Regresi Data Panel Dengan STATA

Regresi Data Panel dengan STATARegresi data panel dapat dilakukan dengan aplikasi STATA dan caranya mudah sekali. Dalam artikel ini kita akan coba mempelajari tutorialnya. Tentunya agar anda dapat dengan mudah memahaminya, maka pelajari dulu artikel kami tentang Regresi Data Panel.

Dalam tutorial ini kita asumsikan akan melakukan uji regresi data panel dengan 3 variabel bebas, yaitu x1, x2 dan x3 serta 1 variabel terikat yaitu y. Di mana melibatkan 50 subject atau yang disebut dengan panel dan masing-masing subject mempunyai data runtut waktu selama 10 tahun (per tahun). Jadi bila kita hitung maka 50 x 10 = 500 observasi.

Silahkan buka aplikasi STATA anda dan kemudian isi data editor sesuai contoh di bawah ini atau anda bisa langsung download file kerja tutorial ini DI SINI.

Dataset Data Panel

Langkah pertama adalah ketikkan perintah sebagai berikut di kotak command kemudian tekan enter:. tsset id thn, yearly

Perhatikan command di atas:tsset: perintah declare panel dataid: Subjectthn: Time SeriesPerintah (command) di atas bertujuan untuk membentuk atau declare dataset panel data time series agar pengujian data panel dapat dilakukan. Hasilnya adalah sebagai berikut:

panel variable: id (strongly balanced) time variable: thn, 2000 to 2009 delta: 1 year

Arti di atas adalah:Terbentuk panel data dengan subject "id" dan time series variabel "thn" berupa interval tahun (tearly) yang dimulai dari tahun 2000 sd 2009 (10 tahun). Strongly balanced artinya secara seragam, masing-masing subject ("id") mempunyai jumlah pengulangan/time series yang sama yaitu 10 tahun.

Langkah selanjutnya ketikkan command:. xtsum y x1 x2 x3

Perhatikan command di atas:xtsum: perintah deskriptive pada panel datay: Variabel terikatx1: Variabel bebas x1x2: Variabel bebas x3x3: Variabel bebas x3Artinya kita akan menghitung dan menampilkan hasil uji deskriptive per variabel, baik pada subject secara keseluruhan (overall), per subject (between) dan per tahun (within).

Tampilannya sebagai berikut:

Xtsum Data Panel

Sesuai tahapan seperti yang dijelaskan dalam artikel sebelumnya, maka kita akan melakukan pemilihan metode estimasi.

Langkah pertama adalah melakukan uji Pooled Least Square (PLS), caranya:. reg y x1 x2 x3

Perhatikan command di atas:reg: perintah PLSy: Variabel terikatx1: Variabel bebas x1x2: Variabel bebas x3x3: Variabel bebas x3

Lihat outputnya!

Pooled Least Square

Selanjutnya lakukan uji regresi data panel Fixed Effect Model (FE), yaitu:. xtreg y x1 x2 x3, fe

Perhatikan command di atas:xtreg: perintah fixed atau random effectfe adalah options memilih fixed effecty: Variabel terikatx1: Variabel bebas x1x2: Variabel bebas x3x3: Variabel bebas x3

Lihat outputnya!

Fixed Effect

Selanjutnya lakukan uji regresi data panel Random Effect Model (RE), yaitu:. xtreg y x1 x2 x3

Perhatikan command di atas:xtreg: perintah fixed atau random effectTanpa adanya options memilih fixed effect, maka secara default pilihan uji adalah random effecty: Variabel terikatx1: Variabel bebas x1x2: Variabel bebas x3x3: Variabel bebas x3

Lihat outputnya!

Random Effect

Untuk membandingkan ketiga hasil di atas, terlebih dulu menyimpan hasil regresi masing-masing metode dengan command :. estimates store (nama)Caranya pada kotak command ketikkan lalu enter:. estimates store fe. estimates store re. estimates store ols. estimates table fe re ols, star stats(N r2 r2_a)

Perhatikan command di atas:estimates: perintah melakukan estimasistore: menyimpan datafe: fixed effectre: random effectsols: ordinary least squareestimates table fe re ols, star stats(N r2 r2_a): memunculkan table yang berisi data hasil uji t parsial fixed effects, random effects dan PLS.Star berarti memberi tanda bintang bagi yang menerima H1stats(N r2 r2_a) berarti memunculkan jumlah sampel, nilai r square dan adjusted r square

Estimate Output

Maka akan muncul variabel baru pada data editor, yaitu secara berurutan variabel:_est_ols, _est_fe dan _est_re.

Estimate Dataset

Kemudian interprestasikan dan ambil kesimpulan sesuai Diagram Pilihan Metode Estimasi pada artikel sebelumnya. Caranya adalah sebagai berikut:

Chow TestChow Test, untuk menentukan pilihan antara PLS dan FE. Maka lihat output FE!

Chow Test

(Lihat pada tanda panah merah!)Karena P Value (Prob>F) < Alpha 0,05 maka H1 diterima yang artinya pilihan yang terbaik adalah FE.

Hausman TestKarena pilihan jatuh pada FE, maka selanjutnya kita tentukan apakah lebih baik FE atau RE. Caranya adalah melalui Hausman Test, yaitu ketikkan command dan enter:. quietly xtreg y x1 x2 x3, fe. estimates store fe. quietly xtreg y x1 x2 x3, re. estimates store re. hausman fe re

Perhatikan command di atas:y: Variabel terikatx1: Variabel bebas x1x2: Variabel bebas x3x3: Variabel bebas x3

Maka akan muncul output sebagai berikut:

Hausman Test

(Lihat pada tanda panah merah!)Karena P Value (Prob>Chi2)Chibar2) 10.

Setelah FE dan RE dengan cara:. xtreg y x1 x2 x3, fe. vif, uncentered

Maksud command di atas:xtreg artinya uji Regresi Data PanelFE artinya Fixed Effectsy: variabel terikatx1: variabel bebas x1x2: variabel bebas x2x3: variabel bebas x3vif: nilai variance inflating factor.

Outputnya:

VIFData PanelSetelah FE dengan STATA

Menerima H1 atau ada indikasi multikolinearitas tinggi apabila nilai Mean VIF > 10.

Asumsi Heteroskedastisitas Regresi Data PanelPerlu diingat kembali bahwaUji heterokedastisitas hanya dilakukan ketika menggunakan estimasi FE dan PLS.

Caranya Setelah PLS:. quietly reg y x1 x2 x3. hettest

Outputnya:

Heteroskedastisitas Data Panel PLS dengan STATA

Menerima H1 atau Terjadi masalah heteroskedastisitas apabila nilai (Prob>Chi2) < Alpha (0,05).

Caranya Setelah FE:. xtreg y x1 x2 x3, fe. xttest3

Outputnya:

Heteroskedastisitas Data Panel FE dengan STATA

Menerima H1 atau Terjadi masalah heteroskedastisitas apabila nilai (Prob>Chi2) < Alpha (0,05).

Asumsi Autokorelasi Regresi Data PanelCaranya:. xtserial y x1 x2 x3

Outputnya:

Autokorelasi Data Panel dengan STATA

Terjadi masalah Autokorelasi apabila nilai (Prob>Chi2) < Alpha (0,05).

Interprestasi Asumsi Klasik Regresi Linear dengan STATA

Sebelumnya kita telah membahas cara melakukan uji regresi linear dengan menggunakan aplikasi STATA dalam artikel yang berjudul: Regresi Linear dengan STATA Interprestasi Regresi Linear dengan STATAPada pembahasan kali ini adalah melanjutkan kedua artikel di atas, yaitu bagaimana menginterprestasikan asumsi klasik pada regresi linear dengan menggunakan aplikasi STATA.

Sedikit review: Asumsi klasik yang akan kita uji antara lain uji normalitas, heteroskedastisitas dan multikolinearitas.

NormalitasIngat bahwa asumsi normalitas pada regresi linear adalah pada residualnya. Residual adalah beda antara Y dan Y Prediksi. Sedangkan Y Prediksi adalah Nilai Y atau variabel dependen yang diperkirakan berdasarkan persamaan regresi yang didapat.

Lihat nilai Prob>chi2 pada skewness/kurtosis test for Normality. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,7028 maka residual berdistribusi normal. Sehingga berdasarkan uji Skewness Kurtosis, residual dinyatakan berdistribusi normal. Lihat nilai Prob>Z pada shapiro-wilk w test for Normal data. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,65937 maka residual berdistribusi normal. Sehingga berdasarkan uji Shapiro Wilk, residual dinyatakan berdistribusi normal. Lihat nilai Prob>Z pada shapiro-Francia w test for Normal data. Apabila nilainya lebih dari 0,05 maka residual berdistribusi normal. Di atas nilainya 0,88523 maka residual berdistribusi normal. Sehingga berdasarkan ujiShapiro Wilk, residual dinyatakan berdistribusi normal. Mengapa ada 3 jenis uji? seharusnya 1 uji saja sudah cukup. Pilihannya adalah bila jumlah sample atau observasi kecil < 50 sebaiknya menggunakan Shapiro-Wilk atau Shapiro-Francia. Sedangkan untuk sampel besar > 5.000, lebih baik menggunakan skewness kurtosis. Shapiro Wilk valid hanya sampai 1000 observasi sedangkan Shapiro Francia hingga 5000.

Berikut di bawah ini juga dilampirkan hasil uji dengan metode grafik Histogram.Dinyatakan berdistribusi normal apabila diagram menyerupai "Bel/Lonceng" menghadap ke atas.

Di atas diagram menyerupai bel menghadap ke atas, maka dinyatakan berdistribusi normal.Sebaiknya untuk menambah wawasan, anda baca artikel kami yang berjudul Normalitas pada STATA.

HeteroskedastisitasUji regresi linear harus mempunyai sifat homoskedastisitas. Untuk uji heteroskedastisitas banyak metode, tetapi dalam hal ini kita menggunakan metode Breusch-Pagan. Dikatakan tidak terjadi gejala heteroskedastisitas apabila nilai P value yang ditunjukkan dengan "Prob > chi2" nilainya > 0,05.

Di atas nilai p value sebesar 0,7451 di mana > 0,05 maka model regresi bebas dari gejala heteroskedastisitas atau disebut juga bersifat homoskedastisitas.

Berikut juga dilampirkan hasil uji dengan metode grafik scatter antara fitted value dan residual. Apabila plot menyebar merata di atas dan di bawah sumbu 0 dan tidak membentuk sebuah pola tertentu, maka dinyatakan tidak ada gejala heteroskedastisitas.

Pada Diagram di atas, plot menyebar merata di atas dan di bawah sumbu 0 dan tidak membentuk sebuah pola tertentu, maka dinyatakan tidak ada gejala heteroskedastisitas. Untuk menambah wawasan sebaiknya anda baca artikel kami yang berjudul Uji Heteroskedastisitas.

MultikolinearitasMultikolinearitas bisa diartikan dengan mudah yaitu terdapat korelasi kuat antar variabel independen. Model regresi yang bagus harus bebas dari gejala multikolinearitas. Karena multikolinearitas adalah korelasi antar variabel independen, maka asumsi ini hanya berlaku pada uji regresi linear berganda di mana terdapat lebih dari satu variabel independen.

Lihat nilai VIF dan 1/VIF di atas, apabila VIF < 10 dan 1/VIF > 0,1 maka dapat dikatakan bahwa model regresi linear berganda bebas gejala multikolinearitas. Nilai 1/VIF bisa disebut juga dengan istilah "Tolerance". Apabila anda menggunakan aplikasi SPSS maka istilah Tolerance yang digunakan.

Demikianlah serangkaian tutorial dan penjelasan tentang uji regresi linear dengan menggunakan aplikasi STATA.

1