KLP 1 - CHAPTER 13 - Ekonometrika [PDF]

Citation preview

EKONOMETRIKA LANJUTAN (EKI 321 – B2) CHAPTER 13 “POOLING CROSS SECTIONS ACROSS TIME: SIMPLE PANEL DATA METHODS” Dosen Pengampu: Drs. Sudarsana Arka, M.P.



Oleh: KELOMPOK 1



Frima Halasson Rajagukguk



(1907511265)



Kadek Aglena Parisesa



(1907511076)



Fransiska Vistalia Alo



(1907511247)



Kadek Dwi Reditiani



(1907511257)



PROGRAM STUDI EKONOMI PEMBANGUNAN FAKULTAS EKONOMI DAN BISNIS UNIVERSITAS UDAYANA JIMBARAN 2020



KATA PENGANTAR



Puji syukur kita panjatkan kehadapan Tuhan Yang Maha Esa karena berkat rahmatlah kami dari Kelompok 13 yang membahas materi “Pertumbuhan Ekonomi dan Masalah Lingkungan, Peranan Lingkungan dan Perekonomian, serta



Industrialisasi



dan



Pembangunan



yang



Berkelanjutan”



dapat



mengerjakannya dengan lancar. Pada makalah yang kami buat ini walaupun kami mengerjakan dengan lancar, kami menyadari masih banyak kekurangan sehingga makalah ini belum sempurna. Maka dari itu, kami berharap kepada pembaca untuk memberikan kritik dan saran yang membangun demi perbaikan makalah yang akan datang. Semoga makalah yang kami buat dapat memberi sumbangsih yang berarti bagi pembaca karena ilmu yang didapatkan dari makalah ini. Akhir kata, kami mohon maaf apabila ada kesalahan kata yang kami perbuat, baik secara sengaja maupun tidak sengaja. Atas perhatiannya, kami ucapkan terima kasih.



Bukit Jimbaran, November 2020



Penulis



I



DAFTAR ISI



KATA PENGANTAR......................................................................................................................i DAFTAR ISI...................................................................................................................................ii BAB I PENDAHULUAN................................................................................................................1 1.1 Latar Belakang......................................................................................................................1 1.2 Rumusan Masalah.................................................................................................................2 1.3 Tujuan....................................................................................................................................2 BAB II PEMBAHASAN..................................................................................................................3 2.1 Pooling Independent Cross Sections across Time.................................................................4 2.1a The Chow Test for Structural Change across Time......................................................10 2.2 Policy Analysis with Pooled Cross Sections (Analisis Kebijakan dengan Crossed Section) ...................................................................................................................................................11 2.3 Two-Period Panel Data Analysis (Analisis Data Panel Dua Periode).................................19 2.3a. Organizing Panel Data (Mengatur Data Panel)...........................................................25 2.4 Analisis kebijakan dengan Dua Periode data Panel............................................................26 2.5 Differencing dengan Lebih Dari Dua Periode Waktu.........................................................30 2.5a Potensi Perangkap dalam Data Panel Perbedaan Pertama..........................................33 BAB III PENUTUP.......................................................................................................................35 3.1 Kesimpulan..........................................................................................................................35 DAFTAR PUSTAKA....................................................................................................................36



II



BAB I PENDAHULUAN



1.1 Latar Belakang Dalam Chapter 13 ini, kami menunjukkan cara menerapkan beberapa regresi ke penampang yang dikumpulan secara independen. Masalah yang diangkat sangat mirip dengan analisis penampang standar, kecuali bahwa kita dapat mempelajari bagaimana hubungan berubah dari waktu ke waktu dengan menyertakan variabel dummy waktu. Kami juga menggambarkan bagaimana kumpulan data panel dapat dianalisis dalam kerangka kerja regresi. Sampai sekarang, kami telah membahas beberapa analisis regresi menggunakan data seri waktu penampang murni atau murni. Meskipun kedua kasus ini sering muncul dalam aplikasi, kumpulan data yang memiliki dimensi crosssectional dan time series digunakan semakin sering dalam penelitian empiris. Beberapa metode regresi masih dapat digunakan pada kumpulan data tersebut. Bahkan, data dengan aspek cross-sectional dan time series seringkali dapat menjelaskan pertanyaan kebijakan penting. Kita akan melihat beberapa contoh dalam bab ini. Kami akan menganalisis dua jenis kumpulan data dalam bab ini. Penampang yang dikumpulan secara independen diperoleh dengan mengambil sampel secara acak dari populasi besar pada titik waktu yang berbeda (biasanya, tetapi belum tentu, tahun yang berbeda). Misalnya, dalam setiap tahun, kita dapat menggambar sampel acak pada upah per jam, pendidikan, pengalaman, dan sebagainya, dari populasi orang yang bekerja di Amerika Serikat. Atau, di setiap tahun, kami menggambar sampel acak pada harga jual, rekaman persegi, jumlah kamar mandi, dan sebagainya, rumahrumah yang dijual di daerah metropolitan tertentu. Dari sudut pandang statistik, kumpulan data ini memiliki fitur penting: mereka terdiri dari pengamatan  yang diambil sampel secara independen. Ini juga merupakan aspek kunci dalam analisis data penampang kami: antara lain, ini mengesampingkan korelasi dalam istilah kesalahan di berbagai pengamatan. Penampang yang dikumpulan secara independen berbeda dari satu sampel acak dalam pengambilan sampel dari populasi pada titik waktu yang berbeda kemungkinan mengarah pada pengamatan yang tidak didistribusikan secara identik. Misalnya, distribusi upah dan pendidikan telah berubah dari waktu ke waktu di sebagian besar negara. Seperti yang akan kita lihat, ini mudah ditangani dalam praktiknya dengan memungkinkan penyadapan dalam model regresi ganda, dan dalam beberapa kasus lereng, untuk berubah dari waktu ke waktu. Kami membahas model seperti itu di Bagian 13-1. Di Bagian 13-1, kami



1



membahas bagaimana penampang pooling dari waktu ke waktu dapat digunakan untuk mengevaluasi perubahan kebijakan. Kumpulan data panel, sambil memiliki dimensi penampang dan rangkaian waktu, berbeda dalam beberapa hal penting dari penampang yang dikumpulan secara independen. Untuk mengumpulkan data panel terkadang disebut data longitudinal kami mengikuti (atau berusaha mengikuti) individu,  keluarga, perusahaan, kota, negara bagian, atau apa pun yang sama, sepanjang waktu. Misalnya, data panel yang ditetapkan pada upah individu, jam, pendidikan, dan faktor lainnya dikumpulkan dengan memilih orang secara acak dari populasi pada titik waktu tertentu. Kemudian, orangorang yang sama ini diinterview ulang pada beberapa titik berikutnya pada waktunya. Ini memberi kita data tentang upah, jam kerja, pendidikan, dan sebagainya, untuk kelompok orang yang sama di tahun yang berbeda.



1.2 Rumusan Masalah Berdasarkan uraian diatas maka makalah ini secara khusus membahas materi mengenai Pooling Cross Sections across Time: Simple Panel Data Methods.



1.3 Tujuan Untuk memahami mengenai Pooling Cross Sections across Time: Simple Panel Data Methods dan menyelesai tugas yang diberikan.



2



BAB II PEMBAHASAN



Pooling Cross Sections across Time: Simple Panel Data Methods Cross section yang dikumpulkan secara independent diperoleh dengan mengambil sampel secara acak dari populasi besar pada titik waktu yang berbeda (biasanya, tetapi belum tentu, tahun yang berbeda). Misalnya, di setiap tahun, kami dapat menggambar sampel acak setiap jam upah, pendidikan, pengalaman, dan sebagainya, dari populasi orang yang bekerja di Amerika Serikat. Atau, pada setiap tahun lai nnya, kami mengambil sampel acak pada harga jual, ukuran persegi, jumlah kamar mandi, dan sebagainya, rumah yang dijual di daerah metropolitan tertentu. Dari sudut pandang statistik, set data ini memiliki fitur penting: mereka terdiri dari observasi sampel independen. Ini juga merupakan aspek kunci dalam analisis kami data cross-sectional: antara lain, itu mengesampingkan korelasi dalam hal error di pengamatan yang berbeda. Cross section yang dikumpulkan secara independen berbeda dari sampel acak tunggal dalam pengambilan sampel itu dari populasi pada titik yang berbeda dalam waktu cenderung mengarah pada pengamatan yang tidak identik didistribusikan. Sebagai contoh, distribusi upah dan pendidikan telah berubah dari waktu ke waktu di sebagian besar negara. Seperti yang akan kita lihat, ini mudah untuk ditangani dalam praktik dengan memungkinkan intercept dalam model regresi berganda, dan dalam beberapa kasus slope, berubah seiring waktu. Kami membahas model seperti itu di Bagian 2.1. Di Bagian 2.1, kami membahas bagaimana mengumpulkan perpotongan atau persilangan dari waktu ke waktu dapat digunakan untuk mengevaluasi perubahan kebijakan. Kumpulan data panel, walaupun memiliki dimensi cross-sectional dan time series, berbeda dalam beberapa hal. hal-hal penting dari perpotongan atau persilangan yang dikumpulkan secara independen. Untuk mengumpulkan data panel (terkadang disebut data longitudinal) kami mengikuti (atau berupaya mengikuti) individu, keluarga, firma, kota, negara bagian yang sama, atau apa pun, sepanjang waktu. Sebagai contoh, satu set data panel pada upah individu, jam, pendidikan, dan faktor-faktor lain dikumpulkan dengan secara acak 3



memilih orang-orang dari suatu populasi pada suatu titik tertentu dalam satu waktu. Kemudian, orang-orang yang sama ini ditinjau kembali pada beb erapa titik waktu berikutnya. Ini memberi kita data tentang upah, jam, pendidikan, dan sebagainya, untuk kelompok orang yang sama di tahun yang berbeda. Kumpulan data panel cukup mudah dikumpulkan untuk distrik sekolah, kota, kabupaten, negara bagian, dan negara, dan analisis kebijakan sangat ditingkatkan dengan menggunakan set data panel; kita akan melihat beberapa contoh didiskusi berikut. Untuk analisis ekonometrik data panel, kami tidak dapat mengasumsikan bahwa pengamatan didistribusikan secara independen sepanjang waktu. Misalnya, faktor yang tidak teramati (seperti kemampuan) yang memengaruhi upah seseorang pada tahun 1990 juga akan memengaruhi upah orang itu pada tahun 1991; faktor yang tidak teramati yang mempengaruhi tingkat kejahatan kota pada tahun 1985 juga akan mempengaruhi tingkat kejahatan kota itu pada tahun 1990. Karena alasan ini, model dan metode khusus telah dikembangkan untuk menganalisis data panel. Dalam Bagian 2.3, 2.4, dan 2.5, kami menggambarkan metode pembedaan langsung untuk menghilangkan konstanta waktu, atribut unit yang sedang dipelajari tidak teramati. Karena metode data panel agak lebih maju, kami sebagian besar akan mengandalkan intuisi



dalam



menggambarkan



sifat



statistik



dari



prosedur



estimasi,



meninggalkan asumsi terperinci pada lampiran BAB. Kami mengikuti strategi yang sama di BAB 14, yang mencakup metode data panel yang lebih rumit.



2.1 Pooling Independent Cross Sections across Time Banyak survei individu, keluarga, dan perusahaan diulangi secara berkala, seringkali setiap tahun. Sebuah contohnya adalah Survei Penduduk Saat Ini (CPS), yang secara acak mengambil sampel rumah tangga setiap tahun. (Lihat, misalnya, CPS78_85, yang berisi data dari CPS 1978 dan 1985). Jika sampel acak diambil pada setiap periode waktu, mengumpulkan sampel acak yang dihasilkan memberi kita gabungan secara independent persilangan. Salah satu alasan untuk menggunakan perpotongan atau persilangan yang dikumpulkan secara independen adalah untuk meningkatkan ukuran sampel. Dengan mengumpulkan sampel acak yang diambil dari populasi yang sama, tetapi pada titik 4



waktu yang berbeda, kita bisa mendapatkan lebih banyak penduga yang tepat dan statistik uji dengan kekuatan lebih besar. Pooling sangat membantu dalam hal ini hanya sejauh hubungan antara variabel dependen dan setidaknya beberapa variabel independen tetap ada konstan sepanjang waktu. Seperti yang disebutkan dalam pendahuluan, menggunakan perpotongan atau persilangan yang dikumpulkan mengumpulkan hanya komplikasi statistik kecil. Biasanya, untuk mencerminkan fakta bahwa populasi mungkin memiliki distribusi yang berbeda pula periode waktu, kami memungkinkan intersepsi berbeda antar periode, biasanya tahun. Ini mudah dilakukan dengan memasukkan variabel dummy untuk semua kecuali satu tahun, di mana tahun paling awal dalam sampel adalah biasanya dipilih sebagai tahun dasar. Mungkin juga varians kesalahan berubah seiring waktu, sesuatu yang akan kita diskusikan nanti. Kadang-kadang, pola koefisien pada variabel dummy tahun itu sendiri menarik. Misalnya, seorang demografi mungkin tertarik pada pertanyaan berikut: Setelah mengontrol pendidikan, pola kesuburan di antara wanita di atas 35 berubah antara tahun 1972 dan 1984? Mengikuti contoh menggambarkan bagaimana pertanyaan ini dijawab dengan menggunakan analisis regresi berganda variabel dummy tahunan. Example 13.1 Women’s Fertility over Time Kumpulan data dalam FERTIL1, yang mirip dengan yang digunakan oleh Sander (1992), berasal dari National Survei Sosial Umum Pusat Penelitian Opini untuk tahun-tahun genap 1972 hingga 1984, secara inklusif. Kami menggunakan data ini untuk memperkirakan model yang menjelaskan jumlah total anak yang dilahirkan oleh seorang wanita (anak-anak). Satu pertanyaan yang menarik adalah: Setelah mengendalikan faktor-faktor lain yang dapat diamati, apa yang terjadi tingkat kesuburan dari waktu ke waktu? Faktor-faktor yang kami kendalikan adalah tahun pendidikan, usia, ras, wilayah negara tempat tinggal pada usia 16, dan lingkungan hidup pada usia 16 tahun. Perkiraannya diberikan pada Tabel 13.1. Tahun dasar adalah 1972. Koefisien pada variabel dummy tahun menunjukkan penurunan tajam dalam kesuburan pada awal 1980-an. Misalnya, koefisien pada y82 menyiratkan bahwa, mengadakan pendidikan, usia, dan faktor-faktor lain tetap, seorang wanita rata-rata memiliki 0,5 anak lebih sedikit, atau sekitar setengah anak, pada tahun 1982 dibandingkan pada tahun 1972. Ini adalah penurunan yang sangat besar: 5



mempertahankan pendidikan, usia, dan faktor-faktor lain tetap, 100 wanita pada tahun 1982 diperkirakan memiliki sekitar 52 anak lebih sedikit dari 100 wanita yang sebanding pada tahun 1972. Karena kita mengendalikan pendidikan, penurunan ini terpisah dari penurunan kesuburan yang disebabkan oleh peningkatan tingkat pendidikan rata-rata. (Rata-rata tahun pendidikan adalah 12,2 untuk 1972 dan 13,3 untuk 1984.) koefisien pada y82 dan y84 mewakili penurunan kesuburan karena alasan yang tidak ditangkap dalam variabel penjelas. Mengingat bahwa dummies tahun 1982 dan 1984 secara individual cukup signifikan, tidak mengherankan bahwa sebagai kelompok, tahun dummies bersama-sama sangat signifikan: R-kuadrat untuk regresi tanpa tahun dummies adalah 0,1019, dan ini mengarah ke F6,1111 = 5,87 dan p-value = 0



Wanita dengan pendidikan lebih banyak memiliki anak lebih sedikit, dan perkiraan ini sangat signifikan secara statistik. Hal lain dianggap sama, 100 wanita 6



dengan pendidikan tinggi akan memiliki sekitar 51 anak lebih sedikit rata-rata dari 100 wanita dengan hanya pendidikan sekolah menengah: 0.128(4) = 0.512. Usia memiliki efek yang semakin berkurang pada kesuburan. (Titik balik dalam kuadrat adalah sekitar usia = 46, pada saat itu paling banyak wanita telah selesai memiliki anak.) Model yang diperkirakan pada Tabel 13.1 mengasumsikan bahwa efek dari masing-masing variabel penjelas, khususnya pendidikan, tetap konstan. Hal ini bisa benar bisa juga tidak. Akhirnya, mungkin ada heteroskedastisitas dalam istilah error yang mendasari persamaan estimasi. Ada satu perbedaan yang menarik. sekarang, varian error dapat berubah dari waktu ke waktu bahkan jika itu tidak berubah dengan nilainilai pendidikan, usia, kulit dan seterusnya. Namun demikian, eror standar heteroskedastisitas-kuat dan statistik uji valid. Tes Breusch-Pagan akan diperoleh dengan regresi residu OLS kuadrat pada semua variabel independen pada Tabel 13.1, termasuk tahun dummy. (Untuk kasus khusus statistik White, nilai yang dipasang anak-anak dan nilai yang dipasang kuadrat digunakan sebagai variabel independen, selalu.) Prosedur kuadrat terkecil tertimbang harus memperhitungkan varians yang mungkin berubah waktu. Example 13.2 Changes in the Return to Education and the Gender Wage Gap Persamaan log (upah) (di mana upah adalah upah per jam) dikumpulkan selama tahun 1978 (tahun dasar) dan 1985 adalah



di mana sebagian besar variabel penjelas sekarang sudah tidak asing lagi. Serikat variabel adalah variable dummy sama dengan satu jika orang itu milik serikat, dan nol sebaliknya. Variabel y85 adalah dummy variabel sama dengan satu jika pengamatan berasal dari tahun 1985 dan nol jika berasal dari tahun 1978. Ada 550 orang dalam sampel pada tahun 1978 dan satu set berbeda 534 orang pada tahun 1985.



7



Intercept untuk 1978 adalah β0, dan intersep untuk 1985 adalah β0 + δ0. Kembali ke pendidikan di Indonesia 1978 adalah β1, dan kembali ke pendidikan pada tahun 1985 adalah β1 + δ1. Karena itu, δ1 mengukur bagaimana kembalinya kesatu tahun lagi pendidikan setelah berubah selama periode tujuh tahun. Akhirnya, pada tahun 1978, perbedaan log (upah) antara perempuan dan laki-laki adalah β5; diferensial pada tahun 1985 adalah β5 + δ5. Jadi, kita bisa menguji nol hipotesis bahwa tidak ada yang terjadi pada perbedaan gender selama periode tujuh tahun ini dengan pengujian H0: δ5 = 0. Alternatif yang mengurangi perbedaan gender adalah H1: δ5 > 0. Untuk kesederhanaan, kami berasumsi bahwa pengalaman dan keanggotaan serikat memiliki efek yang sama terhadap upah di kedua waktu tersebut. Sebelum kami menyajikan estimasi, ada satu masalah lain yang perlu kami tangani — yaitu, setiap jam upah di sini adalah dalam dolar nominal (atau saat ini). Karena upah nominal tumbuh hanya karena inflasi, kami benar-benar tertarik pada pengaruh masing-masing variabel penjelas terhadap upah riil. Misalkan kita sepakat untuk mengukur upah pada tahun 1978 dolar. Ini membutuhkan upah 1985 dikurangi menjadi 1978 dolar. (Menggunakan Indeks Harga Konsumen untuk Laporan Ekonomi Presiden 1997, faktor deflasi adalah 107.6 / 65.2