Download Microsoft Visual C++

Unduh Microsoft Visual C++ 2010 SP1 Redistributable Package (x86) pada link dibawah.
https://drive.google.com/file/d/0B8LnoxFUs9suVzk5cEdkUDBBZ0k/view?usp=sharing 

Uji Heteroskedastisitas Data Panel Dengan Stata

Uji asumsi klasik merupakan suatu prosedur statistik yang dilakukan untuk mengetahui ada atau tidaknya penyimpangan terhadap theorema Gauss Markov (yang kemudian dikenal dengan asumsi klasik) pada suatu model regresi linier yang berbasis metode kuadrat terkecil atau ordinary least square (OLS). Menurut Gujarati & Porter (2009), apabila asumsi-asumsi klasik terpenuhi, maka estimasi dengan metode OLS akan menghasilkan penaksir yang bersifat BLUE (Best Linear Unbiased Estimation).

Salah satu asumsi penting pada model regresi linier klasik adalah adanya homogenitas pada nilai varian dari residual atau yang lebih dikenal dengan asumsi homoskedastisitas (homoscedasticity). Apabila varian dari residual nilainya berubah-ubah dari satu observasi ke observasi berikutnya maka disebut dengan heteroskedastisitas (heteroscedasticity). Menurut Gujarati & Porter (2009), heteroskedastisitas menyebabkan estimator OLS menjadi tidak efisien karena varian yang dihasilkan tidak minimum, kondisi ini menyebabkan penarikan kesimpulan pada uji t dan uji F bisa menyesatkan, sehingga kesimpulan yang diambil menjadi salah.

Pada kesempatan kali ini, admin akan berbagi sedikit pengetahuan mengenai bagaimana cara mendeteksi adanya gejala heteroskedastisitas (uji heteroskedastisitas) pada model regresi data panel dengan menggunakan software Stata. Stata sebagai salah satu software pengolah data statistik menawarkan beberapa metode pengujian heteroskedastisitas pada model regresi data panel yaitu: uji Bruesch-Pagan Lagrange Multiplier (BP-LM test); uji Greene atau uji Likelihood Ratio (LR test); dan uji Wald.

Disini hanya akan dibahas uji heteroskedastisitas dengan uji BP-LM dan uji LR. Kedua metode pengujian tersebut sama-sama mengikuti distribusi nilai chi square (χ²). Derajat kebebasan pengujian atau degree of freedom (df) pada uji BP-LM dan uji LR adalah sebesar N – 1, dimana N adalah jumlah unit/individu atau jumlah cross section. Hipotesis yang diuji pada kedua  metode pengujian tersebut adalah sebagai berikut:

H₀ : Struktur varian homoskedastis

H_A : Struktur varian heteroskedastis

Kriteria pengambilan keputusan apakah menerima atau menolak hipotesis nul (H₀) yaitu dengan membandingkan antara p-value dengan tingkat signifikansi pengujian (α) sebesar 0,05. Apabila p-value lebih kecil dari 0,05 maka hipotesis nul ditolak, yang berarti struktur varian model bersifat heteroskedastis. Sebaliknya, jika nilai p-value lebih besar dari 0,05 maka hipotesis nul diterima, artinya struktur varian model bersifat homoskedastis.

Untuk dapat melakukan uji heteroskedastisitas dengan uji BP-LM dan uji LR maka pastikan terlebih dahulu bahwa modul kedua metode pengujian tersebut telah terinstal pada software Stata yang digunakan, jika belum terinstal maka terlebih dahulu kita harus mendowload dan menginstalnya, caranya adalah pada tampilan utama Stata klik menu “Help”, kemudian pada kotak “Search” ketik lmhlmxt (untuk modul uji BP-LM) atau lmhlrxt (untuk modul uji LR), kemudian tandai opsi “Search all” selanjutnya “Ok/Enter”. Setelah hasil pencarian muncul klik link modul, selanjutnya download dengan mengklik link bertulisan “click here to install”.

Syntax (perintah) untuk uji BP-LM adalah sebagai berikut: lmhlmxt [nama variabel dependen] [nama variabel independen], id(jumlah individu). Sedangkan syntax untuk uji LR adalah sebagai berikut: lmhlrxt [nama variabel dependen] [nama variabel independen], id(jumlah individu). Untuk mencoba melakukan pengujian heteroskedastisitas dengan Stata baik dengan uji BP-LM maupun uji LR, silakan klik link download dibawah untuk mengunduh datanya. 

Data pada link download memiliki variabel dependen Y, dan variabel independen X1, X2, dan X3. Adapun jumlah individu atau cross section 5. Untuk melakukan uji heteroskedastisitas dengan uji BP-LM maka perintahnya adalah: lmhlmxt Y X1 X2 X3, id(5). Outputnya adalah sebagai berikut:

=================================================

* Breusch-Pagan Lagrange Multiplier Panel Heteroscedasticity Test

=================================================

Ho: Panel Homoscedasticity - Ha: Panel Heteroscedasticity

Lagrange Multiplier LM Test = 28.3716

Degrees of Freedom = 4.0

P-Value > Chi2(4) = 0.00001

=================================================

Untuk uji heteroskedastisitas dengan uji LR maka perintahnya adalah: lmhlrxt Y X1 X2 X3, id(5). Outputnya adalah sebagai berikut:

=================================================

* Greene Likelihood Ratio Panel Heteroscedasticity Test

=================================================

Ho: Panel Homoscedasticity - Ha: Panel Heteroscedasticity

Likelihood Ratio LR Test = 104.41497

Degrees of Freedom = 4.0

P-Value > Chi2(4) = 0.00000

=================================================

Kedua metode pengujian di atas sama-sama memiliki p-value χ² yang lebih kecil dari 0,05, sehingga berdasarkan hasil kedua metode pengujian tersebut hipotesis nul yang menyatakan bahwa struktur varian bersifat homoskedastis ditolak (terjadi gejala heteroskedastisitas).

https://drive.google.com/file/d/0B8LnoxFUs9suaVd6MFJFbjJqamc/view?usp=sharing

Referensi:

Gujarati, D.N. and Porter, D.C. (2009). Basic Econometrics. 5^th Edition. McGraw-Hill Irwin. Electronic Book. https://www.academia.edu/15273562/

Mengatasi Persoalan Tidak BLUE Pada Model Regresi Data Panel Dengan Estimator Driscoll-Kraay (HACSC Robust Standar Errors)

Bagi yang sudah berkecimpung lama dan mendalami dunia ekonometrika mungkin sudah mengetahui dan mengenal suatu metode estimasi pada model regresi data panel yang oleh Vogelsang (2011) disebut dengan Heteroscedasticity Auto Correlation Spatial Correlation (HACSC) robust standard errors. Metode estimasi ini dalam khasanah ekonometrika dikenal juga sebagai estimator Driscoll-Kraay yang diambil dari nama pelopornya yaitu Jhon C. Driscoll dan Aart C. Kraay. Metode estimasi ini pertama kali diperkenalkan dalam sebuah artikel mereka yang berjudul “Consistent Covariance Matrix Estimation with Spatially Dependent Panel Data” yang dipublikasikan di The Review Of Economics And Statistics pada tahun 1998.

Sesuai dengan namanya, estimator Driscoll-Kraay ini beroperasi dibawah asumsi adanya heteroskedastisitas, terdapat autokorelasi serta kemungkinan adanya korelasi antar individu atau korelasi spasial pada model regresi data panel yang digunakan (Hoechle, 2007). Metode estimasi ini dapat diimplementasikan baik pada model efek tetap (fixed effect models) maupun pada model POLS atau common effect models. Estimator Driscoll-Kraay pada dasarnya merupakan suatu metode koreksi terhadap adanya pelanggaran asumsi klasik pada model regresi data panel, yaitu pelanggaran asumsi homoskedastisitas serta pelanggaran asumsi non autokorelasi baik korelasi serial (temporal correlation) maupun korelasi antar individu (cross sectional correlation).

Prosedur koreksi pada estimator ini terbatas hanya pada estimasi kesalahan standard (standard errors) seperti pada metode Panel Corrected Standard Errors (PCSE). Perbedaan diantara keduanya terletak pada pendekatan koreksi yang digunakan, dimana prosedur koreksi pada PCSE menggunakan pendekatan parametris, sedangkan estimator Driscoll-Kraay menggunakan pendekatan non-parametris. Oleh karena itu, estimator Driscoll-Kraay relatif mudah dalam implementasinya karena prosedur koreksi model dilakukan dengan menggunakan metode non-parametris yang tidak membutuhkan banyak persyaratan atau asumsi.

Estimasi dengan menggunakan estimator Driscoll-Kraay ini dapat diimplementasikan pada software Stata dengan menggunakan syntax (perintah): xtscc [nama variabel dependen] [nama variabel independen] [opsi]. Sebelum menggunakan perintah di atas, terlebih dahulu  pastikan bahwa modul untuk menjalankan estimasi telah terinstal pada software Stata. Apabila modul untuk menjalankan estimator Driscoll-Kraay belum tersedia (belum terinstal), maka terlebih dahulu kita harus mendownload modulnya. Caranya adalah pada jendela utama Stata klik menu "Help", kemudian ketik xtscc pada jendela "Search kemudian enter. Selanjutnya ikuti petunjuk untuk mendownload/menginstal modulnya. Apabila modul telah terinstal maka estimasi telah dapat dilakukan.

Misalkan sebuah model regresi data panel memiliki variabel dependen dengan nama Y, dan variabel independen masing-masing X1, X2, X3, X4 dan akan diestimasi dengan menggunakan etimator Driscoll-Kraay karena adanya permasalahan heteroskedastisitas, serial korelasi serta korelasi antar individu. Apabila estimasi model dilakukan dengan menggunakan metode common effect atau POLS, maka perintahnya adalah sebagai berikut: xtscc Y X1 X2 X3 X4. Apabila estimasi model dilakukan dengan menggunakan metode efek tetap (fixed effect) maka perintahnya adalah sebagai berikut: xtscc Y X1 X2 X3 X4, fe, dimana fe adalah opsi yang menunjukkan model fixed effect.

Referensi:

Vogeslang, T.J. (2008). Heteroskedasticity, Autocorrelation, and Spatial Correlation Robust Inference in Linear Panel Models with Fixed-Effects.Working Paper, Departments of Economics Michigan State University. https://msu.edu/~tjv/ferobustse-working-paper.pdf

Hoechle, Daniel. (2007). Robust Standard Errors for Panel Regressions With Cross-Sectional Dependence. The Stata Journal, Vol. 7, No 3, 2007. 281–312.  http://www.stata-journal.com/sjpdf.html?articlenum=st0128