Welcome to Wajibstat Analysis Jibvela17...

NEW WAJIBSTAT ANALYSIS IS COMING***

Senin, 08 April 2013

INTERPRETASI MENARIK NILAI INDIVIDUAL EFFECT (Ci) PADA MODEL TERPILIH (Random Effect Model) + ANALISIS PENGARUH REGRESI DATA PANEL DENGAN EVIEWS 7.0



INTERPRETASI MENARIK NILAI INDIVIDUAL EFFECT (Ci) PADA MODEL TERPILIH (Random Effect Model) + ANALISIS PENGARUH REGRESI DATA PANEL DENGAN EVIEWS 7.0

Hai sobat semua, hehehe,, ketemu lagi nih walaupun cuma lewat postingan di dunia maya hehehe.. Seperti biasa, saya tanya apa kabarnya nih sob? Moga baik, sehat dan sukses selalu ya.. Amiiinn..

Nah, janji tidak tinggal janji lhoo.. Janji itu kan utang, ya nggak hehehe.. Janji saya buat sobat semualah yang jadi alasan saya untuk memberikan apa yang masih bisa saya sanggupi.. 

Oke deeeh, kalau sebelumnya saya udah posting tentang pemilihan model terbaik analisis data panel (common, fixed, random effect) dilengkapi contoh dengan eviews 7.0, kali ini sesuai dengan janji, saya mau hadirkan postingan tentang gimana cara menginterpretasikan nilai efek individu yang menarik. Heemh, ini penilaian juga lhoo buat dosen penguji kalau ada diantara sobat yang akan ikut sidang skripsi atau thesis nanti hehehe..

Gak cuma itu, saya mau kasi juga interpretasi ringkas terkait analisis pengaruh pada regresi data panel yang sudah dengan model terbaik (dalam hal ini adalah Random Effect Model). Let’s gooo..

Setelah sebelumnya sobat udah lakukan pemilihan model dengan uji Chow dan Hausman, diperoleh model terbaik misalnya Random, silahkan buka lagi output Pool Estimation yang pakai Cross Section Random.. 




Ingat pada Random Effect, nilai individual effect ditambahkan dengan nilai intersepnya. Jadi, perlu sobat tahu, otomatis intersep akhir (individual+intersep) akan berbeda satu sama lain dong hehe.. Makin besar individual effectnya, makin besar juga intersep akhirnya untuk masing-masing propinsi. 

Wow, berarti nanti setiap propinsi kita punya model.. Huufht, banyak banget dong penjelasannya.. Tenang, jangan semuanya dijelasin, cukup yang ekstrim-ekstrim ajalah. Cari aja misal 6 propinsi yang intersep akhirnya terbesar dan terkecil aja sob..
Ini saya sudah tabulasikan hasilnya buat sobat semua:




Untuk menemukan secara cepat propinsi yang punya intersep akhir terbesar dan terkecil, disini sudah saya urutkan propinsi berdasarkan nilai intersep akhirnya (individual effect + intersep umu model regresi panel).





Nah, dari nilai intersep akhir terlihat bahwa propinsi DKI Jakarta yang paling tinggi, selanjutnya Jawa Timur, Jawa Barat, Jawa Tengah, Sumatera Utara dan Kalimantan Timur. Kira-kira begini penjelasannya sob.. 

Kalau kita asumsikan seluruh variabel bebas penelitian tidak berpengaruh maka keenam propinsi tersebut memiliki pertumbuhan ekonomi regional (propinsi) yang paling tinggi. Seperti kita tahu bahwa pertumbuhan ekonomi bisa mencerminkan tingkat kesejahteraan propinsi. 

Sisi lain yang juga menggambarkan kemajuan dan kesejahteraan propinsi bisa tercermin pula dari besarnya PDRB propinsi tersebut. Coba perhatikan, keenam propinsi yang punya intersep akhir tertinggi ini merupakan propinsi yang memiliki PDRB paling tinggi di Indonesia dari waktu ke waktu.
Next, kalau kita asumsikan seluruh variabel bebasnya konstan (tidak ada pengaruh) maka enam propinsi dengan nilai intersep akhir paling rendah berturut-turut mulai dari propinsi Maluku Utara, Bengkulu, Babel, Gorontalo, Maluku dan Sulawesi Tenggara memiliki pertumbuhan ekonomi regional yang terendah. Keenam propinsi yang pertumbuhan ekonomi regionalnya paling rendah ini, juga masih yang terendah dari sisi PDRB yang dihasilkan. 

Untuk verifikasi data PDRB, disini saya berikan cuplikan PDRB tahun 2011 (sumber data Badan Pusat Statistik RI).
  

Nah, sekarang kita masuk ke dalam interpretasi pengaruhnya ya..



Perhatikan nilai probabilitas t-statistic masing-masing variabel bebasnya yaa.. Ada lima variabel bebas yang secara statistik signifikan memengaruhi pertumbuhan ekonomi. Apa-apa saja itu? 
Nah, ada variabel openness(keterbukaan ekonomi), lnindeksrate (indeks tingkat suku bunga), lnihk (inflasi), TPT (tingkat pengangguran terbuka)  dan lnekspor (nilai ekspor) sedangkan variabel kurs (nilai tukar) secara statistik tidak signifikan memengaruhi variabel lnpdrb (pertumbuhan ekonomi). Tapi ingat, biarpun kurs gak signifikan secara statistik, bukan berarti kurs sama sekali gak punya pengaruh yaa.. Tetap ada, tetapi sangat kecil.
Secara statistik variabel openness, lnindeksrate, dan tpt berpengaruh negatif signifikan terhadap pertumbuhan ekonomi sedangkan lnihk dan ekspor berpengaruh signifikan terhadap pertumbuhan ekonomi. Untuk besarnya pengaruh saya kasi dua contohnya ya, sisanya sobat pasti bisalah..
Untuk openness (-0,638969), jika tingkat keterbukaan ekonomi mengalami peningkatan sebesar 1 satuan maka pertumbuhan ekonomi akan mengalami penurunan sebesar 0,639 persen.
Untuk lnekspor (0,659329), jika pertumbuhan nilai ekspor mengalami peningkatan sebesar 1 persen maka pertumbuhan ekonomi akan mengalami peningkatan sebesar 0,6851 persen.
Oke deh sob, itu dulu yang mau saya bagikan ya hehehe.. Kalau ada yang kurang, ya anggap aja itu ngurangin penyakit, lebihnya anggap aja nambahin penghasilan hehehe.. 
Semoga bermanfaat.. Salam sukses :-)




8 komentar:

  1. penjelasannya ada di sini, terimakasih mas.. :)

    BalasHapus
  2. ya sama2 mas syahrul. semoga sukses :)

    BalasHapus
    Balasan
    1. Mas kalau mau mau analisis R squared nya yg mana yg di pake.?
      soalnya kan R squared untuk metode rem ada 2 mas

      Hapus
  3. mas mau tanya. apakah pada pendekatan FEM untuk intepretasi intersep akhir juga sama seperti pada pendekatan REM yang telah dijelaskan di atas? terima kasih

    BalasHapus
  4. oh iya kemudian untuk tanda positif negatifnya pada intersep akhir bagaimana ya pengaruhnya? misal, konstanta persamaan umum 9. kemudian untuk provinsi DKI cross section individunya 61, untuk provinsi Jateng cross section individunya -80. hasil akhirnya kan untuk DKI 70 dan untuk Jateng -71. itu bagaimana ya intepretasinya? ditunggu ya jawabannya terima kasih:)

    BalasHapus
  5. sama dengan pertanyaan mbak diniyah, apakah untuk nilai efek tiap intersep pada fixed sama dengan penjelasan random di atas? terimakasi

    BalasHapus
  6. Untuk interpretasi intersepnya sama mb. Jadi nilai konstanta untuk masing-masing crosssection nanti merupakan sum up dari konstanta persamaan umum dengan masing-masing model cross section.

    BalasHapus
  7. penjelasan salah. jangan samakan interpretasi fixed effects dan random effects!

    BalasHapus