LANGKAH-LANGKAH MENCARI MODEL TERBAIK UNTUK DATA PANEL

December 14, 2014




PEMILIHAN MODEL TERBAIK
          1.      Uji CHOW
Hipotesis:
              H0: α1 = α2 = … = αn common model .
              H1: αi ≠ αj untuk semua i ≠ j (fixed effects model).

Statistik Uji:


 


Jika nilai Fhit > F(α; N-1 ; NT-N-K-1 ), maka keputusan hipotesis nol akan ditolak sehingga dapat disimpulkan teknik regresi data panel dengan fixed effects lebih baik dari model regresi data panel tanpa variabel dummy (common effects).

    2.      Uji Breusch-Pagan Lagrange Multiplier (B-P LM)

     Hipotesis: 
                     H0: σu 2 = 0 common effects model .
                     H1: σu 2 ≠ 0 (random effects model).
     
     Statistik Uji:



            Jika nilai BPLM >  , maka keputusan hipotesis nol akan ditolak sehingga dapat disimpulkan teknik regresi data panel dengan randomeffects lebih baik dari pada regresi data panel dengan common effects.

    3.      Uji Hausman
Hipotesis:
                H0: cov(εit,Xit) = 0 random effects model .
                H1: cov(εit,Xit) ≠ 0 (fixed effects model).

Statistik Uji:


keterangan:
W              : statistik uji Hausman;
bFEM        : vektor estimasi slope model fixed effects; dan
bREM       : vektor estimasi slope model random effects;

            Jika nilai W > , maka keputusan tolak H0 yang artinya model yang terpilih adalah model fixed effects.

PEMERIKSAAN STRUKTUR MATRIK VARIANS COVARIANS RESIDUAL
1.      Uji Lagrange Multiplier (LM)

Hipotesis:
H0: σ1 = σ2 = … = σN = σ^2 struktur homoskedastik .
H1: minimal ada satu σi ≠ σ^2  (struktur heteroskedastik).

Statistik Uji:






Jika nilai LM > , maka keputusan tolak H0 yang artinya struktur varians kovarians residual pada model fixed effects bersifat heteroskedastik.
Jika hasilnya diperoleh bahwa struktur matriks varians kovarians residual bersifat homoskedastik, maka metode estimasi yang digunakan dalam model fixed effects adalah OLS. Sedangkan jika struktur matriks varians kovarians residual model fixed effects bersifat heteroskedastik, maka perlu dilanjutkan dengan uji λLM.

2.   Pemilihan estimator struktur heteroskedastik dan tidak ada cross sectional correlation atau (SUR) dengan uji λLM.

Hipotesis:
H0: Struktur varians kovarians residual bersifat heteroskedastik dan tidak ada cross sectional correlation.
H1: Struktur varians kovarians residual bersifat heteroskedastik dan cross sectional correlation (SUR).
 


                Statistik Uji:



λLM           : statistik uji λLM;
N              : jumlah individu;
T               : jumlah periode waktu,
rij              : residual correlation coefficient antar-persamaan ke-i dan ke-j.

Jika nilai λLM , maka keputusan tolak H0 yang artinya
struktur varians kovarians residual pada model fixed effects bersifat heteroskedastik dan terdapat korelasi antar-residual individu.
Jika hasilnya diperoleh bahwa struktur matriks varians kovarians residual bersifat heteroskedastik dan tidak ada korelasi antar-residual individu,maka metode yang digunakan adalah Weighted Least Square. Sedangkan jika strukturnya bersifat heteroskedastik dan ada korelasi antar-residual individu, maka digunakan metode estimasi MLE dengan pemodelan Seemingly Unrelated Regression (SUR).

You Might Also Like

0 komentar

INSTAGRAM