Dokumen tersebut membahas tentang pelatihan panel data menggunakan Eviews, yang mencakup jenis data panel, metode panel data seperti common effect, fixed effect, dan random effect beserta uji statistiknya seperti uji Chow, Hausman, serta interpretasi hasil regresi data panel.

1. PELATIHAN PANEL DATA
(EVIEWS)
CEDS FEB UNPAD

2. JENIS DATA
• Data cross section merupakan data yang dikumpulkan dalam satu periode waktu.
• Data time series merupakan data yang bentuknya bersifat periodik (misal bulan,
tahun).
• Data panel merupakan penggabungan data yang bersifat cross section dan time
series. Data panel (juga dikenal sebagai data time-series longitudinal atau
crosssectional) adalah dataset di mana perilaku entitas diamati sepanjang waktu.
Entitas ini dapat berupa negara, kabupaten/kota, perusahaan, rumah tangga,
maupun individu.

3. kabupatenkota tahun pdrb
Kab. Bandung 2018 77,603,122
Kab. Bandung Barat 2018 29,888,888
Kab. Bekasi 2018 242,023,294
Kab. Bogor 2018 148,204,049
kabupatenkota tahun pdrb
Kota Tasikmalaya 2011 9,758,072
Kota Tasikmalaya 2012 10,324,523
Kota Tasikmalaya 2013 10,961,871
Kota Tasikmalaya 2014 11,637,308
Kota Tasikmalaya 2015 12,370,623
Kota Tasikmalaya 2016 13,225,248
Kota Tasikmalaya 2017 14,207,798
Kota Tasikmalaya 2018 14,861,531
kabupatenkota tahun pdrb
Kab. Bandung 2015 64,701,522
Kab. Bandung 2016 68,804,851
Kab. Bandung 2017 73,039,454
Kab. Bandung 2018 77,603,122
Kab. Bandung Barat 2015 25,486,171
Kab. Bandung Barat 2016 26,925,876
Kab. Bandung Barat 2017 28,330,025
Kab. Bandung Barat 2018 29,888,888
Kab. Bekasi 2015 205,950,394
Kab. Bekasi 2016 216,228,364
Kab. Bekasi 2017 228,725,925
Kab. Bekasi 2018 242,023,294
Cross-section
Time-Series
Panel

4. PENULISAN MODEL EKONOMETRIK
BERDASARKAN DATA YANG
DIGUNAKAN

5. METODE PANEL DATA
• Common Effect
• Teknik ini merupakan teknik yang paling sederhana untuk mengestimasi parameter
model data panel, yaitu dengan mengkombinasikan data cross section dan time series
sebagai satu kesatuan tanpa melihat adanya perbedaan waktu dan individu.
• Pendekatan yang dipakai pada model ini adalah metode Ordinary Least Square (OLS).
• Fixed Effect
• Dibedakan antar individu pada intersep
• Sering dikenal dengan model Least Square Dummy Variable (LSDV)
• Random Effect
• Teknik ini akan mengestimasi data panel dimana variabel gangguan mungkin saling
berhubungan antar waktu dan antar individu.
• Perbedaan antar individu dan antar waktu diakomodasi lewat error, karena adanya
korelasi antar variabel gangguan maka metode OLS tidak bisa digunakan sehingga
model random effect menggunakan metode Generalized Least Square (GLS).

6. COMMENT EFFECT VS FIXED EFFECT DALAM
EVIEWS
• Uji Chow test
• pengujian untuk menentukan model fixed effect atau common effect yang paling tepat
digunakan dalam mengestimasi data panel.
• Chow test merupakan metode pengujian untuk menentukan model Common Effect (CE)
ataukah Fixed Effect (FE) yang paling tepat digunakan dalam mengestimasi data panel.
• Kriterianya adalah apabila probabilitas ≥ 0.05 maka H0 diterima, artinya model CEM
(pool least square) yang akan digunakan. Tetapi jika nilai probabilitas < 0.05, maka H1
diterima, berarti menggunakan pendekatan FEM.

7. Klik view  Fixed/Random Effect Testing  Redundant
Fixed Effecvts – Likelihood Ratio
Berdasarkan tabel diatas, diperoleh hasil berupa nilai
probabilitas chi squares sebesar 0,000. Karena nilai
probabilitas chi squares lebih kecil dari taraf
signifikansi (0,000<0,05), artinya model fixed effect
lebih tepat dibandingkan model common effect.

8. RANDOM EFFECT VS FIXED EFFECT DALAM
EVIEWS
• Uji Hausman
• Setelah uji chow dilakukan, bila hasil menunjukan bahwa model FEM, model data panel
harus dibandingkan lagi antara FEM dengan REM dengan menggunakan Uji Hausman.
• Uji Hausman digunakan untuk memilih apakah model FEM atau model REM yang paling
tepat digunakan. Jika probabilitas chi-square ≥ α (0.05), maka Ho artinya REM diterima,
jika nilai probabilitas chi-square < α (0.05), maka FEM diterima.
• Pendekatan REM memiliki syarat bahwa number of unit cross section harus lebih besar
daripada number of time series.

9. Klik view  Fixed/Random Effect Testing  Correlated
Random Effects – Hasuman Test
Diperoleh hasil berupa nilai probabilitas chi square
sebesar 0,2688. Karena nilai probabilitas chi squares
lebih besar dari taraf signifikansi (0,000>0,05), artinya
model random effect lebih tepat dibandingkan model
random effect.

10. COMMENT EFFECT VS FIXED VS
RANDOM EFFECT DALAM EVIEWS
Redundant Fixed Effects Tests
Equation: HASILREGRESTERAKHIR2
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 613.574584 (25,126) 0.0000
Cross-section Chi-square 750.371911 25 0.0000
Uji Chow
Hasil : fixed effect
Correlated Random Effects - Hausman Test
Equation: HASILREGRESTERAKHIR2
Test cross-section random effects
Test Summary
Chi-Sq.
Statistic Chi-Sq. d.f. Prob.
Cross-section random 110.647919 4 0.0000
Uji Hausman
Hasil : fixed effect

11. COMMENT EFFECT VS FIXED VS
RANDOM EFFECT DALAM EVIEWS
Uji Chow
Hasil : fixed effect
Uji Hausman
Hasil : fixed effect
Redundant Fixed Effects Tests
Equation: Untitled
Test cross-section fixed effects
Effects Test Statistic d.f. Prob.
Cross-section F 474.380731 (30,121) 0.0000
Cross-section Chi-square 740.261933 30 0.0000
Correlated Random Effects - Hausman Test
Equation: Untitled
Test cross-section random effects
Test Summary
Chi-Sq.
Statistic Chi-Sq. d.f. Prob.
Cross-section random 5.707136 3 0.1268

12. PEMILIHAN METODE PANEL DATA

13. UJI STATISTIK
• Uji T
• Melihat signfikansi masing-masing variabel independen kepada variabel dependen
• Uji F
• Melihat signifikansi variabel dependen secara bersama-sama terhadap variabel
dependen
• Tingkat signifikansi 1%, 5% dan 10%

14. UJI T
Dependent Variable: POV
Method: Panel EGLS (Cross-section random effects)
Date: 05/03/20 Time: 03:42
Sample (adjusted): 2014 2018
Periods included: 5
Cross-sections included: 31
Total panel (balanced) observations: 155
Swamy and Arora estimator of component variances
Variable Coefficient Std. Error t-Statistic Prob.
C 33.38461 4.426479 7.542023 0.0000
AHH(-1) -0.111441 0.054620 -2.040281 0.0431
LPMTB -0.531876 0.173602 -3.063759 0.0026
LGSPEND -0.182511 0.035521 -5.138086 0.0000
Setelah melakukan uji chow
dan uji hausman
Dilihat dari masing-masing
variabel dependen
Signifikansi dilihat dari tk
kepercayaan 1%, 5%, 10%

15. UJI T
Setelah melakukan uji chow
dan uji hausman dinyatakan
sebagai FE/RE
Dilihat dari masing-masing
variabel dependen
Signifikansi dilihat dari tk
kepercayaan 1%, 5%, 10%
Dependent Variable: LEGROWTH
Method: Panel Least Squares
Date: 03/13/20 Time: 01:27
Sample (adjusted): 2012 2017
Periods included: 6
Cross-sections included: 26
Total panel (balanced) observations: 156
Cross-section weights (PCSE) standard errors & covariance (no d.f.
correction)
Variable Coefficient Std. Error t-Statistic Prob.
C 3.672103 0.806601 4.552566 0.0000
LEDUC 2.590349 0.208986 12.39487 0.0000
LLEXP 0.270902 0.158333 1.710963 0.0895
LUNEMP -0.040446 0.017722 -2.282190 0.0242
LGOV(-1) 0.039421 0.009995 3.944157 0.0001
LEDUC signifikan/tdk signifikan ? -> Level signifikansi ?
LLEXP signifikan/tdk signifikan ? -> Level signifikansi ?
LUNEMP signifikan/tdk signifikan ? -> Level signifikansi ?
LGOV(-1) signifikan/tdk signifikan ? -> Level signifikansi ?

16. UJI F
R-squared 0.325740 Mean dependent var 0.509025
Adjusted R-squared 0.312345 S.D. dependent var 0.660066
S.E. of regression 0.547359 Sum squared resid 45.23995
F-statistic 24.31646 Durbin-Watson stat 1.279233
Prob(F-statistic) 0.000000
Setelah melakukan uji chow
dan uji hausman dinyatakan
sebagai FE/RE
Dilihat dari Prob (F-statistic)
Signifikansi dilihat dari tk
kepercayaan 1%, 5%, 10%
Variabel independent secara bersama-sama
mempengaruhi/signifikan terhadap variabel dependen

17. UJI ASUMSI KLASIK
• Multikolinearitas :
• Heterokedastisitas :
• Digunakan untuk melihat apakah residual dari model yang terbentuk memiliki varians
yang konstan atau tidak
• Uji heterokedastisitas dilakukan untuk mengetahui ada atau tidak terjadi penyimpangan
pada ketidaksamaan varian dan residual dalam model regresi.
• Autokorelasi :
• Menurut Gujarati (2012), bahwa uji autokorelasi memperlihatkan korelasi antar anggota
yang diobservasi berdasarkan waktu.
• Jika terjadi permasalahan autokorelasi (Gujarati, 2012),
• Metode untuk mendeteksi autokorelasi adalah durbin-watson test, maupun lagrange
multiplier

18. MULTIKOLINEARITAS :
• Kondisi adanya korelasi yang tinggi diantara masing-masing variabel independen
• Umumnya variabel yang digunakan saling terkait dalam model regresi
• Mis : pengaruh pendapatan dan tabungan terhadap konsumsi
• Pertanyaan :
• Pengaruh tenaga kerja dan penduduk terhadap PDB (multi/tidak multi)
• Pengaruh pengangguran dan penduduk terhadap kemiskinan (multi/tidak multi)

19. UJI ASUMSI KLASIK
MULTIKOLINEARITAS
Quick  Group Statistics  Correlation  Masukan
nama variabel indepeden  Ok Masukan nama semua variabel independen yang
digunakan dalam model :
ln_pajak ln_pop ln_pdrbkap
Kemudian klik OK

20. Muncul tabel dibawah ini yang
menunjukan korelasi antar variabel
independen yang digunakan dalam
model studi kasus. Masalah
multikolinearitas timbul ketika angka
korelasi lebih besar dari 0,8.
Hasil pengujian multikolinearitas pada studi kasus kali ini
tidak menunjukan adanya masalah multikolinearitas
dalam model penelitian.

21. MULTIKOLINEARITAS :
AHH(-1) LPMTB LGSPEND
AHH(-1) 1.000000 0.151629 -0.043173
LPMTB 0.151629 1.000000 0.397343
LGSPEND -0.043173 0.397343 1.000000
LEDUC LLEXP LUNEMP LGOV
LEDUC 1 0.60472188 -0.22942178 -0.1767174
LLEXP 0.60472188 1 0.093433649 0.04933007
LUNEMP -0.2294218 0.09343365 1 0.65902045
LGOV -0.1767174 0.04933007 0.659020453 1

22. UJI ASUMSI KLASIK
AUTOKORELASI
Dalam melakukan uji Autokorelasi dengan
menggunakan stata, kita harus
menggunakan data yang bersifat
unstructured / undate. Tahap pertama yang
harus dilakukan adalah membuka kembali
data kita kemudian pilih
unstructured/undated pada pilihan Basic
Structure.
File  Open  Foreign Data as Workfile

23. Kemudian klik view  residual diagnostics  serial
correlation LM test
Masukan lag = 2  Klik OK
Maka akan diperoleh hasil sebagai berikut
Hasil pengujian menunjukan bahwa nilai dari Pob. Chi-Square
(0.000) kurang dari nilai signifikansi atau α=5%=0.05, maka
dapat disimpulkan bahwa model ini mengandung masalah
autokorelasi.

24. AUTOKORELASI
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 116.4861 Prob. F(2,191) 0.0000
Obs*R-squared 108.8008 Prob. Chi-Square(2) 0.0000 ?

25. UJI ASUMSI KLASIK
HETEROKEDASTISITAS
Untuk melakukan uji heteroskedastisitas dengan
menggunakan metode white,
pilih view  residual diagnostics  heteroskedasticity
test, pilih white.
Pilih White  Klik OK

26. diperoleh hasil sebagai berikut:
Hasil pengujian menunjukan bahwa
nilai dari Pob. Chi-Square (0.000)
kurang dari nilai signifikansi atau
α=5%=0.05, maka dapat disimpulkan
bahwa model ini mengandung masalah
Heterokedastisitas.

27. HASIL REGRESI DATA PANEL
• Intepretasi  Arah (positif atau negatif) dan besaran dari koefisien
• Uji t-statistik  variabel independen secara individual mempunyai pengaruh
yang signifikan atau tidak terhadap variabel dependen
• Uji F-statistik  variabel-variabel independen secara simultan mempunyai
pengaruh yang signifikan atau tidak terhadap variabel dependen
• R-squared  Nilai koefisien determinasi mencerminkan seberapa besar
variabel independen yang dapat menjelaskan variabel depeden. Nilai 𝑅2
berkisar antara 0 dan 1.

28. INPUT DATAfirm year capital invest value
1 1935 2.8 317.6 3078.5
1 1936 52.6 391.8 4661.7
1 1937 156.9 410.6 5387.1
1 1938 209.2 257.7 2792.2
1 1939 203.4 330.8 4313.2
1 1940 207.2 461.2 4643.9
1 1941 255.2 512 4551.2
1 1942 303.7 448 3244.1
1 1943 264.1 499.6 4053.7
1 1944 201.6 547.5 4379.3
1 1945 265 561.2 4840.9
1 1946 402.2 688.1 4900.9
1 1947 761.5 568.9 3526.5
1 1948 922.4 529.2 3254.7
1 1949 1020.1 555.1 3700.2
1 1950 1099 642.9 3755.6
1 1951 1207.7 755.9 4833
1 1952 1430.5 891.2 4924.9
1 1953 1777.3 1304.4 6241.7
1 1954 2226.3 1486.7 5593.6
2 1935 53.8 209.9 1362.4
2 1936 50.5 355.3 1807.1
2 1937 118.1 469.9 2676.3
2 1938 260.2 262.3 1801.9
2 1939 312.7 230.4 1957.3
2 1940 254.2 361.6 2202.9
2 1941 261.4 472.8 2380.5

29. INTERPRETASI PANEL DATA
Konstanta dan Koefisien
Hasil pemilihan metode yang sudah dilakukan
sebelumnya menunjukan bahwa metode terbaik yang
dapat digunakan untuk model regresi pada studi kasus ini
adalah random effect model.
Hasil estimasi regresi menunjukan 2 hal:
Variabel capital berpengaruh positif terhadap
investasi. Ketika capital meningkat sebesar 1 satuan
maka investasi akan meningkat sebesar 0.308
satuan.
Variabel value berpengaruh positif terhadap investasi.
Ketika value meningkat sebesar 1 satuan maka
investasi akan meningkat sebesar 0.109 satuan.

30. INTERPRETASI PANEL DATA
Dependent Variable: LNPDRB
Method: Panel EGLS (Cross-section weights)
Date: 02/20/20 Time: 17:13
Sample: 2012 2017
Periods included: 6
Cross-sections included: 33
Total panel (balanced) observations: 198
Linear estimation after one-step weighting matrix
Cross-section weights (PCSE) standard errors & covariance (d.f. corrected)
Variable Coefficient Std. Error t-Statistic Prob.
C -1.549107 0.708069 -2.187793 0.0301
IPTIK 0.090426 0.005273 17.14813 0.0000
LNPMTB 0.095731 0.022833 4.192697 0.0000
LNGOVEXP 0.008983 0.003753 2.393313 0.0178
LNTKER 0.194214 0.051459 3.774187 0.0002
Variabel dependen (lnPDRB) menunjukkan intersep
dengan nilai koefisien sebesar -1.549107
Sehingga dapat disimpulkan bahwa variabel dependen
pada suatu objek penelitian tanpa ada pengaruh dari
variabel lain dapat menurunkan rata-rata sebesar
1.549107%.
Bagaimana dengan variabel
independen ?