| dc.description.abstract | Data panel merupakan jenis data yang menggabungkan dimensi cross-sectional dan deret waktu sehingga analisis dapat dilakukan dengan mempertimbangkan perbedaan karakteristik antar individu sekaligus perubahan yang terjadi dari waktu ke waktu. Dalam analisis data panel, pemilihan spesifikasi model menjadi aspek penting karena setiap model memiliki asumsi, karakteristik, dan kemampuan yang berbeda dalam menangkap keragaman individu maupun waktu. Oleh karena itu, penelitian ini membandingkan tujuh spesifikasi model panel, yaitu efek tetap individu–efek tetap waktu (FEi–FEt), efek tetap individu–waktu kovariat (FEi–TimeCov), efek tetap individu–efek acak waktu (FEi–REt), efek acak individu– efek tetap waktu (REi–FEt), efek acak individu–waktu kovariat (REi–TimeCov), efek acak individu dengan struktur autoregresif AR(1) Rao–Yu, serta efek acak individu– efek acak waktu (REi–REt). Penelitian dilakukan melalui dua pendekatan, yaitu simulasi Monte Carlo dan kajian empiris. Kajian simulasi dirancang untuk mengevaluasi performa masing-masing spesifikasi model pada berbagai struktur dinamika waktu, yaitu autoregresif orde satu AR(1), autoregresif orde dua AR(2), dan moving average (MA). Pada setiap skenario simulasi, data panel dibangkitkan dengan mempertimbangkan efek individu, efek waktu, serta komponen galat sehingga menyerupai karakteristik data panel nyata. Setiap skenario diulang sebanyak 100 perulangan untuk memperoleh ukuran evaluasi model yang stabil. Kinerja model dievaluasi menggunakan Root Mean Square Error (RMSE) untuk menilai ketepatan dugaan dan kemampuan prediksi model. Hasil simulasi menunjukkan bahwa model yang secara eksplisit memasukkan struktur ketergantungan temporal cenderung menghasilkan performa prediksi yang lebih baik dibandingkan model panel konvensional. Model Rao–Yu dengan struktur AR(1) secara konsisten menghasilkan nilai RMSE paling rendah ketika matriks ragam galat ({\psi }_{it}) relatif kecil dan homogen. Namun demikian, performa model mengalami penurunan ketika ragam galat menjadi lebih besar dan heterogen. Sebaliknya, model yang memperlakukan waktu hanya sebagai kovariat linier (TimeCov) secara konsisten menunjukkan performa paling rendah pada seluruh skenario simulasi karena kurang mampu menangkap dinamika temporal yang bersifat stokastik. Sementara itu, model efek tetap dan efek acak tanpa struktur temporal eksplisit tetap menunjukkan performa yang relatif stabil, meskipun umumnya masih berada di bawah model Rao–Yu pada kondisi ragam galat rendah hingga moderat. Kajian empiris dilakukan menggunakan data tingkat kemiskinan kabupaten/kota di Provinsi Jawa Timur periode 2012–2022 dengan peubah penjelas berupa tingkat pengangguran terbuka, rata-rata lama sekolah, angka harapan hidup, pertumbuhan ekonomi, dan distribusi penduduk. Hasil kajian empiris menunjukkan bahwa model efek acak individu dan efek tetap waktu (REi–FEt) menghasilkan nilai RMSE terkecil dibandingkan model lainnya sehingga dipilih sebagai model terbaik dalam penelitian ini. Hasil tersebut menunjukkan bahwa heterogenitas antar wilayah yang bersifat persisten serta efek waktu spesifik tiap tahun memiliki peran penting dalam menjelaskan dinamika kemiskinan di Jawa Timur. Meskipun model Rao–Yu menunjukkan performa yang baik pada simulasi, performa model pada data empiris dipengaruhi oleh karakteristik matriks ragam galat yang relatif besar dan heterogen sehingga proses penyusutan pada EBLUP menjadi lebih dominan dan menghasilkan prediksi yang lebih halus.Secara keseluruhan, penelitian ini menunjukkan bahwa pemodelan dinamika temporal dan karakteristik ragam galat yang tepat merupakan aspek penting dalam meningkatkan akurasi prediksi pada analisis data panel. Hasil penelitian ini diharapkan dapat memberikan kontribusi terhadap pengembangan metodologi data panel serta menjadi referensi dalam analisis kemiskinan berbasis data panel di Indonesia. | |
