Pemilihan Metode Panel: CEM, FEM, atau REM

Anda sudah mengumpulkan data panel — sekumpulan perusahaan IDX yang Anda ikuti selama beberapa tahun — dan siap menjalankan regresi. Lalu muncul pertanyaan yang membuat banyak peneliti pemula tertegun di depan layar: dengan tiga estimator panel yang tersedia, mana yang harus dipakai?

Menebak bukan jawaban. Memilih satu hanya karena “dosen saya pakai itu” juga bukan. Untungnya, pilihan ini tidak diserahkan pada selera. Ada prosedur baku, terukur, yang menuntun Anda dari data mentah ke satu keputusan yang bisa dipertanggungjawabkan di hadapan penelaah jurnal. Prosedur itu bersandar pada tiga uji penyaring sederhana — dan begitu Anda paham apa yang ditanyakan masing-masing, memilih metode panel berubah dari teka-teki menjadi rutinitas.

Intuisi: Tiga Pertanyaan, Bukan Tiga Tebakan

Ketiga estimator panel berbeda pada satu hal: bagaimana mereka memperlakukan kekhasan tiap unit — segala faktor yang membuat satu perusahaan berbeda dari perusahaan lain (reputasi merek, budaya kerja, status BUMN) dan tetap melekat sepanjang waktu pengamatan.

• CEM (Common Effect, sering disebut pooled OLS) berpura-pura kekhasan itu tidak ada. Semua baris data ditumpuk jadi satu, seolah berasal dari satu kumpulan seragam. Satu intercept untuk semua.
• FEM (Fixed Effect) memberi tiap unit intercept-nya sendiri dan menyaring kekhasan itu habis-habisan, lalu hanya memakai variasi di dalam tiap unit.
• REM (Random Effect) memperlakukan kekhasan tiap unit sebagai tarikan acak dari suatu distribusi — kompromi yang lebih hemat asumsi data tetapi menuntut satu syarat ketat.

Memilih di antara ketiganya berarti menjawab tiga pertanyaan berurutan, dan tiap pertanyaan punya satu uji statistik yang menjawabnya:

Tiap uji menyaring satu kemungkinan. Digabung lewat sebuah pohon keputusan, ketiganya mengerucut ke satu rekomendasi. Sebelum masuk ke uji-ujinya, mari pastikan dulu satu hal yang sering terlewat: di mana sebenarnya kekhasan tiap unit “bersembunyi” dalam data panel.

Pohon Keputusan

Inilah seluruh prosedur dalam satu peta. Mulai dari Chow, lalu cabang sesuai hasilnya:

                       Data panel
                           │
                           ▼
                  Langkah 1 · UJI CHOW
                    (uji F · CEM vs FEM)
                           │
            ┌──────────────┴──────────────┐
       tolak H₀                       gagal tolak H₀
   (intercept beda →                 (intercept seragam →
    CEM tak memadai)                  CEM mungkin memadai)
            │                              │
            ▼                              ▼
   Langkah 2 · UJI HAUSMAN        Langkah 3 · UJI BP-LM
      (FEM vs REM)                   (CEM vs REM)
            │                              │
      ┌─────┴─────┐                  ┌─────┴─────┐
   tolak H₀   gagal tolak         tolak H₀   gagal tolak
  (REM bias)  (REM sahih,        (ada kekhasan  (tak ada →
      │        lebih efisien)     acak → REM)    CEM memadai)
      ▼            ▼                  ▼              ▼
  PAKAI FEM    PAKAI REM          PAKAI REM      PAKAI CEM

Tiga uji, tiga keputusan biner, satu rekomendasi. Sekarang kita bedah satu per satu, dari pertanyaan yang dijawab sampai cara menghitungnya.

Langkah 1 — Uji Chow: Apakah Tiap Unit Punya Intercept Sendiri?

Pertanyaannya: cukupkah satu intercept untuk semua unit (asumsi CEM), atau tiap unit butuh intercept-nya sendiri (yang diberikan FEM)?

• Hipotesis nol ($H_0$): $\alpha_1 = \alpha_2 = \cdots = \alpha_N$ — semua unit punya intercept yang sama. CEM memadai.
• Hipotesis alternatif ($H_1$): setidaknya satu unit punya intercept berbeda. FEM diperlukan.

Logikanya membandingkan dua model. CEM memaksa satu intercept; FEM mengizinkan tiap unit punya intercept sendiri. Kalau memberi tiap unit intercept sendiri menurunkan galat secara berarti, berarti intercept memang berbeda dan CEM terlalu kaku. “Galat” di sini diukur lewat RSS (Residual Sum of Squares, jumlah kuadrat residual) — total kuadrat selisih nilai aktual dengan prediksi model. Uji Chow membandingkan RSS kedua model:

Tiap lambang, polos:

• $RSS_{CEM}$ = jumlah kuadrat residual model CEM (satu intercept). Selalu lebih besar, karena model lebih kaku.
• $RSS_{FEM}$ = jumlah kuadrat residual model FEM (intercept per unit). Lebih kecil, karena model lebih lentur.
• $N$ = banyak unit (misalnya 5 perusahaan); $T$ = banyak periode (misalnya 4 tahun); $k$ = banyak variabel bebas.
• Pembilang $(RSS_{CEM} - RSS_{FEM})$ = seberapa banyak galat berkurang saat tiap unit diberi intercept sendiri. Dibagi $N-1$, yaitu banyak intercept tambahan yang FEM pakai.
• Penyebut $RSS_{FEM}/(NT-N-k)$ = galat sisa FEM per derajat kebebasan.

Statistik ini mengikuti sebaran $F$ dengan derajat kebebasan $(N-1,\ NT-N-k)$. Aturan keputusannya:

• $p < 0{,}05$ → tolak $H_0$. Intercept antar-unit berbeda nyata; CEM tak memadai. Lanjut ke uji Hausman.
• $p \geq 0{,}05$ → gagal tolak $H_0$. Satu intercept mungkin cukup; lanjut ke uji BP-LM untuk memastikan.

Contoh hitung uji Chow dari nol

Mari kerjakan dengan data nyata. Lima perusahaan IDX, diikuti empat tahun. $X$ = rasio utang (debt-to-equity), $Y$ = nilai perusahaan (rasio harga terhadap nilai buku, diskalakan agar enak dihitung).

Di sini $N = 5$, $T = 4$, sehingga $NT = 20$ observasi, dan $k = 1$ (satu variabel bebas).

Langkah 1a — RSS model CEM. Tumpuk semua 20 baris dan jalankan satu regresi $Y$ pada $X$ (satu intercept). Hasilnya garis $\hat{Y} = 12{,}60 + 1{,}19\,X$, dengan

Perhatikan: slope pooled keluar +1,19, jauh lebih landai dari pola sebenarnya — karena CEM mencampur perbedaan bawaan antar-perusahaan dengan hubungan di dalam perusahaan, dan mengaburkannya.

Langkah 1b — RSS model FEM. Beri tiap perusahaan intercept-nya sendiri (lewat transformasi within — lihat FEM untuk caranya). Slope within keluar +1,57 dan galat sisanya jauh lebih kecil:

Penurunan dari 711,84 ke 4,67 sangat besar — petunjuk awal bahwa intercept antar-perusahaan memang berbeda jauh.

Langkah 1c — masukkan ke rumus $F$. Dengan $N - 1 = 4$ dan $NT - N - k = 20 - 5 - 1 = 14$:

Langkah 1d — keputusan. Nilai kritis $F$ pada taraf 5% dengan derajat kebebasan $(4, 14)$ adalah $\approx 3{,}11$. Karena $F = 529{,}88 \gg 3{,}11$ (nilai-$p \approx 4 \times 10^{-15}$, jauh di bawah 0,05), kita tolak $H_0$ dengan tegas. Intercept antar-perusahaan jelas berbeda — CEM tidak memadai. Lanjut ke uji Hausman.

Realitas Indonesia

Pada hampir semua panel keuangan Indonesia, uji Chow ditolak telak. Heterogenitas antar-perusahaan terlalu kuat untuk diabaikan — BBCA dan ASII jelas perusahaan dengan karakter yang sangat berbeda. Praktiknya, CEM hampir tidak pernah menjadi model akhir; ia lebih sering muncul sebagai pembanding garis dasar.

Langkah 3 — Uji Breusch-Pagan LM: Adakah Kekhasan Acak Antar-Unit?

(Kita bahas BP-LM lebih dulu sebelum Hausman, karena ia adalah cabang langsung dari uji Chow saat $H_0$ gagal ditolak — sesuai pohon keputusan.)

Pertanyaannya: apakah ada komponen ragam khas unit — yaitu, apakah residual data benar-benar menunjukkan pola pengelompokan per unit, atau pengelompokan itu sebenarnya tidak ada?

• Hipotesis nol ($H_0$): $\sigma_u^2 = 0$ — tidak ada ragam khas unit. CEM memadai.
• Hipotesis alternatif ($H_1$): $\sigma_u^2 > 0$ — ada kekhasan unit (bersifat acak). REM diperlukan.

Di sini $\sigma_u^2$ adalah ragam komponen kekhasan unit ($u_i$) pada model REM. Kalau ragam itu nol, kekhasan unit praktis tidak ada, dan pooled OLS sudah cukup. Uji Breusch-Pagan Lagrange Multiplier (BP-LM) memeriksanya lewat residual pooled OLS:

Tiap lambang, polos:

• $\hat{\varepsilon}_{it}$ = residual pooled OLS (CEM) untuk unit $i$ pada waktu $t$ — yaitu $Y_{it}$ dikurangi prediksi CEM.
• $\sum_{t=1}^{T} \hat{\varepsilon}_{it}$ = jumlahkan residual satu unit sepanjang waktunya. Kalau unit itu punya kekhasan (selalu di atas atau selalu di bawah garis), residualnya searah dan jumlah ini membesar.
• $\left( \sum_t \hat{\varepsilon}_{it} \right)^2$ = jumlah tadi dikuadratkan, lalu $\sum_i$ menjumlahkannya untuk semua unit.
• Penyebut $\sum_i \sum_t \hat{\varepsilon}_{it}^2$ = total kuadrat semua residual.
• $\frac{NT}{2(T-1)}$ = faktor penskala agar statistik mengikuti sebaran yang baku.

Idenya: kalau tidak ada kekhasan unit, residual dalam tiap unit acak naik-turun sehingga jumlahnya (pembilang) saling membatalkan dan rasio dalam kurung mendekati 1 — sehingga $LM$ kecil. Kalau ada kekhasan unit, residual satu unit cenderung searah, jumlahnya membesar, rasio melampaui 1, dan $LM$ membesar. Statistik ini mengikuti sebaran khi-kuadrat dengan 1 derajat kebebasan, $LM \sim \chi^2(1)$.

Aturan keputusan:

• $p < 0{,}05$ → tolak $H_0$. Ada kekhasan unit; CEM tak memadai. Pakai REM (atau FEM, kalau Hausman juga menolak).
• $p \geq 0{,}05$ → gagal tolak $H_0$. Tidak ada bukti kekhasan unit. CEM memadai.

Untuk data lima perusahaan kita, dari residual pooled OLS didapat $\sum_i (\sum_t \hat{\varepsilon}_{it})^2 = 2786{,}85$ dan $\sum_i \sum_t \hat{\varepsilon}_{it}^2 = 711{,}84$, sehingga rasio dalam kurung $= 2786{,}85 / 711{,}84 = 3{,}92$. Maka

Nilai kritis $\chi^2(1)$ pada taraf 5% adalah 3,84. Karena $28{,}32 \gg 3{,}84$ (nilai-$p \approx 10^{-7}$), kita tolak $H_0$: kekhasan unit jelas ada. (Konsisten dengan uji Chow tadi — keduanya menangkap heterogenitas yang sama, dari sudut berbeda.)

Langkah 2 — Uji Hausman: Apakah Kekhasan Unit Terkait dengan $X$?

Inilah uji yang menentukan pertarungan utama dalam riset panel modern: FEM atau REM? Keduanya menangani kekhasan unit, tetapi REM menuntut satu syarat ketat — dan uji Hausman memeriksa apakah syarat itu terpenuhi.

Pertanyaannya: apakah kekhasan unit ($u_i$) tidak terkait dengan variabel bebas $X$ (syarat yang dibutuhkan REM agar tidak bias)?

• Hipotesis nol ($H_0$): $u_i$ tidak terkait dengan $X$. REM konsisten dan efisien — REM boleh dipakai.
• Hipotesis alternatif ($H_1$): $u_i$ terkait dengan $X$. REM bias; hanya FEM yang konsisten. Pakai FEM.

Logikanya elegan. FEM selalu konsisten — ia menyaring $u_i$ apa pun, terkait $X$ atau tidak. REM hanya konsisten kalau $u_i$ tidak terkait $X$, tetapi sebagai gantinya REM lebih efisien (galat baku lebih kecil). Jadi:

• Kalau $u_i$ tidak terkait $X$ → kedua estimator menuju sasaran yang sama → $\hat{\beta}_{FEM} \approx \hat{\beta}_{REM}$. Selisihnya kecil.
• Kalau $u_i$ terkait $X$ → REM melenceng sementara FEM tetap di sasaran → $\hat{\beta}_{FEM}$ dan $\hat{\beta}_{REM}$ berbeda nyata.

Uji Hausman mengukur seberapa besar selisih kedua estimator itu, dibobot dengan ketidakpastiannya:

Tiap lambang, polos:

• $\hat{\beta}_{FEM}$ dan $\hat{\beta}_{REM}$ = vektor koefisien hasil FEM dan REM.
• $(\hat{\beta}_{FEM} - \hat{\beta}_{REM})$ = selisih kedua estimator — inti uji ini. Makin besar selisihnya, makin besar $H$.
• $\text{Var}(\hat{\beta}_{FEM}) - \text{Var}(\hat{\beta}_{REM})$ = selisih ragam kedua estimator, jadi pembobot: selisih koefisien dinilai relatif terhadap ketidakpastiannya.
• Tanda aksen $'$ = transpos (untuk kasus banyak variabel; pada satu variabel rumus ini menyederhana jadi $H = (\hat{\beta}_{FEM} - \hat{\beta}_{REM})^2 / [\text{Var}(\hat{\beta}_{FEM}) - \text{Var}(\hat{\beta}_{REM})]$).

Statistik ini mengikuti $H \sim \chi^2(k)$, dengan $k$ = banyak variabel bebas yang diuji. Aturan keputusan:

• $p < 0{,}05$ → tolak $H_0$. Syarat REM dilanggar; REM bias. Pakai FEM.
• $p \geq 0{,}05$ → gagal tolak $H_0$. REM boleh dipakai (dan lebih efisien) — tetapi baca peringatan di bawah sebelum percaya bulat.

Ilustrasi angka. Pada sebuah panel di mana kekhasan unit sengaja dibuat terkait dengan $X$ (misalnya perusahaan berutang tinggi kebetulan juga punya tata kelola lemah yang tak teramati), FEM dan REM melenceng jauh: $\hat{\beta}_{FEM} = 1{,}04$ sementara $\hat{\beta}_{REM} = 1{,}92$. Selisih sebesar itu menghasilkan $H \approx 204$ (nilai-$p$ praktis nol) — tolak $H_0$, pakai FEM. REM yang melaporkan 1,92 di sini menyesatkan, karena ia salah membebankan pengaruh kekhasan unit ke variabel utang.

Realitas Indonesia

Pada mayoritas panel perusahaan Indonesia, uji Hausman menolak — yaitu merekomendasikan FEM. Sebabnya masuk akal: faktor tak teramati di tingkat perusahaan (kualitas manajemen, jaringan politik, budaya) hampir selalu terkait dengan keputusan perusahaan yang menjadi variabel bebas (struktur modal, belanja modal). Status BUMN, yang tetap per perusahaan, juga lazim terkait dengan variabel kebijakan. Karena itu FEM menjadi standar default — dan penelaah jurnal mengharapkan uji Hausman dilaporkan beserta justifikasinya.

Ringkasan Pohon Keputusan

Hasil ketiga uji dirangkum jadi satu tabel keputusan:

Pada contoh lima perusahaan kita, Chow menolak dan BP-LM menolak — keduanya menegaskan ada heterogenitas. Tinggal Hausman yang menentukan FEM vs REM. Untuk panel keuangan Indonesia, Hausman hampir selalu menolak, sehingga FEM menjadi pilihan akhir pada mayoritas kasus.

Bereksperimen Sendiri

Atur karakteristik data panel Anda — jumlah unit, jumlah periode, kekuatan heterogenitas — dan lihat bagaimana ketiga uji merespons serta metode mana yang direkomendasikan beserta alasannya.

Kritik Modern: Jangan Baca Uji Hausman Secara Harfiah

Pohon keputusan di atas adalah titik awal yang baik, bukan kitab suci. Ada satu jebakan besar yang harus Anda pahami sebelum mempercayai hasil uji Hausman bulat-bulat.

Uji Hausman punya kekuatan statistik rendah (mudah “gagal menolak” padahal seharusnya menolak) ketika:

• Jumlah unit $N$ kecil (di bawah ~30 perusahaan).
• Jumlah periode $T$ pendek (di bawah ~5 tahun).
• Efek bervariasi antar-unit (heterogenitas pada slope, bukan hanya intercept).

Karena itu, “gagal tolak Hausman” tidak otomatis berarti “REM benar-benar sahih” — bisa jadi ujinya sekadar kurang bertenaga untuk mendeteksi pelanggaran yang sebenarnya ada. Ada pula komplikasi teknis: pada sampel kecil, selisih ragam $\text{Var}(\hat{\beta}_{FEM}) - \text{Var}(\hat{\beta}_{REM})$ kadang keluar negatif, sehingga statistik $H$ tak bisa ditafsirkan secara baku — pertanda uji tak bisa diandalkan, bukan pertanda REM menang.

Praktik baku modern karena itu condong ke FEM sebagai default, bukan menyerahkan keputusan sepenuhnya pada satu nilai-$p$:

1. Jadikan FEM default — ia konsisten apa pun keadaan $u_i$, jadi lebih aman terhadap pelanggaran asumsi.
2. Laporkan REM sebagai uji ketahanan (robustness), bukan sebagai model utama, kecuali ada alasan teoretis kuat.
3. Diskusikan secara naratif asumsi yang akan membenarkan REM — jangan hanya menumpuk nilai-$p$.
4. Tambahkan efek waktu (two-way FE) untuk menyaring guncangan bersama (krisis, pandemi, perubahan kebijakan) yang menimpa semua unit di tahun yang sama.
5. Selalu pakai galat baku terklaster pada unit — galat baku bawaan keliru untuk panel; lihat Clustered SE untuk Panel.

Singkatnya: uji-uji ini menyaring kandidat, tetapi pertimbangan teoretis dan kehati-hatian terhadap kekuatan uji yang menentukan keputusan akhir.

Alur Lengkap di Perangkat Lunak

Setelah paham logikanya, di perangkat lunak prosedurnya ringkas. Berikut templat lengkap di R dengan paket plm (semua angka contoh artikel ini direproduksi oleh kode serupa):

library(plm); library(lmtest); library(sandwich)

# 1. Susun struktur panel
pdata <- pdata.frame(data, index = c("firm", "year"))

# 2. Jalankan ketiga model
cem <- plm(Y ~ X, data = pdata, model = "pooling")  # Common Effect
fem <- plm(Y ~ X, data = pdata, model = "within")   # Fixed Effect
rem <- plm(Y ~ X, data = pdata, model = "random")   # Random Effect

# 3. Langkah 1 — uji Chow (CEM vs FEM)
chow <- pFtest(fem, cem)
cat("Chow F =", chow$statistic, " p =", chow$p.value, "\n")

# 4. Langkah 2 — uji Hausman (FEM vs REM)
hausman <- phtest(fem, rem)
cat("Hausman H =", hausman$statistic, " p =", hausman$p.value, "\n")

# 5. Langkah 3 — uji Breusch-Pagan LM (CEM vs REM)
bplm <- plmtest(cem, type = "bp")
cat("BP-LM =", bplm$statistic, " p =", bplm$p.value, "\n")

# 6. Putuskan lewat pohon keputusan
if (chow$p.value < 0.05 & hausman$p.value < 0.05) {
  final <- fem; cat("REKOMENDASI: FEM\n")
} else if (chow$p.value < 0.05 & hausman$p.value >= 0.05 & bplm$p.value < 0.05) {
  final <- rem; cat("REKOMENDASI: REM\n")
} else if (chow$p.value >= 0.05 & bplm$p.value < 0.05) {
  final <- rem; cat("REKOMENDASI: REM\n")
} else {
  final <- cem; cat("REKOMENDASI: CEM\n")
}

# 7. Sajikan model akhir dengan galat baku terklaster pada unit
coeftest(final, vcov = vcovHC(final, type = "HC3", cluster = "group"))

# 8. Selalu pertimbangkan two-way FE (unit + waktu)
fem_2way <- plm(Y ~ X, data = pdata, model = "within", effect = "twoways")
coeftest(fem_2way, vcov = vcovHC(fem_2way, type = "HC3", cluster = "group"))

Padanannya di Python dengan linearmodels:

from linearmodels.panel import PanelOLS, RandomEffects, PooledOLS
d = data.set_index(["firm", "year"])

fe = PanelOLS(d["Y"], d[["X"]], entity_effects=True).fit()
re = RandomEffects(d["Y"], d[["X"]]).fit()

# Uji Chow tersedia langsung dari objek FE:
print(fe.f_pooled)          # statistik F + nilai-p (CEM vs FEM)
print(fe.params, re.params) # bandingkan koefisien FE vs RE (inti Hausman)

Cek Pemahaman

1. Sebuah panel 5 unit selama 4 tahun ($N = 5$, $T = 4$, $k = 1$) menghasilkan $RSS_{CEM} = 240$ dan $RSS_{FEM} = 60$. Hitung statistik uji Chow dari nol, lalu putuskan (nilai kritis $F$ pada 5% untuk derajat kebebasan $(4, 14)$ adalah 3,11).

2. (Soal transfer.) Seorang mahasiswa menjalankan ketiga uji pada panel 18 perusahaan selama 4 tahun. Hasilnya: uji Chow menolak ($p < 0{,}01$), uji BP-LM menolak ($p < 0{,}01$), tetapi uji Hausman gagal menolak ($p = 0{,}38$). Ia menyimpulkan “REM sahih, jadi saya pakai REM.” (a) Apakah kesimpulan ini otomatis benar? (b) Faktor apa pada data ini yang membuat Anda berhati-hati, dan apa rekomendasi yang lebih aman?

Kesalahan Umum

Memakai REM tanpa menjalankan uji Hausman. REM “tampak lebih bagus” karena galat bakunya lebih kecil (lebih efisien). Tetapi efisiensi itu hanya sah kalau asumsinya terpenuhi; tanpa uji Hausman, Anda tidak tahu apakah REM bias.

Memakai FEM tanpa menjalankan uji Chow. Melewati Langkah 1 berarti Anda tidak pernah memeriksa apakah heterogenitas antar-unit memang ada — bisa jadi CEM yang lebih sederhana sudah memadai dan FEM hanya menambah rumit tanpa perlu.

Menafsirkan nilai-$p$ uji Hausman secara harfiah. “Gagal tolak Hausman” bukan “REM terbukti sahih”. Pada $N$ atau $T$ kecil, uji ini berkekuatan rendah. Kalau ragu, pakai FEM.

Melaporkan hanya satu model. Penelaah jurnal bereputasi mengharapkan Anda menyajikan ketiga model (CEM, FEM, REM) berdampingan beserta hasil ketiga uji. Menyajikan satu model tanpa pembanding adalah alasan umum penolakan.

Memakai galat baku bawaan. Pada panel, galat dalam satu unit berkorelasi lintas waktu, sehingga galat baku bawaan keluar terlalu kecil dan bintang signifikansi menipu. Galat baku terklaster pada unit wajib — lihat Clustered SE untuk Panel.

Lupa efek waktu. Memilih FEM lalu berhenti pada efek unit saja. Guncangan bersama (pandemi, krisis, perubahan tarif pajak) menuntut efek waktu — pertimbangkan two-way FE sebagai bawaan.

Dipakai di Dunia Nyata

• Keuangan empiris IDX. Studi struktur modal, tata kelola, atau nilai perusahaan pada panel emiten BEI nyaris selalu melaporkan uji Chow, Hausman, dan BP-LM, lalu menetap pada two-way FE dengan galat baku terklaster — persis pohon keputusan di artikel ini.
• Evaluasi kebijakan daerah. Panel provinsi atau kabupaten (belanja daerah, kemiskinan, pertumbuhan) memakai prosedur yang sama untuk memilih antara efek tetap daerah dan efek acak, sebelum melangkah ke metode kausal yang lebih kuat.
• Riset perbankan. Panel bank (rasio kecukupan modal, kredit bermasalah, profitabilitas) menjalankan ketiga uji untuk menyaring kekhasan tiap bank dari pengaruh variabel kebijakan yang dianalisis.
• Skripsi dan tesis FEB. Ketiga uji ini adalah ritual baku bab metodologi penelitian panel di hampir semua program studi ekonomi dan manajemen — sekaligus tempat penguji paling sering bertanya: “kenapa Anda memilih model ini?”

Lanjutan

• Fondasi pilihannya: Data Panel: efek tetap vs efek acak — kenali ketiga estimator sebelum memilih.
• Common Effect Model — kandidat paling sederhana, biasanya garis dasar.
• Fixed Effect Model — pemenang default, dengan transformasi within langkah demi langkah.
• Random Effect Model — alternatif efisien saat asumsinya terpenuhi.
• Hausman Test — bedah tuntas uji FEM vs REM.
• Setelah metode terpilih: Clustered SE untuk Panel untuk galat baku yang benar.
• Melampaui panel statis untuk perlakuan bertahap: DiD Modern Callaway-Sant’Anna.

Referensi

• Hausman, J. (1978), “Specification Tests in Econometrics”, Econometrica.
• Breusch, T. & Pagan, A. (1980), “The Lagrange Multiplier Test and its Applications to Model Specification in Econometrics”, Review of Economic Studies.
• Wooldridge, J. (2010), Econometric Analysis of Cross Section and Panel Data, MIT Press, Bab 10.
• Baltagi, B. (2021), Econometric Analysis of Panel Data, Springer, Bab 2–4.
• Bell, A. & Jones, K. (2015), “Explaining Fixed Effects: Random Effects Modeling of Time-Series Cross-Sectional and Panel Data”, Political Science Research and Methods — kritik modern atas dikotomi FEM/REM.