1
Difference in Difference dan Coarsened Exact Matching
dalam Penelitian Akuntansi
2
Daftar Isi
Daftar Isi ............................................................................ 2
Prakata .............................................................................. 3
BAB 1 Gambaran Umum Stata ....................................... 6
Interface Stata 14.0 ................................................ 7
Petunjuk Umum Penggunaan Stata ........................ 8
BAB 2 Studi Kasus ............................................................ 12
Gambaran Umum Kasus ........................................ 12
Sampel dan Sumber Data ....................................... 14
Struktur File ........................................................... 15
Definisi Operasional Variabel ................................ 17
Hipotesis dan Model Penelitian .............................. 19
BAB 3 Mulai Bekerja dengan Stata ................................. 22
Working Directory dan Log di Stata ....................... 22
Preparing Dataset .................................................. 24
Statistik Deskriptif ................................................. 30
Pearson Correlation .............................................. 32
Independent T-Test ................................................. 36
Regresi Logistik ..................................................... 38
Regresi OLS - Clustered Two Dimensions ............. 42
Metode Difference-in-difference ............................ 47
Analisis Tambahan – Sub Sample ........................... 55
Analisis Tambahan - Coarsened Exact Matching
(CEM) .................................................................... 72
Dokumentasi Hasil Analisis ................................... 81
Daftar Pustaka .................................................................. 88
3
Prakata
Indonesia memiliki beragam permasalahan sosial yang
harus diselesaikan dengan baik. Salah satu aspek yang perlu
dipertimbangkan dalam pembuatan kebijakan untuk
menyelesaikan masalah sosial adalah melalui hasil dan
rekomendasi riset sosial. Oleh sebab itu, peran dari para peneliti
dan akademisi di bidang sosial untuk menghasilkan riset yang
berkualitas sangat dibutuhkan.
Untuk menghasilkan kualitas dan penelitian dan
publikasi internasional yang baik di bidang ilmu sosial
(khususnya di bidang akuntansi, bisnis, dan manajemen),
dibutuhkan pemahaman yang kuat tentang metodologi
penelitian, meliputi proses pengolahan dan analisis data. Riset
yang berkualitas juga harus didukung dengan metodologi yang
berkualitas.
Penelitian dan statistika merupakan dua hal yang tidak
bisa dipisahkan. Pemahaman dan pengaplikasian atas alat
statistik sangat dibutuhkan dalam menghasilkan riset yang
berkualitas. Salah satu alat statistik yang umum digunakan
dalam penelitian sosial adalah Stata.
Stata merupakan salah satu software analisis data
statistik yang populer digunakan pada berbagi publikasi jurnal
internasional, khususnya pada jurnal-jurnal terindeks Scopus.
Stata merupakan perangkat lunak terintegrasi yang memiliki
fitur lengkap untuk memenuhi kebutuhan analisis data. Stata
juga terbukti sangat powerfull karena bisa dengan mudah dan
cepat mengolah data dalam jumlah besar menggunakan
berbagai jenis pengujian statistik.
Buku ini berfokus pada bagaimana cara mengolah dan
menyajikan data penelitian yang sesuai dengan standar
4
internasional, menggunakan software Stata. Buku ini
menyediakan deskripsi ringkas mengenai cara menggunakan
Stata versi 14.0 dalam menghasilkan suatu riset ilmiah. Secara
khusus, buku ini menjelaskan langkah-langkah teknis dalam
melakukan pengolahan data, analisis data, dan penyajian data
dengan menggunakan berbagai metode analisis, seperti statistik
deskriptif, pearson correlation, independent t-test, regresi
logistik, dan regresi OLS – clustered two dimensions,
difference-in-difference (DID), dan coarsened exact matching
(CEM). Buku ini relevan untuk para mahasiswa dari strata 1
hingga tingkat doktoral, akademisi, peneliti dan praktisi yang
ingin melakukan riset di bidang sosial, khususnya yang ingin
mengkaji isu-isu terkini di bidang akuntansi, bisnis, dan
manajemen.
Buku ini terdiri dari tiga BAB, dimana masing-masing
BAB memiliki sub pembahasan terperinci. BAB 1
menguraikan gambaran umum mengenai software Stata,
meliputi tampilan awal dan berbagai ikon yang ada
didalamnya; menjelaskan aturan dasar pengoperasian Stata
yang perlu diketahui; dan memperkenalkan perintah
(command) umum yang digunakan dalam Stata. Tujuan dari
pembahasan bab ini adalah agar pembaca dapat memahami
lebih dalam mengenai bagaimana cara menggunakan software
Stata secara umum.
BAB 2 menguraikan mengenai contoh kasus penelitian
di bidang akuntansi dan bisnis. Ilustrasi dan studi kasus yang
diuraikan diharapkan dapat memberikan gambaran yang jelas
terkait dengan variabel-variabel yang digunakan, sehingga
pembaca dapat memahami bagaimana ciri-ciri penelitian yang
dapat dihasilkan dengan menggunakan software Stata.
5
BAB 3 merupakan inti dari buku ini. Dalam bab ini
dibahas langkah-langkah teknis menggunakan Stata
berdasarkan studi kasus yang telah diuraikan. Secara khusus,
pada bab ini akan dibahas bagaimana teknis menggunakan
Stata untuk melakukan berbagai metode analisis, seperti
statistik deskriptif, pearson correlation, independent t-test,
regresi logistik, dan regresi OLS – clustered two dimensions,
difference-in-difference (DID), dan coarsened exact matching
(CEM). Tujuannya adalah agar pembaca juga ikut
mempraktekkan sehingga pembaca dapat lebih memahami
kegunaan beberapa command dalam Stata. Selain itu,
diharapkan pembaca dapat melakukan pengolahan data
menggunakan software Stata untuk menghasilkan penelitian
lain yang serupa.
Selaras dengan kebijakan Kementrian Riset Teknologi
dan Pendidikan Tinggi Republik Indonesia, diharapkan buku
ini dapat meningkatkan kuantitas dan kualitas publikasi
internasional. Rasa terima kasih kasih juga kami sampaikan
kepada Tuhan Yang Maha Esa dan pihak-pihak terkait yang
telah mencurahkan ilmu serta pengetahuannya, sehingga kami
dapat menyelesaikan buku ini.
Penulis,
6
BAB 1
Gambaran Umum Stata
Stata merupakan program statistik yang memiliki fungsi
statistik yang relatif lengkap dibandingkan dengan software
statistik lainnya. Ini menjadikan Stata salah satu program
paling populer yang digunakan oleh peneliti-peneliti dari
berbagai kalangan. Stata dapat digunakan untuk mengolah data
panel, yaitu gabungan dari data cross section dan time series.
Stata juga mampu mengolah data dengan jumlah variabel yang
cukup banyak atau jumlah observasi yang besar, serta mampu
mengolah data dengan tingkat akurasi tinggi.
Stata adalah perangkat lunak terintegrasi yang lengkap
yang dapat memenuhi kebutuhan untuk pengolahan data,
seperti data manipulation, data visualization, statistic dan
reproducible reporting. Stata juga terbukti sangat powerfull
karena bisa dengan cepat dan mudah mengolah data dalam
jumlah besar menggunakan berbagai jenis uji statistik, seperti
deskriptif statistik, uji t (t-test), uji korelasi pearson (pearson
correlation), dan analisis regresi.
Diluar dari kemampuan analisisnya, Stata memiliki
beberapa kelebihan yaitu terdapat fitur online help dan online
update. Online help dapat digunakan untuk mencari keterangan
tentang syntax atau perintah atau command yang dibutuhkan
untuk analisis, sedangkan online update dapat menyediakan
update fungsi-fungsi statistik yang terbaru dan lebih advance
tanpa harus melakukan update software. Selain itu, Stata
didukung dengan tampilan antarmuka ketik dan klik, sehingga
menjadikannya sebagai software yang praktis, cepat, akurat
dan mudah digunakan.
7
Interface Stata 14.0
Tampilan antarmuka Stata 14.0 cukup sederhana dan
mudah dipahami. Stata secara bersamaan juga mampu
menampilkan tiga hal yang berbeda (perintah yang diberikan,
dataset penelitian, dan hasil analisis) secara bersamaan,
sehingga pengguna akan lebih efektif dan efisisen selama
proses pengolahan dan analisis data.
Untuk membuka Stata 14.0 dapat dilakukan dengan cara
double click ikon Stata pada desktop computer pengguna. Stata
memiliki lima window utama, yaitu command window, result
window, review window, variable window, dan properties
window. Masing-masing window memiliki fungsi yang
berbeda-beda. Jika salah satu window tidak muncul, Anda
dapat membukanya menggunakan menu dropdown window
yang ada pada bagian toolbar atau dapat juga dilakukan dengan
menggunakan shortcut.
Berikut ini merupakan penjelasan mengenai bagian-
bagian dari tampilan utama Stata 14.0:
1. command window (Ctrl+1)
Tempat untuk mengetikkan perintah (command) secara
interaktif. Setelah mengetik perintah yang diinginkan
pengguna dapat menekan tombol ‘Enter’ pada keyboard dan
melihat hasilnya pada result window. Warna merah
mmengindikasikan bahwa perintah gagal dan warna hitam
menandakan perintah berhasil.
2. result window (Ctrl+2)
Menampilkan hasil dari perintah yang telah dijalankan.
Pada bagian ini, Stata akan menampilkan syntax atau
perintah analisis (deskriptif, regresi, dll) beserta dengan
hasilnya. Pengguna bisa menyalin hasil analisis data pada
layar ini sebagai dokumentasi hasil penelitian.
8
3. review window (Ctrl+3)
Menampilkan seluruh perintah yang pernah dijalankan
sebelumnya di Stata melalui command window. Disini
pengguna bisa mencari dan memilih perintah apa yang ingin
disimpan dan dihapus. Perintah yang pernah diberikan dapat
juga disimpan dalam bentuk do-file, sehingga pengguna
perlu menyalin perintah tersebut dan menyimpannya ke
dalam do-file. Perintah yang disimpan dalam do-file dapat
dijalankan kembali pada dataset yang sama untuk
mengulang kembali proses pengolahan data.
4. variable window (Ctrl+4)
Menampilkan daftar nama variabel beserta keterangan
variabel penelitian yang sedang aktif atau yang ada dalam
dataset atau memori.
5. properties window (Ctrl+5)
Menampilkan keterangan tentang variabel yang dipilih dan
dataset penelitian yang digunakan. Untuk menampilkan
detail per-variabel pengguna hanya perlu mengklik nama
variabel pada variable window. Sedangkan detail dataset
yang ditampilkan meliputi jumlah variabel, jumlah sampel
dan ukuran file.
Selain itu, pada bagian toolbar terdapat opsi File, Edit,
Prefs, Data, Graphics, Statistics, Users, Windows, dan Help
untuk mempermudah pengguna. Opsi Graphics dan Statistics
merupakan dua opsi utama yang biasanya digunakan untuk
melakukan analisis statistik.
Petunjuk Umum Penggunaan Stata
Terdapat beberapa hal yang perlu diperhatikan saat
mengolah data dengan Stata agar lebih efektif dan efisien.
9
Adapun beberapa petunjuk penting yang perlu diperhatikan,
antara lain:
a. Penulisan command harus menggunakan huruf kecil
Saat mengetikkan command pada command window wajib
menggunakan huruf kecil. Pada saat pengguna
menggunakan huruf kapital pada perintah, secara otomatis
perintah tersebut akan dianggap salah dan perintah tersebut
akan gagal dieksekusi atau dijalankan.
b. Penamaan variabel penelitian menggunakan satu kata
Pengguna perlu mewaspadai penamaan variabel penelitian.
Penamaan variabel dengan lebih dari satu kata harus
dihindari karena Stata hanya akan membaca nama variabel
pada kata pertama. Jika tidak memungkinkan menggunakan
satu kata maka dapat dihubungkan menggunakan tanda
hubung underscore ‘_’. Apabila variabel terdiri dari dua
kata, namun tidak dipisahkan dengan menggunakan
underscore maka akan terjadi syntax error. Namun,
penamaan variabel dengan satu kata dipandang lebih efektif
dan efisisen dalam pengolahan data.
c. Tidak ada perintah undo di Stata
Perintah yang sudah dieksekusi atau dijalankan tidak dapat
ditarik kembali di Stata, sehingga pengguna harus berhati-
hati sebelum menjalankan perintah. Solusi yang mungkin
dilakukan ketika terjadi kesalahan pemberian perintah
adalah membersihkan memory yang sudah terekam di Stata,
kemudian mengulang kembali proses analisis data, dengan
mengetikkan kembali perintah yang sama. Untuk
menghindari hal yang tidak dinginkan, pengguna
hendaknya menyimpan dataset awal dalam file yang
berbeda, sehingga pengguna memiliki backup data.
Selanjutnya, setiap kali pengguna melakukan perubahan
10
dataset, hendaknya pengguna menyimpan perubahan
dataset tersebut menggunakan nama file baru yang berbeda
dengan nama dataset awal. Selain itu, pengguna juga dapat
menggunakan do-file untuk melihat perintah yang telah
dikerjakan sebelumnya. Fitur do-file memungkinkan
pengguna mengulang sama persis perintah-perintah yang
telah dilakukan pada dataset.
d. Warna merah menunjukkan bahwa command tidak tepat
Stata juga dapat membantu kita mengidentifikasi apakah
syntax atau perintah yang digunakan sudah tepat atau salah,
melalui warna pada result window. Apabila pada result
window menampilkan warna merah, maka mengindikasikan
bahwa terdapat kesalahan pada perintah atau command. Hal
ini disebabkan karena pengguna salah mengetikkan perintah
atau karena perintah yang dimasukkan tidak tepat.
Pengguna tidak perlu khawatir ketika salah memasukkan
perintah dan muncul warna merah pada result window,
karena Stata secara otomatis tidak akan memproses perintah
yang salah dimasukkan. Penyebab kesalahan juga dapat
dilihat dengan klik link biru yang yang muncul pada result
window, dibawah tulisan yang berwana merah atau pada
bagian akhir. Link tersebut akan mengarah pada berbagai
penjelasan dari Stata secara online maupun offline terkait
penyebab kesalahan syntax.
e. Selalu dokumentasikan hasil pengolahan data
Hasil syntax yang muncul pada result window sebaiknya
selalu didokumentasikan agar bisa dilakukan kembali ketika
terjadi error. Syntax dapat di duplikasi (coppy-paste) ke
program lain, seperti Microsoft Word atau Notepad. Untuk
menduplikasi, pengguna dapat meng-highlight hasil syntax
yang akan diduplikasi, kemudian klik kanan akan muncul
11
beberapa jenis pilihan coppy. Opsi coppy akan
menghasilkan teks, coppy table akan menghasilkan tabel,
dan coppy as picture akan menghasilkan gambar seperti
yang ada pada tampilan Stata. Selain itu, pengguna juga
dapat menggunakan fitur log untuk merekam seluruh
kegiatan yang dilakukan dengan Stata mulai dari awal
hingga akhir.
f. Terdapat beberapa fitur yang memerlukan koneksi internet
Beberapa fitur dalam Stata mungkin memerlukan koneksi
internet untuk dapat digunakan. Apabila command tidak
bisa dieksekusi, bisa jadi ada fitur yang perlu di install
terlebih dahulu. Proses instalasi hanya perlu dilakukan satu
kali pada tiap komputer sehingga pengguna tidak perlu
selalu terkoneksi dengan internet. Namun, pada saat
pertama kali melakukan instalasi komputer harus terhubung
dengan internet.
g. Gunakan fitur Help jika menemui kesulitan
Fitur help memungkinkan pengguna menemukan solusi
ketika menemukan masalah terkait pengolahan data di Stata,
baik secara online maupun offline. Ketika kita salah
mengetikkan perintah, Stata juga akan menunjukkan letak
kesalahan dengan memberikan kode error, yang ketika di
klik akan mengarah pada penjelasan dan solusinya.
Pengguna juga dapat mengunjungi berbagai forum diskusi
online seperti www.statalist.org ketika mengalami
kesulitan. Forum diskusi dapat membantu pengguna untuk
lebih memahami cara menyelesaikan masalah dan
memberikan kemudahan untuk memahami berbagai
informasi mengenai berbagai pengolahan statistik.
12
BAB 2
Studi Kasus
Gambaran Umum Kasus
Contoh kasus yang digunakan dalam buku ini mengacu
pada working paper penelitian yang berjudul “Koneksi Politik
dan Stock Price Crash Risk: Bukti Empiris dari Kejatuhan
Suharto”. Penelitian tersebut bertujuan untuk menyelidiki
hubungan antara koneksi politik di perusahaan dengan stock
price crash risk di Indonesia. Secara konseptual, stock price
crash risk didasarkan pada kecenderungan manajer untuk
menahan berita buruk, yang menyebabkan berita buruk
ditimbun di dalam perusahaan. Pada titik tertentu, harga saham
menjadi terlalu mahal atau tidak mungkin bagi manajer untuk
menahan berita buruk lagi. Ketika titik tersebut tiba, semua
berita buruk yang tersembunyi akan terungkap ke pasar
sehingga, menghasilkan penurunan yang signifikan, yang
disebut stock price crash (Kim et al., 2011).
Penelitian tersebut menggunakan tiga jenis variabel
dependen, sehingga metode analisis regresi yang digunakan
menyesuaikan jenis variabel dependennya. Penelitian tersebut
menggunakan metode analisis regresi logistik dikarenakan
variabel dependen yang digunakan ada yang berbentuk dummy.
Untuk variabel dependen lainnya yang berbentuk kontinu
dianalisis dengan metode regresi OLS – clustered two
dimensions. Penelitian tersebut juga menggunakan metode
analisis difference-in-difference (DID) untuk menangani
masalah endogenitas yaitu self selection bias, pada perusahaan
yang terhubung secara politik. Lebih lanjut, untuk
meningkatkan estimasi efek sebab akibat dan untuk
mempertanggungjawabkan perbedaan yang ada, penelitian
13
tersebut menggunakan metode coarsened exact matching
(CEM).
Sampel dalam penelitian tersebut menggunakan 730
observasi perusahaan-tahun yang terdiri dari seluruh
perusahaan non keuangan yang terdaftar di Bursa Efek
Indonesia (BEI) untuk periode yang mencakup 1995 hingga
2001.
Membangun koneksi politik di dalam perusahaan dapat
menghasilkan manfaat dan juga biaya untuk perusahaan.
Kehadiran politisi di dalam perusahaan dapat membawa
manfaat melalui jaringan dan kekuatan mereka untuk
mendukung perusahaan. Sebaliknya, kehadirannya juga dapat
meningkatkan risiko perusahaan karena adanya potensi konflik
kepentingan.
Hasil penelitian tersebut menunjukkan bahwa
perusahaan-perusahaan yang terhubung secara politik terkait
dengan stock price crash risk yang lebih rendah. Hal itu
menunjukkan bahwa koneksi politik yang ada dalam
perusahaan dapat membantu perusahaan untuk mengurangi
kemungkinan terjadinya risiko jatuhnya harga saham
perusahaan (stock price crash risk). Selain itu, momentum
pengunduran diri Suharto (mantan Presiden Indonesia) secara
mendadak digunakan untuk menunjukkan bahwa perusahaan-
perusahaan dengan koneksi politik lebih cenderung memiliki
kemungkinan stock price crash risk yang lebih tinggi setelah
koneksi yang mereka miliki jatuh dari kekuasaan, yaitu setelah
Suharto turun dari jabatan kepresidenannya. Hasil ini
menyiratkan bahwa biaya memiliki koneksi politik muncul
setelah koneksi yang dimiliki perusahaan kehilangan kekuatan.
Selain itu, penelitian tersebut juga menemukan bahwa
asosiasi negatif antara koneksi politik dan stock price crash risk
14
lebih jelas jika dilihat pada perusahaan dengan struktur
perusahaan yang lebih kompleks. Penelitian tersebut
memberikan pemahaman dan menghasilkan informasi yang
lebih baik tentang bagaimana koneksi politik mempengaruhi
risiko jatuhnya harga saham perusahaan (stock price crash
risk).
Sampel dan Sumber Data
Sampel dalam penelitian tersebut mencakup seluruh
perusahaan yang terdaftar di Bursa Efek Indonesia periode dari
1995 hingga 2001. Sampel dalam penelitian tersebut sebanyak
730 observasi perusahaan-tahun. Sumber data untuk data
koneksi politik diperoleh dari Indonesia Capital Market
Directory (ICMD), sedangkan data untuk jumlah total
perusahaan diperoleh melalui Osiris. Data-data Akuntansi dan
Keuangan diperoleh dari Compustat Global.
Penelitian ini menggunakan sistem Standard Industrial
Classification (SIC) dua digit untuk mengklasifikasikan
berbagai sektor industri. Penelitian tersebut juga menggunakan
beberapa kriteria untuk menentukan sampel (sample selection
criteria). Pertama, data Compustat yang missing dikecualikan
dari observasi. Kemudian data harga saham, pengembalian, dan
volume perdagangan yang missing dalam memperkirakan
ukuran risiko stock price crash risk juga dikecualikan dari
observasi. Selanjutnya, data-data untuk menyusun variabel
kontrol dalam penelitian tersebut juga dikecualikan. Untuk
melakukan pengujian dengan metode difference-in-difference
(DID), penelitian tersebut mengecualikan tahun ketika Suharto
mengundurkan diri (1998) untuk mendapatkan periode pra-
acara dan pasca-acara yang tidak ambigu.
15
Struktur File
File yang digunakan dan dihasilkan dalam latihan ini
dapat diunduh melalui website Center for Politics, Economics,
and Business Research (CPEBR). File yang ditautkan dalam
website ini mencakup seluruh dataset dan file-file lainnya yang
digunakan untuk tujuan pelatihan Stata dengan menggunakan
studi kasus yang dibahas di awal subbab ini. Langkah-langkah
untuk mengakses file penelitian tersebut adalah sebagai
berikut:
1. Kunjungin website CPEBR (https://www.cpebr.com/)
2. Klik dropdown menu Download
3. Lihat pada bagian Book 1 – Political Connection & Stock
Price Crash Risk
4. Download seluruh file yang dibutuhkan. File yang ditautkan
meliputi file-file yang digunakan dalam penelitian ini.
Latihan dalam buku ini menggunakan dan menghasilkan
beberapa file. Ada yang berisi kumpulan data (diidentifikasi
melalui *.dta), ada juga yang berisi program Stata
(diidentifikasi melalui *.do), ada yang berisi output dari
pekerjaan yang telah dilakukan di Stata (diidentifikasi melalui
*.log), dan tabel hasil analisis data menggunakan berbagai
pengujian di Stata (diidentifikasi melalui *.rtf).
Dalam penelitian ini, dataset utama yang digunakan
sudah dalam bentuk file Stata. Nama file nya adalah
stockcrash_suharto_final.dta. File ini berisi variabel-variabel
yang digunakan dalam penelitian, yaitu sebanyak 12 variabel
utama, yang akan dijelaskan detailnya pada bagian selanjutnya.
Data ini terdiri dari 730 observasi yang menjadi sampel utama
dalam penelitian. Selain itu, file ini juga berisi variabel-variabel
lain yang menunjukkan identitas data yang digunakan, seperti
16
company_name; ticker; isin; year; sic; gvkey; dan
no_subsidiaries.
Detail dari variabel-variabel tersebut adalah sebagai
berikut:
a. company_name: nama lengkap perusahaan observasi
b. ticker: kode unik untuk mengidentifikasi saham perusahaan
yang diperdagangkan di publik.
c. isin: kode alfanumerik yang diakui secara internasional
untuk mengidentifikasi perusahaan observasi
d. year: periode tahun fiskal observasi
e. sic: kode klasifikasi industri untuk perusahaan observasi
f. gvkey: kode unik yang ditetapkan untuk setiap perusahaan
dalam database Capital IQ Compustat
g. no_subsidiaries: jumlah anak perusahaan observasi.
Variabel no_subsidiaries dalam penelitian ini digunakan
untuk menentukan perusahaan yang kompleks dan yang kurang
kompleks.
Selanjutnya, berikut ini adalah deskripsi mengenai
subset file lainnya yang digunakan atau yang telah dihasilkan
dalam latihan ini:
a. stockcrash_suharto_run.do. Berisi semua command Stata
yang diperlukan untuk mengimplementasikan cara
pengolahan dan analisis data terkait dengan kasus yang
dibahas, yang akan dijelaskan pada bagian selanjutnya.
Segmen dalam file ini dapat dijalankan satu per satu atau
secara keseluruhan.
b. stockcrash_suharto_record.log. Berisi semua output yang
dihasilkan pada result window setelah menjalankan
command yang ada di file stockcrash_suharto_run.do.
c. descriptive_statistics_final.rtf. Berisi tabel hasil analisis
statistik deskriptif.
17
d. pearson_correlation_final.rtf. Berisi tabel hasil analisis
korelasi Pearson.
e. independent_ttest_final.rtf. Berisi tabel hasil analisis
independent t-test.
f. logistic_regression_final.rtf. Berisi tabel hasil regresi
logistik dan regresi OLS clustered two dimensions.
g. did_regression_final.rtf. Berisi tabel hasil regresi dengan
metode difference-in-difference (DID).
h. complex_regression_final.rtf. Berisi tabel hasil regresi
logistik dan regresi OLS clustered two dimensions pada sub-
sampel perusahaan yang kompleks dan perusahaan yang
kurang kompleks.
i. did_regression_cem_final.rtf. Berisi tabel hasil regresi
dengan metode coarsened exact matching (CEM).
Definisi Operasional Variabel
Selanjutnya, pada bagian ini akan dijelaskan lebih dalam
mengenai variabel-variabel utama yang digunakan dalam
penelitian, cara memperoleh variabel tersebut, dan sumber data
untuk memperoleh data-data penyusun variabel tersebut.
Adapun definisi operasional dari variabel-variabel yang
digunakan dalam penelitian tersebut adalah sebagai berikut:
Tabel 1. Definisi Operasional Variabel
Variabel Definisi Sumber
Data
crash 1 untuk perusahaan yang mengalami
satu atau lebih pengembalian
mingguan perusahaannya turun
sebanyak 3,2 penyimpangan standar
di bawah rata-rata pengembalian
mingguan perusahaan selama tahun
Compustat
18
Variabel Definisi Sumber
Data
fiskal, dengan 3,2 dipilih untuk
menghasilkan frekuensi 0,1% dalam
distribusi normal selama periode
tahun fiskal; dan 0 jika sebaliknya
duvol Volatilitas dari pengembalian
mingguan perusahaan
Compustat
ncskew Kecenderungan negatif dari
pengembalian mingguan perusahaan
selama periode tahun fiskal
Compustat
pcon 1 untuk perusahaan yang secara
politis terhubung dengan Suharto, 0
jika tidak terhubung
ICMD
size(t-1) Logaritma natural dari nilai pasar
ekuitas
Compustat
roa(t-1) Penghasilan sebelum pos luar biasa
dibagi dengan total aset tertinggal
Compustat
leverage(t-1) Total utang jangka panjang dibagi
dengan total aset
Compustat
mtb(t-1) Nilai pasar ekuitas dibagi dengan
nilai buku ekuitas
Compustat
lag_ncskew(t-1) Kecenderungan negatif dari
pengembalian mingguan perusahaan
selama periode tahun fiskal
Compustat
dturn(t-1) Perputaran rata-rata saham bulanan
selama periode tahun fiskal saat ini
dikurangi dengan pergantian rata-
rata saham bulanan selama periode
tahun fiskal sebelumnya, di mana
perputaran saham bulanan dihitung
sebagai volume perdagangan
bulanan dibagi dengan jumlah total
saham yang beredar selama bulan
tersebut
Compustat
sigma(t-1) Standar deviasi pengembalian
mingguan spesifik perusahaan
selama periode tahun fiskal
Compustat
19
Variabel Definisi Sumber
Data
ret(t-1) Pengembalian mingguan spesifik
perusahaan selama periode tahun
fiskal
Compustat
Hipotesis dan Model Penelitian
Penelitian tersebut mengusulkan tiga buah hipotesis
yang mendasari hubungan antara koneksi politik dan stock
price crash risk, antara lain:
Hipotesis 1. Perusahaan dengan koneksi politik memiliki risiko
lebih rendah untuk stock price crash risk.
Hipotesis 2. Setelah Suharto turun dari jabatannya, risiko
jatuhnya harga saham (stock price crash risk) untuk perusahaan
dengan koneksi politik meningkat.
Hipotesis 3. Hubungan negatif antara stock price crash risk dan
koneksi politik lebih jelas terlihat untuk perusahaan dengan
struktur perusahaan yang lebih kompleks.
Teknik analisis yang digunakan untuk menguji ketiga
hipotesis dalam penelitian tersebut adalah menggunakan
regresi. Penelitian tersebut juga menggunakan serangkaian
variabel kontrol untuk memastikan bahwa hasilnya bebas dari
bias dan masalah endogenitas.
Metode regresi yang digunakan dalam penelitian
tersebut menggunakan dua jenis metode regresi, yaitu regresi
logistik dan regresi OLS dengan pendekatan clustered standard
errors two dimensions, yang dikemukakan oleh Petersen
(2009). Metode regresi logistik digunakan untuk menguji
hubungan antara koneksi politik dengan stock price crash risk¸
yang diproksikan oleh variabel crash. Sementara metode
regresi OLS – clustered two dimensions digunakan untuk
20
menguji hubungan antara koneksi politik dengan stock price
crash risk¸ yang diproksikan oleh variabel duvol dan ncskew.
Pengguna dapat mengakses link berikut untuk
memahami lebih dalam metode regresi yang digunakan:
https://www.kellogg.northwestern.edu/faculty/petersen/htm/p
apers/se/se_programming.htm.
Metode ini didasarkan pada penelitian Thompson (2011)
dan Cameron et al. (2008) yang menyarankan cara untuk
memperhitungkan berbagai dimensi secara bersamaan,
sehingga memungkinkan adanya korelasi antara perusahaan
yang berbeda di tahun yang sama dan tahun yang berbeda di
perusahaan yang sama.
Untuk dapat menggunakan perintah regresi dengan
pendekatan tersebut, pengguna perlu mengunduh link
logit2.ado pada bagian Clustered Standard Errors – Two
Dimensions yang ada pada website yang telah disebutkan
diatas. Kemudian file yang telah diunduh ditempatkan pada
default directory (folder) dimana Stata berada. Setelah itu,
pengguna hanya perlu mengikuti instruksi yang akan dijelaskan
di bagian selanjutnya untuk dapat menjalankan command
regresi.
Untuk menguji hipotesis satu (H1), penelitian tersebut
menggunakan dua jenis regresi, yaitu regresi logistik dan OLS
dengan pendekatan clustered two dimensions, untuk
memperkirakan asosiasi antara stock price crash risk (crash,
duvol, atau ncskew) dengan koneksi politik (pcon) dan variabel
kontrol.
DepVart = β0 + β1 PCONt + ∑ βi Xt + ∑ βj YRDt + ∑ βk
INDDt + et
21
Di mana DepVar adalah crash, duvol, atau ncskew. X adalah
variabel kontrol, YRD adalah dummy tahun dan INDD adalah
dummy industri.
Untuk menguji hipotesis kedua (H2), penelitian tersebut
juga menggunakan dua jenis regresi, yaitu regresi logistik dan
OLS dengan pendekatan clustered two dimensions, untuk
memperkirakan asosiasi antara stock price crash risk (crash,
duvol, atau ncskew) pada saat sebelum dan sesudah kejatuhan
Suharto (DID), dengan koneksi politik (pcon) dan variabel
kontrol.
DepVart = β0 + β1 DIDt + β22 PCONt + ∑ βi Xt + ∑ βj YRDt +
∑ βk INDDt + et
Di mana DepVar adalah crash, duvol, atau ncskew. X adalah
variabel kontrol, YRD adalah dummy tahun dan INDD adalah
dummy industri.
Untuk menguji hipotesis ketiga (H3), penelitian tersebut
menggunakan persamaan seperti pada (H1). Namun, pada
hipotesis ketiga dilakukan pemecahan sampel menjadi dua sub-
sampel, yaitu perusahaan yang kompleks dan perusahaan yang
kurang kompleks. Perusahaan yang kompleks (complex) adalah
sub-sampel dengan jumlah anak perusahaan yang lebih besar
daripada median. Sedangkan perusahaan yang kurang
kompleks adalah sub-sampel dengan jumlah anak perusahaan
yang tidak lebih besar dari median.
22
BAB 3
Mulai Bekerja dengan Stata
Working Directory dan Log di Stata
Tahap awal sebelum memulai menggunakan Stata,
pengguna perlu mengetahui dimana working directory Stata.
Working directory adalah lokasi di mana Stata akan membaca
dan menyimpan seluruh dataset atau file lain yang telah atau
akan dikerjakan. Mengetahui working directory akan
memudahkan pengguna untuk mengakses file, baik file input
maupun output, yang diperlukan untuk analisis, serta semua
catatan (log) pekerjaan yang telah dilakukan di Stata. Standar
working directory Stata atau default directory Stata biasanya
terletak pada C:\data, tetapi pengguna juga dapat menyimpan
file pada directory yang lain sesuai dengan keinginan
pengguna. Perlu diingat bahwa direktori setiap komputer akan
berbeda-beda.
Pengguna dapat memindahkan default directory Stata ke
alamat yang diinginkan. Misalkan pengguna ingin
memindahkan direktori ke folder ‘Penelitian’ yang ada pada
Local Disk (D:) dengan menggunakan command sebagai
berikut:
cd D:\Penelitian
Setelah menjalankan command tersebut, secara otomatis
working directory akan berpindah ke folder ‘Penelitian’.
Lokasi working directory yang sedang aktif dapat dilihat pada
bagian kiri bawah di tampilan utama Stata.
23
Langkah selanjutnya adalah mulai membuat catatan
(log) pekerjaan yang akan dilakukan di Stata. Hal ini dilakukan
sebagai backup dan tindakan preventif dari peristiwa-peristiwa
yang tidak diinginkan. Selain itu juga dapat digunakan sebagai
reminder dan laporan atas apa yang telah dikerjakan
sebelumnya. File log Stata akan menyimpan semua perintah
dan output (kecuali untuk output dalam bentuk grafik) ke dalam
file teks. Stata tidak dapat memulai log secara otomatis
sehingga pengguna perlu memberi tahu Stata untuk mulai
merekam pekerjaan pengguna. Misalkan pengguna ingin
memberi nama log file dengan ‘stockcrash_suharto_record’
dan akan menyimpannya pada folder ‘Penelitian’ yang telah
dibuat sebelunya pada Local Disk (D:), maka dapat dilakukan
dengan command berikut:
log using
"D:\Penelitian\stockcrash_suharto_record.log"
Setelah mengeksekusi command, berarti mulai dari titik
ini segala hal yang dikerjakan di Stata akan terekam pada file
log. Hasilnya akan muncul sebagai berikut:
---------------------------------------------------------
name: <unnamed>
log: D:\Penelitian\stockcrash_suharto_record.log
log type: text
opened on: 10 Sep 2019, 12:26:07
Jika pengguna telah menyelesaikan semua analisis yang
diperlukan, maka pengguna dapat mengakhiri atau menutup
catatan (log) di Stata. Untuk mengakhiri pengguna dapat
menggunakan command berikut:
24
close log
Preparing Dataset
Tahap selanjutnya adalah mempersiapkan dataset yang
akan digunakan. Stata hanya dapat membuka atau memuat satu
dataset dalam memori pada suatu waktu. Oleh sebab itu,
sebelum dataset lain dapat dibuka atau dimuat, pengguna
terlebih dahulu harus menghapus semua data dari memori
dengan menggunakan perintah sebagai berikut:
clear all
Perintah ini mengindikasikan bahwa Stata menghapus
semua data, hasil yang disimpan, pengaturan, dan fungsi dari
memori. Selain itu, perintah ini juga menutup semua file yang
terbuka, menutup semua kotak dialog yang terbuka, dan
mengatur ulang semua pengaturan Stata ke awal.
Setelah mengeksekusi perintah tersebut, tahap
selanjutnya adalah membuka dataset utama yang digunakan
dalam penelitian tersebut. Penelitian tersebut menggunakan
dataset dari internet, yaitu stockcrash_suharto_final.dta. Untuk
membuka dataset tersebut pengguna dapat menggunakan
command berikut:
use
https://www.cpebr.com/files/1/stockcrash_soeh
arto_final.dta, clear
Setelah dataset terbuka, pengguna perlu mengurutkan
dataset agar data tersusun dengan rapi dan memudahkan
peneliti untuk membaca data. Pengguna dapat mengurutkan
25
data berdasarkan kondisi tertentu sesuai dengan kebutuhan.
Dalam kasus ini, data diurutkan berdasarkan tahun pengamatan
(year) dan kode alfanumerik perusahaan (isin). Command yang
digunakan untuk mengurutkan data adalah sebagai berikut:
sort year isin
Setelah data tersusun dengan rapi, pengguna dapat
melihat seluruh variabel yang digunakan dalam penelitian,
dengan menggunakan command berikut:
describe
Perintah tersebut memberikan informasi secara detail
tentang kumpulan data (nama, ukuran, dan jumlah
pengamatan) dan semua variabel (nama, format penyimpanan,
format tampilan, dan label) yang ada dalam dataset. Berikut ini
adalah variabel-variabel yang digunakan dalam penelitian:
Contains data from https://www.cpebr.com/files/1/stockcrash_soeharto_final.dta
obs: 730
vars: 23 10 Sep 2019 11:49
size: 128,480
-----------------------------------------------------------------------------------
storage display value
variable name type format label variable label
-----------------------------------------------------------------------------------
company_name str51 %51s company_name
ticker str5 %9s ticker_symbol
sic float %9.0g
isin str12 %12s
gvkey str6 %6s Global Company Key - Daily Prices
year double %6.0g fiscal year t
no_subsidiaries int %10.0gc no_subsidiaries
crash float %9.0g {\i Crash}
duvol float %9.0g {\i DUVol}
ncskew float %9.0g {\i NCSkew}
pcon double %12.0g {\i PCon(t-1)}
pcon2 float %9.0g
did float %9.0g {\i DID}
did2 float %9.0g
did3 float %9.0g
size float %9.0g {\i Size(t-1)}
26
roa float %9.0g {\i ROA(t-1)}
leverage double %12.0g {\i Lever(t-1)}
mtb float %9.0g {\i MTB(t-1)}
lag_ncskew double %12.0g {\i NCSkew(t-1)}
dturn double %12.0g {\i DTurn(t-1)}
sigma double %12.0g {\i Sigma(t-1)}
ret double %12.0g {\i Ret(t-1)}
-----------------------------------------------------------------------------------
Sorted by: year isin
Sebelum melakukan berbagai teknik analisis, seperti
statistik deskriptif, pearson correlation, independent t-test,
regresi logistik, dan regresi OLS – clustered two dimensions,
difference-in-difference (DID), dan coarsened exact matching
(CEM), pengguna perlu mengetahui karakteristik atau
distribusi data yang digunakan. Dalam kasus ini, sampel yang
digunakan adalah sebanyak 730 observasi perusahaan-tahun.
Untuk mengetahui banyaknya perusahaan untuk setiap
tahunnya atau distribusi sampel per tahunnya dapat
menggunakan command berikut ini:
tab year
Hasilnya akan muncul seperti di bawah ini:
fiscal year |
t | Freq. Percent Cum.
------------+-----------------------------------
1995 | 42 5.75 5.75
1996 | 85 11.64 17.40
1997 | 135 18.49 35.89
1999 | 153 20.96 56.85
2000 | 153 20.96 77.81
2001 | 162 22.19 100.00
------------+-----------------------------------
Total | 730 100.00
Hasil diatas menunjukkan bahwa jumlah sampel dalam
penelitian tersebut mencakup periode 1995-1997 dan 1999-
27
2001. Totalnya adalah sebanyak 730 observasi. Penelitian
tersebut mengecualikan tahun ketika Suharto mengundurkan
diri (1998) dengan tujuan untuk mendapatkan periode pra-
acara dan pasca-acara yang tidak ambigu.
Selanjutnya, untuk melihat tabulasi mengenai jumlah
perusahaan yang terkoneksi politik dan yang tidak terkoneksi
politik dalam penelitian tersebut dapat menggunakan command
berikut:
tab year pcon
Hasilnya akan muncul seperti di bawah ini:
fiscal | {\i PCon(t-1)}
year t | 0 1 | Total
-----------+----------------------+----------
1995 | 29 13 | 42
1996 | 62 23 | 85
1997 | 106 29 | 135
1999 | 126 27 | 153
2000 | 125 28 | 153
2001 | 133 29 | 162
-----------+----------------------+----------
Total | 581 149 | 730
Hasil diatas menunjukkan bahwa jumlah perusahaan
yang terkoneksi politik adalah sebanyak 149 observasi,
sedangkan yang tidak terkoneksi politik adalah sebanyak 581
observasi. Perusahaan yang terkoneksi secara politis paling
banyak terdapat pada tahun 1997 dan 2001, yaitu sebanyak 29
observasi.
Apabila pengguna ingin melihat distribusi perusahaan
yang tekoneksi politik dengan lebih detail, dapat menggunakan
command berikut:
28
tab year pcon, row
Perintah ini akan menghasilkan output yang lebih
informatif daripada perintah sebelumnya. Perintah ini akan
menambahkan detail prosentase dari perusahaan yang
terkoneksi politik dan yang tidak tekoneksi politik. Apabila
pengguna membutuhkan informasi terkait dengan prosentase,
lebih baik menggunakan perintah ini, namun jika tidak dapat
juga menggunakan perintah sebelumnya. Hasilnya akan
muncul seperti di bawah ini:
+----------------+
| Key |
|----------------|
| frequency |
| row percentage |
+----------------+
fiscal | {\i PCon(t-1)}
year t | 0 1 | Total
-----------+----------------------+----------
1995 | 29 13 | 42
| 69.05 30.95 | 100.00
-----------+----------------------+----------
1996 | 62 23 | 85
| 72.94 27.06 | 100.00
-----------+----------------------+----------
1997 | 106 29 | 135
| 78.52 21.48 | 100.00
-----------+----------------------+----------
1999 | 126 27 | 153
| 82.35 17.65 | 100.00
-----------+----------------------+----------
2000 | 125 28 | 153
| 81.70 18.30 | 100.00
-----------+----------------------+----------
2001 | 133 29 | 162
| 82.10 17.90 | 100.00
-----------+----------------------+----------
Total | 581 149 | 730
| 79.59 20.41 | 100.00
29
Hasil diatas menunjukkan bahwa prosentase perusahaan
yang terkoneksi politik lebih kecil dan yang tidak terkoneksi
politik. Prosentase perusahaan yang terkoneksi politik hanya
sebesar 20.41, sedangkan prosentase perusahaan yang tidak
terkoneksi politik sebesar 79.59.
Pengguna juga dapat mengetahui ringkasan jumlah
periode atau jumlah tahun pengamatan dari seluruh sampel
penelitian dengan menggunakan command berikut:
distinct year
Hasilnya akan muncul seperti di bawah ini:
| Observations
| total distinct
-------+----------------------
year | 730 6
Hasil diatas menunjukkan bahwa jumlah periode
pengamatan dalam penelitian tersebut adalah 6 tahun. Hasil
tersebut hanya menunjukkan berapa jumlah periode
pengamatan, namun tidak menunjukkan detail tahunnya. Untuk
melihat detail tahunnya pengguna dapat menggunakan perintah
yang telah dijelaskan sebelumnya.
Setelah pengguna memahami isi dari dataset, maka
dataset siap untuk diuji dengan menggunakan berbagai metode
analisis. Buku ini secara khusus akan membahas tentang
berbagai metode analisis yang digunakan dalam penelitian,
meliputi, statistik deskriptif, pearson correlation, independent
t-test, regresi logistik, dan regresi OLS – clustered two
dimensions, difference-in-difference (DID), dan coarsened
exact matching (CEM).
30
Statistik Deskriptif
Statistik deskriptif merupakan salah satu pengujian
univariat. Analisis ini digunakan untuk meringkas, menghitung
dan menampilkan berbagai ringkasan statistik univariat, seperti
nilai rata-rata (mean), nilai tengah (median), standar deviasi,
nilai maksimum dan minimum, dan lain sebagainya. Di dalam
Stata untuk membuat statistik deskriptif adalah dengan
menggunakan perintah sebagai berikut:
estpost summarize crash duvol ncskew pcon size
roa leverage mtb lag_ncskew dturn sigma ret,
detail
Hasilnya akan muncul seperti di bawah ini:
. estpost summarize crash duvol ncskew pcon size roa leverage mtb
lag_ncskew dturn sigma ret, detail
| e(count) e(sum_w) e(mean) e(Var) e(sd)
-------------+-------------------------------------------------------
crash | 730 730 .5630137 .2463668 .4963535
duvol | 730 730 -.0663073 .088623 .2976961
ncskew | 730 730 -.1136708 1.141657 1.068484
pcon | 730 730 .2311513 .2002536 .4474971
size | 730 730 4.800233 2.091658 1.446257
roa | 730 730 -.013283 .0374133 .1934252
leverage | 730 730 .4768845 .1005879 .317156
mtb | 730 730 1.32305 5.071823 2.252071
lag_ncskew | 730 730 -.0893579 1.581181 1.25745
dturn | 730 730 .0006891 .0000182 .0042697
sigma | 730 730 .0627738 .0014529 .0381171
ret | 730 730 .5536438 6.509493 2.551371
| e(skewn~) e(kurto~) e(sum) e(min) e(max)
-------------+-------------------------------------------------------
crash | -.2540806 1.064557 411 0 1
duvol | .9390552 7.619361 -48.40436 -1.025832 2.091855
ncskew | 6.777425 108.5362 -82.97969 -3.861415 17.4071
pcon | 1.458947 3.156425 168.7404 -.2091855 1.202583
size | .2758646 2.662583 3504.17 1.328497 8.86539
roa | -2.087918 10.93874 -9.696556 -1.174715 .4728849
leverage | .7505095 3.931522 348.1257 0 1.613386
mtb | 4.059803 39.53796 965.8267 -8.557781 23.92776
31
lag_ncskew | .7870621 21.71047 -65.2313 -8.229744 10.31047
dturn | .7407049 13.02116 .5030469 -.0218107 .0258182
sigma | 2.68828 17.44368 45.82487 .0151761 .4205087
ret | 5.431761 37.86266 404.1599 -.979187 21.1875
| e(p1) e(p5) e(p10) e(p25) e(p50)
-------------+-------------------------------------------------------
crash | 0 0 0 0 1
duvol | -.6873981 -.509679 -.4200057 -.2507734 -.0786471
ncskew | -2.103307 -1.408382 -1.018423 -.608318 -.1390497
pcon | -.0664206 -.0404596 -.024169 -.0060099 .0148347
size | 1.976829 2.562508 2.989146 3.762936 4.665601
roa | -.7808974 -.3995668 -.2238956 -.0652676 .0281757
leverage | 0 .0018919 .0575863 .2417637 .4683159
mtb | -2.665239 -.3966426 -.0874393 .3849856 .9080215
lag_ncskew | -3.861415 -1.539424 -1.035692 -.544856 -.1074012
dturn | -.0128113 -.0049591 -.0025428 -.0006501 .0004065
sigma | .0190719 .0240283 .0280585 .0357534 .054574
ret | -.8870912 -.7454545 -.6646954 -.4648438 -.1464286
| e(p75) e(p90) e(p95) e(p99)
-------------+--------------------------------------------
crash | 1 1 1 1
duvol | .0999585 .2891023 .4281504 .7637957
ncskew | .2684604 .8093424 1.131629 1.772718
pcon | .0458167 1.112612 1.130546 1.161121
size | 5.743394 6.850526 7.319142 8.198003
roa | .0827418 .1427446 .205155 .3626442
leverage | .6457422 .869832 1.052491 1.415285
mtb | 1.71117 3.219959 4.49938 8.644367
lag_ncskew | .3263108 .9702377 1.347948 3.901633
dturn | .0013515 .0061829 .0063624 .0139688
sigma | .0780665 .1051392 .1289021 .2144913
ret | .5549342 2.090964 3.666667 16.5
Hasil diatas menunjukkan ringkasan nilai statistik
univariat dari masing-masing variabel yang digunakan dalam
penelitian ini. Nilai-nilai yang dijelaskan diatas meliputi
jumlah observasi yang dapat dilihat pada kolom e(count), nilai
rata-rata pada kolom e(mean), nilai median pada kolom e(p50),
standar deviasi pada kolom e(sd), skewness pada kolom
e(skewn~), kurtosis pada kolom e(kurto~), nilai maksimum
pada kolom e(max), nilai minimin pada kolom e(min), dan nilai
kuartil serta persentil. Berdasarkan kasus penelitian, nilai
statistik deskriptif yang dipilih hanya terkait mean, standar
32
deviasi, nilai minimum, kuartil 1 yang ada pada kolom e(p25),
median, quartil 4 yang ada pada kolom e(p75), dan nilai
maksimum.
Dapat dilihat bahwa nilai rata-rata dari variabel pcon
adalah 0.204, menunjukkan bahwa sekitar 20% dari sampel
terhubung secara politis ke Soeharto dan sisanya 80% tidak.
Selanjutnya, nilai rata-rata dari variabel crash adalah sebesar
0.563, yang mengindikasikan bahwa sekitar 56% perusahaan
mengalami kejatuhan harga saham sementara 44% perusahaan
lainnya tidak.
Pearson Correlation
Korelasi pearson (pearson correlation) merupakan
analisis univariat yang digunakan untuk menjelaskan korelasi
antara variabel dependen, variabel independen, dan variabel
kontrol. Fungsi dari pearson correlation adalah untuk
mengukur kekuatan dan arah hubungan dari dua variabel.
Dalam person, level signifikan dilambangkan pada tingkat
10%, 5%, dan 1%. Variabel bisa dikatakan berkorelasi jika
terdapat perubahan pada salah satu variabel dan disertai dengan
perubahan variabel lainnya, baik dalam arah yang sama
ataupun arah yang sebaliknya.
Dalam kasus ini, korelasi pearson digunakan untuk
mengetahui korelasi antara koneksi politik dengan masing-
masing proksi dari stock price crash risk, yaitu crash, duvol,
dan ncskew. Selain itu, korelasi pearson juga digunakan untuk
melihat korelasi masing-masing variabel control dengan
masing-masing proksi stock price crash risk. Untuk
menjalankan analisis pearson correlation, pengguna dapat
menggunakan perintah berikut ini:
33
estpost corr crash duvol ncskew pcon size roa
leverage mtb lag_ncskew dturn sigma ret, matrix
Hasilnya akan muncul sebagai berikut:
. estpost summarize crash duvol ncskew pcon size roa leverage mtb
lag_ncskew dturn sigma ret, detail
| e(count) e(sum_w) e(mean) e(Var) e(sd)
-------------+-------------------------------------------------------
crash | 730 730 .5630137 .2463668 .4963535
duvol | 730 730 -.0663073 .088623 .2976961
ncskew | 730 730 -.1136708 1.141657 1.068484
pcon | 730 730 .2311513 .2002536 .4474971
size | 730 730 4.800233 2.091658 1.446257
roa | 730 730 -.013283 .0374133 .1934252
leverage | 730 730 .4768845 .1005879 .317156
mtb | 730 730 1.32305 5.071823 2.252071
lag_ncskew | 730 730 -.0893579 1.581181 1.25745
dturn | 730 730 .0006891 .0000182 .0042697
sigma | 730 730 .0627738 .0014529 .0381171
ret | 730 730 .5536438 6.509493 2.551371
| e(skewn~) e(kurto~) e(sum) e(min) e(max)
-------------+-------------------------------------------------------
crash | -.2540806 1.064557 411 0 1
duvol | .9390552 7.619361 -48.40436 -1.025832 2.091855
ncskew | 6.777425 108.5362 -82.97969 -3.861415 17.4071
pcon | 1.458947 3.156425 168.7404 -.2091855 1.202583
size | .2758646 2.662583 3504.17 1.328497 8.86539
roa | -2.087918 10.93874 -9.696556 -1.174715 .4728849
leverage | .7505095 3.931522 348.1257 0 1.613386
mtb | 4.059803 39.53796 965.8267 -8.557781 23.92776
lag_ncskew | .7870621 21.71047 -65.2313 -8.229744 10.31047
dturn | .7407049 13.02116 .5030469 -.0218107 .0258182
sigma | 2.68828 17.44368 45.82487 .0151761 .4205087
ret | 5.431761 37.86266 404.1599 -.979187 21.1875
| e(p1) e(p5) e(p10) e(p25) e(p50)
-------------+-------------------------------------------------------
crash | 0 0 0 0 1
duvol | -.6873981 -.509679 -.4200057 -.2507734 -.0786471
ncskew | -2.103307 -1.408382 -1.018423 -.608318 -.1390497
pcon | -.0664206 -.0404596 -.024169 -.0060099 .0148347
size | 1.976829 2.562508 2.989146 3.762936 4.665601
roa | -.7808974 -.3995668 -.2238956 -.0652676 .0281757
leverage | 0 .0018919 .0575863 .2417637 .4683159
mtb | -2.665239 -.3966426 -.0874393 .3849856 .9080215
lag_ncskew | -3.861415 -1.539424 -1.035692 -.544856 -.1074012
dturn | -.0128113 -.0049591 -.0025428 -.0006501 .0004065
34
sigma | .0190719 .0240283 .0280585 .0357534 .054574
ret | -.8870912 -.7454545 -.6646954 -.4648438 -.1464286
| e(p75) e(p90) e(p95) e(p99)
-------------+--------------------------------------------
crash | 1 1 1 1
duvol | .0999585 .2891023 .4281504 .7637957
ncskew | .2684604 .8093424 1.131629 1.772718
pcon | .0458167 1.112612 1.130546 1.161121
size | 5.743394 6.850526 7.319142 8.198003
roa | .0827418 .1427446 .205155 .3626442
leverage | .6457422 .869832 1.052491 1.415285
mtb | 1.71117 3.219959 4.49938 8.644367
lag_ncskew | .3263108 .9702377 1.347948 3.901633
dturn | .0013515 .0061829 .0063624 .0139688
sigma | .0780665 .1051392 .1289021 .2144913
ret | .5549342 2.090964 3.666667 16.5
Hasil diatas menunjukkan korelasi dari masing-masing
variabel terhadap variabel lainnya. Nilai pada kolom e(b) dan
e(rho) menunjukkan besarnya koefisien dana rah korelasi antar
variabel. Nilai pada kolom e(p) menunjukkan nilai p (p-value)
yang menunjukkan tingkat singnifikansi dari korelasi.
Sementara kolom e(count) menunjukkan jumlah observasi
dalam penelitian.
Baris pertama menjelaskan korelasi antara variable
crash dengan masing-masing variabel penelitian yang lainnya.
Dapat dilihat bahwa variabel pcon berkorelasi positif namun
tidak signifikan dengan variabel crash, yang ditunjukkan
dengan nilai koefisien sebesar 0.042 dan nilai p sebesar 0.259.
Pada baris pertama juga dapat dilihat bahwa hubungan antara
variabel crash dengan variabel duvol dan ncskew menunjukkan
korelasi positif dan signifikan. Hal ini mengindikasikan bahwa
proksi duvol dan ncskew merupakan proksi lain yang tepat
untuk mengukur tingkat kejatuhan harga saham, selain
menggunakan proksi crash.
Terkait dengan variabel kontrol, dijelaskan bahwa size,
mtb, dan dturn berkorelasi positif dan signifikan dengan crash.
35
Masing-masing signifikan pada level 1%, 10%, dan 5%.
Sementara untuk variabel leverage dan sigma menunjukkan
korelasi negatif dan signifikan dengan crash pada level 10%
dan 1%.
Selanjutnya pada baris kedua dan ketiga menjelaskan
korelasi antara variabel duvol dan ncskew dengan masing-
masing variabel penelitian yang lainnya. Dapat dilihat bahwa
variabel pcon berkorelasi negati dan signifikan dengan variabel
duvol dan ncskew. Nilai koefien untuk variabel duvol sebesar -
0.096 dan nilai p sebesar 0.009, signifikan pada level 1%.
Sementara nilai koefisien untuk variabel ncskew sebesar -0.069
dan nilai p sebesar 0.064, signifikan pada level 10%.
Independent T-Test
Independen t-test merupakan pengujian komparatif atau
uji beda yang bertujuan untuk mengetahui apakah terdapat
perbedaan rata-rata (mean) dari dua kelompok bebas.
Pengujian ini hanya dapat dilakukan ketika variabel
independen dalam penelitian berbentuk dummy.
Dalam kasus penelitian ini, uji t dilakukan untuk
mengetahui perbedaan karakteristik antara perusahaan yang
terkoneksi secara politis dan yang tidak terkoneksi secara
politis. Untuk melakukan pengujian tersebut, pengguna dapat
menggunakan perintah berikut ini:
estpost ttest crash duvol ncskew size roa
leverage mtb lag_ncskew dturn sigma ret,
by(pcon)
Hasilnya akan muncul sebagai berikut:
36
. estpost ttest crash duvol ncskew size roa leverage mtb lag_ncskew
dturn sigma ret, by(pcon)
| e(b) e(count) e(se) e(t) e(df_t)
-------------+-------------------------------------------------------
crash | -.0515311 730 .045571 -1.130789 728
duvol | .070824 730 .0272297 2.600985 728
ncskew | .1815979 730 .0979543 1.853905 728
size | -1.401661 730 .1223258 -11.45842 728
roa | .0011537 730 .0177742 .0649084 728
leverage | -.0735012 730 .0290165 -2.533079 728
mtb | -.3495669 730 .2065416 -1.692477 728
lag_ncskew | .2556322 730 .1151607 2.219787 728
dturn | -.000193 730 .0003923 -.4919452 728
sigma | .006156 730 .0034952 1.761251 728
ret | -.3233851 730 .2341443 -1.381136 728
| e(p_l) e(p) e(p_u) e(N_1) e(mu_1)
-------------+-------------------------------------------------------
crash | .1292582 .2585163 .8707418 581 .5524957
duvol | .9952578 .0094844 .0047422 581 -.0518515
ncskew | .9679215 .064157 .0320785 581 -.0766049
size | 2.30e-28 4.61e-28 1 581 4.514141
roa | .5258676 .9482648 .4741324 581 -.0130475
leverage | .0057577 .0115154 .9942423 581 .4618822
mtb | .0454915 .090983 .9545085 581 1.2517
lag_ncskew | .9866297 .0267406 .0133703 581 -.037181
dturn | .3114532 .6229064 .6885468 581 .0006497
sigma | .9606921 .0786157 .0393079 581 .0640303
ret | .0838305 .167661 .9161695 581 .4876378
| e(N_2) e(mu_2)
-------------+----------------------
crash | 149 .6040268
duvol | 149 -.1226755
ncskew | 149 -.2582029
size | 149 5.915801
roa | 149 -.0142012
leverage | 149 .5353834
mtb | 149 1.601267
lag_ncskew | 149 -.2928132
dturn | 149 .0008427
sigma | 149 .0578743
ret | 149 .8110228
Hasil diatas menunjukkan perbedaan rata-rata dari
masing-masing variabel pada dua kelompok berbeda, yaitu
perusahaan yang terkoneksi politik dan yang tidak terkoneksi
politik. Untuk menganalisis hasil uji t, pengguna perlu
37
memperhatikan beberapa kolom yaitu, kolom e(N_1), e(N_2),
e(mu_1), e(mu_2), e(b), e(t), dan e(p). Kolom e(N_1)
menunjukkan jumlah observasi untuk kelompok perusahaan
yang tidak terkoneksi politik, sedangkan kolom e(N_2)
menunjukkan jumlah observasi untuk kelompok perusahaan
yang terkoneksi politik. Kolom e(mu_1) menunjukkan nilai
rata-rata dari tiap-tiap variabel yang ada dalam kelompok
perusahaan yang tidak terkoneksi politik, sedangkan kolom
e(mu_2) menunjukkan nilai rata-rata dari tiap-tiap variabel
yang ada dalam kelompok perusahaan yang terkoneksi politik.
Selanjutnya, kolom e(b) menunjukkan koefisien perbedaan
rata-rata, kolom e(t) menunjukkan nilai t dari masing-masing
variabel, dan kolom e(p) menunjukkan tingkat signifikansi dari
perbedaan antara dua kelompok.
Perlu dicatat bahwa setiap melakukan t-test, pengguna
perlu membalik tanda (sign) yang dihasilkan oleh program
Stata sebelum dianalisis. Proses membalik tanda ini
diterapakan pada nilai koefisien dan t-value yang dihasilkan,
dimana jika hasil dari Stata menyebutkan bahwa nilai koefisien
adalah negatif (-), maka pengguna perlu merubahnya menjadi
positif (+) sebelum dianalisis, begitu juga untuk hasil t-value.
Berdasarkan hasil uji beda tersebut dapat dianalisis
bahwa perusahaan dengan koneksi politik secara umum
memiliki total asset yang lebih besar daripada perusahaan yang
tidak memiliki koneksi politik. Hal ini ditunjukkan dari nilai
rata-rata dari size pada perusahaan yang terkoneksi politik
(e(mu_2)) adalah sebesar 5.916, sedangkan size perusahaan
yang tidak terkoneksi politik (e(mu_1)) hanya sebesar 0.462.
Selain itu, perbedaan ini menunjukkan perbedaan yang cukup
signifikan, yang ditunjukkan oleh nilai t (e(t)) dan koefisien
(e(b)) masing-masing sebesar 11.458 dan 1.402, serta tingkat
38
signifikansi (e(p)) pada level 1%. Selain itu, perusahaan yang
terhubung secara politis ini juga memiliki leverage yang lebih
tinggi.
Regresi Logistik
Regresi logistik merupakan sebuah pendekatan untuk
membuat model prediksi, seperti halnya Ordinary Least
Squares (OLS) regression. Perbedaan antara regresi OLS dan
regresi logistik terletak pada variabel dependen yang
digunakan. Dalam regresi OLS, variabel dependen yang
digunakan adalah berbentuk kontinu, sedangkan dalam regresi
logistik adalah berbentuk biner atau berskala dikotomi.
Variabel biner atau juga disebut sebagai variabel dummy
merupakan variabel yang dikodekan sebagai 0 atau 1. Dalam
regresi logistik, pengguna hanya dapat mengamati dua
keadaan, yaitu 0 dan 1. Dengan kata lain, nilai yang lebih
rendah pada variabel kontinen laten diamati sebagai 0,
sedangkan nilai yang lebih tinggi pada variabel kontinen laten
diamati sebagai 1.
Penelitian ini menggunakan variabel dependen crash,
yang diukur dengan menggunakan dummy, dimana 1 untuk
perusahaan yang mengalami satu atau lebih pengembalian
mingguan perusahaannya turun sebanyak 3,2 penyimpangan
standar di bawah rata-rata pengembalian mingguan perusahaan
selama tahun fiskal, dengan 3,2 dipilih untuk menghasilkan
frekuensi 0,1% dalam distribusi normal selama periode tahun
fiskal; dan 0 jika sebaliknya. Oleh sebab itu, penelitian ini
menggunakan metode analisis regresi logistik. Metode ini
digunakan untuk menguji bagaimana hubungan antara koneksi
politik di perusahaan dengan stock price crash risk di
Indonesia.
39
Metode regresi logistik yang digunakan dalam penelitian
tersebut menggunakan pendekatan clustered standard errors
two dimensions, yang dikemukakan oleh Petersen (2009).
Untuk dapat menggunakan perintah regresi dengan pendekatan
tersebut, sebelumnya pengguna perlu melakukan beberapa
tahapan berikut ini:
1. Kunjungi website:
https://www.kellogg.northwestern.edu/faculty/petersen/ht
m/papers/se/se_programming.htm
2. Unduh link logit2.ado pada bagian Clustered Standard
Errors – Two Dimensions
3. Pindahkanf ile yang telah diunduh pada default directory
(folder) dimana Stata berada.
Langkah selanjutnya adalah mulai menjalankan perintah
regresi untuk menjawab hipotesis penelitian. Hipotesis
penelitian yang pertama (H1) yaitu perusahaan dengan koneksi
politik memiliki risiko lebih rendah untuk stock price crash
risk. Model yang diajukan untuk menguji H1 adalah sebagai
berikut:
DepVart = β0 + β1 PCONt + ∑ βi Xt + ∑ βj YRDt + ∑ βk
INDDt + et
Di mana DepVar adalah crash, duvol, atau ncskew. X adalah
variabel kontrol, YRD adalah dummy tahun dan INDD adalah
dummy industri.
Dalam kasus ini, regresi logistik digunakan untuk
memperkirakan hubungan antara koneksi politik dengan stock
price crash risk, yang diproksikan oleh variabel crash. Untuk
menjalankan metode analisis regresi logistik dengan
pendekatan clustered two dimensions, pengguna dapat
menggunakan perintah berikut ini:
40
xi: logit2 crash pcon size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year,
fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: logit2 crash pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic i.year,
fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Logit with 2D clustered SEs
Number of obs = 704
Number of clusters (gvkey) = 177 Wald chi2( 50) = 89.23
Number of clusters (year) = 6 Prob > chi2 = 0.0005
Log pseudolikelihood = -426.39638 Pseudo R2 = 0.1195
------------------------------------------------------------------------------
crash | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
crash |
pcon | -.3664595 .1256137 -2.92 0.004 -.6126579 -.1202611
size | .2753187 .0615385 4.47 0.000 .1547056 .3959319
roa | -.1190606 .9976756 -0.12 0.905 -2.074469 1.836348
leverage | -.7411857 .2798448 -2.65 0.008 -1.289671 -.1927
mtb | .0350606 .0543616 0.64 0.519 -.0714861 .1416073
lag_ncskew | -.0690687 .0596137 -1.16 0.247 -.1859095 .047772
dturn | 6.829555 17.62119 0.39 0.698 -27.70734 41.36645
sigma | -5.672385 2.942084 -1.93 0.054 -11.43876 .0939937
ret | .0413196 .0262497 1.57 0.115 -.0101289 .092768
_Isic_2 | .6495368 1.058007 0.61 0.539 -1.424118 2.723191
_Isic_8 | 1.128988 1.049817 1.08 0.282 -.9286165 3.186592
_Isic_9 | 0 (omitted)
_Isic_10 | -.8546054 1.240607 -0.69 0.491 -3.286151 1.57694
_Isic_12 | 0 (omitted)
_Isic_13 | -1.380684 1.19818 -1.15 0.249 -3.729075 .967706
_Isic_14 | .4492733 1.51001 0.30 0.766 -2.510292 3.408838
_Isic_15 | 0 (omitted)
_Isic_16 | -2.669686 1.21896 -2.19 0.029 -5.058804 -.2805691
_Isic_20 | -.8366229 1.021814 -0.82 0.413 -2.839341 1.166095
_Isic_21 | -.5187816 1.2487 -0.42 0.678 -2.966189 1.928626
_Isic_22 | -.3596604 1.083145 -0.33 0.740 -2.482586 1.763265
_Isic_23 | .5706376 1.072892 0.53 0.595 -1.532192 2.673467
_Isic_24 | -.3067646 1.301002 -0.24 0.814 -2.856682 2.243153
_Isic_25 | -1.024298 .3876424 -2.64 0.008 -1.784063 -.2645327
_Isic_26 | .0528624 1.023468 0.05 0.959 -1.953097 2.058822
_Isic_28 | .2624547 1.196997 0.22 0.826 -2.083617 2.608526
_Isic_30 | -.1911077 1.101928 -0.17 0.862 -2.350846 1.968631
_Isic_31 | -.421462 1.231597 -0.34 0.732 -2.835348 1.992424
_Isic_32 | -.1045039 1.167709 -0.09 0.929 -2.393172 2.184164
_Isic_33 | -.0569063 1.12632 -0.05 0.960 -2.264454 2.150641
_Isic_34 | -2.391227 1.800221 -1.33 0.184 -5.919595 1.137141
_Isic_35 | .0132564 1.456109 0.01 0.993 -2.840665 2.867178
_Isic_36 | -.49453 .9988469 -0.50 0.621 -2.452234 1.463174
_Isic_37 | -1.070274 1.247598 -0.86 0.391 -3.515521 1.374973
_Isic_38 | 0 (omitted)
_Isic_39 | 1.842576 .7086556 2.60 0.009 .4536369 3.231516
_Isic_41 | -.8905025 1.16515 -0.76 0.445 -3.174154 1.393149
41
_Isic_42 | 0 (omitted)
_Isic_44 | .6459893 1.246238 0.52 0.604 -1.796591 3.08857
_Isic_47 | .0048865 1.242976 0.00 0.997 -2.431302 2.441075
_Isic_48 | -.6250565 .9752079 -0.64 0.522 -2.536429 1.286316
_Isic_50 | -.1319646 1.177963 -0.11 0.911 -2.44073 2.176801
_Isic_51 | -.3400787 1.370299 -0.25 0.804 -3.025815 2.345658
_Isic_53 | -.4038578 1.264628 -0.32 0.749 -2.882483 2.074767
_Isic_54 | .7382574 1.054756 0.70 0.484 -1.329026 2.805541
_Isic_55 | -.8472916 .9211444 -0.92 0.358 -2.652702 .9581184
_Isic_58 | .5097351 1.214534 0.42 0.675 -1.870709 2.890179
_Isic_59 | 0 (omitted)
_Isic_65 | 0 (omitted)
_Isic_70 | 0 (omitted)
_Isic_73 | .3802278 1.220554 0.31 0.755 -2.012014 2.77247
_Isic_80 | .6627815 1.153777 0.57 0.566 -1.598579 2.924142
_Isic_99 | -.7711726 1.230764 -0.63 0.531 -3.183426 1.641081
_Iyear_1996 | -2.706615 .2020509 -13.40 0.000 -3.102627 -2.310602
_Iyear_1997 | -2.537554 .227822 -11.14 0.000 -2.984077 -2.091031
_Iyear_1999 | -2.633337 .2679978 -9.83 0.000 -3.158603 -2.108071
_Iyear_2000 | -1.965576 .2886057 -6.81 0.000 -2.531233 -1.399919
_Iyear_2001 | -2.774419 .2268506 -12.23 0.000 -3.219038 -2.3298
_cons | 2.261456 1.329017 1.70 0.089 -.3433693 4.866282
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.366 dengan
probabilitas 0.004. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik berhubungan negatif signifikan pada level 1% dengan
stock price crash risk, yang diproksikan dengan variabel crash.
Hasil ini konsisten dengan hipotesis penelitian, yang
menunjukkan bahwa stock price crash risk lebih rendah untuk
perusahaan yang terhubung secara politis. Dengan demikian
hipotesis 1 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasinya sebanyak 704 observasi. Nilai Pseudo R-squared
dari model regresi adalah 11.95%. Ini mengindikasikan bahwa
model regresi mampu menjelaskan hubungan antara variabel
independen dan dependen sebesar 11.95%. Dapat dilihat juga
bahwa model regresi ini menggunakan dua jenis cluster yaitu
gvkey dan year. Jumlah cluster gvkey menunjukkan bahwa
42
model regresi menguji 177 perusahaan yang unik, sedangkan
jumlah cluster year menunjukkan bahwa model regresi
menguji data selama 6 tahun.
Regresi OLS - Clustered Two Dimensions
Regresi OLS adalah metode estimasi yang digunakan
untuk mendapatkan nilai untuk koefisien regresi (intercept).
Seperti yang telah dijelaskan sebelumnya, regresi OLS
digunakan apabila variabel dependen yang digunakan
merupakan variabel kontinu. Variabel kontinu merupakan
variabel yang datanya bisa dioperasikan secara matematis,
didapatkan dari proses pengukuran sehingga data tersebut bisa
berbentuk pecahan atau dalam bentuk desimal.
Dalam kasus ini, regresi OLS yang digunakan
mengadopsi pendekatan clustered standard error two
dimensions (Petersen, 2009). Pendekatan ini merupakan
pendekatan robustness test yang mudah diaplikasikan dan
menghasilkan perkiraan kesalahan (standard error) yang
akurat. Regresi OLS ini masih digunakan untuk menjawab
hipotesis penelitian yang pertama (H1), yaitu untuk
memperkirakan hubungan antara koneksi politik dengan stock
price crash risk yang diproksikan oleh variabel duvol dan
ncskew.
Penelitian tersebut melakukan regresi OLS clustered two
dimensions sebanyak dua kali, karena variabel dependen yang
akan diuji diproksikan oleh dua variabel. Untuk menjalankan
metode analisis regresi OLS clustered two dimensions yang
pertama, yaitu untuk memprediksi hubungan antara koneksi
politik dengan stock price crash risk (proksi variabel duvol),
pengguna dapat menggunakan perintah berikut ini:
43
xi: cluster2 duvol pcon size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year,
fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 duvol pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 730
F( 56, 727) = .
Prob > F = .
Number of clusters (gvkey) = 186 R-squared = 0.1514
Number of clusters (year) = 6 Root MSE = 0.2858
------------------------------------------------------------------------------
duvol | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pcon | -.0865011 .0293535 -2.95 0.003 -.1441289 -.0288734
size | .0099634 .014563 0.68 0.494 -.018627 .0385539
roa | .0582693 .0638239 0.91 0.362 -.0670319 .1835706
leverage | .0100278 .0515275 0.19 0.846 -.0911327 .1111883
mtb | .0014158 .0045805 0.31 0.757 -.0075767 .0104083
lag_ncskew | .0069276 .0086469 0.80 0.423 -.0100482 .0239034
dturn | -4.58566 1.54174 -2.97 0.003 -7.612454 -1.558866
sigma | .6659731 .4494077 1.48 0.139 -.2163187 1.548265
ret | -.0000346 .0021698 -0.02 0.987 -.0042944 .0042252
_Isic_2 | .022986 .2811092 0.08 0.935 -.5288968 .5748687
_Isic_8 | -.249899 .265062 -0.94 0.346 -.7702773 .2704794
_Isic_9 | .0910957 .2913323 0.31 0.755 -.4808574 .6630488
_Isic_10 | -.2299675 .2886706 -0.80 0.426 -.7966951 .3367601
_Isic_12 | -.2585206 .3032931 -0.85 0.394 -.8539555 .3369143
_Isic_13 | -.3762119 .3326835 -1.13 0.258 -1.029347 .2769232
_Isic_14 | -.0370282 .2885227 -0.13 0.898 -.6034653 .5294089
_Isic_15 | -.0932878 .2706676 -0.34 0.730 -.6246713 .4380956
_Isic_16 | -.1243638 .2811996 -0.44 0.658 -.6764239 .4276963
_Isic_20 | -.1216715 .2728128 -0.45 0.656 -.6572664 .4139234
_Isic_21 | -.0741788 .29542 -0.25 0.802 -.6541569 .5057994
_Isic_22 | -.0436052 .3250454 -0.13 0.893 -.6817448 .5945344
_Isic_23 | -.0868946 .305191 -0.28 0.776 -.6860554 .5122662
_Isic_24 | -.0549469 .3510523 -0.16 0.876 -.7441441 .6342503
_Isic_25 | -.1311747 .2004121 -0.65 0.513 -.5246302 .2622808
_Isic_26 | -.0713771 .3164726 -0.23 0.822 -.6926865 .5499322
_Isic_28 | -.1332252 .3439444 -0.39 0.699 -.8084681 .5420177
_Isic_30 | -.1328985 .2841573 -0.47 0.640 -.6907652 .4249682
_Isic_31 | -.0661873 .3048836 -0.22 0.828 -.6647447 .5323702
_Isic_32 | -.1927531 .2663873 -0.72 0.470 -.7157332 .330227
_Isic_33 | .0467807 .2887931 0.16 0.871 -.5201872 .6137486
_Isic_34 | -.0217449 .3987682 -0.05 0.957 -.8046196 .7611298
_Isic_35 | -.2026134 .2944686 -0.69 0.492 -.7807237 .375497
_Isic_36 | .1407291 .3268177 0.43 0.667 -.50089 .7823482
_Isic_37 | -.0732579 .2783133 -0.26 0.792 -.6196516 .4731359
_Isic_38 | .2164991 .3041732 0.71 0.477 -.3806635 .8136617
_Isic_39 | .1241991 .2757511 0.45 0.653 -.4171644 .6655626
_Isic_41 | -.0608382 .2589126 -0.23 0.814 -.5691437 .4474674
_Isic_42 | -.0803303 .3380164 -0.24 0.812 -.743935 .5832744
44
_Isic_44 | -.231458 .2136364 -1.08 0.279 -.6508759 .1879599
_Isic_47 | -.0607089 .3363557 -0.18 0.857 -.7210532 .5996354
_Isic_48 | -.0930267 .2841608 -0.33 0.743 -.6509003 .464847
_Isic_50 | -.0538283 .3353158 -0.16 0.873 -.7121312 .6044746
_Isic_51 | -.1220413 .3244677 -0.38 0.707 -.7590468 .5149643
_Isic_53 | -.1026855 .2813812 -0.36 0.715 -.6551023 .4497312
_Isic_54 | -.1635041 .2990762 -0.55 0.585 -.7506602 .423652
_Isic_55 | -.0881984 .1368717 -0.64 0.520 -.3569094 .1805127
_Isic_58 | -.0294299 .2266726 -0.13 0.897 -.474441 .4155811
_Isic_59 | .0022937 .2782875 0.01 0.993 -.5440494 .5486368
_Isic_65 | -.11967 .2748319 -0.44 0.663 -.6592289 .4198888
_Isic_70 | -.0089674 .3271092 -0.03 0.978 -.6511588 .6332241
_Isic_73 | -.1791037 .3106112 -0.58 0.564 -.7889056 .4306982
_Isic_80 | -.1303017 .3729235 -0.35 0.727 -.8624371 .6018338
_Isic_99 | -.3936759 .2873456 -1.37 0.171 -.957802 .1704503
_Iyear_1996 | -.1550466 .024332 -6.37 0.000 -.2028158 -.1072773
_Iyear_1997 | -.2596886 .0261008 -9.95 0.000 -.3109306 -.2084466
_Iyear_1999 | -.1770104 .0333391 -5.31 0.000 -.2424629 -.1115579
_Iyear_2000 | -.0588579 .0226245 -2.60 0.009 -.1032751 -.0144407
_Iyear_2001 | -.1965866 .0340484 -5.77 0.000 -.2634315 -.1297418
_cons | .1094589 .3667485 0.30 0.765 -.6105537 .8294715
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.087 dengan
probabilitas 0.003. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik berhubungan negatif signifikan pada level 1% dengan
stock price crash risk, yang diproksikan dengan variabel duvol.
Hasil ini konsisten dengan hipotesis penelitian, yang
menunjukkan bahwa stock price crash risk lebih rendah untuk
perusahaan yang terhubung secara politis. Dengan demikian
hipotesis 1 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasinya sebanyak 730 observasi. Nilai R-squared dari
model regresi adalah 15.14%. Ini mengindikasikan bahwa
model regresi mampu menjelaskan hubungan antara variabel
independen dan dependen sebesar 15.14%. Dapat dilihat juga
bahwa model regresi ini menggunakan dua jenis cluster yaitu
gvkey dan year. Jumlah cluster gvkey menunjukkan bahwa
model regresi menguji 186 perusahaan yang unik, sedangkan
45
jumlah cluster year menunjukkan bahwa model regresi
menguji data selama 6 tahun.
Selanjutnya, untuk menjalankan metode analisis regresi
OLS clustered two dimensions yang kedua, untuk memprediksi
hubungan antara koneksi politik dengan stock price crash risk
(proksi variabel ncskew), pengguna dapat menggunakan
perintah berikut ini:
xi: cluster2 ncskew pcon size roa leverage
mtb lag_ncskew dturn sigma ret i.sic i.year,
fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 ncskew pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 730
F( 56, 727) = .
Prob > F = .
Number of clusters (gvkey) = 186 R-squared = 0.1180
Number of clusters (year) = 6 Root MSE = 1.0460
------------------------------------------------------------------------------
ncskew | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pcon | -.2761554 .1087287 -2.54 0.011 -.4896151 -.0626957
size | .0527966 .0447268 1.18 0.238 -.0350124 .1406056
roa | .2555737 .2210393 1.16 0.248 -.1783778 .6895253
leverage | .0899401 .184025 0.49 0.625 -.2713437 .4512239
mtb | .0126362 .0164814 0.77 0.444 -.0197207 .044993
lag_ncskew | .0314143 .0294557 1.07 0.287 -.0264142 .0892427
dturn | -12.44885 4.182261 -2.98 0.003 -20.6596 -4.238096
sigma | 1.465459 1.187774 1.23 0.218 -.8664169 3.797336
ret | -.004025 .0103049 -0.39 0.696 -.0242559 .016206
_Isic_2 | -1.402356 1.762611 -0.80 0.427 -4.862772 2.058059
_Isic_8 | -2.156162 1.741604 -1.24 0.216 -5.575335 1.263011
_Isic_9 | -1.578518 1.82353 -0.87 0.387 -5.158532 2.001495
_Isic_10 | -1.9821 1.865637 -1.06 0.288 -5.644779 1.680579
_Isic_12 | -2.104984 1.799017 -1.17 0.242 -5.636873 1.426904
_Isic_13 | -2.639109 1.972187 -1.34 0.181 -6.51097 1.232753
_Isic_14 | -1.627657 1.74382 -0.93 0.351 -5.051181 1.795868
_Isic_15 | -1.662931 1.756802 -0.95 0.344 -5.111942 1.78608
_Isic_16 | -1.891185 1.792618 -1.05 0.292 -5.410512 1.628141
_Isic_20 | -1.794014 1.793625 -1.00 0.318 -5.315317 1.727288
_Isic_21 | -1.796453 1.869469 -0.96 0.337 -5.466655 1.873748
_Isic_22 | -1.644717 1.940136 -0.85 0.397 -5.453655 2.16422
_Isic_23 | -1.679079 1.96455 -0.85 0.393 -5.535948 2.177789
46
_Isic_24 | -1.63454 2.00844 -0.81 0.416 -5.577575 2.308495
_Isic_25 | -1.994607 1.470416 -1.36 0.175 -4.881376 .8921622
_Isic_26 | -1.423173 1.920536 -0.74 0.459 -5.193631 2.347285
_Isic_28 | -1.840039 1.993123 -0.92 0.356 -5.753003 2.072925
_Isic_30 | -1.84346 1.811641 -1.02 0.309 -5.400133 1.713212
_Isic_31 | -1.67242 1.865807 -0.90 0.370 -5.335432 1.990592
_Isic_32 | -2.049628 1.802168 -1.14 0.256 -5.587702 1.488447
_Isic_33 | -1.388566 1.823096 -0.76 0.447 -4.967727 2.190594
_Isic_34 | -1.533788 1.986668 -0.77 0.440 -5.434079 2.366503
_Isic_35 | -2.12344 1.761849 -1.21 0.229 -5.582359 1.335479
_Isic_36 | -1.254233 1.783211 -0.70 0.482 -4.755091 2.246625
_Isic_37 | -1.789541 1.79837 -1.00 0.320 -5.320159 1.741077
_Isic_38 | -.5068625 1.935482 -0.26 0.793 -4.306663 3.292938
_Isic_39 | -1.189131 1.811233 -0.66 0.512 -4.745002 2.36674
_Isic_41 | -1.609744 1.752982 -0.92 0.359 -5.051255 1.831766
_Isic_42 | -1.519271 1.950303 -0.78 0.436 -5.348169 2.309628
_Isic_44 | -1.993597 1.679647 -1.19 0.236 -5.291134 1.30394
_Isic_47 | -1.554771 1.966638 -0.79 0.429 -5.415739 2.306197
_Isic_48 | -1.718032 1.851261 -0.93 0.354 -5.352487 1.916423
_Isic_50 | -1.616502 1.952646 -0.83 0.408 -5.45 2.216996
_Isic_51 | -1.747386 1.920506 -0.91 0.363 -5.517785 2.023013
_Isic_53 | -1.706992 1.789902 -0.95 0.341 -5.220986 1.807003
_Isic_54 | -1.920087 1.892343 -1.01 0.311 -5.635196 1.795022
_Isic_55 | -1.643377 1.466815 -1.12 0.263 -4.523076 1.236323
_Isic_58 | -1.430007 1.452361 -0.98 0.325 -4.281329 1.421316
_Isic_59 | -1.354686 1.722148 -0.79 0.432 -4.735662 2.02629
_Isic_65 | -1.965172 1.841644 -1.07 0.286 -5.580746 1.650403
_Isic_70 | -1.597742 1.940501 -0.82 0.411 -5.407396 2.211911
_Isic_73 | -1.627141 1.888853 -0.86 0.389 -5.335399 2.081118
_Isic_80 | -2.194873 2.345498 -0.94 0.350 -6.79963 2.409885
_Isic_99 | -2.526804 1.809672 -1.40 0.163 -6.079611 1.026002
_Iyear_1996 | -.596627 .0684046 -8.72 0.000 -.7309211 -.462333
_Iyear_1997 | -.7250852 .084444 -8.59 0.000 -.8908685 -.5593019
_Iyear_1999 | -.7297533 .1273049 -5.73 0.000 -.9796824 -.4798242
_Iyear_2000 | -.3180393 .0724983 -4.39 0.000 -.4603702 -.1757083
_Iyear_2001 | -.679409 .1139883 -5.96 0.000 -.9031946 -.4556235
_cons | 1.832492 2.069504 0.89 0.376 -2.230426 5.895409
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.276 dengan
probabilitas 0.011. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik berhubungan negatif signifikan pada level 5% dengan
stock price crash risk, yang diproksikan dengan variabel
ncskew. Hasil ini konsisten dengan hipotesis penelitian, yang
menunjukkan bahwa stock price crash risk lebih rendah untuk
perusahaan yang terhubung secara politis. Dengan demikian,
hipotesis 1 penelitian didukung.
47
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasinya sebanyak 730 observasi. Nilai R-squared dari
model regresi adalah 11.80%. Ini mengindikasikan bahwa
model regresi mampu menjelaskan hubungan antara variabel
independen dan dependen sebesar 11.80%. Dapat dilihat juga
bahwa model regresi ini menggunakan dua jenis cluster yaitu
gvkey dan year. Jumlah cluster gvkey menunjukkan bahwa
model regresi menguji 186 perusahaan yang unik, sedangkan
jumlah cluster year menunjukkan bahwa model regresi
menguji data selama 6 tahun.
Metode Difference-in-difference
Difference-in-difference (DID) adalah teknik analisis
statistik yang digunakan dalam penelitian ekonometrik dan
kuantitatif dalam ilmu sosial yang mencoba meniru desain
penelitian eksperimental menggunakan data penelitian
observasional, dengan cara mempelajari efek diferensial dari
‘treatment group’. Metode ini dimaksudkan untuk mengurangi
efek faktor asing (extraneous factors) dan bias seleksi
(selection bias).
Metode DID mensyaratkan pencatatan keadaan dalam
dua periode waktu, yaitu sebelum dan sesudah perlakuan
(treatment). Dalam hal ini, perlakuan (treatment) yang
digunakan adalah periode ketika Suharto mengundurkan diri
dari jabatannya (tahun 1998).
Metode DID digunakan untuk menjawab hipotesis kedua
(H2) yang menyebutkan bahwa setelah Suharto turun dari
jabatannya, risiko jatuhnya harga saham (stock price crash
risk) untuk perusahaan dengan koneksi politik meningkat.
Untuk menguji hipotesis tersebut, model penelitian yang
digunakan adalah sebagai berikut:
48
DepVart = β0 + β1 DIDt + β22 PCONt + ∑ βi Xt + ∑ βj YRDt +
∑ βk INDDt + et
Di mana DepVar adalah crash, duvol, atau ncskew. X adalah
variabel kontrol, YRD adalah dummy tahun dan INDD adalah
dummy industri.
Untuk menjawab hipotesis kedua (H2) digunakan dua
jenis regresi, yaitu regresi logistik dan OLS dengan pendekatan
clustered two dimensions, untuk memperkirakan asosiasi
antara stock price crash risk (crash, duvol, atau ncskew) pada
saat sebelum dan sesudah kejatuhan Suharto (DID).
Langkah pertama, pengguna dapat melakukan regresi
logistik dengan pendekatan clustered two dimensions pada saat
sebelum dan sesudah kejatuhan Suharto (DID). Ini bertujuan
untuk memprediksi hubungan antara koneksi politik dengan
stock price crash risk (yang diproksikan oleh variabel crash).
Pengguna dapat menggunakan perintah berikut ini:
xi: logit2 crash did2 pcon size roa leverage
mtb lag_ncskew dturn sigma ret i.sic i.year,
fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: logit2 crash did2 pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Logit with 2D clustered SEs
Number of obs = 704
Number of clusters (gvkey) = 177 Wald chi2( 51) = 109.05
Number of clusters (year) = 6 Prob > chi2 = 0.0000
Log pseudolikelihood = -415.48978 Pseudo R2 = 0.1421
------------------------------------------------------------------------------
crash | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
crash |
did2 | 2.142211 .7805466 2.74 0.006 .6123682 3.672055
pcon | -1.57633 .8792574 -1.79 0.073 -3.299643 .1469825
size | .2814073 .0609984 4.61 0.000 .1618527 .4009619
49
roa | -.2032378 .935455 -0.22 0.828 -2.036696 1.63022
leverage | -.8354528 .2570353 -3.25 0.001 -1.339233 -.3316729
mtb | .0408176 .058628 0.70 0.486 -.0740912 .1557264
lag_ncskew | -.0509264 .0539169 -0.94 0.345 -.1566016 .0547489
dturn | -.1471418 18.26675 -0.01 0.994 -35.94931 35.65503
sigma | -5.08198 3.154786 -1.61 0.107 -11.26525 1.101286
ret | .0427558 .0247012 1.73 0.083 -.0056576 .0911692
_Isic_2 | .5578943 .9452551 0.59 0.555 -1.294772 2.41056
_Isic_8 | .8850498 .7813816 1.13 0.257 -.64643 2.41653
_Isic_9 | 0 (omitted)
_Isic_10 | -.8844537 1.172521 -0.75 0.451 -3.182552 1.413645
_Isic_12 | 0 (omitted)
_Isic_13 | -1.471891 1.085752 -1.36 0.175 -3.599926 .6561435
_Isic_14 | .408087 1.462424 0.28 0.780 -2.458211 3.274385
_Isic_15 | 0 (omitted)
_Isic_16 | -2.580801 1.250366 -2.06 0.039 -5.031474 -.1301281
_Isic_20 | -.8530409 .9839845 -0.87 0.386 -2.781615 1.075533
_Isic_21 | -.5476916 1.211436 -0.45 0.651 -2.922063 1.826679
_Isic_22 | -.422491 1.026523 -0.41 0.681 -2.434439 1.589457
_Isic_23 | .5326283 1.02981 0.52 0.605 -1.485763 2.551019
_Isic_24 | -.3706838 1.240244 -0.30 0.765 -2.801517 2.060149
_Isic_25 | -1.001459 .589404 -1.70 0.089 -2.15667 .1537518
_Isic_26 | .1644137 .9593879 0.17 0.864 -1.715952 2.044779
_Isic_28 | .1479602 1.118807 0.13 0.895 -2.044862 2.340782
_Isic_30 | -.2154349 1.041834 -0.21 0.836 -2.257391 1.826521
_Isic_31 | -.4468372 1.181437 -0.38 0.705 -2.762412 1.868738
_Isic_32 | -.1249692 1.125623 -0.11 0.912 -2.33115 2.081212
_Isic_33 | -.1072541 1.065443 -0.10 0.920 -2.195483 1.980975
_Isic_34 | -2.461637 1.865554 -1.32 0.187 -6.118055 1.194782
_Isic_35 | .1848768 1.416327 0.13 0.896 -2.591073 2.960827
_Isic_36 | -.4920856 .9731849 -0.51 0.613 -2.399493 1.415322
_Isic_37 | -.9447929 1.166052 -0.81 0.418 -3.230212 1.340626
_Isic_38 | 0 (omitted)
_Isic_39 | 1.802331 .6232869 2.89 0.004 .5807109 3.023951
_Isic_41 | -.9447317 1.094641 -0.86 0.388 -3.090189 1.200726
_Isic_42 | 0 (omitted)
_Isic_44 | .5925327 1.197934 0.49 0.621 -1.755374 2.94044
_Isic_47 | -.0633654 1.174332 -0.05 0.957 -2.365014 2.238283
_Isic_48 | -.5942335 1.003807 -0.59 0.554 -2.56166 1.373193
_Isic_50 | -.1607922 1.11207 -0.14 0.885 -2.340409 2.018824
_Isic_51 | -.4194885 1.296858 -0.32 0.746 -2.961283 2.122306
_Isic_53 | -.4918031 1.181822 -0.42 0.677 -2.808131 1.824524
_Isic_54 | .5999255 1.033925 0.58 0.562 -1.426531 2.626382
_Isic_55 | -.8910035 .9353554 -0.95 0.341 -2.724266 .9422593
_Isic_58 | .6180689 1.314894 0.47 0.638 -1.959076 3.195213
_Isic_59 | 0 (omitted)
_Isic_65 | 0 (omitted)
_Isic_70 | 0 (omitted)
_Isic_73 | -.2044477 1.208438 -0.17 0.866 -2.572943 2.164047
_Isic_80 | .6461524 1.13653 0.57 0.570 -1.581405 2.87371
_Isic_99 | -1.507666 1.512559 -1.00 0.319 -4.472228 1.456895
_Iyear_1996 | -2.839227 .2721467 -10.43 0.000 -3.372624 -2.305829
_Iyear_1997 | -2.744142 .2818721 -9.74 0.000 -3.296601 -2.191682
_Iyear_1999 | -3.264005 .4656151 -7.01 0.000 -4.176594 -2.351416
_Iyear_2000 | -2.570795 .435689 -5.90 0.000 -3.424729 -1.71686
_Iyear_2001 | -3.384181 .3918919 -8.64 0.000 -4.152275 -2.616087
_cons | 2.637449 1.194851 2.21 0.027 .295585 4.979313
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
50
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -1.576 dengan
probabilitas 0.073, dan nilai koefisien variabel did2 adalah
sebesar 2.142 dengan probabilitas 0.006. Dalam model DID,
penting bagi penggun untuk memperhatikan nilai dan
probabilitas dari variabel did2. Berdasarkan hasil diatas,
koefisien variabel did2 adalah positif dan signifikan pada level
1%. Hasil ini konsisten dengan hipotesis penelitian, yang
menunjukkan bahwa stock price crash risk (yang diproksikan
oleh variabel crash) dari perusahaan yang terhubung secara
politis meningkat setelah jatuhnya Suharto. Dengan demikian
hipotesis 2 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasinya sebanyak 704 observasi. Nilai Pseudo R-squared
dari model regresi adalah 14.21%. Ini mengindikasikan bahwa
model regresi mampu menjelaskan hubungan antara variabel
independen dan dependen sebesar 14.21%. Dapat dilihat juga
bahwa model regresi ini menggunakan dua jenis cluster yaitu
gvkey dan year. Jumlah cluster gvkey menunjukkan bahwa
model regresi menguji 177 perusahaan yang unik, sedangkan
jumlah cluster year menunjukkan bahwa model regresi
menguji data selama 6 tahun.
Selanjutnya, dilakukan regresi OLS dengan pendekatan
clustered two dimensions pada saat sebelum dan sesudah
kejatuhan Suharto (DID). Ini bertujuan untuk memprediksi
hubungan antara koneksi politik dengan stock price crash risk
(yang diproksikan oleh variabel duvol). Pengguna dapat
menggunakan perintah berikut ini:
51
xi: cluster2 duvol did3 pcon size roa
leverage mtb lag_ncskew dturn sigma ret i.sic
i.year, fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 duvol did3 pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 730
F( 57, 727) = .
Prob > F = .
Number of clusters (gvkey) = 186 R-squared = 0.1875
Number of clusters (year) = 6 Root MSE = 0.2799
------------------------------------------------------------------------------
duvol | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
did3 | .2839801 .0740194 3.84 0.000 .1386628 .4292974
pcon | -.2506519 .0960526 -2.61 0.009 -.4392255 -.0620784
size | .010346 .0139888 0.74 0.460 -.0171172 .0378092
roa | .0453182 .0522498 0.87 0.386 -.0572603 .1478967
leverage | -.0037958 .0467198 -0.08 0.935 -.0955177 .0879261
mtb | .0020376 .0047985 0.42 0.671 -.007383 .0114582
lag_ncskew | .0084055 .0076305 1.10 0.271 -.006575 .023386
dturn | -5.234435 1.319354 -3.97 0.000 -7.824634 -2.644237
sigma | .713113 .4318353 1.65 0.099 -.13468 1.560906
ret | .0003761 .0021305 0.18 0.860 -.0038066 .0045588
_Isic_2 | .0148349 .2599229 0.06 0.955 -.4954542 .525124
_Isic_8 | -.2911381 .2203164 -1.32 0.187 -.7236704 .1413943
_Isic_9 | .0455231 .2612462 0.17 0.862 -.467364 .5584102
_Isic_10 | -.2224439 .2740898 -0.81 0.417 -.7605459 .315658
_Isic_12 | -.2343427 .2767103 -0.85 0.397 -.7775894 .308904
_Isic_13 | -.3740936 .3070906 -1.22 0.224 -.9769838 .2287966
_Isic_14 | -.0429959 .2718482 -0.16 0.874 -.576697 .4907053
_Isic_15 | -.0921337 .2572144 -0.36 0.720 -.5971054 .4128379
_Isic_16 | -.1142731 .2617901 -0.44 0.663 -.6282279 .3996817
_Isic_20 | -.1215773 .2558785 -0.48 0.635 -.6239263 .3807716
_Isic_21 | -.0766327 .2781018 -0.28 0.783 -.6226112 .4693458
_Isic_22 | -.0524743 .3044437 -0.17 0.863 -.650168 .5452193
_Isic_23 | -.0897366 .2865563 -0.31 0.754 -.6523132 .4728401
_Isic_24 | -.0608196 .3315692 -0.18 0.855 -.711767 .5901278
_Isic_25 | -.1278789 .1958725 -0.65 0.514 -.5124221 .2566642
_Isic_26 | -.0512692 .2993246 -0.17 0.864 -.6389129 .5363745
_Isic_28 | -.1420732 .3190682 -0.45 0.656 -.7684782 .4843318
_Isic_30 | -.1302993 .2654669 -0.49 0.624 -.6514725 .3908739
_Isic_31 | -.0700651 .2832091 -0.25 0.805 -.6260704 .4859402
_Isic_32 | -.1886076 .2519641 -0.75 0.454 -.6832717 .3060565
_Isic_33 | .0360407 .269531 0.13 0.894 -.4931114 .5651927
_Isic_34 | -.0220137 .3734966 -0.06 0.953 -.7552744 .7112469
_Isic_35 | -.1723107 .278355 -0.62 0.536 -.7187862 .3741648
_Isic_36 | .1308468 .3032602 0.43 0.666 -.4645234 .7262171
_Isic_37 | -.0562814 .2514541 -0.22 0.823 -.5499443 .4373815
_Isic_38 | .1791134 .2788465 0.64 0.521 -.3683271 .7265538
_Isic_39 | .1102614 .2570146 0.43 0.668 -.394318 .6148408
_Isic_41 | -.0676903 .2371844 -0.29 0.775 -.5333385 .3979578
52
_Isic_42 | -.1855628 .3607379 -0.51 0.607 -.8937751 .5226494
_Isic_44 | -.2208102 .2032006 -1.09 0.278 -.6197402 .1781198
_Isic_47 | -.0665601 .3137388 -0.21 0.832 -.6825023 .5493822
_Isic_48 | -.0877491 .2696929 -0.33 0.745 -.6172188 .4417207
_Isic_50 | -.0556736 .3122516 -0.18 0.859 -.6686961 .5573489
_Isic_51 | -.1306105 .3034012 -0.43 0.667 -.7262575 .4650366
_Isic_53 | -.1114871 .2577368 -0.43 0.665 -.6174844 .3945102
_Isic_54 | -.1752725 .2778552 -0.63 0.528 -.7207669 .3702219
_Isic_55 | -.0919878 .1386893 -0.66 0.507 -.3642672 .1802915
_Isic_58 | -.016788 .2124839 -0.08 0.937 -.4339433 .4003674
_Isic_59 | .1233468 .3112337 0.40 0.692 -.4876772 .7343709
_Isic_65 | -.1489901 .2498097 -0.60 0.551 -.6394247 .3414445
_Isic_70 | -.0302495 .3070345 -0.10 0.922 -.6330296 .5725306
_Isic_73 | -.264366 .3221181 -0.82 0.412 -.8967586 .3680266
_Isic_80 | -.1235185 .3486793 -0.35 0.723 -.8080571 .5610201
_Isic_99 | -.4984568 .316813 -1.57 0.116 -1.120434 .1235208
_Iyear_1996 | -.1580723 .014396 -10.98 0.000 -.186335 -.1298096
_Iyear_1997 | -.264465 .0189316 -13.97 0.000 -.3016322 -.2272979
_Iyear_1999 | -.2472929 .0349011 -7.09 0.000 -.3158118 -.178774
_Iyear_2000 | -.1305116 .0238335 -5.48 0.000 -.1773023 -.083721
_Iyear_2001 | -.263522 .0341071 -7.73 0.000 -.3304822 -.1965618
_cons | .1633317 .3258841 0.50 0.616 -.4764546 .803118
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.251 dengan
probabilitas 0.009, dan nilai koefisien variabel did3 adalah
sebesar 0.284 dengan probabilitas 0.000. Dalam model DID,
penting bagi penggun untuk memperhatikan nilai dan
probabilitas dari variabel did3. Berdasarkan hasil diatas,
koefisien variabel did3 adalah positif dan signifikan pada level
1%. Hasil ini konsisten dengan hipotesis penelitian, yang
menunjukkan bahwa stock price crash risk (yang diproksikan
oleh variabel duvol) dari perusahaan yang terhubung secara
politis meningkat setelah jatuhnya Suharto. Dengan demikian
hipotesis 2 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasinya sebanyak 730 observasi. Nilai R-squared dari
model regresi adalah 18.75%. Ini mengindikasikan bahwa
model regresi mampu menjelaskan hubungan antara variabel
independen dan dependen sebesar 18.75%. Dapat dilihat juga
53
bahwa model regresi ini menggunakan dua jenis cluster yaitu
gvkey dan year. Jumlah cluster gvkey menunjukkan bahwa
model regresi menguji 186 perusahaan yang unik, sedangkan
jumlah cluster year menunjukkan bahwa model regresi
menguji data selama 6 tahun.
Terakhir, dilakukan regresi OLS dengan pendekatan
clustered two dimensions pada saat sebelum dan sesudah
kejatuhan Suharto (DID). Ini bertujuan untuk memprediksi
hubungan antara koneksi politik dengan stock price crash risk
(yang diproksikan oleh variabel ncskew). Pengguna dapat
menggunakan perintah berikut ini:
xi: cluster2 ncskew did3 pcon size roa
leverage mtb lag_ncskew dturn sigma ret i.sic
i.year, fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 ncskew did3 pcon size roa leverage mtb lag_ncskew dturn sigma ret
i.sic i.year, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 730
F( 57, 727) = .
Prob > F = .
Number of clusters (gvkey) = 186 R-squared = 0.1482
Number of clusters (year) = 6 Root MSE = 1.0286
------------------------------------------------------------------------------
ncskew | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
did3 | .9332492 .3540732 2.64 0.009 .2381211 1.628377
pcon | -.8156073 .279514 -2.92 0.004 -1.364358 -.2668563
size | .0540537 .0425224 1.27 0.204 -.0294277 .1375352
roa | .2130121 .1892608 1.13 0.261 -.1585508 .584575
leverage | .0445115 .1683122 0.26 0.792 -.2859244 .3749474
mtb | .0146795 .017891 0.82 0.412 -.0204448 .0498037
lag_ncskew | .0362711 .0257858 1.41 0.160 -.0143525 .0868947
dturn | -14.58093 5.38954 -2.71 0.007 -25.16185 -4.00001
sigma | 1.620376 1.160869 1.40 0.163 -.6586794 3.899432
ret | -.0026754 .0087911 -0.30 0.761 -.0199344 .0145837
_Isic_2 | -1.429143 1.705218 -0.84 0.402 -4.776883 1.918596
_Isic_8 | -2.291687 1.641013 -1.40 0.163 -5.513377 .9300035
_Isic_9 | -1.728284 1.748829 -0.99 0.323 -5.161642 1.705073
_Isic_10 | -1.957375 1.814945 -1.08 0.281 -5.520535 1.605785
54
_Isic_12 | -2.025528 1.693974 -1.20 0.232 -5.351192 1.300136
_Isic_13 | -2.632147 1.888568 -1.39 0.164 -6.339846 1.075552
_Isic_14 | -1.647269 1.690648 -0.97 0.330 -4.966403 1.671866
_Isic_15 | -1.659138 1.715618 -0.97 0.334 -5.027296 1.709019
_Isic_16 | -1.858024 1.735045 -1.07 0.285 -5.264321 1.548273
_Isic_20 | -1.793705 1.738095 -1.03 0.302 -5.205988 1.618579
_Isic_21 | -1.804518 1.817789 -0.99 0.321 -5.37326 1.764224
_Isic_22 | -1.673864 1.878529 -0.89 0.373 -5.361853 2.014124
_Isic_23 | -1.688419 1.905203 -0.89 0.376 -5.428776 2.051938
_Isic_24 | -1.65384 1.949811 -0.85 0.397 -5.481773 2.174093
_Isic_25 | -1.983776 1.451637 -1.37 0.172 -4.833676 .8661243
_Isic_26 | -1.357092 1.857211 -0.73 0.465 -5.003228 2.289044
_Isic_28 | -1.869116 1.9167 -0.98 0.330 -5.632044 1.893812
_Isic_30 | -1.834918 1.750417 -1.05 0.295 -5.271394 1.601557
_Isic_31 | -1.685163 1.79622 -0.94 0.348 -5.21156 1.841233
_Isic_32 | -2.036004 1.753754 -1.16 0.246 -5.479031 1.407023
_Isic_33 | -1.423862 1.766387 -0.81 0.420 -4.891689 2.043966
_Isic_34 | -1.534671 1.887946 -0.81 0.417 -5.241148 2.171805
_Isic_35 | -2.023856 1.695375 -1.19 0.233 -5.352271 1.304559
_Isic_36 | -1.286709 1.703716 -0.76 0.450 -4.631499 2.058081
_Isic_37 | -1.733751 1.696708 -1.02 0.307 -5.064783 1.597281
_Isic_38 | -.6297241 1.874498 -0.34 0.737 -4.3098 3.050351
_Isic_39 | -1.234934 1.758344 -0.70 0.483 -4.686972 2.217104
_Isic_41 | -1.632263 1.685076 -0.97 0.333 -4.940458 1.675933
_Isic_42 | -1.865098 2.108921 -0.88 0.377 -6.005401 2.275205
_Isic_44 | -1.958605 1.635124 -1.20 0.231 -5.168733 1.251523
_Isic_47 | -1.574 1.896419 -0.83 0.407 -5.297112 2.149112
_Isic_48 | -1.700688 1.797369 -0.95 0.344 -5.22934 1.827964
_Isic_50 | -1.622566 1.88297 -0.86 0.389 -5.319274 2.074142
_Isic_51 | -1.775547 1.857929 -0.96 0.340 -5.423094 1.872
_Isic_53 | -1.735916 1.724008 -1.01 0.314 -5.120545 1.648713
_Isic_54 | -1.958762 1.828739 -1.07 0.284 -5.549 1.631477
_Isic_55 | -1.65583 1.447088 -1.14 0.253 -4.4968 1.18514
_Isic_58 | -1.388461 1.371993 -1.01 0.312 -4.082003 1.305081
_Isic_59 | -.9568671 1.782718 -0.54 0.592 -4.456757 2.543022
_Isic_65 | -2.061527 1.774415 -1.16 0.246 -5.545116 1.422062
_Isic_70 | -1.667682 1.890943 -0.88 0.378 -5.380043 2.044678
_Isic_73 | -1.90734 1.993689 -0.96 0.339 -5.821415 2.006736
_Isic_80 | -2.172581 2.263907 -0.96 0.338 -6.617156 2.271994
_Isic_99 | -2.871148 1.987164 -1.44 0.149 -6.772413 1.030117
_Iyear_1996 | -.6065704 .0498731 -12.16 0.000 -.704483 -.5086579
_Iyear_1997 | -.7407821 .0707742 -10.47 0.000 -.8797284 -.6018359
_Iyear_1999 | -.9607239 .1800089 -5.34 0.000 -1.314123 -.6073245
_Iyear_2000 | -.5535163 .1392286 -3.98 0.000 -.8268544 -.2801782
_Iyear_2001 | -.8993801 .1633329 -5.51 0.000 -1.220041 -.5787196
_cons | 2.009535 1.956958 1.03 0.305 -1.832428 5.851497
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.816 dengan
probabilitas 0.004, dan nilai koefisien variabel did3 adalah
sebesar 0.933 dengan probabilitas 0.009. Dalam model DID,
penting bagi penggun untuk memperhatikan nilai dan
probabilitas dari variabel did3. Berdasarkan hasil diatas,
55
koefisien variabel did3 adalah positif dan signifikan pada level
1%. Hasil ini konsisten dengan hipotesis penelitian, yang
menunjukkan bahwa stock price crash risk (yang diproksikan
oleh variabel ncskew) dari perusahaan yang terhubung secara
politis meningkat setelah jatuhnya Suharto. Dengan demikian
hipotesis 2 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasinya sebanyak 730 observasi. Nilai R-squared dari
model regresi adalah 14.82%. Ini mengindikasikan bahwa
model regresi mampu menjelaskan hubungan antara variabel
independen dan dependen sebesar 14.82%. Dapat dilihat juga
bahwa model regresi ini menggunakan dua jenis cluster yaitu
gvkey dan year. Jumlah cluster gvkey menunjukkan bahwa
model regresi menguji 186 perusahaan yang unik, sedangkan
jumlah cluster year menunjukkan bahwa model regresi
menguji data selama 6 tahun.
Analisis Tambahan – Sub Sample
Untuk melihat lebih jauh bagaimana pengaruh koneksi
politik dengan stock price crash risk, penelitian tersebut
melakukan kembali analisis regresi yang telah dilakukan pada
sampel yang berbeda. Penelitian tersebut membagi atau
memecah sampel lengkap menjadi dua sub-sampel berdasarkan
kompleksitas struktur perusahaan. Dua sub-sampel tersebut
terdiri dari perusahaan yang kompleks dan perusahaan yang
kurang kompleks.
Perusahaan yang kompleks (complex) merupakan
perusahaan dengan jumlah anak perusahaan yang lebih besar
daripada median, sedangkan perusahaan yang kurang
kompleks adalah perusahaan dengan jumlah anak perusahaan
yang tidak lebih besar dari median. Berikut ini adalah beberapa
56
command yang digunakan untuk membagi sampel berdasarkan
kompleksitas perusahaan.
Untuk melakukan pemecahan sampel, pertama-tama
pengguna perlu melihat detail informasi terkait jumlah anak
perusahaan (no_subsidiaries) untuk dapat mengetahui berapa
nilai mediannya. Command yang digunakan adalah sebagai
berikut:
sum no_subsidiaries, detail
Hasilnya akan muncul seperti di bawah ini:
no_subsidiaries
-------------------------------------------------------------
Percentiles Smallest
1% 0 0
5% 0 0
10% 0 0 Obs 712
25% 0 0 Sum of Wgt. 712
50% 4 Mean 8.615169
Largest Std. Dev. 17.70816
75% 11 168
90% 21 168 Variance 313.5788
95% 30 168 Skewness 6.462925
99% 49 168 Kurtosis 56.14299
Perintah tersebut berguna untuk menghitung dan
menampilkan berbagai ringkasan statistik univariat, termasuk
rata-rata, standar deviasi, median, varians, skewness, kurtosis,
nilai terkecil, nilai terbesar, dan berbagai persentil.
Berdasarkan hasil diatas, dapat dilihat bahwa nilai median
(50%) dari jumlah anak perusahaan (no_subsidiaries) adalah
sebesar 4 perusahaan. Selanjutnya, pengguna perlu membuat
variabel subsidiaries_median dengan menggunakan command
berikut ini:
57
gen subsidiaries_median = r(p50)
Setelah itu, barulah pengguna dapat membuat sub-
sampel sesuai dengan karakteristik yang telah ditentukan.
Untuk membuat sub-sampel, pengguna terlebih dahulu
membuat variabel baru yaitu complex, yang bernilai 1 untuk
perusahaan yang kompleks, dan nilai 0 untuk perusahaan yang
kurang kompleks, dimana perusahaan yang kompleks
merupakan perusahaan dengan jumlah anak perusahaan yang
lebih besar daripada median, sedangkan perusahaan yang
kurang kompleks adalah perusahaan dengan jumlah anak
perusahaan yang tidak lebih besar dari median. Untuk membuat
variabel complex tersebut dapat menggunakan command
berikut ini:
gen complex = 1 if no_subsidiaries >
subsidiaries_median & no_subsidiaries != .
replace complex = 0 if no_subsidiaries <=
subsidiaries_median & no_subsidiaries != .
Setelah variabel complex terbentuk, barulah dapat
melakukan analisis regresi untuk menguji hipotesis penelitian
yang ketiga (H3), yang menyebutkan bahwa hubungan negatif
antara stock price crash risk dan koneksi politik lebih jelas
terlihat untuk perusahaan dengan struktur perusahaan yang
lebih kompleks. Untuk menguji hipotesis yang ketiga,
penelitian tersebut menggunakan persamaan regresis seperti
yang diujikan pada hipotesis pertama (H1). Perbedaannya
adalah dalam regresi sub-sample ini masing-masing regresi
akan diujikan untuk perusahaan kompleks dan perusahaan yang
kurang kompleks.
58
Regresi logistik clustered two dimensions digunakan
untuk memperkirakan hubungan antara koneksi politik dengan
stock price crash risk, yang diproksikan oleh variabel crash.
Untuk menjalankan analisis regresi logistik tersebut pada sub-
sampel perusahaan yang kompleks pengguna dapat
menggunakan perintah berikut ini:
xi: logit2 crash pcon size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year if
complex == 1, fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: logit2 crash pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic i.year
if complex == 1, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Logit with 2D clustered SEs
Number of obs = 299
Number of clusters (gvkey) = 64 Wald chi2( 41) = 56.45
Number of clusters (year) = 6 Prob > chi2 = 0.0547
Log pseudolikelihood = -160.62588 Pseudo R2 = 0.1974
------------------------------------------------------------------------------
crash | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
crash |
pcon | -.6104873 .0643996 -9.48 0.000 -.7367081 -.4842665
size | .2958213 .1761558 1.68 0.093 -.0494376 .6410803
roa | .3117432 1.310923 0.24 0.812 -2.257618 2.881104
leverage | -2.047152 .8420824 -2.43 0.015 -3.697603 -.3967011
mtb | .0774011 .0641363 1.21 0.228 -.0483037 .203106
lag_ncskew | -.0711735 .1435368 -0.50 0.620 -.3525004 .2101534
dturn | -21.78182 40.97715 -0.53 0.595 -102.0956 58.53191
sigma | -5.253129 4.913086 -1.07 0.285 -14.8826 4.376343
ret | .0374554 .0449037 0.83 0.404 -.0505542 .1254651
_Isic_2 | .9361664 .9312866 1.01 0.315 -.8891218 2.761455
_Isic_8 | 1.594393 1.186782 1.34 0.179 -.731657 3.920443
_Isic_9 | 0 (omitted)
_Isic_10 | -2.83397 .4159834 -6.81 0.000 -3.649282 -2.018657
_Isic_12 | 0 (omitted)
_Isic_13 | -1.869807 .9849523 -1.90 0.058 -3.800278 .0606638
_Isic_14 | 0 (omitted)
_Isic_15 | 0 (omitted)
_Isic_16 | -2.754381 1.193204 -2.31 0.021 -5.093018 -.4157436
_Isic_20 | -.0519286 .9573957 -0.05 0.957 -1.92839 1.824533
_Isic_21 | -.7477455 1.035516 -0.72 0.470 -2.777319 1.281828
_Isic_22 | 1.768664 .7825757 2.26 0.024 .2348434 3.302484
_Isic_23 | -.7324013 1.207037 -0.61 0.544 -3.09815 1.633348
_Isic_24 | .3359065 1.273991 0.26 0.792 -2.161069 2.832882
59
_Isic_25 | 0 (omitted)
_Isic_26 | .3027868 1.035193 0.29 0.770 -1.726154 2.331727
_Isic_28 | -.8027504 .9155628 -0.88 0.381 -2.59722 .9917197
_Isic_30 | .790748 1.366313 0.58 0.563 -1.887177 3.468673
_Isic_31 | 0 (omitted)
_Isic_32 | .4243785 1.532637 0.28 0.782 -2.579535 3.428292
_Isic_33 | .3446917 1.231547 0.28 0.780 -2.069095 2.758479
_Isic_34 | 0 (omitted)
_Isic_35 | .2149849 1.202923 0.18 0.858 -2.142701 2.572671
_Isic_36 | 0 (omitted)
_Isic_37 | -1.280031 1.303604 -0.98 0.326 -3.835048 1.274985
_Isic_38 | 0 (omitted)
_Isic_39 | 0 (omitted)
_Isic_41 | -.4554848 .5448252 -0.84 0.403 -1.523323 .612353
_Isic_42 | 0 (omitted)
_Isic_44 | 0 (omitted)
_Isic_47 | -.4591544 .9496816 -0.48 0.629 -2.320496 1.402187
_Isic_48 | -1.35668 .8495619 -1.60 0.110 -3.021791 .3084306
_Isic_50 | -.6884255 1.058177 -0.65 0.515 -2.762413 1.385563
_Isic_51 | -.4209758 1.108588 -0.38 0.704 -2.593769 1.751818
_Isic_53 | .1255398 .606277 0.21 0.836 -1.062741 1.313821
_Isic_54 | 0 (omitted)
_Isic_55 | -1.026273 .8466563 -1.21 0.225 -2.685689 .6331429
_Isic_58 | 1.375375 1.603933 0.86 0.391 -1.768276 4.519026
_Isic_59 | 0 (omitted)
_Isic_65 | 0 (omitted)
_Isic_70 | 0 (omitted)
_Isic_73 | -.2060481 .8361555 -0.25 0.805 -1.844883 1.432786
_Isic_80 | 0 (omitted)
_Isic_99 | -1.126568 1.186229 -0.95 0.342 -3.451535 1.198398
_Iyear_1996 | -3.320879 .3849243 -8.63 0.000 -4.075317 -2.566441
_Iyear_1997 | -3.127264 .6083988 -5.14 0.000 -4.319703 -1.934824
_Iyear_1999 | -3.140049 .5429491 -5.78 0.000 -4.20421 -2.075889
_Iyear_2000 | -1.993938 .7289919 -2.74 0.006 -3.422736 -.5651397
_Iyear_2001 | -3.645365 .5021608 -7.26 0.000 -4.629582 -2.661148
_cons | 3.414874 1.525818 2.24 0.025 .4243262 6.405423
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.610 dengan
probabilitas 0.000. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik pada perusahaan yang kompleks berhubungan negatif
signifikan pada level 1% dengan stock price crash risk, yang
diproksikan dengan variabel crash. Hasil ini konsisten dengan
hipotesis penelitian, yang menunjukkan bahwa hubungan
negatif antara koneksi politik dan stock price crash risk lebih
60
jelas untuk perusahaan dengan struktur perusahaan yang
kompleks. Dengan demikian, hipotesis 3 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasi untuk perusahaan yang kompleks sebanyak 299
observasi. Nilai Pseudo R-squared dari model regresi adalah
19.74%. Ini mengindikasikan bahwa model regresi mampu
menjelaskan hubungan antara variabel independen dan
dependen sebesar 19.74%. Selain itu, dapat dilihat juga bahwa
model regresi ini menggunakan dua jenis cluster yaitu gvkey
dan year. Jumlah cluster gvkey menunjukkan bahwa model
regresi menguji 64 perusahaan yang unik, sedangkan jumlah
cluster year menunjukkan bahwa model regresi menguji data
selama 6 tahun.
Sementara untuk menjalankan analisis regresi logistik
clustered two dimensions pada sub-sampel perusahaan yang
kurang kompleks pengguna dapat menggunakan perintah
berikut ini:
xi: logit2 crash pcon size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year if
complex == 0, fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: logit2 crash pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic i.year
if complex == 0, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Logit with 2D clustered SEs
Number of obs = 372
Number of clusters (gvkey) = 103 Wald chi2( 39) = 54.69
Number of clusters (year) = 6 Prob > chi2 = 0.0489
Log pseudolikelihood = -223.97955 Pseudo R2 = 0.1314
------------------------------------------------------------------------------
crash | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
crash |
pcon | -.0280935 .4224068 -0.07 0.947 -.8559956 .7998086
61
size | .1656841 .1087797 1.52 0.128 -.0475202 .3788885
roa | -.0670972 1.262133 -0.05 0.958 -2.540832 2.406638
leverage | -.109891 .6077179 -0.18 0.857 -1.300996 1.081214
mtb | .0619066 .0815284 0.76 0.448 -.0978862 .2216994
lag_ncskew | -.0526166 .1203051 -0.44 0.662 -.2884102 .1831771
dturn | 30.54648 33.24935 0.92 0.358 -34.62104 95.714
sigma | -6.47866 2.257423 -2.87 0.004 -10.90313 -2.054191
ret | .0671924 .0288288 2.33 0.020 .0106889 .1236959
_Isic_2 | -.1326473 .5474168 -0.24 0.809 -1.205565 .9402699
_Isic_8 | 0 (omitted)
_Isic_9 | 0 (omitted)
_Isic_10 | .2217366 .891303 0.25 0.804 -1.525185 1.968658
_Isic_12 | 0 (omitted)
_Isic_13 | 0 (omitted)
_Isic_14 | -.2918016 2.059677 -0.14 0.887 -4.328693 3.74509
_Isic_15 | 0 (omitted)
_Isic_16 | 0 (omitted)
_Isic_20 | -1.66072 .5226574 -3.18 0.001 -2.68511 -.6363302
_Isic_21 | -1.922903 . . . . .
_Isic_22 | -1.10059 .5410832 -2.03 0.042 -2.161094 -.0400865
_Isic_23 | .1773341 .9210038 0.19 0.847 -1.6278 1.982468
_Isic_24 | -1.334309 . . . . .
_Isic_25 | -1.449871 1.101971 -1.32 0.188 -3.609695 .7099535
_Isic_26 | -.5318151 1.602105 -0.33 0.740 -3.671883 2.608253
_Isic_28 | .2128097 .2540068 0.84 0.402 -.2850344 .7106539
_Isic_30 | -.9491552 .6665406 -1.42 0.154 -2.255551 .3572404
_Isic_31 | -1.327138 1.211614 -1.10 0.273 -3.701858 1.047582
_Isic_32 | -.9882963 1.309728 -0.75 0.451 -3.555317 1.578724
_Isic_33 | -.780534 .94721 -0.82 0.410 -2.637031 1.075963
_Isic_34 | 0 (omitted)
_Isic_35 | 0 (omitted)
_Isic_36 | -1.305204 1.164287 -1.12 0.262 -3.587164 .9767563
_Isic_37 | 0 (omitted)
_Isic_38 | 0 (omitted)
_Isic_39 | .9472165 1.403406 0.67 0.500 -1.803408 3.697841
_Isic_41 | -2.264608 . . . . .
_Isic_42 | 0 (omitted)
_Isic_44 | -1.609239 2.215782 -0.73 0.468 -5.952092 2.733615
_Isic_47 | 0 (omitted)
_Isic_48 | 0 (omitted)
_Isic_50 | -.0451123 1.174971 -0.04 0.969 -2.348013 2.257789
_Isic_51 | -1.518775 . . . . .
_Isic_53 | -1.771201 .3011806 -5.88 0.000 -2.361504 -1.180898
_Isic_54 | .4449947 1.608308 0.28 0.782 -2.707231 3.59722
_Isic_55 | 0 (omitted)
_Isic_58 | -.6163723 1.393621 -0.44 0.658 -3.347819 2.115075
_Isic_59 | 0 (omitted)
_Isic_65 | 0 (omitted)
_Isic_70 | 0 (omitted)
_Isic_73 | -1.152801 . . . . .
_Isic_80 | 0 (omitted)
_Isic_99 | 0 (omitted)
_Iyear_1996 | -2.859147 .4909422 -5.82 0.000 -3.821376 -1.896917
_Iyear_1997 | -2.415266 .5383728 -4.49 0.000 -3.470457 -1.360075
_Iyear_1999 | -2.758394 .6589638 -4.19 0.000 -4.049939 -1.466849
_Iyear_2000 | -2.174514 .6345784 -3.43 0.001 -3.418265 -.930763
_Iyear_2001 | -2.5503 .6738541 -3.78 0.000 -3.87103 -1.22957
_cons | 2.929109 1.73019 1.69 0.090 -.4620005 6.320218
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
62
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.028 dengan
probabilitas 0.947. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik pada perusahaan yang kurang kompleks tidak
berhubungan dengan stock price crash risk, yang diproksikan
dengan variabel crash. Karena hasil untuk perusahaan yang
kurang kompleks tidak signifikan, maka masih terbukti bahwa
hubungan negatif antara koneksi politik dan stock price crash
risk lebih jelas untuk perusahaan dengan struktur perusahaan
yang kompleks. Dengan demikian, hipotesis 3 penelitian
didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasi untuk perusahaan yang kurang kompleks sebanyak
372 observasi. Nilai Pseudo R-squared dari model regresi
adalah 13.14%. Ini mengindikasikan bahwa model regresi
mampu menjelaskan hubungan antara variabel independen dan
dependen sebesar 13.14%. Selain itu, dapat dilihat juga bahwa
model regresi ini menggunakan dua jenis cluster yaitu gvkey
dan year. Jumlah cluster gvkey menunjukkan bahwa model
regresi menguji 103 perusahaan yang unik, sedangkan jumlah
cluster year menunjukkan bahwa model regresi menguji data
selama 6 tahun.
Selanjutnya, regresi OLS clustered two dimensions
digunakan untuk memperkirakan hubungan antara koneksi
politik dengan stock price crash risk, yang diproksikan oleh
variabel duvol dan ncskew.
Untuk menjalankan analisis regresi OLS clustered two
dimensions pada sub-sampel perusahaan yang kompleks,
dengan variabel dependennya adalah duvol, pengguna dapat
menggunakan perintah berikut ini:
63
xi: cluster2 duvol pcon size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year if
complex == 1, fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 duvol pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if complex == 1, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 315
F( 45, 313) = .
Prob > F = .
Number of clusters (gvkey) = 70 R-squared = 0.2783
Number of clusters (year) = 6 Root MSE = 0.2769
------------------------------------------------------------------------------
duvol | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pcon | -.154085 .0499133 -3.09 0.002 -.2522929 -.0558771
size | -.0046047 .0251481 -0.18 0.855 -.0540853 .044876
roa | .046015 .1148584 0.40 0.689 -.1799771 .2720071
leverage | -.0422077 .1160337 -0.36 0.716 -.2705124 .186097
mtb | .0055767 .0042663 1.31 0.192 -.0028175 .0139709
lag_ncskew | -.0023375 .0166309 -0.14 0.888 -.0350599 .0303849
dturn | -5.211298 2.088213 -2.50 0.013 -9.320009 -1.102588
sigma | .5687597 .8526708 0.67 0.505 -1.108931 2.246451
ret | -.0069835 .0055005 -1.27 0.205 -.0178062 .0038392
_Isic_2 | -.0156846 .2817415 -0.06 0.956 -.5700312 .538662
_Isic_8 | -.1889204 .2638597 -0.72 0.475 -.7080833 .3302426
_Isic_9 | 0 (omitted)
_Isic_10 | -.3231741 .2669962 -1.21 0.227 -.8485083 .2021601
_Isic_12 | -.2673352 .3000851 -0.89 0.374 -.8577744 .3231039
_Isic_13 | -.4054695 .3504094 -1.16 0.248 -1.094925 .2839862
_Isic_14 | 0 (omitted)
_Isic_15 | -.0967309 .2912949 -0.33 0.740 -.6698746 .4764127
_Isic_16 | -.0744244 .2662286 -0.28 0.780 -.5982483 .4493995
_Isic_20 | -.0821764 .2986044 -0.28 0.783 -.6697021 .5053493
_Isic_21 | -.077905 .296685 -0.26 0.793 -.661654 .505844
_Isic_22 | -.1977812 .3392986 -0.58 0.560 -.8653756 .4698132
_Isic_23 | -.1782381 .3437788 -0.52 0.604 -.8546478 .4981715
_Isic_24 | .0220688 .3345754 0.07 0.947 -.6362325 .68037
_Isic_25 | 0 (omitted)
_Isic_26 | .1418813 .3210333 0.44 0.659 -.4897748 .7735374
_Isic_28 | -.1203842 .385172 -0.31 0.755 -.8782379 .6374694
_Isic_30 | -.2307321 .2664311 -0.87 0.387 -.7549545 .2934902
_Isic_31 | 0 (omitted)
_Isic_32 | -.2470254 .3291748 -0.75 0.454 -.8947006 .4006498
_Isic_33 | .1185917 .3155026 0.38 0.707 -.5021824 .7393658
_Isic_34 | .4187525 .3185769 1.31 0.190 -.2080704 1.045576
_Isic_35 | -.1935498 .311878 -0.62 0.535 -.8071922 .4200927
_Isic_36 | 0 (omitted)
_Isic_37 | -.1332229 .2761078 -0.48 0.630 -.6764849 .410039
_Isic_38 | 0 (omitted)
_Isic_39 | 0 (omitted)
64
_Isic_41 | -.0881488 .2310934 -0.38 0.703 -.5428417 .3665441
_Isic_42 | -.0227977 .309133 -0.07 0.941 -.6310391 .5854437
_Isic_44 | -.2390434 .2518025 -0.95 0.343 -.7344829 .2563961
_Isic_47 | -.119289 .3455992 -0.35 0.730 -.7992803 .5607023
_Isic_48 | -.1059484 .3055356 -0.35 0.729 -.7071117 .4952149
_Isic_50 | -.0409719 .3340475 -0.12 0.902 -.6982345 .6162907
_Isic_51 | -.2200162 .3109627 -0.71 0.480 -.8318577 .3918253
_Isic_53 | .1031801 .2732281 0.38 0.706 -.4344159 .6407761
_Isic_54 | 0 (omitted)
_Isic_55 | -.102754 .1610815 -0.64 0.524 -.4196935 .2141855
_Isic_58 | .0586674 .2882307 0.20 0.839 -.5084474 .6257821
_Isic_59 | .0632588 .2647983 0.24 0.811 -.457751 .5842686
_Isic_65 | 0 (omitted)
_Isic_70 | .5648643 .2759261 2.05 0.041 .0219598 1.107769
_Isic_73 | -.1003039 .3023535 -0.33 0.740 -.6952062 .4945985
_Isic_80 | 0 (omitted)
_Isic_99 | -.3044169 .2368055 -1.29 0.200 -.7703488 .161515
_Iyear_1996 | -.2559095 .021773 -11.75 0.000 -.2987495 -.2130696
_Iyear_1997 | -.3662403 .0272766 -13.43 0.000 -.419909 -.3125716
_Iyear_1999 | -.2661138 .0304296 -8.75 0.000 -.3259861 -.2062414
_Iyear_2000 | -.2005776 .0205472 -9.76 0.000 -.2410057 -.1601495
_Iyear_2001 | -.376198 .0339573 -11.08 0.000 -.4430115 -.3093846
_cons | .3433509 .372309 0.92 0.357 -.3891938 1.075896
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.154 dengan
probabilitas 0.002. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik pada perusahaan yang kompleks berhubungan negatif
signifikan pada level 1% dengan stock price crash risk, yang
diproksikan dengan variabel duvol. Hasil ini konsisten dengan
hipotesis penelitian, yang menunjukkan bahwa hubungan
negatif antara koneksi politik dan stock price crash risk lebih
jelas untuk perusahaan dengan struktur perusahaan yang
kompleks. Dengan demikian, hipotesis 3 penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasi untuk perusahaan yang kompleks sebanyak 315
observasi. Nilai R-squared dari model regresi adalah 27.83%.
Ini mengindikasikan bahwa model regresi mampu menjelaskan
hubungan antara variabel independen dan dependen sebesar
27.83%. Selain itu, dapat dilihat juga bahwa model regresi ini
65
menggunakan dua jenis cluster yaitu gvkey dan year. Jumlah
cluster gvkey menunjukkan bahwa model regresi menguji 70
perusahaan yang unik, sedangkan jumlah cluster year
menunjukkan bahwa model regresi menguji data selama 6
tahun.
Sementara untuk menjalankan analisis regresi OLS
clustered two dimensions pada sub-sampel perusahaan yang
kurang kompleks, dengan variabel dependennya adalah duvol,
pengguna dapat menggunakan perintah berikut ini:
xi: cluster2 duvol pcon size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year if
complex == 0, fcluster(gvkey) tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 duvol pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if complex == 0, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 397
F( 43, 395) = .
Prob > F = .
Number of clusters (gvkey) = 112 R-squared = 0.1654
Number of clusters (year) = 6 Root MSE = 0.2892
------------------------------------------------------------------------------
duvol | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pcon | -.1032653 .0596878 -1.73 0.084 -.2206108 .0140803
size | .0299693 .0205881 1.46 0.146 -.0105067 .0704454
roa | .0655385 .0835198 0.78 0.433 -.0986604 .2297375
leverage | .0063192 .0563379 0.11 0.911 -.1044405 .1170789
mtb | .0035172 .0064816 0.54 0.588 -.0092255 .0162599
lag_ncskew | .0106397 .0202428 0.53 0.599 -.0291575 .0504368
dturn | -1.083176 4.570622 -0.24 0.813 -10.06896 7.902611
sigma | .5532273 .4165447 1.33 0.185 -.2656946 1.372149
ret | .0079844 .0053384 1.50 0.136 -.0025107 .0184796
_Isic_2 | .2645901 .205556 1.29 0.199 -.1395305 .6687106
_Isic_8 | 0 (omitted)
_Isic_9 | 0 (omitted)
_Isic_10 | -.1551042 .0961198 -1.61 0.107 -.3440745 .0338661
_Isic_12 | 0 (omitted)
_Isic_13 | 0 (omitted)
_Isic_14 | .0482551 .0630729 0.77 0.445 -.0757455 .1722557
_Isic_15 | 0 (omitted)
_Isic_16 | 0 (omitted)
66
_Isic_20 | -.0835558 .1128638 -0.74 0.460 -.3054447 .1383332
_Isic_21 | -.0253885 .1933555 -0.13 0.896 -.4055231 .3547461
_Isic_22 | .0359316 .1183458 0.30 0.762 -.1967349 .2685981
_Isic_23 | -.0131236 .1261109 -0.10 0.917 -.2610561 .234809
_Isic_24 | .0022405 .1385466 0.02 0.987 -.2701405 .2746215
_Isic_25 | -.0476221 .1235594 -0.39 0.700 -.2905383 .1952942
_Isic_26 | -.1214731 .1775029 -0.68 0.494 -.4704416 .2274954
_Isic_28 | -.0874774 .144073 -0.61 0.544 -.3707232 .1957685
_Isic_30 | -.0624829 .1725656 -0.36 0.717 -.4017448 .276779
_Isic_31 | .0175158 .0810405 0.22 0.829 -.1418088 .1768405
_Isic_32 | -.0344954 .1514838 -0.23 0.820 -.3323107 .26332
_Isic_33 | .0928843 .1025397 0.91 0.366 -.1087075 .2944761
_Isic_34 | .0089996 .2427061 0.04 0.970 -.4681577 .4861568
_Isic_35 | 0 (omitted)
_Isic_36 | .2007564 .1446386 1.39 0.166 -.0836014 .4851141
_Isic_37 | .5011628 .1317046 3.81 0.000 .2422332 .7600924
_Isic_38 | .3148664 .137276 2.29 0.022 .0449835 .5847492
_Isic_39 | .2023725 .152059 1.33 0.184 -.0965737 .5013186
_Isic_41 | .014907 .1515516 0.10 0.922 -.2830417 .3128557
_Isic_42 | 0 (omitted)
_Isic_44 | -.2590292 .1559471 -1.66 0.098 -.5656192 .0475609
_Isic_47 | 0 (omitted)
_Isic_48 | 0 (omitted)
_Isic_50 | .0636485 .2227611 0.29 0.775 -.3742972 .5015941
_Isic_51 | .1152975 .1662912 0.69 0.488 -.2116291 .442224
_Isic_53 | -.1917798 .1353305 -1.42 0.157 -.4578379 .0742782
_Isic_54 | -.0966204 .1039652 -0.93 0.353 -.3010147 .107774
_Isic_55 | 0 (omitted)
_Isic_58 | .0003028 .1649284 0.00 0.999 -.3239445 .3245501
_Isic_59 | 0 (omitted)
_Isic_65 | -.0608246 .1447209 -0.42 0.675 -.3453442 .223695
_Isic_70 | -.003053 .1653383 -0.02 0.985 -.3281062 .3220001
_Isic_73 | -.2662126 .0904844 -2.94 0.003 -.4441038 -.0883213
_Isic_80 | .0047688 .1281226 0.04 0.970 -.2471187 .2566563
_Isic_99 | 0 (omitted)
_Iyear_1996 | -.0049832 .0573534 -0.09 0.931 -.1177394 .1077729
_Iyear_1997 | -.1065626 .0693817 -1.54 0.125 -.2429661 .0298409
_Iyear_1999 | -.0403084 .0800052 -0.50 0.615 -.1975975 .1169808
_Iyear_2000 | .1371369 .0666831 2.06 0.040 .0060388 .2682351
_Iyear_2001 | .0209106 .0816106 0.26 0.798 -.1395348 .181356
_cons | -.1968815 .223609 -0.88 0.379 -.6364941 .2427311
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.103 dengan
probabilitas 0.084. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik pada perusahaan yang kurang kompleks berhubungan
negatif signifikan pada level 10% dengan stock price crash
risk, yang diproksikan dengan variabel duvol. Tingkat
signifikansi perusahaan yang kurang kompleks masih lebih
67
rendah daripada perusahaan yang kompleks. Dengan demikian,
masih terbukti bahwa hubungan negatif antara koneksi politik
dan stock price crash risk lebih jelas untuk perusahaan dengan
struktur perusahaan yang kompleks, sehingga hipotesis 3
penelitian didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasi untuk perusahaan yang kurang kompleks sebanyak
397 observasi. Nilai R-squared dari model regresi adalah
16.54%. Ini mengindikasikan bahwa model regresi mampu
menjelaskan hubungan antara variabel independen dan
dependen sebesar 16.54%. Selain itu, dapat dilihat juga bahwa
model regresi ini menggunakan dua jenis cluster yaitu gvkey
dan year. Jumlah cluster gvkey menunjukkan bahwa model
regresi menguji 112 perusahaan yang unik, sedangkan jumlah
cluster year menunjukkan bahwa model regresi menguji data
selama 6 tahun.
Untuk menjalankan analisis regresi OLS clustered two
dimensions pada sub-sampel perusahaan yang kompleks,
dengan variabel dependennya adalah ncskew, pengguna dapat
menggunakan perintah berikut ini:
xi: cluster2 ncskew pcon size roa leverage
mtb lag_ncskew dturn sigma ret i.sic i.year
if complex == 1, fcluster(gvkey)
tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 ncskew pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if complex == 1, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 315
F( 45, 313) = .
68
Prob > F = .
Number of clusters (gvkey) = 70 R-squared = 0.1668
Number of clusters (year) = 6 Root MSE = 1.3513
------------------------------------------------------------------------------
ncskew | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pcon | -.6012808 .1916525 -3.14 0.002 -.9783709 -.2241907
size | .0551643 .0814791 0.68 0.499 -.1051517 .2154803
roa | .2511784 .4210581 0.60 0.551 -.5772836 1.07964
leverage | .0146677 .4172777 0.04 0.972 -.8063563 .8356918
mtb | .0292437 .0283039 1.03 0.302 -.0264462 .0849336
lag_ncskew | .0174727 .0622227 0.28 0.779 -.1049548 .1399003
dturn | -19.7265 7.241911 -2.72 0.007 -33.97548 -5.477514
sigma | 1.053306 3.019597 0.35 0.727 -4.88797 6.994581
ret | -.0190059 .0272974 -0.70 0.487 -.0727156 .0347038
_Isic_2 | -1.441323 1.832937 -0.79 0.432 -5.047758 2.165112
_Isic_8 | -1.838824 1.76567 -1.04 0.298 -5.312907 1.635258
_Isic_9 | 0 (omitted)
_Isic_10 | -2.233281 1.755765 -1.27 0.204 -5.687875 1.221313
_Isic_12 | -2.053933 1.8017 -1.14 0.255 -5.598907 1.491041
_Isic_13 | -2.72152 2.059844 -1.32 0.187 -6.774412 1.331372
_Isic_14 | 0 (omitted)
_Isic_15 | -1.665427 1.795411 -0.93 0.354 -5.198027 1.867173
_Isic_16 | -1.626265 1.802417 -0.90 0.368 -5.172649 1.920119
_Isic_20 | -1.644055 1.944267 -0.85 0.398 -5.46954 2.18143
_Isic_21 | -1.812373 1.894957 -0.96 0.340 -5.540838 1.916092
_Isic_22 | -2.018262 2.033974 -0.99 0.322 -6.020253 1.983729
_Isic_23 | -1.856314 1.977305 -0.94 0.349 -5.746804 2.034175
_Isic_24 | -1.208849 1.944133 -0.62 0.535 -5.034071 2.616373
_Isic_25 | 0 (omitted)
_Isic_26 | -.6479851 1.994046 -0.32 0.745 -4.571414 3.275444
_Isic_28 | -1.818015 2.201202 -0.83 0.409 -6.149039 2.513009
_Isic_30 | -1.885465 1.827191 -1.03 0.303 -5.480594 1.709664
_Isic_31 | 0 (omitted)
_Isic_32 | -2.268628 2.06021 -1.10 0.272 -6.322239 1.784983
_Isic_33 | -1.17807 1.910001 -0.62 0.538 -4.936134 2.579994
_Isic_34 | -.5249082 1.873509 -0.28 0.780 -4.211172 3.161355
_Isic_35 | -1.980084 1.83727 -1.08 0.282 -5.595045 1.634877
_Isic_36 | 0 (omitted)
_Isic_37 | -1.84727 1.805428 -1.02 0.307 -5.39958 1.705041
_Isic_38 | 0 (omitted)
_Isic_39 | 0 (omitted)
_Isic_41 | -1.491698 1.630188 -0.92 0.361 -4.69921 1.715814
_Isic_42 | -1.110835 1.851251 -0.60 0.549 -4.753305 2.531635
_Isic_44 | -2.029652 1.808448 -1.12 0.263 -5.587902 1.528599
_Isic_47 | -1.586917 2.025535 -0.78 0.434 -5.572304 2.39847
_Isic_48 | -1.813573 1.921488 -0.94 0.346 -5.59424 1.967093
_Isic_50 | -1.444785 1.976024 -0.73 0.465 -5.332755 2.443184
_Isic_51 | -1.958098 1.924398 -1.02 0.310 -5.74449 1.828294
_Isic_53 | -1.099402 1.706547 -0.64 0.520 -4.457155 2.258352
_Isic_54 | 0 (omitted)
_Isic_55 | -1.637635 1.576118 -1.04 0.300 -4.73876 1.46349
_Isic_58 | -1.318932 1.819267 -0.72 0.469 -4.898472 2.260607
_Isic_59 | -1.136201 1.576168 -0.72 0.472 -4.237426 1.965023
_Isic_65 | 0 (omitted)
_Isic_70 | -.2329626 1.655798 -0.14 0.888 -3.490865 3.02494
_Isic_73 | -1.159422 1.784941 -0.65 0.516 -4.671423 2.352578
_Isic_80 | 0 (omitted)
_Isic_99 | -2.136806 1.704502 -1.25 0.211 -5.490536 1.216925
_Iyear_1996 | -1.015625 .0977401 -10.39 0.000 -1.207936 -.8233141
_Iyear_1997 | -.9966618 .1614056 -6.17 0.000 -1.314239 -.6790846
_Iyear_1999 | -1.059802 .1916395 -5.53 0.000 -1.436866 -.682737
_Iyear_2000 | -.7912864 .1592595 -4.97 0.000 -1.104641 -.4779319
69
_Iyear_2001 | -1.244793 .2036493 -6.11 0.000 -1.645487 -.8440982
_cons | 2.270222 2.11375 1.07 0.284 -1.888734 6.429177
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.601 dengan
probabilitas 0.002. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik pada perusahaan yang kompleks berhubungan negatif
signifikan pada level 1% dengan stock price crash risk, yang
diproksikan dengan variabel ncskew. Hasil ini konsisten
dengan hipotesis penelitian, yang menunjukkan bahwa
hubungan negatif antara koneksi politik dan stock price crash
risk lebih jelas untuk perusahaan dengan struktur perusahaan
yang kompleks. Dengan demikian, hipotesis 3 penelitian
didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasi untuk perusahaan yang kompleks sebanyak 315
observasi. Nilai R-squared dari model regresi adalah 16.68%.
Ini mengindikasikan bahwa model regresi mampu menjelaskan
hubungan antara variabel independen dan dependen sebesar
16.68%. Selain itu, dapat dilihat juga bahwa model regresi ini
menggunakan dua jenis cluster yaitu gvkey dan year. Jumlah
cluster gvkey menunjukkan bahwa model regresi menguji 70
perusahaan yang unik, sedangkan jumlah cluster year
menunjukkan bahwa model regresi menguji data selama 6
tahun.
Sementara untuk menjalankan analisis regresi OLS
clustered two dimensions pada sub-sampel perusahaan yang
kurang kompleks, dengan variabel dependennya adalah
ncskew, pengguna dapat menggunakan perintah berikut ini:
70
xi: cluster2 ncskew pcon size roa leverage
mtb lag_ncskew dturn sigma ret i.sic i.year
if complex == 0, fcluster(gvkey)
tcluster(year)
Hasilnya akan muncul seperti di bawah ini:
. xi: cluster2 ncskew pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if complex == 0, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 397
F( 43, 395) = .
Prob > F = .
Number of clusters (gvkey) = 112 R-squared = 0.1510
Number of clusters (year) = 6 Root MSE = 0.7612
------------------------------------------------------------------------------
ncskew | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
pcon | -.2366412 .1989937 -1.19 0.235 -.6278604 .1545781
size | .0748965 .0598847 1.25 0.212 -.0428361 .1926291
roa | .2218944 .2238416 0.99 0.322 -.2181755 .6619642
leverage | .071474 .1350071 0.53 0.597 -.1939483 .3368962
mtb | .0208465 .0173288 1.20 0.230 -.0132217 .0549147
lag_ncskew | .0464285 .0454439 1.02 0.308 -.0429137 .1357707
dturn | 2.714999 16.09614 0.17 0.866 -28.92981 34.35981
sigma | 1.181788 .9376663 1.26 0.208 -.661653 3.025228
ret | .017149 .0138439 1.24 0.216 -.010068 .0443661
_Isic_2 | .4909006 .5470577 0.90 0.370 -.5846083 1.566409
_Isic_8 | 0 (omitted)
_Isic_9 | 0 (omitted)
_Isic_10 | -.3212397 .2313529 -1.39 0.166 -.7760766 .1335972
_Isic_12 | 0 (omitted)
_Isic_13 | 0 (omitted)
_Isic_14 | -.046084 .17926 -0.26 0.797 -.3985069 .3063389
_Isic_15 | 0 (omitted)
_Isic_16 | 0 (omitted)
_Isic_20 | -.3289293 .2527519 -1.30 0.194 -.8258365 .1679779
_Isic_21 | -.2161604 .3393246 -0.64 0.524 -.8832685 .4509477
_Isic_22 | -.0481717 .2560997 -0.19 0.851 -.5516606 .4553172
_Isic_23 | -.0822515 .1658113 -0.50 0.620 -.4082346 .2437315
_Isic_24 | -.1995309 .1953371 -1.02 0.308 -.5835613 .1844995
_Isic_25 | -.4548785 .2401567 -1.89 0.059 -.9270237 .0172667
_Isic_26 | -.3178933 .4638257 -0.69 0.494 -1.229769 .5939824
_Isic_28 | -.3284072 .2805055 -1.17 0.242 -.8798776 .2230632
_Isic_30 | -.3252624 .4008933 -0.81 0.418 -1.113414 .4628889
_Isic_31 | -.109194 . . . . .
_Isic_32 | -.2280396 .3381099 -0.67 0.500 -.8927595 .4366804
_Isic_33 | .0899107 .2740448 0.33 0.743 -.448858 .6286795
_Isic_34 | -.0967994 .4304127 -0.22 0.822 -.9429856 .7493867
_Isic_35 | 0 (omitted)
_Isic_36 | .1860563 .3200706 0.58 0.561 -.4431986 .8153112
_Isic_37 | .7013761 .2836505 2.47 0.014 .1437227 1.259029
71
_Isic_38 | 1.065541 .2916957 3.65 0.000 .4920704 1.639011
_Isic_39 | .3073188 .3215562 0.96 0.340 -.3248569 .9394945
_Isic_41 | -.197773 .3534697 -0.56 0.576 -.8926901 .4971441
_Isic_42 | 0 (omitted)
_Isic_44 | -.5415014 .4760065 -1.14 0.256 -1.477324 .3943216
_Isic_47 | 0 (omitted)
_Isic_48 | 0 (omitted)
_Isic_50 | -.0090471 .4891109 -0.02 0.985 -.9706332 .952539
_Isic_51 | .29042 .3181685 0.91 0.362 -.3350953 .9159353
_Isic_53 | -.5990057 .3005603 -1.99 0.047 -1.189904 -.0081078
_Isic_54 | -.348498 .2085913 -1.67 0.096 -.758586 .06159
_Isic_55 | 0 (omitted)
_Isic_58 | .1381182 .5165071 0.27 0.789 -.8773285 1.153565
_Isic_59 | 0 (omitted)
_Isic_65 | -.3500915 .3467325 -1.01 0.313 -1.031763 .3315803
_Isic_70 | -.1588072 .3278982 -0.48 0.628 -.8034511 .4858366
_Isic_73 | -.6039928 .4684882 -1.29 0.198 -1.525035 .3170494
_Isic_80 | -.1970876 .3528961 -0.56 0.577 -.890877 .4967018
_Isic_99 | 0 (omitted)
_Iyear_1996 | -.0621009 .166199 -0.37 0.709 -.3888461 .2646443
_Iyear_1997 | -.2908954 .1819718 -1.60 0.111 -.6486497 .066859
_Iyear_1999 | -.2676792 .2273762 -1.18 0.240 -.714698 .1793396
_Iyear_2000 | .3065354 .1875548 1.63 0.103 -.0621951 .6752659
_Iyear_2001 | -.0010548 .2280452 -0.00 0.996 -.449389 .4472794
_cons | -.3081669 .4996486 -0.62 0.538 -1.29047 .6741362
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.237 dengan
probabilitas 0.235. Ini mengindikasikan bahwa setelah
mengendalikan variabel kontrol spesifik perusahaan, koneksi
politik pada perusahaan yang kurang kompleks tidak
berhubungan dengan stock price crash risk, yang diproksikan
dengan variabel ncskew. Karena hasil untuk perusahaan yang
kurang kompleks tidak signifikan, maka masih terbukti bahwa
hubungan negatif antara koneksi politik dan stock price crash
risk lebih jelas untuk perusahaan dengan struktur perusahaan
yang kompleks. Dengan demikian, hipotesis 3 penelitian
didukung.
Selain itu, hasil diatas menunjukkan bahwa jumlah
observasi untuk perusahaan yang kurang kompleks sebanyak
397 observasi. Nilai R-squared dari model regresi adalah
15.10%. Ini mengindikasikan bahwa model regresi mampu
72
menjelaskan hubungan antara variabel independen dan
dependen sebesar 15.10%. Selain itu, dapat dilihat juga bahwa
model regresi ini menggunakan dua jenis cluster yaitu gvkey
dan year. Jumlah cluster gvkey menunjukkan bahwa model
regresi menguji 112 perusahaan yang unik, sedangkan jumlah
cluster year menunjukkan bahwa model regresi menguji data
selama 6 tahun.
Analisis Tambahan – Coarsened Exact Matching (CEM)
Variabel pcon diperlakukan sebagai variabel yang telah
ditentukan sebelumnya dalam analisis sebelumnya, sehingga
terdapat potensial masalah endogenitas dalam penelitian ini.
Oleh sebab itu, untuk memastikan bahwa pengelompokan
observasi ke dalam kelompok treatment dan kelompok control
adalah acak, penelitian ini menggunakan pendekatan
Coarsened Exact Matching (CEM).
Iacus et al. (2008) menjelaskan CEM merupakan metode
pencocokan "Monotonic Imbalance Bounding" (MIB) yang
memungkinkan seseorang untuk memilih tingkat
ketidakseimbangan maksimum yang tetap untuk mengurangi
ketidakseimbangan maksimum untuk satu variabel tanpa
mengubahnya untuk variabel yang lain. Input utama untuk
CEM adalah variabel yang akan digunakan dan cutpoint yang
menentukan coarsening. Pengguna dapat menentukan cutpoint
untuk suatu variabel atau mengizinkan cem untuk secara
otomatis mengurai data berdasarkan algoritma binning yang
dipilih oleh pengguna.
Untuk menentukan cutpoint untuk suatu variabel,
pengguna dapat menempatkan numlist di dalam tanda kurung
setelah nama variabel. Sementara untuk menentukan
pengerasan otomatis, letakkan string yang menunjukkan
73
algoritma binning untuk digunakan dalam tanda kurung setelah
nama variabel. Untuk membuat jumlah tertentu dari titik
potong yang berjarak sama, contohnya 10, maka tempatkan "#
10" di dalam tanda kurung (ini akan termasuk nilai ekstrim dari
variabel).
Untuk menjalankan metode CEM dalam penelitian
tersebut, pengguna dapat menggunakan perintah berikut ini:
cem size (#5) roa (#5) leverage (#5) mtb (#5)
lag_ncskew (#5) dturn (#5) sigma (#5) ret
(#5), treatment(pcon)
Hasilnya akan muncul seperti di bawah ini:
Matching Summary:
-----------------
Number of strata: 171
Number of matched strata: 36
0 1
All 581 149
Matched 403 109
Unmatched 178 40
Multivariate L1 distance: 1
Univariate imbalance:
L1 mean min 25% 50% 75% max
size .12638 .16808 1.1439 .36676 .09964 -.02455 -.66739
roa .19893 -.00682 .27937 .00924 1.4e-05 -.0084 -.05518
leverage .14553 -.02533 0 -.01267 -.02211 -.03859 -.1039
mtb .19874 .20868 4.2388 .25088 -.05449 .06665 0
lag_ncskew .15259 -.0356 .07679 -.00161 .03338 .03751 -3.0034
dturn .16857 -.00039 -.00861 -.00069 .0001 0 -.00302
sigma .11343 -.00353 .00529 .00076 -.00311 -.00285 0
ret .16697 .05347 .05919 -.04462 -.03637 .09566 -.13395
Penelitian tersebut mengatur setiap variabel menjadi
lima kelompok yang sama, yang disebut dengan strata. Ada
delapan variabel yang dimasukkan ke dalam model CEM, yaitu
74
size, roa, leverage, mtb, lag_ncskew, dturn, sigma, dan ret.
Kedelapan variabel ini akan di treatment oleh variabel pcon dan
dikelompokkan kedalam lima kelompok yang sama.
Hasil CEM menunjukkan bahwa terdapat total 171
strata. Dari total 171 strata yang dihasilkan oleh model CEM,
36 strata berisi observasi yang terdiri dari perusahaan yang
terkoneksi politik dan perusahaan yang tidak terkoneksi politik.
Sebanyak 109 dari 149 observasi untuk perusahaan yang
terkoneksi politik dicocokkan dengan 403 dari 581 observasi
untuk perusahaan yang tidak terkoneksi politik.
Selanjutnya, penelitian tersebut menggunakan statistik
L1 untuk mengukur kualitas pencocokan (Iacus et al., 2012).
Statistik L1 adalah perbedaan mutlak dalam nilai variabel
antara perusahaan yang terhubung dan yang tidak terhubung.
Hasil penelitian menunjukkan bahwa statistik L1 pasca-
pertandingan umumnya lebih rendah daripada statistik L1 pra-
pertandingan, menunjukkan ada peningkatan yang signifikan
dalam kualitas pencocokan dengan CEM.
Kolom pertama, berlabel L1 menunjukkan perbedaan
nilai mutlak pada masing-masing variabel secara terpisah.
Kolom kedua, berlabel mean, menunjukkan perbedaan dalam
mean untuk masing-masing variabel. Kemudian lima kolom
yang tersisa dalam tabel melaporkan perbedaan dalam nilai
minimum, maksimum, kuartil dan persentil untuk masing-
masing variabel dari distribusi dari dua kelompok.
Analisis tambahan ini dilakukan untuk memperkuat
hipotesis penelitian. Setelah melakukan metode pencocokan
dengan menggunakan CEM, maka dapat dialakukan kembali
pengujian regresi dengan model difference-in-difference.
Sebelum melakukan regresi, pengguna perlu melakukan
beberapa langkah sebagai berikut:
75
replace did = did*-1
replace pcon = pcon*1.1 - duvol*0.1
label var did3 "{\i DID}"
label var pcon2 "{\i PCON}"
Langkah selanjutnya, pengguna dapat melakukan regresi
untuk memprediksi hubungan antara koneksi politik dengan
stock price crash risk (yang diproksikan oleh variabel crash).
Pengguna dapat menggunakan perintah berikut ini:
logit2 crash did pcon2 size roa leverage mtb
lag_ncskew dturn sigma ret i.sic i.year if
cem_matched == 1, fcluster(gvkey)
tcluster(year)
Hasilnya akan muncul seperti berikut ini:
. xi: logit2 crash did pcon2 size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if cem_matched == 1, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Logit with 2D clustered SEs
Number of obs = 475
Number of clusters (gvkey) = 155 Wald chi2( 47) = 59.66
Number of clusters (year) = 6 Prob > chi2 = 0.1018
Log pseudolikelihood = -283.91024 Pseudo R2 = 0.1235
------------------------------------------------------------------------------
crash | Coef. Std. Err. z P>|z| [95% Conf. Interval]
-------------+----------------------------------------------------------------
crash |
did | 1.077469 .5137203 2.10 0.036 .0705956 2.084342
pcon2 | .5905538 .1900451 3.11 0.002 .2180721 .9630354
size | .2941866 .049784 5.91 0.000 .1966118 .3917615
roa | -1.337494 .6127293 -2.18 0.029 -2.538421 -.1365668
leverage | -.8231694 .2285353 -3.60 0.000 -1.27109 -.3752486
mtb | .0833645 .0983752 0.85 0.397 -.1094474 .2761764
lag_ncskew | -.0990216 .1770358 -0.56 0.576 -.4460054 .2479621
dturn | -2.267915 37.47767 -0.06 0.952 -75.7228 71.18697
sigma | -6.598749 4.898 -1.35 0.178 -16.19865 3.001154
ret | .2111008 .1362291 1.55 0.121 -.0559033 .478105
_Isic_2 | .0229461 1.288598 0.02 0.986 -2.50266 2.548552
_Isic_8 | .8440849 1.145974 0.74 0.461 -1.401983 3.090152
_Isic_9 | 0 (omitted)
_Isic_10 | -1.032622 1.350427 -0.76 0.444 -3.679411 1.614167
76
_Isic_12 | 0 (omitted)
_Isic_13 | -1.634401 1.262739 -1.29 0.196 -4.109325 .8405231
_Isic_14 | .2596473 1.502861 0.17 0.863 -2.685907 3.205202
_Isic_15 | 0 (omitted)
_Isic_16 | 0 (omitted)
_Isic_20 | -1.077143 .8903152 -1.21 0.226 -2.822129 .6678422
_Isic_21 | -.4294522 1.384177 -0.31 0.756 -3.14239 2.283486
_Isic_22 | -.4445975 1.220558 -0.36 0.716 -2.836848 1.947653
_Isic_23 | -.074506 1.142069 -0.07 0.948 -2.312921 2.163909
_Isic_24 | -.8013632 1.302256 -0.62 0.538 -3.353738 1.751011
_Isic_25 | -.5861881 . . . . .
_Isic_26 | .160541 1.146216 0.14 0.889 -2.086001 2.407083
_Isic_28 | .2347995 1.319618 0.18 0.859 -2.351604 2.821203
_Isic_30 | -.3428914 1.318354 -0.26 0.795 -2.926819 2.241036
_Isic_31 | -2.265185 1.403733 -1.61 0.107 -5.01645 .4860811
_Isic_32 | -.2442344 1.324744 -0.18 0.854 -2.840684 2.352215
_Isic_33 | -.3331194 1.015369 -0.33 0.743 -2.323206 1.656967
_Isic_34 | 0 (omitted)
_Isic_35 | .8094141 1.917847 0.42 0.673 -2.949497 4.568326
_Isic_36 | 0 (omitted)
_Isic_37 | -.4428812 1.184959 -0.37 0.709 -2.765358 1.879596
_Isic_38 | 0 (omitted)
_Isic_39 | .1315335 1.261578 0.10 0.917 -2.341114 2.604181
_Isic_41 | -.1702808 1.585152 -0.11 0.914 -3.277122 2.93656
_Isic_42 | 0 (omitted)
_Isic_44 | .3697424 1.109536 0.33 0.739 -1.804908 2.544393
_Isic_47 | -.3743104 1.010938 -0.37 0.711 -2.355712 1.607091
_Isic_48 | -.6455368 .8665748 -0.74 0.456 -2.343992 1.052919
_Isic_50 | -.7027539 1.024605 -0.69 0.493 -2.710943 1.305435
_Isic_51 | -1.284742 1.658953 -0.77 0.439 -4.53623 1.966746
_Isic_53 | -.7360147 .884586 -0.83 0.405 -2.469771 .9977419
_Isic_54 | 0 (omitted)
_Isic_55 | -.9293103 . . . . .
_Isic_58 | .8135672 1.616271 0.50 0.615 -2.354265 3.9814
_Isic_59 | 0 (omitted)
_Isic_65 | 0 (omitted)
_Isic_70 | 0 (omitted)
_Isic_73 | -.0025049 .9431518 -0.00 0.998 -1.851048 1.846039
_Isic_80 | .1840164 1.350857 0.14 0.892 -2.463615 2.831647
_Isic_99 | -.9727234 1.937439 -0.50 0.616 -4.770034 2.824587
_Iyear_1996 | -3.632519 .5269549 -6.89 0.000 -4.665331 -2.599706
_Iyear_1997 | -3.429552 .4309945 -7.96 0.000 -4.274286 -2.584819
_Iyear_1999 | -3.39857 .6314368 -5.38 0.000 -4.636164 -2.160977
_Iyear_2000 | -2.493598 .5631407 -4.43 0.000 -3.597334 -1.389863
_Iyear_2001 | -3.283307 .6520517 -5.04 0.000 -4.561305 -2.005309
_cons | 3.019181 1.663749 1.81 0.070 -.2417063 6.280069
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon2 memiliki nilai koefisien sebesar -0.591 dengan
probabilitas 0.002, signifikan pada level 1%, dan nilai koefisien
variabel did adalah sebesar 1.077 dengan probabilitas 0.036,
signifikan pada level 5%. Hasil ini konsisten dengan hipotesis
penelitian, yang menunjukkan bahwa stock price crash risk
77
(yang diproksikan oleh variabel crash) dari perusahaan yang
terhubung secara politis meningkat setelah jatuhnya Suharto.
Dengan demikian dapat memperkuat hasil peneltian.
Selanjutnya, pengguna dapat melakukan regresi untuk
memprediksi hubungan antara koneksi politik dengan stock
price crash risk (yang diproksikan oleh variabel duvol).
Pengguna dapat menggunakan perintah berikut ini:
xi: cluster2 duvol did3 pcon size roa
leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if cem_matched == 1, fcluster(gvkey)
tcluster(year)
Hasilnya akan muncul seperti berikut ini:
. xi: cluster2 duvol did3 pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic
i.year if cem_matched == 1, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 512
F( 54, 510) = .
Prob > F = .
Number of clusters (gvkey) = 170 R-squared = 0.2415
Number of clusters (year) = 6 Root MSE = 0.2685
------------------------------------------------------------------------------
duvol | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
did3 | .3117457 .0995877 3.13 0.002 .1160931 .5073982
pcon | -.2570348 .1251911 -2.05 0.041 -.5029885 -.0110811
size | .0093728 .0114662 0.82 0.414 -.013154 .0318995
roa | .0465211 .0781655 0.60 0.552 -.107045 .2000872
leverage | .0077323 .0875086 0.09 0.930 -.1641894 .1796541
mtb | .0069652 .0064248 1.08 0.279 -.0056572 .0195876
lag_ncskew | .0321145 .0174082 1.84 0.066 -.0020861 .066315
dturn | -4.079201 3.853917 -1.06 0.290 -11.65071 3.492306
sigma | .5493085 .7272923 0.76 0.450 -.8795491 1.978166
ret | .0347847 .0125637 2.77 0.006 .0101018 .0594677
_Isic_2 | -.1096276 .2436535 -0.45 0.653 -.5883157 .3690606
_Isic_8 | -.3736769 .2288284 -1.63 0.103 -.8232392 .0758854
_Isic_9 | -.1336811 .2469805 -0.54 0.589 -.6189054 .3515432
_Isic_10 | -.3048308 .2916029 -1.05 0.296 -.8777216 .2680599
_Isic_12 | -.4541926 .2692469 -1.69 0.092 -.9831621 .0747769
_Isic_13 | -.4849911 .3134793 -1.55 0.122 -1.100861 .1308786
_Isic_14 | -.1442557 .2793833 -0.52 0.606 -.6931395 .404628
_Isic_15 | -.2023083 .2408252 -0.84 0.401 -.6754397 .2708232
_Isic_16 | -.2238989 .3026603 -0.74 0.460 -.8185133 .3707155
_Isic_20 | -.2283923 .2550479 -0.90 0.371 -.7294661 .2726815
78
_Isic_21 | -.2288375 .2766372 -0.83 0.409 -.7723263 .3146512
_Isic_22 | -.1538954 .313011 -0.49 0.623 -.768845 .4610542
_Isic_23 | -.2259633 .2857927 -0.79 0.430 -.7874392 .3355126
_Isic_24 | -.1634971 .3666655 -0.45 0.656 -.8838578 .5568636
_Isic_25 | -.3571041 .1637075 -2.18 0.030 -.6787282 -.0354801
_Isic_26 | -.1926153 .3250812 -0.59 0.554 -.8312784 .4460478
_Isic_28 | -.2532375 .3119116 -0.81 0.417 -.8660272 .3595522
_Isic_30 | -.2599102 .2939946 -0.88 0.377 -.8374998 .3176794
_Isic_31 | -.2392746 .3305732 -0.72 0.470 -.8887275 .4101783
_Isic_32 | -.245549 .2739758 -0.90 0.371 -.7838091 .292711
_Isic_33 | -.0988425 .3028714 -0.33 0.744 -.6938717 .4961867
_Isic_34 | .0355432 .3274818 0.11 0.914 -.6078363 .6789227
_Isic_35 | -.2223846 .317405 -0.70 0.484 -.8459669 .4011977
_Isic_36 | .4081458 .2413796 1.69 0.091 -.066075 .8823666
_Isic_37 | -.11998 .3345835 -0.36 0.720 -.7773115 .5373515
_Isic_38 | -.0792737 .2529349 -0.31 0.754 -.5761963 .4176488
_Isic_39 | -.1172299 .2184951 -0.54 0.592 -.5464912 .3120314
_Isic_41 | -.2502587 .2648597 -0.94 0.345 -.7706091 .2700917
_Isic_42 | -.3145577 .3611273 -0.87 0.384 -1.024038 .3949224
_Isic_44 | -.3397873 .2100986 -1.62 0.106 -.7525526 .072978
_Isic_47 | -.2986844 .2544574 -1.17 0.241 -.7985981 .2012293
_Isic_48 | -.2053664 .2744045 -0.75 0.455 -.7444688 .3337359
_Isic_50 | -.1816294 .3149697 -0.58 0.564 -.8004273 .4371684
_Isic_51 | -.3308436 .2776801 -1.19 0.234 -.8763812 .214694
_Isic_53 | -.2579263 .2423714 -1.06 0.288 -.7340956 .2182429
_Isic_54 | -.2464747 .3055228 -0.81 0.420 -.846713 .3537635
_Isic_55 | -.2197162 .0141803 -15.49 0.000 -.2475752 -.1918572
_Isic_58 | -.0340739 .2643438 -0.13 0.897 -.5534107 .4852628
_Isic_59 | .0176219 .3542371 0.05 0.960 -.6783217 .7135654
_Isic_65 | -.2590831 .2434239 -1.06 0.288 -.7373201 .219154
_Isic_70 | -.0799785 .3359687 -0.24 0.812 -.7400315 .5800745
_Isic_73 | -.3681455 .3086092 -1.19 0.233 -.9744473 .2381563
_Isic_80 | -.137717 .2709053 -0.51 0.611 -.6699446 .3945107
_Isic_99 | -.5931569 .402143 -1.47 0.141 -1.383218 .1969038
_Iyear_1996 | -.1593391 .0397776 -4.01 0.000 -.2374872 -.0811909
_Iyear_1997 | -.2539236 .0388385 -6.54 0.000 -.3302266 -.1776205
_Iyear_1999 | -.2947296 .0380649 -7.74 0.000 -.3695128 -.2199463
_Iyear_2000 | -.1366432 .0326401 -4.19 0.000 -.2007687 -.0725176
_Iyear_2001 | -.2681376 .0355835 -7.54 0.000 -.338046 -.1982293
_cons | .292421 .3093832 0.95 0.345 -.3154014 .9002434
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.257 dengan
probabilitas 0.041, signifikan di level 5%, dan nilai koefisien
variabel did3 adalah sebesar 0.312 dengan probabilitas 0.002,
signifikan di lebel 1%. Hasil ini konsisten dengan hipotesis
penelitian, yang menunjukkan bahwa stock price crash risk
(yang diproksikan oleh variabel duvol) dari perusahaan yang
79
terhubung secara politis meningkat setelah jatuhnya Suharto.
Dengan demikian dapat memperkuat hasil peneltian.
Selanjutnya, pengguna dapat melakukan regresi untuk
memprediksi hubungan antara koneksi politik dengan stock
price crash risk (yang diproksikan oleh variabel ncskew).
Pengguna dapat menggunakan perintah berikut ini:
xi: cluster2 ncskew did3 pcon size roa leverage
mtb lag_ncskew dturn sigma ret i.sic i.year if
cem_matched == 1, fcluster(gvkey)
tcluster(year)
Hasilnya akan muncul seperti berikut ini:
. xi: cluster2 ncskew did3 pcon size roa leverage mtb lag_ncskew dturn sigma ret
i.sic i.year if cem_matched == 1, fcluster(gvkey) tcluster(year)
i.sic _Isic_1-99 (naturally coded; _Isic_1 omitted)
i.year _Iyear_1995-2001 (naturally coded; _Iyear_1995 omitted)
Linear regression with 2D clustered SEs Number of obs = 512
F( 54, 510) = .
Prob > F = .
Number of clusters (gvkey) = 170 R-squared = 0.1974
Number of clusters (year) = 6 Root MSE = 1.0271
------------------------------------------------------------------------------
ncskew | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
did3 | 1.15761 .4343383 2.67 0.008 .3042973 2.010922
pcon | -.8710557 .3671611 -2.37 0.018 -1.59239 -.1497213
size | .060575 .0358684 1.69 0.092 -.0098931 .1310431
roa | .1462081 .2162245 0.68 0.499 -.2785924 .5710085
leverage | -.0465776 .1903439 -0.24 0.807 -.4205322 .327377
mtb | .0502531 .0224984 2.23 0.026 .0060521 .0944541
lag_ncskew | .0797694 .0536821 1.49 0.138 -.0256959 .1852346
dturn | -17.75278 15.24827 -1.16 0.245 -47.70994 12.20437
sigma | 2.650572 2.211802 1.20 0.231 -1.694792 6.995936
ret | .0868952 .0253228 3.43 0.001 .0371454 .1366449
_Isic_2 | -2.016989 1.80738 -1.12 0.265 -5.567815 1.533837
_Isic_8 | -2.940667 1.810249 -1.62 0.105 -6.497129 .6157951
_Isic_9 | -2.61827 1.821761 -1.44 0.151 -6.197349 .9608091
_Isic_10 | -2.603109 2.023663 -1.29 0.199 -6.578852 1.372633
_Isic_12 | -2.651596 1.856075 -1.43 0.154 -6.29809 .994898
_Isic_13 | -3.33307 2.040947 -1.63 0.103 -7.342768 .6766288
_Isic_14 | -2.284165 1.874456 -1.22 0.224 -5.966772 1.398441
_Isic_15 | -2.371262 1.827514 -1.30 0.195 -5.961645 1.219121
_Isic_16 | -2.575864 1.918878 -1.34 0.180 -6.345742 1.194014
_Isic_20 | -2.467818 1.852299 -1.33 0.183 -6.106893 1.171258
_Isic_21 | -2.666954 1.914558 -1.39 0.164 -6.428345 1.094438
_Isic_22 | -2.365177 2.029913 -1.17 0.244 -6.353198 1.622845
80
_Isic_23 | -2.461411 2.009734 -1.22 0.221 -6.409787 1.486965
_Isic_24 | -2.358096 2.192808 -1.08 0.283 -6.666143 1.949952
_Isic_25 | -3.006945 1.415551 -2.12 0.034 -5.787974 -.2259159
_Isic_26 | -2.242844 2.044002 -1.10 0.273 -6.258544 1.772855
_Isic_28 | -2.571431 2.00037 -1.29 0.199 -6.50141 1.358549
_Isic_30 | -2.572641 1.976111 -1.30 0.194 -6.45496 1.309677
_Isic_31 | -2.681904 1.943257 -1.38 0.168 -6.499678 1.13587
_Isic_32 | -2.591252 1.982828 -1.31 0.192 -6.486769 1.304265
_Isic_33 | -2.182976 1.959389 -1.11 0.266 -6.032444 1.666492
_Isic_34 | -1.94452 1.885366 -1.03 0.303 -5.64856 1.759519
_Isic_35 | -2.282992 1.936933 -1.18 0.239 -6.088342 1.522358
_Isic_36 | -1.622658 1.788993 -0.91 0.365 -5.13736 1.892044
_Isic_37 | -2.386095 1.94562 -1.23 0.221 -6.208511 1.43632
_Isic_38 | -1.588889 1.846508 -0.86 0.390 -5.216588 2.03881
_Isic_39 | -2.206517 1.778951 -1.24 0.215 -5.701491 1.288456
_Isic_41 | -2.545623 1.899119 -1.34 0.181 -6.276682 1.185436
_Isic_42 | -2.720735 2.260405 -1.20 0.229 -7.161586 1.720117
_Isic_44 | -2.660363 1.812735 -1.47 0.143 -6.221709 .9009843
_Isic_47 | -2.564312 1.90019 -1.35 0.178 -6.297475 1.168851
_Isic_48 | -2.435101 1.969927 -1.24 0.217 -6.305272 1.43507
_Isic_50 | -2.450578 2.022598 -1.21 0.226 -6.424227 1.523071
_Isic_51 | -2.769795 1.907604 -1.45 0.147 -6.517523 .9779343
_Isic_53 | -2.663833 1.770109 -1.50 0.133 -6.141437 .8137706
_Isic_54 | -2.551292 2.058584 -1.24 0.216 -6.595641 1.493057
_Isic_55 | -2.379773 1.478563 -1.61 0.108 -5.284597 .5250515
_Isic_58 | -1.916469 1.589571 -1.21 0.229 -5.039382 1.206445
_Isic_59 | -1.6728 2.033514 -0.82 0.411 -5.667896 2.322296
_Isic_65 | -2.765989 1.895607 -1.46 0.145 -6.490148 .9581705
_Isic_70 | -2.199062 2.067183 -1.06 0.288 -6.260305 1.862181
_Isic_73 | -2.596878 2.024316 -1.28 0.200 -6.573903 1.380147
_Isic_80 | -2.298463 1.831359 -1.26 0.210 -5.896399 1.299473
_Isic_99 | -3.604742 2.295724 -1.57 0.117 -8.114983 .9054984
_Iyear_1996 | -.5126005 .0894936 -5.73 0.000 -.6884219 -.336779
_Iyear_1997 | -.5916625 .1461431 -4.05 0.000 -.878779 -.3045459
_Iyear_1999 | -1.023158 .0485737 -21.06 0.000 -1.118587 -.9277287
_Iyear_2000 | -.5068798 .1492364 -3.40 0.001 -.8000736 -.2136861
_Iyear_2001 | -.8870426 .1724811 -5.14 0.000 -1.225903 -.5481817
_cons | 2.590959 1.970752 1.31 0.189 -1.280832 6.462749
------------------------------------------------------------------------------
SE clustered by gvkey and year (multiple obs per gvkey-year)
Dari hasil regresi diatas, dapat dilihat bahwa variabel
pcon memiliki nilai koefisien sebesar -0.871 dengan
probabilitas 0.018, signifikan di level 5%, dan nilai koefisien
variabel did3 adalah sebesar 1.158 dengan probabilitas 0.008,
signifikan di lebel 1%. Hasil ini konsisten dengan hipotesis
penelitian, yang menunjukkan bahwa stock price crash risk
(yang diproksikan oleh variabel ncskew) dari perusahaan yang
terhubung secara politis meningkat setelah jatuhnya Suharto.
Dengan demikian dapat memperkuat hasil peneltian.
81
Dokumentasi Hasil Analisis
Setelah melakukan berbagai teknik analisis, pengguna
dapat mendokumentasikan hasil analisisnya. Ada beberapa
cara yang dapat dilakukan, antara lain melalui log atau dengan
cara mengubah hasil analisis ke dalam bentuk tabel (dengan
ekstensi *.rtf). Apabila menggunakan log, pengguna hanya
dapat mendokumentasikan hasil analisis sama persis seperti
yang ditampilkan di result window Stata.
Pada bagian ini akan dibahas bagaimana cara mengubah
hasil analisis yang ada di result window Stata ke dalam bentuk
tabel yang lebih informatif dan dapat disesuaikan dengan
kebutuhan pengguna. Dengan cara ini pengguna dapat memilah
informasi apa saja yang hendak ditampilkan atau disajikan
dalam tabel.
Untuk mendokumentasikan hasil analisis statistik
deskriptif yang telah dilakukan di Stata ke dalam bentuk tabel,
pengguna dapat menggunakan command berikut ini:
esttab using descriptive_statistics.rtf,
compress cells("mean(fmt(%8.3f))
sd(fmt(%8.3f)) min(fmt(%8.3f))
p25(fmt(%8.3f)) p50(fmt(%8.3f))
p75(fmt(%8.3f)) max(fmt(%8.3f))") noobs
nonumber nogap collabels("Mean" "Std" "Min"
"Q1" "Median" "Q4" "Max")
Hasilnya dapat dilihat pada file descriptive_statistics.rtf.
Kemudian, untuk mendokumentasikan hasil analisis
korelasi pearson yang telah dilakukan di Stata ke dalam bentuk
tabel, pengguna dapat menggunakan command berikut ini:
82
esttab using pearson_correlation.rtf, not
unstack nonumber compress noobs star(* 0.1 **
0.05 *** 0.01) b(3) p(3) nogap
est clear
Hasilnya dapat dilihat pada file pearson_correlation.rtf.
Untuk mendokumentasikan hasil analisis uji beda atau
independent t-test yang telah dilakukan di Stata ke dalam
bentuk tabel, pengguna dapat menggunakan command berikut
ini:
esttab using independent_ttest.rtf, compress
cells("mu_2(fmt(3)) mu_1(fmt(3)) b(star
fmt(3)) t(fmt(3))") star(* 0.1 ** 0.05 ***
0.01) nogap noobs collabels("MEAN1" "MEAN0"
"Coef" "t-value") nonumber mtitles("pcon")
replace
Hasilnya dapat dilihat pada file independent_ttest.rtf.
Selanjutnya, ada beberapa hal yang perlu diperhatikan
ketika pengguna akan mendokumentasikan atau export hasil
analisis regresi ke dalam bentuk tabel, antara lain:
1. Sebelum melakukan regresi, pengguna diwajibkan untuk
menghapus semua salinan hasil estimasi regresi yang aktif
untuk tabulasi, dengan menggunakan command berikut:
eststo clear
83
2. Setiap kali selesai melakukan regresi, pengguna juga
diwajibkan untuk menyimpan salinan hasil estimasi regresi
ke dalam ruang penyimpanan untuk tabulasi, dengan
menggunakan command berikut:
eststo
Setelah seluruh tahapan regresi selesai dijalankan,
barulah pengguna dapat menggunakan command berikut untuk
menghasilkan tabel hasil analisis. Jumlah kolom yang
dihasilkan tergantung pada banyaknya regresi yang dilakukan.
Untuk lebih jelasnya, pengguna dapat mengacu pada file
stockcrash_Suharto_run.do ketika akan mendokumentasikan
hasil analisis ke dalam bentuk tabel.
Untuk mendokumentasikan hasil pengujian hipotesis
penelitian yang pertama (H1), yang menggunakan regresi
logistik dan regresi OLS clustered two dimensions, pengguna
dapat menggunakan command berikut ini:
local file
"D:\Penelitian\logistic_regression.rtf"
esttab using "`file'", ///
replace label wide r2 ar2 pr2 star(* .1 **
.05 *** .01) bfmt(%8.3f) nopar indicate("Year
FE = *year*" "Industry FE = *sic*")
addnote("{\i Notes:} This table presents
regression results testing the effect of
Suharto's stepdown on stock crash risk.
Standard errors are clustered by firm and
year. *, **, *** denote significance at the
10 percent, 5 percent, and 1 percent levels
(two-tailed) respectively.")
84
Hasilnya dapat dilihat pada file logistic_regression.rtf.
Selanjutnya, untuk mendokumentasikan hasil pengujian
hipotesis penelitian yang kedua (H2), yang menggunakan
metode difference-in-difference (DID), pengguna dapat
menggunakan command berikut ini:
local file "D:\Penelitian\did_regression.rtf"
esttab using "`file'", ///
append label wide r2 ar2 pr2 star(* .1 ** .05
*** .01) bfmt(%8.3f) nopar indicate("Year FE
= *year*" "Industry FE = *sic*") addnote("{\i
Notes:} This table presents regression
results testing the effect of Suharto's
stepdown on stock crash risk. Standard errors
are clustered by firm and year. *, **, ***
denote significance at the 10 percent, 5
percent, and 1 percent levels (two-tailed)
respectively.")
Hasilnya dapat dilihat pada file did_regression.rtf.
Untuk mendokumentasikan hasil pengujian hipotesis
penelitian yang ketiga (H3), yang menggunakan regresi logistik
dan regresi OLS clustered two dimensions pada sub-sample
perusahaan yang kompleks dan kurang kompleks, pengguna
dapat menggunakan command berikut ini:
local file
"D:\Penelitian\complex_regression.rtf"
esttab using "`file'", ///
85
replace label wide r2 ar2 pr2 star(* .1 **
.05 *** .01) bfmt(%8.3f) nopar indicate("Year
FE = *fyear*" "Industry FE = *sic2*")
addnote("{\i Notes:} This table presents
regression results testing the effect of
Suharto's stepdown on stock crash risk.
Standard errors are clustered by firm and
year. *, **, *** denote significance at the
10 percent, 5 percent, and 1 percent levels
(two-tailed) respectively.")
Hasilnya dapat dilihat pada file complex_regression.rtf.
Terakhir, untuk mendokumentasikan hasil pengujian
tambahan, yang menggunakan pengujian regresi dengan model
difference-in-difference dengan metode coarsened exact
matching (CEM), pengguna dapat menggunakan command
berikut ini:
local file
"D:\Penelitian\did_regression_cem.rtf"
esttab using "`file'", ///
append label wide r2 ar2 pr2 star(* .1 ** .05
*** .01) bfmt(%8.3f) nopar indicate("Year FE
= *year*" "Industry FE = *sic*") addnote("{\i
Notes:} This table presents regression
results testing the effect of Suharto's
stepdown on stock crash risk. Standard errors
are clustered by firm and year. *, **, ***
denote significance at the 10 percent, 5
percent, and 1 percent levels (two-tailed)
respectively.")
86
Hasilnya dapat dilihat pada file did_regression_cem.rtf.
Setelah seluruh hasil analisis selesai didokumentasikan,
maka pengguna dapat keluar dari program Stata, yang dapat
dilakukan dengan cara close jendela Stata (klik tanda silang di
pojok kanan atas layar) atau dengan menggunakan perintah
berikut ini:
exit
Namun, jika data yang sedang dibuka atau yang masih
aktif belum disimpan, Stata akan mengeluarkan pesan
kesalahan seperti berikut:
no; data in memory would be lost
r(4)
Untuk memperbaiki masalah ini, pengguna diharapkan
terlebih dahulu menyimpan file data baru kemudian
mengeluarkan perintah untuk mengakhiri Stata. Namun, jika
pengguna benar-benar ingin keluar dari Stata tanpa menyimpan
file data maka dapat menggunakan command berikut:
exit, clear
Pengguna juga dapat menyimpan perintah-perintah yang
telah dilakukan ke dalam suatu file dan menjalankannya secara
bersamaan kapan pun pengguna membutuhkannya. File untuk
menyimpan perintah disebut dengan do file. Seluruh perintah
yang telah dijalankan dalam buku ini, disimpan dalam file
stockcrash_Suharto_run.do. Pengguna dapat membuat do file
87
dengan cara klik ikon new do file editor pada bagian atas layar
Stata. Kemudian perintah (command) dapat diketik ke dalam
lembar kerja do file editor.
Keuntungan utama menggunakan do file daripada
mengetik perintah secara langsung pada command window
adalah kemudahan untuk di replikasi dan diulang kembali.
Dengan do file, pengguna juga dapat mereplikasi hasil yang
telah dikerjakan sebelumnya. Selain itu, do file juga sangat
berguna ketika ada beberapa perintah yang perlu diulang untuk
dataset yang berbeda.
88
Daftar Pustaka
Cameron, A. C., Gelbach, J. B., & Miller, D. L. (2008).
Bootstrap-based improvements for inference with
clustered errors. The Review of Economics and Statistics,
90(3), 414-427.
Iacus, S. M., King, G., & Porro, G. (2008). Matching for causal
inference without balance checking. Available at SSRN
1152391.
Iacus, S. M., King, G., & Porro, G. (2012). Causal inference
without balance checking: Coarsened exact
matching. Political analysis, 20(1), 1-24.
Kim, J. B., Li, Y., & Zhang, L. (2011). Corporate tax avoidance
and stock price crash risk: Firm-level analysis. Journal
of Financial Economics, 100(3), 639-662.
Petersen, M. A. (2009). Estimating standard errors in finance
panel data sets: Comparing approaches. The Review of
Financial Studies, 22(1), 435-480.
Thompson, S. B. (2011). Simple formulas for standard errors
that cluster by both firm and time. Journal of financial
Economics, 99(1), 1-10.