Hausman Test

Bayangkan Anda punya dua jam tangan. Yang pertama sangat presisi sampai ke detik, tetapi hanya akurat kalau ruangan bersuhu normal — di tempat panas ia ngawur. Yang kedua kasar, hanya akurat sampai menit, tetapi tahan banting di suhu berapa pun. Di ruangan ber-AC, Anda jelas memilih jam pertama yang presisi. Tetapi bagaimana kalau Anda tidak yakin ruangannya panas atau tidak?

Ada satu trik: bandingkan kedua jam. Kalau keduanya menunjuk waktu yang hampir sama, ruangan pasti normal — pakailah jam presisi. Kalau keduanya jauh berbeda, ada yang tidak beres dengan suhu — percayai jam yang tahan banting saja.

Inilah inti uji Hausman. Dalam ekonometrika, “dua jam” itu adalah dua cara menaksir parameter yang sama. Satu penaksir efisien (presisi) tetapi hanya benar bila sebuah asumsi terpenuhi; satu lagi kokoh (tahan banting) tetapi boros. Uji Hausman membandingkan keduanya untuk memutuskan apakah asumsi itu masih berlaku — dan keputusan terpentingnya di dunia tesis Indonesia adalah memilih antara Fixed Effects dan Random Effects pada data panel.

Intuisi: Dua Penaksir, Satu Pertanyaan

Pada data panel — banyak entitas (perusahaan, provinsi, rumah tangga) diamati berulang sepanjang waktu — ada dua cara baku menangani efek individu yang tak teramati $\alpha_i$:

• Fixed Effects (FE). Memberi tiap entitas “intersep”-nya sendiri, sehingga $\alpha_i$ boleh berkorelasi dengan variabel bebas $X$. Konsekuensinya: FE selalu konsisten (taksirannya menuju nilai benar saat data membesar), tetapi membuang banyak informasi sehingga kurang efisien (varians taksirannya besar).
• Random Effects (RE). Memperlakukan $\alpha_i$ sebagai bagian dari galat acak. Ini jauh lebih hemat — RE lebih efisien (varians kecil) — tetapi hanya sahih bila $\alpha_i$ tidak berkorelasi dengan $X$. Kalau korelasi itu ada, RE menjadi bias dan tidak konsisten.

Jadi pertanyaan kuncinya cuma satu: apakah efek individu $\alpha_i$ berkorelasi dengan variabel bebas $X$? Kalau tidak, RE menang (sama-sama konsisten, tapi lebih efisien). Kalau ya, hanya FE yang boleh dipercaya.

Hausman menjawabnya tanpa pernah mengamati $\alpha_i$ secara langsung — yang mustahil — lewat satu pengamatan cerdik: kalau RE memang sahih, taksiran FE dan RE seharusnya mirip (keduanya konsisten, hanya beda efisiensi). Kalau keduanya berbeda jauh, itu pertanda RE bias — artinya $\alpha_i$ berkorelasi dengan $X$, dan kita harus pakai FE.

Selisih dua taksiran itulah yang diuji. Pertanyaannya menjadi: seberapa jauh “jauh”? Untuk itu kita butuh ukuran baku yang memperhitungkan ketidakpastian masing-masing taksiran.

Hipotesis: Apa yang Sebenarnya Diuji

Uji Hausman memformalkan pertanyaan tadi menjadi dua hipotesis:

• $H_0$ (hipotesis nol): efek individu $\alpha_i$ tidak berkorelasi dengan $X$ → Random Effects konsisten dan efisien. Inilah skenario “ruangan normal”: pakai jam presisi.
• $H_1$ (hipotesis tandingan): efek individu berkorelasi dengan $X$ → hanya Fixed Effects yang konsisten. Skenario “ruangan panas”: percayai jam tahan banting.

Perhatikan arah logikanya — ini sumber kebingungan paling sering. Menolak $H_0$ berarti memilih FE. Gagal menolak $H_0$ berarti boleh pakai RE (yang lebih efisien). Kita “berharap” gagal menolak hanya kalau memang ingin efisiensi RE; tetapi untuk klaim sebab-akibat, banyak ekonom justru lega kalau ditolak, karena FE asumsinya lebih ringan.

Statistik Hausman

Uji ini mengubah “selisih dua taksiran” menjadi satu angka. Untuk kasus umum dengan $k$ koefisien yang dibandingkan, statistiknya berbentuk:

Penjelasan tiap lambang, polos:

• $\hat{\beta}_{FE}$ = vektor taksiran koefisien dari Fixed Effects (jam tahan banting — selalu konsisten).
• $\hat{\beta}_{RE}$ = vektor taksiran koefisien dari Random Effects (jam presisi — efisien tapi rapuh).
• $\hat{\beta}_{FE} - \hat{\beta}_{RE}$ = selisih dua taksiran. Inilah “jarak antara dua jam”. Kalau RE sahih, selisih ini mendekati nol.
• $\widehat{\text{Var}}(\cdot)$ = ragam taksiran masing-masing penaksir (ukuran ketidakpastiannya); tanda topi berarti “diestimasi dari data”.
• $[\;\cdots\;]^{-1}$ = kebalikan (invers) dari selisih ragam. Ini bobot: selisih taksiran yang ragamnya kecil dianggap lebih berarti daripada selisih yang ragamnya besar.
• $'$ (tanda aksen) = transpos vektor, sekadar notasi agar perkalian vektor menghasilkan satu skalar.

Intinya: $H$ adalah jarak antara dua taksiran, dibobot oleh seberapa pasti jarak itu. Selisih besar yang diukur dengan presisi tinggi menghasilkan $H$ besar.

Kenapa pembobotnya selisih ragam, bukan jumlah? Karena di bawah $H_0$, RE adalah penaksir yang efisien — dan Hausman membuktikan bahwa untuk penaksir efisien berlaku $\text{Var}(\hat{\beta}_{FE} - \hat{\beta}_{RE}) = \text{Var}(\hat{\beta}_{FE}) - \text{Var}(\hat{\beta}_{RE})$. Suku silangnya lenyap. Itulah keanggunan rumus ini sekaligus titik rapuhnya: bila RE tidak efisien (misalnya pada sampel kecil), selisih ragam itu bisa keluar negatif dan rumus jadi tak terdefinisi — kita kembali ke soal ini di bagian keterbatasan.

Distribusi: kenapa khi-kuadrat

Di bawah $H_0$, statistik $H$ mengikuti sebaran khi-kuadrat ($\chi^2$) dengan derajat bebas sama dengan $k$ (banyak koefisien yang dibandingkan):

Sebaran khi-kuadrat muncul karena $H$ pada dasarnya adalah jumlah selisih-kuadrat yang dibakukan — dan jumlah kuadrat besaran acak berdistribusi normal persis menghasilkan khi-kuadrat. Bentuknya menceng ke kanan dan hanya bernilai positif (jarak kuadrat tak mungkin negatif). Kita menolak $H_0$ bila $H$ jatuh di ekor kanan yang ekstrem — artinya selisih dua taksiran terlalu besar untuk dianggap kebetulan:

Nilai kritis bergantung pada $k$. Untuk $\alpha = 0{,}05$:

Aturannya: kalau $H$ melebihi nilai kritis (setara $p < 0{,}05$), tolak $H_0$ → pakai Fixed Effects.

Versi Satu Koefisien

Rumus matriks di atas terlihat menakutkan, tetapi kalau hanya satu koefisien yang dibandingkan ($k = 1$), semuanya menyusut menjadi pecahan biasa yang bisa dihitung tangan:

Tiap lambang:

• Pembilang $(\hat{\beta}_{FE} - \hat{\beta}_{RE})^2$ = selisih dua taksiran, dikuadratkan agar selalu positif (sama persis logikanya dengan mengkuadratkan simpangan di variabilitas dan residual di regresi — kuadrat menghilangkan tanda).
• Penyebut $\text{SE}_{FE}^2 - \text{SE}_{RE}^2$ = selisih ragam, ditulis ulang sebagai selisih kuadrat galat baku (standard error, SE). Ingat ragam = SE dikuadratkan.

Di bawah $H_0$ statistik ini berdistribusi $\chi^2_1$, jadi pembandingnya adalah nilai kritis 3,84.

Contoh Hitung dari Nol

Misalkan sebuah tesis meneliti pengaruh leverage ($X$) terhadap kinerja perusahaan ($Y$) memakai data panel 30 perusahaan IDX selama 6 tahun. Peneliti menjalankan dua model dan mendapat satu koefisien $X$ dari masing-masing:

Catat dua pola yang sesuai teori: taksiran RE (0,45) berbeda cukup jauh dari FE (0,30) — pertanda awal RE mungkin bias — dan SE RE (0,05) lebih kecil dari SE FE (0,08), karena RE memang lebih efisien.

Langkah 1 — hitung selisih taksiran dan kuadratkan.

Langkah 2 — hitung selisih ragam. Ragam = kuadrat SE:

Selisih ragam positif — syarat agar uji ini terdefinisi terpenuhi (lihat keterbatasan).

Langkah 3 — bagi.

Langkah 4 — bandingkan dengan nilai kritis. Karena hanya 1 koefisien, $k = 1$ dan nilai kritisnya $\chi^2_{1;\,0{,}05} = 3{,}84$. Nilai $p$-nya $\approx 0{,}016$.

Keputusan: pakai Fixed Effects. Selisih taksiran 0,15 terlalu besar untuk dianggap kebetulan; efek individu agaknya berkorelasi dengan leverage, sehingga RE bias. Peneliti melaporkan hasil FE.

Aturan Keputusan, Ringkas

Setelah menjalankan uji (di praktik lewat perangkat lunak, lihat di bawah), keputusannya cuma membaca satu baris:

Rincian alur pemilihan model panel lengkap (termasuk uji LM Breusch-Pagan untuk CEM vs RE) ada di Panel Method Selection dan Panel Data: FE vs RE.

Bukan Hanya Panel: Uji Endogeneity

Logika dua-penaksir yang sama juga dipakai untuk menguji endogeneity — apakah sebuah variabel bebas berkorelasi dengan galat. Di sini dua “jam”-nya adalah:

• OLS = efisien bila $X$ exogenous (tak berkorelasi galat), tetapi bias bila $X$ endogen.
• IV/2SLS = konsisten meski $X$ endogen, tetapi kurang efisien.

Hipotesisnya: $H_0$ = $X$ exogenous (OLS sahih, lebih efisien); $H_1$ = $X$ endogen (pakai IV). Logika identik: kalau OLS dan IV menghasilkan taksiran mirip, $X$ kemungkinan exogenous; kalau berbeda jauh, ada endogeneity.

Dalam praktik modern, bentuk regresi yang disebut Durbin-Wu-Hausman (DWH) lebih disukai daripada rumus selisih klasik: masukkan residual tahap pertama IV ke dalam regresi OLS, lalu uji apakah koefisien residual itu signifikan. Kalau signifikan, ada endogeneity. Versi ini lebih mudah dibuat kokoh terhadap heteroskedastisitas. Konsep endogeneity dibahas di Apa Itu Endogeneity, dan estimasi IV di Instrumental Variable.

Bereksperimen Sendiri

Geser selisih antara dua penaksir dan perbedaan variansnya; perhatikan statistik Hausman naik melewati ambang khi-kuadrat, dan lihat bagaimana zona keputusan FE vs RE berubah.

Cek Pemahaman

1. Sebuah model panel membandingkan satu koefisien. Fixed Effects memberi $\hat{\beta}_{FE} = 0{,}62$ dengan SE 0,12; Random Effects memberi $\hat{\beta}_{RE} = 0{,}50$ dengan SE 0,09. Hitung statistik Hausman dari nol, bandingkan dengan nilai kritis, dan tentukan model mana yang dipilih.

2. (Soal transfer.) Rekan Anda menjalankan uji Hausman di Stata dan melapor: “Statistiknya keluar negatif, jadi saya bingung dan langsung saja pakai Random Effects karena angkanya kecil.” Apa yang salah dari penalaran ini, dan apa yang sebaiknya dilakukan?

Kesalahan Umum

Membalik arah keputusan. Banyak yang keliru mengira “tolak $H_0$ → Random Effects”. Sebaliknya: tolak $H_0$ → Fixed Effects; gagal tolak → Random Effects. Ingat $H_0$ memihak RE, jadi menolaknya berarti menolak RE.

Menganggap gagal tolak = bukti $X$ exogenous (atau RE benar). Uji Hausman sering ber-power rendah: gagal tolak bisa semata karena data kurang informatif, bukan karena efek individu sungguh tak berkorelasi. Gagal tolak adalah “tak cukup bukti”, bukan “terbukti aman”.

Memakai Hausman klasik di bawah heteroskedastisitas. Rumus selisih ragam klasik mengasumsikan galat homoskedastik. Bila ada heteroskedastisitas atau klaster, versi klasik tidak sahih — pakai versi cluster-robust atau berbasis bootstrap. Pasangkan dengan clustered standard errors.

Panik saat statistik negatif. Itu tanda selisih ragam negatif (sampel kecil), bukan hasil yang bisa dibaca apa adanya. Pakai versi bootstrap, atau jatuhkan ke FE.

Menjadikan Hausman satu-satunya kriteria. Untuk klaim sebab-akibat, banyak ekonom memilih FE secara baku karena RE menuntut asumsi tak-berkorelasi yang jarang masuk akal di data observasional. Hausman adalah salah satu masukan, bukan vonis tunggal.

Dipakai di Dunia Nyata

Tesis ekonomi data panel. Hampir setiap tesis FEB dengan data panel Indonesia — perusahaan IDX, data antarprovinsi BPS, atau rumah tangga IFLS — melaporkan uji Hausman untuk membenarkan pilihan FE atau RE. Ini ritual baku yang ditanya penguji.

Riset kebijakan daerah. Saat mengukur dampak kebijakan lintas provinsi atau kabupaten, peneliti memilih FE (mengendalikan karakteristik daerah yang tetap dan tak teramati, misalnya budaya atau geografi) versus RE; Hausman membantu menimbang efisiensi melawan risiko bias.

Validasi instrumen di equity research dan ekonomi terapan. Sebelum berkomitmen ke estimasi IV yang kurang efisien, bentuk Durbin-Wu-Hausman menguji apakah endogeneity sungguh menjadi masalah — menghindari “menyembuhkan” gangguan yang sebenarnya tidak ada.

Cara di Software

# R — panel FE vs RE (paket plm)
library(plm)
fe <- plm(y ~ x, data = pdata, model = "within")    # Fixed Effects
re <- plm(y ~ x, data = pdata, model = "random")     # Random Effects
phtest(fe, re)        # uji Hausman: lihat p-value

# Endogeneity (Durbin-Wu-Hausman) lewat ivreg:
library(AER)
summary(ivreg(y ~ x | z), diagnostics = TRUE)        # baris "Wu-Hausman"

* Stata — panel
xtreg y x, fe
estimates store fe
xtreg y x, re
estimates store re
hausman fe re                // uji Hausman klasik
xtoverid                     // versi cluster-robust (setelah xtreg ..., re robust)

* Endogeneity setelah ivregress:
estat endogenous

# Python — linearmodels
from linearmodels.panel import PanelOLS, RandomEffects
fe = PanelOLS(y, X, entity_effects=True).fit()
re = RandomEffects(y, X).fit()
# Hausman: bandingkan params & cov; banyak yang menghitung statistik manual
# atau memakai bentuk regresi Mundlak (tambah rata-rata waktu tiap entitas ke RE)

Catatan praktik modern: alih-alih uji Hausman klasik, sebagian ekonom kini memakai uji Mundlak — tambahkan rata-rata-waktu tiap variabel bebas ke model RE, lalu uji bersama apakah koefisiennya nol. Hasilnya setara Hausman tetapi lebih mudah dibuat cluster-robust dan tak pernah menghasilkan statistik negatif.

Excel Companion

/excel/hausman-test.xlsx berisi ringkasan konsep, kalkulator statistik Hausman satu koefisien (masukkan $\hat{\beta}$ dan SE dua penaksir, keluar $H$ dan keputusannya), serta cheat-sheet kode R/Stata/Python yang menyertai materi ini.

⬇ Unduh hausman-test.xlsx

Lanjutan

Uji Hausman adalah wasit; untuk memahami para pemainnya dan langkah sesudahnya:

• Sebelumnya: Fixed Effect Model dan Random Effect Model — dua model yang dipilih uji ini.
• Alur pemilihan lengkap: Panel Method Selection: CEM vs FEM vs REM dan Panel Data: FE vs RE.
• Untuk sisi endogeneity: Apa Itu Endogeneity, lalu Instrumental Variable dan Weak Instruments.

Referensi

• Hausman, J. A. (1978). “Specification Tests in Econometrics.” Econometrica, 46(6), 1251–1271.
• Wu, D.-M. (1973) & Durbin, J. (1954). Dasar uji Durbin-Wu-Hausman.
• Mundlak, Y. (1978). “On the Pooling of Time Series and Cross Section Data.” Econometrica — dasar uji Mundlak.
• Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach, Bab 14.