PART 4: UJI HAUSMAN (PEMILIHAN MODEL REGRESI DATA PANEL)

Setelah selesai melakukan uji Chow dan didapatkan model yang tepat adalah Fixed Effct, maka selanjutnya kita akan menguji model manakah antara model Fixed Effect atau Random Effect yang paling tepat, pengujian ini disebut sebagai uji Hausman.

Uji Hausman dapat didefinisikan sebagai pengujian statistik untuk memilih apakah model Fixed Effect atau Random Effect yang paling tepat digunakan. Pengujian uji Hausman dilakukan dengan hipotesis berikut:

H0                   : Random Effect Model

H1                   : Fixed Effect Model

Uji Hausman akan mengikuti distribusi chi-squares sebagai berikut:

Statistik Uji Hausman ini mengikuti distribusi statistic Chi Square dengan degree of freedom sebanyak k, dimana k adalah jumlah variabel independen. Jika nilai statistik Hausman lebih besar dari nilai kritisnya maka H0 ditolak dan model yang tepat adalah model Fixed Effect sedangkan sebaliknya bila nilai statistik Hausman lebih kecil dari nilai kritisnya maka model yang tepat adalah model Random Effect.

Dalam software EViews pengujian Hausman belum disediakan seperti pada uji lain, maka kita menggunakan Command EViews. Untuk lebih jelasnya contoh hasil regresi panel pada Part 2 yang akan kita pakai. Pastikan komputer anda sudah terinstal EViews, untuk mempermudah langkah uji Hausman pakailah hasil regresi ini. Klick untuk mendownloadnya “Hasil Regresi EViews”.

 Untuk melakukan uji Hausman ikutilah langkah-langkah berikut ini:

1. Bukalah “Hasil Regresi EViews” yang sudah anda download. Perhatikan pada Workfile dibawah ini, terdapat file data (warna biru) ini adalah hasil regresi yang sudah disimpan dengan nama data.

Langkah untuk menamakan data dengan terlebih dahulu melakukan pengujian salah satu model regresi, setelah selesai klick name lalu berikan nama “data”.

2.  Masukanlah perintah dibawah ini pada Command EViews:

data.ls(F) ldr npl kur

Vector beta=data.@coefs

Matrix covar=data.@cov

Vector b_fixed=@subextract(beta,1,1,2,1)

Matrix cov_fixed=@subextract(covar,1,1,2,2)

data.ls(R) ldr npl kurs

Vector beta=data.@coefs

Matrix covar=data.@cov

Vector b_gls=@subextract(beta,2,1,3,1)

Matrix cov_gls=@subextract(covar,2,2,3,3)

Matrix b_diff=b_fixed - b_gls

Matrix v_diff=cov_fixed - cov_gls

Matrix H=@transpose(b_diff)*@inverse(v_diff)*b_diff

Keterangan:  Pada Vector b_fixed dan matrix cov angka “2” adalah variabel independen. Pada Vector b_GLS  dan matrix cov angka “3” adalah variabel independen ditambah dengan kostanta.  Masukanlah setiap baris perintah diatas dan diakhiri dengan “enter”.

3. Jika anda memasukan perintah diatas dengan benar maka pada Workfile akan muncul hasil uji Hausman. Double klick pada gambar H pada work file maka muncul Matrix:H, angka 98,46304 adalah nilai uji Hausman.

Untuk melihat langsung hasil uji Hausman dalam EViews silahkan download disini “Uji Hausman”
4. Langkah terakhir adalah membandingkan nilai uji Hausman dengan nilai Chi Square.
Nilai Chi Square didapat dengan melihat tabel Chi Square dengan melihat jumlah variabel independen yang kita pakai dalam hal ini 2 variabel independen dan nilai signifikan yang kita pakai dalam hal ini 0,05 atau 5%. Didapat nilai Chi Square sebesar 5,99146. Jika melihat aturan diatas, nilai statistik Hausman lebih besar dari nilai Chi Square (98,46304 > 5,99146) maka H0 ditolak dan model yang tepat adalah model Fixed Effect. Untuk melihat part 1-8 klik disini! 

 Hasil Regresi Panel dengan Fixed Effect Model

Dependent Variable: LDR
Method: Panel Least Squares
Date: 04/29/13   Time: 07:22
Sample: 2007 2011
Periods included: 5
Cross-sections included: 10
Total panel (balanced) observations: 50
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	101.6511	11.83352	8.590096	0.0000
NPL	-9.442499	3.187997	-2.961891	0.0052
KURS	-0.001377	0.001298	-1.060954	0.2954
	Effects Specification
Cross-section fixed (dummy variables)
R-squared	0.910928	Mean dependent var		79.28840
Adjusted R-squared	0.885144	S.D. dependent var		14.93432
S.E. of regression	5.061309	Akaike info criterion		6.286690
Sum squared resid	973.4401	Schwarz criterion		6.745576
Log likelihood	-145.1673	Hannan-Quinn criter.		6.461437
F-statistic	35.32908	Durbin-Watson stat		1.590946
Prob(F-statistic)	0.000000