1.

Referensi 1:
https://dosen.perbanas.id/regresi-data-panel-2-tahap-analisis/
Regresi Data Panel (2) Tahap Analisis
BY MUHAMMAD IQBAL 20 JANUARY 2015
Tahapan Analisis Regresi Data Panel
Berikut ini adalah tahapan analisis regresi data panel:
(1) Estimasi Model Regresi Data Panel
Model persamaan data panel yang merupakan gabungan dari data cross section dan data time
series adalah sebagai berikut:
Yit = + 1X1it + 2X2it + + nXnit + eit
dimana:
Yit
= variabel terikat (dependent)
Xit
= variabel bebas (independent)
i
= entitas ke-i
t
= periode ke-t
Persamaan di atas merupakan model regresi linier berganda dari beberapa variabel bebas dan satu variabel
terikat. Estimasi model regresi linier berganda bertujuan untuk memprediksi parameter model regresi
yaitu nilai konstanta () dan koefisien regresi (i). Konstanta biasa disebut dengan intersep dan koefisien
regresi biasa disebut dengan slope. Regresi data panel memiliki tujuan yang sama dengan regresi linier
berganda, yaitu memprediksi nilai intersep dan slope. Penggunaan data panel dalam regresi akan
menghasilkan intersep dan slope yang berbeda pada setiap entitas/ perusahaan dan setiap periode waktu.
Model regresi data panel yang akan diestimasi membutuhkan asumsi terhadap intersep, slope dan variabel
gangguannya. Menurut Widarjono (2007) ada beberapa kemungkinan yang akan muncul atas adanya
asumsi terhadap intersep, slope dan variabel gangguannya.
1)
Diasumsikan intersep dan slope adalah tetap sepanjang periode waktu dan seluruh
entitas/perusahaan. Perbedaan intersep dan slope dijelaskan oleh variabel gangguan (residual).
2)
Diasumsikan slope adalah tetap tetapi intersep berbeda antar entitas/perusahaan.
3)
Diasumsikan slope tetap tetapi intersep berbeda baik antar waktu maupun antar individu.
4)
Diasumsikan intersep dan slope berbeda antar individu.
5)
Diasumsikan intersep dan slope berbeda antar waktu dan antar individu.
Dari berbagai kemungkinan yang disebutkan di atas muncullah berbagai kemungkinan model/teknik yang
dapat dilakukan oleh regresi data panel. Dalam banyak literatur hanya asumsi pertama sampai ketiga saja
yang sering menjadi acuan dalam pembentukan model regresi data panel.
Menurut Widarjono (2007, 251), untuk mengestimasi parameter model dengan data panel, terdapat tiga
teknik (model) yang sering ditawarkan, yaitu:
1.
Model Common Effect
Teknik ini merupakan teknik yang paling sederhana untuk mengestimasi parameter model data panel,
yaitu dengan mengkombinasikan data cross section dan time seriessebagai satu kesatuan tanpa melihat
adanya perbedaan waktu dan entitas (individu). Dimana pendekatan yang sering dipakai adalah
metode Ordinary Least Square (OLS). Model Commen Effect mengabaikan adanya perbedaan dimensi
individu maupun waktu atau dengan kata lain perilaku data antar individu sama dalam berbagai kurun
waktu.
2. Model Efek Tetap (Fixed Effect)
Pendekatan model Fixed Effect mengasumsikan bahwa intersep dari setiap individu adalah berbeda
sedangkan slope antar individu adalah tetap (sama). Teknik ini menggunakan variabel dummy untuk
menangkap adanya perbedaan intersep antar individu.
3. Model Efek Random (Random Effect)

Pendekatan yang dipakai dalam Random Effect mengasumsikan setiap perusahaan mempunyai perbedaan
intersep, yang mana intersep tersebut adalah variabel random atau stokastik. Model ini sangat berguna
jika individu (entitas) yang diambil sebagai sampel adalah dipilih secara random dan merupakan wakil
populasi. Teknik ini juga memperhitungkan bahwa error mungkin berkorelasi sepanjang cross
section dan time series.
(2) Pemilihan Model (Teknik Estimasi) Regresi Data Panel
Pada dasarnya ketiga teknik (model) estimasi data panel dapat dipilih sesuai dengan keadaan penelitian,
dilihat dari jumlah individu bank dan variabel penelitiannya. Namun demikian, ada beberapa cara yang
dapat digunakan untuk menentukan teknik mana yang paling tepat dalam mengestimasi parameter data
panel. Menurut Widarjono (2007: 258), ada tiga uji untuk memilih teknik estimasi data panel. Pertama, uji
statistik F digunakan untuk memilih antara metode Commom Effect atau metodeFixed Effect. Kedua, uji
Hausman yang digunakan untuk memilih antara metode Fixed Effect atau metode Random Effect. Ketiga,
uji Lagrange Multiplier (LM) digunakan untuk memilih antara metode Commom Effect atau
metode Random Effect.
Menurut, Nachrowi (2006, 318), pemilihan metode Fixed Effect atau metode Random Effect dapat
dilakukan dengan pertimbangan tujuan analisis, atau ada pula kemungkinan data yang digunakan sebagai
dasar pembuatan model, hanya dapat diolah oleh salah satu metode saja akibat berbagai persoalan teknis
matematis yang melandasi perhitungan. Dalam software Eviews, metode Random Effect hanya dapat
digunakan dalam kondisi jumlah individu bank lebih besar dibanding jumlah koefisien termasuk intersep.
Selain itu, menurut beberapa ahli Ekonometri dikatakan bahwa, jika data panel yang dimiliki mempunyai
jumlah waktu (t) lebih besar dibandingkan jumlah individu (i), maka disarankan menggunakan
metode Fixed Effect. Sedangkan jika data panel yang dimiliki mempunyai jumlah waktu (t) lebih kecil
dibandingkan jumlah individu (i), maka disarankan menggunakan metode Random Effect.
a)
Uji Statistik F (Uji Chow)
Untuk mengetahui model mana yang lebih baik dalam pengujian data panel, bisa dilakukan dengan
penambahan variabel dummy sehingga dapat diketahui bahwa intersepnya berbeda dapat diuji dengan uji
Statistik F. Uji ini digunakan untuk mengetahui apakah teknik regresi data panel dengan metode Fixed
Effect lebih baik dari regresi model data panel tanpa variabel dummy atau metode Common Effect.
Hipotesis nul pada uji ini adalah bahwa intersep sama, atau dengan kata lain model yang tepat untuk
regresi data panel adalah Common Effect, dan hipotesis alternatifnya adalah intersep tidak sama atau
model yang tepat untuk regresi data panel adalahFixed Effect.
Nilai Statistik F hitung akan mengikuti distribusi statistik F dengan derajat kebebasan (deggre of freedom)
sebanyak m untuk numerator dan sebanyak n k untuk denumerator. m merupakan merupakan jumlah
restriksi atau pembatasan di dalam model tanpa variabel dummy. Jumlah restriksi adalah jumlah individu
dikurang satu. nmerupakan jumlah observasi dan k merupakan jumlah parameter dalam model Fixed
Effect. Jumlah observasi (n) adalah jumlah individu dikali dengan jumlah periode, sedangkan jumlah
parameter dalam model Fixed Effect (k) adalah jumlah variabel ditambah jumlah individu. Apabila nilai F
hitung lebih besar dari F kritis maka hipotesis nul ditolak yang artinya model yang tepat untuk regresi
data panel adalah model Fixed Effect. Dan sebaliknya, apabila nilai F hitung lebih kecil dari F kritis maka
hipotesis nul diterima yang artinya model yang tepat untuk regresi data panel adalah modelCommon
Effect.
b) Uji Hausman
Hausman telah mengembangkan suatu uji untuk memilih apakah metode Fixed Effectdan metode Random
Effect lebih baik dari metode Common Effect. Uji Hausman ini didasarkan pada ide bahwa Least Squares
Dummy Variables (LSDV) dalam metode metode Fixed Effect dan Generalized Least Squares (GLS)
dalam metode Random Effectadalah efisien sedangkan Ordinary Least Squares (OLS) dalam
metode Common Effecttidak efisien. Dilain pihak, alternatifnya adalah metode OLS efisien dan GLS tidak
efisien. Karena itu, uji hipotesis nulnya adalah hasil estimasi keduanya tidak berbeda sehingga uji
Hausman bisa dilakukan berdasarkan perbedaan estimasi tersebut.

Statistik uji Hausman mengikuti distribusi statistik Chi-Squares dengan derajat kebebasan (df) sebesar
jumlah variabel bebas. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel adalah
model Random Effect dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah
model Fixed Effect. Apabila nilai statistik Hausman lebih besar dari nilai kritis Chi-Squares maka
hipotesis nul ditolak yang artinya model yang tepat untuk regresi data panel adalah model Fixed Effect.
Dan sebaliknya, apabila nilai statistik Hausman lebih kecil dari nilai kritis Chi-Squares maka hipotesis
nul diterima yang artinya model yang tepat untuk regresi data panel adalah model Random Effect.
c)
Uji Lagrange Multiplier
Menurut Widarjono (2007: 260), untuk mengetahui apakah model Random Effect lebih baik dari
model Common Effect digunakan Lagrange Multiplier (LM). Uji SignifikansiRandom Effect ini
dikembangkan oleh Breusch-Pagan. Pengujian didasarkan pada nilai residual dari metode Common Effect.
Uji LM ini didasarkan pada distribusi Chi-Squares dengan derajat kebebasan (df) sebesar jumlah variabel
independen. Hipotesis nulnya adalah bahwa model yang tepat untuk regresi data panel adalah Common
Effect, dan hipotesis alternatifnya adalah model yang tepat untuk regresi data panel adalah Random Effect.
Apabila nilai LM hitung lebih besar dari nilai kritis Chi-Squares maka hipotesis nul ditolak yang artinya
model yang tepat untuk regresi data panel adalah model Random Effect. Dan sebaliknya, apabila nilai LM
hitung lebih kecil dari nilai kritis Chi-Squares maka hipotesis nul diterima yang artinya model yang tepat
untuk regresi data panel adalah modelCommon Effect.
(3) Pengujian Asumsi Klasik (Multikolinieritas dan Heteroskedastisitas)
Regresi data panel memberikan alternatif model, Common Effect, Fixed Effect danRandom Effect.
Model Common Effect dan Fixed Effect menggunakan pendekatanOrdinary Least Squared (OLS) dalam
teknik estimasinya, sedangkan Random Effectmenggunakan Generalized Least Squares (GLS) sebagai
teknik estimasinya. Uji asumsi klasik yang digunakan dalam regresi linier dengan pendekatan Ordinary
Least Squared(OLS) meliputi uji Linieritas, Autokorelasi, Heteroskedastisitas, Multikolinieritas dan
Normalitas. Walaupun demikian, tidak semua uji asumsi klasik harus dilakukan pada setiap model regresi
linier dengan pendekatan OLS.
Uji linieritas hampir tidak dilakukan pada setiap model regresi linier. Karena sudah diasumsikan bahwa
model bersifat linier. Kalaupun harus dilakukan semata-mata untuk melihat sejauh mana tingkat
linieritasnya.
Autokorelasi hanya terjadi pada data time series. Pengujian autokorelasi pada data yang tidak
bersifat time series (cross section atau panel) akan sia-sia semata atau tidaklah berarti.
Multikolinieritas perlu dilakukan pada saat regresi linier menggunakan lebih dari satu variabel bebas. Jika
variabel bebas hanya satu, maka tidak mungkin terjadi multikolinieritas.
Heteroskedastisitas biasanya terjadi pada data cross section, dimana data panel lebih dekat ke ciri
data cross section dibandingkan time series.
Uji normalitas pada dasarnya tidak merupakan syarat BLUE (Best Linier Unbias Estimator) dan beberapa
pendapat tidak mengharuskan syarat ini sebagai sesuatu yang wajib dipenuhi.
Dari penjelasan di atas dapat ditarik kesimpulan bahwa pada regresi data panel, tidak semua uji asumsi
klasik yang ada pada metode OLS dipakai, hanya multikolinieritas dan heteroskedastisitas saja yang
diperlukan.
Uji Multikolinieritas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu
memenuhi syarat terbebas dari pelanggaran asumsi-asumsi dasar (asumsi klasik). Meskipun demikian,
adanya korelasi yang kuat antara variabel bebas dalam pembentukan sebuah model (persamaan) sangatlah
tidak dianjurkan terjadi, karena hal itu akan berdampak kepada keakuratan pendugaan parameter, dalam
hal ini koefisien regresi, dalam memperkirakan nilai yang sebenarnya. Korelasi yang kuat antara variabel
bebas dinamakan multikolinieritas.
Menurut Chatterjee dan Price dalam Nachrowi (2002), adanya korelasi antara variabel-variabel bebas
menjadikan intepretasi koefisien-koefisien regresi mejadi tidak benar lagi. Meskipun demikian, bukan
berarti korelasi yang terjadi antara variabel-variabel bebas tidak diperbolehkan, hanya kolinieritas yang

sempurna (perfect collinierity) saja yang tidak diperbolehkan, yaitu terjadinya korelasi linier antara
sesama variabel bebasnya. Sedangkan untuk sifat kolinier yang hampir sempurna (hubungannya tidak
bersifat linier atau korelasi mendekati nol) masih diperbolehkan atau tidak termasuk dalam pelanggaran
asumsi.
Ada beberapa cara untuk mengidentifikasi adanya multikolinieritas, dan cara yang paling mudah adalah
dengan mencari nilai koefisien korelasi antar variabel bebas. Koefisien korelasi antara dua variabel yang
bersifat kuantitatif dapat menggunakancoefficient correlation pearson, dengan rumus sebagai berikut:
Dimana Xi dan Yi adalah variabel bebas yang akan dicari nilai koefisien korelasinya dann adalah jumlah
data dari kedua variabel bebas tersebut. Nilai mutlak dari koefisien korelasi besarnya dari nol sampai satu.
Semakin mendekati satu, maka dapat dikatakan semakin kuat hubungan antara kedua variabel tersebut
dan artinya semakin besar kemungkinan terjadinya multikolinieritas.
Uji Heteroskedastisitas
Regresi data panel tidak sama dengan model regresi linier, oleh karena itu pada model data panel perlu
memenuhi syarat BLUE (Best Linear Unbiased Estimator) atau terbebas dari pelanggaran asumsi-asumsi
dasar (asumsi klasik). Jika dilihat dari ketiga pendekatan yang dipakai, maka hanya uji heteroskedastisitas
saja yang relevan dipakai pada model data panel.
Uji heteroskedastisitas digunakan untuk melihat apakah residual dari model yang terbentuk memiliki
varians yang konstan atau tidak. Suatu model yang baik adalah model yang memiliki varians dari setiap
gangguan atau residualnya konstan. Heteroskedastisitas adalah keadaan dimana asumsi tersebut tidak
tercapai, dengan kata lain dimana adalah ekspektasi dari eror dan adalah varians dari eror yang berbeda
tiap periode waktu.
Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara hasil estimasinya
tetap konsisten dan tidak bias. Eksistensi dari masalah heteroskedastisitas akan menyebabkan hasil Ujit dan Uji-F menjadi tidak berguna (miss leanding).
Ada beberapa metode yang dapat digunakan untuk menditeksi heteroskedastisitas, tetapi dalam penelitian
ini hanya akan dilakukan dengan menggunakan White Heteroskedasticity Test pada consistent standard
error & covariance. Hasil yang diperlukan dari hasil uji ini adalah nilai F dan Obs*R-squared, dengan
hipotesis sebagai berikut:
H0 : Homoskedasticity
H1 : Heteroskedasticity
Kemudian kita bandingkan antara nilai Obs*R-squares dengan nilai tabel dengan tingkat kepercayaan
tertentu dan derajat kebebasan yang sesuai dengan jumlah variabel bebas. Jika nilai Uji
Heteroskedastisitas tabel maka H0 diterima, dengan kata lain tidak ada masalah heteroskedastisitas.
(4) Uji Kelayakan (Goodness of Fit) Model Regresi Data Panel
Uji Hipotesis
Menurut Nachrowi (2006), uji hipotesis berguna untuk menguji signifikansi koefisien regresi yang
didapat. Artinya, koefisien regresi yang didapat secara statistik tidak sama dengan nol, karena jika sama
dengan nol maka dapat dikatakan bahwa tidak cukup bukti untuk menyatakan variabel bebas mempunyai
pengaruh terhadap variabel terikatnya. Untuk kepentingan tersebut, maka semua koefisien regresi harus
diuji. Ada dua jenis uji hipotesis terhadap koefisien regresi yang dapat dilakukan, yaitu:
1.
Uji-F
Uji-F diperuntukkan guna melakukan uji hipotesis koefisien (slope) regresi secara bersamaan, dengan
kata lain digunakan untuk memastikan bahwa model yang dipilih layak atau tidak untuk
mengintepretasikan pengaruh variabel bebas terhadap variabel terikat.
2. Uji-t
Jika Uji-F dipergunakan untuk menguji koefisien regresi secara bersamaaan, maka Uji-t digunakan untuk
menguji koefisien regresi secara individu. Pengujian dilakukan terhadap koefisien regresi populasi,
apakah sama dengan nol, yang berarti variabel bebas tidak mempunyai pengaruh signifikan terhadap
variabel terikat, atau tidak sama dengan nol, yang berarti variabel bebas mempunyai pengaruh signifikan
terhadap variabel terikat.

Koefisien Determinasi
Koefisien Determinasi (Goodness of Fit) dinotasikan dengan R-squares yang merupakan suatu ukuran
yang penting dalam regresi, karena dapat menginformasikan baik atau tidaknya model regresi yang
terestimasi. Nilai Koefisien Determinasi mencerminkan seberapa besar variasi dari variabel terikat dapat
diterangkan oleh variabel bebasnya. Bila nilai Koefisien Determinasi sama dengan 0, artinya variasi dari
variabel terikat tidak dapat diterangkan oleh variabel-variabel bebasnya sama sekali. Sementara bila nilai
Koefisien Determinasi sama dengan 1, artinya variasi variabel terikat secara keseluruhan dapat
diterangkan oleh variabel-variabel bebasnya. Dengan demikian baik atau buruknya suatu persamaan
regresi ditentukan oleh R-squares-nya yang mempunyai nilai antara nol dan satu.
Refrensi:
Baltagi, Bagi (2005). Econometric Analysis of Panel Data, Third Edition. John Wiley & Sons.
Nachrowi, N. Djalal dan Hardius Usman (2006). Pendekatan Populer dan Praktis Ekonometrika untuk
Analisis Ekonomi dan Keuangan, Jakarta: LPFE Universitas Indonesia.
Widarjono, Agus (2007). Ekonometrika: Teori dan Aplikasi Untuk Ekonomi dan Bisnis,edisi kedua.
Yogyakarta: Ekonisia FE Universitas Islam Indonesia.
2. Referensi 2
https://wernermurhadi.wordpress.com/2015/06/09/376/
3. Referensi 3
https://dosen.perbanas.id/regresi-data-panel-2-tahap-analisis/
4. Referensi 4
https://eriskusnadi.wordpress.com/2009/12/12/analisis-regresi-dengan-spss/
5. Referensi 5
http://www.statistikian.com/2014/11/regresi-data-panel.html
6. Referensi 6
http://www.julfahmisalim.com/2015/06/uji-lm-test-pada-data-panel.html
7. Referensi 7
http://egienews.blogspot.co.id/2013/05/part-1-pengenalan-regresi-data-panel.html