Analisis Regresi Data Panel

Bismillahirrahmanirrahim. Assalamualaikum warahmatullahi wabarakatuh. Kembali bertemu dengan saya. Kita sama-sama belajar untuk mengenal atau memahami tentang analisis regresi data panel, konsep analisis dengan if-use, dan interpretasi output. Sebelumnya kita mengenal dulu konsep regresi data panel. Apa itu regresi data panel? Secara sederhana, regresi data panel dapat diartikan sebagai metode regresi yang digunakan pada penelitian yang bersifat panel. Regresi data panel merupakan pengembangan dari regresi linier dengan metode Ordinary Least Square OLS yang memiliki kehususan dari segi jenis data dan tujuan analisis datanya. Dari segi jenis data, regresi data panel memiliki karakteristik data yang sifatnya cross-section dan time series. Sedangkan dilihat dari tujuan analisis data, data panel berguna untuk melihat perbedaan karakteristik antar setiap individu dalam beberapa periode pada objek penelitian. Terdapat beberapa tahapan dalam analisis regresi data panel, yaitu pemilihan model regresi, pengujian asumsi klasik, uji kelayakan model, dan interpretasi model. Selain itu, terdapat juga tiga teknik yang ditawarkan dalam regresi data panel yaitu common effect, fixed effect, dan... random effect. Kapan regresi data panel digunakan? Teknik analisis data untuk memecahkan masalah penelitian memang perlu memiliki dasar sebelum dipilih. Teknik analisis regresi data panel tepat digunakan jika data penelitiannya bersifat panel. Secara konsep, berdasarkan dimensi waktunya time horizon, jenis data terbagi menjadi tiga yaitu cross-section, time series, dan panel. Jadi dengan demikian. Penting bagi peneliti untuk mengetahui perbedaan di antara ketiganya, sehingga jika data penelitian kita bersifat panel, maka akan lebih tepat menggunakan metode regresi data panel sebagai teknik analisis datanya. Selain itu, jika penelitian kita memiliki masalah dalam hal uji asumsi klasik, maka regresi data panel juga dapat menjadi alternatif karena menawarkan berbagai macam estimasi model. Data cross-section Contohnya di sini merupakan data yang dikumpulkan dalam satu periode waktu. Contohnya seperti data penjualan beberapa perusahaan pada tahun 2020 seperti ini. Ada PTA, PTB, dan PTC dengan penjualan di tahun 2020 pada masing-masing PT. Data time series merupakan data yang bentuknya bersifat periodik misalnya bulan atau tahun. Contohnya seperti data penjualan PTA selama tahun 2018 hingga 2020 seperti ini. Tahunnya berurutan, inilah yang disebut data time series dari satu objek yaitu penjualan PTA. Selanjutnya ada data panel. Data panel merupakan penggabungan data yang bersifat cross-section dan time series. Contoh, data penjualan beberapa perusahaan dan pada tahun 2018 hingga 2020. Yang merupakan data cross-sectionnya adalah perusahaan yang berbeda, PTA dan PTB, dan... yang merupakan data time seriesnya adalah periodenya dari 2016, 2017, sampai 2018 ini. Estimasi model regresi. Model persamaan data panel yang merupakan gabungan dari data cross section dan data time series dapat dituliskan sebagai berikut, YIT sama dengan alpha plus beta 1 X1IT plus beta 2 X2IT plus dan seterusnya hingga beta M X NIT plus EIT, di mana YIT adalah variable terikat, XIT itu variable bebasnya, T merupakan periode ke T, I merupakan entitas ke I, Alpha adalah simbol dari konstanta, dan E adalah variable di luar model. Estimasi modal regresi data panel bertujuan untuk memprediksi parameter modal regresi, yaitu berupa nilai intercept atau konstanta, atau disimbolkan Alpha. dan slope atau coefficient regression yang disimbolkan beta. Dalam literatur, konstanta juga bisa disimbolkan huruf A biasa, A latin, dan coefficient regression atau slope itu disimbolkan B biasa, B latin. Penggunaan data panel dalam regresi akan menghasilkan intercept dan slope yang berbeda pada setiap perusahaan dan setiap periode waktu. Demikian beberapa teori. Kemudian tahapan regresi data panel. Yang biasanya dilakukan pada regresi data panel itu meliputi 5 tahapan seperti ini. Satu, tahapan estimasi model regresi data panel, di mana akan menghasilkan common effect model, atau disingkat CHAMP, fixed effect model, disingkat FEM. Random Effect Model, disingkat REM. Kemudian tahapan kedua, teknik dalam memilih dari ketiga model ini, yaitu memilih model regresi melalui tiga pengujian, uji Chou, uji Hausman, uji Legring Multi-Flyer. Selanjutnya, tahapan ketiga dari model regresi data panel adalah uji asumsi klasik, meliputi uji normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi. Dan tahapan keempat, yaitu melakukan uji kelayakan model negresi atau goodness of fit, meliputi analisis koefisien determinasi R² atau adjust R², kemudian uji hipotesis meliputi uji koefisien negresi modelnya secara simultan atau uji F, dan uji koefisien negresi variable bebas secara parsial atau uji T. Dan tahapan terakhir dalam model regresi data panel adalah interpretasi daripada model regresi. Demikian, saya sudah menyiapkan contoh kasus penelitian yang menggunakan analisis regresi data panel, yaitu tentang pengaruh indeks pembangunan manusia IPM dan pertumbuhan ekonomi PDRB terhadap tingkat kemiskinan di Kabupaten Kota Provinsi Sumatera Selatan tahun 2015 hingga 2019. Di sini ada data di mana Provinsi Sumatera Selatan terdiri dari 17 kabupaten dan kota yang merupakan data cross-sectionnya. Dan tahun penelitiannya yaitu 2015 hingga 2019 selama 5 tahun ini merupakan data time seriesnya. Selanjutnya nanti tingkat kemiskinan sebagai variable terikat itu kita simbolkan Y. Kita tuliskan pada pengolahan data Y. Lalu pada variable bebas yang pertama yaitu X1 kita tuliskan. Dan pada variable bebas yang ketua, pertumbuhan ekonomi, itu kita tuliskan simbol X2. Dengan tingkat alpha penelitian sebesar 5% atau tarap signifikansi penelitiannya. Kemudian pengujian hipotesis melalui dua sisi atau two tail. Data sudah saya siapkan di sini untuk kita olah atau praktekkan bersama. Baik, kita akan mencoba mempraktekkan regresi data panel terlebih dahulu secara singkat untuk menghasilkan output-output yang kita perlukan yang nantinya akan kita interpretasikan bersama. Untuk mengolah data menggunakan E-Views, tentu saja kita harus memiliki program E-Views pada komputer yang telah kita instalkan program E-Views. kita buka program E-views disini sudah saya sudah menyiapkan E-views tapi E-views yang saya miliki adalah E-views versi 8 ya kita buka nah kita terbuka jendela lembar kerja E-views untuk menginput data Karena data sudah kita siapkan dan sebelumnya data kita pastikan kita siapkan atau kita ketik sudah dalam bentuk file MS Excel pada program Excel. Jadi saya sudah menyiapkan data daripada pengaruh pertumbuhan, apa pengaruh daripada IPM dan pertumbuhan ekonomi terhadap tingkat kemiskinan tadi dalam bentuk Excel ya. Pastikan kita menyimpan data dalam bentuk file Excel. Lalu kita lakukan. Mulai untuk meng-input data sekaligus langsung mengolah dan menghasilkan outputnya. Klik menu file. Kita ambil cara singkat. Klik menu open. Lalu pilih foreign data as work file. Lalu kita cari lokasi tempat kita menyimpan data dalam bentuk Excel. Nah, di sini saya sudah menyiapkan. yaitu data IPM PDRB tingkat kemiskinan 2015-2019, yaitu Excel. Klik open, lagi ini tampil kotak dialog Excel seperti ini. Langkah pertama kita lihat reviewnya, ada kompeten kota tahun YX1, X2. Klik next, selanjutnya tampilan kolom info dan seterusnya ini dengan reviewnya. Selanjutnya kita klik next kembali dan langkah terakhir kita lihat kita pastikan basic structure-nya tetap pada berada date panel. Dengan cross section atau data cross section ID series-nya adalah berupa kabupaten kota. Benar. Dan data time series atau date seriesnya berupa tahun. Benar. Jadi kita klik finish. Sehingga tampil jendela kerja work file. Di mana kita sudah memiliki data-data yang sudah kita import dari file Excel tadi. Yaitu berupa data kabupaten kota. Coba kita buka. Ada data kabupaten kotanya. Tutup. Kemudian data tahun kita buka. Coba. Nah. Kita pastikan datanya juga ada, tahun. Kemudian data X1 kita buka, pastikan datanya juga ada. Data variable X2 atau pertumbuhan ekonomi kita juga sudah miliki. Dan data Y atau variable terikatnya yaitu tingkat kemiskinan. Ya, sudah lengkap. Setelah lengkap data yang sudah kita masukkan benar, kita langsung melakukan pengolahan data. Langkah pertama yaitu estimasi model regresi yang akan menghasilkan 3 model regresi yaitu common effect model atau CHAM, fixed effect model atau FRAM, dan random effect model atau RAM. Pertama kita akan menghasilkan model common effect model atau CHAM dengan cara klik menu quick. Lalu pilih estimate equation. Lalu pada kotak dialog equation estimation pada kotak pengisian equation specification, kita ketik untuk persamaan Y, C, Y spasi, jangan lupa, C spasi, X1 variable bus pertama, dan spasi X2 untuk variable bus kedua. Jadi pastikan dalam menuliskan... equation specification, spesifikasi persamaannya, Y ini variable terikat, spasi, kemudian C ini adalah konstanta, lalu spasi, X1 adalah variable terikat yang pertama, spasi, langsung X2. Dan setelah itu kita pilih, klik panel option, sehubungan kita akan melakukan mengestimasi time pada cross section kita tidak ubah. tetap berada pada pilihan none. Nah, kita klik OK. Dan ini menghasilkan model yang disebut common effect model. Kita namakan output daripada model ini. Klik name. Lalu pada kota name to identify object kita namakan ini kreativitas dalam penamaannya. Model underscore CHAMP. Untuk penamaan itu tergantung peneliti mau menamakan apa untuk mempermudah untuk mengingat. Klik OK sehingga model CHAMP sudah tersimpan pada jendela work file. Jadi di sini kita lihat sudah ada model CHAMP. Kita tutup jendela yang terbuka ini, model CHAMP. Kita mengestimasi model berikutnya yaitu model FEM atau Fixed Effect Model dengan cara yang sama. Klik menu Quick, lalu... Pilih estimate equation. Pada kotak dialog equation specification, dengan cara yang sama kita ketik persamaan Y C X1 X2. Dengan cara yang sama seperti kita menghasilkan mengestimasi model CEM. Selanjutnya, yang membedakan adalah kita klik menu panel options. Pada pilihan cross section, pada effect specification kita pilih fix untuk bertujuan menghasilkan fix effect model klik ok tinggal tampil output fix effect model kita namakan juga klik menu name kita namakan model underscore frame fix effect model ok Sehingga pada jendela work file, if use juga tersimpan model VAM. Tutup, lebih dahulu. Selanjutnya satu lagi model, random event model kita dengan cara yang sama seperti sebelumnya. Kita klik menu quick, lalu pilih estimate equation. Dan pada kotak dialog specification, equation specification ini dengan cara yang sama. Bersamaannya kita ketik Y, spasi, D, spasi. X1 spasi X2. Dan jangan lupa kita klik menu panel options. Pilih pada cross section yaitu pilihan random. Untuk menghasilkan random event model. Klik menu OK. Tampil output random event model seperti ini. Klik menu name untuk kita simpan. Dengan ketik model underscore RAM. Oke. Sehingga model RAM juga tersimpan pada jendela work file. Tutup. Setelah 3 model kita dapatkan, kita hasilkan. sudah kita estimasi tiga model ini, kita akan memilih mana di antara ketiga model, yaitu CHEM, FEM, dan REM ini, yang terbaik atau dijadikan sebagai alat analisis penelitian kita. Pertama, untuk pengujian, kita melakukan uji co. Untuk pemilihan model terbaik, yaitu melakukan uji co. Untuk melakukan uji co, yaitu membandingkan antara model common effect model dengan Fixed Effect Model, kita harus membuka output model FEM atau Fixed Effect Model terlebih dahulu. Kita buka. Setelah jendela output daripada model Fixed Effect Model ini terbuka, kita klik menu View. Lalu pilih Fixed Random Effect Testing. Untuk uji cow, kita pilih menu Redundant Fixed Effect. likelihood ratio ini. Uji cow juga dikenal dengan nama uji app statistik. Nah ini tampilan uji cow atau uji app statistik. Kita simpan dulu dengan cara yang sedikit berbeda dibandingkan menyimpan model yaitu klik menu freeze lalu pada kita klik name kita simpan dulu uji cow. Uji underscore cow. Quick OK. Sehingga pada general work file tersimpan hasil uji cow. Kita tutup hasil uji cow yang ada. Kita lanjutkan dengan uji Hausman. Untuk uji Hausman, yaitu membandingkan antara model fix effect dengan random effect. maka kita harus terlebih dahulu membuka model random effect tentang uji cow kriteria-kriterianya atau hasilnya nanti kita jelaskan ya setelah output selesai. Nah, setelah terbuka kotak dialog atau output daripada model random effect model, kita melakukan uji Hausman dengan cara klik menu view, lalu pilih fix random effect testing, dan klik atau pilih daripada menu correlate random effect Hausman test. Jadi kita melakukan uji Hausman. Klik dan terbuka output daripada uji Hausman seperti ini. Kita simpan terlebih dahulu. Klik menu freeze. Lalu klik menu name. Kita namakan uji underscore Hausman. Oke. Tutup output yang ada. Satu lagi adalah kita melakukan uji LM untuk memilih di antara model common effect atau model random effect yang terbaik. Di antara common effect dan random effect mana yang terbaik. Untuk menguji LM kita perlu membuka atau menampilkan output common effect model. Kita buka model CHAMP atau common effect. Tetapi pada versi E-Views 8 itu tidak tersedia untuk uji LM dari menu View. Di sini pada E-Views 8 hanya tersedia untuk uji Co dan uji Haussmann. Bagaimana untuk menguji LM pada program E-Views 8? Yaitu dengan alternatif setelah terbuka output model CHAM atau Common Effect Model, kita klik menu Add-ins. Pastikan... ada add-in tambahan yaitu brush bagian random effect lm test untuk uji lm dengan program E-views 8 karena uji lm ini biasanya terdapat pada versi E-views 9 ke atas jadi E-views 8 belum ada tersedia langsung di menu view menu view fix random effect testing ini belum tersedia tapi pada versi E-views 9 ke atas sudah tersedia tiga pengujian ya Uji cow, uji houseman, dan satu lagi ada di sini uji LM sebenarnya. Sekali lagi untuk EFUSE versi 9 ke atas. Nah di EFUSE 8 ini. Untuk ULJI LM. Sekali lagi. Dengan klik menu add-ins. Saya ulangi. Lalu pastikan sudah terinstall. Add-in Bruce Pagan Random Effect LM Test. Jika belum terinstall. Anda bisa klik menu download add-ins. Kalau belum ada pilihan ini. Bagi yang menggunakan EFUSE 8. Jadi karena saya sudah menginstallnya. dan sudah tersedia pilihan Brush Pagan Random Effect LM Test, saya buka ini untuk uji LM, yaitu klik menu Brush Pagan Random Effect LM Test. Selanjutnya tersedia pilihan kotak dialog Inclusion and Eclosion of Test. Pilihannya adalah pada centang standar Leggering Multi-Flyer Test. Jadi untuk uji LM, ini pilihannya, standar Leggering Multi-Flyer Test. Klik menu OK. Nah inilah hasil uji LM pada program E-Views 8 ini. Kita simpan terlebih dahulu. Klik menu Freeze. Lalu klik menu Name. Lalu kita namakan uji underscore LM. Klik menu OK. Sehingga tersimpan pada jendela work file uji LM. Hasil uji LM ya. Setelah hasil pengujian-pengujian ini kita dapatkan atau kita peroleh, maka kita harus memutuskan mana model yang terbaik dari ketiga uji yang telah kita lakukan ini. Untuk melihat interpretasinya, kita akan kembali pada materi. Jadi kita sudah, sekali lagi, sudah menghasilkan teknik pengujian, yaitu uji Joe. Coba kita buka lagi hasilnya, sudah ada. Kemudian uji Hausman juga ada, tidak hilang. Dan uji LM juga ada. Nah, untuk menginterpretasikan mana model yang terbaik di antara tiga pengujian ini, dari tiga model yang ditawarkan pada analisis sekresi panel ini, dengan tiga pengujian ini kita kembali melihat materi hasilnya. Karena hasil outputnya sudah saya screenshot. Di sini pada halaman yang ini, saya sudah screenshot hasil output model-model legeregresi data panel meliputi model common effect model yang ini, kemudian fixed effect model yang di tengah ini, dan random effect model yang sebelah kanan ini. Di sini kita bisa lihat ya pada masing-masing model ya di atasnya ini sebelumnya. Kita lihat defendant variable-nya Y. Dalam hal ini Y ini yang kita ingatkan bahwa Y adalah tingkat kemiskinan pada penelitian ini. Kemudian metode untuk common effect model CHEM ini adalah berupa panelless squares atau OLS ya. Metode PLS. Kemudian periode. atau waktunya, sample 2015 hingga 2019, jadi periodenya 5 tahun, periods include, lalu data cross-sectionnya atau kabupaten-kotanya include 17 kabupaten-kota, dengan total panel data, balance datanya, total observasinya adalah 85, hasil kali dari 17 kabupaten-kota dikalikan 5 tahun. Maka menghasilkan observasi sebanyak 85. Sama, setiap model itu keterangan di atasnya adalah sama. Tapi hasilnya berbeda-beda dari setiap model. Nah, ini adalah output yang sudah saya screenshot. Tiga model regresi yang ditawarkan pada analisis regresi data panel. Sekali lagi, ini adalah model. Common effect model, ini adalah fixed effect model, dan ini adalah random effect model. Selanjutnya dari tiga model ini kita akan melihat mana yang terbaik atau yang tepat untuk dipilih sebagai model regresi dan sekaligus alat analisis utama kita dalam penelitian ini. Yaitu dengan pertama melihat hasil uji cow, yaitu disebut dengan kata lain uji statistik app. Di sini sudah saya screenshot hasil uji cow yang telah kita olah bersama tadi. Untuk uji cow Kita perlu membuat hipotesis. Setiap yang namanya uji-uji dalam... Statistik atau Ekonometrika, setiap alat analisis yang disebut uji itu pasti membutuhkan perumusan hipotesis terlebih dahulu. Seperti uji Chow, uji Hausman, uji LM, nanti ada uji asumsi klasik yaitu normalitas, uji multikolineitas, uji heteroskedaksitas, uji autokorelasi, atau uji validitas, uji realitas pada... alat penelitian yang menggunakan kosoner, semuanya membutuhkan yang namanya uji-uji-uji itu adalah terlebih dahulu membuat hipotesis, rumusan hipotesis HO dan HA. Jadi, di sini pada uji cow, kita membuat dulu hipotesis HO-nya. Common effect model atau CHEM lebih tepat dibandingkan fixed effect model. HA, fixed effect model, FEM, lebih tepat dibandingkan common effect model. Perlu diingat, Uji Co itu adalah pengujian untuk menentukan di antara model fixed effect atau common effect yang paling tepat digunakan dalam mengestimasi data panel. Dengan kriteria keputusan, nilai probabilitas F statistik kalau kurang dari batas kritis atau tingkat signifikansi penelitian atau alpha 0,05, maka keputusannya HO ditolak atau tolak HO. Kesimpulannya adalah memilih fixed effect dibandingkan common effect. Lalu kriteria kedua, nilai probabilitas add jika lebih besar dari batas kritis atau tarap signifikansi penelitian atau alpha 0,05, maka HO diterima, terima HO atau kesimpulannya common effect lebih baik daripada fixed effect. Nah, berdasarkan output hasil uji cowok ini dan berdasarkan kriteria yang telah ditentukan, kita bisa melihat Bahwa diperoleh hasil nilai probabilitas F statistiknya pada baris ini ya. Diperhatikan pada probe dalam kurung F statistik ini. Jadi ini nilai signifikansinya daripada nilai F hitungnya. Yaitu sebesar 0,00089 ya. Tentu saja lebih kecil dibandingkan tarap signifikansi alpha 0,05. Maka HO ditolak. Keputusannya... Bahwa fixed effect model atau VEM itu lebih tepat dibandingkan common effect model atau CHEM. Nah, jadi HO ditolak tidak kita ambil kesimpulan HO ini, kita ambil yaitu keputusan HA. Yaitu, sekali lagi, fixed effect model atau VEM lebih tepat dibandingkan common effect model. Demikian, hasil uji cowo menghasilkan pilihan adalah fixed effect model yang terbaik dibandingkan common effect model. Selanjutnya, hasil uji Hausman. Pada uji Hausman, juga sama, uji Hausman perlu kita bikin dulu rumusan hipotesis untuk penentuan keputusannya, yaitu membentuk HO dan HA. HO, Random Effect Model REM lebih tepat dibandingkan Fixed Effect Model VEM, dan HA, Fixed Effect Model atau VEM, lebih tepat dibandingkan Random Effect Model atau REM. Perlu diingat juga, Uji Hausmann adalah pengujian statistik untuk memilih apakah di antara model fixi-pack atau random effect yang paling tepat digunakan. Dengan kriteria keputusan, yaitu nilai C-square hitung lebih besar dari C-square table atau bisa juga menggunakan nilai probabilitas C-square. Jika lebih kecil dari tahap signifikansi atau alpha 0,05, maka tolak HO atau memilih kesimpulannya memilih fixi-pack. daripada random effect. Lalu, jika nilai C2 hitung lebih kecil dari C2 table atau bisa menggunakan nilai probabilitas C2-nya jika lebih besar dari tarap signifikansi atau alfa penelitian 0,05, maka tidak menolak Aho. Dengan kata lain, terima HO atau kesimpulannya memilih random effect daripada fixed effect. Nah, dari hasil screenshot Olahan data kita, uji Hausman. Di sini kita bisa melihat hasil nilai probabilitas dari C-square. Kita perhatikan hasil nilai probabilitas C-square. Ini nilai C-square statistiknya. Dan kita lihat langsung pada nilai prob. Pada kolom prob atau singkatan dari probabilitas. Sebesar 0,2664. Jadi, Diperoleh hasil nilai probabilitas C-square statisnya sebesar 0,2664, yang tentu saja lebih besar dibandingkan tarap signifikansi alfa 0,05. Sehingga keputusannya HO diterima dalam artian random effect model atau REM itu lebih tepat dibandingkan fixed effect model. Jadi keputusannya HO diterima artinya bunyi HO yaitu random effect model lebih tepat dibandingkan fixed effect model yang kita pilih. Demikian hasil uji Haussmann menghasilkan pilihan adalah random effect model. Sehubungan hasil uji COU kita mendapatkan pilihan fix effect model yang terbaik, kemudian uji Hausman yang diperoleh hasil yang terpilih adalah random effect model, belum ada yang menjadi pilihan terbaik karena masing-masing baru diuji satu kali. Sehingga kita perlu melakukan uji ketiga yaitu uji Lagrang Multiplier di mana ini membandingkan antara model common effect dengan random effect model. Tentu saja, kita bikin juga rumusan hipotesis terlebih dahulu. HO, common effect model, REM, lebih tepat dibandingkan random effect model, REM. HA, random effect model, atau REM, lebih tepat dibandingkan common effect model, atau CHEM. Perlu diingat juga, uji LM adalah pengujian statistik memilih apakah di antara model random effect atau common effect yang paling tepat digunakan. Dengan kriteria keputusan, jika nilai probabilitas dari, atau nilai probabilitas bot dari Bruce Fagan, metode Bruce Fagan, itu kurang dari tarap signifikansi, maka tolak HO atau kesimpulannya memilih random effect daripada common effect. Dan jika nilai probabilitas atau bot daripada metode Bruce Fagan, adalah lebih besar dari tarap signifikansi atau alpha, maka terima HO atau kesimpulannya memilih common effect daripada random effect. Dari output yang telah kita screenshot, hasilnya yang sama, ini kita lihat hasil nilai probabilitas pada baris bot, pada kolom bot, ya. Jadi, baik dari sisi cross-section one-side maupun period one-side, dari silang maupun data time seriesnya, kita bisa melihat dari kedua sisi itu, Nilai probabilitas atau signifikansi dari Bruce Fagan pada kolom bot ini, yang ini, itu sebesar 0,0000. Jadi lebih kecil tentu saja dibandingkan tarap signifikansi atau alfa penelitian 0,05. Maka HO ditolak sehingga keputusannya random effect model lebih tepat dibandingkan fixed effect model. Jadi, sekali lagi. Dikarenakan nilai probabilitas dari beruspagan 0,0000 yang lebih kecil dibandingkan terap signifikansi atau alpha penelitian 0,05, maka H.O. ditolak keputusannya bahwa random effect model atau RAM lebih tepat dibandingkan fixed effect model. Demikian, dari hasil 3 pengujian, kita memastikan bahwa pilihan yang terbaik Dari 3 model yang ditawarkan, common effect model, fixed effect model, random effect model, yang terpilih adalah random effect model atau RAM. Kenapa? Dari ketiga pengujian, random effect model itu mendapatkan 2 kali terpilih dari hasil uji Hausman maupun dari hasil uji LM. Dimana pada uji Hausman, random effect lebih baik dibandingkan fixed effect. Dan pada uji LM, Random effect lebih baik daripada model common effect. Sedangkan fixed effect hanya sekali, dimana hanya pada saat uji cowo, fixed effect lebih baik daripada model common effect. Tetapi pada saat uji houseman, fixed effect tidak lebih baik atau dikalahkan, istilah lainnya, dikalahkan oleh model random effect. Artinya random effect model 2 kali, terpilih sebagai model terbaik dari uji Hausmann maupun uji LM sedangkan fix effect hanya 1 kali dari hasil uji Chou. Jadi keputusannya, berdasarkan ketiga punjian, model yang terbaik adalah random effect model. Ini ditampil kembali output daripada random effect model. Di sini kita sudah bisa melihat nilai-nilai koefisien, baik nilai konstanta maupun nilai koefisien regresi atau slope. daripada masing-masing variable bebasnya. Nanti kita akan bikin persamaan atau modal regresinya sekaligus interpretasinya. Tapi sebelum kita menginterpretasikan modal, kita belum langsung menginterpretasikan model karena kita harus melakukan uji asumsi klasik sebagai syarat model regresi atau sebagai syarat model regresi yang memenuhi asumsi blue, base linear, unbase estimator, dan juga uji kelayakan model untuk memastikan model regresi ini memang layak atau tidak digunakan sebagai alat penelitian. Baik, jadi sebelum kita interpretasikan, kita harus pertama melakukan uji asumsi klasik. Uji asumsi klasik yang pertama ini adalah uji normalitas. Baik, untuk uji normalitas kita menggunakan metode Jarkibera. Nah, untuk bagaimana mendapatkan output ini akan saya coba kembali kepada program supaya menghasilkan output seperti ini, yaitu untuk uji normalitas. Kita kembali ke program dulu untuk memastikan output uji normalitas apakah sama dengan yang kita tampilkan di materi. Untuk melakukan pengujian asumsi klasik normalitas, kita harus membuka model regresi yang terbaik atau yang terpilih, yaitu model REM. Karena model REM inilah yang kita gunakan sebagai acuan alat analisis kita, karena sudah terpilih sebagai model yang terbaik. Dan model ini juga yang dilakukan untuk dilakukan uji asumsi klasiknya. Baik, setelah terbuka model regresi random effect model, kita pertama melakukan uji asumsi klasik, yaitu uji normalitas. Dalam hal ini menggunakan metode Jar-Kibera. Setelah terbuka, kita klik menu view, lalu pilih residual diagnostic, dan selanjutnya klik. atau pilih histogram normality test sehingga terbuka output uji normalitas dari modal regresi random effect yang terpilih ini yaitu seperti ini kita simpan terlebih dahulu klik menu freeze lalu klik menu name kita ketik nama objeknya uji underscore normalitas Klik menu OK. Sehingga hasil uji normalitas juga tersimpan di jendela work file. Tutup hasil yang sudah ada ini. Ya, hasilnya kita buka kembali uji normalitas seperti ini. Ini adalah merupakan hasil yang sama seperti yang kita tampilkan di materi tadi. Tapi sebelum kita menginterpretasikan uji asumsi klasik normalitas ini, baiknya kita langsung hasilkan. Uji-uji asumsi klasik berikutnya. Yaitu uji, setelah ini uji multi-kolineritas. Ini kita tutup dulu. Untuk uji multi-kolineritas, tentu saja yang mau kita uji adalah model regresi yang terpilih, yaitu RAM. Kita buka dulu model regresi RAM. Nah, pada saat di sini kita buka, tampilannya adalah hasil uji histogram. Kita untuk melihat output model regresinya, kita klik menu view. Lalu pilih estimation output. Atau bisa juga dengan klik menu estimate ini ya. Ya tidak. Kita pilih menu daripada estimation tadi ya. View estimation output. Ini tampil seperti ini. Ya di sini setelah kita buka model regresi random effect yang telah kita pilih. Dan kita uji dan menghasilkan regresi terbaik ini. Untuk uji multikolonialitas, kita menggunakan metode korelasi berpasangan namanya ya. Metode korelasi berpasangan antar variable bebas. Dengan cara, setelah terbuka model RAM, kita klik menu quick, kemudian group statistic, lalu pilihannya adalah correlation. Pada series list, kita masukkan semua variable bebas yang akan kita uji multico, yaitu ketik X1 spasi X2. Karena yang diminta di sini adalah variable bebas yang akan kita uji. Jadi cukup X1 dan X2. X1 spasi dan X2. Ini untuk mendeteksi apakah di antara variable bebas ini terjadi korelasi yang tinggi. Klik OK. Nah, ini hasil uji multikolinearitas. Sebelum kita interpretasikan, kita simpan dulu. Klik menu freeze, lalu klik menu name. Kita simpan dengan nama uji multikolinearitas. uji underscore multikolinearitas. Baik, klik OK. Tersimpan di general work file. Kita tutup yang ada. Selanjutnya kita lakukan uji heteroskedastisitas. Sebenarnya ketika yang terpilih pada regresi data panel ini adalah random effect model, maka sebenarnya tidak perlu lagi melakukan uji asumsi klasik yaitu uji heteroskedastisitas dan uji autokorelasi. Kenapa? Karena pada random effect model itu sudah menggunakan pendekatan. GLS atau Generalized List Squares atau GLS, di mana metode GLS ini adalah salah satu metode yang otomatis melakukan penyembuhan terhadap masalah heteroskedastisitas. Artinya sudah diasumsikan jika yang terpilih random effect model, masalah heteroskedastisitas pasti sudah teratasi. Jadi tidak perlu lagi melakukan uji heteroskedastisitas. Kemudian uji autokorelasi, kenapa tidak perlu? Karena pada regresi data panel, terutama random effect model ini, memang data panel adalah gabungan dari data time series tahunan dalam hal ini dan data cross-section 17 kapten kota. Tetapi, Data panel lebih mendekati atau karakternya mendekati ciri daripada data cross-section atau silang. Sehingga bila mana data cross-section, maka tidak perlu dilakukan uji auto-korelasi lagi. Karena uji auto-korelasi adalah mendeteksi apabila data regresi adalah berbentuk data time series saja atau runtun waktu. Sedangkan regresi data panel Meskipun di situ ada data time series setahunan, tetapi jika lebih banyak objek atau data cross-section-nya 17 kawasan kota, maka diasumsikan data panel adalah lebih ke ciri data cross-section. Sehingga apabila tetap dilakukan ujian otokrasi, maka sesuatu yang tidak. Dikatakan dalam literatur adalah tidak mempunyai makna atau lebih kasar lagi sia-sia. Tetapi, demi kita ingin melihat model regresi yang memenuhi asumsi base linear unbiased estimator, tidak mengapa, tidak disalahkan juga jika tetap dilakukan semua uji asumsi klasik. Jadi tidak masalah. Jika nanti pada penelitian Anda terpilih model regresi random effect model, dan tidak melakukan uji asumsi klasik khususnya uji heteroskedastisitas dan autokorerasi itu juga tidak disalahkan dan memang sudah sesuai dengan model yang terpilih tetapi jika memang tetap ingin meneruskan dan melakukan uji asumsi klasik demi ingin melihat model regresi yang blue atau base linear unbiased estimator maka juga tidak dipersalahkan jadi kita coba tetap saja kita lakukan uji heteroskedastisitas. Dalam hal ini, kita melakukan uji heteroskedastisitas dengan metode uji Gletser. Dengan cara, tentu saja kita buka dulu model yang terpilih, yaitu model random effect model sebelumnya. Ya, sehubungan... uji Glaser itu tidak melihat dari nilai apa variable terikat yang sebenarnya sementara yang di regresikan dengan variable bus adalah absolute residual maka kita memang pada akhirnya tidak memerlukan output random effect jadi kita tutup kembali ya maksudnya kita harus menghasilkan nilai absolute residual nya dengan cara untuk uji kepentingan uji Glaser ya. Dengan cara kita klik menu generate series ini. Klik menu generate ini. Generate series by equation. Pada kotak dialog enter equation, pada kotak enter equation ini kita ketikkan, kita ingin mencari atau menghasilkan nilai yang namanya residual absolute. Jadi kita ketik seperti ini, res abs, formulanya sama dengan abs atau abs dalam kurung, resit. Maksudnya di sini, kita akan menghasilkan nilai absolute residual atau resup ini residual absolute dengan cara mengalihkan nilai abs absolute dengan nilai residual nya ya rumusnya seperti ini untuk menghasilkan residual atau residual absolute residual ini adalah sama dengan ABS dalam kurung resit ya itu kemudian kita klik ok Sehingga muncul nilai atau variable raise ups. Kita coba lihat angkanya. Wah, di sini ada kendala. Sepertinya nilai raise up-nya belum ada. Kita coba ulangi. Mungkin model random effect memang tidak memerlukan ini. Uji heteros. Kita coba dulu. Kita menghasilkan. Karena di sini sepertinya nilai residunya tidak ada. Nah, kita harus menghasilkan nilai residu. Kita klik, kita estimasi kembali persamaan regresi secara umum dulu. Klik estimate equation. Y, spasi C, X1, spasi X2. Panel absent tetap none. Klik OK. Baik, kita tutup langsung. Yang penting nilai residualnya sudah muncul. Kita coba kita lihat nilai residual. Ya, sudah muncul. Baru kita nilai Result tadi kita hapus dulu. Yang sudah ada ini kita klik kanan, delete. Yes saja. Kita coba lagi untuk mendapatkan nilai Result. Klik Gen, Generate Series. Kemudian ketik formula Result. Sama dengan ABS dalam kurung. Resid. Tutup kurung. Klik OK. Hingga kita sudah mendapatkan nilai absolute residual. Residual. Coba kita lihat apakah ada nilai. Nah, sudah ada. Kita baru bisa melakukan uji Gletser. Uji heteroskedastisitas. Sebenarnya ini tidak lagi menggunakan model RAM. Dengan cara. Setelah kita menghasilkan nilai Res Abs, kita klik menu, kita buka dulu data Residual Absolute. Kita klik menu Quick ya, kita klik menu Quick, maaf, kita klik menu Quick, lalu Estimate Equation. Kemudian ketik formula Res Abs, spasi. Kemudian C, spasi X1, spasi X2. Seperti ini untuk uji Glacier formulanya. Jadi kita akan meregresikan variable bebas dengan nilai, dengan variable absolute residualnya. Bukan dengan variable terikat Y, bukan. Kemudian kita klik OK. Sehingga tampil hasil uji Glacier. Ya, kita simpan dulu. Klik menu freeze. Lalu, kita klik menu name. Kita simpan dengan nama uji underscore heteroskedastisitas. Oke. Ya, sudah. Kita tutup. Tutup. Yes. Nah, uji heteroskedastisitas sudah. Selanjutnya. Untuk uji autokorelasi, sebenarnya tidak perlu, tapi kita coba saja. Untuk uji autokorelasi, kita cukup melihat hasil model REM. Apakah itu berdasarkan metode DW nantinya, nilai Darbyn-Watson yang Waste Statistic ini. Baik, kita akan interpretasikan output yang sudah kita peroleh, hasil uji asumsi klasik. Kita lihat materi kembali, penjelasan. Baik, hasil uji normalitas, sekali lagi, ini sudah dengan metode Jack-Bera sudah kita screenshot, di mana pada saat uji asumsi klasik uji normalitas, kita juga membuat hipotesis HO, data residual berdistribusi normal, HA, data residual tidak berdistribusi normal. Dengan kaedah keputusan uji normalitas metode Jack-Bera ini adalah, HAO diterima jika nilai probabilitas Jack-Bera lebih besar daripada tarap signifikansi penelitian alpha 5% atau 0,05. Dan HO ditolak jika nilai probabilitas jar Kibera lebih kecil daripada tarap signifikansi alpha 5% atau 0,05. Berdasarkan output grafik ini, bisa kita lihat nilai probability dari jar Kiberanya adalah sebesar 0,392640. Artinya, lebih besar dibandingkan tarap signifikansi alpha penelitian 0,05. Maka keputusannya, HO diterima bahwa data residual pada modal regresi berdistribusi normal. Demikian kesimpulan hasil uji normalitas. Selanjutnya kita melakukan uji multikolonialitas. Kita menginterpretasikan hasil uji multikolonialitas yang telah kita peroleh. Dari hasil uji normalitas, Kita sebelumnya kita bikin hipotesis. HO tidak ada multikonellitas antar variable bebas pada modal regresi. HA ada multikonellitas antar variable bebas pada modal regresi. Dengan kaedah keputusan uji multikonellitas, di sini kita menggunakan metode korelasi berpasangan. HO diterima jika nilai korelasi antar variable bebas lebih besar dari 0,85. HO ditolak jika nilai korelasi antar variable bebas lebih kecil dari 0,85. Dari output kita bisa lihat bahwa nilai korelasi antara X1 dan X2 hanya 2 variable bus yaitu sebesar min 0,336324. Artinya nilai korelasi dari variable bus adalah kurang dari 0,85. Sehingga kesimpulannya HO diterima. Tidak ada multikil minoritas antar variable bebas dalam model regresi. Nilai minus ini kita abaikan. Ini adalah menandakan arah hubungan saja. Jadi tetap di sini diasumsikan nilai variable bebas ini adalah kurang dari 0,85. Nah, min 0,336324 ini menyatakan bahwa nilai korelasinya adalah Kurang dari 0,85 sehingga tidak ada multikolonialitas antar variable bus dalam model regresi. Next, kita lihat hasil uji heteroskedastisitas. Dengan catatan sekali lagi, model random effect jika terpilih pada model regresi panel, itu sudah merupakan metode JLS, metode penyembuhan heteros. Jadi sebenarnya tidak perlu uji heteroskedastisitas. Tetapi kalau pun mau dilakukan juga tidak masalah. Tidak masalah. Nah, dalam hal ini... Kita bikin rumusan hipotesis HO-HA. HO tidak ada masalah heteroskedastisitas pada model regresi. Dan HA ada masalah heteroskedastisitas pada model regresi. Uji heteroskedastisitas ini wajib dilakukan apabila model yang terpilih fixed effects model atau common effect model. Seperti lagi kalau random effect model tidak perlu dilakukan. Tapi kalau mau dilakukan juga tidak apa. Kaedah keputusannya. Ini dengan menggunakan metode uji Gletscher, HO diterima jika nilai probabilitas T statistik masing-masing parabel bebas lebih besar dari tarab signifikansi 5% atau 0,05. HO ditolak jika nilai probabilitas T statistik masing-masing parabel bebas lebih kecil dari tarab signifikansi alpha 5% atau 0,05. Dari hasil output kita lihat nilai probabilitas masing-masing parabel bebas ini yang disini di kolom. di baris X1, X2 pada kolom probabilitas 0,2709 untuk X1 dan 0,8239 untuk X2. Ini semuanya lebih besar dibandingkan tarap signifikansi alpha 0,05. Sehingga HO diterima, keputusannya tidak ada masalah heteroskedaksitas pada model regresi. Selanjutnya uji asumsi klasik berikutnya uji auto korelasi kita gunakan metode Darvin-Watson. Dari nilai Darvin-Watson yang kita lihat di sini hasilnya adalah 1,539689. Sebelumnya juga kita bikin hipotesis. HO tidak ada autokorelasi pada modal regresi, HA ada autokorelasi pada modal regresi. Dengan kaedah keputusan uji autokorelasi metode Darbyn-Watson, jika nilai DW berada di antara DU dan 4 min DU, maka HO diterima tidak terjadi autokorelasi. Jika nilai DW lebih kecil dari DL, DL ini Darbyn lower, atau Darbyn-Watson DW lebih besar dibandingkan 4 min DL, maka HO diterima tidak terjadi autokorelasi. Artinya terjadi autokorelasi. Kemudian, jika nilai DW berada di antara DL dan DU, atau nilai DW berada di antara 4 min DU dan 4 min DL, artinya tidak ada kepastian atau kesimpulan yang pasti. Baik, kita lihat juga ada kriteria alternatif, nilai DW berada di antara min 2 dan plus 2, atau DW berada di antara min 2 dan 2, maka juga tidak terjadi autokorelasi. Kalau berdasarkan kriteria yang pertama, kita lihat nilai DW 1,539689, kita harus mencari nilai DL dan DU pada tabel Darwin-Watson. Kita lihat tabel Darwin-Watson, saya sudah menyiapkan tabel. Kita buka dulu tabel Darwin-Watson. Kita coba lihat, saya buka dulu foldernya. Ya, albin-albin wesson. Oke, ini. Kita lihat tabel dari wesson di sini. Untuk mencari nilai dl dan du, perhatikan. Pada kolom tabel dari lesson, di sini ada ketentuan kolom K. K ini menandakan jumlah variable bebas. Di sini dalam hal ini variable bebas kita 2 ya. K sama dengan 2. Dan jumlah N atau observasi sebanyak 85 observasi ya. Perlu diingat tadi jumlah observasi penelitian 85. Di kolom K sama dengan 2. Berarti kita bisa lihat di sini nilai daripada DL. 1,5995 dan nilai DU 1,6957 kita bandingkan untuk memastikan bahwa tidak ada autokorelasi nilai DW harus lebih besar dibandingkan DU, sementara jika kita lihat nilai DU 1,6957 artinya nilai DW ini Lebih kecil dibandingkan nilai DU. Artinya sudah tidak memenuhi syarat di sini di mana DU harusnya lebih kecil dibandingkan DW. Kita pilih alternatif lain. Berarti di sini nilai DW 1,539689 ini pastinya Lebih besar mungkin daripada nilai DL. DL tadi kita lihat sebesar 1,5995. Ya ini ya. 1,5995 memang lebih kecil dibandingkan nilai DW. 1,5995. Oke. 1,5995 lebih besar malah dibandingkan nilai DW ya. Berarti kalau DW lebih kecil dari DL, berarti di kategori yang B ini, berarti terjadi auto. Tetapi kita bisa menggunakan alternatif kriteria dari Santoso, yaitu jika berada di antara min 2 dan 2, berarti nilai 1,539 ini berada di antara min 2 dan 2, artinya tidak terjadi auto korelasi. Jadi bisa saja metode yang digunakan itu bisa berbeda ya. kriteria keputusan. Jadi, kita bisa memutuskan bahwa di sini tidak terjadi auto berdasarkan kriteria di antara min 2 dan 2. Demikian, perlu diingat sebenarnya regresi panel ini lebih mengarah ke data cross-section, sebenarnya sehingga tidak perlu uji auto-korelasi, kalaupun dilakukan tidak ada makna apapun ya, kalaupun terjadi atau tidak, tidak mempengaruhi hasil. Demikian untuk uji autokorelasi kita selesai. Uji asumsi klasik, maksud saya sudah selesai. Kita lakukan uji berikutnya tahapan regresi panel, uji kelayakan model. Meliputi analisis koefisien determinasi dan uji hipotesis, uji F dan uji T. Kita lanjut. Analisis koefisien determinasi ini berdasarkan model regresi yang terpilih yaitu random effect model. Di ini adalah output random effect model. Di sini ditampilkan nilai. kita analisis nilai daripada R²-nya atau nilai koefisien determinasi. Jadi berdasarkan output regresi random effect model atau RAM, pada kolom R², diperoleh nilai koefisien determinasi R²-nya 0,15861. Ini artinya atau maknanya dapat disimpulkan bahwa kontribusi atau sumbangan pengaruh daripada dua variable bus yaitu IPM, X1, dan pertumbuhan ekonomi X2 secara bersama-sama pengaruhnya terhadap variasi perubahan atau naik turunnya tingkat kemiskinan, variable tingkat Y, adalah sebesar 15,8661%. Sisanya, 84,1339%, hasil dari pengurangan 100% dikurangi 15,8661%, disebabkan oleh faktor-faktor lainnya yang tidak dikritik, jadi di luar model. Ada banyak variable yang turut sebenarnya mempengaruhi tingkat kemiskinan namun tidak dimasukkan dalam model. Karena yang kita teliti yang mempengaruhi variable tingkat kemiskinan di sini hanya dua variable bas yaitu IPM dan ketumbuhan ekonomi. Sementara sebenarnya ada 84%, 84,1339% atau disebut juga faktor non-determinasi. yang juga sebenarnya turut non-pengaruh itu tapi tidak diteliti, tidak dimasukkan ke dalam model. Sekali lagi, makna daripada nilai koevisi determinasi 0,15861 adalah bahwa kontribusi atau sumbangan pengaruh IPM dan pertumbuhan ekonomi secara bersama-sama terhadap variasi perubahan naik turunnya tingkat kemiskinan atau Y adalah sebesar 15,8661%. Sisanya sebesar 84,1339% disebabkan faktor-faktor lain yang tidak diteliti. Selanjutnya kita melakukan uji F atau uji signifikansi koopisien negresi secara simultan dengan langkah-langkah penyusunan hipotesis terlebih dahulu HO dan HA. HO, B1 sama dengan B2 sama dengan 0. IPM dan pertumbuhan ekonomi secara bersama-sama tidak berpengaruh signifikan terhadap tingkat kemiskinan. HA B1 tidak sama dengan B2, tidak sama dengan 0. IPN dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan. Yang langkah berikutnya setelah rumusan hipotesis HUAHA, kita bandingkan nilai F hitung dengan F table. Berdasarkan output random effect model tadi, kita mendapatkan nilai F hitung at statistiknya sebesar 7,731,844. Kita bisa perhatikan kembali. Ini F-statistik adalah nilai F hitung 7,731844. Selanjutnya dibandingkan dengan nilai F-table. F-table dicari pada tabel F-statistik berdasarkan kriteria alfa 0,05, DF1 yaitu sebesar 2, yaitu total variable dikurang 1, dan DF2, N min K min 1, di mana N jumlah observasi dikurang ke variable bebas, jumlah variable bebas, 85 kurang 2, dan dikurang 1. adalah sekitar 82, diperoleh nilai F-table 3,11. Kita bisa membuktikan dari nilai melihat tabel F, atau dicari juga bisa dengan Excel, dengan formula, sama dengan FIMP, dalam kurung 5%, 2,82, lalu tekan Enter, akan menghasilkan nilai F-table sebesar 3,11. Jadi, berdasarkan hasil pengujian dan keputusan, bahwa nilai F hitung yang sebesar 7,73844 itu lebih besar dibandingkan F-table 3,11. Sehingga, berdasarkan kriteria keputusan UJF, HO ditolak sehingga HA diterima, disimpulkan bahwa IPM dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan. Dilanjutkan dengan penggambaran kurva UJF yaitu di area penerimaan dan penolakan AU. Kita bisa melihat pada gambar uji F pada kurva ini, kita bisa melihat nilai F hitungnya, 7,71384, ini berada di sisi kanan, berada di area HO ditolak, di area ARSIR. setelah nilai daripada Eptabelnya, yaitu batas kritis antara HO diterima dan HO ditolak ini. Sehingga bisa disimpulkan juga bahwa IPM dan pertumbuhan ekonomi secara bersama-sama memang berpengaruh signifikan karena masuk area HO ditolak terhadap tingkat kemiskinan. Dengan kata lain, model legacy ini signifikan sebagai alat prediksi. Ada pun cara lain uji ketepatan model, atau ujian ini dilakukan bisa dengan melihat nilai probabilitas atau signifikansi modal regresi atau istilahnya uji probabilitas. Berdasarkan output regresi random effect model pada kolom probability abstract, kita bisa lihat di sini probability abstract pada output random effect itu sebesar probabilitinya dari F-statistik 0,0000839. Sehingga nilai probabilitas F-statistik sebesar 0,0000839 ini tentu lebih kecil dibandingkan alfa penelitian atau tarap signifikansi 0,05 sehingga berdasarkan kriteria keputusan juga disimpulkan bahwa IPM dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan. Jadi jika nilai probabilitas lebih kecil dibandingkan alpha, itu HO diterima, HO ditolak. Jadi kesimpulannya di sini IPM dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan. Ya, nilai signifikansi ya. Pokoknya kalau nilai signifikansi atau probabilitas dari F-nya itu kurang dari 0,05, maka signifikan pengaruh daripada IPM dan pertumbuhan ekonomi atas semua parabel bebas terhadap parabel 3-nya yaitu tingkat kemiskinan. Dengan kata lain bahwa modal regresi signifikan dalam memprediksi kondisi sesungguhnya atau persamaan regresi. Dinyatakan baik, good of it. Baik? Kita lanjut dengan uji T, hasil uji T. Dari model regresi random event model yang terpilih, kita bisa menguji hipotesis, yaitu uji signifikansi koefisien regresi secara parsial. Dengan langkah-langkah, tentu kita buat dulu hipotesis penelitian HUAA, di mana pertama untuk yang meneliti atau menguji hipotesis pengaruh IPM X1 terhadap tingkat kemiskinan. Rumusan hipotesisnya, HO, B1 sama dengan 0, IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan. HA, B1 tidak sama dengan 0, IPM berpengaruh signifikan terhadap tingkat kemiskinan. Selanjutnya, untuk rumusan hipotesis untuk variable X2, pertumbuhan ekonomi terhadap tingkat kemiskinan. HO, B2 sama dengan 0, pertumbuhan ekonomi tidak berpengaruh signifikan terhadap tingkat kemiskinan. HA, A B2 tidak sama dengan 0, pertumbuhan ekonomi berpengaruh signifikan terhadap tingkat kemiskinan. Lalu kita bandingkan nilai T hitung dengan T tabel masing-masing. Nilai T hitung masing-masing variable bebas dengan T tabelnya. Berdasarkan output kita bisa lihat nih pada kolom T statistik, bahwa T hitung dari variable X1 atau IPM itu 1,805060. Dan T hitung variable X2, pertumbuhan ekonomi, yaitu min 2. 0,185653. Selanjutnya nilai T hitung ini kita bandingkan dengan nilai T table. T table dicari pada table statistik T, yaitu dengan berdasarkan kriteria alpha 0,05 dan df n min k min 1, yaitu 82. Akan diprogram nilai T table sebesar 1,98932. Kalian bisa buktikan, Anda bisa buktikan dengan melihat table T. Atau di Microsoft Excel bisa diketik formula sama dengan TINV dalam kurung 5%, 82, tutup kurung, enter. Masalah pemisah untuk pemisah antara dua hal kriteria ini bisa koma atau titik koma tergantung settingan Excel-nya masing-masing. Hasilnya T-table sebesar 1,98932. Baik, kita lanjutkan. Dari hasil pengujian dan sekaligus keputusan, untuk menguji koefisien negresi parsial IPM terhadap tingkat kemiskinan, nilai dihitung daripada X1 atau IPM itu 1,805060, tentu lebih kecil dibandingkan titabel yang sebesar. 1,98932. Sehingga, berdasarkan kriteria keputusan uji T, maka HO diterima. Dapat disimpulkan bahwa IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan. Ya, karena T hitung lebih kecil dibandingkan T tabel. Ini kalau T hitung positif, lebih kecil dari T tabel positif, maka kesimpulannya HO diterima. Tidak ada pengaruh signifikan IPM terhadap tingkat kemiskinan. Kemudian untuk yang, nah ini untuk yang variable berikutnya, untuk menguji koefisien negresi parsial, variable pertumbuhan ekonomi terhadap tingkat kemiskinan, X2 terhadap Y. Diketahui nilai T hitung daripada variable X2 itu negatif ya, min 2,185653. Jika negatif, maka dibandingkan dengan T table yang negatif atau T table sisi kiri. Jadi sehingga min 2,185653 atau T hitung daripada parabel X2 ini lebih kecil dibandingkan T table yang negatif yaitu min 1,98932. Jika T hitung negatif itu dibandingkan dengan T table yang negatif dan jika T hitung negatif lebih kecil dibandingkan T table yang negatif, maka keputusannya HO ditolak. Ya, berbeda, agak berbeda dengan... kalau T hitung positif. HO ditolak di sini, sehingga HA diterima. Dapat disimpulkan bahwa pertumbuhan ekonomi berpengaruh signifikan terhadap tingkat kemiskinan. Kita akan buktikan dari gambarnya nanti. Nah, ini untuk penggambaran kurva uji T khusus untuk pengaruh IPM terhadap tingkat kemiskinan. Pengujian koefisien regresi variable IPM terhadap tingkat kemiskinan. Pada gambar pengujian Uji T ini, kita lihat bahwa nilai T hitung memang berada di area HO diterima, yaitu 1,805060 ini, berada di area HO diterima di sisi kanan, di sisi kanan 0. Sehingga memang disimpulkan bahwa IPM ini ada pengaruh positif namun tidak signifikan, karena berada di keputusan HO diterima. Berpengaruh... positif tidak signifikan terhadap tingkat kemiskinan. Sekali lagi, dikarenakan keputusannya H.O.D. terima, maka IPM berpengaruh positif karena di sisi kanan, tetapi tidak signifikan terhadap tingkat kemiskinan. Cara lain pengujian koefisien regresi ini, yaitu melihat nilai pada output random effect model pada kolom probability, maksudnya singkatan dari probabilitas, Diketahui nilai probabilitas test statistik parabel IPM itu sebesar 0,0747. Kita bisa lihat lagi kembali. Ya, untuk X1 probabilitasnya 0,0747. Sehingga lebih besar dibandingkan alpha. Melampaui kesalahan duga atau tingkat signifikansi penelitian alpha 0,05. Memang berdasarkan kreator ekonomi. Keputusan disimpulkan IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan. Dengan kata lain bahwa koefisien negresi atas slope daripada variable IPM itu terbukti tidak signifikan pengaruhnya dalam memprediksi tingkat kemiskinan. Demikian. Selanjutnya untuk penggambaran kurva pengujian pengaruh daripada pertumbuhan ekonomi X2 terhadap tingkat kemiskinan. Kita bisa melihat Nilai negatif dihitung daripada variable pertumbuhan ekonomi X2, yaitu sebesar min 2,185653, kita bisa lihat kembali, min, ya di sini dihitungnya memang min, ya, min 2,185653, itu berada pada area HOD tolak di sisi kiri. Kita bisa lihat di sini, min 2,185653 ini berada di area HOD tolak di sisi kiri 0. Jadi disimpulkan bahwa pertumbuhan ekonomi berpengaruh negatif. Kenapa? Karena dia berada di sisi kiri, pengaruhnya negatif. Negatif di sini berlawanan arah ya, bahwa pertumbuhan ekonomi jika naik maka akan menurunkan tingkat kemiskinan. Sebaliknya jika pertumbuhan ekonomi turun akan menaikkan kemiskinan. Itu yang dinamakan negatif, itu arah hubungannya berlawanan antara X2 dengan Y. Berpengaruh negatif juga signifikan karena dia masuk area hak ditolak terhadap tingkat kemiskinan. Sekali lagi, dikarenakan nilai kehitung negatif. daripada variable X2, min 2,18553, itu berada di area H-O ditolak di sisi kiri, dapat disimpulkan bahwa pertumbuhan ekonomi berpengaruh negatif signifikan terhadap tingkat kemiskinan. Cara lain uji koopisien negresi untuk X2 ini terhadap Y ini bisa dengan melihat nilai probabilitasnya, berdasarkan uji probabilitas. Berdasarkan output agresi random effect model pada kolom prop, diketahui nilai probabilitas test statistik parabel pertumbuhan ekonomi itu sebesar 0,0317. Kita bisa lihat kembali. Ya, di sini nilai propnya daripada parabel X2 0,0317. Artinya lebih kecil dibandingkan alpha atau tarap signifikansi penelitian 0,05. Ya, masih lebih kecil. Sehingga berdasarkan karya keputusan disimpulkan bahwa pertumbuhan ekonomi berpengaruh signifikan terhadap tingkat kemiskinan. Dengan kata lain bahwa koefisien regresi atau slope daripada pertumbuhan ekonomi terbukti signifikan pengaruhnya dalam memprediksi tingkat kemiskinan. Demikian hasil uji hipotesis baik uji F maupun uji T. Selanjutnya langkah terakhir atau tahapan terakhir daripada regresi data panel adalah membentuk model agresi data panel dan sekaligus interpretasi modelnya. Berdasarkan output daripada random effect model, kita bisa melihat nilai konstanta sebesar 0,5856144 pada kolom koefisien, kemudian koefisien agresi variable X1 0,103962, dan koefisien agresi variable X2 min 0,192956, maka kita dapat menyusun model atau persamaan agresi data panel, regresi ganda data panel berbentuk data panel ini berdasarkan nilai-nilai koefisien ini menjadi Y hat sama dengan 0,585614 plus 0,103962X1 min 0,192956X2. Lalu kita interpretasikan model regresi yang sudah kita uji, kita uji asumsi klasik, uji kelayakan model, Sehingga kita bisa memastikan model ini layak dan kita boleh interpretasikan model regresi ini dengan seperti ini. Interpretasi daripada model regresi panel ini adalah nilai konstanta, nilai kompensasi konstanta di sini positif yaitu 0,586. Ini saya bulatkan 3 desimal saja. Artinya, jika IPM X1 dan pertumbuhan ekonomi X2 bernilai 0, maka rata-rata tingkat kemiskinan atau Y itu sebesar 0,586%. Kenapa masih ada nilainya variable rata-rata tingkat kemiskinan ini? Kalaupun misalnya X1 IPM dan pertumbuhan ekonomi 0, andaikan ya itu karena adanya atau pengaruh dari variable-variable lain yang juga turut mempengaruhi tingkat kemiskinan namun tidak dimasukkan dalam modal regresi atau disebut variable non-determinasi ya, errornya. Selanjutnya, kita interpretasikan nilai koepisien regresi variable IPM, yaitu atau disimbolkan B1, yaitu sebesar 0,104 ini. Saya bulatkan 3 desimal saja dari nilai yang ini. Nilai koepisien regresi variable X1 atau IPM itu 0,104. Ini nilainya positif, artinya terjadi hubungan searah. Kalau bicara nilai positif itu maksudnya hubungannya searah antara variable bebas. yaitu dalam hal ini IPM X1 dengan variable terikat Y atau tingkat kemiskinan. Sehingga jika IPM atau X1 meningkat 1%, maka rata-rata tingkat kemiskinan atau Y hat akan meningkat sebesar 0,104% dengan asumsi nilai pertumbuhan X2, nilai pertumbuhan ekonomi atau X2 itu bernilai tetap atau konstan. Ya tentu saja kalau IPM meningkat 1%, Cukup dikalikan koefisien regresi variable-nya, yaitu 0,104, maka tingkat kemiskinan akan bertambah atau meningkat sebesar 0,104%. Dengan asumsi, jangan lupa, variable-bas lainnya, yaitu pertumbuhan ekonomi, itu bernilai tetap atau konstan. Selanjutnya, koefisien regresi variable X3. Ini ada nilai negatif ya. Sebesar min 0,193, sekali lagi saya bulatkan 3 desimal saja, profesi ini bernilai negatif, artinya arah hubungannya ini tidak searah antara variable bebas dalam hal ini pertumbuhan ekonomi X2 dengan variable terikatnya Y, tingkat kemiskinan. Sehingga jika pertumbuhan ekonomi X2 meningkat sebesar 1%, maka rata-rata tingkat kemiskinan akan turun sebesar 0,193%. Jika sudah ada kata ganti menurun, maka pada angka tidak diketikan lagi tanda minusnya. Jadi dalam hal ini menurun, ini menggantikan kata tanda minus, menurun sebesar 0,193% dengan asumsi. Jangan lupa nilai variable bebas lainnya yaitu IPM X1 itu bernilai tetap atau konstan. Sekali lagi, nilai koefisien regresi variable X2 atau pertumbuhan ekonomi ini nilainya negatif. Artinya terjadi hubungan tidak searah antara variable bebas pertumbuhan ekonomi dengan variable terikatnya tingkat kemiskinan. Sehingga jika pertumbuhan ekonomi X2 meningkat sebesar 1%, maka rata-rata tingkat kemiskinan akan turun sebesar 0,193% dengan asumsi nilai IPM atau perbebasan X1 tetap atau konstan nilainya. Jika misalnya kenaikan pertumbuhan ekonomi meningkatnya 10%, maka bisa saja rata-rata tingkat kemiskinan akan menurun sebesar 1,93%. Kenapa? Karena Jika naiknya nilai pertumbuhan ekonomi 10 dikalikan dengan koefisien 0,193, maka akan sebesar hasilnya 1,93%. Dengan asumsi, variable lainnya yaitu X1 IPM bernilai tetap konstan. Demikian telah kita lakukan pembelajaran. memahami bersama regresi panel secara seberhana dengan segala keterbatasan saya. Mudah-mudahan apa yang telah kita pelajari bersama, yang telah saya sampaikan, dapat bermanfaat bagi kita semua. Mungkin ada kekurangan di sana-sini, saya mohon maaf. Semoga ada manfaatnya. Saran dan kritik saya harapkan, pertanyaan juga saya harapkan. Semoga akan menambah khasanah referensi terutama bagi mahasiswa-mahasiswi yang akan melakukan penelitian skripsi atau memang akan sedang mempelajari atau menghadapi ujian semester khususnya mata kuliah Ekonometrika. Sekali lagi, semoga apa yang telah kita pelajari tentang regresi data panel ini bermanfaat bagi kita semua. Saya akhiri. Alhamdulillah Assalamualaikum warahmatullahi wabarakatuh

Sebelumnya kita mengenal dulu konsep regresi data panel. Apa itu regresi data panel? Secara sederhana, regresi data panel dapat diartikan sebagai metode regresi yang digunakan pada penelitian yang bersifat panel.

Regresi data panel merupakan pengembangan dari regresi linier dengan metode Ordinary Least Square OLS yang memiliki kehususan dari segi jenis data dan tujuan analisis datanya. Dari segi jenis data, regresi data panel memiliki karakteristik data yang sifatnya cross-section dan time series. Sedangkan dilihat dari tujuan analisis data, data panel berguna untuk melihat perbedaan karakteristik antar setiap individu dalam beberapa periode pada objek penelitian. Terdapat beberapa tahapan dalam analisis regresi data panel, yaitu pemilihan model regresi, pengujian asumsi klasik, uji kelayakan model, dan interpretasi model. Selain itu, terdapat juga tiga teknik yang ditawarkan dalam regresi data panel yaitu common effect, fixed effect, dan...

random effect. Kapan regresi data panel digunakan? Teknik analisis data untuk memecahkan masalah penelitian memang perlu memiliki dasar sebelum dipilih.

Teknik analisis regresi data panel tepat digunakan jika data penelitiannya bersifat panel. Secara konsep, berdasarkan dimensi waktunya time horizon, jenis data terbagi menjadi tiga yaitu cross-section, time series, dan panel. Jadi dengan demikian. Penting bagi peneliti untuk mengetahui perbedaan di antara ketiganya, sehingga jika data penelitian kita bersifat panel, maka akan lebih tepat menggunakan metode regresi data panel sebagai teknik analisis datanya. Selain itu, jika penelitian kita memiliki masalah dalam hal uji asumsi klasik, maka regresi data panel juga dapat menjadi alternatif karena menawarkan berbagai macam estimasi model.

Data cross-section Contohnya di sini merupakan data yang dikumpulkan dalam satu periode waktu. Contohnya seperti data penjualan beberapa perusahaan pada tahun 2020 seperti ini. Ada PTA, PTB, dan PTC dengan penjualan di tahun 2020 pada masing-masing PT. Data time series merupakan data yang bentuknya bersifat periodik misalnya bulan atau tahun.

Contohnya seperti data penjualan PTA selama tahun 2018 hingga 2020 seperti ini. Tahunnya berurutan, inilah yang disebut data time series dari satu objek yaitu penjualan PTA. Selanjutnya ada data panel.

Data panel merupakan penggabungan data yang bersifat cross-section dan time series. Contoh, data penjualan beberapa perusahaan dan pada tahun 2018 hingga 2020. Yang merupakan data cross-sectionnya adalah perusahaan yang berbeda, PTA dan PTB, dan... yang merupakan data time seriesnya adalah periodenya dari 2016, 2017, sampai 2018 ini.

Estimasi model regresi. Model persamaan data panel yang merupakan gabungan dari data cross section dan data time series dapat dituliskan sebagai berikut, YIT sama dengan alpha plus beta 1 X1IT plus beta 2 X2IT plus dan seterusnya hingga beta M X NIT plus EIT, di mana YIT adalah variable terikat, XIT itu variable bebasnya, T merupakan periode ke T, I merupakan entitas ke I, Alpha adalah simbol dari konstanta, dan E adalah variable di luar model. Estimasi modal regresi data panel bertujuan untuk memprediksi parameter modal regresi, yaitu berupa nilai intercept atau konstanta, atau disimbolkan Alpha.

dan slope atau coefficient regression yang disimbolkan beta. Dalam literatur, konstanta juga bisa disimbolkan huruf A biasa, A latin, dan coefficient regression atau slope itu disimbolkan B biasa, B latin. Penggunaan data panel dalam regresi akan menghasilkan intercept dan slope yang berbeda pada setiap perusahaan dan setiap periode waktu. Demikian beberapa teori. Kemudian tahapan regresi data panel.

Yang biasanya dilakukan pada regresi data panel itu meliputi 5 tahapan seperti ini. Satu, tahapan estimasi model regresi data panel, di mana akan menghasilkan common effect model, atau disingkat CHAMP, fixed effect model, disingkat FEM. Random Effect Model, disingkat REM. Kemudian tahapan kedua, teknik dalam memilih dari ketiga model ini, yaitu memilih model regresi melalui tiga pengujian, uji Chou, uji Hausman, uji Legring Multi-Flyer. Selanjutnya, tahapan ketiga dari model regresi data panel adalah uji asumsi klasik, meliputi uji normalitas, uji multikolinieritas, uji heteroskedastisitas, dan uji autokorelasi.

Dan tahapan keempat, yaitu melakukan uji kelayakan model negresi atau goodness of fit, meliputi analisis koefisien determinasi R² atau adjust R², kemudian uji hipotesis meliputi uji koefisien negresi modelnya secara simultan atau uji F, dan uji koefisien negresi variable bebas secara parsial atau uji T. Dan tahapan terakhir dalam model regresi data panel adalah interpretasi daripada model regresi. Demikian, saya sudah menyiapkan contoh kasus penelitian yang menggunakan analisis regresi data panel, yaitu tentang pengaruh indeks pembangunan manusia IPM dan pertumbuhan ekonomi PDRB terhadap tingkat kemiskinan di Kabupaten Kota Provinsi Sumatera Selatan tahun 2015 hingga 2019. Di sini ada data di mana Provinsi Sumatera Selatan terdiri dari 17 kabupaten dan kota yang merupakan data cross-sectionnya.

Dan tahun penelitiannya yaitu 2015 hingga 2019 selama 5 tahun ini merupakan data time seriesnya. Selanjutnya nanti tingkat kemiskinan sebagai variable terikat itu kita simbolkan Y. Kita tuliskan pada pengolahan data Y. Lalu pada variable bebas yang pertama yaitu X1 kita tuliskan. Dan pada variable bebas yang ketua, pertumbuhan ekonomi, itu kita tuliskan simbol X2.

Dengan tingkat alpha penelitian sebesar 5% atau tarap signifikansi penelitiannya. Kemudian pengujian hipotesis melalui dua sisi atau two tail. Data sudah saya siapkan di sini untuk kita olah atau praktekkan bersama.

Baik, kita akan mencoba mempraktekkan regresi data panel terlebih dahulu secara singkat untuk menghasilkan output-output yang kita perlukan yang nantinya akan kita interpretasikan bersama. Untuk mengolah data menggunakan E-Views, tentu saja kita harus memiliki program E-Views pada komputer yang telah kita instalkan program E-Views. kita buka program E-views disini sudah saya sudah menyiapkan E-views tapi E-views yang saya miliki adalah E-views versi 8 ya kita buka nah kita terbuka jendela lembar kerja E-views untuk menginput data Karena data sudah kita siapkan dan sebelumnya data kita pastikan kita siapkan atau kita ketik sudah dalam bentuk file MS Excel pada program Excel.

Jadi saya sudah menyiapkan data daripada pengaruh pertumbuhan, apa pengaruh daripada IPM dan pertumbuhan ekonomi terhadap tingkat kemiskinan tadi dalam bentuk Excel ya. Pastikan kita menyimpan data dalam bentuk file Excel. Lalu kita lakukan. Mulai untuk meng-input data sekaligus langsung mengolah dan menghasilkan outputnya.

Klik menu file. Kita ambil cara singkat. Klik menu open.

Lalu pilih foreign data as work file. Lalu kita cari lokasi tempat kita menyimpan data dalam bentuk Excel. Nah, di sini saya sudah menyiapkan. yaitu data IPM PDRB tingkat kemiskinan 2015-2019, yaitu Excel.

Klik open, lagi ini tampil kotak dialog Excel seperti ini. Langkah pertama kita lihat reviewnya, ada kompeten kota tahun YX1, X2. Klik next, selanjutnya tampilan kolom info dan seterusnya ini dengan reviewnya.

Selanjutnya kita klik next kembali dan langkah terakhir kita lihat kita pastikan basic structure-nya tetap pada berada date panel. Dengan cross section atau data cross section ID series-nya adalah berupa kabupaten kota. Benar. Dan data time series atau date seriesnya berupa tahun.

Benar. Jadi kita klik finish. Sehingga tampil jendela kerja work file. Di mana kita sudah memiliki data-data yang sudah kita import dari file Excel tadi.

Yaitu berupa data kabupaten kota. Coba kita buka. Ada data kabupaten kotanya. Tutup.

Kemudian data tahun kita buka. Coba. Nah.

Kita pastikan datanya juga ada, tahun. Kemudian data X1 kita buka, pastikan datanya juga ada. Data variable X2 atau pertumbuhan ekonomi kita juga sudah miliki. Dan data Y atau variable terikatnya yaitu tingkat kemiskinan.

Ya, sudah lengkap. Setelah lengkap data yang sudah kita masukkan benar, kita langsung melakukan pengolahan data. Langkah pertama yaitu estimasi model regresi yang akan menghasilkan 3 model regresi yaitu common effect model atau CHAM, fixed effect model atau FRAM, dan random effect model atau RAM. Pertama kita akan menghasilkan model common effect model atau CHAM dengan cara klik menu quick.

Lalu pilih estimate equation. Lalu pada kotak dialog equation estimation pada kotak pengisian equation specification, kita ketik untuk persamaan Y, C, Y spasi, jangan lupa, C spasi, X1 variable bus pertama, dan spasi X2 untuk variable bus kedua. Jadi pastikan dalam menuliskan...

equation specification, spesifikasi persamaannya, Y ini variable terikat, spasi, kemudian C ini adalah konstanta, lalu spasi, X1 adalah variable terikat yang pertama, spasi, langsung X2. Dan setelah itu kita pilih, klik panel option, sehubungan kita akan melakukan mengestimasi time pada cross section kita tidak ubah. tetap berada pada pilihan none. Nah, kita klik OK. Dan ini menghasilkan model yang disebut common effect model.

Kita namakan output daripada model ini. Klik name. Lalu pada kota name to identify object kita namakan ini kreativitas dalam penamaannya. Model underscore CHAMP. Untuk penamaan itu tergantung peneliti mau menamakan apa untuk mempermudah untuk mengingat.

Klik OK sehingga model CHAMP sudah tersimpan pada jendela work file. Jadi di sini kita lihat sudah ada model CHAMP. Kita tutup jendela yang terbuka ini, model CHAMP. Kita mengestimasi model berikutnya yaitu model FEM atau Fixed Effect Model dengan cara yang sama.

Klik menu Quick, lalu... Pilih estimate equation. Pada kotak dialog equation specification, dengan cara yang sama kita ketik persamaan Y C X1 X2. Dengan cara yang sama seperti kita menghasilkan mengestimasi model CEM.

Selanjutnya, yang membedakan adalah kita klik menu panel options. Pada pilihan cross section, pada effect specification kita pilih fix untuk bertujuan menghasilkan fix effect model klik ok tinggal tampil output fix effect model kita namakan juga klik menu name kita namakan model underscore frame fix effect model ok Sehingga pada jendela work file, if use juga tersimpan model VAM. Tutup, lebih dahulu.

Selanjutnya satu lagi model, random event model kita dengan cara yang sama seperti sebelumnya. Kita klik menu quick, lalu pilih estimate equation. Dan pada kotak dialog specification, equation specification ini dengan cara yang sama. Bersamaannya kita ketik Y, spasi, D, spasi.

X1 spasi X2. Dan jangan lupa kita klik menu panel options. Pilih pada cross section yaitu pilihan random. Untuk menghasilkan random event model.

Klik menu OK. Tampil output random event model seperti ini. Klik menu name untuk kita simpan.

Dengan ketik model underscore RAM. Oke. Sehingga model RAM juga tersimpan pada jendela work file.

Tutup. Setelah 3 model kita dapatkan, kita hasilkan. sudah kita estimasi tiga model ini, kita akan memilih mana di antara ketiga model, yaitu CHEM, FEM, dan REM ini, yang terbaik atau dijadikan sebagai alat analisis penelitian kita. Pertama, untuk pengujian, kita melakukan uji co. Untuk pemilihan model terbaik, yaitu melakukan uji co.

Untuk melakukan uji co, yaitu membandingkan antara model common effect model dengan Fixed Effect Model, kita harus membuka output model FEM atau Fixed Effect Model terlebih dahulu. Kita buka. Setelah jendela output daripada model Fixed Effect Model ini terbuka, kita klik menu View.

Lalu pilih Fixed Random Effect Testing. Untuk uji cow, kita pilih menu Redundant Fixed Effect. likelihood ratio ini.

Uji cow juga dikenal dengan nama uji app statistik. Nah ini tampilan uji cow atau uji app statistik. Kita simpan dulu dengan cara yang sedikit berbeda dibandingkan menyimpan model yaitu klik menu freeze lalu pada kita klik name kita simpan dulu uji cow. Uji underscore cow. Quick OK.

Sehingga pada general work file tersimpan hasil uji cow. Kita tutup hasil uji cow yang ada. Kita lanjutkan dengan uji Hausman.

Untuk uji Hausman, yaitu membandingkan antara model fix effect dengan random effect. maka kita harus terlebih dahulu membuka model random effect tentang uji cow kriteria-kriterianya atau hasilnya nanti kita jelaskan ya setelah output selesai. Nah, setelah terbuka kotak dialog atau output daripada model random effect model, kita melakukan uji Hausman dengan cara klik menu view, lalu pilih fix random effect testing, dan klik atau pilih daripada menu correlate random effect Hausman test. Jadi kita melakukan uji Hausman. Klik dan terbuka output daripada uji Hausman seperti ini.

Kita simpan terlebih dahulu. Klik menu freeze. Lalu klik menu name. Kita namakan uji underscore Hausman.

Oke. Tutup output yang ada. Satu lagi adalah kita melakukan uji LM untuk memilih di antara model common effect atau model random effect yang terbaik. Di antara common effect dan random effect mana yang terbaik. Untuk menguji LM kita perlu membuka atau menampilkan output common effect model.

Kita buka model CHAMP atau common effect. Tetapi pada versi E-Views 8 itu tidak tersedia untuk uji LM dari menu View. Di sini pada E-Views 8 hanya tersedia untuk uji Co dan uji Haussmann.

Bagaimana untuk menguji LM pada program E-Views 8? Yaitu dengan alternatif setelah terbuka output model CHAM atau Common Effect Model, kita klik menu Add-ins. Pastikan...

ada add-in tambahan yaitu brush bagian random effect lm test untuk uji lm dengan program E-views 8 karena uji lm ini biasanya terdapat pada versi E-views 9 ke atas jadi E-views 8 belum ada tersedia langsung di menu view menu view fix random effect testing ini belum tersedia tapi pada versi E-views 9 ke atas sudah tersedia tiga pengujian ya Uji cow, uji houseman, dan satu lagi ada di sini uji LM sebenarnya. Sekali lagi untuk EFUSE versi 9 ke atas. Nah di EFUSE 8 ini.

Untuk ULJI LM. Sekali lagi. Dengan klik menu add-ins. Saya ulangi.

Lalu pastikan sudah terinstall. Add-in Bruce Pagan Random Effect LM Test. Jika belum terinstall. Anda bisa klik menu download add-ins.

Kalau belum ada pilihan ini. Bagi yang menggunakan EFUSE 8. Jadi karena saya sudah menginstallnya. dan sudah tersedia pilihan Brush Pagan Random Effect LM Test, saya buka ini untuk uji LM, yaitu klik menu Brush Pagan Random Effect LM Test. Selanjutnya tersedia pilihan kotak dialog Inclusion and Eclosion of Test.

Pilihannya adalah pada centang standar Leggering Multi-Flyer Test. Jadi untuk uji LM, ini pilihannya, standar Leggering Multi-Flyer Test. Klik menu OK.

Nah inilah hasil uji LM pada program E-Views 8 ini. Kita simpan terlebih dahulu. Klik menu Freeze.

Lalu klik menu Name. Lalu kita namakan uji underscore LM. Klik menu OK. Sehingga tersimpan pada jendela work file uji LM.

Hasil uji LM ya. Setelah hasil pengujian-pengujian ini kita dapatkan atau kita peroleh, maka kita harus memutuskan mana model yang terbaik dari ketiga uji yang telah kita lakukan ini. Untuk melihat interpretasinya, kita akan kembali pada materi. Jadi kita sudah, sekali lagi, sudah menghasilkan teknik pengujian, yaitu uji Joe.

Coba kita buka lagi hasilnya, sudah ada. Kemudian uji Hausman juga ada, tidak hilang. Dan uji LM juga ada. Nah, untuk menginterpretasikan mana model yang terbaik di antara tiga pengujian ini, dari tiga model yang ditawarkan pada analisis sekresi panel ini, dengan tiga pengujian ini kita kembali melihat materi hasilnya.

Karena hasil outputnya sudah saya screenshot. Di sini pada halaman yang ini, saya sudah screenshot hasil output model-model legeregresi data panel meliputi model common effect model yang ini, kemudian fixed effect model yang di tengah ini, dan random effect model yang sebelah kanan ini. Di sini kita bisa lihat ya pada masing-masing model ya di atasnya ini sebelumnya.

Kita lihat defendant variable-nya Y. Dalam hal ini Y ini yang kita ingatkan bahwa Y adalah tingkat kemiskinan pada penelitian ini. Kemudian metode untuk common effect model CHEM ini adalah berupa panelless squares atau OLS ya.

Metode PLS. Kemudian periode. atau waktunya, sample 2015 hingga 2019, jadi periodenya 5 tahun, periods include, lalu data cross-sectionnya atau kabupaten-kotanya include 17 kabupaten-kota, dengan total panel data, balance datanya, total observasinya adalah 85, hasil kali dari 17 kabupaten-kota dikalikan 5 tahun. Maka menghasilkan observasi sebanyak 85. Sama, setiap model itu keterangan di atasnya adalah sama. Tapi hasilnya berbeda-beda dari setiap model.

Nah, ini adalah output yang sudah saya screenshot. Tiga model regresi yang ditawarkan pada analisis regresi data panel. Sekali lagi, ini adalah model. Common effect model, ini adalah fixed effect model, dan ini adalah random effect model. Selanjutnya dari tiga model ini kita akan melihat mana yang terbaik atau yang tepat untuk dipilih sebagai model regresi dan sekaligus alat analisis utama kita dalam penelitian ini.

Yaitu dengan pertama melihat hasil uji cow, yaitu disebut dengan kata lain uji statistik app. Di sini sudah saya screenshot hasil uji cow yang telah kita olah bersama tadi. Untuk uji cow Kita perlu membuat hipotesis.

Setiap yang namanya uji-uji dalam... Statistik atau Ekonometrika, setiap alat analisis yang disebut uji itu pasti membutuhkan perumusan hipotesis terlebih dahulu. Seperti uji Chow, uji Hausman, uji LM, nanti ada uji asumsi klasik yaitu normalitas, uji multikolineitas, uji heteroskedaksitas, uji autokorelasi, atau uji validitas, uji realitas pada... alat penelitian yang menggunakan kosoner, semuanya membutuhkan yang namanya uji-uji-uji itu adalah terlebih dahulu membuat hipotesis, rumusan hipotesis HO dan HA. Jadi, di sini pada uji cow, kita membuat dulu hipotesis HO-nya.

Common effect model atau CHEM lebih tepat dibandingkan fixed effect model. HA, fixed effect model, FEM, lebih tepat dibandingkan common effect model. Perlu diingat, Uji Co itu adalah pengujian untuk menentukan di antara model fixed effect atau common effect yang paling tepat digunakan dalam mengestimasi data panel.

Dengan kriteria keputusan, nilai probabilitas F statistik kalau kurang dari batas kritis atau tingkat signifikansi penelitian atau alpha 0,05, maka keputusannya HO ditolak atau tolak HO. Kesimpulannya adalah memilih fixed effect dibandingkan common effect. Lalu kriteria kedua, nilai probabilitas add jika lebih besar dari batas kritis atau tarap signifikansi penelitian atau alpha 0,05, maka HO diterima, terima HO atau kesimpulannya common effect lebih baik daripada fixed effect. Nah, berdasarkan output hasil uji cowok ini dan berdasarkan kriteria yang telah ditentukan, kita bisa melihat Bahwa diperoleh hasil nilai probabilitas F statistiknya pada baris ini ya.

Diperhatikan pada probe dalam kurung F statistik ini. Jadi ini nilai signifikansinya daripada nilai F hitungnya. Yaitu sebesar 0,00089 ya.

Tentu saja lebih kecil dibandingkan tarap signifikansi alpha 0,05. Maka HO ditolak. Keputusannya...

Bahwa fixed effect model atau VEM itu lebih tepat dibandingkan common effect model atau CHEM. Nah, jadi HO ditolak tidak kita ambil kesimpulan HO ini, kita ambil yaitu keputusan HA. Yaitu, sekali lagi, fixed effect model atau VEM lebih tepat dibandingkan common effect model. Demikian, hasil uji cowo menghasilkan pilihan adalah fixed effect model yang terbaik dibandingkan common effect model. Selanjutnya, hasil uji Hausman.

Pada uji Hausman, juga sama, uji Hausman perlu kita bikin dulu rumusan hipotesis untuk penentuan keputusannya, yaitu membentuk HO dan HA. HO, Random Effect Model REM lebih tepat dibandingkan Fixed Effect Model VEM, dan HA, Fixed Effect Model atau VEM, lebih tepat dibandingkan Random Effect Model atau REM. Perlu diingat juga, Uji Hausmann adalah pengujian statistik untuk memilih apakah di antara model fixi-pack atau random effect yang paling tepat digunakan.

Dengan kriteria keputusan, yaitu nilai C-square hitung lebih besar dari C-square table atau bisa juga menggunakan nilai probabilitas C-square. Jika lebih kecil dari tahap signifikansi atau alpha 0,05, maka tolak HO atau memilih kesimpulannya memilih fixi-pack. daripada random effect.

Lalu, jika nilai C2 hitung lebih kecil dari C2 table atau bisa menggunakan nilai probabilitas C2-nya jika lebih besar dari tarap signifikansi atau alfa penelitian 0,05, maka tidak menolak Aho. Dengan kata lain, terima HO atau kesimpulannya memilih random effect daripada fixed effect. Nah, dari hasil screenshot Olahan data kita, uji Hausman. Di sini kita bisa melihat hasil nilai probabilitas dari C-square. Kita perhatikan hasil nilai probabilitas C-square.

Ini nilai C-square statistiknya. Dan kita lihat langsung pada nilai prob. Pada kolom prob atau singkatan dari probabilitas.

Sebesar 0,2664. Jadi, Diperoleh hasil nilai probabilitas C-square statisnya sebesar 0,2664, yang tentu saja lebih besar dibandingkan tarap signifikansi alfa 0,05. Sehingga keputusannya HO diterima dalam artian random effect model atau REM itu lebih tepat dibandingkan fixed effect model. Jadi keputusannya HO diterima artinya bunyi HO yaitu random effect model lebih tepat dibandingkan fixed effect model yang kita pilih.

Demikian hasil uji Haussmann menghasilkan pilihan adalah random effect model. Sehubungan hasil uji COU kita mendapatkan pilihan fix effect model yang terbaik, kemudian uji Hausman yang diperoleh hasil yang terpilih adalah random effect model, belum ada yang menjadi pilihan terbaik karena masing-masing baru diuji satu kali. Sehingga kita perlu melakukan uji ketiga yaitu uji Lagrang Multiplier di mana ini membandingkan antara model common effect dengan random effect model. Tentu saja, kita bikin juga rumusan hipotesis terlebih dahulu. HO, common effect model, REM, lebih tepat dibandingkan random effect model, REM.

HA, random effect model, atau REM, lebih tepat dibandingkan common effect model, atau CHEM. Perlu diingat juga, uji LM adalah pengujian statistik memilih apakah di antara model random effect atau common effect yang paling tepat digunakan. Dengan kriteria keputusan, jika nilai probabilitas dari, atau nilai probabilitas bot dari Bruce Fagan, metode Bruce Fagan, itu kurang dari tarap signifikansi, maka tolak HO atau kesimpulannya memilih random effect daripada common effect.

Dan jika nilai probabilitas atau bot daripada metode Bruce Fagan, adalah lebih besar dari tarap signifikansi atau alpha, maka terima HO atau kesimpulannya memilih common effect daripada random effect. Dari output yang telah kita screenshot, hasilnya yang sama, ini kita lihat hasil nilai probabilitas pada baris bot, pada kolom bot, ya. Jadi, baik dari sisi cross-section one-side maupun period one-side, dari silang maupun data time seriesnya, kita bisa melihat dari kedua sisi itu, Nilai probabilitas atau signifikansi dari Bruce Fagan pada kolom bot ini, yang ini, itu sebesar 0,0000. Jadi lebih kecil tentu saja dibandingkan tarap signifikansi atau alfa penelitian 0,05.

Maka HO ditolak sehingga keputusannya random effect model lebih tepat dibandingkan fixed effect model. Jadi, sekali lagi. Dikarenakan nilai probabilitas dari beruspagan 0,0000 yang lebih kecil dibandingkan terap signifikansi atau alpha penelitian 0,05, maka H.O.

ditolak keputusannya bahwa random effect model atau RAM lebih tepat dibandingkan fixed effect model. Demikian, dari hasil 3 pengujian, kita memastikan bahwa pilihan yang terbaik Dari 3 model yang ditawarkan, common effect model, fixed effect model, random effect model, yang terpilih adalah random effect model atau RAM. Kenapa? Dari ketiga pengujian, random effect model itu mendapatkan 2 kali terpilih dari hasil uji Hausman maupun dari hasil uji LM.

Dimana pada uji Hausman, random effect lebih baik dibandingkan fixed effect. Dan pada uji LM, Random effect lebih baik daripada model common effect. Sedangkan fixed effect hanya sekali, dimana hanya pada saat uji cowo, fixed effect lebih baik daripada model common effect.

Tetapi pada saat uji houseman, fixed effect tidak lebih baik atau dikalahkan, istilah lainnya, dikalahkan oleh model random effect. Artinya random effect model 2 kali, terpilih sebagai model terbaik dari uji Hausmann maupun uji LM sedangkan fix effect hanya 1 kali dari hasil uji Chou. Jadi keputusannya, berdasarkan ketiga punjian, model yang terbaik adalah random effect model.

Ini ditampil kembali output daripada random effect model. Di sini kita sudah bisa melihat nilai-nilai koefisien, baik nilai konstanta maupun nilai koefisien regresi atau slope. daripada masing-masing variable bebasnya.

Nanti kita akan bikin persamaan atau modal regresinya sekaligus interpretasinya. Tapi sebelum kita menginterpretasikan modal, kita belum langsung menginterpretasikan model karena kita harus melakukan uji asumsi klasik sebagai syarat model regresi atau sebagai syarat model regresi yang memenuhi asumsi blue, base linear, unbase estimator, dan juga uji kelayakan model untuk memastikan model regresi ini memang layak atau tidak digunakan sebagai alat penelitian. Baik, jadi sebelum kita interpretasikan, kita harus pertama melakukan uji asumsi klasik.

Uji asumsi klasik yang pertama ini adalah uji normalitas. Baik, untuk uji normalitas kita menggunakan metode Jarkibera. Nah, untuk bagaimana mendapatkan output ini akan saya coba kembali kepada program supaya menghasilkan output seperti ini, yaitu untuk uji normalitas. Kita kembali ke program dulu untuk memastikan output uji normalitas apakah sama dengan yang kita tampilkan di materi.

Untuk melakukan pengujian asumsi klasik normalitas, kita harus membuka model regresi yang terbaik atau yang terpilih, yaitu model REM. Karena model REM inilah yang kita gunakan sebagai acuan alat analisis kita, karena sudah terpilih sebagai model yang terbaik. Dan model ini juga yang dilakukan untuk dilakukan uji asumsi klasiknya. Baik, setelah terbuka model regresi random effect model, kita pertama melakukan uji asumsi klasik, yaitu uji normalitas.

Dalam hal ini menggunakan metode Jar-Kibera. Setelah terbuka, kita klik menu view, lalu pilih residual diagnostic, dan selanjutnya klik. atau pilih histogram normality test sehingga terbuka output uji normalitas dari modal regresi random effect yang terpilih ini yaitu seperti ini kita simpan terlebih dahulu klik menu freeze lalu klik menu name kita ketik nama objeknya uji underscore normalitas Klik menu OK. Sehingga hasil uji normalitas juga tersimpan di jendela work file.

Tutup hasil yang sudah ada ini. Ya, hasilnya kita buka kembali uji normalitas seperti ini. Ini adalah merupakan hasil yang sama seperti yang kita tampilkan di materi tadi. Tapi sebelum kita menginterpretasikan uji asumsi klasik normalitas ini, baiknya kita langsung hasilkan.

Uji-uji asumsi klasik berikutnya. Yaitu uji, setelah ini uji multi-kolineritas. Ini kita tutup dulu.

Untuk uji multi-kolineritas, tentu saja yang mau kita uji adalah model regresi yang terpilih, yaitu RAM. Kita buka dulu model regresi RAM. Nah, pada saat di sini kita buka, tampilannya adalah hasil uji histogram. Kita untuk melihat output model regresinya, kita klik menu view.

Lalu pilih estimation output. Atau bisa juga dengan klik menu estimate ini ya. Ya tidak.

Kita pilih menu daripada estimation tadi ya. View estimation output. Ini tampil seperti ini. Ya di sini setelah kita buka model regresi random effect yang telah kita pilih.

Dan kita uji dan menghasilkan regresi terbaik ini. Untuk uji multikolonialitas, kita menggunakan metode korelasi berpasangan namanya ya. Metode korelasi berpasangan antar variable bebas. Dengan cara, setelah terbuka model RAM, kita klik menu quick, kemudian group statistic, lalu pilihannya adalah correlation. Pada series list, kita masukkan semua variable bebas yang akan kita uji multico, yaitu ketik X1 spasi X2.

Karena yang diminta di sini adalah variable bebas yang akan kita uji. Jadi cukup X1 dan X2. X1 spasi dan X2.

Ini untuk mendeteksi apakah di antara variable bebas ini terjadi korelasi yang tinggi. Klik OK. Nah, ini hasil uji multikolinearitas.

Sebelum kita interpretasikan, kita simpan dulu. Klik menu freeze, lalu klik menu name. Kita simpan dengan nama uji multikolinearitas. uji underscore multikolinearitas.

Baik, klik OK. Tersimpan di general work file. Kita tutup yang ada.

Selanjutnya kita lakukan uji heteroskedastisitas. Sebenarnya ketika yang terpilih pada regresi data panel ini adalah random effect model, maka sebenarnya tidak perlu lagi melakukan uji asumsi klasik yaitu uji heteroskedastisitas dan uji autokorelasi. Kenapa?

Karena pada random effect model itu sudah menggunakan pendekatan. GLS atau Generalized List Squares atau GLS, di mana metode GLS ini adalah salah satu metode yang otomatis melakukan penyembuhan terhadap masalah heteroskedastisitas. Artinya sudah diasumsikan jika yang terpilih random effect model, masalah heteroskedastisitas pasti sudah teratasi.

Jadi tidak perlu lagi melakukan uji heteroskedastisitas. Kemudian uji autokorelasi, kenapa tidak perlu? Karena pada regresi data panel, terutama random effect model ini, memang data panel adalah gabungan dari data time series tahunan dalam hal ini dan data cross-section 17 kapten kota. Tetapi, Data panel lebih mendekati atau karakternya mendekati ciri daripada data cross-section atau silang. Sehingga bila mana data cross-section, maka tidak perlu dilakukan uji auto-korelasi lagi.

Karena uji auto-korelasi adalah mendeteksi apabila data regresi adalah berbentuk data time series saja atau runtun waktu. Sedangkan regresi data panel Meskipun di situ ada data time series setahunan, tetapi jika lebih banyak objek atau data cross-section-nya 17 kawasan kota, maka diasumsikan data panel adalah lebih ke ciri data cross-section. Sehingga apabila tetap dilakukan ujian otokrasi, maka sesuatu yang tidak.

Dikatakan dalam literatur adalah tidak mempunyai makna atau lebih kasar lagi sia-sia. Tetapi, demi kita ingin melihat model regresi yang memenuhi asumsi base linear unbiased estimator, tidak mengapa, tidak disalahkan juga jika tetap dilakukan semua uji asumsi klasik. Jadi tidak masalah. Jika nanti pada penelitian Anda terpilih model regresi random effect model, dan tidak melakukan uji asumsi klasik khususnya uji heteroskedastisitas dan autokorerasi itu juga tidak disalahkan dan memang sudah sesuai dengan model yang terpilih tetapi jika memang tetap ingin meneruskan dan melakukan uji asumsi klasik demi ingin melihat model regresi yang blue atau base linear unbiased estimator maka juga tidak dipersalahkan jadi kita coba tetap saja kita lakukan uji heteroskedastisitas.

Dalam hal ini, kita melakukan uji heteroskedastisitas dengan metode uji Gletser. Dengan cara, tentu saja kita buka dulu model yang terpilih, yaitu model random effect model sebelumnya. Ya, sehubungan... uji Glaser itu tidak melihat dari nilai apa variable terikat yang sebenarnya sementara yang di regresikan dengan variable bus adalah absolute residual maka kita memang pada akhirnya tidak memerlukan output random effect jadi kita tutup kembali ya maksudnya kita harus menghasilkan nilai absolute residual nya dengan cara untuk uji kepentingan uji Glaser ya.

Dengan cara kita klik menu generate series ini. Klik menu generate ini. Generate series by equation. Pada kotak dialog enter equation, pada kotak enter equation ini kita ketikkan, kita ingin mencari atau menghasilkan nilai yang namanya residual absolute.

Jadi kita ketik seperti ini, res abs, formulanya sama dengan abs atau abs dalam kurung, resit. Maksudnya di sini, kita akan menghasilkan nilai absolute residual atau resup ini residual absolute dengan cara mengalihkan nilai abs absolute dengan nilai residual nya ya rumusnya seperti ini untuk menghasilkan residual atau residual absolute residual ini adalah sama dengan ABS dalam kurung resit ya itu kemudian kita klik ok Sehingga muncul nilai atau variable raise ups. Kita coba lihat angkanya. Wah, di sini ada kendala.

Sepertinya nilai raise up-nya belum ada. Kita coba ulangi. Mungkin model random effect memang tidak memerlukan ini.

Uji heteros. Kita coba dulu. Kita menghasilkan.

Karena di sini sepertinya nilai residunya tidak ada. Nah, kita harus menghasilkan nilai residu. Kita klik, kita estimasi kembali persamaan regresi secara umum dulu. Klik estimate equation. Y, spasi C, X1, spasi X2.

Panel absent tetap none. Klik OK. Baik, kita tutup langsung. Yang penting nilai residualnya sudah muncul.

Kita coba kita lihat nilai residual. Ya, sudah muncul. Baru kita nilai Result tadi kita hapus dulu. Yang sudah ada ini kita klik kanan, delete.

Yes saja. Kita coba lagi untuk mendapatkan nilai Result. Klik Gen, Generate Series.

Kemudian ketik formula Result. Sama dengan ABS dalam kurung. Resid. Tutup kurung.

Klik OK. Hingga kita sudah mendapatkan nilai absolute residual. Residual.

Coba kita lihat apakah ada nilai. Nah, sudah ada. Kita baru bisa melakukan uji Gletser. Uji heteroskedastisitas.

Sebenarnya ini tidak lagi menggunakan model RAM. Dengan cara. Setelah kita menghasilkan nilai Res Abs, kita klik menu, kita buka dulu data Residual Absolute. Kita klik menu Quick ya, kita klik menu Quick, maaf, kita klik menu Quick, lalu Estimate Equation. Kemudian ketik formula Res Abs, spasi.

Kemudian C, spasi X1, spasi X2. Seperti ini untuk uji Glacier formulanya. Jadi kita akan meregresikan variable bebas dengan nilai, dengan variable absolute residualnya. Bukan dengan variable terikat Y, bukan.

Kemudian kita klik OK. Sehingga tampil hasil uji Glacier. Ya, kita simpan dulu. Klik menu freeze. Lalu, kita klik menu name.

Kita simpan dengan nama uji underscore heteroskedastisitas. Oke. Ya, sudah. Kita tutup.

Tutup. Yes. Nah, uji heteroskedastisitas sudah.

Selanjutnya. Untuk uji autokorelasi, sebenarnya tidak perlu, tapi kita coba saja. Untuk uji autokorelasi, kita cukup melihat hasil model REM.

Apakah itu berdasarkan metode DW nantinya, nilai Darbyn-Watson yang Waste Statistic ini. Baik, kita akan interpretasikan output yang sudah kita peroleh, hasil uji asumsi klasik. Kita lihat materi kembali, penjelasan.

Baik, hasil uji normalitas, sekali lagi, ini sudah dengan metode Jack-Bera sudah kita screenshot, di mana pada saat uji asumsi klasik uji normalitas, kita juga membuat hipotesis HO, data residual berdistribusi normal, HA, data residual tidak berdistribusi normal. Dengan kaedah keputusan uji normalitas metode Jack-Bera ini adalah, HAO diterima jika nilai probabilitas Jack-Bera lebih besar daripada tarap signifikansi penelitian alpha 5% atau 0,05. Dan HO ditolak jika nilai probabilitas jar Kibera lebih kecil daripada tarap signifikansi alpha 5% atau 0,05. Berdasarkan output grafik ini, bisa kita lihat nilai probability dari jar Kiberanya adalah sebesar 0,392640.

Artinya, lebih besar dibandingkan tarap signifikansi alpha penelitian 0,05. Maka keputusannya, HO diterima bahwa data residual pada modal regresi berdistribusi normal. Demikian kesimpulan hasil uji normalitas.

Selanjutnya kita melakukan uji multikolonialitas. Kita menginterpretasikan hasil uji multikolonialitas yang telah kita peroleh. Dari hasil uji normalitas, Kita sebelumnya kita bikin hipotesis.

HO tidak ada multikonellitas antar variable bebas pada modal regresi. HA ada multikonellitas antar variable bebas pada modal regresi. Dengan kaedah keputusan uji multikonellitas, di sini kita menggunakan metode korelasi berpasangan. HO diterima jika nilai korelasi antar variable bebas lebih besar dari 0,85. HO ditolak jika nilai korelasi antar variable bebas lebih kecil dari 0,85.

Dari output kita bisa lihat bahwa nilai korelasi antara X1 dan X2 hanya 2 variable bus yaitu sebesar min 0,336324. Artinya nilai korelasi dari variable bus adalah kurang dari 0,85. Sehingga kesimpulannya HO diterima. Tidak ada multikil minoritas antar variable bebas dalam model regresi.

Nilai minus ini kita abaikan. Ini adalah menandakan arah hubungan saja. Jadi tetap di sini diasumsikan nilai variable bebas ini adalah kurang dari 0,85.

Nah, min 0,336324 ini menyatakan bahwa nilai korelasinya adalah Kurang dari 0,85 sehingga tidak ada multikolonialitas antar variable bus dalam model regresi. Next, kita lihat hasil uji heteroskedastisitas. Dengan catatan sekali lagi, model random effect jika terpilih pada model regresi panel, itu sudah merupakan metode JLS, metode penyembuhan heteros. Jadi sebenarnya tidak perlu uji heteroskedastisitas.

Tetapi kalau pun mau dilakukan juga tidak masalah. Tidak masalah. Nah, dalam hal ini...

Kita bikin rumusan hipotesis HO-HA. HO tidak ada masalah heteroskedastisitas pada model regresi. Dan HA ada masalah heteroskedastisitas pada model regresi. Uji heteroskedastisitas ini wajib dilakukan apabila model yang terpilih fixed effects model atau common effect model. Seperti lagi kalau random effect model tidak perlu dilakukan.

Tapi kalau mau dilakukan juga tidak apa. Kaedah keputusannya. Ini dengan menggunakan metode uji Gletscher, HO diterima jika nilai probabilitas T statistik masing-masing parabel bebas lebih besar dari tarab signifikansi 5% atau 0,05. HO ditolak jika nilai probabilitas T statistik masing-masing parabel bebas lebih kecil dari tarab signifikansi alpha 5% atau 0,05. Dari hasil output kita lihat nilai probabilitas masing-masing parabel bebas ini yang disini di kolom.

di baris X1, X2 pada kolom probabilitas 0,2709 untuk X1 dan 0,8239 untuk X2. Ini semuanya lebih besar dibandingkan tarap signifikansi alpha 0,05. Sehingga HO diterima, keputusannya tidak ada masalah heteroskedaksitas pada model regresi. Selanjutnya uji asumsi klasik berikutnya uji auto korelasi kita gunakan metode Darvin-Watson.

Dari nilai Darvin-Watson yang kita lihat di sini hasilnya adalah 1,539689. Sebelumnya juga kita bikin hipotesis. HO tidak ada autokorelasi pada modal regresi, HA ada autokorelasi pada modal regresi. Dengan kaedah keputusan uji autokorelasi metode Darbyn-Watson, jika nilai DW berada di antara DU dan 4 min DU, maka HO diterima tidak terjadi autokorelasi. Jika nilai DW lebih kecil dari DL, DL ini Darbyn lower, atau Darbyn-Watson DW lebih besar dibandingkan 4 min DL, maka HO diterima tidak terjadi autokorelasi.

Artinya terjadi autokorelasi. Kemudian, jika nilai DW berada di antara DL dan DU, atau nilai DW berada di antara 4 min DU dan 4 min DL, artinya tidak ada kepastian atau kesimpulan yang pasti. Baik, kita lihat juga ada kriteria alternatif, nilai DW berada di antara min 2 dan plus 2, atau DW berada di antara min 2 dan 2, maka juga tidak terjadi autokorelasi. Kalau berdasarkan kriteria yang pertama, kita lihat nilai DW 1,539689, kita harus mencari nilai DL dan DU pada tabel Darwin-Watson.

Kita lihat tabel Darwin-Watson, saya sudah menyiapkan tabel. Kita buka dulu tabel Darwin-Watson. Kita coba lihat, saya buka dulu foldernya.

Ya, albin-albin wesson. Oke, ini. Kita lihat tabel dari wesson di sini. Untuk mencari nilai dl dan du, perhatikan. Pada kolom tabel dari lesson, di sini ada ketentuan kolom K.

K ini menandakan jumlah variable bebas. Di sini dalam hal ini variable bebas kita 2 ya. K sama dengan 2. Dan jumlah N atau observasi sebanyak 85 observasi ya. Perlu diingat tadi jumlah observasi penelitian 85. Di kolom K sama dengan 2. Berarti kita bisa lihat di sini nilai daripada DL. 1,5995 dan nilai DU 1,6957 kita bandingkan untuk memastikan bahwa tidak ada autokorelasi nilai DW harus lebih besar dibandingkan DU, sementara jika kita lihat nilai DU 1,6957 artinya nilai DW ini Lebih kecil dibandingkan nilai DU.

Artinya sudah tidak memenuhi syarat di sini di mana DU harusnya lebih kecil dibandingkan DW. Kita pilih alternatif lain. Berarti di sini nilai DW 1,539689 ini pastinya Lebih besar mungkin daripada nilai DL. DL tadi kita lihat sebesar 1,5995.

Ya ini ya. 1,5995 memang lebih kecil dibandingkan nilai DW. 1,5995. Oke. 1,5995 lebih besar malah dibandingkan nilai DW ya.

Berarti kalau DW lebih kecil dari DL, berarti di kategori yang B ini, berarti terjadi auto. Tetapi kita bisa menggunakan alternatif kriteria dari Santoso, yaitu jika berada di antara min 2 dan 2, berarti nilai 1,539 ini berada di antara min 2 dan 2, artinya tidak terjadi auto korelasi. Jadi bisa saja metode yang digunakan itu bisa berbeda ya. kriteria keputusan.

Jadi, kita bisa memutuskan bahwa di sini tidak terjadi auto berdasarkan kriteria di antara min 2 dan 2. Demikian, perlu diingat sebenarnya regresi panel ini lebih mengarah ke data cross-section, sebenarnya sehingga tidak perlu uji auto-korelasi, kalaupun dilakukan tidak ada makna apapun ya, kalaupun terjadi atau tidak, tidak mempengaruhi hasil. Demikian untuk uji autokorelasi kita selesai. Uji asumsi klasik, maksud saya sudah selesai.

Kita lakukan uji berikutnya tahapan regresi panel, uji kelayakan model. Meliputi analisis koefisien determinasi dan uji hipotesis, uji F dan uji T. Kita lanjut.

Analisis koefisien determinasi ini berdasarkan model regresi yang terpilih yaitu random effect model. Di ini adalah output random effect model. Di sini ditampilkan nilai.

kita analisis nilai daripada R²-nya atau nilai koefisien determinasi. Jadi berdasarkan output regresi random effect model atau RAM, pada kolom R², diperoleh nilai koefisien determinasi R²-nya 0,15861. Ini artinya atau maknanya dapat disimpulkan bahwa kontribusi atau sumbangan pengaruh daripada dua variable bus yaitu IPM, X1, dan pertumbuhan ekonomi X2 secara bersama-sama pengaruhnya terhadap variasi perubahan atau naik turunnya tingkat kemiskinan, variable tingkat Y, adalah sebesar 15,8661%.

Sisanya, 84,1339%, hasil dari pengurangan 100% dikurangi 15,8661%, disebabkan oleh faktor-faktor lainnya yang tidak dikritik, jadi di luar model. Ada banyak variable yang turut sebenarnya mempengaruhi tingkat kemiskinan namun tidak dimasukkan dalam model. Karena yang kita teliti yang mempengaruhi variable tingkat kemiskinan di sini hanya dua variable bas yaitu IPM dan ketumbuhan ekonomi. Sementara sebenarnya ada 84%, 84,1339% atau disebut juga faktor non-determinasi.

yang juga sebenarnya turut non-pengaruh itu tapi tidak diteliti, tidak dimasukkan ke dalam model. Sekali lagi, makna daripada nilai koevisi determinasi 0,15861 adalah bahwa kontribusi atau sumbangan pengaruh IPM dan pertumbuhan ekonomi secara bersama-sama terhadap variasi perubahan naik turunnya tingkat kemiskinan atau Y adalah sebesar 15,8661%. Sisanya sebesar 84,1339% disebabkan faktor-faktor lain yang tidak diteliti.

Selanjutnya kita melakukan uji F atau uji signifikansi koopisien negresi secara simultan dengan langkah-langkah penyusunan hipotesis terlebih dahulu HO dan HA. HO, B1 sama dengan B2 sama dengan 0. IPM dan pertumbuhan ekonomi secara bersama-sama tidak berpengaruh signifikan terhadap tingkat kemiskinan. HA B1 tidak sama dengan B2, tidak sama dengan 0. IPN dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan. Yang langkah berikutnya setelah rumusan hipotesis HUAHA, kita bandingkan nilai F hitung dengan F table.

Berdasarkan output random effect model tadi, kita mendapatkan nilai F hitung at statistiknya sebesar 7,731,844. Kita bisa perhatikan kembali. Ini F-statistik adalah nilai F hitung 7,731844. Selanjutnya dibandingkan dengan nilai F-table. F-table dicari pada tabel F-statistik berdasarkan kriteria alfa 0,05, DF1 yaitu sebesar 2, yaitu total variable dikurang 1, dan DF2, N min K min 1, di mana N jumlah observasi dikurang ke variable bebas, jumlah variable bebas, 85 kurang 2, dan dikurang 1. adalah sekitar 82, diperoleh nilai F-table 3,11.

Kita bisa membuktikan dari nilai melihat tabel F, atau dicari juga bisa dengan Excel, dengan formula, sama dengan FIMP, dalam kurung 5%, 2,82, lalu tekan Enter, akan menghasilkan nilai F-table sebesar 3,11. Jadi, berdasarkan hasil pengujian dan keputusan, bahwa nilai F hitung yang sebesar 7,73844 itu lebih besar dibandingkan F-table 3,11. Sehingga, berdasarkan kriteria keputusan UJF, HO ditolak sehingga HA diterima, disimpulkan bahwa IPM dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan.

Dilanjutkan dengan penggambaran kurva UJF yaitu di area penerimaan dan penolakan AU. Kita bisa melihat pada gambar uji F pada kurva ini, kita bisa melihat nilai F hitungnya, 7,71384, ini berada di sisi kanan, berada di area HO ditolak, di area ARSIR. setelah nilai daripada Eptabelnya, yaitu batas kritis antara HO diterima dan HO ditolak ini. Sehingga bisa disimpulkan juga bahwa IPM dan pertumbuhan ekonomi secara bersama-sama memang berpengaruh signifikan karena masuk area HO ditolak terhadap tingkat kemiskinan. Dengan kata lain, model legacy ini signifikan sebagai alat prediksi.

Ada pun cara lain uji ketepatan model, atau ujian ini dilakukan bisa dengan melihat nilai probabilitas atau signifikansi modal regresi atau istilahnya uji probabilitas. Berdasarkan output regresi random effect model pada kolom probability abstract, kita bisa lihat di sini probability abstract pada output random effect itu sebesar probabilitinya dari F-statistik 0,0000839. Sehingga nilai probabilitas F-statistik sebesar 0,0000839 ini tentu lebih kecil dibandingkan alfa penelitian atau tarap signifikansi 0,05 sehingga berdasarkan kriteria keputusan juga disimpulkan bahwa IPM dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan.

Jadi jika nilai probabilitas lebih kecil dibandingkan alpha, itu HO diterima, HO ditolak. Jadi kesimpulannya di sini IPM dan pertumbuhan ekonomi secara bersama-sama berpengaruh signifikan terhadap tingkat kemiskinan. Ya, nilai signifikansi ya.

Pokoknya kalau nilai signifikansi atau probabilitas dari F-nya itu kurang dari 0,05, maka signifikan pengaruh daripada IPM dan pertumbuhan ekonomi atas semua parabel bebas terhadap parabel 3-nya yaitu tingkat kemiskinan. Dengan kata lain bahwa modal regresi signifikan dalam memprediksi kondisi sesungguhnya atau persamaan regresi. Dinyatakan baik, good of it. Baik?

Kita lanjut dengan uji T, hasil uji T. Dari model regresi random event model yang terpilih, kita bisa menguji hipotesis, yaitu uji signifikansi koefisien regresi secara parsial. Dengan langkah-langkah, tentu kita buat dulu hipotesis penelitian HUAA, di mana pertama untuk yang meneliti atau menguji hipotesis pengaruh IPM X1 terhadap tingkat kemiskinan. Rumusan hipotesisnya, HO, B1 sama dengan 0, IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan. HA, B1 tidak sama dengan 0, IPM berpengaruh signifikan terhadap tingkat kemiskinan.

Selanjutnya, untuk rumusan hipotesis untuk variable X2, pertumbuhan ekonomi terhadap tingkat kemiskinan. HO, B2 sama dengan 0, pertumbuhan ekonomi tidak berpengaruh signifikan terhadap tingkat kemiskinan. HA, A B2 tidak sama dengan 0, pertumbuhan ekonomi berpengaruh signifikan terhadap tingkat kemiskinan.

Lalu kita bandingkan nilai T hitung dengan T tabel masing-masing. Nilai T hitung masing-masing variable bebas dengan T tabelnya. Berdasarkan output kita bisa lihat nih pada kolom T statistik, bahwa T hitung dari variable X1 atau IPM itu 1,805060. Dan T hitung variable X2, pertumbuhan ekonomi, yaitu min 2. 0,185653. Selanjutnya nilai T hitung ini kita bandingkan dengan nilai T table.

T table dicari pada table statistik T, yaitu dengan berdasarkan kriteria alpha 0,05 dan df n min k min 1, yaitu 82. Akan diprogram nilai T table sebesar 1,98932. Kalian bisa buktikan, Anda bisa buktikan dengan melihat table T. Atau di Microsoft Excel bisa diketik formula sama dengan TINV dalam kurung 5%, 82, tutup kurung, enter.

Masalah pemisah untuk pemisah antara dua hal kriteria ini bisa koma atau titik koma tergantung settingan Excel-nya masing-masing. Hasilnya T-table sebesar 1,98932. Baik, kita lanjutkan.

Dari hasil pengujian dan sekaligus keputusan, untuk menguji koefisien negresi parsial IPM terhadap tingkat kemiskinan, nilai dihitung daripada X1 atau IPM itu 1,805060, tentu lebih kecil dibandingkan titabel yang sebesar. 1,98932. Sehingga, berdasarkan kriteria keputusan uji T, maka HO diterima.

Dapat disimpulkan bahwa IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan. Ya, karena T hitung lebih kecil dibandingkan T tabel. Ini kalau T hitung positif, lebih kecil dari T tabel positif, maka kesimpulannya HO diterima. Tidak ada pengaruh signifikan IPM terhadap tingkat kemiskinan.

Kemudian untuk yang, nah ini untuk yang variable berikutnya, untuk menguji koefisien negresi parsial, variable pertumbuhan ekonomi terhadap tingkat kemiskinan, X2 terhadap Y. Diketahui nilai T hitung daripada variable X2 itu negatif ya, min 2,185653. Jika negatif, maka dibandingkan dengan T table yang negatif atau T table sisi kiri.

Jadi sehingga min 2,185653 atau T hitung daripada parabel X2 ini lebih kecil dibandingkan T table yang negatif yaitu min 1,98932. Jika T hitung negatif itu dibandingkan dengan T table yang negatif dan jika T hitung negatif lebih kecil dibandingkan T table yang negatif, maka keputusannya HO ditolak. Ya, berbeda, agak berbeda dengan... kalau T hitung positif.

HO ditolak di sini, sehingga HA diterima. Dapat disimpulkan bahwa pertumbuhan ekonomi berpengaruh signifikan terhadap tingkat kemiskinan. Kita akan buktikan dari gambarnya nanti. Nah, ini untuk penggambaran kurva uji T khusus untuk pengaruh IPM terhadap tingkat kemiskinan. Pengujian koefisien regresi variable IPM terhadap tingkat kemiskinan.

Pada gambar pengujian Uji T ini, kita lihat bahwa nilai T hitung memang berada di area HO diterima, yaitu 1,805060 ini, berada di area HO diterima di sisi kanan, di sisi kanan 0. Sehingga memang disimpulkan bahwa IPM ini ada pengaruh positif namun tidak signifikan, karena berada di keputusan HO diterima. Berpengaruh... positif tidak signifikan terhadap tingkat kemiskinan. Sekali lagi, dikarenakan keputusannya H.O.D. terima, maka IPM berpengaruh positif karena di sisi kanan, tetapi tidak signifikan terhadap tingkat kemiskinan. Cara lain pengujian koefisien regresi ini, yaitu melihat nilai pada output random effect model pada kolom probability, maksudnya singkatan dari probabilitas, Diketahui nilai probabilitas test statistik parabel IPM itu sebesar 0,0747.

Kita bisa lihat lagi kembali. Ya, untuk X1 probabilitasnya 0,0747. Sehingga lebih besar dibandingkan alpha.

Melampaui kesalahan duga atau tingkat signifikansi penelitian alpha 0,05. Memang berdasarkan kreator ekonomi. Keputusan disimpulkan IPM tidak berpengaruh signifikan terhadap tingkat kemiskinan. Dengan kata lain bahwa koefisien negresi atas slope daripada variable IPM itu terbukti tidak signifikan pengaruhnya dalam memprediksi tingkat kemiskinan.

Demikian. Selanjutnya untuk penggambaran kurva pengujian pengaruh daripada pertumbuhan ekonomi X2 terhadap tingkat kemiskinan. Kita bisa melihat Nilai negatif dihitung daripada variable pertumbuhan ekonomi X2, yaitu sebesar min 2,185653, kita bisa lihat kembali, min, ya di sini dihitungnya memang min, ya, min 2,185653, itu berada pada area HOD tolak di sisi kiri.

Kita bisa lihat di sini, min 2,185653 ini berada di area HOD tolak di sisi kiri 0. Jadi disimpulkan bahwa pertumbuhan ekonomi berpengaruh negatif. Kenapa? Karena dia berada di sisi kiri, pengaruhnya negatif.

Negatif di sini berlawanan arah ya, bahwa pertumbuhan ekonomi jika naik maka akan menurunkan tingkat kemiskinan. Sebaliknya jika pertumbuhan ekonomi turun akan menaikkan kemiskinan. Itu yang dinamakan negatif, itu arah hubungannya berlawanan antara X2 dengan Y.

Berpengaruh negatif juga signifikan karena dia masuk area hak ditolak terhadap tingkat kemiskinan. Sekali lagi, dikarenakan nilai kehitung negatif. daripada variable X2, min 2,18553, itu berada di area H-O ditolak di sisi kiri, dapat disimpulkan bahwa pertumbuhan ekonomi berpengaruh negatif signifikan terhadap tingkat kemiskinan. Cara lain uji koopisien negresi untuk X2 ini terhadap Y ini bisa dengan melihat nilai probabilitasnya, berdasarkan uji probabilitas.

Berdasarkan output agresi random effect model pada kolom prop, diketahui nilai probabilitas test statistik parabel pertumbuhan ekonomi itu sebesar 0,0317. Kita bisa lihat kembali. Ya, di sini nilai propnya daripada parabel X2 0,0317.

Artinya lebih kecil dibandingkan alpha atau tarap signifikansi penelitian 0,05. Ya, masih lebih kecil. Sehingga berdasarkan karya keputusan disimpulkan bahwa pertumbuhan ekonomi berpengaruh signifikan terhadap tingkat kemiskinan.

Dengan kata lain bahwa koefisien regresi atau slope daripada pertumbuhan ekonomi terbukti signifikan pengaruhnya dalam memprediksi tingkat kemiskinan. Demikian hasil uji hipotesis baik uji F maupun uji T. Selanjutnya langkah terakhir atau tahapan terakhir daripada regresi data panel adalah membentuk model agresi data panel dan sekaligus interpretasi modelnya.

Berdasarkan output daripada random effect model, kita bisa melihat nilai konstanta sebesar 0,5856144 pada kolom koefisien, kemudian koefisien agresi variable X1 0,103962, dan koefisien agresi variable X2 min 0,192956, maka kita dapat menyusun model atau persamaan agresi data panel, regresi ganda data panel berbentuk data panel ini berdasarkan nilai-nilai koefisien ini menjadi Y hat sama dengan 0,585614 plus 0,103962X1 min 0,192956X2. Lalu kita interpretasikan model regresi yang sudah kita uji, kita uji asumsi klasik, uji kelayakan model, Sehingga kita bisa memastikan model ini layak dan kita boleh interpretasikan model regresi ini dengan seperti ini. Interpretasi daripada model regresi panel ini adalah nilai konstanta, nilai kompensasi konstanta di sini positif yaitu 0,586.

Ini saya bulatkan 3 desimal saja. Artinya, jika IPM X1 dan pertumbuhan ekonomi X2 bernilai 0, maka rata-rata tingkat kemiskinan atau Y itu sebesar 0,586%. Kenapa masih ada nilainya variable rata-rata tingkat kemiskinan ini? Kalaupun misalnya X1 IPM dan pertumbuhan ekonomi 0, andaikan ya itu karena adanya atau pengaruh dari variable-variable lain yang juga turut mempengaruhi tingkat kemiskinan namun tidak dimasukkan dalam modal regresi atau disebut variable non-determinasi ya, errornya.

Selanjutnya, kita interpretasikan nilai koepisien regresi variable IPM, yaitu atau disimbolkan B1, yaitu sebesar 0,104 ini. Saya bulatkan 3 desimal saja dari nilai yang ini. Nilai koepisien regresi variable X1 atau IPM itu 0,104.

Ini nilainya positif, artinya terjadi hubungan searah. Kalau bicara nilai positif itu maksudnya hubungannya searah antara variable bebas. yaitu dalam hal ini IPM X1 dengan variable terikat Y atau tingkat kemiskinan. Sehingga jika IPM atau X1 meningkat 1%, maka rata-rata tingkat kemiskinan atau Y hat akan meningkat sebesar 0,104% dengan asumsi nilai pertumbuhan X2, nilai pertumbuhan ekonomi atau X2 itu bernilai tetap atau konstan.

Ya tentu saja kalau IPM meningkat 1%, Cukup dikalikan koefisien regresi variable-nya, yaitu 0,104, maka tingkat kemiskinan akan bertambah atau meningkat sebesar 0,104%. Dengan asumsi, jangan lupa, variable-bas lainnya, yaitu pertumbuhan ekonomi, itu bernilai tetap atau konstan. Selanjutnya, koefisien regresi variable X3. Ini ada nilai negatif ya.

Sebesar min 0,193, sekali lagi saya bulatkan 3 desimal saja, profesi ini bernilai negatif, artinya arah hubungannya ini tidak searah antara variable bebas dalam hal ini pertumbuhan ekonomi X2 dengan variable terikatnya Y, tingkat kemiskinan. Sehingga jika pertumbuhan ekonomi X2 meningkat sebesar 1%, maka rata-rata tingkat kemiskinan akan turun sebesar 0,193%. Jika sudah ada kata ganti menurun, maka pada angka tidak diketikan lagi tanda minusnya.

Jadi dalam hal ini menurun, ini menggantikan kata tanda minus, menurun sebesar 0,193% dengan asumsi. Jangan lupa nilai variable bebas lainnya yaitu IPM X1 itu bernilai tetap atau konstan. Sekali lagi, nilai koefisien regresi variable X2 atau pertumbuhan ekonomi ini nilainya negatif. Artinya terjadi hubungan tidak searah antara variable bebas pertumbuhan ekonomi dengan variable terikatnya tingkat kemiskinan. Sehingga jika pertumbuhan ekonomi X2 meningkat sebesar 1%, maka rata-rata tingkat kemiskinan akan turun sebesar 0,193% dengan asumsi nilai IPM atau perbebasan X1 tetap atau konstan nilainya.

Jika misalnya kenaikan pertumbuhan ekonomi meningkatnya 10%, maka bisa saja rata-rata tingkat kemiskinan akan menurun sebesar 1,93%. Kenapa? Karena Jika naiknya nilai pertumbuhan ekonomi 10 dikalikan dengan koefisien 0,193, maka akan sebesar hasilnya 1,93%. Dengan asumsi, variable lainnya yaitu X1 IPM bernilai tetap konstan.

Demikian telah kita lakukan pembelajaran. memahami bersama regresi panel secara seberhana dengan segala keterbatasan saya. Mudah-mudahan apa yang telah kita pelajari bersama, yang telah saya sampaikan, dapat bermanfaat bagi kita semua. Mungkin ada kekurangan di sana-sini, saya mohon maaf. Semoga ada manfaatnya.

Saran dan kritik saya harapkan, pertanyaan juga saya harapkan. Semoga akan menambah khasanah referensi terutama bagi mahasiswa-mahasiswi yang akan melakukan penelitian skripsi atau memang akan sedang mempelajari atau menghadapi ujian semester khususnya mata kuliah Ekonometrika. Sekali lagi, semoga apa yang telah kita pelajari tentang regresi data panel ini bermanfaat bagi kita semua.

Saya akhiri. Alhamdulillah Assalamualaikum warahmatullahi wabarakatuh

Transcript for:Analisis Regresi Data Panel

Transcript for:
Analisis Regresi Data Panel