Modul Ekonometri

8/10/2019 Modul Ekonometri

1/72

LABORATORIUM PENGEMBANGAN EKONOMI PEMBANGUNAN (LPEP)

FAKULTAS EKONOMI - UNIVERSITAS AIRLANGGAJl. Darmawanga N!. "-# S$ra%a&a Tl'. (*) +",*+ Fa. (*) +",*+

ORDINARY LEAST SQUARE

A. R/gr/0 S/1/r2ana (OLS S/1/r2ana)

*. P/ngan3ar

Model regresi sederhana adalah suatu model yang melihat hubungan antar dua

variabel. Salah satu variabel menjadi variabel bebas (Independent variable) dan variabel

yang lain menjadi variabel terikat (Dependent variable). Dalam regresi sederhana ini, akan

kita ambil suatu contoh kasus mengenai hubungan antara pengeluaran konsumsi dan

pendapatan di US pada tahun 1! " #$$%. &ersamaan model ini adalah'

$* 1+ *

Dimana, adalah pengeluaran konsumsi, $ adalah konsumsi autonom, + merupakan

pendapatan dan adalah error term.

,. Pr!/1$r 1alam E40/w

angkah pertama dalam mengoperasikan -vies adalah dengan mengakti/kan

ork/ile. Dengan asumsi, data telah dimasukkan dalam program -0cel dan telah disimpan.

ampilkan program -vies, Kl05 File New Workfile, sehingga tampak seperti berikut ini

Selanjutnya akan tampak workfile range, yaitu tampilan untuk memasukkan periode

observasi. Dimana terdapat jenis periode, start date,dan end date.

&eriode data diisi sesuai dengan data yang telah dientry dalam -0cel. Dimana data tersebut

adalah data tahunan, mulai 1! " #$$%

Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 033642! 03684 "a#. (031) 026288$ebsi%e& '%%p&.*e.unair.a+.i, -mail& *e/unair.a+.i,in*/*e.unair.a+.i,

1
http://www.fe.unair.ac.id/http://www.fe.unair.ac.id/mailto:[email protected]:[email protected]:[email protected]:[email protected]://www.fe.unair.ac.id/mailto:[email protected]:[email protected]


2/72



akukan prosedur berikut' Kl05Annual(3a2$nan) 6 Start date7 *88# 6 End date7 ,+

- OK

2emudian kita akan mengimport data, memasukkan data yang akan diolah.

2lik Pro!-I"#ort Read Te$t Lotu! % E$el.

3ari dimana /ile data yang telah disimpan.

4kan muncul tampilan'

&ada U##er left data elltertulis 5#, hal inimenunjukkan baha data yang kita tulis dimulaipada cell 5#. E$el &' !(eet na"e, menunjukkan di sheet mana data kita entry. 6ika pada

sheet 1, maka kita tidak perlu mengisinya. 7amun jika data dientry pada sheet kedua dan

seterusnya, maka kita perlu mengisi sesuai dengan sheet tersebut. Na"e for !erie! or8

diisi dengan nama semua variabel yang akan diolah, atau dapat juga diisi dengan jumlah

semua variabel. Misal kita isi dengan + dan , kemudian Kl05 OK

Setelah muncul data yang akan diolah, kemudian blok )aria*le + dan Y - Kl05 5anan7

O#en- a! ,rou#.Maka, akan muncul tampilan '


2


3/72



2emudian &ilih Pro! %-ake E.uation9 E.uation S#eifiation

Setelah itu ketik data yang akan diolah ' 9 'a0 : 'a0 ;< '0l02 M/32!17 LS 6 OK.

:ariabel yang kita tulis pertama adalah variabel dependen, selanjutnya adalah konstanta

dan variabel independent.

Maka akan tampak hasil regresi seperti berikut'

In3/'r/3a0 =a0l R/gr/07

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut'

#;.;%;%% * $.%$$1+

Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu jika

pendapatan tahun depan diperkirakan sebesar %$$$ milyar dollar US


4/72



6adi, jika pendapatan sebesar %$$$ milyar dolar US maka tingkat konsumsi individu adalah

sebesar #%!.1 milyar dolar US.

B. R/gr/0 B/rgan1a

Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih dari

satu variabel independen. 5entuk umum regresi berganda dapat ditulis sebagai berikut'

1 $* 1+1* #+#* =+=* 8.* n+n* ei

&ada intinya, langkah " langkah estimasi regresi berganda didalam -vies tidak jauh

berbeda dengan regresi sederhana seperti yang telah dibahas sebelumnya. 5erikut ini adalah

tampilan data yang akan digunakan dalam regresi berganda.

Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi variabell

dependen yaitu ekspor dan variabel independen yang terdiri dari suku bunga, nilai tukar

rupiah, serta in/lasi. Dari hasil regresi akan diperoleh estimasi sebagai berikut'

3ara mengintepretasikan hasil regresi sama dengan estimasi pada regresi sederhana.


4


5/72



>. U?0 3 1an U?0 F

Uji t merupakan pengujian terhadap koe/isien dari veriabel bebas secara parsial. Uji

ini dilakukan untuk melihat tingkat signi/ikansi dari veriabel bebas secara individu dalam

mempengaruhi variasi dari variabel terikat.

>ipotesa dalam Uji t adalah'

>$' i $, i $, 1,#,...n

>1' i ? $

&ada regresi sederhana maupun regresi berganda, pengujian koe/isien 1, #, dan n

dapat dilakukan dengan Uji t. &engujian ini dilakukan dengan cara membandingkan t9

statistik pada hasil regresi dengan t "tabel. 6ika nilai t9stat @ t9tabel, maka >o ditolak dan >1

diterima, dengan kata lain terdapat hubungan antara variabel dependen dan variabel

independen. Sebaliknya jika t9stat A t9tabel, maka >o diterima dan >1ditolak, yang artinya

tidak terdapat hubungan antara variabel dependen dan variabel independen.

&ada contoh kasus diatas, dengan tingkat kepercayaan %B (C %B) maka daerahkritis untuk menolak >o adalah t9stat A t $.$#%=. 2ita bisa melihat baha pada variabel in/lasi

memiliki nilai t9stat sebesar %,;E sedangkan nilai t9tabel pada t $.$#%=adalah #,$#1. 4rtinya

nilai t9stat @ t9tabel, sehingga hipotesa >$ ditolak, dapat disimpulkan baha terdapat

hubungan antara ekspor dan in/lasi.

&engujian hipotesis dapat juga dilakukan dengan konsep P-Value. 3ara ini relati/

lebih mudah dilakukan karena tersedia pada menu -vies. 2onsep ini membandingkan C

dengan nilai P-Value. 6ika nilai P-Valuekurang dari C, maka >$ditolak. &ada contoh kasus

diatas nilai P-Valuedari variabel in/lasi adalah $,$$$$ artinya pada C 1B, %B, dan 1$B

hipotesa >$ ditolak. 4rtinya pada berbagai tingkat keyakinan tersebut ekspor memilikihubungan dengan in/lasi.

Sedangkan Uji F merupakan uji model secara keseluruhan. Gleh sebab itu Uji F ini

lebih relevan dilakukan pada regresi berganda. &ada prinsipnya Uji F memiliki konsep yang

tidak jauh berbeda dengan Uji t. 6ika Uji t digunakan untuk melihat pengaruh variabel bebas

terhadap variabel terikat secara individu, maka Uji F digunakan untuk melihat pengaruh

variabel bebas terhadap varibel terikat secara bersama9sama. Formulasi dari Uji F adalah

sebagai berikut'

>o' 1 # .... n $

>1' paling tidak salah satu tidak sama dengan nolDengan menggunakan konsep P-Value, maka pada contoh diatas P-Valuedari F $,$$$$1#.

4rtinya pada C 1B, %B, dan 1$B hipotesa >$ ditolak. :ariabel independen dalam

persamaan tersebut secara bersama9sama berpengaruh terhadap variasi dari variabel

dependen.

D. U?0 A$m0 Kla05

Dalam melakukan estimasi persamaan linier dengan menggunakan metode GS,

maka asumsi9asumsi dari GS harus dipenuhi. 4pabila asumsi tersebut tidak dipenuhi maka

tidak akan menghasilkan nilai parameter yang 5U- (Best Linear Unbiased stimator).

4sumsi 5U- antara lain'



6/72



1. Model regresi adalah linier dalam parameter

#. rror term(u) memiliki distribusi normal. Hmplikasinya, nilai rata9rata kesalahan adalah

nol.

=. Memiliki varian yang tetap (!omoskedasti"it#).

;. idak ada hubungan antara variabel bebas dan error term.

%. idak ada korelasi serial antara error(no-auto"orrelation).

!. &ada regresi linear berganda tidak terjadi hubungan antar variabel bebas

(multicolinearity).

D.*. U?0 M$l305!l0n0/r03a

Multikolinearitas adalah adanya hubungan linier yang signi/ikan antara beberapa atau

semua variabel independent dalam model regresi. Untuk melihat ada tidaknya

multikolinieritas dapat dilihat dari koe/isien korelasi dari masing9masing variabel bebas. 6ika

koe/isien korelasi antara masing9masing variabel bebas lebih besar dari $,I berarti terjadi

mulikolinieritas.

akukan prosedur berikut' Dar0 w!r5@0l/ 6 Bl!5 /m$a 4ar0a%/l 5/:$al0 : 1an r/01 6

Kl05 5anan7 O'/n 6A! ,rou#

Setelah tampil semua variabel< Kl05 /iew 0orrelation 0o""on Sa"#el.

Dari tampilan diatas terlihat baha antara variabel +#, +=, +;, +%, dan +! terjadi

multikolinieritas, karena memiliki nilai $orrelation matri% ledih dari $,I. 3ara mengatasi

adanya multikol dapat dilakukan dengan cara' (1) menghilangkan variabel independen, (#)

trans/ormasi variabel, (=) penambahan data. 5erikut ini dilakukan cara mengatasi multikol

dengan trans/ormasi data, yaitu penambahan log. Dari hasil tersebut, semua koe/isien telah

signi/ikan.


6


7/72



D.,. =/3/r!5/1a03a

>eteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak

konstan. Uji heteroskedasitas dapat dilakukan dengan menggunakan &!ite

'eteroskedasti"it#yang tersedia dalam program -vies. >asil yang perlu diperhatikan dari

Uji ini adalah nilai F dan (bs)*-+uared. 6ika nilai (bs)*-+uaredlebih kecil dari +#tabel

maka tidak terjadi heteroskedastisitas, dan sebaliknya.

Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. 6ika

residual bergerak konstan artinya tidak ada hetero dan jika membentuk suatu pola tertentu

maka mengindikasikan adanya hetero.



8/72



Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana

residualnya membentuk suatu pola atau tidak konstan. Untuk membuktikan dugaan tersebut

perlu dilakukan Uji &!ite 'etero.

akukan prosedur berikut' Dar0 2a0l E30ma0 Kl05 /iew Re!idual te!t W(ite

1etero 2no ro!!3 % O4

Jhite >eteroskedasticity est'F9statistic I.#I1%$ &robability $.$$1%$IGbsKL9suared 1#.#!I &robability $.$11!=I

akukan pengujian dengan prosedur sebagai berikut'

1. >$ ' tidak ada heteroskedastisitas

>1' ada heteroskedastisitas

#. %B, tolak >$jika GbsKL9suare @ +# d/ #atau &9:alue A

=. 2arena &9 :alue $.$11!=I A $.$% maka tolak >$

;. 2esimpulan adalah dengan tingkat keyakinan %B maka ada heteroskedastisitas.


8


9/72



D.. A$3!5!r/la0

4utokorelasi menunjukkan adanya hubungan antar gangguan. Metode yang

digunakan dalam mendeteksi ada tidaknya masalah autokorelasi adalah etode Brues"!-

odfre#yang lebih dkenal dengan L-/est. Metode ini didasarkan pada nilai F dan (bs)*-

+uared. Dimana jika nilai probabilitas dari (bs)*-+uaredmelebihi tingkat kepercayaan

maka >o diterima, berarti tidak ada masalah autokorelasi.

Dapat dilihat dari hasil estimasi sepertinya tidak terjadi per masalahan yang

melanggar asumsi klasik. Dimana terlihat baha nilai t9statistik signi/ikan, L# bagus, dan Uji

F juga signi/ikan. 7amun dalam hasil tersebut terdapat DJ stat yang relati/ kecil. 7ilai DJ

yang kecil tersebut merupakan salah satu indikator adanya masalah autokorelasi.

Untuk membuktikan adanya masalah autokorelasi dalam model dapat kita lakukandengan melakukan uji M.

akukan prosedur berikut' Dar0 2a0l /30ma0 6 Kl05 /iew Re!idual te!t Serial

0orrelation L- te!t % O4

5reusch9Nod/rey Serial 3orrelation M est'F9statistic 1=.#;;## &robability $.$$$$!$GbsKL9suared 1E.=!%%; &robability $.$$$1!



10/72


11/72



AUTORE,RESSI/E INTE,RATED -O/IN, A/ERA,E(ARIMA)

*. P/ngan3ar

4LHM4 merupakan suatu teknik yang mengabaikan independent variable dalam

melakukan peramalan. Model ini hanya menggunakan nilai9nilai sekarang dan masa lalu dari

dependent variableuntuk melakukan peramalan jangka pendek. Metode ini disebut juga

dengan metode 5o096enkins. Moving average dikembangkan oleh errornya. -rror ini dapat

digunakan untuk memperhitungkan peramalan suatu data.

4LHM4

,. P/3$n?$5 O'/ra0!nal 1alam E40/w

a. U?0 S3a0!n/r03a Da3a

Uji stasioneritas data digunakan untuk melihat apakah data mengandung akar unit

atau tidak. Data time seriesdikatakan stasioner jika data tersebut tidak mengandung akar9

akar unit (unit root) dengan kata mean, varian"e, dan "ovariantkonstan sepanjang aktu.

&engujian akar9akar unit root dilakukan dengan metode 1ugmented Di"ke# 2uller(4DF), yaitu

dengan membandingkan nilai 4DFstatistikdengan a"kinnon "riti"al value1B, %B, dan 1$B.

Data dikatakan stasioner jika nilai 4DFstatistik lebih besar dari a"kinnon "riti"al value1B, %B,

dan 1$B serta nilai probabilitasnya signi/ikan dibaah 1$B. 6ika 4DFstatistik lebih kecil dari

a"kinnon "riti"al value1B, %B, dan 1$B serta nilai probabilitasnya diatas 1$B (tidak

signi/ikan) maka data dikatakan tidak stasioner.

akukan prosedur berikut '

Kl05 !r5@0l/ 6 Kl05 4ar0a%/l &ang a5an 10 $?0 6 /iew % Unit root te!t

akukan pengujian pada tingkat L/4/l dengan asumsi trend dan intere#t-OK


11


12/72



7ull >ypothesis' ND& has a unit root-0ogenous' 3onstant, inear rendag ength' 1 (4utomatic based on SH3, M4+4N11)

t9Statistic &rob.K

4ugmented Dickey9Fuller test statistic 9#.#1%#IE $.;E;est critical values' 1B level 9;.$!I#$

%B level 9=.;!#1#1$B level 9=.1%EI=!

Dari hasil pengujian dapat dilihat nilai 4DFstatistik sebesar #,#1%#IE lebih kecil dari dengan

probabilitas diatas 1$B, yaitu $,;E;. 5erarti data masih mengandung akar unit, dengan

kata lain data tidak stasioner pada tingkat level. akukan kembali pengujian unit root pada

tingkat first differen"e.

Kl05 /iew 6 Unit root te!t6 P0l02 fir!t differene % Intere#t 6 OK

7ull >ypothesis' D(ND&) has a unit root-0ogenous' 3onstant, inear rendag ength' $ (4utomatic based on SH3, M4+4N11)

t9Statistic &rob.K4ugmented Dickey9Fuller test statistic 9!.%II;;! $.$$$$est critical values' 1B level 9;.$!I#$

%B level 9=.;!#1#1$B level 9=.1%EI=!

KMac2innon (1!) one9sided p9values.


12


13/72



Dari pengujian yang kedua didapat baha nilai 4DFstatistik lebih besar dari "riti"alvalue dan

probabilitasnya signi/ikan pada tingkat keyakinan 1B. >al ini berarti data telah stasioner

pada first differen"e. Secara tidak langsung ordo integrasi telah ditemukan, yaitu d 1.

5erikutnya adalah penentuan ordo suku 4L dan M4.

%. P/n/n3$an Or1! AR 6 MA

akukan pengujian correlogram, dengan hasil derajat integrasi yang diperoleh dari

uji unit root dan biarkan -vies menentukan panjang lag maksimumnya.

akukan prosedur berikut ini'

Kl05 /iew 0orrelo5ra" Fir!t Differene- OK

Dari gra/ik diatas terlihat baha terjadi pelanggaran garis batang 43 pada lag 1, I, dan 1#,

maka kita memiliki kandidat M4 (1). Dari gra/ik batang &43, terlihat kalau pelanggaran garis

batas juga terjadi pada lag 1, maka diperoleh juga kandidat 4L (1). = kandidat model yang


13


14/72



akan digunakan adalah bentuk 4LHM4 (1,1,1) 4LHM4 (1,1,$) atau 4LH (1) dan 4LHM4

($,1,1) atau HM4 (1). Selanjutnya adalah penentuan model terbaik.

:. P/n/n3$an M!1/l T/r%a05.

Untuk model 4LHM4 (1,1,1) ' Kl05 Quik E!ti"ate e.uation6 K/3057 1(g1') : AR(*)MA(*) 6 OK

6angan lupa untuk memberi nama persamaan tersebut, Kl05 Nam/ 6 Ar0ma 6 OK

:ariable 3oe//icient Std. -rror t9Statistic &rob.3 #=.%$!;= %.;#%=E =.%%!## $.$$$#

4L(1) $.;!$ $.#E%1$1 1.I1!=I; $.$E#M4(1) 9$.#$1%$# $.=1#!1; 9$.!;;%E# $.%#1$

L9suared $.1$%E%$ Mean dependent var #=.=;%=%4djusted L9suared $.$I;#$# S.D. dependent var =%.=E;S.-. o/ regression =;.=1!! 4kaike in/o criterion .;EE!!Sum suared resid I1E1.#; ScharP criterion 1$.$===Iog likelihood 9;#;.E%= F9statistic ;.$E!$!Durbin9Jatson stat 1.;##E &rob(F9statistic) $.$$!E=Hnverted 4L Loots .%$Hnverted M4 Loots .#$

>asil regresi pada model 4LHM4 (1,1,1) menunjukkan baha probabilitas M4(1) tidak

signi/ikan, yaitu sebesar $,%#1$, maka model ini dinyatakan gugur.

Selanjutnya kita akan melihat model yang kedua yaitu model 4LH(1) Kl05 Quik

E!ti"ate e.uation6 5/3057 1(g1') : AR(*) 6 OK. 2emudian namai persamaan tersebut,

misal ARI. 5egitu pula untuk model yang ketiga yaitu, HM4 (1), 5/m%al0 Kl05 Quik

E!ti"ate e.uation6 5/3057 1(g1') : MA(*) - OK


14


15/72



:ariable 3oe//icient Std. -rror t9Statistic &rob.3 #=.;;1%# %.;1##1! ;.==1##= $.$$$$

4L(1) $.=1E#=I $.1$#E% =.$I$E1! $.$$#IL9suared $.1$1%1! Mean dependent var #=.=;%=%4djusted L9suared $.$$I#$ S.D. dependent var =%.=E;S.-. o/ regression =;.#!E1E 4kaike in/o criterion .##=;Sum suared resid I!=!.$! ScharP criterion .I!=11og likelihood 9;#;.%E$ F9statistic .;$I$Durbin9Jatson stat #.$=;;#% &rob(F9statistic) $.$$#E1Hnverted 4L Loots .=#

:ariable 3oe//icient Std. -rror t9Statistic &rob.3 ##.E! ;.!!!=1= ;.II%;;1 $.$$$$

M4(1) $.#%I;E $.1$;%I; #.;E1!!E $.$1%;L9suared $.$I$I!! Mean dependent var ##.====4djusted L9suared $.$E$$%= S.D. dependent var =%.=;;IS.-. o/ regression =;.!%#E 4kaike in/o criterion .%1=!;

Sum suared resid 1$#$E$.; ScharP criterion 1$.$$I$%og likelihood 9;=$.II;= F9statistic E.;EI=!EDurbin9Jatson stat 1.11%$I &rob(F9statistic) $.$$E%IHnverted M4 Loots 9.#!

Model 4LH(1) dan HM4(1), memiliki nilai probabilitas yang signi/ikan, hal ini didukung pula

oleh nilai HLMA 1. Maka pemilihan model terbaik akan dilanjutkan dengan pengujian

autokorelasi.

akukan uji correlogram Q stat, Kl05 /iew re!idual te!t orrelo5ra" Q !tati!ti % O4


1


16/72



>!rr/l!gram AR >!rr/l!gram MA

ernyata kedua model berhasil menyelesikan permasalahan autokorelasi masing9masing,

terlihat dari nilai Q9stat yang tidak signi/ikan di setiap lag. Maka langkah terakhir pemilihan

model akan bergantung pada nilai S3 yang lebih kecil. 4LH (1) memiliki nilai S3 sebesar

.I!, sementara HM4 (1) sebesar 1$.$$I$%, maka model 4LH(1)9 lah yang terbaik.

M!1/l A1?$3/1 R-$ar/ AI> S>

HM4 (1) $.$E$$%= .%1=!; 1$.$$I$%4LH (1) $.$$I# .##=; .I!=114LHM4 (1,1,1) $.$I;#$# .;EE!! 1$.$===I

1. P/ramalan

Dengan menggunakan model 4LH(1), kita lakukan pengecekan kelayakan model bagi

peramalan. Dalam hal ini data yang digunakan adalah data asli, yaitu ND&, karena data ini

yang akan diramal. Kl05 F!r/:a3 6 '0l02 GDP - OK


16


17/72



erlihat baha nilai bias proportion sebesar $.$%=II$ (dibaah $.#), sementara covariance

proportion $.I%!$E! (hampir mendekati 1), maka model ini dapat meramal nilai ND&

kedepan.

5ila mengasumsi model sudah benar, maka langkah selanjutnya adalah

memperpanjang range data. &ada menu utama '

Kl05 Pro! 0(an5e workfile ran5e($%a2 En1 1a3/ m/n?a10 *88,7*) 6 OK


1


18/72



Ubah juga sample data ' Pro! !a"#le ketik ta(un 6an5 akan difora!t

2embali ke estimasi7 Pro! % -ake "odel Sol)e6 OK

Sehingga akan terbentuk variabel /orecast gdp/ dengan tambahan nilai konsumsi 1#'1

*88*7, ;I!%.=#*88*7 ;III.EE1*88*7" ;1#.#1#*88,7* ;=%.!%;

AR>=CGAR>=


18


19/72



*. P/ngan3ar

Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan

in/lasi, sering kali bervolatilitas. Hmplikasi data yang bervolatilitas adalah variance dari error

tidak konstan. Dengan kata lain mengalami heteroskedatisitas. Hmplikasi dari adanya

heteroskedatisitas terhadap estimasi GS tetap tidak bias, tetapi standart error dan interval

keyakinan menjadi terlalu sempit sehingga dapat memberikan sense o/ precision yang salah.

Untuk menjaab pertanyaan9pertanyaan mengenai volatilitas, peralatan standar

yang digunakan adalah model 4L3>ON4L3>. Model ini menganggap variance yang tidak

konstan (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat dgunakan untuk

modeling dan peramalan.


angkah pertama dalam metode 4L3>ON4L3> adalah melihat apakah data tersebut

mengandung e/ek 4L3>ON4L3>. Dalam kasus ini kita akan menguji ada tidaknya e/ek

4L3>ON4L3> dengan menggunakan 4L3> M est.

akukan prosedur berikut' Im'!r3 1a3a 20ngga m$n:$l 1a3a 'a1a !r5@0l/

2emudian Kl05 $0:5 6 E30ma3/ E$a30!n 6 'a1a E$a30!n '/0@05a30!n 5/3057 >PI : -OK


1


20/72



Sehingga akan muncul hasil estimasi sebagai berikut'

2emudian lakukan Uji 4L3> M' Dar0 2a0l E30ma0 - V0/w 6 R/01$al 3/3 6 AR>= LM

3/3

4L3> est'F9statistic !#=%#1%. &robability $.$$$$$$

GbsKL9suared !=%.=%= &robability $.$$$$$$


20


21/72



Dari hasi uji 4L3> M terlihat nilai probabilitasnya yang signi/ikan pada 1B, maka dapat

disimpulkan baha data tersebut mengandung 4L3> e//ect. Selanjutnya data tersebut dapat

diteruskan dengan metode 4L3>.

akukan prosedur berikut'

Kl05 $0:5 - E30ma3/ E$a30!n 6 K/3057 :'0 : 6 P0l02 m/3!1/7 AR>= - OK

2emudian akan muncul -uation speci/ication.

&ada order ' pilih 4L3> 1, tanpa merubah yang lainnya 9 $2


21


22/72




22


23/72



ERROR 0ORRE0TION -ODEL 2E0-3

*. P/ngan3ar

2ointegrasi dapat diartikan sebagai suatu hubungan jangka panjang (long term

relations!ipOekuilibrium) antara variabel9variabel yang tidak stasioner. 2eberadaan hubungan

kointegrasi memberikan peluang bagi data9data yang secara individual tidak stasioner untuk

menghasilkan sebuah kombinasi linier diantara mereka sehingga tercipta kondisi yang

stasioner. Secara sederhana, dua variabel disebut terkointegrasi jika hubungan kedua

variabel tersebut dalam jangka panjang akan mendekati atau mencapai kondisi

euilibriumnya. rror $orre"tion odel (-3M) merupakan model yang digunakan untuk

mengoreksi persamaan regresi antara variabel9variabel yang secara individual tidak stasioner

agar kembali ke nilai euilibriumnya di jangka panjang, dengan syarat utama berupa

keberadaan hubungan kointegrasi diantara variabel9variabel penyusunnya. 4da banyak cara

untuk melakukan uji kointegrasi, namun dalam modul ini hanya memaparkan ngle-ranger

$ointegration /est.

,. P/3$n?$5 O'/ra0!nal Dalam E40/w.


&ada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel. Dengan cara

yang sama seperti pada modul sebelumnya, maka didapat baha hasil sebagai berikut'

7ull >ypothesis' D(&DH) has a unit roott9Statistic &rob.K

4ugmented Dickey9Fuller test statistic 9.%#II $.$$$$est critical values' 1B level 9;.$!I#$

%B level 9=.;!#1#


23


24/72



1$B level 9=.1%EI=!

7ull >ypothesis' D(&3-) has a unit roott9Statistic &rob.K

4ugmented Dickey9Fuller test statistic 9E.%!E#$# $.$$$$est critical values' 1B level 9;.$!I#$

%B level 9=.;!#1#1$B level 9=.1%EI=!


Dimana kedua variabel stasioner pada tingkat first differen"e. Selanjutnya, kedua variabel

diregresi sehingga dihasilkan bentuk output -vies sebagai berikut'

Dependent :ariable' &3-Method' east SuaresHncluded observations' II

:ariable 3oe//icient Std. -rror t9Statistic &rob.

&DH $.!E#%$ $.$$I$! 11.IE1# $.$$$$3 91E1.;;1# ##.1E#% 9E.;I$II$ $.$$$$L9suared $.;$%1 Mean dependent var #%=E.$;#4djusted L9suared $.=I1 S.D. dependent var ;!=.11=;S.-. o/ regression =%.#I#E 4kaike in/o criterion 1$.$#==Sum suared resid 111$1#.= ScharP criterion 1$.$E!og likelihood 9;=.$## F9statistic 1;=!.1$Durbin9Jatson stat $.%=1!# &rob(F9statistic) $.$$$$$$

>asil estimasi ini dapat ditulis ulang menjadi '

&3-t 91E1.;;1# * $.!E#%$ &DHt* ut

Lesidual dari persamaan regresi antara variabel &3- dan &DH diuji stasioneritasnya dengan

unit root test.


24


25/72



7ull >ypothesis' L-SHD$# has a unit roott9Statistic &rob.K

4ugmented Dickey9Fuller test statistic 9=.EE$E1 $.$$$#

est critical values' 1B level 9#.%1I1=%B level 91.;;%E;1$B level 91.!1;=1%


4ugmented Dickey9Fuller est -uationDependent :ariable' D(L-SHD$#)

:ariable 3oe//icient Std. -rror t9Statistic &rob.L-SHD$#(91) 9$.#E%=1# $.$E#I%# 9=.EE$E1 $.$$$=

L9suared $.1;##$% Mean dependent var 9$.;$%IEE

4djusted L9suared $.1;##$% S.D. dependent var #!.1=1%S.-. o/ regression #;.#%=E 4kaike in/o criterion .##!11

Sum suared resid %$!1#.;I ScharP criterion .#%%#%%og likelihood 9;$$.=E$! Durbin9Jatson stat #.#EE%1#

>asil unit root testdapat ditulis dalam bentuk persamaan sebagai berikut'

Rt 9$#E%1=#ut91

>asil test unit root dari residual (u), kita bandingkan dengan nilai , hasil perhitungan.

Lumus untuk nilai adalah'

* 191* #9#

jumlah observasi

6ika nilai nilai @ t9statistik, maka >o ditolak, ada kointegrasi. Dan sebaliknya.

5entuk persamaan regresi -3M adalah sebagai berikut'

R&3-t C$* C1R&DH * C#ut91* t

>asil regresi -vies akan menghasilkan output pada tabel dibaah ini'

Dependent :ariable' D(&3-)Method' east Suares

:ariable 3oe//icient Std. -rror t9Statistic &rob.3 11.!1I= #.1%!E% %.=#;=! $.$$$$

D(&DH) $.#$!$# $.$!!!$ ;.1E1E1% $.$$$1


2


26/72



L-SHD$#(91) 9$.$I!E$! $.$%;1I$ 91.!$$=11 $.11==L9suared $.1E1E#E Mean dependent var 1!.$=;%4djusted L9suared $.1%#$$! S.D. dependent var 1I.#$#1S.-. o/ regression 1!.I;#I= 4kaike in/o criterion I.%1!$1Sum suared resid #=I#.1 ScharP criterion I.!$;!=#og likelihood 9=!E.!$#! F9statistic I.E$E1I

Durbin9Jatson stat 1.#==I1 &rob(F9statistic) $.$$$=!!

>asil regresi -3M dapat dituliskan menjadi'

R&T-t 11.!1I= * $.#$! R&DH t" $.$I!E t91

/E0TOR AUTORE,RESSIONS 2/AR3

*. P/ngan3ar

Metode Ve"tor 1utoregression (:4L) pertama kali dikembangkan oleh 3hristoper

Sims (1I$). 2erangka analisis yang praktis dalam model ini akan memberikan in/ormasi

yang sistematis dan mampu menaksir dengan baik in/ormasi dalam persamaan yangdibentuk dari data time series. Selain itu perangkat estimasi dalam model :4L mudah

digunakan dan diintepretasikan. &erangkat estimasi yang akan digunakan dalam model :4L

ini adalah /ungsi impulse respondan varian"e de"ompotition.

4da beberapa keuntungan dari :4L (Nujarati, 1%'=IE) yaitu '

1. :4L mampu melihat lebih banyak variabel dalam menganalisis /enomena ekonomi

jangka pendek dan jangka panjang.

#. :4L mampu mengkaji konsistensi model empirik dengan teori ekonometrika.

=. :4L mampu mencari pemecahan terhadap persoalan variabel runtun aktu yang tidak

stasioner ( non stasionar#) dan regresi lancung ( spurious regresion) atau korelasilancung ( spurious "orrelation) dalam analisis ekonometrika.


26


27/72



Metode yang ditekankan pada penerapan model :4L adalah (Nujarati, #$$='I%=) '

1. 2emudahan dalam penggunaan, tidak perlu mngkhaatirkan tentang

penentuan variabel endogen dan variabel eksogen. Semua variabel dianggap sebagai

variabel endogen.

#. 2emudahan dalam estimasi, metode (rdinar# Least +uare (GS)

dapat diaplikasikan pada tiap persamaan secara terpisah.

=. 2ore"ast atau peramalan yang dihasilkan pada beberapa kasus

ditemukan lebih baik daripada yang dihasilkan oleh model persamaan simultan yang

kompleks.

;. Impulse *espon 2un"tion (HLF). HLF melacak respon saat ini dan masa

depan setiap variabel akibat perubahan atau shock suatu variabel tertentu.

%. Varian"e De"ompotition, memberikan in/ormasi mengenai kontribusi

(persentase) varians setiap variabel terhadap perubahan suatu variabel tertentu.

Di sisi lain, terdapat beberapa kritik terhadap model :4L menyangkut permasalahan

berikut (Nujarati, #$$='I%=) '

3. Model :4L merupakan model yang at!eoriti"atau tidak berdasarkan teori, hal ini

tidak seperti pada persamaan simultan. &ada persamaan simultan, pemilihan

variabel yang akan dimasukkan dalam persamaan memegang peranan penting dalam

mengidenti/ikasi model.

4. &ada model :4L penekanannya terletak pada fore"astingatau peramalan sehingga

model ini kurang cocok digunakan dalam menganalisis kebijakan.

5. &ermasalahan yang besar dalam model :4L adalah pada pemilihan lag lengt!atau

panjang lag yang tepat. 2arena semakin panjang lag, maka akan menambah jumlah

parameter yang akan bermasalah pada degrees of freedom.

6. :ariabel yang tergabung pada model :4L harus stasioner. 4pabila tidak stasioner,

perlu dilakukan trans/ormasi bentuk data, misalnya melalui first differen"e.

7. Sering ditemui kesulitan dalam menginterpretasi tiap koe/isien pada estimasi model

:4L, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi /ungsi

impulse respondan varian"e de"ompotition.

4da beberapa hal yang penting dalam melakukan estimasi menggunakan model

:-3M (>arris,1%' E!) yaitu '

1. Data yang digunakan harus stasioner#. Hdenti/ikasi bentuk model

=. &enentuan lag lengt!optimal



Salah satu prosedur yang harus dilakukan dalam estimasi model ekonomi dengan

data time seriesadalah dengan menguji stasioneritas pada data atau disebut juga stationar#

sto"!asti" pro"ess. Data time series dikatakan stasioner jika data tersebut tidak

mengandung akar9akar unit (unit root) dengan kata mean, varian"e, dan "ovariantkonstansepanjang aktu. &engujian akar unit dilakukan dengan metode 1ugmented Di"ke# 2uller


2


28/72



(4DF), yaitu dengan membandingkan nilai 4DFstatistik dengan a"kinnon "riti"al value 1B,

%B, dan 1$B.

akukan prosedur berikut '

Workfile 6 Kl05 4ar0a%/l &ang a5an 10 $?0 6 /iew- Unit root te!t

2ita akan menguji data pada tingkat level H($). 6ika nilai 4DFstatistiklebih besar dari a"kinnon

"riti"al value, maka data tidak mengandung unit root sehingga data dikatakan stasioner.

Demikian pula sebaliknya, jika nilai 4DFstatistik lebih kecil dari t9statistik pada a"kinnon

"riti"al valueberarti terdapat unit rootsehingga data dikatakan tidak stasioner.

7ull >ypothesis' M1 has a unit root-0ogenous' 3onstant, inear rendag ength' $ (4utomatic based on SH3, M4+4N)

t9Statistic &rob.K4ugmented Dickey9Fuller test statistic 9$.=1#1! $.;1est critical values' 1B level 9;.#11I!I

%B level 9=.%#E%I1$B level 9=.1!;11

Dari hasil pengujian ternyata variabel M1 pada tingkat level tidak stasioner. >al ini

dapat dilihat pada nilai1D2 test statisti"yang lebih kecil daritest "riti"al values9nya, baik

1B, %B, dan 1$B. Selain itu juga terlihat nilai probabilitas yang lebih besar dari C 1$B.

6ika dari hasil uji stasioneritas berdasarkan uji 4DF diperoleh data seluruh variabel belum

stasioner pada level, maka untuk memperoleh data yang stasioner dapat dilakukan dengan

cara differen"ing data, yaitu dengan mengurangi data tersebut dengan data periode

sebelumnya, sehingga akan diperoleh data dalam bentuk first differen"e.

Setelah data dirubah kedalam bentuk first differen"emaka diperoleh hasil sebagai

berikut'

7ull >ypothesis' D(M1) has a unit root-0ogenous' 3onstant, inear rendag ength' $ (4utomatic based on SH3, M4+4N)

t9Statistic &rob.K4ugmented Dickey9Fuller test statistic 9%.$!%%$% $.$$11

est critical values' 1B level 9;.#11#!%B level 9=.%==$I=1$B level 9=.1I=1#


28


29/72




7ull >ypothesis' D(L) has a unit root-0ogenous' 3onstant, inear rendag ength' 1 (4utomatic based on SH3, M4+4N)

t9Statistic &rob.K4ugmented Dickey9Fuller test statistic 9;.;EI#$ $.$$%=est critical values' 1B level 9;.##!I1%

%B level 9=.%=!!$11$B level 9=.#$$=#$


5aik pada variabel M1 dan L data telah stasioner pada tingkat first differen"e. Dapat dilihat

baha nilai1D2 test statisti"kedua variabel lebih besar dari nilai test "riti"al values9nya dan

nilai probabilitas keduanya signi/ikan pada C 1B. Sehingga kedua variabel tersebut telah

stasioner.

%. P/n/3$an Lag O'30mal

&enentuan jumlah lag dalam model :4L ditentukan pada kriteria in/ormasi yang

direkomendasikan oleh 2inal Predi"tion rror (F&-), 1ike Information $riterion (4H3),

+"!war8 $riterion (S3), dan 'annan-9uinn (>Q). anda bintang menunjukkan lag optimal

yang direkomendasikan oleh kriteria diatas.


Tan1a0 /l$r$2 4ar0a%/l 6 Kl05 5anan 6 O'/n 6 a VAR 6 OK

Dar0 VAR E30ma30!n - P0l02 V0/w 6 La5 Struture - La5 Len5t( 0riteria


2


30/72



VAR Lag Or1/r S/l/:30!n >r03/r0a-ndogenous variables' M1 L

-0ogenous variables' 3Date' $IO#=O$E ime' $E'=#Sample' 1E'1 1II';Hncluded observations' =E

ag og L F&- 4H3 S3 >Q$ 9;;.;%=# 74 1.=!-*$I #;.;$#II #;.;I% #;.;==%E1 9=%$.=1== 1I#.#$=$ E;#=E.I 1.#!$1I 1.%#1;1 1.=%##E# 9=;1.%!%E 1%.1=$K !1!$E%.#K 1.$$=%%K 1.;=I=K 1.1%E$;K= 9==.=;1 #.!;%I#1 E$;=!1.I 1.1=1%E 1.E;111 1.=;!;!

K indicates lag order selected by the criterion

Dari hasil diatas terlihat baha semua tanda bintang berada pada lag #. >al ini

menunjukkan baha lag optimal terletak pada lag #.

:. U?0 Ka$al03a Grang/r

Uji 2ausalitas ranger digunakan untuk melihat arah hubungan suatu variabel

dengan variabel yang lain. 5agaimana pengaruh 0 terhadap y dengan melihat apakah nilai

sekarang dari y bisa dijelaskan dengan nilai historis y serta melihat apakah penambahan lag

0 bisa meningkatkan kemampuan menjelaskan model. 4dapun persamaan ranger-$ausalit#

adalah'

= =

= =

++=

++=

n

j

n

j

tjtjjtjt

n

j

n

jtjtjjtjt

uXYX

uXYY

1 1

221

1 1121

4da beberapa kasus yang dapat diintepretasikan dari persamaan ranger $ausalit#

diatas (Nujarati,#$$='!!9!E) '

3. Unidire"tional "ausalit#dari ke +, artinya kausalitas satu arah dari ke + terjadi

jika koe/isien lag pada persamaan tadalah secara statistik signi/ikan berbeda

dengan nol, koe/isien lag + pada persamaan +tsama dengan nol,

4. Unindire"tional "ausalit# dari + ke , artinya kausalitas satu arah dari + ke terjadi

jika koe/isien lag + pada persamaan +t adalah secara statistik signi/ikan berbeda


30


31/72



dengan nol dan koe/isien lag pada persamaan tsecara statistik signi/ikan sama

dengan nol.

5. 2eedba"k:bilaterall "ausalit#, artinya kausalitas timbal balik yang terjadi jika

koe/isien lag dan lag+ adalah secara statistik signi/ikan berbeda dengan nol pada

kedua persamaan tdan +tdi atas.

6. Independen"e, artinya tidak saling ketergantungan yang terjadi jika koe/isien lag

dan lag + adalah secara statistik sama dengan nol pada masing9masing persamaan

tdan +tdiatas.

Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan

pendekatan Nranger adalah '

>o ' 01

==

t

i

it artinya suatu variabel tidak mempengaruhi variabel lain

>1 ' 01

=

t

i

it artinya suatu variabel mempengaruhi variabel lainnya.


Tan1a0 /m$a 4ar0a%/l 6 Kl05 5anan< '0l02 O'/n 6 a Gr!$'

S/3/la2 w!r5@0l/ /m$a 4ar0a%/l m$n:$l '0l027 V0/w 6 Grang/r >a$al03&

&airise Nranger 3ausality estsags' # 7ull >ypothesis' Gbs F9Statistic &robability L does not Nranger 3ause M1 =I 1#.#!! E.1-9$% M1 does not Nranger 3ause L =.##=;= $.$%#!=

Dari hasil pengujian Nranger disebutkan baha >o menyatakan L tidak

mempengaruhi M1 dan M1 tidak mempengaruhi L. Dengan melihat nilai probabilitas sebesar

E.1-9$% maka >o ditolak, berarti L mempengaruhi M1. Selanjutnya untuk pernyataan yang

kedua, dengan probabilitas $.$%#!= dan pada C 1B maka >o ditolak. Sehingga M1

mempengaruhi L. Dari pengujian Nranger diatas dapat disimpulkan baha kedua variabel

mempunyai hubungan # arah atau saling mempengaruhi.


31


32/72



1. E30ma0 VAR

&ada kasus ini persamaan :4L dapat ditulis sebagai berikut'

= =

= =

+++=

+++=

n

j

n

j

tjtjjtjt

n

j

n

j

tjtjjtjt

uRMR

uRMM

1 1

2

1 1

1

1

11

Dar0 !r5@0l/< 3an1a0 /m$a 4ar0a%/l 6 Kl05 5anan 6 O'/n 6 a VAR 6 '0l02

Unr/3r0:3/1 VAR 6 OK.

:ector 4utoregression -stimatesStandard errors in ( ) t9statistics in V W

D(M1) D(L)D(M1(91)) $.1!!1I $.$$1!#

($.1E1I#) ($.$$$%!)V $.IE1W V #.$;;%W

D(M1(9#)) $.#%EI 9$.$$$;1=($.1!;=%) ($.$$$%;)V 1.%!#1W V9$.E!IE1W

D(L(91)) 9#=%.1#$ $.1!1=1E(%=.=II$) ($.1E;=#)V9;.;1II#W V $.#%;1W

D(L(9#)) 9E.;=I$I$ $.1=E=IE(%I.###) ($.1$==)V9$.1#E!$W V $.E#1I=W


32


33/72



3 ###.I1# 9$.%==%%!(11=.I1$) ($.=E1!1)V 1.%I;;W V91.;=%I$W

L9suared $.;1;=I$ $.#%$I1%4dj. L9suared $.=;11EI $.1%E1!!

Sum s. resids E1IE!$%. E!.!#I;=S.-. euation ;E=.==# 1.%;E;!#F9statistic %.!!$E;1 #.!EI#!;og likelihood 9#EE.EE;= 9!%.!!%4kaike 4H3 1%.#I%1$ =.I=!1IScharP S3 1%.%$#E ;.$%=IIMean dependent ;$%.=!I 9$.$#!1#!S.D. dependent %I=.I#! 1.!I%%EDeterminant Lesidual3ovariance

%=!$!;.1

og ikelihood (d./. adjusted) 9=;.$%=!4kaike Hn/ormation 3riteria 1.;$I=$ScharP 3riteria 1.I;=!

Untuk melihat apakah variabel M1 mempengaruhi L dan sebaliknya dapat dilihat dengan

cara membandingkan nilai t9statistic hasil estimasi dengan nilai t9tabel. 6ika nilai t9statistic

lebih besar dari nilai t9tabelnya, maka dapat dikatakan baha variabel M1 mempengaruhi L.

/. F$ng0I"#ul!e Re!#on

Untuk mengetahui pengaruh s!o"kdalam perekonomian maka digunakan metode

impulse respon fun"tion. Selama koe/isien pada persamaan struktural :4L di atas sulit untuk

diintepretasikan maka banyak praktisi menyarankan menggunakan impulse respon fun"tion.

Fungsi impulse responmenggambarkan tingkat laju dari s!o"k variabel yang satu terhadap

variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya

pengaruh dari s!o"k suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau

kembali ke titik keseimbangan. Fungsi ini akan melacak respon dari variabel tergantung

apabila terdapat s!o"k dalam u1dan u#.

akukan &rosedur berikut ini'

Dar0 =a0l E30ma0 VAR 6 /iew I"#ul!e Re!#on

I"#ul!e Re!#on -ulti#le 5ra#( % Anal6ti


33


34/72



Dari hasil diatas, dapat diintepretasikan sebagai berikut'

&ada kuadran kanan atas, menunjukkan perubahan variabel M1 dalam merespon

adanya s!o"kOperubahan variabel L. &ada aal periode, adanya shock pada L

direspon negati/ oleh M1 hingga periode ke9#, yaitu mencapai titik tertinggi. Setelah

periode ke9# mulai bergerak naik hingga periode ke 9%, kemudian bergerakmenghimpit titik keseimbangan.

&ada kuadran kiri baah, menunjukkan perubahan variabel L dalam merespon

adanya s!o"kOperubahan variabel M1. &ada aal periode, adanya shock pada M1

direspon positi/ oleh L hingga periode ke9=. Setelah periode ke9=, kembali ketitik

keseimbangan hingga lebih dari periode lebih dari ke91$.

@. /ariane Deo"#o!ition!

Varian"e de"ompotition akan memberikan in/ormasi mengenai proporsi daripergerakan pengaruh s!o"k pada sebuah variabel terhadap s!o"k variabel yang lain pada

periode saat ini dan periode yang akan datang.

La5$5an Pr!/1$r %/r05$37

Dar0 2a0l /30ma0 VAR 6 /iew /ariane Deo"#otition

/ariane Deo"#otition Ta*le None 2!tandart Error!3


34


35/72



Var0an:/ D/:!m'!030!n !@ D(M*)7

P/r0!1 S.E. D(M*) D(R)

1 ;E=.==# 1$$.$$$$ $.$$$$$$# !$$.E1$ !=.#$1$; =!.EI!= !1E.%$!! !$.%III =.;1$1#; !1I.E#%E !$.=E=%E =.!#!;=% !1.1== !$.=%1E1 =.!;I#! !1.#!$% !$.=%!= =.!;=!1E !1.#I#$ !$.=%#;$ =.!;E!$I !1.#IE$ !$.=%1;; =.!;I%! !1.#II! !$.=%11; =.!;II!1$ !1.#II !$.=%11= =.!;IIE

Var0an:/ D/:!m'!030!n !@ D(R)7

P/r0!1 S.E. D(M*) D(R)

1 1.%;E;!# $.==%$= .!!;!# 1.E%=E%1 #$.=I==! E.!1!!;= 1.EIE1#E 1.!EIE I$.=#$1=; 1.EI1I% 1.!=;E I$.=!%#1% 1.E$%1= 1.!11$; I$.=II!! 1.E$$ 1.!1=; I$.=I!%1E 1.E1$$ 1.!1%1E I$.=I;I=I 1.E1$11 1.!1%#E I$.=I;E= 1.E1$1= 1.!1%=$ I$.=I;E$1$ 1.E1$1; 1.!1%#I I$.=I;E#

Dari hasil di atas, dapat di intepretasikan sebagai berikut'

&ada tabel pertama, menjelaskan tentang varian"e de"ompotitiondari variabel M1,

variabel apa saja dan seberapa besar variabel tersebut mempengaruhi variabel M1.

&ada periode pertama, variabel M1 dipengaruhi oleh variabel itu sendiri (1$$B).

7amun pada periode kedua variabel L memberikan kontribusinya sebesar =!,EB,

nilai ini terus meningkat hingga periode ke91$ sebesar =,!;B.

&ada tabel kedua, menjelaskan tentang varian"e de"ompotitiondari variabel L. &ada

aal periode, variabel M1 memberikan pengaruhnya sebesar $,==B. &ada periode

ke9#, pengaruhnya mulai meningkat hingga #$,=IB. 2emudian menurun sebesar1B hingga periode ke91$, yaitu sebesar 1,!1B


3


36/72



g. F!r/:a3

Metode :4L juga dapat digunakan untuk meramal data di periode yang akan datang.

akukan prosedur berikut' Kl05 Pro! 0(an5e Workfile Ran5e (U%a2 En1 1a3/7

*887")

Ubah juga pada sampel, Kl05 Pro! Sa"#le U*a( End date7 *887"

2embali ke estimasi :4L, Kl05 Pro! -ake -odel Sol)e OK

Maka di kertas kerja akan muncul data baru yang didalamnya terdapat data periode yang

diramalkan.

/etor Error 0orretion -odel2/E0-3

*. P/ngan3ar

:-3M merupakan bentuk :4L yang terestriksi. Lestriksi tambahan ini harus

diberikan karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. :-3M

kemudian meman/aatkan in/ormasi restriksi kointegrasi tersebut kedalam spesi/ikasinya.


36


37/72



2arena itulah :-3M sering disebut sebagai desain :4L bagi series nonstasioner yang

memiliki hubungan kointegrasi.

Spesi/ikasi :-3M merestriksi hubungan jangka panjang variabel9variabel endogen

agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan

dinamisasi jangka pendek. Hstilah kointegrasi dikenal juga sebagai istilah error, karena

deviasi terhadap ekuilibrium jangka panjang dikoreksi secara bertahap melalui series parsial

penyesuaian jangka pendek.



Uji stasioneritas data dalam kasus ini digunakan untuk melihat tingkat kestasioneritasan

suatu data. 6ika dalam suatu data terdapat derajat integrasi yang berbeda maka

diindikasikan adanya kointegrasi. Dengan prosedur yang sama seperti modul sebelumya,

didapat hasil uji kointegrasi sebagai berikut'

y m * r

H(1) H($) H(1)

%. P/n/n3$an Lag O'30mal

&rosedur penentuan lag optiomal ini sama dengan ketika kita menentukan lag optimal pada

metode :4L. 7amun, terdapat perbedaan jumlah lag pada :-3M. 2etika lag optimal pada

:4L adalah p, maka lag pada :-3M adalah p91.

&rosedurnya' Tan1a0 /m$a 4ar0a%/l 6 Kl05 5anan7 a VAR.

Dar0 2a0l /30ma0 VAR 6 V0/w - Lag S3r$:3$r/ - Lag L/ng32 >r03/r0a

ag og L F&- 4H3 S3 >Q$ ;%.$!E#= 74 I.%1-9$% 9$.I%I%1% 9$.EE=I= 9$.I#!%$I1 #%E.==E ;$E.=#$1 1.=;-9$! 9%.$$I$=; 9;.!1%$IK 9;.II$$$!# #E#.E#1 #I.%E$; 1.1I-9$! 9%.1=I!1; 9;.%I;!# 9;.1;%!;= #I1.11== 1;.;;# 1.#$-9$! 9%.1#;E!# 9;.===;;! 9;.I$;!1

; =1.$=I !%.E$I! !.!%-9$E 9%.E1%$ 9;.!I!=IE 9%.#$$!K% =#I.=E# 1%.!%#I !.!=-9$EK 9%.E##=#K 9;.;%!#I! 9%.#1$#EI! =#.%%;= 1.I!%%#1 E.I#-9$E 9%.%!#=== 9;.$%II=1 9;.%;1E


3


38/72



E ==%.E1;$ .%%=I%E I.=!-9$E 9%.%$;=!I 9=.E!=;E# 9;.I$$#11I =;I.$I=$ 1I.;#E1IK E.I-9$E 9%.%E=1## 9=.%;I=$ 9;.EE#;;

5erdasarkan hasil penentuan lag optimal, ag optimal pada :4L adalah % (tanda bintang

yang paling banyak). Maka lag optimal pada :-3M adalah ;

:. U?0 K!0n3/gra0

akukan prosedur berikut ' Tan1a0 /m$a 4ar0a%/l 6 Kl05 5anan7 a VAR 6 '0l02 VE> 6

>!0n3/gra30!n 6 '0l02 n!.+ 6 OK

2emudian muncul hasil estimasi :-3, &ilih V0/w - >!0n3/gra30!n 3/3 6 '0l02 n!.#

($mmar&) - OK


38


39/72



4kan muncul hasil sebagai berikut'

&erhatikan letak tanda bintang, tanda bintang menunjukkan lag yang digunakan. Dari hasil

regresi tersebut terdapat dua kriteria, yaitu S3 dan 4H3. 2eputusan penentuan kriteria

antara S3 dan 4H3 tidak dipermasalahkan. Selain penentuan lag, dari hasil tersebut juga

diperlukan dalam menentukan spesi/ikasi deterministik. &enentuannya adalah dengan

melihat letak tanda bintang berada pada kolom apa Dari hasil tersebut, berdasarkan kriteria

yang kita pilih, misalnya 4H3, maka spesi/ikasi deterministiknya adalah inear intercept andtrend

Setelah tren data diketahui, langkah selanjutnya adalah menentukan apakah data

tersebut terkointegrasi atau tidak. &enentuan ini dapat dilihat dengan membandingkan nilai

Ma09-igen dan nilai trace9nya. 6ika nilai Ma09-igen dan nilai trace9nya lebih besar dari nilai

kritis 1B dan %B maka data terkointegrasi.

Unr/3r0:3/1 >!0n3/gra30!n Ran5 T/3


3


40/72



=&'!32/0/1 Tra:/ + P/r:/n3 * P/r:/n3

N!. !@ >E() E0g/n4al$/ S3a3030: >r030:al Val$/ >r030:al Val$/

7one KK $.#=%$;! %1.E;$E# ;#.;; ;I.;%4t most 1 $.1I!!#; #;.!EII! #%.=# =$.;%4t most # $.$=E$EI =.I1!1$I 1#.#% 1!.#!

K(KK) denotes rejection o/ the hypothesis at the %B(1B) levelrace test indicates 1 cointegrating euation(s) at both %B and 1B levels

=&'!32/0/1 Ma-E0g/n + P/r:/n3 * P/r:/n3

N!. !@ >E() E0g/n4al$/ S3a3030: >r030:al Val$/ >r030:al Val$/

7one K $.#=%$;! #E.$!1I! #%.%; =$.=;4t most 1 K $.1I!!#; #$.I!#E% 1I.! #=.!%4t most # $.$=E$EI =.I1!1$I 1#.#% 1!.#!

K(KK) denotes rejection o/ the hypothesis at the %B(1B) levelMa09eigenvalue test indicates # cointegrating euation(s) at the %B levelMa09eigenvalue test indicates no cointegration at the 1B level

5erdasarkan hasil uji kointegrasi, terlihat baha nilai race statistic lebih besar dari

nilai kritis %B dan 1B. Selain itu, nilai Ma09-igen juga lebih besar nilai kritis %B, maka

dapat disimpulkan baha data tersebut terkointegrasi. >al ini menujukkan beha terdapat

hubungan jangka panjang antara variabel y, m, dan r. erkointegrasinya suatu data

menunjukkan sinyal yang tepat untuk menggunakan metode :-3M. Selanjutnya kita dapat

menentukan estimasi :-3M.

1. E30ma0 VE>M

Dalam estimasi :-3M ini akan menunjukkan hubungan antara variabel satu dengan

variabel lain baik dalam jangka panjang maupun jangka pendek. &ada tabel bagian atas

menunjukkan hubungan antar variabel dalam jangka panjang, sedangkan bagian baah

menunjukkan hubungan jangka pendek.

&rosedur' Dar0 2a0l 5!0n3/gra0 /%/l$mn&a< '0l02 /30ma3/ 6 'a305an lag 'a1a lag

!'30mal 6 :2/:5 lag0 '/0@05a0n&a /$a0 1/ngan 2a0l $?0 5!0n3/gra0 J!2an/n 6

'a1a /n1!g/n!$ 4ar0a%/l< 'a305an 4ar0a%/l 1/'/n1/n3 a1a 101/'an 6 OK

>!0n3/gra30ng E7 >!0n3E*

9(-*) 1.$$$$$$

M(-*) $.#!1!!$($.$%$%)V %.1E#$IW

R(-*) 9$.1E=#=(1.$EI%!)V9$.1!$!EW

TREND(*) 9$.$1;#$=($.$$1I=)

V9E.EI$$W


40


41/72



> 91=.;%#=IErr!r >!rr/:30!n7 D(9) D(M) D(R)

>!0n3E* $.$$E=; 9;.EI===! $.$$!EE1($.$1%=!) ($.#I%) ($.$1E=!)V $.%1!!1W V9%.1%1#$W V $.=IIW

D(9(-*)) 9$.=$I%I% 1.!#$I% $.==;I$($.$!;=) (%.I=$1E) ($.1$$1)V9=.#$$1%W V =.=!%;$W V =.$E=$=W

D(9(-,)) 9$.#E##;1 1;.$%E! $.1#;E!=($.1$#1#) (!.1E;=!) ($.11%;;)V9#.!!%I%W V #.#E!I=W V 1.$I$E%W

D(9(-)) 9$.#=I#!$ 1#.##%=E $.1E$$;$($.$IE=) (%.!;I) ($.111!1)V9#.;1=1W V #.$;EIW V 1.%#=%1W

D(9(-")) $.%%;1!; 1;.#!$= $.#!#;I($.$1!1) (%.%=I%E) ($.1$=%%)V !.$;;%W V #.!;#W V #.!$$$!W

D(M(-*)) $.$$$%$E $.1=I= 9$.$$$=1#($.$$=%;) ($.#1;#$) ($.$$;$$)V $.1;=##W V $.=$I;W V9$.$EE%W

D(M(-,)) 9$.$$1%#E $.1#!#% 9$.$$$==($.$$#) ($.1I$I#) ($.$$==I)V9$.%1$!$W V $.!I#EW V9$.1$$=#W

D(M(-)) 9$.$$$!I $.1$$$;; $.$$$1!1($.$$#;1) ($.1;%;#) ($.$$#E#)V9$.#$#EW V $.!IEEW V $.$%=;W

D(M(-")) $.$$$II% $.$%#1!= $.$$$#I=($.$$1E$) ($.1$#%=) ($.$$1#)V $.%#1EEW V $.%$IE!W V $.1;EE!W

D(R(-*)) 9$.$I1E$ 9;.E=1E# 9$.=$;#=#($.$=I$) (%.!E1;;) ($.1$!$;)V91.$;!%!W V9$.IE!IIW V9#.I!$EW

D(R(-,)) 9$.11;%I1 9%.!=I%$= 9$.1#E$1=($.$!=I) (%.I#E;#) ($.1$I!)V91.1III1W V9$.!E%IW V91.1!%E;W

D(R(-)) 9$.$!;=1 9!.EE1%$ 9$.$E!=;

($.$!;) (%.I!$I1) ($.1$%I)V9$.E1!#!W V91.1$;IW V9$.!E1!W

D(R(-")) 9$.1;$!1 91.#E$== 9$.$IE;=E($.$#I!) (%.!1;#I) ($.1$;E)V9#.$IIEW V9$.##!=IW V9$.I=#EW

> $.$$I#1 9$.;=$##1 9$.$$!;E%($.$$=#%) ($.1!!I) ($.$$=!I)V #.E;#%$W V9#.1IE;$W V91.E!$E!W

R-$ar/1 $.!I=E=% $.%!!%%% $.#$$%#%A1?. R-$ar/1 $.!=!;EE $.%$1EII $.$I1$!=S$m . r/01 $.$=I;!E 1;$.!1I $.$;1%E

S.E. /$a30!n $.$#1$#E 1.#E1=;# $.$#=EE$F-3a3030: 1;.;!I1; I.E;E%1% 1.!EI%E1L!g l05/l02!!1 #%;.#EE$ 91!$.$#; #;1.I;$


41


42/72



A5a05/ AI> 9;.E%E!1 =.;;!$=I 9;.%1#E%#S:2war S> 9;.=%;! =.I$I%=$ 9;.1%$#!$M/an 1/'/n1/n3 $.$$E1EI $.$#!#I %.!-9$%S.D. 1/'/n1/n3 $.$=;IE! 1.I$11E# $.$#;E!D/3/rm0nan3 R/01$al>!4ar0an:/

=.-9$E

L!g L05/l02!!1 ==!.E=%L!g L05/l02!!1 (1.@. a1?$3/1) =1;.1IEIA5a05/ In@!rma30!n >r03/r0a 9%.=1$!%$S:2war >r03/r0a 9;.11!$%

/. F$ng0 Im'$l/ R/'!n

Hmpulse respon pada kasus ini mempunyai /ungsi yang sama dengan impulse

respon pada :4L. Fungsi impulse responmenggambarkan tingkat laju dari s!o"k variabel

yang satu terhadap variabel yang lainnya pada suatu rentang periode tertentu. Sehingga

dapat dilihat lamanya pengaruh dari s!o"k suatu variabel terhadap variabel lain sampai

pengaruhnya hilang atau kembali ke titik keseimbangan. Fungsi ini akan melacak respon darivariabel tergantung apabila terdapat s!o"k dalam u1dan u#.

akukan &rosedur berikut ini'

Dar0 =a0l E30ma0 VE>M 6 /iew I"#ul!e Re!#on

I"#ul!e Re!#on -ulti#le 5ra#( % Anal6ti

3ara membaca impulse respondalam :-3M juga sama dengan membaca impulse respon

dalam :4L. &ada kuadran atas tengah menggambarkan bagaimana respon dari variabel

ketida ada shockOperubahan pada variabel M. &ada aal periode perubahan pada variabel M

direspon positi/ oleh hingga periode ke9=, kemudian kembali ke titik keseimbangan hingga

periode ke9;. Setelah periode ke9;, kembali direspon positi/ hingga periode ke9E, danseterusnya. 3ara analisis yang sama juga berlaku untuk kuadran9kuadran yang lain.


42


43/72



@. Var0an:/ D/:!m'!3030!n

Varian"e de"ompotition akan memberikan in/ormasi mengenai proporsi dari

pergerakan pengaruh s!o"k pada sebuah variabel terhadap s!o"k variabel yang lain pada

periode saat ini dan periode yang akan datang. Fungsi variance decompotition pada :4L dan

:-3M adalah sama

akukan &rosedur berikut'

Dar0 2a0l /30ma0 VE>M 6 V0/w 6 Var0an:/ D/:!m'!3030!n

Var0an:/ D/:!m'!3030!n 6 Ta%l/ 6 N!n/ (3an1ar3 Err!r)

Var0an:/ D/:!m'!030!n !@ 97

P/r0!1 S.E. 9 M R

1 $.$#11= 1$$.$$$$ $.$$$$$$ $.$$$$$$# $.$#%I= E.%E$I1 1.!=I%1% $.E$!EE= $.$#I#!# !.$II# 1.;1=$$ #.;I1II$

; $.$#;## %.$1%;! 1.==;# =.!;;%I% $.$=E=;I =.%$I#% 1.1II#=E %.=$=%11! $.$;$%== #.EI1=E 1.;1!;#E %.I$##$%E $.$;#;== #.$1!!I 1.=$EE=! !.!E%%III $.$;=%11 1.%#$=1 1.#!#I=I E.#1!I%$ $.$;I=I% 1.;! 1.1E!E$ E.=%$=;=1$ $.$%$E1 1.#=IEE 1.#!;;$# E.;!I#E

Var0an:/ D/:!m'!030!n !@ M7

P/r0!1 S.E. 9 M R

1 1.#EIE# $.=;$!;= .!%=! $.$$$$$$# 1.=#1;%E %.I%I#1; =.%EE=E $.%!;;1%= 1.=#E! %.=$!I; #.E#$; 1.#EE#E;

; 1.==!=1E %.IEIE%1 1.IE=%= #.#;EE#$% 1.==IE1E %.=#1% 1.E#=;; #.=;=!;%! 1.==1E% %.EE;IE 1.!E=E; #.=;IEE$E 1.=;!1=1 !.I=!##E $.E=;;= #.;#==II 1.=;%;= E.1;##= $.#EE;I #.%#I=$$ 1.=;%1 E.#$!1# $.#=1 #.%%=I%1$ 1.=%$%;1 E.#=E;%$ $.1!;;; #.%I1$I

Var0an:/ D/:!m'!030!n !@ R7

P/r0!1 S.E. 9 M R

1 $.$#=E!; $.E;%E! $.$$EEII .$1E!;# $.$=$1;; .=;!==# $.;=E#I! $.#1!=I= $.$=;#E$ 1#.11#E= $.I#=!!# IE.$!=!$

; $.$=E!1I 1%.#I;=$ $.IEI# I=.I=!EE% $.$;$E;1 #$.$=!=! 1.$#$E=# EI.;#1! $.$;=I$1 #;.;!= 1.1%1!;I E;.=%1!E $.$;!1=% #%.1#;! 1.1!;;; E#.#=$I $.$;I=1= #E.$#E$= 1.1;E11 E1.I#%EI $.$%$!E1 #I.!E=!I 1.#$1%I E$.1#;=!1$ $.$%=$E; =$.;$=; 1.#%1E#1 !I.#%E;

3ara membaca varian"e de"ompotition ini sama dengan sebelumnya ketika :4L.

&ada tabel pertama, menunjukkan varian"e de"ompotitiondari variabel . &ada aal periode

baik variabel M maupun L tidak memberikan pengaruh apa9apa terhadap . Sehingga pada

aal periode. :ariabel dipengaruhi oleh variabel itu sendiri. &ada periode ke9# baik variabel

M maupun L mulai memberikan pengaruhnya, alaupun kontribusinya sangat kecil. >ingga


43


44/72



periode ke91$ kedua variabel tersebut memberikan pengaruh yang kecil terhadap , kurang

dari 1$B. 4nalisis yang sama juga dilakukan untuk varian"e de"ompotitionyang lain.

PERSAMAAN SIMULTAN

*. S0@a3 Daar M!1/l P/ramaan S0m$l3an

Sebuah sistem persamaan simultan merupakan persamaan di mana variabeltak bebas dalam satu atau lebih persamaan juga merupakan variabel bebas di

dalam persamaan lainnya. Maka, sebuah variabel memiliki dua peranan sekaligus

sebagai variabel bebas dan variabel tak bebas. Dalam sebuah persamaan simultan

dikenal istilah " istilah sebagai berikut'

a. Sistem persamaan simultan atau model adalah suatu himpunan persamaan

dimana variabel tak bebas dalam satu atau lebih persamaan juga

merupakan variabel bebas dalam beberapa persamaan lainnya, yaitu

keadaan dimana didalam sistem persamaan suatu variabel sekaligusmemiliki dua peranan yaitu sebagai variabel tak bebas dan variabel bebas.

b. :ariabel endogen adalah variabel tak bebas dalam persamaan simultan yang

nilainya ditentukan di dalam sistem persamaan, alaupun variabel9variabel

tersebut mungkin juga muncul sebagai variabel bebas didalam system

persamaan. :ariabel endogen dianggap bersi/at stokastik.

c. :ariabel predetermined adalah variabel yang nilainya tidak ditentukan secara

langsung di dalam system. :ariabel ini ditetapkan lebih dulu dan nilainya

ditetapkan lebih dulu (nonstokastik). :ariabel predetermined terbagi

menjadi dua kategori, yaitu variabel eksogen dan variabel lag endogen.


44


45/72



:ariabel lag dikategorikan sebagai predetermine dengan asumsi tidak ada

korelasi serial dengan error di dalam persamaan yang mengandung variabel

lag tersebut.

d. Model struktural adalah model yang terdiri dari beberapa persamaan yang

dibentuk berdasarkan landasan teori. Model ini dapat dianggap pula sebagaimodel dasar.

e. 5entuk persamaan sederhanaOreduksi adalah sebuah penyelesaian system

persamaan simultan dimana variabel endogen dinyatakan dalam variabel

predetermine dan error. &ersamaan reduksi diperoleh dengan memecahkan

sistem persamaan structural sedemikian rupa sehingga bisa dinyatakan

setiap variabel endogen dalam model sebagai /ungsi hanya dari variabel

eksogen atau predetermined variables dan error dalam modal. Secara

umum, juga bisa dinyatakan dalam bentuk implisit maupun eksplisit. 3araimplisit lebih mudah dilakukan, sedangkan cara eksplisit cukup susah karena

harus mencari besarnya nilai9nilai koe/isien.

,. >!n3!2 M!1/l P/raman S0m$l3an

a.M!1/l '/rm0n3aan 1an '/nawaran.

Fungsi permintaan ttd

t uPQ

110 ++= C1A $

Fungsi penaaran ttst

uPQ210 ++= X1@ $

Dimana Qdadalah kuantitas yang diminta, Qs adalah kuantitas yang ditaarkan,

dan t adalah aktu.

%. M!1/l K/&n/ $n3$5 m/n/3a'5an '/n1a'a3an.

Fungsi konsumsi ttt uYC ++= 10 $AX1A1

Fungsi pendapatan )( tttt SICY =+=

Dimana 3 adalah belanja konsumsi, adalah pendapatan, H adalah Hnvestasi

(diasumsikan bersi/at eksogen), dan S adalah tabungan.

:. M!1/l $'a2 1an 2arga

tttt uPUNW 1210 +++=

ttttt uMRWP 23210 ++++=

Dimana J adalah tingkat perubahan upah uang, U7 adalah tingkat penganggur, &adalah tingkat perubahan harga, L adalah tingkat perubahan biaya modal, M


4


46/72



adalah tingkat perubahan harga bahan baku yang diimpor, adalah aktu, dan u1,

u#adalah gangguan stokastik

. Maala2 I1/n30@05a0CP/ng01/n30@05a0an

&engidenti/ikasian adalah menaksir angka dari parameter persamaanstruktural apakah dapat diperoleh dari koe/isien bentuk yang direduksi dapat

ditaksir. 6ika ini dapat dilakukan, kita mengatakan baha persamaan tertentu

diidenti/ikasikan (identified). Suatu persamaan yang diidenti/ikasikan bisa berupa

tepat (sepenuhnya) diidenti/ikasikan (e%a"tl# atau full# atau ;ust identified) atau

terlalu diidenti/ikasikan (overidentified).

Dikatakan tepat diidenti/ikasikan jika nilai angka yang unik dari parameter

struktural dapat diperoleh. Dikatakan terlalu diidenti/ikasikan (overidentified) jika

lebih dari satu nilai angka dapat diperoleh untuk beberapa parameter persamaanstruktural.

.* T01a5 D001/n30@05a05an

Misal pada model persamaan permintaan dan penaaran diatas. 2ondisi

keseimbangan baha permintaan sama dengan penaaran, didapatkan,

tttt uPuP 210110 ++=++

maka harga euilibrium (redu"ed form),

tt vP += 0 , dimana'

11

12

11

000

=

=

tt

t

uuv

kemudian Q euilibrium,

ttt wQ += , dimana'

11

1121

11

1001

=

=

ttt

t

uuw

., J$3 I1/n30@0:a30!n

Misalnya mengikuti persamaan demand and suppl#'

Demand 2un"tion' tttt uXPQ 1210 +++= C1A $, C#@ $

+uppl# 2un"tion ' ttt uPQ 210 ++= X1@ $


47/72



didapatkan &t'

ttt vXP ++= 10 , dimana redu"ed form'

11

12

11

2

1

11

00

0

=

=

=

tt

t

uuv

kemudian Qt'

ttt wXQ ++= 32 , dimana '

11

1121

11

123

11

1001

2

=

=

=

ttt uuw

2oe/isien redu"e form'

0120 = dan1

3

1

=

. O4/r01/n30@0:a30!n

Dalam /ungsi demand' ttttt uRXPQ 13210 ++++=

Fungsi suppl#' tttt uPPQ 21210 +++=

Dimana, L merepresentasikan kekayaan (wealt!).

Dengan cara yang sama didapat euilibrium harga dan kuantitas'

ttttt

ttttt

wPXXQ

vPRXP

++++=

++++=

164

13210

dimana,

11

12

11

21

11

12

11

2

3

11

2

1

=

=

=

=

=

tt

t

uuv

11

1121

11

13

6

11

1001

4

11

3

2

11

00

0

=

=

=

=

=

tt

t

uuw

." M/la5$5an I1/n30@05a0

Grder and Lank 3ondition merupakan aturan yang menjadi acuan apakahsuatu sistem persamaan dapat diselesaikan sehingga nilai koe/isien persamaan


4


48/72



struktural dapat diperoleh. Menurut Grder and Lank 3ondition, agar sebuah sistem

persamaan simultan dengan M persamaan struktural dapat diidenti/ikasi maka

setidaknya harus memiliki M91 variabel endogen. 6ika jumlah variabel endogen

tepat M91 maka persamaan tersebut dikatakan e%a"tl# identifieddan jika jumlah

variabel endogen lebih dari M91 maka persamaan tersebut dikatakan over identified

atau agar sebuah sistem persamaan simultan dengan M persamaan struktural

dapat diselesaikan, jumlah variabel predetermine yang ada dalam persamaan

tersebut harus tidak kurang dari jumlah variabel endogen yang ada dalam

persamaan dikurangi satu.

Maka, M jumlah variabel endogen dalam model

m jumlah variabel endogen pada setiap persamaan struktural

2 jumlah variabel predetermine dalam model

k jumlah variabel predetermine pada setiap persamaan struktural dalammodel

a. 6ika 29k m91 maka persamaan tersebut dikatakan e%a"tl# >;ust? identified

b. 6ika 29k @ m91 maka persamaan tersebut over identified

c. 6ika 29k A m91 maka persamaan tersebut under identified

". M/3!1/ M/n&/l/a05an P/ramaan S0m$l3an

a.In10r/:3 L/a3 S$ar/ (ILSC M/3!1/ 5$a1ra3 3/r5/:0l 301a5 lang$ng)

Metode ini digunakan pada persamaan struktural yang tepat teridenti/ikasi

(e%a"tl# identified). angkah9langkah penyelesaian HS adalah sebagai berikut'1. Mengubah persamaan struktural menjadi bentuk persamaan reduksi

#. Menerapkan metode GS ((rdinar# Least +uare) untuk setiap persamaan

reduksi.

=. Mendapatkan nilai estimasi dari koe/isien struktural asli dari koe/isien reduksi

yang ditaksir dari langkah kedua..

%.Tw! S3ag/ L/a3 S$ar/ (,SLSC M/3!1/ K$a1ra3 T/r5/:0l D$a Ta2a')

#SS digunakan untuk memperoleh nilai parameter struktural pada

persamaan yang teridenti/ikasi berlebih. Metode ini dapat diterapkan pada suatu

sistem persamaan individu dalam sistem tanpa memperhitungkan persamaan lain

secara langsung dalam sistem.

+. A'l05a0 Pa1a E40/w

Menyelesaikan persamaan simultan dengan sistem ;ust identified. Misalnya

model permintaan dan penaaran '

Fungsi demand ' tttd

t uXPQ 1210 +++=

Fungsi supply ' tts

t uPQ 210 ++=

5erikut ini ada tiga cara yang dapat dipilih'+.* METODE ,SLS BE

Modul Ekonometri

Documents

Transcript of Modul Ekonometri