasticity Test Result

PLS

FEM