MODEL REGRESI PANEL (Provinsi Banten)
KASUS PERTAMA LANGKAH 1 MENGINSTAL PACKAGES
library(plm)
library(lmtest)## Loading required package: zoo##
## Attaching package: 'zoo'## The following objects are masked from 'package:base':
##
## as.Date, as.Date.numericLANGKAH 2 MEMBACA DATA
library(readxl)
Data_Panel_Nisa <- read_excel("C:/Users/ASUS/Downloads/Data Panel Nisa.xlsx")
View(Data_Panel_Nisa)LANGKAH 3 MEMBUAT DESKRIPSI DATA YANG DIGUNAKAN
str(Data_Panel_Nisa)## tibble[,5] [24 x 5] (S3: tbl_df/tbl/data.frame)
## $ Kabupaten: chr [1:24] "Lebak" "Lebak" "Lebak" "Tangerang" ...
## $ Tahun : num [1:24] 2018 2019 2020 2018 2019 ...
## $ TPT : num [1:24] 7.57 7.96 13.06 9.63 8.92 ...
## $ IPM : num [1:24] 63.4 63.9 63.9 71.6 71.9 ...
## $ Miskin : num [1:24] 8.41 8.3 9.24 5.18 5.14 6.23 4.3 4.08 4.94 9.36 ...summary(Data_Panel_Nisa)## Kabupaten Tahun TPT IPM
## Length:24 Min. :2018 Min. : 4.670 Min. :63.37
## Class :character 1st Qu.:2018 1st Qu.: 8.043 1st Qu.:65.70
## Mode :character Median :2019 Median : 8.555 Median :71.92
## Mean :2019 Mean : 8.913 Mean :71.38
## 3rd Qu.:2020 3rd Qu.: 9.352 3rd Qu.:74.27
## Max. :2020 Max. :13.060 Max. :81.48
## Miskin
## Min. : 1.680
## 1st Qu.: 3.973
## Median : 5.160
## Mean : 7.476
## 3rd Qu.: 8.328
## Max. :53.360names(Data_Panel_Nisa)## [1] "Kabupaten" "Tahun" "TPT" "IPM" "Miskin"LANGKAH 4 MEMBUAT ESTIMASI MODEL REGRESI DATA PANEL DARI KETIGA MODEL YANG ADA
CEM=plm(Miskin~TPT+IPM, data = Data_Panel_Nisa, model = "pooling")
summary(CEM)## Pooling Model
##
## Call:
## plm(formula = Miskin ~ TPT + IPM, data = Data_Panel_Nisa, model = "pooling")
##
## Balanced Panel: n = 8, T = 3, N = 24
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -4.4669 -3.1808 -1.9089 -1.0022 45.4718
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## (Intercept) 44.59451 37.11216 1.2016 0.2429
## TPT -0.66756 1.17276 -0.5692 0.5752
## IPM -0.43665 0.42491 -1.0276 0.3158
##
## Total Sum of Squares: 2336.6
## Residual Sum of Squares: 2224.7
## R-Squared: 0.047889
## Adj. R-Squared: -0.042788
## F-statistic: 0.528126 on 2 and 21 DF, p-value: 0.59734FE=plm(Miskin~TPT+IPM,data = Data_Panel_Nisa,model ="within","effect"="time",index =c("Kabupaten","Tahun"))
summary(FE)## Oneway (time) effect Within Model
##
## Call:
## plm(formula = Miskin ~ TPT + IPM, data = Data_Panel_Nisa, effect = "time",
## model = "within", index = c("Kabupaten", "Tahun"))
##
## Balanced Panel: n = 8, T = 3, N = 24
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -7.80423 -4.47520 -1.04111 0.76949 42.11483
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## TPT -0.64070 1.43711 -0.4458 0.6608
## IPM -0.41713 0.46159 -0.9037 0.3775
##
## Total Sum of Squares: 2160.1
## Residual Sum of Squares: 2068.9
## R-Squared: 0.042235
## Adj. R-Squared: -0.1594
## F-statistic: 0.418921 on 2 and 19 DF, p-value: 0.66369RE=plm(Miskin~TPT+IPM,data = Data_Panel_Nisa,model = "random",index = c("Kabupaten","Tahun"))
summary(RE)## Oneway (individual) effect Random Effect Model
## (Swamy-Arora's transformation)
##
## Call:
## plm(formula = Miskin ~ TPT + IPM, data = Data_Panel_Nisa, model = "random",
## index = c("Kabupaten", "Tahun"))
##
## Balanced Panel: n = 8, T = 3, N = 24
##
## Effects:
## var std.dev share
## idiosyncratic 96.980 9.848 0.89
## individual 11.966 3.459 0.11
## theta: 0.1457
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -4.38963 -3.10834 -2.07065 -0.76841 43.53108
##
## Coefficients:
## Estimate Std. Error z-value Pr(>|z|)
## (Intercept) 42.20102 39.57167 1.0664 0.2862
## TPT -0.54615 1.19398 -0.4574 0.6474
## IPM -0.41828 0.46301 -0.9034 0.3663
##
## Total Sum of Squares: 2115.8
## Residual Sum of Squares: 2036.6
## R-Squared: 0.03741
## Adj. R-Squared: -0.054266
## Chisq: 0.816136 on 2 DF, p-value: 0.66493LANGKAH 5 MENENTUKAN MODEL TERBAIK YANG AKAN DIGUNAKAN
Untuk memperoleh model yang tepat dalam mengestimasi regresi data panel digunakan 2 teknik: Chow test, digunakan untuk memilih antara model Common Effect atau Fixed Effect. Hausman test, digunakan untuk memilih antara model Fixed Effect atau Random Effect.
phtest(FE,RE)##
## Hausman Test
##
## data: Miskin ~ TPT + IPM
## chisq = 0.00097874, df = 2, p-value = 0.9995
## alternative hypothesis: one model is inconsistentphtest(FE,RE)##
## Hausman Test
##
## data: Miskin ~ TPT + IPM
## chisq = 0.00097874, df = 2, p-value = 0.9995
## alternative hypothesis: one model is inconsistentLANGKAH 6 MELAKUKAN PENGUJIAN BREUSCH-PANGAN
Dari uji Hausmann diketahui bahwa data panel menggunakan model efek tetap. Oleh karena itu, dilanjutkan dengan uji Breusch-Pagan untuk mengetahui apakah terdapat efek kali-silang, efek waktu atau efek kali-silang maupun waktu (2 arah). Diperoleh output sebagai berikut;
m=plm(Miskin~TPT+IPM, data = Data_Panel_Nisa, model = "within", index = c("Kabupaten","Tahun"))
plmtest(m, effect = "twoways", type = "bp")#uji efek individu maupun waktu##
## Lagrange Multiplier Test - two-ways effects (Breusch-Pagan) for
## balanced panels
##
## data: Miskin ~ TPT + IPM
## chisq = 0.35848, df = 2, p-value = 0.8359
## alternative hypothesis: significant effectsplmtest(m,effect = "individual") # uji efek individu ##
## Lagrange Multiplier Test - (Honda) for balanced panels
##
## data: Miskin ~ TPT + IPM
## normal = -0.1619, p-value = 0.5643
## alternative hypothesis: significant effectsplmtest(m,effect = "time",type = "bp")#uji efek waktu##
## Lagrange Multiplier Test - time effects (Breusch-Pagan) for balanced
## panels
##
## data: Miskin ~ TPT + IPM
## chisq = 0.33227, df = 1, p-value = 0.5643
## alternative hypothesis: significant effectsUji di atas digunakan untuk menentukan apakah ada efek time maupun individu atau bahkan tidak ada pada model. Ketika nilai p-value kurang dari alpha maka dapat disimpulkan ada efek. Dari output di atas diperoleh bahwa pada model hanya terdapat efek waktu sehingga model yang dibentuk pun memiliki efek waktu.
LANGKAH 7 PEMBUATAN MODEL
Dari uji hausmann dan uji breusch-pagan disimpukan bahwa model yang akan diestimasi adalah model data efek tetap dengan efek waktu. Kemudian dilakukan uji signifikansi variabel pada model sebagai berikut :
model1=plm(Miskin~TPT+IPM, data = Data_Panel_Nisa, model = "within", effect = "time", index = c("Kabupaten","Tahun"))
summary(model1)## Oneway (time) effect Within Model
##
## Call:
## plm(formula = Miskin ~ TPT + IPM, data = Data_Panel_Nisa, effect = "time",
## model = "within", index = c("Kabupaten", "Tahun"))
##
## Balanced Panel: n = 8, T = 3, N = 24
##
## Residuals:
## Min. 1st Qu. Median 3rd Qu. Max.
## -7.80423 -4.47520 -1.04111 0.76949 42.11483
##
## Coefficients:
## Estimate Std. Error t-value Pr(>|t|)
## TPT -0.64070 1.43711 -0.4458 0.6608
## IPM -0.41713 0.46159 -0.9037 0.3775
##
## Total Sum of Squares: 2160.1
## Residual Sum of Squares: 2068.9
## R-Squared: 0.042235
## Adj. R-Squared: -0.1594
## F-statistic: 0.418921 on 2 and 19 DF, p-value: 0.66369fixef(model1,type="level")## 2018 2019 2020
## 46.335 40.169 42.381Langkah 7 PENGUJIAN DIAGNOSISTIK
pbgtest(FE)##
## Breusch-Godfrey/Wooldridge test for serial correlation in panel models
##
## data: Miskin ~ TPT + IPM
## chisq = 0.76754, df = 3, p-value = 0.8572
## alternative hypothesis: serial correlation in idiosyncratic errorsH0 : tidak ada korelasi serial pada komponen galat H1 : ada korelasi serial pada komponen galat • Tingkat signifikansi α = 0,05 • Statistik uji P-value tercantum pada tabel dibawah. • Daerah kritik H0 ditolak jika P-value < α Berdasarkan perhitungan di atas p value di peroleh 0.8572 di mana lebih kecil dari 0.05 terdapat korelasi serial
bptest(FE)##
## studentized Breusch-Pagan test
##
## data: FE
## BP = 0.2077, df = 2, p-value = 0.9014