Five Phases of the New Product Development Process

New product development is a crucial process for the survival of firms, especially small businesses. The small business environment today is very dynamic and competitive. For small enterprises to withstand competition from multinationals, they have to continuously update their products to conform to current trends. The new product development process is the cycle that a new product has to undergo from conceptualization to the final introduction into the market. Five phases guide the new product development process for small businesses. Ads by Google Balanced Scorecard (BSC) KPI's, Dashboards and Strategy Maps Download Free White Paperswww.qpr.com Idea Generation This is the initial stage where a business sources for ideas regarding a new product. Some of the sources for new product ideas include the business customers, competitors, newspapers, journals, employees and suppliers. Small businesses may be limited when it comes to technical research-based idea generation techniques. This stage is crucial as it lays the foundation for all the other phases, the ideas generated shall guide the overall process of product development. Screening The generated ideas have to go through a screening process to filter out the viable ones. The business seeks opinions from workers, customers and other businesses to avoid the pursuit of costly unfeasible ideas. External industry factors affecting small businesses, such as competition, legislation and changes in technology, influences the enterprise's decision criteria. At the end of the screening process, the firm remains with only a few feasible ideas from the large pool generated. Related Reading: The Disadvantages of Market Research on New Product Development Concept Development The enterprise undertakes research to find out the potential costs, revenues and profits arising from the product. The business conducts a SWOT analysis to identify the strengths, weakness opportunities and threats existing in the market. The market strategy is set out to identify the product's target group, which facilitates segmentation of the product's market. Market segmentation is important as it enables the firm to identify its niche. The identified niche influences most of the marketing decisions. Product Development and Commercialization Product development entails the actual design and manufacture of the product. Development commences with the manufacture of a prototype that facilitates market testing. Based upon the results of the tests, the business owner decides on whether to undertake large-scale production or not. Favorable results precede large-scale production and commercialization. The business launches its promotion campaign for the new product. The market research conducted during the conception stage influences the timing and location of the product launch. References (4) Green Book: New Product development -- Stages and Methods Product Development Institute Inc: Your Roadmap For New Product Development "Principles Of Marketing"; Phillip Kotler; 2005 "Principles Of Marketing"; Frances Brassignton, Stephen Pettitt; 2006 About the Author Daphne Adams has been writing since 2003, with work published in the “Offshore Investment Magazine ". She holds a Master of Business Administration from the Rotman School of Management, as well as a Bachelor of Arts in media and journalism from Ryerson University.

Choosing a Product Development Strategy

If you have a good understanding of your market, another way to leverage your knowledge is to develop new products and services to meet this market’s needs. If you hear the term product development, you may think about brand new products, but that’s not necessarily the case. Gaining competitive advantage through a product development strategy can happen by adding more value to your existing product through features, upselling, or cross selling. The best thing about this strategy is you’ve already established yourself in your current markets and you know what your customers want. You have the distribution channels, and you know how to reach them. Consider the following questions if you’re thinking about expanding your product line or developing new products: Will your customer benefit from the added value or new feature? Are they asking for additions to the current product line? Do potential manufacturing, marketing, and distribution cost efficiencies exist from an expanded product line? Can you share current costs across the new products or services? Can your current assets, brand, marketing, and distribution be used with the new product? Do you have the skills and capabilities to develop and produce the products proposed? After you’ve given product development some consideration, and you’ve decided to proceed full steam ahead, here’s how to develop new products and services to meet your market’s needs: Add new features or services by extending your current products. For example, cell phone companies add on media packages for text messaging, additional ring tones, and Internet access. Here are a few ways to extend your current offering: Adapt (to other ideas and developments) Modify (change color, motion, sound, odor, form, shape) Magnify (more for a higher price, stronger, longer, extra value) Reduce (smaller, trial version, shorter, lighter) Substitute (other ingredients, processes, power) Combine (other options, products, ideas, assortments) Develop additional models and sizes of your current products. For example, the iPod expanded to the iPod mini and the iPod nano. Develop totally new products. In this case, you usually leverage your brand recognition. Some good examples of this development are Gerber producing baby clothes and a CPA firm expanding from tax work into financial planning.

3 PROVEN PRODUCT DEVELOPMENT STRATEGIES FOR ANY INDUSTRY

3 PROVEN PRODUCT DEVELOPMENT STRATEGIES FOR ANY INDUSTRY Posted on August 3, 2012 by Aaron Schwartz I graduated from UC Berkeley's Haas School of Business in May 2010. Friends from school included the founders of an ideation space called Napkin Labs; an amazing online test preparation company called Magoosh; and an industry-changing waste-heat-to-electricity clean tech startup called Alphabet Energy. During my time at Haas, I was able to interact with innumerable entrepreneurs and investors and co-founded a sustainability startup that had aspects of gamification and "the world of things" -- I lived the tech maven's dream! However, I decided to start a watch company. I started Modify Watches with a friend, Gary Coover, after graduation. Together, we design and manufacture interchangeable faces and straps that can be mixed and matched for the ultimate personalized watch. Our product sold in Google Store and have been customized for HP, AOL and others. We will soon be launched a line featuring the images of Major League Baseball players. Despite the low-tech nature of our watches, interacting with so many successful techies has had an immeasurable impact on our success. Here are three pieces of advice that we learned while starting up among the entrepreneurial tech genius of Silicon Valley that you can apply to any industry: Test your hypotheses. Gary and I thought that Modify was ideally targeted for young professionals. When we first started, people of all demographics would stop us on the street and say, "Cool watch, where'd you get it?" Taking note from the playbook of famed entrepreneurs and investors Steve Blank and Eric Ries – our professors at Haas – we reassessed our strategy, focusing on Customer Discovery and building a Minimum Viable Product. We talked to customers without making more assumptions and instead focused on getting out of the office and testing our hypotheses. Do not create the product of your dreams from the start — you may find that after six months of work and a $50,000 investment, your ideal product does not match a customer’s ideal product. Admit that you don't know what you don't know and find great advisers who do. Before business school, I was a management consultant, and before that, I was a history and Hispanic studies major at Columbia. I had no direct experience in the fields we operate in now. We brought on advisers who were experts in design, watch manufacturing, web development and retail, and their advice saved our team countless amounts of money, time and, most importantly, stress. When we run into walls, we always seek out advice. There is a big fallacy, in my opinion, about being closed off to the world — startups often think that someone might steal their big-ticket idea. The truth is that the deck is stacked against an entrepreneur succeeding, so it's important to become a great listener. Co-create products with your community. After building a strong community, the best tech businesses do a great job of engaging their fans to make sure that all of their product features are useful. Modify's Facebook fans told us what features to build into our watches! Not too many people cared about adding a calendar feature to the watch, but everyone asked for a watch that was water-resistant. Thanks to our community, you can now go swimming in your Modify. And before we produce any watch, we poll our community to figure out what patterns and colors they prefer. There are many more great strategies to observe from other companies of all sizes and from all industries. Look for organizations that are doing analogous work and figure out how you can take their best practices and translate them to your business. Aaron Schwartz is Founder and CEO at Modify Industries, Inc., which designs interchangeable custom watches known as Modify Watches. He loves working on startup ideas and has spent innumerable (happy) hours advising friends and former students on how to grow their ideas.

Arima: Modul Tutorial Pengolahan Data Metode Arima

Arima: Modul Tutorial Pengolahan Data Metode Arima

Pengolahan data metode arima by qiyaraconsulting

  Untuk mendapatkan filenya secara gratis silakan kunjungi:  http://qiyara.ipromart.co.id/tutorial   1. Autoregressive Integrated Moving Average (ARIMA) Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 1

• 2. Konsep ARIMA    ARIMA disebut juga metode Box-Jenkins, yang merupakan suatu teknik yang mengabaikan independent variable dalam melakukan peramalan, sehingga; ARIMA hanya menggunakan nilai-nilai sekarang dan masa lalu dari dependent variable untuk melakukan peramalan jangka pendek. Perbedaannya dengan metode lain karena metode ini tidak mengasumsikan pola tertentu dalam data historis dari series yang akan diforecast. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 2
• 3. Proses Pemilihan Model ARIMA Penentuan Bentuk Umum Model • Stasioneritas (Residu) •Autokorelasi (Residu) • AIC Identifikasi Model Terpilih secara Tentatif Estimasi Parameter Model Terpilih secara Tentatif Uji Kecukupan Model (Adequacy Test) Gunakan Model untuk Peramalan Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 3
• 4. Proses Pemilihan Model ARIMA  Model AR(p) Yt = α 0 + α 1Yt −1 + α 2Yt −1 + α 3Yt −1 + ... + α p Yt − p + u t  Model MA(q) u t = ε t − β1ε t −1 − β 2 ε t −1 − β 3ε t −1 − ... − β p ε t − p  Model ARIMA (p,i=0,q) Yt = α 0 + α 1Yt −1 + ... + α p Yt − p + ε t − β1ε t −1 − ... − β p ε t − p Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 4
• 5. Penentuan Model Terbaik     Model ARIMA terbaik, adalah model ARIMA yang memiliki: Signifikansi t-stat untuk seluruh suku AR dan MA dalam persamaan. Probabilita t-stat dari setiap koefisien lebih kecil dari 0.1 (asumsi =10%). Nilai inverted root matriks (IRM) suku AR dan MA, |IRM| <1 Nilai residual yang bebas otokorelasi. Yaitu nilai koefisien korelasi |AC| dan |PAC| yang lebih kecil dari 0.5; dan probabilita Q-stat seluruh variabel selang yang lebih besar dari 0.1. Memiliki nilai Schwarz Criterion atau Akaike Information Criterion (AIC) terkecil. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 5
• 6. Penentuan Model Terbaik     Guna memperoleh hasil estimasi yang baik perhatikanlah kriteria berikut: Gunakan data dalam jumlah yang banyak (long series) Gunakan suku MA yang sedikit Jika menggunakan suku AR dan MA, gunakan dalam jumlah sedikit Semakin sedikit suku AR dan MA yang digunakan akan semakin baik Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 6
• 7. Penentuan Bentuk Umum: I   Pengujian Stasioneritas: yt = α 0 + α 0 . yt −1 + ε t Merupakan inspeksi visual atas series: view  line graph Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 7
• 8. Penentuan Bentuk Umum: I    Pengujian Statistik: Augmented Dickey Fuller Test E-views: View  Unit Root Test (ADF) ADF stat sebesar -2.549886 nilainya secara absolut lebih kecil dari MacKinnon critical value  data memiliki unit root (tidak stasioner) pada level. Lakukan kembali pengujian unit root, tetapi kali ini pada tingkat 1st difference: Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 8
• 9. To Do …  Do the ARIMA (1,2,1), store it!  A   Do the ARIMA (1,2,0), store it!  B    d(d(gdpriil)) c AR(1) Do the ARIMA (0,2,1), store it!  C   d(d(gdpriil)) c AR(1) MA(1) d(d(gdpriil)) c MA(1) COMPARE THEM ALL | OK      | Tdk OK | Significance: | AR(1) Stasionerity of residual: | Q-statistic/ Correlogram/ DW: Adj-R2: | ARI AIC: | ARI Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 9
• 10. Penentuan Bentuk Umum: I    Sekarang ADF stat secara absolut lebih besar daripada critical value  Tolak Ho (tolak hipotesa bahwa ada unit root alias tidak stasioner) bentuk data yang stasioner pada first difference. Secara tidak langsung ordo integrasi pun telah ditemukan, yaitu d = 1. Berikutnya adalah penentuan ordo suku AR dan MA. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 10
• 11. Penentuan Bentuk Umum: AR-MA       Pengujian correlogram: View Correlogram (lakukan sesuai dengan hasil derajat integrasi) Biarkan Eviews menentukan panjang lag maksimum-ok Dari grafik batang AC: pelanggaran garis batas terjadi pada lag 1, 8, dan 12 kandidat MA (1). Dari grafik batang PAC: pelanggaran garis batas juga terjadi pada lag 1 kandidat AR (1). 3 kandidat model: ARIMA (1,1,1); ARIMA (1,1,0)/ARI (1); dan ARIMA (0,1,1)/IMA (1). Selanjutnya adalah penentuan model terbaik. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 11
• 12. Estimasi Parameter    Model ARIMA (1,1,1): quick-estimate equation-ketikkan: d(gdp) c AR(1) MA(1) Repeat: Model ARI (1): d(gdp) c AR(1), dan Repeat: IMA (1): d(gdp) c MA(1) Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 12
• 13. Estimasi Parameter: ARIMA (1,1,1)  Hasil Estimasi: suku MA tidak signifikan  maka model ini gugur. MODEL ARIMA (1,1,1) Dependent Variable: D(GDP) Variable Coefficient Std. Error t-Statistic Prob. C AR(1) MA(1) 23.50643 0.499691 -0.201503 5.942468 0.275092 0.312611 3.955667 1.816447 -0.644582 0.0002 0.0729 0.5210 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.105750 0.084202 34.39166 98171.24 -424.7539 1.994227 Inverted AR Roots Inverted MA Roots .50 .20 Qiyara Damayanti Consulting Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 23.34535 35.93794 9.947766 10.03338 4.907606 0.009673 13
• 14. Estimasi Parameter: AR(1)/ ARIMA(1,1,0) Hasil Estimasi: suku AR signifikan. Didukung lebih lanjut dg. nilai |IRM|<1  Kandididat OK  Perlu diuji lebih lanjut dengan pengujian otokorelasi.   MODEL ARI(1) Dependent Variable: D(GDP) Variable Coefficient C AR(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Qiyara Damayanti Consulting 23.44152 0.317238 0.101516 0.090820 34.26717 98636.06 -424.9570 2.034425 Std. Error t-Statistic Prob. 5.412216 0.102975 4.331224 3.080716 0.0000 0.0028 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 23.34535 35.93794 9.929234 9.986311 9.490809 0.002791 .32 Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 14
• 15. Estimasi Parameter: IMA (1)/ARIMA(0,1,1) Hasil Estimasi: suku MA signifikan. Didukung lebih lanjut dg. nilai |IRM|<1  Kandididat OK  Perlu diuji lebih lanjut dengan: Pengujian otokorelasi.   MODEL IMA(1) Dependent Variable: D(GDP) Variable Coefficient Std. Error t-Statistic Prob. C MA(1) 22.79699 0.258489 4.666371 0.104582 4.885378 2.471642 0.0000 0.0154 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted MA Roots Qiyara Damayanti Consulting 0.080866 0.070053 34.65297 102070.4 -430.8843 1.911491 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 22.93333 35.93448 9.951364 10.00805 7.478367 0.007598 -.26 Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 15
• 16. Uji Kecukupan: Pengujian Otokorelasi Fokus pada residual model. Pada masing-masing model: View Residual Test  Correlogram Q-statistics   Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 16
• 17. Uji Kecukupan : Pengujian Otokorelasi  Kedua model OK: terlihat dari ketidaksignifikanan nilai Q-stat di setiap lag.  Maka langkah terakhir pemilihan model akan bergantung pada nilai SC yang lebih kecil:  ARI (1) memiliki nilai SC sebesar 9.986.  IMA (1) sebesar 10.00805.  Model ARI(1) yang terbaik. MODEL Adjusted R square AIC SC IMA (1) ARI (1) ARIMA(1,1,1)* 0.070053 0.09082 0.084202 9.951364 9.929234 9.947766 10.00805 9.986311 10.03338 Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 17
• 18. Peramalan  Tipe Peramalan:    Back Cast Fore Cast Kriteria model peramalan terbaik:     Theil inequality coefficient < 0.2 Bias proportion < 0.2 Variance proportion < 0.2 Nilai covariance proportion mendekati 1. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 18
• 19. Peramalan: Kelayakan Model Terlihat bahwa nilai bias proportion nilainya 0.053880 (dibawah 0.2), sementara covariance proportion 0.856076 (hampir mendekati 1), maka model ini dapat meramal nilai GDP kedepan.  Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 19
• 20. Peramalan: Aplikasi  Perpanjang range data. Pada menu utama Eviews click procs-change workfile range-ubah end date menjadi 1992.1, karena bentuk data yang kuartalan-ok.  Ubah juga sampel data, procs-sample-ubah end date menjadi 1992.1-ok.   Kemudian kembali pada model ARI (1):   Procs  Make model  Solve Terbentuk variabel forecast gdpf dengan tambahan nilai konsumsi 1992.1. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: qiyara.ipromart.co.id 20

  arima,arima box jenkins,arima model,arima forecasting,arima time series,seasonal arima,arima pdf,arima minitab,arima spss,arima eviews,arima matlab,arima ppt,arima model pdf,arima excel,x-12-arima,arima models,x12 arima,proc arima,arima in excel,excel arima,r arima,arima software,arima model excel,arima r,box jenkins arima,arima stata,stata arima,arima meaning,Pengolahan data metode arima,olah data arima,olah data arima eviews,metode arima,metode arima box-jenkins,metode arima dalam teknik peramalan,peramalan dengan metode arima,langkah-langkah metode arima,metode arima dengan eviews

Data Panel: Modul dan Tutorial Data Panel

Modul Tutorial Data Panel

Modul Data Panel by qiyaraconsulting

Untuk mendapat filenya silakan kunjungi: http://qiyara.ipromart.co.id/tutorial/

• • 1. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id DATA PANEL DENGAN E-VIEWS Untuk keperluan pembelajaran, pada modul ini akan dipergunakan contoh kasus model pertumbuhan ekonomi regional di Indonesia. Modul ini akan menguji model pertumbuhan neoklasik (neoclassical growth model) untuk kasus Indonesia dengan hipotesis utama tentang konvergensi pendapatan (income convergence); yaitu kecenderungan dimana negara miskin tumbuh lebih cepat daripada negara kaya. Dengan mendasarkan diri pada “Barro Regression” (Barro: 1991, 1992, 1995), kita akan menguji hipotesis absolute convergence dengan mempergunakan persamaan berikut: (1 − e − βT ) ⋅ log( y ) + u  1   y iT  =a−   log  i0 i 0,T  T  T   yi 0  [1.1] dimana ui0,T merepresentasikan rata-rata error term uit antara waktu 0 dan T, dan intersep adalah a=x+[(1-e-βT)/T].log[ŷ*]. Sedangkan untuk menguji hipotesis conditional convergence, dimana kita berusaha untuk mempertahankan konstan steady-state dari masing-masing perekonomian, kita akan mengestimasi: (1 − e− βT ) ⋅ log( y ) +ψX + u  1   yiT    log   = a − i0 i ,t i 0 ,T T  T   yi 0  [1.2] dimana X adalah vektor dari variabel-variabel yang mempengaruhi steady-state perekonomian i. Untuk menguji hipotesis konvergensi, akan dipergunakan data 26 propinsi di Indonesia untuk periode waktu 1975-2000. Sebagai variabel dependent (Y) adalah tingkat pertumbuhan PDRB riil tahunan (growth) dan variabel independent (X) adalah PDRB per kapita riil pada awal observasi (pdrb) dan variabel-variabel yang mempengaruhi steady-state perekonomian yaitu secondary and upper educational attainment (educ), angka harapan hidup (lex), tingkat inflasi regional (inf), dan tingkat pertumbuhan transfer pemerintah pusat (trans). Studi-studi konvergensi awal, seperti Mankiw, Romer, dan Weil (1992) dan Barro (1991, 1992, 1995), banyak menggunakan model cross-section linear yang diestimasi dengan metode ordinary least squares (OLS). 1
  • 2. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id Jika kita menerapkan pendekatan ini untuk kasus kita diatas, maka kita akan menguji hipotesis model neoklasik dengan sebuah single cross-section equation untuk satu periode 1975-2000. Dengan merpergunakan data pada file Regresi_CrossSection.xls, maka kita akan dapatkan hasil estimasi dengan Eviews pada tabel 1 dan 2. Tabel 1: Regresi Konvergensi Absolut Dependent Variable: GROWTH Method: Least Squares Date: 12/08/05 Time: 22:04 Sample: 1 26 Included observations: 26 Variable Coefficient C 0.229692 LOG(PDRB) -0.015094 R-squared 0.588052 Adjusted R-squared 0.570888 S.E. of regression 0.011021 Sum squared resid 0.002915 Log likelihood 81.35555 Durbin-Watson stat 1.585783 Std. Error t-Statistic Prob. 0.032367 7.096584 0.0000 0.002579 -5.853186 0.0000 Mean dependent var 0.040667 S.D. dependent var 0.016824 Akaike info criterion -6.104273 Schwarz criterion -6.007496 F-statistic 34.25979 Prob(F-statistic) 0.000005 Tabel 2: Regresi Konvergensi Kondisional Dependent Variable: GROWTH Method: Least Squares Date: 12/08/05 Time: 20:57 Sample: 1 26 Included observations: 26 Variable Coefficient C 0.213956 LOG(PDRB) -0.015940 EDUC 0.000274 LOG(LEX) 0.005254 INF 0.005986 TRANS 0.004754 R-squared 0.642218 Adjusted R-squared 0.552772 S.E. of regression 0.011251 Sum squared resid 0.002532 Log likelihood 83.18820 Durbin-Watson stat 1.460876 Std. Error t-Statistic Prob. 0.052675 4.061820 0.0006 0.003317 -4.806203 0.0001 0.000587 0.465937 0.6463 0.006075 0.864789 0.3974 0.010467 0.571932 0.5737 0.005040 0.943257 0.3568 Mean dependent var 0.040667 S.D. dependent var 0.016824 Akaike info criterion -5.937553 Schwarz criterion -5.647223 F-statistic 7.179987 Prob(F-statistic) 0.000541 Terlihat bahwa hasil estimasi kurang memuaskan dimana hanya ada satu variabel penjelas yang signifikan yaitu pdrb. Walau demikian, angka R 2 dan DW-stat terlihat cukup baik. Kita juga gagal membuktikan hipotesis konvergensi kondisional dengan melihat koefisien PDRB per kapita awal yang tidak banyak berubah. 2
  • 3. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id Untuk kasus kita diatas, penggunaan metode OLS ini memberikan kita hasil yang kurang memuaskan karena regresi persamaan tunggal cross-section seperti ini akan menghadapi masalah bias spesifikasi (specification bias). Hal ini terjadi sebagai akibat dari perlakuan yang kurang tepat terhadap efek spesifik-daerah khususnya yang berasosiasi dengan perbedaan dalam teknologi dan selera. Selain itu, hal ini juga terjadi karena kita tidak mengetahui variabel-variabel apa saja yang seharusnya kita masukkan ke dalam persamaan sebagai determinan dari pertumbuhan ekonomi. Dengan kata lain, kita tidak tahu “regresi yang sesungguhnya”. Disini kita menghadapi masalah omitted variable bias. Persamaan regresi pertumbuhan antar daerah, secara implisit mengasumsikan bahwa semua daerah memiliki fungsi produksi yang sama, yang artinya semua perekonomian beroperasi pada tingkat efisiensi yang sama. Asumsi implisit ini terlihat kurang realistis. Dalam kenyataannya kita melihat perbedaan dalam metode produksi dan tingkat pengetahuan teknologi antar daerah sangat bervariasi. Karena itu sangat mungkin fungsi produksi antar daerah untuk bervariasi secara substansial. Persamaan regresi seperti diatas mungkin akan memperkirakan lebih rendah tingkat konvergensi karena tidak sepenuhnya mampu menangkap keseluruhan perbedaan dalam fungsi produksi antar daerah. Beberapa peneliti merekomendasikan penggunaan metode data panel untuk mengatasi masalah bias spesifikasi ini. Metode data panel dipertimbangkan mengingat pendekatan ini mungkin akan memuaskan karena metode ini mengizinkan kita untuk menghitung “efek spesifik-daerah” yang menandakan variasi dalam pendapatan per kapita yang terkait dengan karakteristik spesifik daerah. Dengan metode ini kita dapat mengkontrol kondisi steady-state setiap daerah dengan lebih baik. Pendekatan ini juga mungkin memuaskan karena ia dapat mengatasi kesulitan interpretasi terhadap homogenitas parameter yang biasa kita temui dalam regresi pertumbuhan cross-section konvensional. Untuk menganalisa kasus diatas dengan metode data panel, modul ini akan mempergunakan file data: Regresi_Panel-Data.xls. Struktur data terdiri dari 26 data cross-section yaitu 26 propinsi di Indonesia serta 5 data time-series yaitu periode tahun 1975-1980, 1980-1985, 1985-1990, 1990-1995, dan 1995-2000. Analisis data panel dengan program E-views secara umum terdiri dari langkah-langkah sebagai berikut: 3
  • 4. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id 1. Membuat Workfile untuk Data Panel 2. Membuat Pool Object 3. Mengimpor Data Panel 4. Estimasi Data Panel 1. Membuat Workfile untuk Data Panel Langkah pertama dalam pengolahan data panel dengan Eviews adalah membuat workfile. Tidak ada yang istimewa disini. Urutan langkah-langkahnya adalah: - Klik File - Klik New - Klik Workfile ... - Kemudian ketik frekuensi dan waktu untuk workfile data panel kita. Karena data kita terdiri dari data 26 propinsi dengan 5 periode rentang waktu, maka ... - Klik Annual - Ketik sembarang tahun yang menunjukkan 5 tahun. Misal, ketik Start date: 1901 dan End date: 1905 - Klik OK 4
  • 5. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id - Kita akan dapatkan sebuah workfile yang siap digunakan untuk analisa data panel dengan rentang waktu (time-series) 5 tahun. 2. Membuat Pool Object Aspek terpenting dalam pool object adalah daftar nama cross-section dari data panel kita. Untuk alasan teknis, nama cross-section sebaiknya harus singkat. Pool object adalah deskripsi yang menggambarkan struktur data yang melandasi data panel kita. Urutan langkah membuat pool object adalah: - Klik Objects - Klik New object - Klik Pool ... 5
  • 6. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id - Klik OK - Maka akan terlihat pool window di layar monitor. - Ketik kemudian cross-section identifiers pada kolom edit di pool window. - Pergunakan tanda “_” untuk mengawali nama cross-section identifiers - Untuk 26 propinsi di Indonesia, cross-section identifiers akan nampak seperti pada gambar berikutnya. - Setelah itu, simpan pool dengan cara meng-klik Name... pada pool window. - Beri nama sesuai dengan keinginan pada kolom edit yang tersedia. - Pemberian nama pool ini dapat juga dilakukan langsung pada saat kita mengklik pool pada pertama kali object window terbuka. Lihat gambar sebelumnya. 6
  • 7. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id 3. Mengimpor Data Panel Untuk alasan kenyamanan dan kemudahan, disarankan untuk menyimpan data dalam format Ms Excel. Dari Excel, data dapat diimpor dengan mudah ke Eviews. Terdapat beberapa cara untuk mengimpor data panel. Dalam modul ini kita hanya berhubungan dengan balanced data; yaitu kasus dimana setiap cross-section atau time series memiliki jumlah observasi yang sama, sehingga total observasi yang kita miliki adalah N.T dimana N=jumlah cross-section dan T=jumlah time-series. Jika ada data yang hilang sehingga jumlah observasi tidak sama, maka kita menghadapi kasus unbalanced data yang merupakan topik lanjutan dalam pengolahan data panel dan berada di luar pembahasan modul ini. Selain itu, sebelum melakukan impor data panel, terlebih dahulu kita harus mengetahui struktur data time-series dan cross-section serta membedakan pengaturan data panel yaitu dalam bentuk unstacked data dan stacked data. Unstacked data Pada bentuk data ini, observasi pada variabel tertentu untuk cross-section tertentu dikelompokkan secara bersama-sama. Contoh: c_usa c_kor c_jpn g_usa g_kor g_jpn 7
  • 8. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id 1990 1991 1992 ... Disini, C adalah konsumsi dan G adalah pengeluaran pemerintah. Setiap negara (USA, Korea, dan Japan) memiliki kolom terpisah untuk C dan G masing-masing. Stacked data Pada bentuk data ini, data seluruh variabel dikelompokkan secara bersama-sama, sehingga setiap kolom mencerminkan variabel. Terdapat dua jenis stacked data yaitu: a. Stacked data by cross-section Pada bentuk data ini, data diurutkan menurut cross-section. Contoh: id _usa ... _usa _kor ... _kor _jpn ... _jpn Year 1990 ... 2000 1990 ... 2000 1990 ... 2000 c g b. Stacked data by date Pada bentuk data ini, data diurutkan menurut date. Contoh: year 1990 1990 1990 ... 2000 2000 2000 Id _usa _kor _jpn ... _usa _kor _jpn c g Setelah memahami hal diatas, kini kita siap untuk mengimpor data panel ke dalam Eviews. Tempatkan data dalam format Excel. Ketik sesuai dengan salah satu 8
  • 9. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id cara pengaturan diatas. Dalam file Regresi_Panel-data.xls data diatur dalam bentuk stacked by date. Urutan langkah mengimpor data panel ke dalam Eviews adalah: - Klik Procs pada pool window - Klik Import Pool Data (ASCII, XLS,WK?) ... - Pada layar kemudian akan muncul open window - Temukan dimana file data kita disimpan, pilih Regresi_Panel-Data.xls, kemudian klik open - Pada layar akan muncul Excel Spreadsheet Import window - Karena kita menggunakan bentuk pengaturan data stacked by date, maka pilihlah: series order= in columns dan group observation= by cross-section. - Ketik kemudian nama semua variabel kita pada tempat yang telah disediakan, dengan ketentuan: penulisan antar variabel diselingi spasi satu dan setiap variabel diakhiri tanda ? - Untuk kasus kita diatas, ketiklah: growth? pdrb? educ? lex? inf? trans? - Tampilan Excel Spreadsheet Import window akan menjadi seperti gambar ini. - Klik OK - Kini data telah diimpor ke Eviews dan siap untuk diolah. 9
  •  SUR : GLS menggunakan estimasi residual covariance matrix cross section. Metode ini mengoreksi baik heteroskedastisitas maupun autokorelasi antar unit cross-section. 10§ Cross-Section Weights : GLS dengan menggunakan estimasi varians residual cross section. Digunakan apabila ada asumsi bahwa terdapat cross section heteroskedasticity. § No Weighting : semua observasi diberi bobot yang sama. §10. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id 4. Estimasi Data Panel Sebagaimana telah dibahas pada materi, bahwa dalam analisis data panel kita memiliki beberapa pilihan-pilihan yaitu dengan metode PLS (pooled least squares), FEM (fixed effect model), atau REM (random effect model). Urutan langkah untuk melakukan estimasi dalam data panel adalah: - Klik Estimate pada pool window kita. - Pada layar kemudian akan muncul pooled estimation window - Terdapat beberapa fitur utama pada pooled estimation window yaitu: o Dependent variable; adalah tempat kita menuliskan variabel dependent (Y) untuk data panel. Dalam kasus kita diatas, Y = growth? o Common coefficents; adalah tempat kita menuliskan variabel penjelas (X) dengan slope koefisien yang konstan. Dalam kasus kita diatas, X = log(pdrb?) educ? log(lex?) inf? trans? o Cross-section specific coefficients; adalah tempat kita menuliskan variabel penjelas (X) dengan slope koefisien yang berbeda untuk setiap unit cross-section. o Intercept; adalah pilihan untuk asumsi intercept, apakah mengikuti asumsi PLS, FEM, atau REM. o Weighting; adalah pilihan untuk pembobotan yaitu:
  • 11. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id - Selain fitur utama, terdapat pilihan tambahan yang dapat dipilih yaitu: o White Heteroskedasticity covariance: Eviews mengestimasi covariance yang akan menghasilkan general heteroskedasticity; format ini lebih umum dari cross section heteroskedasticity di atas di mana variance dalam tiap unit cross section diizinkan untuk berbeda untuk tiap unit time series. o Iterate to Convergence : Eviews akan terus meng-update pembobot (weights) dan koefisien sampai mencapai konvergensi. Dalam kasus kita diatas, kita akan memiliki dua skenario berikut: 1. Regresi untuk konvergensi absolut o Klik Estimate pada pool window kita. o Ketik growth? pada dependent variabe o Ketik log(pdrb?) pada common coefficients o Pilih fixed effects pada intercept o Pilih cross-section weights pada weighting o Klik OK 11
  • 12. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id Dependent Variable: GROWTH? Method: GLS (Cross Section Weights) Date: 12/08/05 Time: 22:19 Sample: 1901 1905 Included observations: 5 Number of cross-sections used: 26 Total panel (balanced) observations: 130 One-step weighting matrix Variable Coefficient Std. Error t-Statistic LOG(PDRB?) -0.017269 0.002050 -8.423665 Fixed Effects _ACEH--C 0.294528 _SUMUT--C 0.263274 _SUMBAR--C 0.274427 _RIAU--C 0.298392 _JAMBI--C 0.284905 _SUMSEL--C 0.248926 _BENGKULU--C 0.265552 _LAMPUNG--C 0.277618 _DKI--C 0.251854 _JABAR--C 0.254435 _JATENG--C 0.252185 _DIY--C 0.266324 _JATIM--C 0.273989 _BALI--C 0.268498 _NTB--C 0.261194 _NTT--C 0.274980 _KALBAR--C 0.264951 _KALTENG--C 0.286785 _KALSEL--C 0.281322 _KALTIM--C 0.280516 _SULUT--C 0.262019 _SULTENG--C 0.249130 _SULTRA--C 0.242042 _SULSEL--C 0.243294 _MALUKU--C 0.253103 _IRJA--C 0.232443 Weighted Statistics R-squared 0.806834 Mean dependent var Adjusted R-squared 0.758074 S.D. dependent var S.E. of regression 0.030252 Sum squared resid F-statistic 16.54693 Durbin-Watson stat Prob(F-statistic) 0.000000 Unweighted Statistics R-squared 0.442582 Mean dependent var Adjusted R-squared 0.301874 S.D. dependent var S.E. of regression 0.030268 Sum squared resid Durbin-Watson stat 2.040500 Prob. 0.0000 0.071177 0.061505 0.094264 2.566027 0.040667 0.036226 0.094365 2. Regresi untuk konvergensi kondisional 12
  • 13. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id o Klik Estimate pada pool window kita. o Ketik growth? pada dependent variabe o Ketik log(pdrb?) educ? log(lex?) inf? trans? pada common coefficients o Pilih fixed effects pada intercept o Pilih cross-section weights pada weighting o Klik OK Dependent Variable: GROWTH? Method: GLS (Cross Section Weights) Date: 12/08/05 Time: 22:25 Sample: 1901 1905 Included observations: 5 Number of cross-sections used: 26 Total panel (balanced) observations: 130 One-step weighting matrix Variable Coefficient Std. Error LOG(PDRB?) -0.020151 0.002309 EDUC? 0.094658 0.023149 LOG(LEX?) -0.005753 0.019347 INF? -0.004196 0.013513 TRANS? 0.000402 0.006784 Fixed Effects _ACEH--C 0.349572 _SUMUT--C 0.316335 _SUMBAR--C 0.327502 _RIAU--C 0.354583 _JAMBI--C 0.336469 _SUMSEL--C 0.301308 _BENGKULU--C 0.313732 _LAMPUNG--C 0.328407 _DKI--C 0.303234 _JABAR--C 0.303235 _JATENG--C 0.297486 _DIY--C 0.314321 _JATIM--C 0.316371 _BALI--C 0.317324 _NTB--C 0.306085 _NTT--C 0.318606 _KALBAR--C 0.306579 _KALTENG--C 0.325154 _KALSEL--C 0.326679 _KALTIM--C 0.320543 _SULUT--C 0.302759 _SULTENG--C 0.286958 _SULTRA--C 0.278609 _SULSEL--C 0.282808 _MALUKU--C 0.291696 _IRJA--C 0.270648 Weighted Statistics t-Statistic -8.727343 4.088989 -0.297382 -0.310542 0.059324 Prob. 0.0000 0.0001 0.7668 0.7568 0.9528 13
  • 14. Qiyara Consulting Info lengkap buka http://qiyara.ipromart.co.id R-squared Adjusted R-squared S.E. of regression F-statistic Prob(F-statistic) R-squared Adjusted R-squared S.E. of regression Durbin-Watson stat 0.881503 Mean dependent var 0.845595 S.D. dependent var 0.029923 Sum squared resid 24.54875 Durbin-Watson stat 0.000000 Unweighted Statistics 0.458427 Mean dependent var 0.294313 S.D. dependent var 0.030432 Sum squared resid 2.042965 0.078655 0.076150 0.088641 2.594638 0.040667 0.036226 0.091683
   

data panel,panel data,panel data analysis,panel data regression,unbalanced panel data,panel data econometrics,dynamic panel data,econometric analysis of panel data,panel data stata,panel data eviews,panel data analysis spss,unbalanced panel data stata,analysis panel data,data panels,data panel corporation,panel data model,panel data models,panel data estimation,panel data set,advantages of panel data,panel data definition,example of panel data,stata panel data,household panel data,household panel data,panel data analysis stata,panel data in stata,analysis of panel data,cross panel data,data panel, panel data, eviews, stata, spss, oxmetrics     [caption id="attachment_695" align="alignnone" width="611"] data panel[/caption]