Saturday, March 31, 2012

[Tutorial Eviews] Import data panel file Ms. Excell dan Estimasi dengan Eviews


Kebetulan beberapa hari yang lalu, ada teman yang bertanya bagaimana cara running model regresi yang menggunakan data panel dari Ms. Excell dengan menggunakan Eviews. Disini akan coba saya sampaikan secara singkat dan dalam tempo yang sesingkat-singkatnya…Lho…hahaha?? Sebenarnya pada Eviews sendiri banyak teknik untuk mengentri data, bisa secara langsung(Manual) ataupun dengan cara import data dari Ms.Excell. Namun khusus untuk data panel saya biasa melakukan import langsung dari Ms. Excell karena lebih cepat dan lebih mudah daripada input manual pada Eviews. Pada Eviews 6 yang saya gunakan, saya biasa mengimport  file Ms.Excell yang sudah berformat tahun 2003-2007.
Tahapan-tahapan import data panel dari Ms. Excell (Tersedia versi video disini) adalah sebagai berikut:
1.      Siapkan file Ms. Excell yang akan diimport, Simpan dalam format .XLS (format 2003-2007). Perhatikan susunan tabelnya. Provinsi i kemudian periode (t) nya bergerak, setelah selesai baru dilanjutkan kepada provinsi berikutnya begitu seterusnya. Contoh formatnya adalah sebagai berikut:

Data yang digunakan pada simulasi ini adalah data 30 provinsi yang diamati dalam rentang waktu 2006-2008, variabelnya dimisalkan saja Y, X1, X2 dan X3, seperti yang terlihat dibawah ini.

Setelah disimpan file Ms. Excell 2003-2007 nya jangan lupa ditutup filenya (atau save as ke format yang berbeda dari Ms. Excell yang akan diinput)
2.      Bukalah Eviews yang anda miliki, Kemudiaan pilih file >new >workfile

3.      Karena menggunakan data tahunan, maka frekuensinya dalam annual, dimulai dari tahun 2006-2008. OK

4.      Kemudian pada workfile, klik Object >New Object >Pool > tuliskan nama pool nya misal FERDI

Kemudian pada pool, identifikasikan observasi kita, tetapi dahulukan dengan menggunakan “_”, bisa berupa angka, bisa berupa tulisan, misalnya: _1,_2,…,_30 ataupun _NAD,_SUMUT,…,_PAPUA
5.      Setelah identifikasi, pilih opsi proc > import pool data

6.      Pada upper left data, isikan pada cell apakah input data dimulai (misal D2), kemudian identifikasi variabel yang digunakan (Note: akhiri identifikasi variabel dengan tanda tanya ?)

7.      Apabila input data panel benar, maka akan terbentuk data input pada workfile yang ditandai dengan x1_1 sampai x1_30, hingga y_1 sampai y_30
Note: Cek terlebih dahulu, apakah data sudah benar, apabila ada nilai yang tertukar, itu artinya kita salah dalam penyusunan tabel yang akan diinput pada Ms. Excell, perbaiki format struktur tabelnya (Back to Tahapan 1).
8.      Lakukan estimasi model sederhana. Caranya pada workfile klik pool Ferdi, kemudian pada pool pilih estimate.

Dependent Variable, isikan dengan y? (jangan lupa tanda tanya ya). Kemudian untuk Independent Variable nya, diisikan juga variabel nya dan jangan lupa diakhiri tanda tanya.
9.      Kemudian pada model estimasi nya dapat ditentukan apakah menggunakan fixed effects model ataupun random effects model.

Note: ada pilihan cross section dan ada pilihan period, coba baca kembali introduction dan model estimasi.
10.  Dan inilah hasil outputnya


Dimana ditunjukkan dari nilai Prob (f-stat) yang kurang dari 0.1 (sebagai overall test) bahwa dengan tingkat keyakinan 90 persen, minimal ada satu variabel yang berpengaruh signifikan terhadap variabel tidak bebas. Variabel yang signifikan ditandai oleh prob t-statistik (sebagai partial test) yang kurang dari 0.1. Sehingga dengan tingkat keyakinan 90 persen variabel yang signifikan mempengaruhi Y adalah variabel X1 dan X3. Dan model dapat menjelaskan 97,7 persen variasi yang terjadi pada variabel y (adjusted R-squared).

Sekian penjelasan Cara Mengimport dan Estimasi Regresi data panel dari file Ms. Excell, semoga bermanfaat dan sebelumnya dapat membaca terlebih dahulu introduction nya untuk konsepnya. Penjelasan mengenai pemilihan model estimasi terbaik akan dijelaskan kemudian…sampai jumpa lagi..=D..Ferdi Fadly

Thursday, March 29, 2012

[Tutorial] Generate angka Random dengan WinPepi

Dalam Penelitian kesehatan, biasanya kita akan sering terlibat dengan individu individu yang nantinya akan di kelompokkan oleh peneliti. Terkadang kita bingung, harus memutuskan ini akan masuk kelompok siapa? Ini harus dikasih obat apa? atau dalam bahasa lebih umum, individu ini akan diberi treatmeny apa? Nah, mungkin ini dapat menjadi pengantar dari penjelasan selanjutnya ini.

Berdasarkan
desain penelitiannya, terdapat 3 jenis penelitian (sebagai gambaran awal saja untuk analisis dan kelanjutan penjelasan akan disampaikan di kemudian
hari…trims…^^):
1.       
Cross Section Studies
Dimana dalam pengambilan sampelnya, hanya ditentukan total jumlah sampelnya saja. Misalnya: Ingin diketahui hubungan antara Status Merokok dan status sehat tidak sehat seseorang. Penelitian ini menggunakan 100 sampel, tanpa diketahui dulu siapa yang merokok ataupun siapa yang tidak sehat, dan lain-lain, jadi kondisinya acak saja, tidak perduli situasi atributnya.
2.     
Prospective studies
Dimana dalam pengambilan sampelnya, selain ditentukan total jumlah sampelnya, juga diperhitungkan kondisi awalnya. Misalnya: Ingin diketahui hubungan antara Status Merokok dan status sehat tidak sehat seseorang. Penelitian ini menggunakan 100 sampel, terdiri atas 50 sampel dari yang merokok, 50 sampel dari yang tidak merokok. Situasinya seperti itu ingin diketahui berapa yang tidak sehat dari yang merokok dan yang tidak merokok.
3.     
Retrospective Studies
Dimana dalam pengambilan sampelnya, selain ditentukan total jumlah sampelnya, juga diperhitungkan kondisi akhirnya. Misalnya: Ingin diketahui hubungan antara Status Merokok dan status sehat tidak sehat seseorang. Penelitian ini menggunakan 100 sampel, terdiri atas 50 sampel dari yang sehat, 50 sampel dari yang tidak sehat. Situasinya seperti itu ingin diketahui berapa dari yang tidak sehat yang merokok dan yang tidak merokok.
Pada cross section studies mungkin kita tidak akan mengalami kendala dalam hal alokasi sampel, karena kita hanya akan berhadapan dengan total sampel saja. Tetapi pada prospective dan retrospective studies kita akan berhadapan dengan penentuan alokasi (terkait dengan penentuan jumlah sampel masing-masing kelompok) yang tentu saja harus Random.
Misalnya: ingin diteliti pemberian obat A dan obat B pada 10 orang apakah ada hubungannya dengan status sembuh dan tidak sembuh seorang pasien. Masing-masing kelompok terdiri atas 5 orang. Bisa saja alokasi yang terbentuk berdasarkan urutan pasien adalah sebagai berikut:
A A B A B B A B A B
Nah, itu 10 orang. bagaimana kondisinya kalau sampel pasiennya banyak?? Misalnya 1000 orang. Tentu randomisasi alokasi ini menjadi hal yang bisa jadi sulit dilakukan. Microsoft Excell memang memiliki kemampuan untuk men-generate angka random (dengan menggunakan fungsi Rand() kemudian yang kurang dari 0.5 kita nyatakan grup A, dan selain itu B), namun jumlah alokasi masing-masing kelompok sulit dilakukan control. Pengalaman saya, untuk menemukan alokasi yang saya inginkan (sesuai jumlah alokasinya masing-masing grup) itu cukup lama menggunakan MS. Excell. Hingga seorang teman memperkenalkan saya dengan WINPEPI…=D. 
Dengan WINPEPI kita dapat mengalokasikan sampelnya secara random tetapi dengan jumlah yang sudah ditentukan masing-masing kelompok. Misalnya 150 sampel ingin dibagi dua kelompok. Kedua kelompok sama jumlahnya, artinya 75 sampel masing-masing kelompok. Tahapan melakukan randomisasi dengan WinPepi adalah sebagai berikut:
1.       
Bukalah winPepi yang anda miliki, kemudian pada menu opsi program pilihlah ETCETERA (Miscellaneous Procedures)
2.     
Kemudian pilihlah opsi select A. Randomization (Random Allocation)
3.     
Pilih A3. Balanced Randomization (unstratified). Centang yes, jika memang antar kelompok jumlahnya sama, kemudian tentukan jumlah sampel nya…
4.      
Hasil terlihat seperti dibawah ini, dimana kelompok A dan Kelompok B masing-masing akan berjumlah 75 sampel.
Untuk pertanyaan lebih lanjut, dapat mengirimkan email ke 07.5356@gmail.com dan terimakasih atas kunjungannya....=D

Monday, March 26, 2012

Bingung menentukan Analisis Multivariate yang digunakan???

Terkadang kita bingung untuk menentukan analisis multivariate apa yang digunakan sesuai tujuan dan data yang kita miliki. Semoga gambar(klik untuk memperbesar gambar) di bawah ini dapat menjadi masukan ataupun pandangan dalam hal penentuan metode analisis yang akan digunakan. Untuk penjelasannya akan disampaikan di kemudian hari. Terimakasih telah berkunjung di blog saya...

Sumber: Slide "Trik memilih analisis yang tepat" dan Joseph F hair dkk 





Gambar 1. Analisis Multivariate

Sunday, March 18, 2012

Fixed, Common or Random Effect ??? (Part 1)

Dari ketiga model yang telah dibahas sebelumnya, kemudian dipilih yang mana model yang paling tepat digunakan dalam penelitian. Pemilihan model dapat dilakukan secara formal maupun informal dengan mempertimbangkan beberapa hal tertentu.

Judge (1980) dalam Fadly (2011), menyatakan ada perbedaan mendasar untuk menentukan pilihan antara FEM (Fixed Effects Model) dan ECM (Error Component Model) antara lain sebagai berikut (Gujarati, 2004):
1)   Jika T (jumlah data time series) besar dan N (jumlah unit cross-section) kecil, perbedaan antara FEM dan ECM adalah sangat tipis. Oleh karena itu, dapat dilakukan penghitungan secara konvensional. Pada keadaan ini, FEM mungkin lebih disukai.
2)   Ketika N besar dan T kecil, estimasi diperoleh dengan dua metode dapat berbeda secara signifikan. Pada ECM,  , dimana adalah komponen random cross-section dan pada FEM,  ditetapkan dan tidak acak. Jika kita sangat yakin dan percaya bahwa individu, ataupun unit cross-section sampel kita adalah tidak acak, maka FEM lebih cocok digunakan. Jika unit cross-section sampel adalah random/acak, maka ECM lebih cocok digunakan.
3)   Komponen error individu  dan satu atau lebih regresor berkorelasi, estimator yang berasal dari ECM adalah bias, sedangkan yang berasal dari FEM adalah  unbiased.
4)   Jika N besar dan T kecil, serta jika asumsi untuk ECM terpenuhi, maka estimator ECM lebih efisien dibanding estimator FEM. 


-->
Secara formal, ada tiga prosedur pengujian yang akan digunakan, yaitu uji statistik F yang digunakan untuk memilih antara model commoneffects atau fixed effects; uji Langrange Multiplier (LM) yang digunakanuntuk memilih antara model common effectsatau model random effects; dan uji Hausman yang digunakan untuk memilih antara model fixed effects atau model random effects.
Untuk Pengujian Formal akan dijelaskan kemudian...Terimakasih telah membaca...=D

Estimasi Model Regresi dengan Menggunakan Data Panel

 Setelah kita membaca introduction dari regresi dengan data panel, berikut akan dilanjutkan mengenai tiga macam estimasi  model yang dapat digunakan dalam analisis regresi data panel yaitu model common effects, fixed effects, dan random effects. Pada dasarnya, perbedaan yang mendasari ketiganya adalah keberadaan efek spesifik individu ( -->αi). Keberadaan efek spesifik individu dan korelasinya dengan variabel penjelas yang teramati (Xit) sangat menentukan spesifikasi model yang akan digunakan.
A.     Common Effects Model
              Model common effects merupakan pendekatan data panel yang paling sederhana. Model ini tidak memperhatikan dimensi individu maupun waktu sehingga diasumsikan bahwa perilaku antar individu sama dalam berbagai kurun waktu. Model ini hanya mengkombinasikan data time series dan cross section dalam bentuk pool, mengestimasinya menggunakan pendekatan kuadrat terkecil/pooled least square.
            Adapun persamaan regresi dalam model common effects dapat ditulis sebagai berikut: 
dimana i menunjukkan cross section (individu) dan t menunjukkan periode waktunya. Dengan asumsi komponen error dalam pengolahan kuadrat terkecil biasa, proses estimasi secara terpisah untuk setiap unit cross section dapat dilakukan.

B.     Fixed Effects Model
            Model Fixed effects mengasumsikan bahwa terdapat efek yang berbeda  antar individu. Perbedaan itu dapat diakomodasi melalui perbedaan pada intersepnya. Oleh karena itu, dalam model fixed effects, setiap  merupakan parameter yang tidak diketahui dan akan diestimasi dengan menggunakan teknik variabel dummy yang dapat ditulis sebagai berikut:
Teknik seperti diatas dinamakan Least Square Dummy Variabel (LSDV). Selain diterapkan untuk efek tiap individu , LSDV ini juga dapat mengakomodasi efek waktu yang besifat sistemik.  Hal ini dapat dilakukan melalui penambahan variabel dummy waktu di dalam model.

C.    Random Effects Model
Berbeda dengan fixed effects model, efek spesifik dari masing-masing individu  diperlakukan sebagai bagian dari komponen error yang bersifat acak dan tidak berkorelasi dengan variabel penjelas yang teramati , model seperti ini dinamakan random effects model (REM). Model ini sering disebut juga dengan error component model (ECM). Dengan demikian, persamaan model random effects dapat dituliskan sebagai berikut:

Karena itu, metode OLS tidak bisa digunakan untuk mendapatkan estimator yang efisien bagi model random effects. Metode yang tepat untuk mengestimasi model random effects adalah Generalized Least Squares (GLS) dengan asumsi homokedastik dan tidak ada cross-sectional correlation.

Setelah membaca dengan seksama mengenai model estimasi ini, tentu kita penasaran model estimasi apa yang paling tepat untuk data panel yang kita miliki...tetap Stay tune di channel ini...=D


Saturday, March 10, 2012

Analisis Regresi dengan Menggunakan Data Panel



Dalam melakukan Analisis Ekonometrika khususnya regresi, terdapat 3 jenis data yang dapat digunakan, yaitu: data time-series, data cross-section, dan data panel. Pada data time series, satu atau lebih variabel akan diamati pada satu unit observasi dalam kurun waktu tertentu. Sedangkan data cross-section merupakan amatan dari beberapa unit observasi dalam satu titik waktu. Perlu ditekankan, Tiap jenis data punya kegunaan dan konsekuensi dari penggunaan data yang berbeda satu sama lain.

Nah, data panel (panel pooled data) sendiri merupakan gabungan data cross section dan series. Dengan kata lain, data panel merupakan data dari beberapa individu sama yang diamati dalam kurun waktu tertentu. Jika kita memiliki T periode waktu (t = 1,2,...,T) dan N jumlah individu (i = 1,2,...,N), maka dengan data panel kita akan memiliki total unit observasi sebanyak NT. Jika jumlah unit waktu sama untuk setiap individu, maka data disebut balanced panel. Jika sebaliknya, yakni jumlah unit waktu berbeda untuk setiap individu, maka disebut unbalanced panel.

Menurut Baltagi (2005) dalam Fadly (2011), penggunaan data panel dalam regresi memiliki beberapa keuntungan, diantaranya :

1.                           Dengan menggabungkan data time series dan cross section, panel menyediakan data yang lebih banyak dan informasi yang lebih lengkap serta bervariasi. Dengan demikian akan dihasilkan degress of freedom (derajat bebas) yang lebih besar dan mampu meningkatkan presisi dari estimasi yang dilakukan.

2.                           Data panel mampu mengakomodasi tingkat heterogenitas individu-individu yang tidak diobservasi namun dapat mempengaruhi hasil dari permodelan (individual heterogeneity). Hal ini tidak dapat dilakukan oleh studi time series maupun cross section sehingga dapat menyebabkan hasil yang diperoleh melalui kedua studi ini akan menjadi bias.

3.                           Data panel dapat digunakan untuk mempelajari kedinamisan data. Artinya dapat digunakan untuk memperoleh informasi bagaimana kondisi individu-individu pada waktu tertentu dibandingkan pada kondisinya pada waktu yang lainnya.

4.                           Data panel dapat mengidentifikasikan dan mengukur efek yang tidak dapat ditangkap oleh data cross section murni maupun data time series murni.

5.                           Data panel memungkinkan untuk membangun dan menguji model yang bersifat lebih rumit dibandingkan data cross section murni maupun data time series murni.

6.                           Data panel dapat meminimalkan bias yang dihasilkan oleh agregasi individu karena unit observasi terlalu banyak.



Regresi data panel dapat dimodelkan sebagai berikut :


Dimana:

α       = Konstanta

β       = Vektor berukuran P x 1 merupakan parameter hasil estimasi

Xit    = Observasi ke-it dari P variabel bebas

αi      = efek individu yang berbeda-beda untuk setiap individu ke-i

Eit     = error regresi seperti halnya pada model regresi klasik.



Model persamaan diatas disebut one-way model atau model satu arah, karena hanya mempertimbangkan efek individu (αi) dalam model. Jika model juga mempertimbangkan efek dari waktu atau memasukka variabel waktu, maka disebut two-way model atau model dua arah dan secara matematis dapat dituliskan sebagai berikut:
Dimana terdapat tambahan efek waktu yang dilambangkan dengan deltha yang dapat bersifat tetap ataupun bersifat acak antar tahunnya, selain dari keterangan yang sudah dijelskan sebelumnya.

Seperti halnya Regresi dengan menggunakan data Cross section, Regresi dengan menggunakan data panel pun memiliki tahapan yang pada dasarnya sama dengan yang sudah saya posting sebelumnya. Yaitu: Eksplorasi, Identifikasi, Estimasi, Pengujian signifikansi, Uji asumsi dan Goodness of fit model.

Namun, dengan menggunakan data panel, konsekuensinya adalah selain harus melewati tahapan tersebut, sebagai pembuat model kita harus juga melalui tahapan yang dapat dijelaskan oleh Gambar 1 berikut.

Gambar 1. Tahapan Regresi menggunakan Data Panel (Slide powerpoint Fadly, 2011)








Tahapan yang harus dilalui:

1.      Penentuan Model Estimasi – Terkait dengan model yang digunakan, Fixed or Random Effects?

2.      Penentuan Metode Estimasi

3.      Pengujian Asumsi dan Kesesuaian Model

4.      Interpretasi



Related Posts Plugin for WordPress, Blogger...

 
Design by Free WordPress Themes | Bloggerized by Lasantha - Premium Blogger Themes | Web Hosting Coupons