Regresi Data Panel STATA 19: Residual Tidak Normal, Hetero & Autokorelasi | TWFE Robust SE

Bahan dalam video ini dapat diakses di: https://lynk.id/statkomat/9d659l01mx1k *REGRESI DATA PANEL DENGAN STATA 19 | KASUS 2* Bagaimana jika hasil regresi data panel menunjukkan bahwa residual tidak berdistribusi normal, terjadi heteroskedastisitas, dan terdapat autokorelasi? Apakah model regresinya harus diganti? Apakah hasil pengujian hipotesis masih dapat dipercaya? Dalam video STATKOMAT kali ini, kita mempraktikkan analisis regresi data panel menggunakan **STATA Versi 19**, mulai dari pemilihan model CEM, FEM, REM, pengujian diagnostik, hingga penerapan **Two-Way Fixed Effects (TWFE) dengan Firm-Clustered Robust Standard Errors**. 📊 *DATA PENELITIAN* 120 perusahaan Periode 2014–2025 (12 tahun) 1.440 observasi Balanced Panel Data Data simulasi untuk pembelajaran *Variabel Dependen (Y):* Kinerja Keuangan Perusahaan (ROA) *Variabel Independen (X):* CSR, DAR, CR, SG, CAPEX, INDCOM *Variabel Kontrol:* SIZE, INST, BSIZE, TANG 📚 *TAHAPAN ANALISIS* *1. Pemilihan Model Regresi Data Panel* Common Effect Model (CEM) Two-Way Fixed Effects Model (FEM) Two-Way Random Effects Model (REM) Uji Chow Dua Arah Uji Lagrange Multiplier Dua Arah Uji Hausman-type melalui Two-Way Mundlak Hasil pemilihan model mendukung penggunaan **Two-Way Fixed Effects (TWFE)**. *2. Pengujian Diagnostik* Uji Normalitas Residual (Skewness-Kurtosis Test) Uji Multikolinearitas (VIF) Uji Heteroskedastisitas (Modified Wald Test) Uji Autokorelasi (Wooldridge Test) *HASIL DIAGNOSTIK:* ❌ Residual tidak berdistribusi normal ✅ Pooled VIF menunjukkan multikolinearitas antarprediktor relatif rendah (Mean VIF = 1.04) ❌ Terdapat indikasi heteroskedastisitas ❌ Terdapat autokorelasi orde pertama *3. PENDEKATAN INFERENSI* ✅ TWFE + Firm-Clustered Robust Standard Errors Pendekatan ini memungkinkan perhitungan standard error yang robust terhadap heteroskedastisitas dan autokorelasi dalam perusahaan, tanpa mensyaratkan normalitas residual individual untuk inferensi asimtotik. Perlu dipahami bahwa pendekatan ini tidak menghilangkan heteroskedastisitas atau autokorelasi dari data. Keandalan inferensi tetap bergantung pada asumsi eksogenitas, spesifikasi model, jumlah klaster, dan kondisi antarklaster yang sesuai. *4. HASIL ESTIMASI DAN PENGUJIAN HIPOTESIS* 📈 R-squared Within = 0.6180 (61.80%) 📈 Uji F model = 142.35 (p lebih kecil dari 0.001) 📈 Uji simultan enam variabel independen = 268.40 (p lebih kecil dari 0.001) 📈 Seluruh enam variabel independen signifikan secara statistik pada taraf 5%. Lima variabel independen menunjukkan koefisien positif, sedangkan Leverage (DAR) menunjukkan koefisien negatif. Dari empat variabel kontrol, SIZE, INST, dan TANG signifikan, sedangkan BSIZE tidak signifikan. 💡 *PESAN UTAMA VIDEO* Residual yang tidak normal, heteroskedastisitas, dan autokorelasi tidak secara otomatis mengharuskan model TWFE dibuang. Dengan pendekatan inferensi yang sesuai, peneliti dapat memperoleh pengujian statistik yang lebih andal terhadap karakteristik gangguan tersebut, sepanjang asumsi metodologis yang diperlukan terpenuhi. 📌 *CATATAN:* Seluruh data dan hasil yang digunakan merupakan simulasi untuk tujuan pembelajaran ekonometrika, bukan hasil penelitian terhadap perusahaan nyata. Dukung channel *STATKOMAT* dengan LIKE, SHARE, dan SUBSCRIBE untuk mendapatkan materi pengolahan data statistik menggunakan STATA, SPSS, SmartPLS, AMOS, dan software statistika lainnya. 💬 Silakan tuliskan pertanyaan atau pengalaman Anda ketika menghadapi pelanggaran asumsi dalam regresi data panel di kolom komentar! #STATKOMAT #Stata19 #RegresiDataPanel #TWFE #FixedEffects #Heteroskedastisitas #Autokorelasi #RobustStandardErrors https://pranaugi.com/ | https://www.statkomat.com/ Layanan Jasa Olah Data Statistika STATKOMAT: 0812 6200 4932 (WA) Software statistika buatan Indonesia: https://statcal.com/ My E-book: https://gioprana89.github.io/ugi-ebooks/