ANALISIS DATA PANEL

it i it ity Xα β ε= + +′ Struktur Model I Struktur Model II Struktur Model III/

Struktur Model V Struktur Model

IV Struktur Model VI

• Model Common/ Pool • 1 2 iα α α= = = • 1 2k k ikβ β β= = =

• Model Panel • 1 2 iα α α≠ ≠ ≠ • 1 2k k ikβ β β= = =

• Random Coef Mod • 1 2 iα α α≠ ≠ ≠ • 1 2k k ikβ β β≠ ≠ ≠

• Sama dengan Model III/ V

• Pers. Simultan • 1 2 iα α α≠ ≠ ≠ • 1 2k k ikβ β β≠ ≠ ≠

Homosedastik

2

2

2

0 00

0 0

II

V0

I

σσ

σ

⎡ ⎤⎢ ⎥⎢ ⎥=⎢ ⎥⎢ ⎥⎣ ⎦

Fixed Effek • LSDV • Fixed Effect

Model

Model III- Heterogenity coef • Estimator :GLS • Eviews: System

• Koef salah satu

Var Indp sama setiap individu

• Memperhitungkan

korelasi antar unit/ individu serta sifat exogenitas/ endogenitas

Heterosedastik (antar individu)

21

22

2

0 00 0

0 0 i

II

V

I

σσ

σ

⎡ ⎤⎢ ⎥⎢ ⎥=⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦

Random Effect

Model V- Heterogenity coef & serial correlation • Estimator :GLS-

SUR • Eviews: System

Estimasi : • OLS • 2SLS • 3SLS

Heterosedastik & cros sec correlation (antar individu)

SANJOYO 19 DESEMBER 2007 1

11 12 1

21 22 2

1 2

n

n

n n nn

I I II I I

V

I I I

σ σ σσ σ σ

σ σ σ

⎡ ⎤⎢ ⎥⎢ ⎥=⎢ ⎥⎢ ⎥⎢ ⎥⎣ ⎦

ESTIMATOR: GLS/FGLS

( ) ( )11 1ˆ̂ ˆ ˆX V X X V yβ−

− −′ ′=

EVIEW : OBJECT POOL • Weight: no weight • Cross Heterosedastisity • Cross SUR • Periode Heterosedastisity • Periode SUR

SANJOYO 19 DESEMBER 2007 2

INPUT DATA:

• Setting workfile dattied –reguler frequency : Montly tahun 2001 s/d 2003

•

SANJOYO 19 DESEMBER 2007 3

Import file dari Excel : Perbankan.xls

SANJOYO 19 DESEMBER 2007 4

SANJOYO 19 DESEMBER 2007 5

SANJOYO 19 DESEMBER 2007 6

• Hasil dari import file excel ke dalam format Eviews

SANJOYO 19 DESEMBER 2007 7

SETTING DATA UNTUK ANALISIS DATA POOL & DATA PANEL • Object New Object Pool

SANJOYO 19 DESEMBER 2007 8

• Tuliskan indentifikasi data crossection

SANJOYO 19 DESEMBER 2007 9

STRUKTUR MODEL 1 (COMMMON/ POOL) • HOMOSEDASTIK:

o Weights : No weight o Method : LS-Least Square

SANJOYO 19 DESEMBER 2007 10

• HASILNYA:

• Option :

o Ordinary o White crossection : korelasi antara cross-equation dan varians error yang berbeda dlm setai cross equation o White periode : mengakomodasi : korelasi serial dan var berbeda antara disturbance o White Diagonal : heterisedastisity dalam disturebance

SANJOYO 19 DESEMBER 2007 11

• HETEROSEDASTIK

o ESTIMATOR : GLS/ WLS CROSS-SECTION WEIGHT

SANJOYO 19 DESEMBER 2007 12

• HASIL:

SANJOYO 19 DESEMBER 2007 13

• HETEROSEDASTIK & KORELASI SERIAL (SUR) o ESTIMATOR: CROSS-SECTION SUR

SANJOYO 19 DESEMBER 2007 14

• HASILNYA:

SANJOYO 19 DESEMBER 2007 15

STRUKTUR MODEL II (FIXED & RANDOM EFFECT) • Menggunakan data : konsumsi_gnr2.wf1

Inv CS F• Model : it i CSi it Fi it itα β β= + + +ε• Inv: investment (milyard Rp); CS: konsumsi (jutaan Rp); F: market value of firm(milyar Rp).

• Individu i = DKI, Jabar, Jawa Tengah, Jawa Timur, Bali LSDV

• Model: 1 2 3 4 52 3 4 5it i i i i CS it F it itInv D D D D CS Fα α α α α β β• D2=dummy DKI, D3=dummy JBR, D4=dummy JTG, D5=dummy JTM

ε= + + + + + + +

• Estimator : OLS (homosedastik)

SANJOYO 19 DESEMBER 2007 16

SANJOYO 19 DESEMBER 2007 17

• Hasil:

o Investasi Bali: 92.53853 o Investasi DKI: 92.53853 – 168,6053= -76.0668 o ……. dst

SANJOYO 19 DESEMBER 2007 18

FIXED EFFECT MODEL • Model Umum: it i it ity Xα β ε′= + + • Model: it i CSi it Fi it itInv CS Fα β β ε= + + + • Estimator : OLS (homosedastik)

SANJOYO 19 DESEMBER 2007 19

• Hasil:

Koef Indv EffectC -62.5944 CS? 0.34666 F? 0.10598 Fixed Effects (Cross) _BAL--C 155.1329 92.53851_DKI--C -13.4724 -76.06674_JBR--C 33.22081 -29.37358_JTG--C -179.576 -242.17079_JTM--C 4.69498 -57.89941

Interpretasi: Bila mana ada perubahan Consumsi dan Market Value of Firm baik antar Daerah maupun antar waktu, maka Propinsi Bali akan mendapatkan penaruh Individu terhadap investasi sebesar : Rp 92,54 milayar

SANJOYO 19 DESEMBER 2007 20

RANDOM EFFECT MODEL • Model Umum: it it i ity Xα β μ ε′= + + + • Model: it i CSi it Fi it itInv CS Fα β β ε= + + + • Estimator : GLS

SANJOYO 19 DESEMBER 2007 21

• Hasil:

Interpretasi: Bila mana ada perubahan Consumsi dan Market Value of Firm baik antar Daerah maupun antar waktu, maka Propinsi Bali akan mendapatkan penaruh Individu terhadap investasi sebesar : Rp 151,86 milyar

SANJOYO 19 DESEMBER 2007 22

Uji Random dan Fixed Effect: untuk melihat apakah model mengikuti random effect atau fixed effect dengan Hausman test. Ho : random effect (individual effect uncorelated) H1 : Fixed effect. Statistik Uji: )()()'( 12 βββχ −−−= − bbVarbhit

Dimana : b= koefisien random effect; β=koefisien fixed effect Keputusan: Tolah Ho jika 2 2

( , )hit k αχ χ> (k=jumlah koef slope) atau p-value < α .

SANJOYO 19 DESEMBER 2007 23

SANJOYO 19 DESEMBER 2007 24

• Hasil Pengujian

P-Value = 0,2081 > 5% Ho diterima Model Random Effect

SANJOYO 19 DESEMBER 2007 25

Model III- Heterogenity Coefisient y• Model Umum: ii i i iXα β +′= + i ivβ β= + ε , dimana:

• Model : 1 2 3 4 1it i i i i i itRDep RSBI RPuab RIntervensi RDepα β β β β ε= + + + + + • Contoh Data Perbankan- Asist 2.wf1 • Eviews: Object New Object System • Tuliskan persamaan system

SANJOYO 19 DESEMBER 2007 26

• Estimasi Koef GLS Weigted LS

SANJOYO 19 DESEMBER 2007 27

• Hasil

Iteration Option :

• Iterate coefficient to convergence tidak gunakan MLE • Simultanneous Updateing : gunakan MLE

SANJOYO 19 DESEMBER 2007 28

Model V- Heterogenity Coefisient dan korelasi antar Unit y X• Model Umum: ii i i iα β ε′= + +

• Model : 1 2 3 4 1it i i i i i itRDep RSBI RPuab RIntervensi RDepα β β β β ε= + + + + + • Contoh Data Perbankan- Asist 2.wf1 • Eviews: Object New Object System • Estimator: GLS- SUR

SANJOYO 19 DESEMBER 2007 29

• Hasil

SANJOYO 19 DESEMBER 2007 30

Model IV- Sama dengan Model III/ V (namun…) • Namun, Salah satu Koef Indpendent Var (mis. RSBI) sama setiap individu (bank) • Model : 1 2 3 4 1it i i i i itRDep RSBI RPuab RIntervensi RDepα β β β β ε= + + + + + • Contoh Data Perbankan- Asist 2.wf1 • Eviews: Object New Object System • Tulis Model persamaan system

SANJOYO 19 DESEMBER 2007 31

• Estimator: GLS- SUR (Weighted)

SANJOYO 19 DESEMBER 2007 32

PEMILIHAN MODEL: 1. MODEL II: RANDOM EFFEECT VS FIXED EFFECT

• Dengan Hausman Test sudah dijelaskan diatas

2. MODEL IV (KOEF VAR TERTENTU SAMA) VS MODEL V(KOEF INDP VAR BERBEDA) • Apakah sesungguhnya efek dari suatu var independent (RSBI) sama untuk semua Individu (bank) • Hipotesi:

• Ho: 11 1BNI BCA CITβ β= = =• H1: Model V dengan MLE

β ; yaitu Model IV – dengan MLE

• Statistik Uji : WALD TEST • Tolak Ho jika p-value < 5% (10%) • Contoh:

SANJOYO 19 DESEMBER 2007 33

• Kembali pada Model V:

• Lakukan restriksi pada uji wald: o C(1)=C(2)= C(3)= C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=C(10)

SANJOYO 19 DESEMBER 2007 34

SANJOYO 19 DESEMBER 2007 35

SANJOYO 19 DESEMBER 2007 36

p-Value (0,3918) > 5% Ho diterima Model V –dengan MLE. Maka model lebih baik adalah model dimana effek RSBI seragap terhadap RDEP.

SANJOYO 19 DESEMBER 2007 37

3. MODEL II ( RANDOM EFFEECT) VS MODEL V (RANDOM KOEF)

• Menguji model manakah yang lebih baik Model II (efek individu α berbeda dan efek var β sama) dengan Model V(efek individu α berbeda dan efek var β berbeda )

• Hipotesi:

• Ho:

1 1 1

2 2 2

3 3 3

4 4 4

,,,

BNI BCA CIT

BNI BCA CIT

BNI BCA CIT

BNI BCA CIT

β β ββ β ββ β ββ β β

= = == = == = == = =

; yaitu Model II (random effek) dengan MLE

• H1: Model V dengan MLE • Statistik Uji : WALD TEST • Tolak Ho jika p-value < 5% (10%) • Contoh: Gunakan Model V • Lakukan restriksi

C(1)=C(2)= C(3)= C(4)=C(5)=C(6)=C(7)=C(8)=C(9)=C(10) C(11)=C(12)= C(13)= C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20) C(21)=C(22)= C(23)= C(24)=C(25)=C(26)=C(27)=C(28)=C(29)=C(30) C(31)=C(32)= C(33)= C(34)=C(35)=C(36)=C(37)=C(38)=C(39)=C(40)

SANJOYO 19 DESEMBER 2007 38

SANJOYO 19 DESEMBER 2007 39

p-Value (0,000) < 5% , Ho ditolak moled V Model yang lebih baik adalah model dimana efek semua variable tidak seragam terhadap RDep dari setiap individu (bank).

SANJOYO 19 DESEMBER 2007 40

4. MODEL II (Model ada efek indv) VS MODEL I (tidak ada fixed effect)

• Menguji Model I(Common) yaitu tidak ada efek individu dengan Model II (fixed effek) yaitu ada efek individu • Hipotesi:

• Ho: BNI BCA CITα α= = =

BNI BCA

α ; yaitu Model I (common) – dengan GLS • H1: CITα α≠ ≠ ≠

• Statistik Uji : WALD TEST α ; yaitu Model II (fixed efek) - dengan GLS

• Tolak Ho jika p-value < 5% (10%) • Contoh: Gunakan Model II dengan system

SANJOYO 19 DESEMBER 2007 41

SANJOYO 19 DESEMBER 2007 42

• Lakukan Restriksi: C(11)=C(12)= C(13)= C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20)

SANJOYO 19 DESEMBER 2007 43

• Hasilnya

p-Value (0,2897) > 5% Ho diterima Model I (common) yang lebih baik.

SANJOYO 19 DESEMBER 2007 44

PENENTUAN ESTIMATOR • Diatas telah dijelaskan penggunaan estimator OLG, WLS/ GLS, atau SUR tergantung pada struktur Covarian model tersebut

yaitu: homosedastik, heterosedastik maupun struktur adanya korelasi serial. • Oleh karena itu, perlu dilakukan pengujian jenis struktur covarian suatu model.

A. PEMILIHAN ESTIMATOR: STRUKTUR HETERO VS HOMO

• UJI LM ( Estimator FGLS dg MLE) o Hipotesis

Ho: 22iσ σ= (yaitu struktur homosedastik)

H1: 22iσ σ≠ (yaitu struktur heterosedastik)

o Statistik Uji LM:

22

21

ˆ1

ˆ2

ni

i

TLM σσ=

⎡ ⎤= −⎢ ⎥

⎣ ⎦∑ ( )1;n αχ −∼

dimana T=jml observasi, n=jml individu;

2iσ =varian residual persamaan ke-i; 2σ̂ =varian residual persamaan

system. o Keputusan Tolah Ho, jika LM test > ( )1;n αχ −∼

• UJI WALD ( Estimator FGLS)

o Hipotesis Ho: 22

iσ σ= (yaitu struktur homosedastik) H1: 22

iσ σ≠ (yaitu struktur heterosedastik) o Statistik Uji LM:

22

21

ˆ1

ˆ2

n

i i

TLM σσ=

⎡ ⎤= −⎢ ⎥

⎣ ⎦∑ ( )1;n αχ −∼

dimana T=jml observasi, n=jml individu;

2iσ =varian residual persamaan ke-i; 2σ̂ =varian residual persamaan

system.

SANJOYO 19 DESEMBER 2007 45

o Keputusan Tolah Ho, jika LM test > ( )1;n αχ −∼

• CONTOH: LM TEST o GUNAKAN MODEL V- DATA ASIST.WF1

'LM test for Choosing Estimator Hetero VS Homo 'Created by Sanjoyo (26/09/2007) for teaching assistance econometrics 2 'needed open workfile: asist2 pool_MOD5_LM.makeresid(n=residual) scalar T=pool_MOD5_LM.@regobs scalar n=pool_MOD5_LM.@ncross matrix residm = residual matrix rescov = (@transpose(residm)*residm)/T vector rescovd = @getmaindiagonal(rescov) scalar ssr =pool_MOD5_LM.@ssr vector LM1 = (rescovd/ssr-1) vector qform = (@transpose(LM1) * LM1)*T/2 if qform(1,1)>=0 then ' set table to store results table(4,2) result setcolwidth(result,1,20) setcell(result,1,1,"LM test for hetero versus homo") setline(result,2) !df=n-1 setcell(result,3,1,"chi-sqr(" +@str(!df) + ") = ")

SANJOYO 19 DESEMBER 2007 46

setcell(result,3,2,qform(1,1)) setcell(result,4,1,"p-value = ") setcell(result,4,2,1-@cchisq(qform(1,1),!df)) setline(result,5) show result else statusline "Quadratic form is negative" endif

• HASIL

LM test for hetero versus homo

chi-sqr(9) = 174.0019 p-value = 0.000000

SANJOYO 19 DESEMBER 2007 47

B. PEMILIHAN ESTIMATOR: STRUKTUR HETERO VS SUR

• UJI LR o Hipotesis

Ho: off diagonal =0 (yaitu struktur heterosedastik) H1: off diagonal 0 (yaitu struktur SUR) ≠

o Statistik Uji LM:

( )2

1

ˆˆlog logn

LR ii

Tλ σ=

⎡ ⎤= − Σ⎢ ⎥⎣ ⎦∑ ( )( )1 ;n n αχ −∼

dimana T=jml observasi, n=jml individu;

2iσ =varian residual persamaan ke-i; Σ̂ =determinan residual

covarians persamaan system. o Keputusan Tolah Ho, jika LM test > ( )1;n αχ −∼

• CONTOH: LR TEST o GUNAKAN MODEL V- DATA ASIST.WF1

'LR test for Choosing Estimator Hetero VS SUR 'Created by Sanjoyo (26/09/2007) for teaching assistance econometrics 2 'needed open workfile: asist2 pool_MOD5_Lr.makeresid(n=residual) scalar T=pool_MOD5_LR.@regobs scalar n=pool_MOD5_LR.@ncross matrix residm = residual matrix rescov = (@transpose(residm)*residm)/T vector rescovd = @getmaindiagonal(rescov) vector(n) ones=1

SANJOYO 19 DESEMBER 2007 48

vector lrescov =log(rescovd) vector sumdiag =@transpose(lrescov)*ones scalar rescovdet =log(@det(rescov)) vector qform = T*(sumdiag-rescovdet) if qform(1,1)>=0 then ' set table to store results table(4,2) result setcolwidth(result,1,20) setcell(result,1,1,"LR test for hetero versus SUR") setline(result,2) !df=n*(n-1)/2 setcell(result,3,1,"chi-sqr(" +@str(!df) + ") = ") setcell(result,3,2,qform(1,1)) setcell(result,4,1,"p-value = ") setcell(result,4,2,1-@cchisq(qform(1,1),!df)) setline(result,5) show result else statusline "Quadratic form is negative" endif LR test for hetero versus

SUR

chi-sqr(45) = 196.1543 p-value = 0.000000

SANJOYO 19 DESEMBER 2007 49

SANJOYO 19 DESEMBER 2007 50