JURNAL FOURIER | Oktober 2025.
Vol.
No.
2, 80-89
DOI: 10.
14421/fourier.
ISSN 2252-763X
E-ISSN 2541-5239
Penerapan Model Regresi Data Panel Dinamis Menggunakan Generalized Method of Moment System Terhadap Faktor-Faktor Yang Mempengaruhi Pertumbuhan Ekonomi Rayi Lentera Surya1.
Epha Diana Supandi2.
Pipit Pratiwi3 Program Studi Matematika.
Fakultas Sains dan Matematika.
Universitas Islam Negeri Sunan Kalijaga Yogyakarta.
Jl.
Marsda Adisucipto No.
1 Yogyakarta 55281.
Indonesia Korespondensi.
Epha Diana Supandi.
Email: epha.
supandi@uin-suka.
Abstrak Regresi data panel dinamis merupakan salah satu pemodelan matematika yang baik untuk konsep kedinamisan, dimana suatu variabel tidak hanya dipengaruhi oleh variabel pada periode yang sama, melainkan juga pada variabel periode Salah satu metode estimasi model regresi data panel dinamis adalah Generalized Method of Moment System.
Metode ini memiliki kelebihan yaitu menghasilkan estimasi yang tidak bias, konsisten, dan lebih efisien.
Pada penelitian ini mengambil studi kasus pertumbuhan ekonomi di provinsi Jawa Barat dari 2013-2023 dengan variabel independen Pendapatan Domestik Regional Bruto tahun sebelumnya dan Indeks Pembangunan Manusia.
Hasil analisis memperlihatkan bahwa kedua variabel berpengaruh signifikan terhadap pertumbuhan ekonomi Jawa Barat dengan elastisitas efek jangka pendek variabel Pendapatan Domestik Regional Bruto tahun sebelumnya sebesar 0,2610 dan Indeks Pembangunan Manusia sebesar 0,2870.
Sedangkan untuk efek jangka panjang nilai Indeks Pembangunan Manusia diperoleh sebesar 0,3885 artinya setiap kenaikan nilai Indeks Pembangunan Manusia sebesar 1 persen maka pertumbuhan ekonomi meningkat sebesar 0,3885% dengan asumsi variabel lain bernilai konstan.
Kata Kunci: Regresi data panel dinamis.
Generalized Method of Moment System (SYS-GMM) Abstract Dynamic panel data regression is a good mathematical modeling for the concept of dynamics, where a variable is not only influenced by variables in the same period, but also by variables from the previous period.
One method for estimating dynamic panel data regression models is the Generalized Method of Moment System (SYS-GMM).
This method has the advantage of producing estimates that are unbiased, consistent and more efficient.
This research takes a case study of economic growth in the province of West Java from 2013-2023 with independent variables, namely the previous year's PDRB (Gross Regional Domestic Incom.
and IPM/HDI (Human Development Inde.
The results of the analysis show that both variables have a significant effect on West Java's economic growth with the short-term effect elasticity of the previous year's GRDP variable being 0.
2610 and HDI being 0.
Meanwhile, for long-term effects, the IPM value is 3885, meaning that for every 1 percent increase in the IPM value, economic growth increases by 0.
3885%, assuming other variables are constant.
Keywords: Dynamic panel data regression.
Generalized Method of Moment System (SYS-GMM).
Pendahuluan Metode regresi data panel merupakan salah satu metode regresi yang didasarkan pada data panel yang bertujuan untuk mengamati hubungan antara variabel dependen dengan satu atau lebih variabel
A 2025 JURNAL FOURIER
Versi online via w.
Penerapan Model Regresi Data Panel Dinamis .
Data panel dikenal dengan sebutan pooled data yaitu kombinasi dari data time-series .
ata runtun wakt.
dan cross-section .
ata silan.
, artinya data panel memiliki dimensi ruang dan waktu.
Terdapat 2 jenis regresi data panel yaitu regresi data panel statis dan regresi data panel dinamis .
Pada regresi data panel statis ada 3 model yaitu Common Effect Model (CEM).
Fixed Effect Models (FEM).
Random Effect Model (REM).
Analisis regresi data panel dinamis digunakan pada model yang bersifat dinamis dan cocok untuk data yang bersifat dynamic of adjustment .
Data panel mampu menyesuaikan variabel-variabel dalam model regresi terhadap perubahan dalam jangka waktu tertentu.
Ciri dari model regresi data panel dinamis yaitu dengan memasukkan lag dari variabel dependen sebagai regressor dalam regresi .
enambahkan lag variabel dependen untuk dijadikan sebagai variabel Penambahan lag pada model ini menimbulkan masalah endogenitas, sehingga bila model diestimasi dengan pendekatan fixed effect model maupun random effect model akan menghasilkan estimasi yang bias dan tidak konsisten .
Untuk mengatasi masalah ini.
Arellano dan Bond memperkenalkan metode estimasi parameter dalam model data panel dinamis yaitu Generalized Method of Moments (GMM).
Estimasi yang diperoleh dari Arellano dan Bond memiliki sifat tak bias, konsisten dan efisien.
Namun.
Blundell dan Bond .
mengusulkan sebuah estimasi yang menurut mereka lebih efisien daripada estimasi yang dihasilkan oleh Arellano dan Bond yaitu metode Generalized Method of Moment System (SYS-GMM).
Metode SYSGMM tidak hanya menggunakan momen kondisi dan matriks variabel instrumen dari model first difference saja yang digunakan, tetapi Blundell dan Bond juga menambahkan suatu informasi level yaitu momen kondisi level dan matriks variabel instrumen level untuk mendapatkan estimasi yang lebih baik.
Hal ini dilakukan dengan mengkombinasikan momen kondisi first difference dan momen kondisi level serta matriks variabel instrumen first difference dan matriks variabel instrumen level .
Regresi data panel dinamis adalah salah satu pemodelan matematika yang baik dan lebih efisien untuk memprediksi faktor-faktor pertumbuhan ekonomi suatu wilayah Pertumbuhan ekonomi di suatu wilayah merupakan salah satu indikator keberhasilan Pembangunan .
Artinya semakin tinggi pertumbuhan ekonomi semakin tinggi pula kesejahteraan masyarakat atau penduduk di wilayah tersebut.
Beberapa penelitian pertumbuhan ekonomi dengan menggunaka regresi data panel dinamis diantaranta .
, .
, .
, .
, .
, dan .
Provinsi Jawa Barat merupakan provinsi yang menduduki peringkat pertama pada pertumbuhan ekonomi di Pulau Jawa dengan kinerja perekonomian terus meningkat setiap tahun.
Laju pertumbuhan atau kinerja perekonomian dapat dilihat dari data PDB (Produk Domestik Brut.
untuk skala nasional sedangkan untuk skala daerah menggunakan PDRB (Produk Domestik Regional Brut.
Pertumbuhan ekonomi dipengaruhi oleh beberapa faktor, diantaranya pendapatan, kebijakan pemerintah, tingkat inflasi, tingkat pengangguran, indeks pembangunan manusia dan lainnya .
Indeks Pembangunan Manusia (IPM) merupakan salah satu faktor yang penting untuk melihat pertumbuhan ekonomi suatu wilayah.
Apabila indikator sumber daya manusia semakin berkualitas maka tingkat produktifitas akan semakin tinggi sehingga akan meningkatkan efisiensi kegiatan dan pertumbuhan ekonomi.
Menurut Ranis dkk .
, pembangunan manusia merupakan salah satu kontribusi dari stabilnya laju pertumbuhan ekonomi, bukan hanya dilihat dari pembangunan nasional, tetapi juga faktor penting dalam kenaikan pertumbuhan ekonomi sepanjang waktu .
Dengan melihat latar belakang permasalahan diatas, maka penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi pertumbuhan ekonomi di Provinsi Jawa Barat.
Adapun variabel dependen yaitu PDRB dan variabel independen yaitu PDRB tahun sebelumnya dan Indeks Pembangunan Manusia (IPM) dengan menggunakan model regresi data panel dinamis.
JURNAL FOURIER .
14 80-89
82 Rayi Lentera Surya.
Epha Diana Supandi.
Pipit Pratiwi Rahayu.
Landasan Teori Model Regresi Data Panel Dinamis Analisis regresi linear merupakan suatu teknik pada statistika untuk menguji dan mengetahui hubungan antar variabel, yang dinyatakan dalam bentuk pemodelan matematika .
, .
Model regresi data panel dinamis yaitu metode regresi panel yang memasukkan lag dari variabel dependen sebagai regressor dalam regresi .
enambahkan lag variabel dependen untuk dijadikan sebagai variabel independen atau berperan sebagai variabel eksplanatori endoge.
Dinamis yang dimaksud dalam regresi data panel yaitu nilai suatu variabel dipengaruhi oleh variabel lain dan variabel dari periode sebelumnya.
Data panel dapat diimplementasikan ke dalam model dinamis, dikarenakan variabel ekonomi bersifat dinamis artinya tidak hanya ditentukan variabel dari periode waktu yang sama, tetapi juga dapat dipengaruhi dari waktu-waktu sebelumnya .
, .
Model data panel dinamis yang telah dikemukakan oleh Baltagi adalah sebagai berikut .
ycUycnyc = yuycUycn,ycOe1 yu0 yu1 ycU1ycnyc yu2 ycU2ycnyc U yuyco ycUycoycnyc yuAycnyc dengan ycn bernilai 1,2.
A , ycA untuk unit individu dan yc bernilai 1,2.
A , ycN untuk unit waktu.
Dimana:
ycUycnyc = variabel dependen untuk unit individu ke-ycn dan waktu ke-yc yu = intersep/parameter dari lag variabel dependen ycUycn,ycOe1 = lag variabel dependen yang menjadi variabel independen .
ariabel endogen eksplanator.
yu0 = parameter konstanta/parameter tidak diketahui yuyco = koefisien/parameter dari variabel independen ke-yco ycUycoycnyc = variabel independen ke-yco untuk unit individu ke-ycn dan waktu ke-yc yuAycnyc = error untuk individu ke-ycn dan waktu ke-yc Metode System Generalized Method of Moment Blundell-Bond Pada regresi panel dinamis adanya variabel lag dalam model menimbulkan permasalahan yang mengakibatkan estimasi menjadi bias dan tidak konsisten.
Anderson dan Hsaio mengusulkan metode estimasi untuk regresi data panel dinamis yaitu metode Instrument Variable (IV).
Metode IV bekerja dengan cara menghilangkan efek individual variabel independen ycUycn,ycOe1 dalam model sehingga estimasi parameter bersifat tak bias dan konsisten Selanjutnya Arellano-Bond mengembangkan metode IV dengan menggunakan prinsip Generalized Method of Moment (GMM) untuk mengestimasi parameter dalam model data panel dinamis.
Metode GMM ini menghasilkan estimasi yang tidak hanya tak bias dan konsisten, tetapi juga efisien.
Metode Instrument Variable merupakan system dalam model dengan menggunakan variable instrument dengan asumsi tertentu.
Jika variabel endogen explanatori .
cUyco ) diinstrumen hanya dengan satu variable instrument yaitu ycs1 maka estimator yuCyaycO = .
cs ycN ycU)Oe1 ycs ycN ycU.
Jika variable endogen explanatori .
cUyco ) diinstrumen dengan lebih dari satu variable instrument yaitu ycs1 , ycs2 .
A , ycsycy maka estimator yuCyaycO = (.
cU ycN yc.
cs ycN yc.
Oe1 .
cs ycN ycU))Oe1 ycU ycN ycs.
cs ycN yc.
Oe1 ycs ycN ycU.
Diketahui terdapat .
cUycnyc , ycUycn2 .
A , ycUycn,ycNOe2 ) himpunan variabel dependen, prinsip GMM dalam model mendefinisikan matriks variabel instrumen yang diperluas untuk model first difference adalah sebagai JURNAL FOURIER .
14 80-89 Penerapan Model Regresi Data Panel Dinamis .
ycUycn1 ycsyccycnyceyce = [ 0 ycUycn1 ycUycn2 A ycU A ycU ycn,ycNOe2 U OIycUycn13 OIycUycn14 OIycUycn1ycN OIycUycoycn3 OIycUycoycn3 OIycUycoycnycN ycn = 1,2.
A , ycA banyaknya pengamatan yc = 1,2.
A , yco banyaknya variabel independen yc = 1,2.
A , ycN untuk waktu Blundell dan Bond .
mengusulkan sebuah estimasi yang menurut mereka lebih efisien daripada estimasi yang dihasilkan oleh Arellano dan Bond yaitu metode Generalized Method of Moment System (SYS-GMM).
Metode SYS-GMM tidak hanya menggunakan momen kondisi dan matriks variabel instrumen dari model first difference saja yang digunakan, tetapi Blundell dan Bond juga menambahkan suatu informasi level yaitu momen kondisi level dan matriks variabel instrumen level untuk mendapatkan estimasi yang lebih baik.
Hal ini dilakukan dengan mengkombinasikan momen kondisi first difference dan momen kondisi level serta matriks variabel instrumen first difference dan matriks variabel instrumen Didefinisikan matriks variabel instrumen yang diperluas dalam bentuk sebagai berikut:
OIycUycn2 ycsycoyceyc = [ 0 OIycUycn2 OIycUycn3 A OIycU OIycUycn,ycNOe1 U OIycUycn13 U OIycUycn14 U OIycUycn1ycN OIycUycoycn3 OIycUycoycn3 OIycUycoycnycN ycN Dimana ycsycoyceyc berordo .
cN Oe .
cN Oe .
cN Oe .
] dan ycsycoyceyc memenuhi asumsi ya.
csycoyceyc yuAycn ) = 0 dan ycN det.
csycoyceyc ycUycn,ycOe1 ) O 0.
Selanjutnya didefinisikan matriks variabel instrumen untuk system .
atriks variabel instrumen gabunga.
yaitu sebagai berikut:
ycsyccycnyceyce ycsycycyc = [ OIycUycn,2 U
ycsyccycnyceyce ycy ]= ycsycoyceyc
[ 0
OIycUycn,3 U A OIycU ycn,ycNOe1 ] A A A Estimasi SYS-GMM Blundell-Bond one step consistent estimator adalah sebagai berikut:
Oe1 yuC ycN ycN ycN ycN C .
csycycyc C .
csycycyc ( C ) = [.
csycycyc yucycn,ycOe1 )ycO yucycn,ycOe1 )] [.
csycycyc yucycn,ycOe1 )ycO yucycn )] yu OIycUycn,ycOe1 OIycU C adalah taksiran yang tak bias dan konsisten ) sedangkan ycO Dimana yucycn = ( ycn ) dan yucycn,ycOe1 = ( ycUycn ycUycn,ycOe1 dari matriks bobot ycO berordo .
cN .
cN Oe .
] y .
cN .
cN Oe .
C yang Estimasi data panel one-step consistent estimator belum efisien sehingga perlu memilih ycO Pemilihan ycO yang optimal ini tidak akan memengaruhi kekonsistenan estimasi, namun akan meminimumkan asymptotic variance dari estimator yuC , sehingga akan menghasilkan estimator yang lebih Sehingga estimasi GMM Blundell-Bond menjadi sebagai berikut.
Oe1 C Oe1 .
csycycyc C Oe1 .
csycycyc ( C ) = [.
csycycyc yucycn,ycOe1 ) yucycn,ycOe1 )] [.
csycycyc yucycn,ycOe1 ) yucycn )] yu JURNAL FOURIER .
14 80-89
84 Rayi Lentera Surya.
Epha Diana Supandi.
Pipit Pratiwi Rahayu.
Oe1 ycN C Oe1 = .
cA Oe1 OcycA Dengan Cycn ycCycnycN ycsycycyc ) ) adalah taksiran yang tak bias, konsisten, dan efisien ycn=1.
csycycyc yc berordo .
cN .
cN Oe .
] y .
cN .
cN Oe .
] Bahan dan Metode Penelitian ini menggunakan pendekatan kuantitatif dimana penelitian berfokus pada pengumpulan data numerik dan analisis statistik untuk menjawab pertanyaan penelitian dan menguji hipotesis.
Data yang digunakan dalam penelitian ini adalah data numerik yang diperoleh dari website publikasi Badan Pusat Statistik (BPS) Provinsi Jawa Barat di http://jabar.
Variabel yang digunakan yaitu Produk Domestik Bruto Regional (Y) dan Indeks Pembangunan Manusia (X) serta Produk Domestik Bruto Regional tahun sebelumnya (Yt-.
Data yang dipergunakan berupa data panel dimana data silang .
ross sectio.
pada 27 kabupaten/kota di Provinsi Jawa Barat dan data runtut waktu .
ime serie.
dari tahun 2013 sampai 2023.
Metode analisis yang digunakan adalah analisis regresi data panel dinamis dengan metode Generalized Method of Moment System (SYS-GMM) sehingga modelnya adalah ycUycnyc = yuycUycn,ycOe1 yu0 yu1 ycU1ycnyc yuAycnyc Dimana:
ycn unit data cross-section .
,2.
A , ycA) ada 27 kabupaten/kota pada provinsi Jawa Barat yc unit data timeseries .
,2.
A , ycN) dari tahun 2013-2023 ycUycnyc variabel dependen (Produk Domestik Regional Brut.
unit cross-section ke-ycn untuk periode waktu ke-yc yu parameter lag variabel dependen ycUycn,ycOe1 = lag variabel dependen .
ata PDRB tahun sebelumny.
yu0 konstanta atau intersep efek individu unit cross-section ke-ycn untuk periode waktu ke-yc yu1 koefisien atau vector slope variabel independent ycU1 Indeks Pembangunan Manusia (IPM) yuAycnyc error regresi unit cross-section ke-ycn untuk periode waktu ke-yc Langkah-langah penelitian ini sebagai berikut:
Memformulasi model data panel dinamis dengan variabel dependen (PDRB) dan variabel independent PDRB tahun sebelumnya dan IPM.
Menghilangkan efek individu pada nilai error dengan first difference.
Mengatasi masalah korelasi lag variabel dependen dan error dengan membentuk dan memilih momen kondisi matriks variabel instrumen yang tepat dari model first difference juga model Gabungkan momen kondisi dan matriks variabel instrumen level dengan momen kondisi dan matriks variabel instrumen first difference.
Melakukan estimasi SYS-GMM Blundell-Bond one step consistent estimator dengan memilih C dengan persamaan .
matriks bobot ycO Melakukan estimasi SYS-GMM Blundell-Bond two-step estimator dengan menggunakan persamaan .
Melakukan uji signifikansi parameter menggunakan uji Wald dan uji Z.
JURNAL FOURIER .
14 80-89
Penerapan Model Regresi Data Panel Dinamis .
Melakukan uji spesifikasi model menggunakan uji Sargan, uji Arellano-Bond, dan uji ketidakbiasan, digunakan untuk mengetahui uji validitas instrumen, uji konsistensi, dan uji Melakukan uji asumsi klasik menggunakan uji independen (Arellano-Bon.
dan uji heterokedastisitas .
ji Sarga.
Melakukan analisis dan interpretasi model dari hasil uji dan estimasi.
Analisis data panel dinamis dilakukan dengan alat pengolahan data menggunakan Software R Studio.
Hasil dan Pembahasan Data yang digunakan dalam penelitian ini adalah data sekunder yang diperoleh dari website BPS (Badan Pusat Statisti.
di http://jabar.
id/ berupa data PDRB kabupaten/kota di Provinsi Jawa Barat pada rentang waktu 2013 sampai dengan 2023.
Adapun sebagai variabel dependen (Y) yaitu pertumbuhan ekonomi Jawa Barat atau PDRB Jawa Barat dan 2 faktor .
ariabel independe.
Faktor pertama yaitu variabel PDRB tahun sebelumnya (Yt-.
dan faktor kedua yaitu variabel Indeks Pembangunan Manusia (IPM) sebagai (X.
Jumlah kabupaten/kota di Provinsi Jawab Barat ada 27 sehingga jumlah observasi sebanyak 27 kabupaten/kota (N = .
dengan periode waktu tahun 2013 Ae 2023 (T = .
Analisis Deskriptif Variabel PDRB dan IPM Pada statistik deskriptif mengenai PDRB berdasarkan data pada BPS di 27 kabupaten/kota Provinsi Jawa Barat pada rentang waktu 2013 sampai dengan 2023 dapat dilihat pada gambar di bawah ini:
Gambar 1.
Plot data Laju PDRB Jawa Barat 2013-2023 Berdasarkan pada Gambar 1.
diperoleh bahwa masing-masing kabupaten/kota pada Provinsi Jawa Barat cenderung fluktuatif naik turun, namun di tahun 2020 hampir semua kabupaten/kota mengalami penurunan nilai PDRB karena adanya wabah penyakit Covid-19.
Pada Gambar 2, diperlihatkan trend IPM pada rentang waktu 2013 sampai dengan 2023 untuk 27 kabupaten/kota Provinsi Jawa Barat.
JURNAL FOURIER .
14 80-89
86 Rayi Lentera Surya.
Epha Diana Supandi.
Pipit Pratiwi Rahayu.
Gambar 2.
Plot data IPM Jawa Barat 2013-2023 Dapat dilihat pada Gambar 2, ada kecenderungan peningkatan IPM untuk semua kota/kabupaten di Provinsi Jawa Barat pada tahun 2013-2023.
Rata-rata nilai IPM setiap kabupaten/kota provinsi Jawa Barat berada diatas 61%.
Estimasi Model Regresi Data Panel Dinamis C yang optimal.
Estimasi data panel one-step consistent estimator belum efisien sehingga perlu memilih ycO C yang optimal ini tidak akan memengaruhi kekonsistenan estimasi, namun akan Pemilihan ycO meminimumkan asymptotic variance dari estimator yuC, sehingga akan menghasilkan estimator yang lebih Diperoleh bentuk umum pada metode SYS-GMM untuk pertumbuhan ekonomi di 27 kabupaten/kota provinsi Jawa Barat adalah sebagai berikut ycUycnyc = yuycUycn,ycOe1 yu0 yu1 ycU1ycnyc yuAycnyc .
Pendekatan SYS-GMM two-step estimator dengan jumlah variable instrument sebanyak ya = 2 .
cN .
cN Oe .
, dimana ycN : jangka waktu Produk Domestik Regional Bruto (PDRB) di 27 kabupaten/kota Provinsi Jawa Barat.
Data telah diolah menggunakan software R Studio, yang hasilnya adalah sebagai berikut:
Tabel 1.
Hasil estimasi koefisien SYS-GMM Variabel Koefisien Yi,t-1 0,26106 0,28709 Std.
Error
0,10969
0,04379
Z-value 2,3799 6,5562 Pr (> |Z |) 0,01732 0,00000000005519 Sehingga, diperoleh model regresi data panel dinamis menggunakan SYS-GMM yaitu ycUycnyc = 0,26106ycUycn,ycOe1 .
coycayci ycEyaycIyaA) 0,28709ycU1 .
aycEycA).
Dari hasil Tabel 1.
variabel produk domestik regional bruto (PDRB) pada tahun sebelumnya dan indeks pembangunan manusia (IPM) berpengaruh positif terhadap data produk domestik regional bruto (PDRB).
Hasil estimasi model regresi data panel dengan menggunakan metode SYS-GMM untuk koefisien Produk Domestik Regional Bruto (PDRB) pada tahun sebelumnya sebesar 0,26106.
yang berarti bahwa JURNAL FOURIER .
14 80-89 Penerapan Model Regresi Data Panel Dinamis .
setiap kenaikan 1 persen pada laju pertumbuhan PDRB tahun sebelumnya, maka akan berpengaruh positif dengan peningkatan PDRB pada tahun selanjutnya sebesar 26.
Hasil estimasi variabel IPM sebesar 0,28709, hal ini berarti setiap kenaikan 1 persen pada IPM, maka akan meningkatkan nilai laju pertumbuhan PDRB secara jangka pendek sebesar 28,709% dengan asumsi variabel lain bernilai konstan.
Uji Signifikansi Parameter Tahap berikutnya yaitu melalukan pengujian signifikansi parameter dengan menggunakan uji Wald dan uji Z.
Uji Wald digunakan untuk mengetahui signifikansi model secara serentak sedangkan uji Z digunakan untuk signifikansi model secara parsial atau individu.
Hasil perhitungan diperoleh nilai statitik uji Wald sebesar 3769,863 dengan p-value sebesar 2,22e-16, sehingga disimpulkan bahwa model sudah signifikan .
da hubungan yang signifikan semua variabel independen terhadap depende.
Berdasarkan dari output nilai uji Z diketahui bahwa setiap variabel bebas .
ag PDRB dan IPM) memiliki nilai p-value < 0,05 maka keputusannya setiap variabel berpengaruh signifikan terhadap model.
Uji Spesifikasi Model Setelah melakukan uji signifikansi parameter, kemudian langkah selanjutnya yaitu uji spesifikasi model.
Uji spesifikasi model dapat dilakukan menggunakan uji Sargan .
ji validita.
, uji Arellano-Bond .
ji konsistens.
, dan uji ketidakbiasan.
Uji Sargan digunakan untuk mengidentifikasi validitas penggunaan variabel instrumen yang jumlahnya melebihi jumlah parameter yang diestimasi .
ondisi overidentifying Selain untuk menguji validitas, uji ini juga digunakan untuk mengetahui data residual mengalami homokedastisitas atau tidak.
Berdasarkan dari output nilai uji Sargan pada p-value sebesar 0,9993 (> 0,.
, artinya kondisi overidentifying restriction dalam estimasi model valid .
ariabel instrumen tidak berkorelasi dengan error sehingga variabel instrumen vali.
Hal ini mengartikan bahwa vaiabel intrumen yang digunakan valid atau telah sesuai.
Untuk melihat kekonsistenan dari estimasi maka perlu dilakukan uji autokorelasi menggunakan uji Arellano-Bond.
Estimasi parameter yang konsisten apabila pada first difference orde ke-2 tidak ada autokorelasi antara residual dengan variabel endogen eksplanatori.
Berdasarkan dari output nilai uji Arellano-Bond nilai p-value sebesar 0,9993 (> 0,05 artinya tidak terdapat autokorelasi pada error first difference orde ke-2.
Uji ketidakbiasan dapat dilihat dari perbandingan estimator lag dependen GMM dengan FEM (Fixed Effect Mode.
yang bersifat biased downward dan PLS (Pooled Least Square.
yang bersifat biased Estimator yang tidak bias nilainya akan berada di antara model FEM dan PLS.
Perbandingan estimator SYS-GMM dengan FEM dan PLS dapat dilihat pada Tabel 2.
Tabel 2.
Hasil Uji Ketidakbiasan Parameter Koefisien FEM
0,053115
Koefisien
SYS-GMM
0,26106
Koefisien PLS
0,273498
Pada Tabel 2.
dapat dilihat bahwa koefisien model SYS-GMM berada diantara model FEM dan model PLS.
Dengan demikian estimasi menggunakan metode SYS-GMM Blundell-Bond sudah memenuhi kriteria ketidakbiasan.
JURNAL FOURIER .
14 80-89
88 Rayi Lentera Surya.
Epha Diana Supandi.
Pipit Pratiwi Rahayu.
Uji Asumsi Klasik Uji asumsi klasik merupakan salah satu bagian penting untuk dilakukan pada regresi parametrik maupun non-parametrik.
Terdapat beberapa asumsi yang harus dilakukan untuk memenuhi syarat agar menghasilkan estimasi parameter yang baik.
Asumsi yang harus dipenuhi adalah independen, identik .
dan berdistribusi normal.
Uji independen dilakukan untuk menyelidiki apakah residual yang independen artinya bahwa error hasil first difference orde ke-2 tidak boleh terjadi autokorelasi.
Untuk menguji autokorelasi/independensi pada data panel dinamis menggunakan uji Arellano-Bond.
Berdasarkan dari output nilai uji ArellanoBond pada orde ke-2 diperoleh p-value sebesar 0,0951 > 0,05 artinya tidak terdapat autokorelasi pada error first difference orde ke-2 .
idak terjadi autokorelas.
Selanjutnya, pengujian heterokedastisitas dilakukan dengan tujuan untuk menguji apakah terdapat ketidaksamaan variance maupun residual dari suatu pengamatan ke pengamatan lainnya.
Uji heteroskedastisitas menggunakan uji Sargan.
Berdasarkan uji Sargan diperoleh nilai p-value sebesar 0,9993 (> 0,.
, artinya tidak terdapat kasus heterokedastisitas pada residual.
Koefisien Elastisitas Regresi Salah satu keunggulan model regresi data panel dinamis yaitu dapat mengetahui efek jangka pendek .
hort-run multiplie.
maupun jangka panjang .
ong-term multipl.
dari variabel bebas .
yang memengaruhi merupakan salah satu keunggulan dari model regresi data panel dinamis.
Pengaruh jangka pendek dan jangka panjang dapat diketahui dari koefisien elastisitas.
Elastisitas dalam ekonomi digunakan untuk mengetahui presentasi perubahan output sebagai akibat dari berubahnya input sebesar satu persen Koefisien elastisitas ini kita dapat melihat efek jangka pendek dan jangka panjang dari variabel yang memengaruhi pertumbuhan ekonomi Jawa Barat menggunakan metode SYS-GMM Blundell-Bond.
Tabel 3.
Hasil Koefisien Elastisitas Regresi Variabel Koefisien Elastisitas Regresi Jangka Pendek Jangka Panjang Yi,t-1 0,26106 0,28709 0,388516 Berdasarkan hasil analisis koefisien elastisitas regresi diperoleh bahwa efek jangka pendek variabel PDRB tahun sebelumnya sebesar 0,26106 dan IPM sebesar 0,28709.
Sedangkan, variabel IPM memberikan efek jangka panjang sebesar 0,388516 artinya setiap kenaikan nilai IPM sebesar 1 persen maka akan meningkatkan nilai pertumbuhan ekonomi sebesar 0,388516% secara jangka panjang dengan asumsi bahwa variabel lain bernilai konstan.
Kesimpulan Model regresi data panel dinamis sangat tepat digunakan untuk model yang bersifat dinamis atau cocok untuk dynamic of adjustment karena mampu menyesuaikan variabel-variabel dalam model regresi terhadap perubahan dalam jangka waktu tertentu.
Penerapan model regresi data panel dinamis menggunakan metode SYS-GMM terhadap faktor-faktor yang mempengaruhi pertumbuhan ekonomi diperoleh persamaan sebagai berikut:
ycUCycnyc = 0,26106ycUycn,ycOe1 0,28709 ycU1 .
JURNAL FOURIER .
14 80-89
Penerapan Model Regresi Data Panel Dinamis .
Hasil penerapan pada data riil menunjukkan bahwa variabel Produk Domestik Regional Bruto (PDRB) pada tahun sebelumnya dan indeks pembangunan manusia (IPM) berpengaruh positif terhadap data Produk Domestik Regional Bruto (PDRB).
Referensi