| dc.description.abstract | Model regresi data panel umumnya diterapkan pada data level mikro yang sering memuat data yang terkontaminasi pencilan. Adanya pencilan dapat menyebabkan penduga parameter yang berbias dan menyimpang dari nilai yang sebenarnya. Salah satu alternatif yang dapat digunakan untuk mengatasi pencilan adalah metode penduga kekar.
Penelitian mengenai penduga kekar untuk model regresi data panel belum banyak dilakukan di Indonesia. Oleh sebab itu, penelitian ini mengkaji penduga kekar pada model regresi data panel dengan menggunakan metode least trimmed squares (LTS), within-group generalized M (WGM), dan within-group MS (WMS). Tujuan dari penelitian ini adalah mengkaji metode penduga kekar dalam menduga parameter regresi data panel pada data simulasi yang memuat berbagai jenis pencilan dan tingkat kontaminasi pencilan, kemudian dari hasil kajian simulasi diketahui metode penduga kekar terbaik yang selanjutnya diterapkan pada data masukan dan keluaran dari 9 satuan kerja di kedeputian bidang ilmu pengetahuan teknik (IPT) Lembaga Ilmu Pengetahuan Indonesia (LIPI) selama tahun 2014 sampai 2018. Lebih lanjut, penelitian ini juga mengidentifikasi peubah yang berpengaruh terhadap keluaran yang dihasilkan oleh 9 satuan kerja di kedeputian IPT LIPI.
Penelitian ini terdiri atas kajian simulasi dan kajian terapan. Simulasi dilakukan dengan membangkitkan 16 kombinasi data (4 jenis pencilan dan 4 tingkat kontaminasi pencilan) berdasarkan model regresi data panel pengaruh tetap. Setiap kombinasi diulang sebanyak 10000 replikasi. Pada kajian terapan, data yang digunakan berasal dari situs internal LIPI dan laporan kinerja setiap satuan kerja di kedeputian IPT. Peubah penjelas yang digunakan terdiri atas jumlah peneliti, rata-rata usia peneliti, persentase peneliti minimal S2, persentase peneliti minimal madya, dan anggaran penelitian.
Hasil dari kajian simulasi menunjukkan bahwa metode WGM memiliki nilai bias dan root mean square error (RMSE) paling kecil dibandingkan dengan metode penduga kekar lainnya untuk 3 jenis pencilan, vertical outliers, leverage points, dan concentrated leverage points. Artinya, metode WGM menghasilkan keragaman penduga yang kecil dan ketepatan penduga yang tinggi untuk 3 jenis pencilan, vertical outliers, leverage points, dan concentrated leverage points. Selanjutnya, metode WGM diaplikasikan ke data riil. Hasil kajian dengan data riil menunjukkan bahwa peubah penjelas yang berpengaruh terhadap jumlah keluaran litbang adalah persentase peneliti minimal S2, persentase peneliti minimal madya, dan transformasi peubah persentase peneliti minimal madya dalam bentuk kuadrat. Kebaikan model (Radj2) yang diperoleh pada kajian terapan adalah 99%. | id |
