Panel Data: Fixed Effects vs Random Effects

Seorang analis memegang data tiga perusahaan tercatat di bursa selama empat tahun: tiap tahun ia mencatat seberapa besar utang perusahaan relatif terhadap modalnya, dan seberapa tinggi nilai pasar perusahaan itu. Ia ingin menjawab satu pertanyaan sederhana: kalau sebuah perusahaan menambah utang, apakah nilainya cenderung naik atau turun?

Cara paling cepat: tumpuk semua dua belas baris jadi satu, tarik satu garis regresi, baca kemiringannya. Garisnya menurun tajam. Kesimpulan yang ia tulis di laporan: “menambah utang menurunkan nilai perusahaan.”

Sayangnya kesimpulan itu terbalik. Kalau kita amati tiap perusahaan satu per satu sepanjang empat tahun, nilai justru naik setiap utangnya bertambah. Satu garis tertumpuk tadi tertipu oleh sesuatu yang menempel pada masing-masing perusahaan tetapi tidak pernah tercatat sebagai kolom data. Memahami jebakan ini — dan cara menghindarinya — adalah inti seluruh materi data panel.

Apa Itu Data Panel

Data biasa hanya punya satu dimensi. Data lintas-seksi (cross-section) memotret banyak unit pada satu waktu — misalnya laba 100 perusahaan pada tahun 2023. Data deret-waktu (time series) melacak satu unit sepanjang waktu — misalnya laba satu perusahaan dari 2014 sampai 2023.

Data panel menggabungkan keduanya: banyak unit, masing-masing diamati berulang kali sepanjang waktu. Tiap baris data ditentukan oleh pasangan (unit, waktu).

Dimensinya ditulis $N \times T$: ada $N$ unit lintas-seksi (perusahaan, provinsi, orang) dan $T$ periode waktu. Total observasinya $N \times T$. Pada cerita pembuka, $N = 3$ perusahaan dan $T = 4$ tahun, jadi $3 \times 4 = 12$ baris.

Kalau setiap unit punya jumlah periode yang sama ($T$ penuh), panelnya disebut seimbang (balanced). Kalau ada periode yang hilang untuk sebagian unit — misalnya satu perusahaan baru tercatat di tengah jalan — panelnya tak seimbang (unbalanced). Keduanya bisa diolah; yang tak seimbang hanya menuntut perhatian ekstra pada penyebab data hilangnya.

Heterogenitas Tak Teramati: Sumber Masalahnya

Kenapa data panel butuh perlakuan khusus, tidak cukup regresi biasa? Karena tiap unit membawa karakteristik yang menempel pada dirinya, nyata memengaruhi hasil, tetapi tidak tercatat sebagai kolom. Inilah yang disebut heterogenitas tak teramati (unobserved heterogeneity).

Bayangkan ketiga perusahaan tadi. Satu punya merek kuat dan manajemen konservatif; satu lagi bergerak di sektor yang penuh risiko; satu lagi punya akses modal murah karena sejarah panjang. Semua hal itu memengaruhi nilai perusahaan, tetapi tak satu pun muncul sebagai angka di tabel data. Sifat-sifat ini cenderung tetap sepanjang waktu untuk tiap unit — disebut tetap-waktu (time-invariant).

Masalahnya muncul kalau karakteristik tersembunyi ini berkorelasi dengan variabel yang kita teliti. Perusahaan bermanajemen konservatif mungkin sekaligus berutang sedikit dan bernilai tinggi. Regresi biasa yang menumpuk semua data tidak bisa membedakan “efek utang” dari “efek manajemen”, lalu salah membebankan keduanya ke koefisien utang. Hasilnya: koefisien bias, bahkan bisa salah tanda. Tiga model panel di bawah ini berbeda persis pada bagaimana mereka memperlakukan heterogenitas tak teramati ini.

Tiga Model Panel

Kita pakai lambang baku: $Y_{it}$ adalah nilai variabel terikat untuk unit $i$ pada waktu $t$, dan $X_{it}$ variabel bebasnya. Subskrip ganda $it$ menegaskan tiap observasi diidentifikasi oleh pasangan (unit, waktu).

1. Common / Pooled OLS — abaikan strukturnya

Model paling sederhana: buang label unit dan waktu, tumpuk semua $N \times T$ observasi jadi satu awan titik, tarik satu garis.

Tiap lambang:

• $\beta_0$ = konstanta (intercept) tunggal — tinggi garis yang sama untuk semua unit.
• $\beta_1$ = kemiringan (slope) — perubahan rata-rata $Y$ per satu satuan $X$, diasumsikan sama untuk semua unit.
• $\varepsilon_{it}$ = galat (error), yaitu selisih nilai aktual dari garis: $\varepsilon = Y - \hat{Y}$ (aktual dikurangi prediksi), persis residual pada regresi sederhana.

Karena semua unit dipaksa berbagi satu konstanta $\beta_0$, model ini berasumsi tidak ada heterogenitas tak teramati. Asumsi yang jarang benar — dan dari situlah jebakan pembuka berasal. Model ini dibahas tuntas di Common Effect Model.

2. Fixed Effects (FE) — beri tiap unit konstanta sendiri

Ide inti: kalau tiap unit punya karakteristik tersembunyi yang tetap-waktu, beri tiap unit konstantanya sendiri. Ganti $\beta_0$ tunggal dengan $\alpha_i$ — satu konstanta per unit:

Lambang baru: $\alpha_i$ (dibaca “alfa-i”) adalah fixed effect (efek tetap) unit $i$ — konstanta khusus yang menyerap seluruh karakteristik tetap-waktu unit itu, baik yang teramati maupun tidak. Perusahaan bermerek kuat akan punya $\alpha_i$ tinggi; yang berisiko punya $\alpha_i$ rendah. Kita tidak perlu mengukur “kekuatan merek”; cukup beri tiap unit konstanta sendiri, dan semua sifat tetap-waktunya ikut terserap.

Karena $\alpha_i$ sudah menampung segala yang tetap pada tiap unit, kemiringan $\beta_1$ kini hanya membaca bagaimana $Y$ berubah ketika $X$ berubah di dalam unit yang sama — variasi within. Inilah keunggulan utama FE: ia mengendalikan setiap pengganggu tetap-waktu sekaligus, bahkan yang tak pernah kita ukur.

3. Random Effects (RE) — perlakukan efek unit sebagai acak

RE juga mengakui tiap unit punya efeknya sendiri, tetapi memodelkannya berbeda: bukan konstanta tetap yang harus ditaksir satu per satu, melainkan tarikan acak dari satu distribusi bersama.

Lambang baru: $u_i$ adalah efek acak unit $i$, diasumsikan berasal dari distribusi berpusat nol dengan ragam $\sigma_u^2$. Bedanya dengan FE: di FE, efek unit ($\alpha_i$) boleh apa saja dan boleh berkorelasi dengan $X$; di RE, efek unit ($u_i$) dianggap bagian dari galat dan diasumsikan bebas dari $X$.

Kalau asumsi itu benar, RE lebih hemat: ia memakai variasi within dan between sekaligus, sehingga taksirannya lebih presisi, dan ia bisa menaksir pengaruh variabel tetap-waktu (mis. sektor industri) yang justru tak bisa ditaksir FE. Tetapi kalau asumsi itu salah — efek unit ternyata berkorelasi dengan $X$ — taksiran RE menjadi bias. Detailnya di Random Effect Model.

Within vs Between: Dua Arah Variasi

Inti pembeda ketiga model adalah variasi mana yang mereka pakai. Lihat kembali ilustrasi struktur panel di atas:

• Variasi within (dalam unit) = bagaimana $X$ dan $Y$ satu unit bergerak naik-turun antar-tahun. Panah mendatar pada satu baris.
• Variasi between (antar unit) = bagaimana rata-rata $X$ dan $Y$ berbeda antar perusahaan. Panah tegak pada satu kolom.

Pemetaannya:

Pooled mencampur dua arah variasi tanpa pandang bulu — di situlah ia bisa tertipu. Kalau arah between (perbedaan antar perusahaan) berlawanan dengan arah within (gerak di dalam tiap perusahaan), garis tertumpuk akan condong mengikuti yang antar-perusahaan dan menyembunyikan pola yang sebenarnya. Kasus pembuka adalah contoh persisnya, dan sekarang kita hitung dari nol.

Contoh dari Nol: Paradoks Tiga Perusahaan

Inilah data lengkapnya. $X$ = rasio utang terhadap modal; $Y$ = nilai perusahaan (rasio nilai pasar terhadap nilai buku). Tiga perusahaan (A, B, C), empat tahun.

Perhatikan polanya sebelum menghitung apa pun: di dalam tiap perusahaan, setiap utang naik, nilai ikut naik. Tetapi antar perusahaan, yang utangnya paling besar (C) justru bernilai paling rendah. Dua arah yang bertentangan.

Langkah 1 — Pooled OLS (tertumpuk)

Tumpuk semua dua belas baris, abaikan label, tarik satu garis. Hitungan kuadrat terkecil biasa atas dua belas titik itu memberi:

Kemiringan −7,59: setiap kenaikan satu satuan utang dikaitkan dengan penurunan nilai sekitar 7,59. Negatif tajam. Kalau berhenti di sini, kesimpulannya “utang merusak nilai” — dan itu kesimpulan yang salah, karena garis ini didominasi oleh perbedaan antar perusahaan (C yang berutang besar memang bernilai rendah karena alasan lain yang tak tercatat).

Langkah 2 — Transformasi within (inti Fixed Effects)

FE membuang variasi antar-perusahaan dengan satu trik elegan: kurangi tiap nilai dengan rata-rata unitnya sendiri. Setelah dikurangi rata-ratanya, yang tersisa hanyalah gerak naik-turun di dalam tiap perusahaan.

Tiap lambang: $\bar{X}_i$ (dibaca “X-bar-i”) = rata-rata $X$ untuk unit $i$ saja, lintas seluruh tahunnya; $\tilde{X}_{it}$ (dibaca “X-tilde”) = nilai yang sudah dikurangi rata-rata unitnya. Lambang dengan garis-gelombang di atas menandai “sudah dipusatkan pada rata-rata unit”.

Rata-rata tiap perusahaan:

Sekarang kurangi. Untuk perusahaan A (rata-rata $\bar{X}_A = 0{,}35$, $\bar{Y}_A = 9{,}6$):

Perusahaan B dan C menghasilkan kolom $\tilde{X}$ dan $\tilde{Y}$ yang persis sama (−0,15; −0,05; 0,05; 0,15 untuk $\tilde{X}$, dan −0,6; −0,2; 0,2; 0,6 untuk $\tilde{Y}$), karena pola dalam tiap perusahaan identik — perbedaan tinggi antar perusahaan sudah terhapus oleh pengurangan rata-rata. Itulah maksud “membuang variasi between”.

Langkah 3 — kemiringan FE dari data yang sudah dipusatkan

Kemiringan FE adalah kemiringan kuadrat terkecil atas data yang sudah dipusatkan — rumusnya sama persis dengan slope regresi sederhana, hanya memakai $\tilde{X}$ dan $\tilde{Y}$ (yang rata-ratanya sudah nol):

Di sini $\sum_{i,t}$ artinya “jumlahkan untuk semua unit dan semua waktu” — keseluruhan dua belas baris. Tiap perusahaan menyumbang hasil-kali $\tilde{X}\tilde{Y}$ yang sama: $(-0{,}15)(-0{,}6) + (-0{,}05)(-0{,}2) + (0{,}05)(0{,}2) + (0{,}15)(0{,}6) = 0{,}09 + 0{,}01 + 0{,}01 + 0{,}09 = 0{,}20$. Tiga perusahaan: pembilang $= 3 \times 0{,}20 = 0{,}60$. Penyebut: tiap perusahaan menyumbang $(-0{,}15)^2 + (-0{,}05)^2 + (0{,}05)^2 + (0{,}15)^2 = 0{,}0225 + 0{,}0025 + 0{,}0025 + 0{,}0225 = 0{,}05$, jadi $3 \times 0{,}05 = 0{,}15$. Maka:

Kemiringan FE positif (+4,0) — kebalikan dari pooled. Inilah pola yang benar: di dalam tiap perusahaan, menambah utang menaikkan nilai. Pooled OLS (−7,59) tertipu heterogenitas tak teramati; FE menyingkirkannya.

Langkah 4 — konstanta tiap unit

Setelah kemiringan diketahui, konstanta tiap unit ditemukan kembali dengan $\alpha_i = \bar{Y}_i - \hat{\beta}_1^{\,FE}\,\bar{X}_i$ — persis pola $b_0 = \bar{y} - b_1\bar{x}$ pada regresi sederhana, tetapi per unit:

• $\alpha_A = 9{,}6 - 4{,}0 \times 0{,}35 = 8{,}2$
• $\alpha_B = 6{,}6 - 4{,}0 \times 0{,}65 = 4{,}0$
• $\alpha_C = 3{,}6 - 4{,}0 \times 0{,}95 = -0{,}2$

Tiga perusahaan, tiga garis sejajar (kemiringan sama +4,0) tetapi pada tinggi berbeda ($\alpha$ berbeda). Tinggi yang berbeda itulah heterogenitas tak teramati yang diserap FE. Untuk meramal nilai perusahaan A pada utang 0,45: $\hat{Y} = 8{,}2 + 4{,}0 \times 0{,}45 = 10{,}0$.

Sebagai pelengkap, Random Effects atas data yang sama memberi kemiringan −0,61 — terletak di antara pooled (−7,59) dan FE (+4,0), karena RE membobot campuran within dan between. Di sini RE masih ikut terseret arah between yang menyesatkan; itulah mengapa pilihan model berikutnya menjadi krusial.

Memilih FE atau RE: Asumsi Kunci dan Uji Hausman

Pilihan FE versus RE berpijak pada satu pertanyaan: apakah efek unit (karakteristik tetap-waktu tiap unit) berkorelasi dengan variabel bebas $X$?

• Berkorelasi (mis. perusahaan bermanajemen baik kebetulan juga berutang sedikit) → RE bias, pakai FE.
• Tidak berkorelasi (efek unit murni acak, tak ada kaitan dengan $X$) → RE sahih dan lebih presisi, boleh RE.

Uji Hausman memformalkan pertanyaan ini. Logikanya: FE selalu konsisten (apakah efek unit berkorelasi atau tidak), sedangkan RE hanya konsisten bila efek unit bebas dari $X$. Jadi uji ini membandingkan taksiran kedua model:

Kalau kedua taksiran berdekatan, asumsi RE tampak aman (gagal menolak $H_0$). Kalau berbeda jauh, asumsi RE patut dicurigai (tolak $H_0$). Aturannya:

• Nilai-p $< 0{,}05$ → tolak $H_0$ → taksiran berbeda jauh → pakai FE.
• Nilai-p $\ge 0{,}05$ → gagal tolak → RE boleh dipakai (lebih efisien).

Sebagai gambaran, pada panel yang efek unitnya sengaja dibuat sangat berkorelasi dengan $X$ ($N=60$, $T=10$), FE menaksir kemiringan sekitar 1,28 sedangkan RE sekitar 2,21 — selisih besar yang membuat uji Hausman menolak $H_0$ dengan nilai-p di bawah 0,001. Kesimpulannya jelas: gunakan FE.

Praktik modern (2026). Di jurnal ekonomi dan keuangan terkini, Fixed Effects adalah pilihan baku, dan Random Effects jarang dipakai untuk data observasional perusahaan. Alasannya: di hampir semua data ekonomi nyata, karakteristik tetap-waktu memang berkorelasi dengan variabel yang diteliti, sehingga asumsi RE jarang dapat dipertahankan. Uji Hausman tetap dilaporkan, tetapi sebagai pemeriksaan pelengkap — bukan satu-satunya dasar keputusan. Uji ini dibahas tuntas di Hausman Test.

Dua Penyempurnaan yang Hampir Selalu Dipakai

Dalam praktik modern, FE dasar jarang dilaporkan sendirian. Dua tambahan berikut sudah menjadi standar.

Fixed Effects dua-arah (two-way). Selain konstanta per unit ($\alpha_i$), tambahkan konstanta per waktu ($\gamma_t$):

Lambang $\gamma_t$ (dibaca “gamma-t”) menyerap guncangan yang menimpa semua unit pada tahun yang sama — krisis ekonomi, perubahan regulasi nasional, pandemi. Tanpa $\gamma_t$, guncangan bersama itu bisa salah dikira pengaruh $X$. Standar di keuangan empiris: selalu sertakan efek waktu kecuali ada alasan kuat menolaknya.

Galat baku terklaster (clustered standard errors). Galat baku bawaan mengandaikan tiap observasi saling bebas — keliru untuk panel, karena observasi dari unit yang sama lintas tahun jelas saling berkaitan. Akibatnya galat baku terlalu kecil dan signifikansi tampak palsu. Solusinya: klaster galat baku per unit, yang membolehkan korelasi antar-waktu di dalam tiap unit. Ini koreksi pada galat baku, bukan pada koefisien — kemiringannya tetap, hanya ketelitiannya yang dihitung lebih jujur. Detailnya di Clustered SE untuk Panel dan Robust Standard Errors.

Mencoba Sendiri

Geser data dan amati bagaimana garis pooled, garis-garis FE per unit, dan garis RE bergeser — perhatikan kapan ketiganya sepakat dan kapan FE berpisah dari pooled.

Cara Menjalankan di Perangkat Lunak

Setelah paham asal-usulnya, di praktik cukup beberapa baris. R memakai paket plm; Python memakai linearmodels.

library(plm)
pdata <- pdata.frame(data, index = c("firm", "year"))

m_pooled <- plm(Y ~ X, data = pdata, model = "pooling")   # Common/Pooled
m_fe     <- plm(Y ~ X, data = pdata, model = "within")     # Fixed Effects
m_re     <- plm(Y ~ X, data = pdata, model = "random")     # Random Effects
m_fe2    <- plm(Y ~ X, data = pdata, model = "within",
                effect = "twoways")                         # FE dua-arah

phtest(m_fe, m_re)                                          # uji Hausman

# galat baku terklaster per unit
library(lmtest); library(sandwich)
coeftest(m_fe2, vcov = vcovHC(m_fe2, cluster = "group"))

from linearmodels.panel import PanelOLS, RandomEffects
import statsmodels.api as sm

dfp = data.set_index(["firm", "year"])

# Fixed Effects dua-arah + galat baku terklaster per unit
fe = PanelOLS(dfp["Y"], dfp[["X"]],
              entity_effects=True, time_effects=True)
print(fe.fit(cov_type="clustered", cluster_entity=True))

re = RandomEffects(dfp["Y"], sm.add_constant(dfp[["X"]])).fit()

Berkas Excel Pendamping

⬇ Unduh panel-data-fe-re.xlsx

Berkas pendamping memuat dataset tiga-perusahaan di atas dengan lembar TRANSFORMASI_WITHIN — kolom $\tilde{X}$ dan $\tilde{Y}$ dihitung dengan formula hidup sampai kemiringan FE +4,0 — di samping lembar yang membandingkannya dengan kemiringan pooled −7,59, sehingga paradoks Simpson terlihat berdampingan.

Cek Pemahaman

1. Sebuah panel dua perusahaan, dua tahun. Perusahaan P: $X = 1, 3$ dengan $Y = 4, 8$. Perusahaan Q: $X = 5, 7$ dengan $Y = 6, 10$. Hitung kemiringan within (Fixed Effects) dari nol.

2. (Soal transfer.) Seorang peneliti meregresikan tingkat kemiskinan provinsi terhadap belanja infrastruktur, memakai data 34 provinsi selama 8 tahun. Ia ragu memilih FE atau RE. (a) Sebutkan satu karakteristik provinsi yang tetap-waktu, tak teramati, dan mungkin berkorelasi dengan belanja infrastruktur. (b) Kalau karakteristik seperti itu memang ada, model mana yang lebih aman, dan kenapa? (c) Uji apa yang dipakai untuk memeriksanya, dan apa arti nilai-p kecil?

Kesalahan Umum

Memakai Pooled OLS tanpa menyadari heterogenitas. Menumpuk semua observasi dan menarik satu garis mengabaikan karakteristik tiap unit. Kalau arah between berlawanan dengan within, koefisiennya bisa salah tanda — persis paradoks tiga perusahaan di atas.

Memilih RE hanya karena lebih presisi. RE memang lebih efisien, tetapi hanya sahih bila efek unit bebas dari $X$ — asumsi yang jarang benar pada data perusahaan atau wilayah. Jangan pilih RE demi galat baku yang lebih kecil tanpa memeriksa asumsinya.

Melupakan efek waktu. Tanpa $\gamma_t$, guncangan yang menimpa semua unit pada tahun sama (krisis, regulasi nasional) bisa salah dibaca sebagai pengaruh $X$. Di keuangan empiris, FE dua-arah hampir selalu menjadi titik awal.

Memakai galat baku bawaan pada panel. Galat baku yang mengandaikan observasi saling bebas keliru untuk panel, dan membuat signifikansi tampak lebih kuat dari semestinya. Selalu klaster galat baku per unit.

Mencoba menaksir variabel tetap-waktu dengan FE. Karena FE membuang seluruh variasi between, ia tidak bisa menaksir pengaruh variabel yang tak berubah sepanjang waktu (mis. tahun pendirian, sektor industri). Kalau variabel seperti itu memang menjadi fokus, FE bukan alatnya — pertimbangkan pendekatan lain.

Dipakai di Dunia Nyata

• Keuangan perusahaan Indonesia. Studi atas perusahaan tercatat di Bursa Efek Indonesia (BEI) — pengaruh struktur modal, tata kelola, atau kepemilikan terhadap kinerja — hampir selalu memakai FE perusahaan + FE tahun dengan galat baku terklaster, agar budaya dan kualitas manajemen tiap perusahaan terserap.
• Ekonomi pembangunan wilayah. Data panel 34 provinsi atau ratusan kabupaten/kota dipakai menilai dampak belanja pemerintah, dana desa, atau infrastruktur terhadap kemiskinan dan pertumbuhan — FE wilayah mengendalikan kondisi geografis dan kelembagaan yang tetap.
• Evaluasi kebijakan. FE menjadi fondasi metode kausal modern seperti beda-dalam-beda (difference-in-differences): konstanta per unit dan per waktu adalah kerangka dasar sebelum lapisan identifikasi kausal ditambahkan.
• Ketenagakerjaan dan rumah tangga. Survei panel (mis. data rumah tangga yang dilacak bertahun-tahun) memakai FE individu untuk menyaring sifat bawaan tiap orang — kemampuan, preferensi — yang tak teramati tetapi memengaruhi upah dan keputusan kerja.

Lanjutan

Artikel ini adalah peta besar tiga model panel. Tiap simpul punya bahasan tersendiri yang lebih dalam:

• Common Effect Model — Pooled OLS dituntaskan, termasuk uji Chow untuk menilai kelayakannya.
• Fixed Effect Model dan Random Effect Model — detail estimasi tiap model.
• Hausman Test — uji formal pemilihan FE versus RE.
• Clustered SE untuk Panel — galat baku yang benar untuk data panel.
• Modern DiD: Callaway-Sant’Anna — lanjutan panel untuk inferensi kausal.

Referensi

• Wooldridge, J. M. (2010). Econometric Analysis of Cross Section and Panel Data (2nd ed.). MIT Press.
• Cameron, A. C., & Trivedi, P. K. (2005). Microeconometrics: Methods and Applications. Cambridge University Press.
• Roth, J., Sant’Anna, P. H. C., Bilinski, A., & Poe, J. (2023). What’s trending in difference-in-differences? A synthesis of the recent econometrics literature. Journal of Econometrics.