ANALISIS DATA PANEL (BASED ON PAK MAHYUS’S HANDOUT) ASISTENSI KE-2 yit = α i + β ′ X it + ε it Struktur Model I
Struktur Model II
• Model Common/ Pool • α1 = α 2 = = α i
• Model Panel • α1 ≠ α 2 ≠ ≠ α i • β1k = β 2 k = = β ik
• β1k = β 2 k =
Homosedastik ⎡σ 2 I 0 ⎢ 0 σ 2I V =⎢ ⎢ ⎢ 0 ⎣ 0
= β ik
0 ⎤ ⎥ 0 ⎥ ⎥ ⎥ σ 2I ⎦
Heterosedastik (antar individu) ⎡σ 12 I 0 0 ⎤ ⎢ ⎥ 2 0 σ2 I 0 ⎥ ⎢ V= ⎢ ⎥ ⎢ 2 ⎥ 0 σ i I ⎦⎥ ⎣⎢ 0
Struktur Model III/ Struktur Model V • Random Coef Mod • α1 ≠ α 2 ≠ ≠ α i • β1k ≠ β 2 k ≠ ≠ β ik
Model IIIFixed Effek Heterogenity coef • LSDV • Fixed Effect Model • Estimator :GLS • Eviews: System
Random Effect
Struktur Model IV • Sama dengan Model III/ V
• Koef salah satu Var Indp sama setiap individu
• Pers. Simultan • α1 ≠ α 2 ≠ ≠ α i • β1k ≠ β 2 k ≠ ≠ β ik
• Memperhitungkan korelasi antar unit/ individu serta sifat exogenitas/ endogenitas
Estimasi : • OLS • 2SLS • 3SLS
Model VHeterogenity coef & serial correlation • Estimator :GLSSUR • Eviews: System
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
Struktur Model VI
29 SEPTEMBER 2007
1
Heterosedastik & cros sec correlation (antar individu) ⎡σ 11 I σ 12 I σ 1n I ⎤ ⎢ ⎥ σ 21 I σ 22 I σ 2n I ⎥ ⎢ V= ⎢ ⎥ ⎢ ⎥ σ nn I ⎦⎥ ⎣⎢σ n1 I σ n 2 I
ESTIMATOR: GLS/FGLS −1 ˆ βˆ = X ′Vˆ −1 X X ′Vˆ −1 y
(
) (
)
EVIEW : OBJECT POOL • Weight: no weight • Cross Heterosedastisity • Cross SUR • Periode Heterosedastisity • Periode SUR
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
2
INPUT DATA: • Setting workfile dattied –reguler frequency : Montly Æ tahun 2001 s/d 2003
•
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
3
•
Import file dari Excel : Perbankan.xls
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
4
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
5
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
6
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
7
•
Hasil dari import file excel ke dalam format Eviews
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
8
SETTING DATA UNTUK ANALISIS DATA POOL & DATA PANEL • Object Æ New Object Æ Pool
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
9
•
Tuliskan indentifikasi data crossection
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
10
STRUKTUR MODEL 1 (COMMMON/ POOL) • HOMOSEDASTIK: o Weights : No weight o Method : LS-Least Square
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
11
•
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 : Æ heterisedastisity dalam disturebance
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
12
•
HETEROSEDASTIK o ESTIMATOR : GLS/ WLS Æ CROSS-SECTION WEIGHT
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
13
•
HASIL:
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
14
•
HETEROSEDASTIK & KORELASI SERIAL (SUR) o ESTIMATOR: CROSS-SECTION SUR
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
15
•
HASILNYA:
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
16
STRUKTUR MODEL II (FIXED & RANDOM EFFECT) • Menggunakan data : konsumsi_gnr2.wf1 • Model : Invit = α i + β CSi CSit + β Fi Fit + ε it • 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: Invit = α1 + α 2 D 2i + α 3 D3i + α 4 D 4i + α 5 D5i + β CS CSit + β F Fit + ε it • D2=dummy DKI, D3=dummy JBR, D4=dummy JTG, D5=dummy JTM • Estimator : OLS (homosedastik)
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
17
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
18
•
Hasil: Investasi Bali: 92.53853 o Investasi DKI: 92.53853 – 168,6053= -76.0668 o ……. dst o
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
19
FIXED EFFECT MODEL • Model Umum: yit = α i + β ′ X it + ε it • Model: Invit = α i + β CSi CSit + β Fi Fit + ε it • Estimator : OLS (homosedastik)
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
20
•
Hasil:
Koef Indv Effect C -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
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
21
RANDOM EFFECT MODEL • Model Umum: yit = α + β ′ X it + μi + ε it • Model: Invit = α i + β CSi CSit + β Fi Fit + ε it • Estimator : GLS
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
22
•
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
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
23
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. 2 Statistik Uji: χ hit = (b − β )'Var (b − β ) −1 (b − β ) Dimana : b= koefisien random effect; β=koefisien fixed effect 2 Keputusan: Tolah Ho jika χ hit > χ (2k ,α ) (k=jumlah koef slope) atau p-value < α .
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
24
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
25
•
Hasil Pengujian
P-Value = 0,2081 > 5% Î Ho diterima Æ Model Random Effect
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
26
Model III- Heterogenity Coefisient • Model Umum: yi = α i + β i′X i + ε i , dimana: β i = β + vi • Model : RDepit = α i + β i1 RSBI + β i 2 RPuab + β i 3 RIntervensi + β i 4 RDep1 + ε it • Contoh Data Perbankan- Asist 2.wf1 • Eviews: Object Æ New Object Æ System • Tuliskan persamaan system
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
27
•
Estimasi Koef Æ GLS Æ Weigted LS
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
28
•
Hasil
Iteration Option : • Iterate coefficient to convergence Æ tidak gunakan MLE • Simultanneous Updateing : gunakan MLE
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
29
Model V- Heterogenity Coefisient dan korelasi antar Unit • Model Umum: yi = α i + β i′X i + ε i • • • •
Model : RDepit = α i + β i1 RSBI + β i 2 RPuab + β i 3 RIntervensi + β i 4 RDep1 + ε it Contoh Data Perbankan- Asist 2.wf1 Eviews: Object Æ New Object Æ System Estimator: GLS- SUR
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
30
•
Hasil
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
31
Model IV- Sama dengan Model III/ V (namun…) • Namun, Salah satu Koef Indpendent Var (mis. RSBI) sama setiap individu (bank) • Model : RDepit = α i + β1 RSBI + β i 2 RPuab + β i 3 RIntervensi + β i 4 RDep1 + ε it • Contoh Data Perbankan- Asist 2.wf1 • Eviews: Object Æ New Object Æ System • Tulis Model persamaan system
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
32
•
Estimator: GLS- SUR (Weighted)
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
33
PEMILIHAN MODEL: 1. MODEL II: RANDOM EFFEECT VS FIXED EFFECT • Dengan Hausman Test Æ sudah dijelaskan diatas • Aaaa • Bbbb • Cccc 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: β1BNI = β1BCA = = β1CIT ; yaitu Model IV – dengan MLE • H1: Model V dengan MLE • Statistik Uji : WALD TEST • Tolak Ho jika p-value < 5% (10%) • Contoh:
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
34
•
•
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)
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
35
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
36
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
37
p-Value (0,3918) > 5% Æ Ho diterima Æ Model V –dengan MLE. Maka model lebih baik adalah model dimana effek RSBI seragap terhadap RDEP.
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
38
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: β1BNI = β1BCA = = β1CIT , •
• • • •
Ho:
β 2 BNI = β 2 BCA = β 3 BNI = β 3 BCA = β 4 BNI = β 4 BCA =
= β 2CIT , = β 3CIT ,
; yaitu Model II (random effek) dengan MLE
= β 4CIT • 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)
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
39
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
40
p-Value (0,000) < 5% , Ho ditolak Æ moled V Æ Model yang lebih baik adalah model dimana efek semua variable tidak seragam terhadap RDep dari setiap individu (bank).
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
41
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: α BNI = α BCA = = α CIT ; yaitu Model I (common) – dengan GLS • • •
• H1: α BNI ≠ α BCA ≠ ≠ α CIT ; yaitu Model II (fixed efek) - dengan GLS Statistik Uji : WALD TEST Tolak Ho jika p-value < 5% (10%) Contoh: Gunakan Model II dengan system
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
42
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
43
•
Lakukan Restriksi: C(11)=C(12)= C(13)= C(14)=C(15)=C(16)=C(17)=C(18)=C(19)=C(20)
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
44
•
Hasilnya
p-Value (0,2897) > 5% Æ Ho diterima Æ Model I (common) yang lebih baik.
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
45
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 (Æ Estimator FGLS dg MLE) o Hipotesis Ho: σ i2 = σ 2 (yaitu struktur homosedastik) H1: σ i2 ≠ σ 2 (yaitu struktur heterosedastik) o Statistik Uji LM: 2
T n ⎡ σˆ 2 ⎤ LM = ∑ ⎢ i2 − 1⎥ ∼ χ ( n −1;α ) 2 i =1 ⎣ σˆ ⎦ dimana T=jml observasi, n=jml individu; σ i2 =varian residual persamaan ke-i; σˆ 2 =varian residual persamaan system. o Keputusan Tolah Ho, jika LM test > ∼ χ ( n −1;α )
•
UJI WALD (Æ Estimator FGLS) o Hipotesis Ho: σ i2 = σ 2 (yaitu struktur homosedastik) H1: σ i2 ≠ σ 2 (yaitu struktur heterosedastik) o Statistik Uji LM: 2
T n ⎡ σˆ 2 ⎤ LM = ∑ ⎢ 2 − 1⎥ ∼ χ ( n −1;α ) 2 i =1 ⎣ σˆ i ⎦ dimana T=jml observasi, n=jml individu; σ i2 =varian residual persamaan ke-i; σˆ 2 =varian residual persamaan system.
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
46
o Keputusan Tolah Ho, jika LM test > ∼ χ ( n −1;α )
•
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) + ") = ")
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
47
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) = p-value =
174.0019 0.000000
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
48
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: ⎡ n ⎤ λLR = T ⎢ ∑ ( log σˆ i2 ) − log Σˆ ⎥ ∼ χ ( n( n −1);α ) ⎣ i =1 ⎦
dimana T=jml observasi, n=jml individu; σ i2 =varian residual persamaan ke-i; Σˆ =determinan residual
covarians persamaan system. o Keputusan Tolah Ho, jika LM test > ∼ χ ( n −1;α ) •
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
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
49
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) = p-value =
196.1543 0.000000
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
50
ASISTENSI EKMET 2- KELAS SALEMBA- SANJOYO
29 SEPTEMBER 2007
51