ANALISIS DATA PANEL (BASED ON PAK MAHYUS S HANDOUT) ASISTENSI KE-2

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


29 SEPTEMBER 2007

2

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

•


29 SEPTEMBER 2007

3

•

Import file dari Excel : Perbankan.xls


29 SEPTEMBER 2007

4


29 SEPTEMBER 2007

5


29 SEPTEMBER 2007

6


29 SEPTEMBER 2007

7

•

Hasil dari import file excel ke dalam format Eviews


29 SEPTEMBER 2007

8

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


29 SEPTEMBER 2007

9

•

Tuliskan indentifikasi data crossection


29 SEPTEMBER 2007

10

STRUKTUR MODEL 1 (COMMMON/ POOL) • HOMOSEDASTIK: o Weights : No weight o Method : LS-Least Square


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


29 SEPTEMBER 2007

12

•

HETEROSEDASTIK o ESTIMATOR : GLS/ WLS Æ CROSS-SECTION WEIGHT


29 SEPTEMBER 2007

13

•

HASIL:


29 SEPTEMBER 2007

14

•

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


29 SEPTEMBER 2007

15

•

HASILNYA:


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)


29 SEPTEMBER 2007

17


29 SEPTEMBER 2007

18

•

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


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)


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


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


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


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 .


29 SEPTEMBER 2007

24


29 SEPTEMBER 2007

25

•

Hasil Pengujian

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


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


29 SEPTEMBER 2007

27

•

Estimasi Koef Æ GLS Æ Weigted LS


29 SEPTEMBER 2007

28

•

Hasil

Iteration Option : • Iterate coefficient to convergence Æ tidak gunakan MLE • Simultanneous Updateing : gunakan MLE


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


29 SEPTEMBER 2007

30

•

Hasil


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


29 SEPTEMBER 2007

32

•

Estimator: GLS- SUR (Weighted)


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:


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)


29 SEPTEMBER 2007

35


29 SEPTEMBER 2007

36


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.


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)


29 SEPTEMBER 2007

39


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).


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


29 SEPTEMBER 2007

42


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)


29 SEPTEMBER 2007

44

•

Hasilnya

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


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.


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) + ") = ")


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


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


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


29 SEPTEMBER 2007

50


29 SEPTEMBER 2007

51

ANALISIS DATA PANEL (BASED ON PAK MAHYUS S HANDOUT) ASISTENSI KE-2

Recommend Documents