FLASH PROMO!! AKSES PAKET DATA SCIENCE 6 BULAN 180K!
Diskon Spesial 90% + 50% Belajar Data Science Bersertifikat
SERBU DISINI!
Pendaftaran ditutup dalam 0 Hari 5 Jam 10 Menit 31 Detik 

Teknik Pengolahan Data Kuantitatif dengan Regresi Data Panel

Belajar Data Science di Rumah 26-Oktober-2021
https://dqlab.id/files/dqlab/cache/b96677b7f5f80be439c195dda9071d7a_x_Thumbnail800.png

Data panel merupakan salah satu data kombinasi antara data cross section atau data di satu waktu tertentu yang disandingkan dengan data time series atau data runtun waktu. Data panel dalam istilah metode kuantitatif juga disebut dengan data pooling. Penggunaan data panel mempunyai beberapa keunggulan dibandingkan dengan data runtut waktu dan data antar ruang.

Pertama, dapat memberikan sejumlah data yang lebih besar, menaikan derajat bebas, mengurangi kolinearitas antar variabel penjelas, sehingga diperoleh estimasi ekonometrika yang efisien. Kedua, memberikan informasi yang penting bagi  peneliti yang tidak dapat diberikan jika menggunakan data runtut waktu dan data antar ruang. Keunggulan lainnya dalam penggunaan data panel adalah data panel dapat memberikan lebih banyak informasi, lebih banyak variabel dan mengurangi kolinearitas (collinearity) diantara variabel yang diamati, memberikan lebih banyak derajat bebas (degree of freedom) dan lebih efisien.


Kesulitan utama dalam penggunaan model penelitian data panel adalah faktor pengganggu akan berpotensi  mengandung gangguan yang disebabkan karena penggunaan observasi runtut waktu (time series) dan antar ruang (cross section), serta gangguan yang disebabkan keduanya. Penggunaan observasi antar ruang memiliki potensi terjadinya ketidak konsistenan  parameter regresi karena skala data yang berbeda, sedangkan observasi dengan data runtut waktu menyebabkan terjadinya autokorelasi  antar observasi.


Model regresi data panel menggunakan notasi i yang menunjukkan individu dan t yang menunjukkan waktu. Gujarati menyatakan bahwa dalam melakukan estimasi parameter pada analisis regresi linear dengan data panel dapat dilakukan dengan tiga cara yaitu common effect model, fixed effect model, dan random effect model. Untuk memilih model terbaik dilakukan beberapa tahapan pengujian. Uji Chow digunakan untuk melihat model terbaik antara CEM dan FEM. Uji Hausman untuk melihat model terbaik antara FEM dan REM dan uji Breusch Pagan-Lagrange Multiplier (BPLM) untuk melihat model terbaik antara REM dan CEM.


Setelah melakukan pemilihan model, dilanjutkan dengan pengujian struktur matriks varians-kovarians residual menggunakan uji Lagrange Multiplier (LM) untuk mengetahui apakah residual bersifat homoskedastis dan heteroskedastis. Apabila residual bersifat heteroskedastis maka dilakukan uji lambda Lagrange Multiplier (λLM) yang digunakan untuk melihat apakah ada cross-sectional correlation antar residu atau tidak. Selanjutnya dilakukan uji kelayakan model yaitu dengan melihat koefisien determinasi, pengujian simultan dan pengujian secara parsial. Nilai koefisien determinasi berkisar antara 0 sampai dengan 1. Semakin mendekati nilai 1 berarti persamaan regresi yang dihasilkan semakin tepat/baik. Kira-kira apa saja ya komponen penjelasan dari setiap uji dalam pengolahan data pada regresi data panel. Mari kita cari tahu lebih dalam.


Pada artikel DQLab kali ini, kita akan membahas mengenai jenis-jenis uji dalam teknik pengolahan data pada regresi data panel dan kira-kira apa saja ketentuan-ketentuan jenis uji yang dilakukan pada model regresi data panel. Dengan harapan bisa menjadi tambahan insight dan rekomendasi bagi kalian calon praktisi data, peneliti maupun data enthusiast. Jangan lewatkan artikel berikut ini, pastikan simak baik-baik, stay tune and keep scrolling on this article guys!


1. Uji Chow

Chow test merupakan uji untuk membandingkan model common effect dengan fixed effect. Chow test dalam penelitian biasanya menggunakan program Eviews. Hipotesis yang dibentuk dalam Chow test adalah sebagai berikut :

H0 : Model Common Effect

H1 : Model Fixed Effect

H0 ditolak jika P-value lebih kecil dari nilai a. Sebaliknya, H0 diterima jika P-value lebih besar dari nilai a. Nilai a yang digunakan sebesar 5%.


Baca juga : Teknik Pengolahan Data Kualitatif: Ketahui Macam-Macam Metode Pengumpulan Data


2. Uji Hausman

Pengujian ini membandingkan model fixed effect dengan random effect dalam menentukan model yang terbaik untuk digunakan sebagai model regresi data panel. Biasanya Hausman test menggunakan program yang serupa dengan Chow test yaitu program Eviews. Hipotesis yang dibentuk dalam Hausman test adalah sebagai berikut :

H0 : Model Random Effect

H1 : Model Fixed Effect

H0 ditolak jika P-value lebih kecil dari nilai a. Sebaliknya, H0 diterima jika P-value lebih besar dari nilai a. Nilai a yang digunakan sebesar 5%.


3. Penentuan Model Terbaik

Penentuan model terbaik antara common effect, fixed effect, dan random effect menggunakan dua teknik estimasi model. Dua teknik ini digunakan dalam regresi data panel untuk memperoleh model yang tepat dalam mengestimasi regresi data panel. Dua uji yang digunakan, pertama Chow test digunakan untuk memilih antara model common effect atau fixed effect. Kedua, Hausman test digunakan untuk memilih antara model fixed effect atau random effect yang terbaik dalam mengestimasi regresi data panel.


4. Asumsi Klasik Dalam Data Panel

Data panel adalah regresi yang menggabungkan data time series dan data cross section. Ada beberapa keuntungan yang diperoleh dengan menggunakan estimasi data panel. Pertama, meningkatkan jumlah observasi (sampel), dan kedua, memperoleh variasi antar unit yang berbeda menurut ruang dan variasi menurut waktu. Menurut Gujarati, data panel sedikit terjadi kolinearitas antar variabel sehingga sangat kecil kemungkinan terjadi multikolinearitas. Berdasarkan uraian tersebut asumsi klasik yang digunakan dalam penelitian adalah uji autokorelasi dan uji heteroskedastisitas.


Baca juga : Kenali 3 Jenis Metode Pengolahan Data Kuantitatif


5. Belajar Teknik Pengolahan Data Paling Mudah Bersama DQLab!

Penelitian merupakan kegiatan yang terpenting dalam sebuah riset untuk menggali sebuah permasalahan yang terjadi di lapang. Tidak terkecuali dengan adanya pemahaman akan pentingnya analisis data tentunya juga membutuhkan keuletan dan kepiawaian dalam melakukannya. Hal ini juga tidak boleh diabaikan karena pada tahap ini peneliti harus menentukan jenis penelitiannya.


Apalagi penentuan teknik pengolahan data juga tidak boleh dianggap enteng. Justru itulah yang merupakan kunci dalam sebuah penelitian. Karena pada dasarnya penerapan analisis data berbeda jika jenis penelitiannya berbeda. Salah satu penerapannya adalah data science yang terdiri dari bidang ilmu matematika, statistik, dan komputer. Dengan mempelajari Data Science, kamu akan terlatih dan terbiasa untuk menghasilkan informasi dari olahan data mentah dan insight yang valuable. Jika kamu penasaran dengan data science dan ingin belajar data science dan pengolahan data secara langsung, caranya mudah banget.


Kamu bisa loh untuk coba bikin akun gratisnya kesini di DQLab.id atau bisa klik button di bawah ini yap. Kamu juga bisa loh cobain Modul lain untuk mengasah kemampuan data science kamu biar lebih oke lagi dan bisa diakses tanpa batas. Nikmati pengalaman belajar data science yang menarik dan cobain berlangganan bersama DQLab yang seru dan menyenangkan dengan live code editor. Cobain juga free module Introduction to Data Science with R dan Introduction to Data Science with Python untuk menguji kemampuan data science kamu.


Kalian juga bisa mencoba studi kasus penerapan real case industry. Ayo persiapkan dirimu untuk berkarir sebagai praktisi data yang kompeten!



Penulis: Reyvan Maulid



Mulai Belajar
Data Science Sekarang
Bersama DQLab

Buat Akun Belajarmu & Mulai Langkah
Kecilmu Mengenal Data Science.

Buat Akun Gratis Dengan :

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/8be7fae4b69abead22aa9296bcab7b4b.jpg Sign-Up dengan Google

https://dqlab.id/files/dqlab/file/data-web-1/data-user-2/50040333a3a5d46bf130664e5870ebc6/d0aa879292fb427c0978d2a12b416e98.jpg Sign-Up dengan Facebook

Atau Buat Dengan :