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