I.

JUDUL MODEL DISTRIBUTED LAG

II.

TUJUAN Setelah mengikuti praktikum ke-4 ini mahasiswa diharapkan dapat melakukan analisis menganai masalah model distributed lag dengan menggunakan program Eviews.

III.

DASAR TEORI Pada dasarnya semua model regresi mengasumsikan bahwa hubungan antara peubah tak bebas dan peubah-peubah bebas bersifat serentak. Hal ini berarti peubahpeubah ini ada pada titik waktu yang sama. Asumsi ini mungkin bisa diterima dalam data lintas sektoral tapi tidak dalam data deret berkala. Ini berarti bahwa ada hubungan yang tidak serentak atau terlambat (lagged relationship), antara peubah tak bebas dan peubah bebas dalam regresi linier berganda. (Gujarati 2006:159) Perhatikan model berikut.

Keterangan : = peubah tak bebas pada saat t = konstanta = peubah bebas pada saat t = peubah bebas pada saat (t-1) = peubah bebas pada saat (t-2)
, ,

= koefisien-koefisien

= faktor pengganggu Model regresi di atas disebut juga sebagai model dinamis. Model dinamis adalah suatu model yang melibatkan perubahan dari waktu ke waktu karena efek perubahan unit pada peubah bebas yang dirasakan selama sejumlah periode waktu. Model dinamis tersebut dikatakan model keterlambatan terdistribusi (distributed lag models) karena efek perubahan satu unit dalam nilai peubah bebas terpencar atau terdistribusi pada sejumlah periode waktu. Persamaan di atas dapat diperumum dan dapat dinyatakan sebagai model keterlambatan terdistribusi k-periode yaitu

Dengan efek perubahan per unit dalam nilai peubah penjelas dirasakan selama k periode. Pada persamaan tersebut, peubah tak bebas menanggapi perubahan setiap satu unit dalam peubah bebas tidak hanya dalam periode waktu saat ini tapi juga dalam beberapa periode waktu sebelumnya. Pada prinsipnya, model-model terdistribusi seperti pada model di atas dapat diestimasi menggunakan metode kuadrat terkecil (Ordinary Least Square) karena jika diasumsikan begitu pula nonstokastik, atau tetap dalam pengambilan sampel berulang, maka dan semua nilai terlambat X lainnya. Oleh sebab itu, persamaan di atas

dengan sendirinya tidak melanggar asumsi standar model regresi linier klasik apapun. Namun, ada beberapa masalah praktis yang perlu dikemukakan misalnya menentukan berapa banyak nilai keterlambatan peubah bebas yang harus dimasukkan, bahkan dengan sampel yang besar pun seringkali terjerumus dalam masalah multikolinearitas, karena sebagian besar nilai peubah ekonomi yang berurutan cenderung berkorelasi, kadang sangat tinggi. Multikolinearitas dapat menghasilkan estimasi yang tidak tepat, artinya kesalahan standar cenderung besar sesuai dengan banyaknya koefisien yang diestimasi. Akibatnya, berdasarkan rasio t hitung biasa, cenderung menyatakan bahwa koefisienkoefisien terlambat tak signifikan secara statistik. Masalah lain yang muncul adalah bahwa koefisien factor keterlambatan berurutan kadang berbeda-beda tanda, yang membuat sulitnya penafsiran sejumlah koefisien. Model distribusi lag adalah model regresi yang memuat variable tak bebas (Y) yang dipengaruhi oleh variable bebas waktu t, serta dipengaruhi oleh variable bebas waktu t-1, t-2, , dan seterusnya. Bentuk umum model distribusi lag adalah

Salah satu teori untuk menjelaskan model tersebut adalah model Penyesuaian Parsial (Partial Adjustment Model). Metode yang digunakan untuk menentukan persamaan distribusi lag yaitu 1. Metode Koyck (untuk peluang beda kala (lag) tidak diketahui) 2. Metode Almon (untuk peluang beda kala (lag) diketahui) 3. Metode Jorgersen 4. Metode Pascal

Partial Adjustment Model (PAM)

Partial Adjustment Model (PAM) mengasumsikan bahwa tingkat nilai peubah tak bebas yang diharapkan tergantung dari tingkat nilai sekarang dan peubah bebas (Sarwoko:2005). Model ini mengacu pada model percepatan fleksibel dari teori ekonomi yang mengasumsikan bahwa ada jumlah keseimbangan optimal diinginkan atau jangka panjang yang diperlukan untuk memroduksi hasil/output tertentu dalam keadaan teknologi tertentu, tingkat tertentu, dan seterusnya. Model ini berasumsi bahwa peubah tak bebas Y yang diharapkan dalam periode t ditulis ( ) tidak dapat diobservasi secara langsung. Peubah yang aktual. akan tergantung pada

peubah bebas

Model ini berasumsi bahwa peubah tidak bebas (Y) yang diharapkan dalam periode t (ditulis ) tidak dapat diobservasi secara langsung (Mirer, 1990). Peubah akan

tergantung kepada peubah bebas (Xi) yang aktual (Pindyck & Rubinfeld, 1976). Formulasi matematisnya dituliskan sebagai berikut:

Dimana: = peubah tidak bebas yang yang diharapkan . = peubah bebas (aktual) yang diduga akan mempengaruhi = galat Karena nilai Y yang diharapkan tidak dapat diobservasi secara langsung, postulat Nerlove (1958) mengasumsikan suatu hipotesis berikut: ( Dalam hal ini : = perubahan nilai Y yang sebenarnya = perubahan nilai Y yang diharapkan = koefisien penyesuaian 0< 1 Jika nilai = 1, berarti nilai Y aktual sama dengan nilai Y yang diharapkan. Hal itu berarti nilai Y aktual menyesuaikan terhadap nilai Y yang diharapkan dengan segera dalam periode yang sama. Jika nilai = 0, berarti nilai Y yang sebenarnya pada saat t sama seperti yang diamati pada tahun sebelumnya (tidak ada perubahan). Model distribusi lag dibedakan menjadi 2, yaitu 1. Model Infinite Lag Model Panjang beda kalanya tidak diketahui. )

2.

Model Finite Lag Model Panjang beda kalanya diketahui dengan panjang beda kala sebesar t.

IV.

PERMASALAHAN DATA UANG BEREDAR M2, SUKU BUNGA DEPOSITON12 BULAN, GDP PERIODE 1990:1 SAMPAI DENGAN 2003:4
M2 (MILYAR) 22155 23204 22982 23819 23571 24610 25805 26341 27318 26880 27650 28779 30593 31342 34812 36805 37908 39886 42195 45374 44908 47405 48981 52677 53162 56448 59684 64089 GDP NOMINAL (MILYAR) 63181.8 64574.2 68127.8 67378.1 68609 70237.3 74254.7 73664.2 73183.2 74017.5 79754.8 78518.6 78529.7 79380.5 85254.1 86611.5 85604.9 87888.1 91143 90004.7 92563 94340.4 98293.7 98595.2 97874.8 100634.8 106562 108726.4 SUKU BUNGA DEPOSITO 3 BULAN (%) 16.23 16.08 18.36 21 24.21 25.01 22.61 21.88 21.29 20.09 18.48 16.72 15.71 15.19 13.76 11.79 11.53 12.07 13.35 14.27 15.92 17.09 17.6 17.15 17.29 17.35 17.25 17.03

TAHUN 1990:1 1990:2 1990:3 1990:4 1991:1 1991:2 1991:3 1991:4 1992:1 1992:2 1992:3 1992:4 1993:1 1993:2 1993:3 1993:4 1994:1 1994:2 1994:3 1994:4 1995:1 1995:2 1995:3 1995:4 1996:1 1996:2 1996:3 1996:4

1997:1 1997:2 1997:3 1997:4 1998:1 1998:2 1998:3 1998:4 1999:1 1999:2 1999:3 1999:4 2000:1 2000:2 2000:3 2000:4 2001:1 2001:2 2001:3 2001:4 2002:1 2002:2 2002:3 2002:4 2003:1 2003:2 2003:3 2003:4

63565 69950 66258 78343 98270 109480 102563 101197 105705 105964 118124 124633 124633 133832 135430 162186 148375 160142 164237 177731 169002 174017 181791 191939 181239 194878 207587 223799

105261.1 105867.1 112212.7 109905 100535.7 91741.9 94258.1 89839.2 94371.1 93387.9 96939.9 94653.6 98244.5 98191.9 100862.9 100717.5 102226.7 102456.2 104864.7 102386 104651.8 106642.6 109544 106104.6 109306.4 110532.4 113890 110724.7

16.47 15.93 26.22 23.92 27.26 40.63 47.38 49.23 34.85 27.39 15.88 12.95 12.4 11.69 12.84 13.24 14.86 15 16.16 17.24 17 15.9 14.4 13.6 12.9 11.6 8.6 7.1

Lakukan analisis regresi dengan model distribusi lag dan lakukan uji asumsi regresinya !

V.

OUTPUT

Normalitas

Homogenitas

Linearitas

Multikolinearitas

Autokorelasi

KEDUA

VI.

ANALISIS DAN PEMBAHASAN Model Awal :

LOG(M2) = -1.208747 + 0.137044*LOG(GDP_NOMINAL) - 0.015206*LOG(SUKUBUNGA) + 0.975402*LOG(M2(-1))

1. Uji Kecocokan Model (Uji F) Hipotesis H0 = H1 = = 0 (model distribusi lag tersebut tidak cocok) 0 (model distribusi lag tersebut cocok)

Taraf signifikansi = 5% = 0,05 Statistik uji P-value atau Prob(F-statistic) = 0,000000 Daerah kritis Tolak H0 jika Prob(F-statistic) < Keputusan H0 ditolak karena Prob(F-statistic) < yaitu 0,000000 < 0,05 Kesimpulan Pada taraf signifikansi 5%, model distribusi lag tersebut cocok

2. Uji Signifikansi Parameter (Uji t) Hipotesis 1) H0 = H1 = 2) H0 = H1 = 3) H0 = H1 = = 0 (koefisien log(gdp_nominal) tidak signifikan) 0 (koefisien log(gdp_nominal) signifikan) = 0 (koefisien log(sukubunga) tidak signifikan) 0 (koefisien log(sukubunga) signifikan) = 0 (koefisien log(M2(-1)) tidak signifikan) 0 (koefisien log(M2(-1)) signifikan)

Taraf signifikansi = 5% = 0,05 Statistik uji 1) Prob(t-Statsitic) log(gdp_nominal) = 0,1372 2) Prob(t-Statsitic) log(sukubunga) = 0,4880 3) Prob(t-Statsitic) log(M2(-1)) = 0,0000

 Daerah kritis Tolak H0 jika Prob(t-Statsitic) < Keputusan 1) H0 diterima karena Prob(t-Statsitic) log(gdp_nominal) > yaitu 0,1372 > 0,05 2) H0 diterima karena Prob(t-Statsitic) log(sukubunga) > yaitu 0,4880 > 0,05 3) H0 ditolak karena Prob(t-Statsitic) log(M2(-1)) < yaitu 0,000 < 0,05 Kesimpulan Pada taraf signifikansi 5%, koefisien log(gdp_nominal) dan log(sukubunga) tidak signifikan. Sementara itu, koefisien log(M2(-1)) signifikan terhadap M2. Model Akhir : LOG(M2) = -1.208747 + 0.975402*LOG(M2(-1)) Namun, untuk lebih tepatnya perlu dilakukan regresi kembali antara log(M2) dan log(M2(-1)) tanpa mengikutsertakan variable bebas log(gdp_nominal) dan

log(sukubunga) karena sudah tidak signifikan. Dari regresi kembali tersebut didapatkan persamaan baru dan perlu diuji kembali kecocokan model dan signifikansi parameternya seperti berikut ini. Model Awal : LOG(M2) = 0.036937 + 1.000461*LOG(M2(-1)) 1. Uji Kecocokan Model (Uji F) Hipotesis H0 = H1 = = 0 (model distribusi lag tersebut tidak cocok) 0 (model distribusi lag tersebut cocok)

Taraf signifikansi = 5% = 0,05 Statistik uji P-value atau Prob(F-statistic) = 0,000000 Daerah kritis Tolak H0 jika Prob(F-statistic) < Keputusan H0 ditolak karena Prob(F-statistic) < yaitu 0,000000> 0,05 Kesimpulan Pada taraf signifikansi 5%, model distribusi lag tersebut cocok

2. Uji Signifikansi Parameter (Uji t) Hipotesis H0 = H1 = = 0 (koefisien log(M2(-1)) tidak signifikan) 0 (koefisien log(M2(-1)) signifikan)

Taraf signifikansi = 5% = 0,05 Statistik uji 2) Prob(t-Statsitic) log(M2(-1)) = 0,0000 Daerah kritis Tolak H0 jika Prob(t-Statsitic) < Keputusan H0 ditolak karena Prob(t-Statsitic) log(M2(-1)) < yaitu 0,0000 < 0,05 Kesimpulan Pada taraf signifikansi 5%, dapat disimpulkan bahwa koefisien log(M2(-1)) signifikan mempengaruhi log(M2) pada model distribusi lag yang kedua.

Model Akhir : LOG(M2) = 0.036937 + 1.000461*LOG(M2(-1)) Maka, yang akan diuji asumsinya adalah model distribusi lag kedua yang modelnya terbukti cocok dan parameternya signifikan.

3. Koefisien Determinasi Nilai koefisien determinasi untuk model distribusi lag yang kedua yaitu R2 = 0,994089 Nilai tersebut menunjukkan bahwa log(M2(-1)) mempengaruhi variabel terikat log(M2) sebesar 0,994089 atau 99,4089 %. Sedangkan 0,5911 % dipengaruhi oleh faktor lain.

4. Uji Asumsi 1) Uji Normalitas o Hipotesis H0 = residual data berdistribusi normal H1 = residual data tidak berdistribusi normal

o Taraf signifikansi = 5% = 0,05 o Statistik uji Nilai Jarque-Bera = 8,168535 P-value atau Probability Jarque-Bera = 0,016835 o Daerah kritis Tolak H0 jika Probability Jarque-Bera < o Keputusan H0 ditolak karena Probability Jarque-Bera < yaitu 0,016835< 0,05 o Kesimpulan Pada taraf signifikansi 5%, residual data tidak berdistribusi normal. Hal tersebut menandakan bahwa asumsi normalitas untuk model distribusi lag yang kedua tidak terpenuhi.

2) Uji Linearitas o Hipotesis H0 : fungsi model distribusi lag tersebut linier H1 : fungsi model distribusi lag tersebut tidak linier o Taraf signifikansi = 5% = 0,05 o Statistik uji Nilai F-statistic = 2,548495 P-value atau Prob. F(1,52) = 0,116459 o Daerah kritis Tolak H0 jika Prob. F(1,59) < o Keputusan H0 diterima karena Prob. F(1,59) > yaitu 0,116459> 0,05 o Kesimpulan Pada taraf signifikansi 5%, fungsi model distribusi lag tersebut linier. Maka dari itu, asumsi linearitas untuk model distribusi lag yang kedua terpenuhi.

3) Uji Heteroskedastisitas

 Hipotesis H0 : ragam residual homogen (homoskedastisitas) H1 : ragam residual tidak homogen (heteroskedastisitas) Taraf signifikansi = 5% = 0,05 Statistik uji F-statistic = 2,718844 Obs*R-Squared = 5,206909 P-value atau Prob. Chi-Square(2) = 0,074017 Daerah kritis Tolak H0 jika Prob. Chi-Square(2) < Keputusan H0 diterima karena Prob. Chi-Square(2) > yaitu 0,074017> 0,05 Kesimpulan Pada taraf signifikansi 5%, ragam residual pada model distribusi lag tersebut homogen. Dengan kata lain dapat disimpulkan bahwa asumsi heteroskesdastisitas tidak terpenuhi atau ragam residual untuk model distribusi lag yang kedua tersebut bersifat homoskedastisitas.

4) Uji Multikolinearitas Untuk model distribusi lag yang kedua tersebut tidak perlu dilakukan uji asumsi multikolinearitas karena model regresi tersebut merupakan regresi linier sederhana dengan satu variable bebas. Maka tidak akan ada multikolinearitas.

5) Uji Autokorelasi Hipotesis H0 : tidak terjadi autokorelasi H1 : terjadi autokorelasi Taraf signifikansi = 5% = 0,05

 Statistik uji F-statistic = 0,651896 Obs*R-Squared = 1,371002 P-value atau Prob. Chi-Square(2) = 0,503838 Daerah kritis Tolak H0 jika Prob. Chi-Square(2) < Keputusan H0 diterima karena Prob. Chi-Square(2) > yaitu 0,503838 > 0,05 Kesimpulan Pada taraf signifikansi 5%, tidak terjadi autokorelasi pada model distribusi lag yang kedua tersebut. Dengan kata lain asumsi autokorelasi tidak terpenuhi dan non-autokorelasi terpenuhi.

VII.

KESIMPULAN