PERSAMAAN SIMULTAN

PERSAMAAN TUNGGAL :

Pengaruh satu arah

Variabel dependent dinyatakan sebagai suatu fungsi linear dari satu atau
lebih variable independent (hubungan sebab akibat merupakan hubungan
satu arah)

Y = f(X)
X

Apakah Y = f(X) atau X = f(Y) .. > UJI GRANGER

Model umum pengujian kausalitas dari Granger adalah sebagai berikut:
m
n
Xt = ai Xt-i+ bj Yt-j + ut
i=1
j=1
r
s
Yt = ci Yt-i + dj Xt-j + vt
i=1
j=1
Contoh Penerapan:
Xt = Harga beras di pasar lokal
Yt = Harga beras di pasar pusat
ut dan vt adalah error terms yang diasumsikan tidak mengandung korelasi
serial dan m = n = r = s.

Hasil-hasil regresi kedua bentuk model regresi linear ini akan menghasilkan
empat kemungkinan mengenai nilai koefisien-koefisien regresi masing-masing:
n
s
(1) Jika bj 0 dan dj = 0, maka terdapat kausalitas satu arah dari Y ke X
j=1
j=1
n
s
(2) Jika bj = 0 dan dj 0, maka terdapat kausalitas satu arah dari X ke Y
j=1
j=1
n
s
(3) Jika bj = 0 dan dj = 0, maka X dan Y bebas
j=1
j=1
n
s
(4) Jika bj 0 dan dj 0, maka terdapat kausalitas dua arah antara X dan Y
j=1
j=1

--------------A.

BENTUK PERSAMAAN FUNGSI SIMULTAN

Jumlah persamaan dalam persamaan simultan = jumlah variable terikat

(endogen)
Qd = 0 + 1P + 2Ps + 3Y + U1
P = 0 + 1Qd + 2W + U2
B.

TIDAK BAIKNYA DIGUNAKAN PENAKSIRAN DENGAN

OLS

Estimasi dengan OLS akan menghasilkan penaksir yang bias,

Contoh:

Qd = 0 + 1P + 2Ps + 3Y + U1

Asumsi OLS: Variabel bebas tidak tergantung pada variable gangguan

(U), asumsi ini tidak dapat terpenuhi, karena P juga dipengaruhi oleh Q,
sehingga P juga tergantung pada U1. Untuk lebih memperjelas
ditampilkan fungsi P, misalnya:
P = 0 + 1Qd + 2W + U2
P = 0 + 1 (0 + 1P + 2Ps + 3Y + U1) + 2W + U2
Dari fungsi yang baru diturunkan ini ternyata P juga tergantung pada U 1,
maka bila OLS diterapkan hasil penaksiran 1, 2, dan 3 akan bias.
C.

IDENTIFIKASI PERSAMAAN DALAM MODEL

Order condition
Merupakan kondisi yang diperlukan (necessary condition),tapi
belum cukup (not sufficient) untuk memastikan kondisi identifikasi.
Kondisi order menyatakan bahwa syarat identifikasi dari suatu
persamaan structural adalah jumlah predetermined variable yang
tidak dimasukkan (excluded) dalam persamaan, sekurang-kurangnya
harus sebanyak jumlah variable endogen yang terdapat dalam
persamaan dikurangi satu.
K-k g 1
K = Banyaknya variable eksogen dalam system
k = Banyaknya variable eksogen dalam persamaan tertentu
g = Banyaknya variable endogen dalam persamaan tertentu
Qd = 0 + 1P + 2Ps + 3Y + U1
P = 0 + 1Qd + 2W + U2
Persamaan (Qd)
K=3
k=2
K k = 3-2 =1
g=2
g 1 = 2-1=1
Persamaan (P)
K=3
k=1
K k = 3-1 =2
g=2
g 1 = 2-1=1

Rank condition
Suatu system yang terdiri dari G persamaan, suatu persamaan
disebut identified jika sekurang-kurangnya memiliki satu
determinan yang tidak sama dengan nol. Determinan tersebut adalah
determinan berdimensi (G-1) dari koefisien-koefisien variable yang
tidak dimasukkan dalam persamaan tersebut, tetapi terkandung
dalam persamaan lain dalam model.
Qd = 0 + 1P + 2Ps + 3Y + U1
P = 0 + 1Qd + 2W + U2

Fungsi
Qd
P

Qd
1
- 1

Koefisien dari variable-variabel

P
Ps
Y
- 1

- 2

- 3

W
0

- 2

Prosedur umum yang harus diikuti dalam penentuan identifikasi

setiap persamaan struktur, yang merupakan bagian dari model
sejumlah G persamaan dalam persamaan simultan adalah sebagai
berikut:
1.
Jika K k > g 1 dan rank matrix A adalah G1, maka persamaan tersebut dikatakan overidentified
2.
Jika K k = g 1 dan rank matrix A adalah G1, maka persamaan tersebut dikatakan exactly identified
3.
Jika K k < g 1, maka persamaan tersebut
tidak bisa diidentifikasi (un identified)
4.
Jika K k g 1, tapi rank dari matrix A lebih
kecil dari G-1, maka persamaan tersebut dikatakan under
identified

D.

ESTIMASI PARAMETER FUNGSI

Indirect Least Squares (ILS)/Kuadrat terkecil tak langsung,

Digunakan untuk persamaan yang teridentifikasi tepat (Exactly
identified)
Langkah-langkah pengerjaan dengan ILS:
1.
Membuat persamaan reduced form
2.
Estimasi koefisiennya
3.
Manipulasi untuk mendapatkan koefisien
persamaan struktur

Two Stage Least Squares (2SLS)/Kuadrat terkecil 2 tahap

Digunakan untuk persamaan yang teridentifikasi lebih
(Overidentified). Bila digunakan ILS, akan menghasilkan taksiran
parameter yang bernilai ganda. 2SLS dapat juga diterapkan pada
persamaan yang exactly identified.
Langkah-langkah pengerjaan dengan 2SLS:
1.
Membuat persamaan reduced form
2.
Estimasi koefisiennya, dan ambil hasil estimasi
variable endogen
3.
Gunakan untuk mengestimasi persamaan
structural.

Fungsi
1
2
3
4
5

Y1
1
0

Y2
- 12

- 31

1
0

- 42

- 51

Y3
0
- 23

1
0
0

Koefisien
Y4
Y5
X1
- 14
0
11
- 24
0
0
- 34
- 35
0
1
0
41
- 54
1
0

X2
0
22
0
0
52

X3
0
23
33
43
53

X4
14
0
34
0
0

Y1 = 0 + 12Y2 + 14 Y4 + 11X1+ 14X4 + u1 . (1)

Y2 = 1 + 23Y3 + 24 Y4 + 22X2+ 23X3 + u2 . (2)
Y3 = 2 + 31Y1 + 34 Y4+ 35 Y5 + 33X3+ 34X4 + u3 .. (3)
Y4 = 3 + 42Y2 + 41X1+ 43X3 + u4 . (4)
Y5 = 4 + 51Y1 + 54 Y4 + 52X2+ 53X3 + u5 . (5)

(1) K k = 4 2 = 2

=
g 1 = 3 1 =2
K-k = g-1
Rank matrix = G-1
exactly identified

(2) K k = 4 2 = 2

=
g 1 = 3 1 =2
K-k = g-1
Rank matrix = G-1

exactly identified
(3) K k = 4 2 = 2

<
g 1 = 4 1 =3
K-k < g-1
Rank matrix < G-1
un identified

(4) K k = 4 2 = 2

>
g 1 = 2 1 =1
K-k > g-1
Rank matrix = G-1
Overidentified

(5) K k = 4 2 = 2

=
g 1 = 3 1 =2
K-k = g-1
Rank matrix = G-1
exactly identified

Langkah-langkah pengerjaan dengan ILS:

1. Membuat persamaan reduced form
Y1 = f(X1,X2,X3, X4)
Y2 = f(X1,X2,X3, X4)
Y3 = f(X1,X2,X3, X4)
Y4 = f(X1,X2,X3, X4)
Y5 = f(X1,X2,X3, X4)

2. Estimasi koefisiennya
3. Manipulasi untuk mendapatkan koefisien persamaan struktur

Ct = 0 + 1Pt+ 2Pt-1 + 3(Wpt + Wgt) + e1

It = 0 + 1Pt + 2Pt-1 + 3Kt-1
+ e2
p
W t = 0 + 1Xt + 2Xt-1 + 3At
+ e3
Xt = Ct + It + Gt
Pt = Xt Tt - Wpt

Kt = Kt-1 + It
MODEL KLEIN

Ct
It
Wp

Ct
1
0
0

P Wp+wq I
1
3
0
1
0
1
0
0
0

klag
0
3

X
0
0

wg Wp
0
0
0
0
0

G
0
0

A plag xlag
0 2
0
0 2
0