Regresi Data Panel

TIPE DATA

Tipe data secara umum untuk kepentingan analisis empiris adalah :

1.    Data Time Series    : merupakan data series yang memuat nilai dari satu atau lebih dari variabel selama periode tertentu (harian, mingguan, bulanan atau tahunan). Contoh sebagai berikut :

-       data produktivitas per periode,

-       produksi gula per tahun,

-       harga gula per tahun,

-       konsumsi gula per tahun

Data Supply & Demand Gula di Indonesia Tahun 1970 - 1984

Variabel	Tahun
	1970	1971	1972	....	1982	1983	1984
Produksi	X11	X12	X13		X1 13	X1 14	X1 15
Import	X21	X22	X23		X2 13	X2 14	X2 15
Demand	X31	X32	X33		X3 13	X3 14	X3 15

2.    Data Cross Section   :         merupakan data yang nilainya dari satu atau lebih variabel yang diambil dari beberapa unit sampel atau subyek pada periode yang sama. Contoh sebagai berikut :

-       tingkat kejahatan di 50 negara bagian USA,

-       tingkat produktivitas di 16 Pabrik Gula PTPN XI,

-       produksi gula di 16 Pabrik Gula PPN XI

Data Komoditas Gula di Negara Bagian – USA pada Tahun 1984

Variabel	Negara Bagian (USA)
	NB1	NB2	NB3	....	NB48	NB49	NB50
Produksi	X11	X12	X13		X1 48	X1 49	X1 50
Harga	X21	X22	X23		X2 48	X2 49	X2 50
Demand	X31	X32	X33		X3 48	X3 49	X3 50

3.    Data Panel             : merupakan data yang berasal dari subyek penelitian yang per subyeknya diamati/disurvey variabelnya dari waktu ke waktu (data yang memiliki ruang dan waktu) dan biasa disebut data pooled. Contoh :

-       Produksi gula, biaya bahan bakar, harga gula, jumlah karyawan tetap, Laba di 16 Pabrik Gula dari tahun 1990 sd 2011.

-       Produktivitas tebu/ha, Rendemen, Produksi tebu, biaya tanaman, produksi gula, laba per wilayah HGU milik PG Jatiroto tahun 1990 sd 2011

-       Kapasitas produksi, Biaya bahan bakar, Biaya perawatan mesin, produksi gula, laba per Pabrik Gula PTPN XI

Data Komoditas Gula di Negara Bagian – USA Tahun 1970 - 1984

Tahun	XXX			YYY			QQQ
	Prod	Harga	Laba	Prod	Harga	Laba	Prod	Harga	Laba
1970	X111	X121	Y111	X211	X221	Y211	X311	X321	Y311
1971	X112	X122	Y112	X212	X222	Y212	X312	X322	Y312
1972	X113	X123	Y113	X213	X223	Y213	X313	X323	Y313
...	...	...	...	...	...	...	...	...	...
1983	X11 14	X12 14	Y11 14	X21 14	X22 14	Y21 14	X31 14	X32 14	Y31 14
1984	X11 15	X12 15	Y11 15	X21 15	X22 15	Y21 15	X31 15	X32 15	Y31 15

Dalam analisis regresi data panel ada 4 model, antara lain :

1.    Model Ordinary Least Square (OLS) pooled

Untuk menghasilkan Model OLS pooled, semua data  dipooled dan dianalisis untuk mendapatkan model OLS tanpa memperdulikan aspek cross section dan time series. Menggunakan data tabel 6.1 (terlampir) dengan melibatkan 90 observasi, maka akan didapat model sbb :

C_it = b₁ +  b₂ Q_it + b₃ PF_it + b₄ LF_it + u_it

C    : Total Cost

Q    : Quantity

PF   : Price Fuel

LF : Load Factor

T     : Tahun (Year)

 u_it   : Shock (Pengganggu) à diasumsikan terdistribusi secara independen (berdistribusi normal)

 i = 1, 2, 3, 4, ...., 6 (6 observasi per tahun)

 t = 1, 2, 3, 4, ...., 15 (15 tahun : 1970 – 1984)

Disini kita akan mengestimasi Total Cost (C) sebagai variabel dependen yang merupakan fungsi variabel independen yaitu Q, PF dan LF.  Analisis terhadap 90 observasi ini menganggap bahwa tidak ada perbedaan antar perusahaan maskapai, asumsi ini akan terasa sulit untuk dapat diterima karena 6 perusahaan maskapai tersebut pasti mempunyai perbedaan. Berdasarkan hasil regresi dari eViews menunjukan model dapat diterima karena semua slope untuk variabel independen significan untuk diterima Prob.(F-Statistic) < 5%. Model yang significant adalah

C_it = 1158559 +  2026114 x Q_it + 1,225348 x PF_it + - 3065753 x LF_it

Dengan R² = 0.9446093 yang cukup tinggi dapat dinyatakan bahwa model tersebut dapat diterima. Tetapi memperhatikan nilai statistik Durbin Watson yang rendah (0,434) maka dapat dinyatakan adanya autokorelasi / korelasi spasial dalam data dan adanya kemungkinan kesalahan spesifikasi serta mencermati asumsi bahwa maskapai dianggap homogen, hal ini menunjukan seakan-akan fiting model ini menutupi heterogenitas antar  individu maskapai. Sehingga u_it (residual) dapat juga dikatakan memuat faktor heterogenitas antar individu maskapai tersebut dapat ditengarai dapat berkorelasi dengan variabel independen, tetapi jika kita tambahkan variabel kualitas manajemen = M yang tetap tidak bepengaruh terhadap waktu maka akan didapat model

C_it = b₁ +  b₂ PF_it + b₃ LF_it + b₄ M_it + u_it

Meskipun tidak terpengaruh terhadap waktu, Variabel M tidak dapat mengukur kontribusinya pada fungsi biaya (C) sehingga kita dapat memperoleh persamaan tersebut menjadi

C_it = b₁ +  b₂ PF_it + b₃ LF_it + a_i + u_it

Dimana a_i biasa dinamakan efek tidak terobservasi (heteregonitas) yang menunjukan dampak M terhadap fungsi biaya (C). Hal ini jika a_i + u_it è v_it maka persamaan tersebut menjadi

C_it = b₁ +  b₂ PF_it + b₃ LF_it + v_it

Ha;

Untuk atasi hal tersebut perlu dilakukan penambahan variabel dummy sehingga model yang ada tetap tergantung dari waktu

2.    Model Fixed Effects least square dummy variable (LSDV)

Buat grafik dengan intercept berbeda untuk tiap variabel independen

3.    Model Fixed Effects within – group

4.    Model Random Effect (REM)