Hasil Pencarian  ::  Simpan CSV :: Kembali

"Model regresi data panel balanced dinamis dengan fixed effect merupakan model regresi data panel yang melibatkan lag dari variabel respon sebagai variabel penjelas. Asumsi model regresi data panel dinamis yang dibahas adalah balanced panel, yaitu tiap individu diamati untuk panjang waktu yang sama. Dengan asumsi fixed effect, heterogenitas dapat terlihat pada intersep model. Metode penaksiran yang digunakan dikenal sebagai LSDV (least square dummy variable) namun taksiran yang dihasilkan bias. Taksiran ini juga tidak konsisten ketika periode waktu berhingga. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah metode bias terkoreksi. Estimasi bias terkoreksi diperoleh dari koreksi bias asimtotik taksiran LSDV dengan bias asimtotik didapat melalui bentuk ketidakkonsistenan penaksir. Secara intuitif, koreksi bias ini menghilangkan bentuk tidak konsistennya taksiran LSDV sehingga menjadi taksiran yang konsisten. Prosedur iteratif digunakan untuk mendapatkan taksiran bias terkoreksi. Teknik bias terkoreksi ini diaplikasikan dalam analisis empiris dari model dinamis tingkat pengangguran di negara bagian Amerika Serikat pada periode 1991-2000.

---

Regression model of balanced dynamic panel data with fixed effect is a regression model of panel data involving lag of response variable as explanatory variable. Assumption regression model of dynamic panel data discussed is balanced panel, that is each individual observed for the same length of time period. Assuming a fixed effect, heterogeneity can be seen on the intercept model. The assessment method used is known as LSDV (least square dummy variable) however the resulting estimates generated bias. These estimators will also inconsistent for finite number of time period. Therefore, other methods are needed to estimate parameters in model. A method that can be used is bias corrected method. Bias corrected estimation is derived from the asymptotic bias correction LSDV estimator which the asymptotic bias obtained through the form of inconsistent of estimator. Intuitively, this bias correction eliminates the form of inconsistent of LSDV estimator so as to be consistent. Iterative procedure are used to obtain this bias corrected estimator. The proposed technique is applied in an empirical analysis of unemployment rate model dynamics at the U.S. state level for the 1991-2000 period."

"Model regresi data panel spasial error dinamis adalah model regresi data panel yang melibatkan lag dari variabel dependen dan komponen dependensi spasial error. Karena terdapat korelasi antara lag dari variabel dependen dan komponen error, estimasi dengan Ordinary Least Squares menjadi bias dan tidak konsisten. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah perluasan metode Arellano dan Bond yang mencakup metode instrumental variabel menggunakan variabel instrumen yang disarankan oleh Mutl (2006) dan prinsip Generalized Method of Moments (GMM). Kemudian ditambah dengan metode pendekatan Kapoor, Kelejian, dan Prucha (KKP) sehingga dihasilkan taksiran yang konsisten.

---

The dynamic spatial error panel data regression model is panel data regression model which involves lag of the dependent variable and error spatial dependence. Because there is correlation between the lag of the dependent variable and error components, the ordinary least squares estimator becomes biased and inconsistent. Therefore, we need another method to estimate parameters in the model. The method which can be used is the extended method of Arellano and Bond covering instrumental variable method using instrument variables suggested by Mutl (2006) and the principle of the Generalized Method of Moments (GMM). Then the method is coupled with the method of Kapoor, Kelejian, and Prucha (KKP) approach so that it produces consistent estimators."

"Pada model regresi data panel spasial dinamis terdapat lag dari variabel dependen dan spatial lag dari variabel dependen yang berperan sebagai variabel eksplanatori. Hal ini menyebabkan variabel eksplanatori berkorelasi dengan error, variabel jenis ini disebut variabel endogen eksplanatori. Dengan adanya variabel ini, estimasi secara ordinary least squares menjadi bias dan tidak konsisten. Oleh karena itu sebelum menaksir parameter pada model regresi data panel spasial dinamis harus dilakukan first-difference untuk menghilangkan efek individu dan selanjutnya dilakukan instrumental variabel pada variabel endogen eksplanatori. Kemudian untuk mendapatkan unbiased and consistent estimator, model ini ditaksir dengan metode Arrelano dan Bond yang menggunakan prinsip generalized method of moments optimal."

"Studi bertujuan menganalisis pengaruh trade misinvoicing terhadap penerimaan PPN dan pengaruh kualitas kebijakan (regulatory quality) dalam mengurangi pengaruh trade misinvoicing terhadap PPN. Studi menggunakan struktur data panel dengan sampel sebanyak 53 negara berkembang untuk periode tahun 2002-2019 dan diestimasi dengan pendekatan panel statis dan pendekatan panel dinamis dengan model GMM. Hasil estimasi menunjukkan trade misinvoicing berpengaruh secara signifikan dalam mengurangi penerimaan PPN, tetapi regulatory quality tidak berpengaruh dalam mengurangi pengaruh trade misinvoicing terhadap penerimaan PPN. Studi juga menunjukkan bahwa regulatory quality memiliki pengaruh dalam peningkatan penerimaan PPN serta penerimaan PPN periode sebelumnya juga berpengaruh positif dan signifikan terhadap penerimaan PPN periode saat ini. Berdasarkan kelompok wilayah, trade misinvoicing yang dialami negara di wilayah Europe & Central Asia dan Middle-East & North Africa terbukti berpengaruh terhadap penurunan penerimaan PPN.

---

The study aims to analyze the effect of trade misinvoicing on VAT and the role of regulatory quality in reducing the effect of trade misinvoicing on VAT. The study uses a panel data structure with a sample of 53 developing countries for the period 2002-2019 and is estimated using a static panel approach and a dynamic panel approach using the GMM model. The estimation results show that trade misinvoicing has a significant effect on reducing VAT, but the regulatory quality has no effect on reducing the effect of trade misinvoicing on VAT. The study also shows that regulatory quality has an effect on increasing VAT and the previous period's VAT revenue also has a positive and significant effect on VAT revenue for the current period. By region group, trade misinvoicing experienced by countries in Europe & Central Asia and Middle-East & North Africa proved to affect the decline in VAT."

"Regresi data panel merupakan suatu regresi yang menggabungkan dua jenis data, yaitu data cross section dan data longitudinal. Berdasarkan komponen errornya regresi data panel dibedakan menjadi dua yaitu komponen error satu arah dan dua arah. Pada regresi data panel dibutuhkan beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spatial dependent. Jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi. Sehingga model yang diperoleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spasial dalam analisis regresi data panel yang dinamakan spatial panel data model. Dalam tugas akhir ini akan dibahas bagaimana cara menaksir parameter pada model regresi spasial panel satu arah dengan menggunakan metode maksimum likelihood."

"Model regresi data panel dinamis merupakan model regresi data panel yang melibatkan lag dari variabel dependen sebagai variabel eksplanatori yang berkorelasi dengan error. Lag dari variabel dependen tersebut dinamakan variabel endogen eksplanatori. Adanya variabel endogen eksplanatori menyebabkan estimasi parameter menggunakan metode OLS menghasilkan taksiran yang bias dan tidak konsisten. Oleh karena itu dibutuhkan metode lain untuk menaksir parameter, salah satunya adalah metode yang dikembangkan oleh Arellano dan Bond. Arellano dan Bond mengembangkan metode penaksiran parameter melalui proses first differencing dan metode instrumental variabel sehingga taksiran yang dihasilkan oleh metode ini memiliki sifat tak bias, konsisten dan efisien. Metode Arellano dan Bond tersebut kemudian dikembangkan oleh Blundell dan Bond dengan cara mengkombinasikan momen kondisi dan matriks instrumen antara model first difference dan model level untuk menghasilkan taksiran yang sama-sama tak bias dan konsisten tetapi lebih efisien yang dinamakan GMM-System Estimator.

---

Regression model of dynamic panel data is a regression model of panel data involving lag of dependent variable as explanatory variables which are correlated with the error. Lag of dependent variable is called endogenous explanatory variables. The presence of this lag cause the estimates of the parameters produce the estimator that are biased and inconsistent using OLS method. Therefore, other methods are needed to estimate the parameters, one of is the method developed by Arellano and Bond.

Arellano and Bond developed a method of parameter estimation through a process of first-differencing and instrumental variable method so that the estimator are unbiased, consistent and efficient. This method is then developed by Blundell and Bond with combine the moment conditions and matrix of instruments between first-difference model and level model to produce the estimator that are both unbiased and consistent but more efficient thus it called GMM-System estimator."

"Pada model data panel komponen error satu arah diasumsikan observasi observasi antar individu saling independen padahal kenyataannya asumsi ini bisa saja tidak terpenuhi. Oleh karena itu menurut Hsiao dan Tahmiscioglu 2008 diperlukan tambahan efek waktu yang tidak terobservasi pada model. Pada skripsi ini akan dibahas mengenai model data panel komponen error dua arah. Model dibatasi pada model dinamis simpel dimana variabel eksplanatori adalah lag 1 dari variable respon. Penaksiran parameter model menggunakan metode Generalized Least Square GLS. Sebelum proses GLS terlebih dahulu dilakukan first difference koreksi first difference terhadap rata rata dari individu dan postulasi persamaan koreksi first difference tersebut pada kondisi khusus. Ditunjukkan juga bahwa estimator yang diperoleh bersifat konsisten. Sebagai ilustrasi digunakan simulasi Monte Carlo Diperoleh hasil bahwa rata rata error relatif dari GLS estimator semakin kecil untuk nilai mutlak rho yang membesar. Selain itu rata rata error relatif untuk nilai rho 0 cenderung lebih besar dibandingkan rho 0.

---

In one way error component panel data model it is assumed that individuals among observations are independent but actually this assumption might not be fulfilled. Therefore Hsiao and Tahmiscioglu 2008 suggest that the unobserved time effects are needed to be incorporated in the model. A two way error components model for panel data will be described. Model discussed is limited to simple dynamic model where the explanatory variable is the lag 1 of the response variable. Parameter estimation is done using Generalized Least Square GLS method. Before proceeding with the GLS method preliminary steps are conducted first differencing individual mean correction of the first differenced and postulating a first difference correction equation in special conditions. Once the estimator is obtained the consistency property is proved afterwards. As an illustration hypothetical data set with several parameters setting are generated using Monte Carlo simulation. The result show that mean relative error of GLS estimator will be smaller as the values of absolute rho are larger. Furthermore the mean relative error for rho 0 are greater than that of rho 0."

"Dalam dunia ekonomi, terdapat variabel yang tidak berubah terhadap waktu dan mempengaruhi variabel dependen, sehingga Hausman dan Taylor mengadakan penyesuaian untuk model data panel biasa. Model data panel Hausman Taylor merupakan model data panel yang memperhitungkan adanya time variant variable dan time invariant variable. Jika pada model data panel Hausman Taylor terdapat variabel penjelas yang dicurigai berkorelasi dengan efek individu, maka penaksiran parameter dengan metode OLS menjadi bias dan inkonsisten. Oleh karena itu, untuk mendapatkan estimasi parameter model yang konsisten dan efisien, maka digunakan instrument variable, dan metode penaksiran yang digunakan adalah Generalized Method of Moment dan Two Stage Least Square."

"ABSTRAKIndeks Pembangunan Manusia (IPM) merupakan indikator keberhasilan pembangunanmanusia yang berkualitas berdasarkan pada tingkat pendidikan, tingkat kesehatan dantingkat pendapatan. Dengan kata lain semakin baik tingkat pendidikan, tingkatkesehatan dan tingkat pendapatan maka akan semakin besar juga capaian IPM suatunegara atau daerah. Hasil regresi data panel pada 33 Provinsi tahun 2008-2010,menunjukkan bahwa transfer dana BOS signifikan dan positif dalam peningkatanAngka Melek Huruf dan Rata-rata Lama Sekolah sedangkan APBD Sektor Pendidikantidak signifikan. Trasfer dana Jamkesmas signifikan dan positif dalam peningkatanAngka Harapan Hidup sedangkan APBD Sektor Kesehatan tidak signifikan. PNPMMandiri tidak signifikan dalam peningkatan Pengeluaran Per Kapita sedangkan PDRBPer Kapita sebagai variabel kontrol signifikan.Secara bersama-sama model regresi data panel hubungan transfer dana BOS,Jamkesmas dan PNPM Mandiri signifikan terhadap pencapaian IPM dengan R-Squaresebesar 0.995, yang berarti 99,5% model dapat menjelaskan hubungan antara transferdana BOS, Jamkesmas dan PNPM terhadap peningkatan Indeks Pembangunan Manusiadisetiap Provinsi di Indonesia. Transfer dana BOS dan PNPM Mandiri signifikanterhadap pencapaian IPM sedangkan transfer dana Jamkesmas tidak signifikan.Untukvariabel kontrol APBD Sektor Pendidikan dan APBD Sektor Kesehatan keduanya tidaksignifikan terhadap peningkatan Indeks Pembangunan Manusia sementara PDRB PerKapita signifikan terhadap peningkatan Indeks Pembangunan Manusia.

---

ABSTRACTHuman Development Index (HDI) is an indicator of the quality of human developmentbased on the level of education, health and income level. In other words, the betterlevel of education, health and income level, the greater also the achievements of theHDI of a country or region. The results of the panel data regression in 33 provinces in2008-2010, indicates that the BOS funds transfer significant and positive in improvingthe literacy rate and the average length of school while education sector budget notsignificant. Jamkesmas fund trasfer significant and positive in increasing lifeexpectancy while health sector budget not significant. PNPM Mandiri not significantin increasing expenditure per capita while the GDP Per Capita as control variablessignificant.The panel data regression model funds transfer BOS, Jamkesmas and PNPM Mandirisignificantly to the achievement of the HDI with R-Square of 0995, which means that99.5% of models can explain the relationship between the transfer of funds BOS,Jamkesmas and PNPM to increase Human Development Index in every province inIndonesia. BOS funds transfer and PNPM Mandiri significantly to the achievement ofthe IPM whereas Jamkesmas not significant. For education and health sector budgetas control variables both not significant to the increase in the Human DevelopmentIndex while GDP Per Capita significantly to the improvement of the HumanDevelopment Index."

"Data Panel merupakan kombinasi dua jenis data yaitu data cross section dan data time series. Tujuan dari penulisan tugas akhir ini adalah mencari taksiran parameter pada model regresi untuk data panel yang tidak lengkap (incomplete panel data regression models) dengan komponen error satu arah (one-way error component). Selain itu model regresi tersebut merupakan random effect models, yang berarti perbedaan karakteristik individu dan waktu diakomodasikan pada komponen error dari model.Metode yang digunakan untuk menaksir parameter adalah metode Feasible Generalized Least Squares (FGLS). Pada metode tersebut, matriks kovarians error tidak diketahui, sehingga perlu dilakukan penaksiran terhadap komponen variansi yang terdapat pada matriks kovarians error tersebut. Metode yang digunakan untuk menaksir komponen variansi adalah modifikasi metode penaksiran ANOVA yang diusulkan oleh Wallace dan Hussain."