Penelitian ini menggunakan pendekatan Regresi Linear Berganda Data Panel Statis untuk menganalisis hubungan antarvariabel pada seluruh negara kawasan Asia Pasifik dalam dataset. Tahapan pengujian disusun secara sistematis sesuai kaidah ekonometrika panel:
library(plm) # Estimasi panel statis, uji stasioner, CSD, heterogenitas, & autokorelasi
library(lmtest) # Uji heteroskedastisitas & inferensi koefisien robust
library(sandwich) # Matriks kovarians robust (Driscoll-Kraay & Arellano)
library(car) # Uji multikolinearitas (VIF)
library(tseries) # Uji normalitas residual (Jarque-Bera)
library(readxl) # Impor file Excel
library(knitr) # Penyajian tabel berstandar publikasi
# 1. Membaca dataset Excel
path_file <- "C:/Users/HP/Downloads/data asia pasifik.revalina.xlsx"
df <- read_excel(path_file)
df <- as.data.frame(df)
names(df) <- make.names(names(df), unique = TRUE)
# Hapus baris yang benar-benar kosong di seluruh kolom
df <- df[rowSums(is.na(df) | trimws(as.character(df)) == "") != ncol(df), ]
# 2. Identifikasi kolom Negara (Cross-Section) dan Tahun (Time-Series)
idx_negara <- grep("country|negara|entity|id|nama", names(df), ignore.case = TRUE)
col_individu <- ifelse(length(idx_negara) > 0, names(df)[idx_negara[1]], names(df)[1])
idx_waktu <- grep("year|tahun|time|periode", names(df), ignore.case = TRUE)
col_waktu <- ifelse(length(idx_waktu) > 0, names(df)[idx_waktu[1]], names(df)[2])
# 3. Pembersihan variabel numerik tanpa mengeliminasi negara
kandidat_var <- setdiff(names(df), c(col_individu, col_waktu))
kandidat_var <- kandidat_var[!grepl("code|kode|iso|region|kawasan|no$", kandidat_var, ignore.case = TRUE)]
for (v in kandidat_var) {
if (!is.numeric(df[[v]])) {
bersih <- gsub(",", ".", trimws(as.character(df[[v]])))
bersih[bersih %in% c("", "NA", "N/A", "-", "..", "null")] <- NA
df[[v]] <- suppressWarnings(as.numeric(bersih))
}
}
kolom_numerik <- kandidat_var[sapply(df[kandidat_var], function(x) sum(!is.na(x)) > 0)]
# Pertahankan semua negara dan tahun yang valid
df_clean <- df[!is.na(df[[col_individu]]) & !is.na(df[[col_waktu]]), c(col_individu, col_waktu, kolom_numerik)]
df_clean[[col_individu]] <- trimws(as.character(df_clean[[col_individu]]))
df_clean <- df_clean[rowSums(is.na(df_clean[, kolom_numerik, drop = FALSE])) < length(kolom_numerik), ]
# Urutkan berdasarkan Negara dan Tahun
df_clean <- df_clean[order(df_clean[[col_individu]], df_clean[[col_waktu]]), ]
var_Y <- kolom_numerik[1]
var_X <- kolom_numerik[-1]
# 4. Deklarasi objek data panel statis
pdata <- pdata.frame(df_clean, index = c(col_individu, col_waktu))
dimensi <- pdim(pdata)
daftar_negara <- unique(df_clean[[col_individu]])
rentang_tahun <- paste0(min(df_clean[[col_waktu]]), " - ", max(df_clean[[col_waktu]]))
# 5. Spesifikasi persamaan regresi linear berganda
formula_reg <- as.formula(paste(var_Y, "~", paste(var_X, collapse = " + ")))
# Tabel 1: Dimensi Panel
info_data <- data.frame(
Komponen = c(
"Jumlah Negara / Cross-Section (n)",
"Rentang Periode Penelitian",
"Panjang Periode Waktu (T)",
"Total Observasi Panel (N)",
"Struktur Keseimbangan Panel",
"Variabel Dependen (Y)",
"Variabel Independen (X)"
),
Keterangan = c(
paste0(dimensi$nT$n, " Negara"),
rentang_tahun,
paste0(min(dimensi$nT$T), " s.d. ", max(dimensi$nT$T), " tahun"),
paste0(dimensi$nT$N, " observasi"),
ifelse(dimensi$balanced, "Balanced Panel (Seimbang)", "Unbalanced Panel (Tidak Seimbang)"),
var_Y,
paste(var_X, collapse = ", ")
)
)
kable(info_data, caption = "Tabel 1. Ringkasan Dimensi dan Spesifikasi Data Panel Asia Pasifik")| Komponen | Keterangan |
|---|---|
| Jumlah Negara / Cross-Section (n) | 15 Negara |
| Rentang Periode Penelitian | 2000 - 2024 |
| Panjang Periode Waktu (T) | 25 s.d. 25 tahun |
| Total Observasi Panel (N) | 375 observasi |
| Struktur Keseimbangan Panel | Balanced Panel (Seimbang) |
| Variabel Dependen (Y) | Y_FDI |
| Variabel Independen (X) | X1_GDP_Growth, X2_Inflation, X3_Trade, X4_Exchange_Rate |
kable(data.frame(No = seq_along(daftar_negara), Negara = daftar_negara),
caption = "Tabel 2. Daftar Lengkap Negara Asia Pasifik yang Diteliti")| No | Negara |
|---|---|
| 1 | Australia |
| 2 | Bangladesh |
| 3 | Brunei Darussalam |
| 4 | Fiji |
| 5 | Filipina |
| 6 | India |
| 7 | Jepang |
| 8 | Kamboja |
| 9 | Mongolia |
| 10 | Nepal |
| 11 | Pakistan |
| 12 | Selandia Baru |
| 13 | Thailand |
| 14 | Tiongkok |
| 15 | Vietnam |
kable(head(df_clean, 6), digits = 4, row.names = FALSE,
caption = "Tabel 3. Pratinjau Dataset Panel (6 Observasi Pertama)")| Country | Year | Y_FDI | X1_GDP_Growth | X2_Inflation | X3_Trade | X4_Exchange_Rate |
|---|---|---|---|---|---|---|
| Australia | 2000 | 3.5723 | 3.9161 | 4.4574 | 40.8631 | 1.7248 |
| Australia | 2001 | 2.8176 | 2.0315 | 4.4071 | 44.1337 | 1.9334 |
| Australia | 2002 | 3.6970 | 3.9498 | 2.9816 | 41.3813 | 1.8406 |
| Australia | 2003 | 1.9178 | 3.0913 | 2.7326 | 40.1348 | 1.5419 |
| Australia | 2004 | 6.9696 | 4.2189 | 2.3433 | 36.9505 | 1.3598 |
| Australia | 2005 | -3.6011 | 3.1555 | 2.6918 | 39.0979 | 1.3095 |
Keterangan Struktur Data: Dataset mencakup seluruh 15 negara di kawasan Asia Pasifik pada periode 2000 - 2024 dengan total 375 observasi. Variabel Y_FDI bertindak sebagai variabel dependen (\(Y\)), sedangkan X1_GDP_Growth, X2_Inflation, X3_Trade, X4_Exchange_Rate bertindak sebagai variabel independen (\(X\)).
Sebelum memodelkan efek spesifik antarnegara, dilakukan analisis statistik deskriptif, matriks korelasi antarvariabel, serta estimasi awal Regresi Linear Berganda menggunakan metode Ordinary Least Squares (OLS).
# Statistik Deskriptif Lengkap
stat_desk <- do.call(rbind, lapply(kolom_numerik, function(v) {
x <- na.omit(df_clean[[v]])
data.frame(
Variabel = v,
N = length(x),
Mean = mean(x),
Std_Dev = sd(x),
Min = min(x),
Median = median(x),
Max = max(x)
)
}))
kable(stat_desk, digits = 4, row.names = FALSE,
caption = "Tabel 4. Statistik Deskriptif Seluruh Variabel Penelitian")| Variabel | N | Mean | Std_Dev | Min | Median | Max |
|---|---|---|---|---|---|---|
| Y_FDI | 375 | 3.1974 | 4.9623 | -37.1727 | 2.0154 | 43.9121 |
| X1_GDP_Growth | 375 | 4.3597 | 3.6623 | -17.1835 | 4.3669 | 17.7451 |
| X2_Inflation | 375 | 4.2724 | 4.2272 | -2.3150 | 3.2476 | 30.7681 |
| X3_Trade | 375 | 74.9616 | 41.3937 | 19.2752 | 57.8420 | 186.6758 |
| X4_Exchange_Rate | 375 | 1731.5598 | 4959.4765 | 0.9658 | 55.6304 | 24164.8858 |
# Matriks Korelasi Pearson
mat_kor <- cor(df_clean[, kolom_numerik], use = "pairwise.complete.obs")
kable(round(mat_kor, 4), caption = "Tabel 5. Matriks Korelasi Pearson Antarvariabel")| Y_FDI | X1_GDP_Growth | X2_Inflation | X3_Trade | X4_Exchange_Rate | |
|---|---|---|---|---|---|
| Y_FDI | 1.0000 | 0.2150 | 0.1982 | 0.4317 | 0.1675 |
| X1_GDP_Growth | 0.2150 | 1.0000 | 0.2367 | 0.1002 | 0.1871 |
| X2_Inflation | 0.1982 | 0.2367 | 1.0000 | -0.0152 | 0.0978 |
| X3_Trade | 0.4317 | 0.1002 | -0.0152 | 1.0000 | 0.5411 |
| X4_Exchange_Rate | 0.1675 | 0.1871 | 0.0978 | 0.5411 | 1.0000 |
# Regresi Linear Berganda (OLS) dengan akses indeks kolom numerik yang aman
model_ols <- lm(formula_reg, data = df_clean)
sum_ols <- summary(model_ols)
koef_ols <- sum_ols$coefficients
tab_ols <- data.frame(
Variabel = rownames(koef_ols),
Koefisien = koef_ols[, 1],
Std_Error = koef_ols[, 2],
t_Stat = koef_ols[, 3],
P_Value = koef_ols[, 4],
Signifikansi = ifelse(koef_ols[, 4] < 0.01, "Signifikan (1%)",
ifelse(koef_ols[, 4] < 0.05, "Signifikan (5%)",
ifelse(koef_ols[, 4] < 0.10, "Signifikan (10%)", "Tidak Signifikan")))
)
kable(tab_ols, digits = 4, row.names = FALSE,
caption = paste0("Tabel 6. Estimasi Regresi Linear Berganda OLS (R-Squared = ",
round(sum_ols$r.squared, 4), ", Adj. R-Squared = ",
round(sum_ols$adj.r.squared, 4), ")"))| Variabel | Koefisien | Std_Error | t_Stat | P_Value | Signifikansi |
|---|---|---|---|---|---|
| (Intercept) | -2.8488 | 0.5865 | -4.8576 | 0.0000 | Signifikan (1%) |
| X1_GDP_Growth | 0.2019 | 0.0633 | 3.1886 | 0.0016 | Signifikan (1%) |
| X2_Inflation | 0.2174 | 0.0543 | 4.0020 | 0.0001 | Signifikan (1%) |
| X3_Trade | 0.0600 | 0.0064 | 9.3735 | 0.0000 | Signifikan (1%) |
| X4_Exchange_Rate | -0.0001 | 0.0001 | -2.7573 | 0.0061 | Signifikan (1%) |
Interpretasi Tahap Awal (OLS): Model regresi linear berganda awal menghasilkan nilai \(R^2\) sebesar 0.2597 (Adjusted \(R^2\) = 0.2517). Karena model OLS mengabaikan heterogenitas karakteristik antarnegara, pengujian dilanjutkan ke uji stasioneritas, cross-sectional independence, dan heterogenitas panel statis.
Uji stasioneritas menggunakan metode Maddala-Wu (Fisher-ADF) yang sesuai untuk struktur panel balanced maupun unbalanced:
hasil_stasioner <- do.call(rbind, lapply(kolom_numerik, function(v) {
uji_lvl <- tryCatch(
purtest(pdata[[v]], test = "madwu", exo = "intercept", lags = "AIC"),
error = function(e) NULL
)
stat_lvl <- ifelse(!is.null(uji_lvl), round(uji_lvl$statistic$statistic, 4), NA)
pval_lvl <- ifelse(!is.null(uji_lvl), round(uji_lvl$statistic$p.value, 4), NA)
diff_v <- diff(pdata[[v]])
uji_diff <- tryCatch(
purtest(diff_v, test = "madwu", exo = "intercept", lags = "AIC"),
error = function(e) NULL
)
stat_diff <- ifelse(!is.null(uji_diff), round(uji_diff$statistic$statistic, 4), NA)
pval_diff <- ifelse(!is.null(uji_diff), round(uji_diff$statistic$p.value, 4), NA)
status <- ifelse(!is.na(pval_lvl) && pval_lvl < 0.05,
"Stasioner pada Level I(0)",
ifelse(!is.na(pval_diff) && pval_diff < 0.05,
"Stasioner pada First Difference I(1)",
"Non-Stasioner (Perlu Transformasi)"))
data.frame(
Variabel = v,
Fisher_ChiSq_Level = stat_lvl,
PVal_Level = pval_lvl,
Fisher_ChiSq_1stDiff = stat_diff,
PVal_1stDiff = pval_diff,
Keputusan = status
)
}))
kable(hasil_stasioner, row.names = FALSE,
caption = "Tabel 7. Hasil Uji Stasioneritas Panel (Maddala-Wu / Fisher-ADF)")| Variabel | Fisher_ChiSq_Level | PVal_Level | Fisher_ChiSq_1stDiff | PVal_1stDiff | Keputusan |
|---|---|---|---|---|---|
| Y_FDI | 265.8069 | 0 | 463.4902 | 0 | Stasioner pada Level I(0) |
| X1_GDP_Growth | 244.2822 | 0 | 639.6117 | 0 | Stasioner pada Level I(0) |
| X2_Inflation | 243.1519 | 0 | 911.9513 | 0 | Stasioner pada Level I(0) |
| X3_Trade | 196.4309 | 0 | 471.6619 | 0 | Stasioner pada Level I(0) |
| X4_Exchange_Rate | 490.8812 | 0 | 397.6971 | 0 | Stasioner pada Level I(0) |
Interpretasi Uji Stasioneritas: Tabel 7 merangkum status integrasi setiap variabel baik pada tingkat level \(I(0)\) maupun diferensiasi pertama \(I(1)\). Variabel dengan p-value kurang dari 0.05 dinyatakan stasioner dan layak digunakan dalam pemodelan ekonometrika panel.
Pengujian ini memeriksa apakah residual antarnegara di kawasan Asia Pasifik saling independen atau saling memengaruhi akibat guncangan regional/global:
fem_base <- plm(formula_reg, data = pdata, model = "within")
csd_cd <- pcdtest(fem_base, test = "cd")
csd_lm <- pcdtest(fem_base, test = "lm")
tabel_csd <- data.frame(
Uji_CSD = c("Pesaran CD Test", "Breusch-Pagan LM CSD Test"),
Statistik = c(round(csd_cd$statistic, 4), round(csd_lm$statistic, 4)),
P_Value = c(round(csd_cd$p.value, 4), round(csd_lm$p.value, 4)),
Keputusan = c(
ifelse(csd_cd$p.value < 0.05,
"Tolak H0: Terdapat Cross-Sectional Dependence",
"Terima H0: Cross-Section Independen"),
ifelse(csd_lm$p.value < 0.05,
"Tolak H0: Terdapat Cross-Sectional Dependence",
"Terima H0: Cross-Section Independen")
)
)
kable(tabel_csd, row.names = FALSE,
caption = "Tabel 8. Hasil Uji Cross-Sectional Independence / Dependence")| Uji_CSD | Statistik | P_Value | Keputusan |
|---|---|---|---|
| Pesaran CD Test | 4.9989 | 0 | Tolak H0: Terdapat Cross-Sectional Dependence |
| Breusch-Pagan LM CSD Test | 179.6896 | 0 | Tolak H0: Terdapat Cross-Sectional Dependence |
Interpretasi Cross-Sectional Independence: Berdasarkan uji Pesaran CD (p-value = 0), diperoleh indikasi bahwa terdapat ketergantungan lintas negara (cross-sectional dependence), sehingga estimasi akhir wajib menggunakan kovarians robust Driscoll-Kraay.
Pada tahap ini dilakukan dua tingkatan pengujian heterogenitas:
# Estimasi ketiga model panel statis
cem <- plm(formula_reg, data = pdata, model = "pooling")
fem <- plm(formula_reg, data = pdata, model = "within")
rem <- plm(formula_reg, data = pdata, model = "random")
# 1. Uji Heterogenitas Slope (Poolability Test)
uji_slope <- tryCatch(
pooltest(cem, pvcm(formula_reg, data = pdata, model = "within")),
error = function(e) NULL
)
# 2. Uji Chow (CEM vs FEM)
uji_chow <- pFtest(fem, cem)
# 3. Uji Hausman (FEM vs REM)
uji_hausman <- phtest(fem, rem)
# 4. Uji Breusch-Pagan LM (CEM vs REM)
uji_bplm <- plmtest(cem, type = "bp")
tabel_heterogen <- data.frame(
Jenis_Pengujian = c(
"1. Uji Heterogenitas Slope (Poolability Test)",
"2. Uji Chow (CEM vs FEM - Heterogenitas Intersep)",
"3. Uji Hausman (FEM vs REM - Korelasi Efek Individu)",
"4. Uji Breusch-Pagan LM (CEM vs REM - Efek Acak)"
),
Statistik = c(
ifelse(!is.null(uji_slope), round(uji_slope$statistic, 4), NA),
round(uji_chow$statistic, 4),
round(uji_hausman$statistic, 4),
round(uji_bplm$statistic, 4)
),
P_Value = c(
ifelse(!is.null(uji_slope), round(uji_slope$p.value, 4), NA),
round(uji_chow$p.value, 4),
round(uji_hausman$p.value, 4),
round(uji_bplm$p.value, 4)
),
Keputusan_Statistik = c(
ifelse(is.null(uji_slope), "Observasi per negara tidak mencukupi untuk estimasi PVCM terpisah",
ifelse(uji_slope$p.value < 0.05, "Tolak H0: Koefisien Slope Heterogen antarnegara", "Terima H0: Koefisien Slope Homogen")),
ifelse(uji_chow$p.value < 0.05, "Tolak H0: FEM lebih tepat (Terdapat heterogenitas individu)", "Terima H0: CEM lebih tepat"),
ifelse(uji_hausman$p.value < 0.05, "Tolak H0: FEM lebih tepat (Efek individu berkorelasi dengan X)", "Terima H0: REM lebih tepat"),
ifelse(uji_bplm$p.value < 0.05, "Tolak H0: REM lebih tepat daripada CEM", "Terima H0: CEM lebih tepat daripada REM")
)
)
kable(tabel_heterogen, row.names = FALSE,
caption = "Tabel 9. Hasil Uji Heterogenitas dan Pemilihan Model Regresi Panel Statis")| Jenis_Pengujian | Statistik | P_Value | Keputusan_Statistik |
|---|---|---|---|
| 1. Uji Heterogenitas Slope (Poolability Test) | 3.2301 | 0.0000 | Tolak H0: Koefisien Slope Heterogen antarnegara |
| 2. Uji Chow (CEM vs FEM - Heterogenitas Intersep) | 6.1152 | 0.0000 | Tolak H0: FEM lebih tepat (Terdapat heterogenitas individu) |
| 3. Uji Hausman (FEM vs REM - Korelasi Efek Individu) | 6.4829 | 0.1659 | Terima H0: REM lebih tepat |
| 4. Uji Breusch-Pagan LM (CEM vs REM - Efek Acak) | 86.4408 | 0.0000 | Tolak H0: REM lebih tepat daripada CEM |
# Seleksi otomatis model panel statis terbaik
if (uji_chow$p.value < 0.05) {
if (uji_hausman$p.value < 0.05) {
model_terpilih <- fem
nama_model <- "Fixed Effect Model (FEM)"
} else {
model_terpilih <- rem
nama_model <- "Random Effect Model (REM)"
}
} else {
if (uji_bplm$p.value < 0.05) {
model_terpilih <- rem
nama_model <- "Random Effect Model (REM)"
} else {
model_terpilih <- cem
nama_model <- "Common Effect Model (CEM)"
}
}
# Tabel Perbandingan Ketiga Model Panel Statis (aman untuk t-value maupun z-value)
format_ringkas <- function(mod, tag) {
s <- summary(mod)$coefficients
out <- data.frame(
Variabel = rownames(s),
Koef = round(s[, 1], 4),
SE = round(s[, 2], 4),
PVal = round(s[, 4], 4)
)
names(out)[2:4] <- paste0(c("Koef_", "SE_", "PVal_"), tag)
return(out)
}
komparasi_panel <- Reduce(function(a, b) merge(a, b, by = "Variabel", all = TRUE),
list(format_ringkas(cem, "CEM"),
format_ringkas(fem, "FEM"),
format_ringkas(rem, "REM")))
kable(komparasi_panel, row.names = FALSE,
caption = "Tabel 10. Perbandingan Parameter Model Panel Statis (CEM, FEM, dan REM)")| Variabel | Koef_CEM | SE_CEM | PVal_CEM | Koef_FEM | SE_FEM | PVal_FEM | Koef_REM | SE_REM | PVal_REM |
|---|---|---|---|---|---|---|---|---|---|
| (Intercept) | -2.8488 | 0.5865 | 0.0000 | NA | NA | NA | -1.2779 | 1.0621 | 0.2289 |
| X1_GDP_Growth | 0.2019 | 0.0633 | 0.0016 | 0.2024 | 0.0721 | 0.0053 | 0.1825 | 0.0687 | 0.0079 |
| X2_Inflation | 0.2174 | 0.0543 | 0.0001 | 0.2208 | 0.0643 | 0.0007 | 0.1991 | 0.0604 | 0.0010 |
| X3_Trade | 0.0600 | 0.0064 | 0.0000 | 0.0011 | 0.0206 | 0.9565 | 0.0395 | 0.0129 | 0.0022 |
| X4_Exchange_Rate | -0.0001 | 0.0001 | 0.0061 | 0.0000 | 0.0003 | 0.9548 | -0.0001 | 0.0001 | 0.5263 |
Keputusan Pemilihan Model: Berdasarkan hasil Uji Chow (p-value = 0), Uji Hausman (p-value = 0.1659), dan Uji Breusch-Pagan LM (p-value = 0), model regresi data panel statis yang paling tepat digunakan adalah Random Effect Model (REM).
Pengujian diagnostik asumsi klasik dilakukan terhadap Random Effect Model (REM) untuk memastikan sifat estimator Best Linear Unbiased Estimator (BLUE):
resid_terpilih <- as.numeric(residuals(model_terpilih))
# 1. Uji Normalitas Residual (Jarque-Bera)
uji_jb <- jarque.bera.test(resid_terpilih)
# 2. Uji Multikolinearitas (Variance Inflation Factor - VIF)
if (length(var_X) >= 2) {
nilai_vif <- vif(lm(formula_reg, data = df_clean))
tabel_vif <- data.frame(
Variabel = names(nilai_vif),
VIF = round(as.numeric(nilai_vif), 4),
Tolerance = round(1 / as.numeric(nilai_vif), 4),
Status = ifelse(nilai_vif < 10, "Lolos (VIF kurang dari 10 - Bebas Multikolinearitas)", "Terindikasi Multikolinearitas")
)
} else {
tabel_vif <- data.frame(
Variabel = var_X,
VIF = NA,
Tolerance = NA,
Status = "Model hanya memiliki 1 variabel independen"
)
}
# 3. Uji Heteroskedastisitas (Breusch-Pagan)
uji_het <- bptest(formula_reg, data = df_clean, studentize = TRUE)
# 4. Uji Autokorelasi Serial Panel (Breusch-Godfrey / Wooldridge)
uji_auto <- pbgtest(model_terpilih)
tabel_asumsi <- data.frame(
Asumsi_Klasik = c(
"Normalitas Residual (Jarque-Bera Test)",
"Heteroskedastisitas (Breusch-Pagan Test)",
"Autokorelasi Serial (Breusch-Godfrey/Wooldridge Test)"
),
Statistik = c(
round(uji_jb$statistic, 4),
round(uji_het$statistic, 4),
round(uji_auto$statistic, 4)
),
P_Value = c(
round(uji_jb$p.value, 4),
round(uji_het$p.value, 4),
round(uji_auto$p.value, 4)
),
Evaluasi = c(
ifelse(uji_jb$p.value >= 0.05,
"Terpenuhi: Residual berdistribusi normal",
"Tidak normal secara eksak (Mengacu Central Limit Theorem karena N besar)"),
ifelse(uji_het$p.value >= 0.05,
"Terpenuhi: Varians residual homoskedastis",
"Pelanggaran terdeteksi: Terjadi heteroskedastisitas (Dikoreksi dengan Robust SE)"),
ifelse(uji_auto$p.value >= 0.05,
"Terpenuhi: Tidak terdapat autokorelasi",
"Pelanggaran terdeteksi: Terjadi autokorelasi serial (Dikoreksi dengan Robust SE)")
)
)
kable(tabel_asumsi, row.names = FALSE,
caption = "Tabel 11. Ringkasan Hasil Uji Asumsi Klasik Model Panel Statis")| Asumsi_Klasik | Statistik | P_Value | Evaluasi |
|---|---|---|---|
| Normalitas Residual (Jarque-Bera Test) | 46023.1291 | 0.0000 | Tidak normal secara eksak (Mengacu Central Limit Theorem karena N besar) |
| Heteroskedastisitas (Breusch-Pagan Test) | 12.6853 | 0.0129 | Pelanggaran terdeteksi: Terjadi heteroskedastisitas (Dikoreksi dengan Robust SE) |
| Autokorelasi Serial (Breusch-Godfrey/Wooldridge Test) | 125.1381 | 0.0000 | Pelanggaran terdeteksi: Terjadi autokorelasi serial (Dikoreksi dengan Robust SE) |
kable(tabel_vif, row.names = FALSE,
caption = "Tabel 12. Hasil Uji Multikolinearitas (VIF dan Tolerance)")| Variabel | VIF | Tolerance | Status |
|---|---|---|---|
| X1_GDP_Growth | 1.0910 | 0.9166 | Lolos (VIF kurang dari 10 - Bebas Multikolinearitas) |
| X2_Inflation | 1.0701 | 0.9345 | Lolos (VIF kurang dari 10 - Bebas Multikolinearitas) |
| X3_Trade | 1.4239 | 0.7023 | Lolos (VIF kurang dari 10 - Bebas Multikolinearitas) |
| X4_Exchange_Rate | 1.4629 | 0.6836 | Lolos (VIF kurang dari 10 - Bebas Multikolinearitas) |
Untuk mengatasi potensi pelanggaran asumsi heteroskedastisitas,
autokorelasi serial, serta cross-sectional dependence secara
simultan, estimasi akhir disajikan dengan standar eror
Driscoll-Kraay (vcovSCC) serta pembanding
Estimasi Standar.
# 1. Estimasi Standar Model Terpilih (menggunakan indeks kolom agar kebal perbedaan t-value/z-value)
koef_std <- summary(model_terpilih)$coefficients
est_standar <- data.frame(
Variabel = rownames(koef_std),
Koefisien = round(koef_std[, 1], 4),
Std_Error = round(koef_std[, 2], 4),
Statistik_Uji = round(koef_std[, 3], 4),
P_Value = round(koef_std[, 4], 4)
)
kable(est_standar, row.names = FALSE,
caption = paste0("Tabel 13. Hasil Estimasi Standar Model Terpilih - ", nama_model))| Variabel | Koefisien | Std_Error | Statistik_Uji | P_Value |
|---|---|---|---|---|
| (Intercept) | -1.2779 | 1.0621 | -1.2031 | 0.2289 |
| X1_GDP_Growth | 0.1825 | 0.0687 | 2.6579 | 0.0079 |
| X2_Inflation | 0.1991 | 0.0604 | 3.2937 | 0.0010 |
| X3_Trade | 0.0395 | 0.0129 | 3.0644 | 0.0022 |
| X4_Exchange_Rate | -0.0001 | 0.0001 | -0.6336 | 0.5263 |
# 2. Estimasi Akhir dengan Driscoll-Kraay Robust Standard Errors
est_dk <- coeftest(model_terpilih, vcov = vcovSCC(model_terpilih, type = "HC1"))
tabel_dk <- data.frame(
Variabel = rownames(est_dk),
Koefisien = round(est_dk[, 1], 4),
Robust_SE_DK = round(est_dk[, 2], 4),
Statistik_Uji = round(est_dk[, 3], 4),
P_Value = round(est_dk[, 4], 4),
Keputusan_Hipotesis = ifelse(est_dk[, 4] < 0.01, "Berpengaruh Signifikan (alpha = 1%)",
ifelse(est_dk[, 4] < 0.05, "Berpengaruh Signifikan (alpha = 5%)",
ifelse(est_dk[, 4] < 0.10, "Berpengaruh Signifikan (alpha = 10%)",
"Tidak Berpengaruh Signifikan")))
)
kable(tabel_dk, row.names = FALSE,
caption = paste0("Tabel 14. Hasil Estimasi Akhir dengan Driscoll-Kraay Robust SE - ", nama_model))| Variabel | Koefisien | Robust_SE_DK | Statistik_Uji | P_Value | Keputusan_Hipotesis |
|---|---|---|---|---|---|
| (Intercept) | -1.2779 | 1.3824 | -0.9244 | 0.3559 | Tidak Berpengaruh Signifikan |
| X1_GDP_Growth | 0.1825 | 0.2122 | 0.8598 | 0.3904 | Tidak Berpengaruh Signifikan |
| X2_Inflation | 0.1991 | 0.0657 | 3.0316 | 0.0026 | Berpengaruh Signifikan (alpha = 1%) |
| X3_Trade | 0.0395 | 0.0170 | 2.3196 | 0.0209 | Berpengaruh Signifikan (alpha = 5%) |
| X4_Exchange_Rate | -0.0001 | 0.0001 | -0.7313 | 0.4651 | Tidak Berpengaruh Signifikan |
# 3. Statistik Kelayakan Model (Goodness of Fit)
sum_terpilih <- summary(model_terpilih)
r2_val <- round(as.numeric(sum_terpilih$r.squared["rsq"]), 4)
adj_r2_val <- round(as.numeric(sum_terpilih$r.squared["adjrsq"]), 4)
f_stat_val <- round(as.numeric(sum_terpilih$fstatistic$statistic), 4)
f_pval_val <- round(as.numeric(sum_terpilih$fstatistic$p.value), 4)
tabel_gof <- data.frame(
Indikator_Kelayakan = c(
"Model Panel Statis Terpilih",
"R-Squared (Koefisien Determinasi)",
"Adjusted R-Squared",
"Statistik Uji Simultan (F / Wald)",
"P-Value Uji Simultan"
),
Nilai = c(
nama_model,
r2_val,
adj_r2_val,
f_stat_val,
f_pval_val
)
)
kable(tabel_gof, row.names = FALSE,
caption = "Tabel 15. Statistik Kelayakan Model (Goodness of Fit)")| Indikator_Kelayakan | Nilai |
|---|---|
| Model Panel Statis Terpilih | Random Effect Model (REM) |
| R-Squared (Koefisien Determinasi) | 0.0872 |
| Adjusted R-Squared | 0.0773 |
| Statistik Uji Simultan (F / Wald) | 35.328 |
| P-Value Uji Simultan | 0 |
# Menyusun persamaan regresi otomatis untuk ditampilkan
koef_vec <- round(est_dk[, 1], 4)
nama_vec <- rownames(est_dk)
if ("(Intercept)" %in% nama_vec) {
b0 <- koef_vec[nama_vec == "(Intercept)"]
idx_b <- which(nama_vec != "(Intercept)")
suku_x <- paste0(ifelse(koef_vec[idx_b] >= 0, " + ", " - "),
abs(koef_vec[idx_b]), " ", nama_vec[idx_b], "_it", collapse = "")
persamaan_teks <- paste0(var_Y, "_it = ", b0, suku_x, " + e_it")
} else {
suku_x <- paste0(ifelse(koef_vec >= 0, " + ", " - "),
abs(koef_vec), " ", nama_vec, "_it", collapse = "")
suku_x <- sub("^ \\+ ", "", suku_x)
persamaan_teks <- paste0(var_Y, "_it = alpha_i + ", suku_x, " + e_it")
}Berdasarkan hasil estimasi pada Tabel 14, model persamaan regresi data panel statis yang terbentuk adalah:
\[\text{Y_FDI_it = -1.2779 + 0.1825 X1_GDP_Growth_it + 0.1991 X2_Inflation_it + 0.0395 X3_Trade_it - 0.0001 X4_Exchange_Rate_it + e_it}\]
(di mana subskrip \(i\) menunjukkan unit negara Asia Pasifik dan \(t\) menunjukkan periode tahun).