UJI CHOW
|
Redundant
Fixed Effects Tests |
|
|
||
|
Equation:
Untitled |
|
|
||
|
Test
cross-section fixed effects |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
Effects
Test |
Statistic |
d.f. |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Cross-section
F |
1.061835 |
(30,60) |
0.4112 |
|
|
Cross-section
Chi-square |
39.605638 |
30 |
0.1127 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Uji Chow bertujuan untuk menentukan model yang terbaik antara
pendekatan Common Effect atau pendekatan efek tetap (Fixed
Effect) yang akan digunakan untuk melakukan regresi data panel. Dasar
pengambilan keputusan dalam uji chow dilihat dari nilai probability
cross section Chi-square.
1. Jika nilai probability cross
section Chi-square > 0,05 , maka model yang dipilih adalah
pendekatan common effect.
2. Jika nilai probability cross
section Chi-square < 0,05 , maka model yang dipilih adalah pendekatan fixed
effect.
Hasil Uji Chow menunjukkan nilai probability cross-section chi-square sebesar
0.1127. Nilai tersebut bernilai diatas 0,05.
Berdasarkan kriteria pengambilan keputusan uji chow yang
telah dijelaskan, maka model yang dipilih adalah pendekatan CEM. Setelah
melakukan uji chow, dilakukan uji hausman untuk menentukan model atau teknik
analisa data panel antara pendekatan common effect dan pendekatan efek tetap atau fixed effect
UJI HAUSMAN
|
Correlated
Random Effects - Hausman Test |
|
|||
|
Equation:
Untitled |
|
|
||
|
Test
cross-section random effects |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
Test
Summary |
Chi-Sq.
Statistic |
Chi-Sq.
d.f. |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Cross-section
random |
6.330318 |
2 |
0.0422 |
|
|
|
|
|
|
|
|
|
|
|
|
|
Uji Hausman bertujuan untuk menentukan model yang terbaik
antara pendekatan efek acak (random effect) dan metode efek tetap (fixed
effect) yang sebaiknya dilakukan dalam pemodelan data panel. Dasar
pengambilan keputusan dalam uji hausman dilihat dari
nilai probability cross-section random (Widarjono, 2009).
1.
Jika
nilai probability cross-section random < 0,05,
maka model yang dipilih adalah pendekatan efek tetap (fixed effect).
2.
Jika
nilai probability cross-section random > 0,05, maka model
yang dipilih adalah pendekatan efek acak (random effect).
Berdasarkan hasil
estimasi uji Hausman pada tabel diatas, dapat dilihat bahwa nilai signifikansi
probabilitas cross section random lebih
kecil dari nilai signifikansi (0.0422< 0.05). Sehingga dapat disimpulkan bahwa ditolak
dan diterima, dan demikian model yang dipilih adalah fixed effect model.
UJI LM
|
Lagrange
multiplier (LM) test for panel data |
|
|||
|
Date:
12/10/24 Time: 22:12 |
|
|
||
|
Sample:
2020 2022 |
|
|
|
|
|
Total
panel observations: 93 |
|
|
||
|
Probability
in () |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Null
(no rand. effect) |
Cross-section |
Period |
Both |
|
|
Alternative |
One-sided |
One-sided |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Breusch-Pagan |
0.090820 |
0.864486 |
0.955306 |
|
|
|
(0.7631) |
(0.3525) |
(0.3284) |
|
|
Honda |
-0.301364 |
-0.929778 |
-0.870548 |
|
|
|
(0.6184) |
(0.8238) |
(0.8080) |
|
|
King-Wu |
-0.301364 |
-0.929778 |
-0.975594 |
|
|
|
(0.6184) |
(0.8238) |
(0.8354) |
|
|
GHM |
-- |
-- |
0.000000 |
|
|
|
-- |
-- |
(0.7500) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Uji
LM adalah uji untuk mengetahui apakah model random effect ataukah model common
effect yang paling tepat digunakan. Uji LM ini didasarkan pada nilai p value.
Jika nilai p value kurang dari 0,05 maka uji LM menerima H1 dan H0 ditolak,
artinya model yang baik digunakan yaitu random effect. Begitu sebaliknya jika p
value lebih dari 0,05 maka menolak H1 dan H0 diterima yang berarti estimasi
yang baik digunakan adalah dengan metode common effect.
Berdasarkan
hasil di atas nilai p value sebesar 0.7631yang berarti lebih besar dari 0,05. Maka
metode estimasi yang lebih baik digunakan yaitu CEM
ASUMSI
KLASIK
1.
Uji
Normalitas
Menurut
Ahmaddien (2019, 36) Uji Normalitas bertujuan untuk menguji apakah suatu model
regresi variabel independen dan variabel dependen atau keduanya mempunyai
distribusi normal atau tidak. Model regresi yang baik yaitu memiliki distribusi
data normal atau mendekati normal. Beberapa metode uji normalitas yaitu dengan
melihat penyebaran data pada sumber diagonal pada grafik normal P-P Plot of
regression standardized residual atau dengan uji one sample kolmogorov smirnov.
Berdasarkan uji di atas ,dihasilkan
nilai probabilitas sebesar 0.168917
lebih besar dari 0.05,dapat ditarik kesimpulan bahwa model regresi
berdistribusi dengan normal
2.
Uji
Multikolinieritas
Menurut Ahmaddien (2019, 43) multikolinearitas adalah untuk melihat ada
atau tidaknya korelasi yang tinggi antara variabel-variabel bebas dalam suatu model
regresi linier berganda. Jika ada korelasi yang tinggi diantara
variabel-variabel bebasnya, maka hubungan antara variabel bebas terhadap
variabel terikatnya menjadi terganggu
|
X1 |
X2 |
|
1 |
0.2453716353467961 |
|
0.2453716353467961 |
1 |
Kriteria penilaiannya
jika nilai dibawah 0.8, maka data terbebas dari multikolinearitas, namun jika
nilai lebih besar dari 0.8 maka data terjangkit masalah multikolinearitas.
Karena data diatas menunjukkan nilai 0.245372, artinya lebih kecil dari 0.8,
sehingga dapat disimpulkan bahwa data ini tidak terjangkit masalah
multikolinearitas
3. Uji Heterokedastisitas
Menurut Ahmaddien (2019, 44) Uji
Heteroskedastisitas bertujuan untuk menguji apakah terdapat perbedaan varian
dari residual antara suatu pengamatan dengan pengamatan lainnya. Jika varian
dari residual tetap, maka hal tersebut homoskedasitas namun jika berbeda maka
disebut heteroskedatisitas. Model regresi yang baik adalah tidak terjadi
heterokedastisitas. Berbagai macam uji heterokedastisitas yaitu uji glejser,
melihat pola titik-titik pada scatterplots regresi, atau uji koefisien korelasi
Spearman’s rho.
Berdasarkan
grafik di atas menunjukkan bahwa grafik nya tersebar dengan baik di atas angka
0 dan di bawah angka 0 membuktikan bahwa data nya tidak terjadi
heterokedastisitas
Uji hetero glejser
|
Dependent
Variable: ABS_RES |
|
|
||
|
Method:
Panel Least Squares |
|
|
||
|
Date:
03/11/25 Time: 21:37 |
|
|
||
|
Sample:
2020 2022 |
|
|
||
|
Periods
included: 3 |
|
|
||
|
Cross-sections
included: 31 |
|
|
||
|
Total
panel (balanced) observations: 93 |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std.
Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
0.452262 |
0.063358 |
7.138154 |
0.0000 |
|
X1 |
0.185546 |
0.151542 |
1.224386 |
0.2240 |
|
X2 |
-0.035402 |
0.119461 |
-0.296347 |
0.7676 |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
0.016384 |
Mean dependent var |
0.504513 |
|
|
Adjusted
R-squared |
-0.005474 |
S.D. dependent var |
0.334447 |
|
|
S.E. of
regression |
0.335362 |
Akaike info criterion |
0.684511 |
|
|
Sum
squared resid |
10.12206 |
Schwarz criterion |
0.766208 |
|
|
Log
likelihood |
-28.82977 |
Hannan-Quinn criter. |
0.717498 |
|
|
F-statistic |
0.749569 |
Durbin-Watson stat |
1.996038 |
|
|
Prob(F-statistic) |
0.475497 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Berdasarkan uji di atas dapat
dilihat nilai sig yang di regresikan dengan Abs_res bernilai di atas 0.05
membuktikan bahwa variable bebas nya tidak terjadi heterokedastisitas
4.
Uji
Autokorelasi
Menurut
Ahmaddien (2019, 45) Uji Autokorelasi digunakan untuk mengetahui ada atau
tidaknya penyimpangan asumsi klasik autokorelasi, yaitu korelasi yang terjadi
antara residual pada periode t dengan residual pada periode sebelumnya (t-1).
Model regresi yang baik adalah yang tidak mendapatkan masalah autokorelasi. Uji
autokorelasi biasanya untuk data time
series (data runtun waktu) sehingga data ordinal atau interval tidak wajib
menggunakan uji autokorelasi. Uji autokorelasi dilakukan dengan menggunakan uji
statistik Durbin Watson, yaitu dengan membandingkan angka Durbin Watson hitung
(DW) dengan nilai kritisnya (dL dan dU). Dengan kriteria penentuan yaitu:
1)
Jika dU
< DW < 4-dU maka Ho diterima, artinya tidak terjadi autokorelasi.
2)
Jika DW
< dL atau DW > 4-dL maka Ho ditolak, artinya terjadi autokorelasi.
3)
Jika dL
< DW < dU atau 4-dU < DW < 4-dL, artinya tidak ada kepastian atau
kesimpulan yang pasti.
|
Dependent
Variable: Y |
|
|
||
|
Method:
Panel Least Squares |
|
|
||
|
Date:
03/11/25 Time: 21:43 |
|
|
||
|
Sample:
2020 2022 |
|
|
||
|
Periods
included: 3 |
|
|
||
|
Cross-sections
included: 31 |
|
|
||
|
Total
panel (balanced) observations: 93 |
|
|||
|
|
|
|
|
|
|
|
|
|
|
|
|
Variable |
Coefficient |
Std.
Error |
t-Statistic |
Prob. |
|
|
|
|
|
|
|
|
|
|
|
|
|
C |
0.856174 |
0.116056 |
7.377237 |
0.0000 |
|
X1 |
0.979819 |
0.277585 |
3.529793 |
0.0007 |
|
X2 |
1.082034 |
0.218822 |
4.944821 |
0.0000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
R-squared |
0.349662 |
Mean dependent var |
1.477390 |
|
|
Adjusted
R-squared |
0.335210 |
S.D. dependent var |
0.753417 |
|
|
S.E. of
regression |
0.614296 |
Akaike info criterion |
1.895045 |
|
|
Sum
squared resid |
33.96231 |
Schwarz criterion |
1.976742 |
|
|
Log
likelihood |
-85.11960 |
Hannan-Quinn criter. |
1.928032 |
|
|
F-statistic |
24.19481 |
Durbin-Watson stat |
2.017886 |
|
|
Prob(F-statistic) |
0.000000 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
berdasarkan
table di atas membuktikan bahwa nilai durbin Watson sebesar 2.017886 berada di antara du dan 4 – du, maka dapat disimpulkan bahwa data
ini tidak terjadi autokorelasi
