1 Pendahuluan & Metodologi Panel Statis

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:

  1. Eksplorasi & Pembersihan Data untuk menjamin seluruh negara terteliti secara utuh.
  2. Statistik Deskriptif & Regresi Linear Berganda (Pooled OLS) sebagai estimasi dasar.
  3. Uji Stasioneritas Panel (Panel Unit Root Test) untuk mencegah regresi lancung (spurious regression).
  4. Uji Cross-Sectional Independence / Dependence untuk mendeteksi keterkaitan guncangan antarnegara.
  5. Uji Heterogenitas (Slope Homogeneity & Efek Spesifik) melalui Poolability Test, Uji Chow, Uji Hausman, dan Uji Breusch-Pagan LM untuk menentukan model terbaik antara Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM).
  6. Uji Asumsi Klasik Lengkap (Normalitas, Multikolinearitas, Heteroskedastisitas, dan Autokorelasi).
  7. Estimasi Akhir dengan Robust Standard Errors, persamaan regresi, dan kesimpulan.

2 Impor & Struktur Data Panel (Seluruh Negara)

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")
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")
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)")
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 (\(X\)).


3 Statistik Deskriptif & Regresi Linear Berganda (Pooled OLS)

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")
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")
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), ")"))
Tabel 6. Estimasi Regresi Linear Berganda OLS (R-Squared = 0.2597, Adj. R-Squared = 0.2517)
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.


4 Uji Stasioneritas Data Panel (Panel Unit Root Test)

Uji stasioneritas menggunakan metode Maddala-Wu (Fisher-ADF) yang sesuai untuk struktur panel balanced maupun unbalanced:

  • \(H_0\): Variabel memiliki akar unit (tidak stasioner).
  • \(H_1\): Variabel stasioner (tolak \(H_0\) jika p-value kurang dari 0.05).
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)")
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.


5 Uji Cross-Sectional Independence (Cross-Section Independen)

Pengujian ini memeriksa apakah residual antarnegara di kawasan Asia Pasifik saling independen atau saling memengaruhi akibat guncangan regional/global:

  • \(H_0\): Tidak terdapat ketergantungan antarunit cross-section (cross-sectional independence).
  • \(H_1\): Terdapat ketergantungan antarunit cross-section (cross-sectional dependence, jika p-value kurang dari 0.05).
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")
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.


6 Uji Heterogenitas & Penentuan Model Data Panel Statis

Pada tahap ini dilakukan dua tingkatan pengujian heterogenitas:

  1. Uji Heterogenitas Koefisien (Slope Homogeneity / Poolability Test): Menguji apakah kemiringan (slope) variabel independen seragam atau heterogen antarnegara.
  2. Uji Heterogenitas Intersep & Pemilihan Model Panel Statis: Membandingkan Common Effect Model (CEM), Fixed Effect Model (FEM), dan Random Effect Model (REM) melalui Uji Chow, Uji Hausman, dan Uji Breusch-Pagan LM.
# 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")
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)")
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).


7 Uji Asumsi Klasik Lengkap pada Model Terpilih

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")
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)")
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)

8 Estimasi Akhir Model Panel Statis (Robust Standard Errors) & Goodness of Fit

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))
Tabel 13. Hasil Estimasi Standar Model Terpilih - Random Effect Model (REM)
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))
Tabel 14. Hasil Estimasi Akhir dengan Driscoll-Kraay Robust SE - Random Effect Model (REM)
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)")
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")
}

8.1 Persamaan Regresi Data Panel Statis Akhir

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).

8.2 Kesimpulan Penelitian

  1. Cakupan & Spesifikasi Model: Analisis melibatkan seluruh 15 negara di kawasan Asia Pasifik dengan total 375 observasi. Berdasarkan rangkaian pengujian heterogenitas (Uji Chow, Uji Hausman, dan Uji Breusch-Pagan LM), model regresi data panel statis terbaik adalah Random Effect Model (REM).
  2. Kelayakan Model (Uji Simultan & Determinasi): Nilai \(R^2\) sebesar 0.0872 menunjukkan bahwa sebesar 8.72% variasi pada variabel Y_FDI mampu dijelaskan secara bersama-sama oleh variabel X1_GDP_Growth, X2_Inflation, X3_Trade, X4_Exchange_Rate, sedangkan sisanya dijelaskan oleh faktor lain di luar model. Nilai probabilitas uji simultan sebesar 0 mengonfirmasi bahwa model layak digunakan.
  3. Validitas Inferensi: Seluruh potensi bias akibat cross-sectional dependence, heteroskedastisitas, maupun autokorelasi telah dikoreksi menggunakan estimator kovarians Driscoll-Kraay Robust Standard Errors, sehingga kesimpulan pengaruh masing-masing variabel pada Tabel 14 bersifat konsisten dan valid secara statistik.