Data Panel-teori Dan Aplikasi Di Stata 2012

DATA PANEL : TEORI DASAR DAN APLIKASI DI STATA

Oleh : Akbar Suwardi

Pelatihan STATA

Dept. Ilmu Ekonomi Universitas Indonesia

(2012)

14/06/2012

Outline

Pengenalan Data Panel

Kuadrat Terkecil (Pooled Least Square)

Efek Tetap (Fixed Effect)

Efek Acak (Random Effect)

Pemilihan Metode Estimasi dalam Panel Data

Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Tetap (Fixed Effect)

Pemilihan Efek Tetap (Fixed Effect) atau Efek Acak (Random Effect)

Pemilihan Kuadrat Terkecil (Pooled Least Square) atau Efek Acak (Random Effect)

Evaluasi Hasil Regresi Data Panel

Kriteria Teori

Kriteria Statistik

Uji signifikansi serentak (F-Test).

Uji Signifikansi parsial (t-test).

Uji Goodness of Fit.

Kriteria Ekonometrika

Bebas dari Multikolinearitas

Bebas dari Heteroskedastisitas

Bebas dari Autokorelasi

IV14/06/2012.Exercise

akbarsuwardi.blogspot.com ||

2

scibd.com/akbar_suwardi

I. Pengenalan Data Panel

Data dibagi menjadi dua garis besar yaitu time-series dan cross-section . Gabungan antara dua itu adalah data panel. Atau dapat dikatakan, data panel merupakan data yang memiliki cross-sectional unit yang sama (contohnya survey data keluarga atau perusahaan) dan dilakukan setiap waktu. (Gujarati, 2003)


14/06/2012 3 scibd.com/akbar_suwardi


Gunakan data

Plt-stata.dta

Data dari Buku Gujarati (2003)

Lakukan Set Panel Data

Xtset individu time, year

Panel variable: individu (strongly balanced) Time variable: time, 1935 to 1954

Delta: 1 year



Pengenalan Data Panel

Mengenal data Panel

. xtsum y x2 x3

Variable

|

Mean

Std. Dev.

Min

Max |

Observations

y-----------------

+--------------------------------------------

290.9154

284.8528

12.93

1486.7

+

----------------N=

80

overall |

|

between

|

265.7954

42.8915

608.02 |

n =

4

within

|

165.786

-59.40462

1169.595

|

T =

20

x2

|

2229.428

1429.965

191.5

6241.7

|

N =

80

overall |

|

between

|

1527.907

671.36

4333.35

|

n =

4

within

|

521.3062

688.2774

4137.778

|

T =

20

x3

|

358.51

398.2685

.8

2226.3

|

N =

80

overall |

|

between

|

233.5919

85.64

648.435

|

n =

4

within

|

342.3096

-287.125

1936.375

|

T =

20

14/06/2012


5



xtline y

1500

GE

GM

1000

500

0

Y

1500

US

WEST

1000

500

0

1935

1940

1945

1950

19551935

1940

1945

1950

1955

Graphs by Id

Time

14/06/2012


6


akbarsuwardi/blogspot.com || scribd.com/akbar_suwardi

1

14/06/2012



xtline y, overlay

Manfaat dari penggunaan data panel antara

1500

lain:

1. Estimasi data panel dapat mengambil heterogenitas

dalam individu secara eksplisit ke dalam model

1000

atau persamaan

2. Memberikan

data

yang

lebih

informatif,

Y

variabilitas, serta collinearity

yang lemah antar

500

variabel.

3. Sesuai untuk

mempelajari dinamika

perubahan

0

(dynamics of change) kebebasan lebih banyak dan

1935

1940

1945

1950

1955

efisien.

Time

4. Dapat memperkaya analisis empiris dengan cara-

GE

GM

US

WEST

cara yang tidak mungkin menggunakan data time-

series atau cross-section

14/06/2012


7

14/06/2012


8




Baltagi (1982) memformulasikan model umum persamaan regresi panel data sebagai berikut:

yit = + xit + uit

Dimana:

i = 1, 2, , N (Simbol untuk individu, perusahaan, dll cross-section) t = 1, 2, , T (Simbol untuk waktu time-series)

= koefisien slope

= koefisien konstanta

Yit = variabel dependen untuk unit individu ke-i dan unit waktu ke-t Xit = variabel independen untuk unit individu ke-i dan unit waktu ke-t

14/06/2012


9



Sebagian besar aplikasi data panel menggunakan model one-way error component untuk error-nya, dapat dirumuskan sebagai berikut:

uit = i + vit

Dimana i merupakan simbol untuk efek karakteristik individu yang tidak terobservasi (individual-specific effect) dan vit merupakan simbol untuk remainder disturbance.

14/06/2012


10


I.1. Kuadrat Terkecil

(Pooled Least Square)

Pendekatan yang paling sederhana dalam pengolahan data panel adalah dengan menggunakan metode kuadrat terkecil biasa atau sering disebut Pooled Least Square (PLS) yang diterapkan dalam data yang berbentuk pool

Yit = + Xit + it untuk i = 1, 2, . . . , N dan t = 1, 2, . . ., T

Yi1 = + Xi1 + i1

untuk i =

1, 2, . . . , N

14/06/2012


11




. reg y x2 x3

Source |

SS

df

MS

Number of obs =

80

-------------+

------------------------------4849457.37

2

2424728.69

F( 2,

77)

=

119.63

Model |

R-squared

=

0.7565

Residual |

1560689.67

77

20268.697

-------------+------------------------------

6410147.04

79

81141.1018

Adj R-squared

=

0.7502

Total |

Root MSE

=

142.37

------------------------------------------------------------------------------

y |

Coef.

Std. Err.

t

P>|t|

[95% Conf. Interval]

-------------x2

+

----------------------------------------------------------------.1100955

.0137297

8.02

0.000

.0827563

.1374348

|

x3

|

.3033932

.0492957

6.15

0.000

.2052328

.4015535

_cons |

-63.30413

29.6142

-2.14

0.036

-122.2735

-4.334734

------------------------------------------------------------------------------

14/06/2012


12



2



Kritikan oleh Gujarati (2003) bahwa metode PLS menawarkan kemudahan, tetapi model dapat mendistorsi gambaran yang sebenarnya dari hubungan antara Y dan X di observasi tersebut.

Apa yang perlu lakukan adalah menemukan beberapa cara untuk mempertimbangkan sifat spesifik (karakteristik) dari setiap individu.

14/06/2012


13


14/06/2012

I. 2. Efek Tetap (Fixed Effect)

Intercept mungkin berbeda antar individu, namun intercept setiap individu tersebut tidak bervariasi sepanjang waktu (time invariant)

Yit = i + 1 X1it +2 X2it + eit

Intercept sebagai it, ini berarti intercept setiap individu adalah time variant. Selain itu, seperti terlihat pada persamaan diatas, FEM mengasumsikan bahwa koefisien dari regresor tidak bervariasi baik antar waktu maupun antar individu.

14/06/2012


14



Pendekatan dengan memasukkan variabel boneka sebagai salah satu cara dalam menerapkan model efek tetap (fixed effect) atau Least Square Dummy Variable (LSDV)

atau disebut juga Covariance Model

14/06/2012


15



Yang harus di perhatikan pada penggunaan model efek tetap (LSDV) Gujarati (2003):

Jika menggunakan variabel dummy terlalu banyak, dapat mengurangi degrees of freedom.

Dengan begitu banyak variabel dalam model, selalu ada kemungkinan multikolinearitas, yang mungkin membuat perkiraan sulit tepat dari satu atau lebih parameter.

14/06/2012


16



Misalkan di FEM juga meliputi variabel seperti jenis kelamin, warna, dan etnis yang time-invariant (karena seks, warna individu, atau etnis tidak berubah dari waktu ke waktu), pendekatan LSDV tidak dapat mengestimasi persamaan FEM tersebut.

Hal ini dikarenakan LSDV tidak dapat mengidentifikasi dampak variabel time-invariant.

Penulis harus berpikir hati-hati tentang error term (uit).

14/06/2012


17



. xtreg y x2 x3, fe

Fixed-effects (within) regression

Number of obs

=

80

Group variable: individu

Number of groups

=

4

R-sq: within

= 0.8068

Obs per group: min =

20

between

= 0.7304

avg =

20.0

overall

= 0.7554

max =

20

corr(u_i, Xb)

= -0.1001

F(2,74)

=

154.53

Prob > F

=

0.0000

------------------------------------------------------------------------------

y |

Coef.

Std. Err.

t

P>|t|


-------------x2

+

----------------------------------------------------------------.1079481

.0175089

6.17

0.000

.0730608

.1428354

|

x3

|

.3461617

.0266645

12.98

0.000

.2930315

.3992918

_cons |

-73.84946

37.52291

-1.97

0.053

-148.6155

.9165759

-------------

+----------------------------------------------------------------

139.05116

sigma _u |

sigma _e |

75.288894

(fraction of variance due to u_i)

rho |

.77329633

------------------------------------------------------------------------------

F test that all u_i=0:

F(3, 74) =

67.11

Prob > F = 0.0000

14/06/2012


18



3

I. 3. Efek Acak (Random Effect)

Menurut Gujarati (2003), jika dummy variables adalah untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya, dapat menggunakan disturbance term untuk merepresentasikan ketidaktahuan tentang model yang sebenarnya.

Hal ini dikenal sebagai model efek acak (random effect model atau REM).

14/06/2012


19


14/06/2012


Ide dasar Random Effect (REM) dapat dimulai dari persamaan berikut ini:

Yit = i + 1 X1it +2 X2it + uit

Assume i fixed konstanta adalah variabel acak dengan nilai rata-rata .

Nilai konstanta untuk masing-masing unit cross-section dapat dituliskan sebagai berikut:

i = + ii = 1, 2, ..., N

dimana i adalah random error term dengan nilai rata-rata adalah nol dan variasi adalah 2 (konstan)

14/06/2012


20



Secara esensial, semua individu yang masuk ke dalam sampel diambil dari populasi yang lebih besar dan mereka memiliki nilai rata-rata yang sama untuk intercept () dan perbedaan individual dalam nilai intercept setiap individu akan direfleksikan dalam error term ( ui).

Dengan demikian persamaan REM awal dapat dituliskan kembali menjadi:

Yit = i + 1

X1it +2 X2it + i+ uit

Yit = i + 1 X1it +2 X2it + wit

Dimana

wit = i + uit

14/06/2012


21



Asumsi REM, Gujarati (2003):

i~N (0, 2 )

uit ~N (0, 2u)

E( i, uit) = 0 E( i j) (i j)

E(uit uis) = E(uit ujt) = E(uit ujs) = 0 (i j ; t s)

Individual error components tidak berkoleralasi dengan individu lainnya Tidak ada autocorrelated across individu (unit) antara cross-section dan time-series.

14/06/2012


22



. xtreg

y x2 x3

Random-effects

GLS regression

Number of obs

=

80


Number of groups

=

4

R-sq:

within

= 0.8068


20

between

= 0.7303

avg =

20.0

overall

= 0.7554

max =

20

Random effects

u_i ~ Gaussian

Wald chi2(2)

=

317.79

corr(u_i, X)

= 0 (assumed)

Prob > chi2

=

0.0000

------------------------------------------------------------------------------

y |

Coef.

Std. Err.

z

P>|z|


-------------x2

+

----------------------------------------------------------------.1076555

.0168169

6.40

0.000

.0746949

.140616

|

x3

|

.3457104

.0265451

13.02

0.000

.2936829

.3977378

_cons |

-73.03529

83.94957

-0.87

0.384

-237.5734

91.50284

-------------

+----------------------------------------------------------------

sigma_u |

75.288894

sigma_e |


rho |

.80332024


------------------------------------------------------------------------------

14/06/2012


23

Ringkasan: FE, RE, dan OLS

Untuk membandingkan ketiganya, terlebih dulu menyimpan hasil regresi masing-masing metode dengan command : estimates store (nama)

. estimates store fe

. estimates store re

. estimates store ols

. estimates table fe re ols, star stats(N r2 r2_a)

--------------------------------------------------------------

Variable |

fe

re

ols

-------------x2

+

------------------------------------------------.10794807***

.10765546***

.11009554***

|

x3

|

.34616168***

.34571038***

.30339316***

_cons | -73.849456

-73.035291

-63.304134*

-------------

+------------------------------------------------

80

80

80

N |

r2

|

.80681613

.75652826

r2_a |

.79376317

.75020432

--------------------------------------------------------------

legend:*p|t|


-------------

+----------------------------------------------------------------

.1079481

.0175089

6.17

0.000

.0730608

.1428354

x2 |

x3 |

.3461617

.0266645

12.98

0.000

.2930315

.3992918

_cons |

-73.84946

37.52291

-1.97

0.053

-148.6155

.9165759

-------------

+----------------------------------------------------------------

139.05116

sigma_u |

sigma_e |

75.288894


rho |

.77329633


F(3, 74) =

67.11

Prob > F = 0.0000

14/06/2012


29

II. 2. Fixed Effect VS Random

Effect

Hal yang perlu diperhatikan:

Asumsi yang dibuat tentang korelasi antara cross-section error component (ui) dan regressor X

Jika diasumsikan bahwa ui dan regresor X adalah uncorrelated, maka REM lebih tepat.

sampel penelitian

REM mengasumsikan bahwa ui adalah error yang diambil secara random dari populasi yang jauh lebih besar, tetapi seringkali hal ini tidak

dapat dipenuhi.

14/06/2012


30



5

II. 2. Fixed Effect VS Random Effect

Gujarati (2003) menyatakan terdapat beberapa pertimbangan teknis dan empiris yang dapat dijadikan panduan untuk memilih antara fixed effect atau random effect yaitu:

Bila T (jumlah unit time-series) besar sedangkan N (jumlah unit cross-section) kecil, maka hasil FEM dan REM tidak jauh berbeda. Dalam hal ini pilihan umumnya akan didasarkan pada kenyamanan penghitungan,

yaitu FEM.

14/06/2012


31


14/06/2012


Effect

Bila N besar dan T kecil, maka hasil estimasi kedua pendekatan dapat berbeda secara

signifikan. Jadi, apabila meyakini bahwa unit cross-section yang pilih dalam penelitian diambil secara aca k (random) maka REM harus digunakan. Sebaliknya, apabila meyakini bahwa unit cross-section yang pilih dalam penelitian tidak diambil secara acak maka harus menggunakan FEM.

14/06/2012


32



Effect

Apabila cross-section error component (i) berkorelasi dengan variabel bebas X maka parameter yang diperoleh dengan REM akan bias sementara parameter yang diperoleh dengan FEM tidak bias.

Apabila N besar dan T kecil, dan apabila asumsi yang mendasari REM dapat terpenuhi, maka REM lebih efisien dibandingkan FEM.

14/06/2012


33



Effect

FEM: setiap unit cross-section memiliki nilai intercept tersendiri yang fixed. REM: intercept merepresentasikan nilai rata-rata dari seluruh cross-sectional intercept dan error components (ui) merepresentasikan deviasi acak intercept individu dari nilai intercept rata-rata. Perlu untuk diingat bahwa ui tidak secara langsung diobservasi, ui adalah unobservable variable.

14/06/2012


34



Effect

Katagori

FE

RE

Functional form

Intercepts

Bervariasi antar individu

Konstan

dan/atau waktu

Error variance

Konstan

Bervarisasi antar individu atau

waktu

Slopes

Konstan

Konstan

Estimation

LSDV, within effect method

GLS, FGLS

Hypothesis test

Incremental F test

BG LM test

14/06/2012


35


II. 2. Fixed Effect VS Random Effect: Hausman test

Hipotesis:

H0: Random Effects Model H1: Fixed Effects Model

Menggunakan nilai distribusi Chi-Square Statistics (2) dengan dirumuskan sebagai berikut:

H = (c e) (Vc- Vc)-1 (c e)

Dimana :

c = Koefisien vektor dari estimator konsisten

e = Koefisien vektor dari estimator effisien

Vc = Kovarian matrix pada estimator konsisten

Vc = Kovarian matrix pada estimator effisien

14/06/2012


36



6

II. 2. Fixed Effect VS Random Effect: Hausman test

Kriteria penolakan H0:

Tolak H0 jika nilai Chi-Square Statistics (2) hitung > Chi-Square Statistics (2) tabel, atau

Nilai Prob Chi-Square Statistics (2)

< (Nilai

= 1 persen, 5 persen, atau 10 persen).

14/06/2012


37


14/06/2012


Effect: Hausman test

. quietly xtreg y

x2

x3, fe

. estimates store

fe

x3, re

. quietly xtreg y

x2

. estimates store

re

. hausman fe re

|

---- Coefficients ----

(b-B)

sqrt(diag(V_b-V_B))

(b)

(B)

|

fe

re

Difference

S.E.

-------------+----------------------------------------------------------------

.1079481

.1076555

.0002926

.0048738

x2 |

x3 |

.3461617

.3457104

.0004513

.0025204

------------------------------------------------------------------------------

b = consistent under Ho and Ha; obtained from xtreg B = inconsistent under Ha, efficient under Ho; obtained from xtreg

Test: Ho: difference in coefficients not systematic

chi2(2) = (b-B)'[(V_b-V_B)^(-1)](b-B)

0.07

0.

14/06/2012


38


II. 3. Pooled Least Square VS

Random Effect

Awal mulanya dengan model panel data seperti ini:

yit = + xit + uit

Dilakukan estimasi dengan menggunakan PLS model, lalu menghitung nilai Langarange Multiplier Test (LM)

Sedangkan nilai A1 didapat dari rumus berikut:

14/06/2012


39



Random Effect

Langarange Multiplier Test (LM Test) oleh Brusch

dan Pagan (1980)

Hipotesis:

H0: Pooled Least Square Model

H1: Random Effects Model

Menggunakan nilai distribusi Chi-Square Statistics (2)

Kriteria penolakan H0:

Tolak H0 jika nilai Chi-Square Statistics (2) hitung >Chi-Square Statistics (2) tabel, atau

Nilai Prob Chi-Square Statistics (2) < (Nilai = 1 persen, 5 persen, atau 10 persen)

14/06/2012


40



Random Effect

Lakukan pengujian LM test tepat setelah melakukan estimasi dengan REM

. xtreg y x2 x3, re

. xttest0

Breusch and Pagan Lagrangian multiplier test for random effects

y[individu,t] = Xb + u[individu] + e[individu,t]

Estimated results:

Var

sd = sqrt(Var)

|

---------+

-----------------------------81141.1

284.8528

y |

e |

5668.418

75.28889

u |

23152.13

152.1582

Test: Var(u) = 0

chi2(1) =

379.08

>chi2 =

0.

14/06/2012


41


III. Teori Evaluasi Hasil Regresi

Mengapa penting???

Agar koefisien yang didapatkan efisien serta unbiased.

Oleh karena itu kriteria teori, kriteria statistik, dan kriteria

ekonometrika harus dilakukan.

Menurut Baltagi (1981), dasar pembentukkan model panel masih menggunakan Least Square. Oleh karena itu, dalam mengevaluasi hasil model persamaan simultan-panel dapat dilakukan melalui pendekatan

Least Square.

Khusus Random Effects Model (REM) metode yang dipakai adalah GLS regression. Jadi tidak perlu lagi untuk melakukan pengujian Heteroskedastisitas dan Autokolerasi

14/06/2012


42



7

III.1. Kriteria Ekonomi atau Teori

Dapat dilihat dari beberapa indikator:

Slope

Arah

Signifikansi

Apakah sudah sesuai dengan teori?

Tidak? ada kemungkinan data, variabel, dan spesifikasi model yang digunakan dalam regresi salah.

14/06/2012


43


14/06/2012

III.2. Kriteria Statistik

A. Uji signifikansi serentak (F-Test)

Uji ini untuk melihat secara global, apakah semua variable independent secara bersama-sama mempengaruhi variable dependent.

Hipotesis:

H0 : 0 = 1 = 2 = 3 = 4 = .. = k = 0

H1 : 0 1 2 3 4 .. = k 0

Hipotesis nol akan ditolak jika nilai F-statistik > nilai F tabel atau bila (Prob > F) F) = 0 berarti (Prob > F) |t|) nilai kritis t-tabel.

14/06/2012


45



C. Uji Goodness of Fit.

Untuk mengukur seberapa besar variasi dari nilai variabel dependen dapat dijelaskan oleh variasi nilai dari variabel independen.

Caranya? Lihat R-squared dari hasil regresi estimasi.

14/06/2012


46



. xtreg

y x2

x3, fe

Fixed-effects

(within) regression

Number of obs

=

80


Number of groups

=

4

R-sq:

within

= 0.8068


20

between

= 0.7304

avg =

20.0

overall

= 0.7554

max =

20

corr(u_i, Xb)

= -0.1001

F(2,74)

=

154.53

Prob > F

=

0.0000

------------------------------------------------------------------------------

y |

Coef.

Std. Err.

t

P>|t|


-------------x2

+

----------------------------------------------------------------.1079481

.0175089

6.17

0.000

.0730608

.1428354

|

x3

|

.3461617

.0266645

12.98

0.000

.2930315

.3992918

_cons |

-73.84946

37.52291

-1.97

0.053

-148.6155

.9165759

-------------

+----------------------------------------------------------------

139.05116

sigma _ u |

sigma _ e |

75.288894


rho |

.77329633

------------------------------------------------------------------------------


F(3,akbarsuwardi.blogspot.com74)=67.11 ||

Prob > F = 0.0000

14/06/2012


47

III.3. Kriteria Ekonometrika

1. Bebas dari Multikolinearitas

Yaitu kondisi antar variabel independen memiliki hubungan yang lebih dari rule of thumb.

Meskipun

hasil

masih BLUE, namun

memiliki

variasi dan kovariasi yang besar

sehingga

membuat

nilai dari estimasi sulit

untuk sangat tepat

Cara Deteksi: Tolerance and variance inflation factor (VIF) dan Tes partial correlations Mengatasi: Transformasi, tambah variabel,

tambah data

14/06/2012


48



8


. corr y x2

x3

(obs=80)

|

y

x2

x3

-------------

+---------------------------

y

|

1.0000

1.0000

x2

|

0.7980

1.0000

x3

|

0.7438

0.5783

Diindikasikan multikolinearitas tinggi jika nilainya lebih dari 0.75

14/06/2012


49


14/06/2012


VIF dilakukan setelah melakukan regresi dengan PLS

. reg y x2 x3

. vif

Variable |

VIF

1/VIF

-------------x2

+

----------------------1.50

0.665623

|

x3

|

1.50

0.665623

-------------

+----------------------

1.50

MeanVIF |

Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10

14/06/2012


50



VIF dilakukan setelah melakukan regresi dengan FE atau RE

. xreg y x2 x3, fe

. vif, uncentered

Variable |

VIF

1/VIF

-------------x2

+

-----------2.74

----------0.365614

|

x3

|

2.74

0.365614

-------------

+

----------------------2.74

MeanVIF |

Diindikasikan multikolinearitas tinggi jika nilai VIF lebih dari 10

14/06/2012


51



2. Bebas dari Heteroskedastisitas

Salah satu asumsi yang sangat penting pada

Ordinary Least Square (OLS) adalah nilai error (ui) homoskedastisitas.

Ketika terjadi heteroskedastisitas estimasi OLS akan unbiased karena hasil estimator akan mempunyai pergerakan error yang berpola. Karena estimasi yang dibuat oleh OLS tersebut tidak lagi memiliki variasi minimum dan efisien maka tidak lagi BLUE.

Cara Deteksi: Modified Wald test Mengatasi: General Least Square (GLS) dan Robust.

14/06/2012


52



Uji heterokedastisitas hanya dilakukan ketika menggunakan estimasi FE dan PLS

Hipotesis:

H0 : Homoskedastis

H1 : Heteroskedastis

Hipotesis nol akan ditolak bila (Prob>chi2) nilai kritis t-tabel.

14/06/2012


53



. xtreg y x2 x3, fe

. xttest3

Modified Wald test for groupwise heteroskedasticity

in fixed effect regression model

H0: sigma(i)^2 = sigma^2 for all i

chi2 (4) =

240.33

=

0.

14/06/2012


54



9

akbarsuwardi.blogspot.com || scibd.com/akbar_suwardi


3. Bebas dari Autokorelasi

Keadaan dimana terjadi korelasi error antar periode waktu.

Greene (2000) : walaupun adanya autokorelasi bisa membuat linear, unbiased, asymptotically normal distrubusted (pada data besar), tetapi tidak lagi memilki variasi minimum

Autokorelasi akan membuat model jadi tidak BLUE, sehingga biasanya nilai t, F, dan chai-squre (X2) tidak lagi valid

Autokorelasi terjadi di data panel dengan data waktu yang panjang

Cara Deteksi: serial correlation in the idiosyncratic errors of a linear panel-data model

Mengatasi: General Least Square (GLS), First difference dan

robust.

14/06/201255

14/06/2012


Uji serial correlation in the idiosyncratic errors of a linear panel-data model oleh Wooldridge (2002).

Hipotesis:

H0 : No autokorelasi

H1 : Autokorelasi

Hipotesis nol akan ditolak bila (Prob>chi2) nilai kritis t-tabel.




. xtreg y x2 x3, fe

. xtserial y x2 x3

Wooldridge test for autocorrelation in panel data

H0: no first-order autocorrelation

F( 1,

3) =

1300.479

> F =

0.

14/06/2012


57


Selesai

Terimakasih

[email protected]

akbarsuwardi.blogspot.com scribd.com/akbar_suwardi


10

Documents

Data Panel-teori Dan Aplikasi Di Stata 2012