difference in difference dan coarsened exact matching dalam … in difference... · 2019-09-10 ·...

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,


(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


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


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


Compustat

19


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

https://www.kellogg.northwestern.edu/faculty/petersen/htm/papers/se/se_programming.htm


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



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,


(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


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


| 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


. 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


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



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




40

xi: logit2 crash pcon size roa leverage mtb

lag_ncskew dturn sigma ret i.sic i.year,

fcluster(gvkey) tcluster(year)


. xi: logit2 crash pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic i.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_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_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_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_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_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,



. xi: cluster2 duvol pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic

i.year, fcluster(gvkey) tcluster(year)



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

------------------------------------------------------------------------------







stock price crash risk, yang diproksikan dengan variabel duvol.

Hasil ini konsisten dengan hipotesis penelitian, yang


perusahaan yang terhubung secara politis. Dengan demikian



observasinya sebanyak 730 observasi. Nilai R-squared dari

model regresi adalah 15.14%. Ini mengindikasikan bahwa






45



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,



. xi: cluster2 ncskew pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic





F( 56, 727) = .

Prob > F = .



------------------------------------------------------------------------------

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

------------------------------------------------------------------------------







stock price crash risk, yang diproksikan dengan variabel

ncskew. Hasil ini konsisten dengan hipotesis penelitian, yang


perusahaan yang terhubung secara politis. Dengan demikian,


47











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



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,



. xi: logit2 crash did2 pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic





Number of obs = 704




------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_10 | -.8844537 1.172521 -0.75 0.451 -3.182552 1.413645


_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_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_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_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_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

------------------------------------------------------------------------------


50



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



observasinya sebanyak 704 observasi. Nilai Pseudo R-squared

dari model regresi adalah 14.21%. Ini mengindikasikan bahwa








Selanjutnya, dilakukan regresi OLS dengan pendekatan

clustered two dimensions pada saat sebelum dan sesudah

kejatuhan Suharto (DID). Ini bertujuan untuk memprediksi


(yang diproksikan oleh variabel duvol). Pengguna dapat


51

xi: cluster2 duvol did3 pcon size roa

leverage mtb lag_ncskew dturn sigma ret i.sic



. xi: cluster2 duvol did3 pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic





F( 57, 727) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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

------------------------------------------------------------------------------











oleh variabel duvol) dari perusahaan yang terhubung secara








53






Terakhir, dilakukan regresi OLS dengan pendekatan

clustered two dimensions pada saat sebelum dan sesudah

kejatuhan Suharto (DID). Ini bertujuan untuk memprediksi


(yang diproksikan oleh variabel ncskew). Pengguna dapat


xi: cluster2 ncskew did3 pcon size roa




. xi: cluster2 ncskew did3 pcon size roa leverage mtb lag_ncskew dturn sigma ret

i.sic i.year, fcluster(gvkey) tcluster(year)




F( 57, 727) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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

------------------------------------------------------------------------------








55




oleh variabel ncskew) dari perusahaan yang terhubung secara













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


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



lag_ncskew dturn sigma ret i.sic i.year if

complex == 1, fcluster(gvkey) tcluster(year)


. xi: logit2 crash pcon size roa leverage mtb lag_ncskew dturn sigma ret i.sic i.year

if complex == 1, fcluster(gvkey) tcluster(year)




Number of obs = 299




------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_10 | -2.83397 .4159834 -6.81 0.000 -3.649282 -2.018657


_Isic_13 | -1.869807 .9849523 -1.90 0.058 -3.800278 .0606638



_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_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_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_35 | .2149849 1.202923 0.18 0.858 -2.142701 2.572671


_Isic_37 | -1.280031 1.303604 -0.98 0.326 -3.835048 1.274985



_Isic_41 | -.4554848 .5448252 -0.84 0.403 -1.523323 .612353



_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_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_73 | -.2060481 .8361555 -0.25 0.805 -1.844883 1.432786


_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

------------------------------------------------------------------------------






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.


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)




Number of obs = 372




------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_10 | .2217366 .891303 0.25 0.804 -1.525185 1.968658



_Isic_14 | -.2918016 2.059677 -0.14 0.887 -4.328693 3.74509



_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_36 | -1.305204 1.164287 -1.12 0.262 -3.587164 .9767563



_Isic_39 | .9472165 1.403406 0.67 0.500 -1.803408 3.697841

_Isic_41 | -2.264608 . . . . .


_Isic_44 | -1.609239 2.215782 -0.73 0.468 -5.952092 2.733615



_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_58 | -.6163723 1.393621 -0.44 0.658 -3.347819 2.115075




_Isic_73 | -1.152801 . . . . .



_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

------------------------------------------------------------------------------


62





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.


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






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


63






i.year if complex == 1, fcluster(gvkey) tcluster(year)




F( 45, 313) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_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_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_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_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_37 | -.1332229 .2761078 -0.48 0.630 -.6764849 .410039



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_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_70 | .5648643 .2759261 2.05 0.041 .0219598 1.107769

_Isic_73 | -.1003039 .3023535 -0.33 0.740 -.6952062 .4945985


_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

------------------------------------------------------------------------------








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.



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


kurang kompleks, dengan variabel dependennya adalah duvol,

pengguna dapat menggunakan perintah berikut ini:










F( 43, 395) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_10 | -.1551042 .0961198 -1.61 0.107 -.3440745 .0338661



_Isic_14 | .0482551 .0630729 0.77 0.445 -.0757455 .1722557



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_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_44 | -.2590292 .1559471 -1.66 0.098 -.5656192 .0475609



_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_58 | .0003028 .1649284 0.00 0.999 -.3239445 .3245501


_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


_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

------------------------------------------------------------------------------






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.



397 observasi. Nilai R-squared dari model regresi adalah








selama 6 tahun.

Untuk menjalankan analisis regresi OLS clustered two

dimensions pada sub-sampel perusahaan yang kompleks,

dengan variabel dependennya adalah ncskew, pengguna dapat



mtb lag_ncskew dturn sigma ret i.sic i.year

if complex == 1, fcluster(gvkey)

tcluster(year)







F( 45, 313) = .

68

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_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_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_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_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_37 | -1.84727 1.805428 -1.02 0.307 -5.39958 1.705041



_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_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_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_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

------------------------------------------------------------------------------








diproksikan dengan variabel ncskew. Hasil ini konsisten

dengan hipotesis penelitian, yang menunjukkan bahwa




didukung.



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


kurang kompleks, dengan variabel dependennya adalah

ncskew, pengguna dapat menggunakan perintah berikut ini:

70


mtb lag_ncskew dturn sigma ret i.sic i.year

if complex == 0, fcluster(gvkey)

tcluster(year)







F( 43, 395) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_10 | -.3212397 .2313529 -1.39 0.166 -.7760766 .1335972



_Isic_14 | -.046084 .17926 -0.26 0.797 -.3985069 .3063389



_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_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_44 | -.5415014 .4760065 -1.14 0.256 -1.477324 .3943216



_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_58 | .1381182 .5165071 0.27 0.789 -.8773285 1.153565


_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


_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

------------------------------------------------------------------------------






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




didukung.



397 observasi. Nilai R-squared dari model regresi adalah


72







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)


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).


logit2 crash did pcon2 size roa leverage mtb


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)




Number of obs = 475




------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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_10 | -1.032622 1.350427 -0.76 0.444 -3.679411 1.614167

76


_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_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_35 | .8094141 1.917847 0.42 0.673 -2.949497 4.568326


_Isic_37 | -.4428812 1.184959 -0.37 0.709 -2.765358 1.879596


_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_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_55 | -.9293103 . . . . .

_Isic_58 | .8135672 1.616271 0.50 0.615 -2.354265 3.9814




_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

------------------------------------------------------------------------------



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).


xi: cluster2 duvol did3 pcon size roa


i.year if cem_matched == 1, fcluster(gvkey)

tcluster(year)


. 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)




F( 54, 510) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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

------------------------------------------------------------------------------




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


(yang diproksikan oleh variabel duvol) dari perusahaan yang

79



Selanjutnya, pengguna dapat melakukan regresi untuk

memprediksi hubungan antara koneksi politik dengan stock

price crash risk (yang diproksikan oleh variabel ncskew).


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)


. 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)




F( 54, 510) = .

Prob > F = .



------------------------------------------------------------------------------


-------------+----------------------------------------------------------------

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

------------------------------------------------------------------------------




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


(yang diproksikan oleh variabel ncskew) dari perusahaan yang



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"


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"


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"


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.

difference in difference dan coarsened exact matching dalam … in difference... · 2019-09-10 ·...

Documents