ASUMSI KLASIK DALAM DATA PANEL (skripsi dan tesis)

Data panel adalah regresi yang menggabungkan data time series dan data cross section (Widarjono, 2009). Ada beberapa keuntungan yang diperoleh dengan menggunakan estimasi data panel. Pertama, meningkatkan jumlah obeservasi (sampel), dan kedua, memperoleh variasi antar unit yang berbeda menurut ruang dan variasi menurut waktu (Kuncoro, 2012). Menurut Gujarati (2012) data panel sedikit terjadi kolinearitas antar variabel sehingga sangat kecil kemungkinan terjadi multikolinearitas. Berdasarkan uraian tersebut asumsi klasik yang digunakan dalam penelitian adalah uji autokorelasi dan uji heterokedastisitas.

1. Uji Autokorelasi

Autokorelasi muncul karena residual yang tidak bebas antar satu observasi ke observasi lainnya (Kuncoro, 2011). Hal ini disebabkan karena error pada individu cenderung mempengaruhi individu yang sama pada periode berikutnya. Masalah autokorelasi sering terjadi pada data time series (runtut waktu). Deteksi autokorelasi pada data panel dapat melalui uji Durbin-Watson. Nilai uji Durbin-Watson dibandingkan dengan nilai tabel Durbin-Watson untuk mengetahui keberadaan korelasi positif atau negatif (Gujarati, 2012). Keputusan mengenai keberadaan autokorelasi sebagi berikut :

1. Jika d < dl, berarti terdapat autokorelasi positif
2. Jika d > (4 – dl), berarti terdapat autokorelasi negatif
3. Jika du < d < (4 – dl), berarti tidak terdapat autokorelasi
4. Jika dl < d < du atau (4 – du), berarti tidak dapat disimpulkan
5. Uji Heterokedastisitas

Heterokedastisitas timbul apabila nilai residual dari model tidak memiliki varians yang konstan. Artinya, setiap observasi mempunyai reliabilitas yang berbeda-beda akibat perubahan kondisi yang melatarbelakangi tidak terangkum dalam model (Kuncoro, 2011). Gejala ini sering terjadi pada data cross section (Gujarati, 2012), sehingga sangat dimungkinkan terjadi heterokedastisitas pada data panel.
Implikasi terjadi autokorelasi dan heterokedastisitas pada data panel dapat diperbaiki dengan model Cross-section SUR. Apabila model data panel mengalami heterokedastisitas tanpa autokorelasi dapat diatasi dengan model Cross-section Weight