DASAR-DASAR EKONEMETRIKA
NAMA KELOMPOK:
Ada situasi dimana hubungan satu arah antara X dan Y tidak bisa dipertahankan.
Sangat mungkin bahwa X tidak hanya memengaruhi Y, tapi Y juga bisa memengaruhi satu X
atau lebih. Jika demikian, kita memiliki hubungan bilateral, atau umpan balik antara Y dan X.
Jelas, jika demikian strategi permodelan persamaan tunggal yang sudah kita bahas dalam bab
sebelumnya tidak akan cukup, dan dalam beberapa kasus mungkin sangat tak cocok karena
mungkin menyebabkan hasil-hasil yang bias (dari sudut pandang statistic). Dalam
menentukan hubungan bilateral antara X dan Y, kita akan perlu lebih dari satu persamaan
regresi. Model-model regresi dimana ada lebih dari satu persamaan dan dimana ada
hubungan umpan balik diantara variabel dikenal sebagai model regresi persamaan simultan
(simultaneous equation regression model).
Dimana t adalah subkrip waktu, u adalah factor kesalahan stokhastik, dan It = St*.
Model Keynesian sederhana ini mengasumsikan perekonomian tertutup (yakni, tidak
ada perdagangan luar negeri) dan tidak ada pengeluaran pemerintah [ingat bahwa identitas
pendapatan umumnya ditulis sebagai Yt = Ct + It + Gt + NXt . dimana G adalah
pengeluaran pemerintah dan NX adalah ekspor netto (ekspor-impor)]. Model ini juga
mengasumsikan bahwa It , pengeluaran investasi, ditentukan dari luar, katakanlah oleh
sector swasta.
Fungsi konsumsi menyatakan bahwa pengeluaran konsumsi berhubungan linear dengan
pendapatan; factor kesalahan stokhastk ditambahkan pada fungsi untuk mencerminkn fakta
bahwa dalam analisis empiris, hubungan antara keduanya hanyalah perkiraan. Identitas
(pendapatan nasional) mengatakan bahwa pendapatan total sama dengan jumlah pengeluaran
konsumsi dan pengeluaran investasi; yang terakhir sama dengan tabungan total. Seperti kita
ketahui, koefisien kemiringan B2 dalam fungsi konsumsi adalah kecenderungan marjinal
mengkonsumsi (Marginal Prospensity to Consume, MPC), jumlah pengeluaran konsumsi
ekstra yang dihasilkan oleh ekstra rupiah pendapatan. Keynes mengasumsikan bahwa MPC
positif tapi kurang dari 1, yang masuk akal karena orang mungkin menabung sebagian
pendapatan tambahan mereka.
Sekarang kita bisa melihat hubungan timbal balik, atau simultan, antara pengeluaran
konsumsi dan pendapatan. Dari Persamaan (15.1) kita melihat bahwa pendapatan
memengaruhi pengeluaran konsumsi. Tetapi dari Persamaan (15.2) kita juga melihat bahwa
konsumsi merupakan komponen pendapatan. Oleh sebab itu, pengeluaran konsumsi dan
pendapatan itu bersifat saling tergantung (interdependent). Analisis objektifnya adalah
menemukan bagaimana pengeluaran konsumsi dan pendapatan ditentukan secara simultan.
Dengan demikian, konsumsi dan pendapatan merupakan variabel yang tergantung bersama.
Dalam bahasa permodelan persamaan simultan, variabel-variabel yang tergantung bersama
itu dikenal sebagai variabel endogen (endogenous variables). Dalam model Keynesian
sederhana, inevstasi I bukanlah variabel endogen, karena nilainya ditentukan secara
independen; maka itu disebut sebagai variabel eksogen (exogenous) atau sudah ditentukan
sebelumnya (predetermined). Dalam model Keynesian yang lebih lanjut, investasi juga bisa
dijadikan endogen.
Secara umum, variabel endogen adalah “variabel yang menjadi bagian dari sistem yang
tengah dipelajari dan ditentukan didalam sistem tersebut. Dengan kata lain, variabel yang
disebabkan oleh variabel lain dalam suatu sistem kausal (sebab-akibat)”, dan variabel
eksogen adalah “variabel yang masuk dari dan ditentukan dari luar sistem yang tengah
dipelajari. Sistem sebab-akibat tak menjelaskan variabel eksogen”.
Persamaan (15.1) dan (15.2) mewakili model dua persamaan yang melibatkan dua variabel
endogen C dan Y. Jika ada lebih banyak variabel endogen, maka akan ada lebih banyak
persamaan, satu persamaan untuk masing-masing variabel endogen itu. Beberapa persamaan
dalam sistem merupakan persamaan structural, atau perilaku, dan beberapa merupakan
identitas. Oleh sebab itu, dalam model Keynesian sederhana kita, Persamaan (15.1)
merupakan persamaan structural atau perilaku, karena menggambarkan struktur atau perilaku
sector tertentu dalam perekonomian, dalam hal ini sector konsumsi. Koefisien (atau
parameter) persamaan structural seperti B1 dan B2 dikenal sebagai koefisien structural.
Persamaan (15.2) merupakan suatu identitas, hubungan yang jika didefinisikan; Pendapatan
total sama dengan pengeluaran konsumsi total plus investasi total.
Karena itu dengan mengasumsikan bahwa kurva permintaan dan penawaran berhubungan
linear dengan harga dan menambahkan factor stokhastik atau factor kesalahan acak u1 dan u2 ,
kita dapat menuliskan fungsi persamaan dan penawaran empiris tersebut sebagai :
∑ ct yt
b 2=∑¿ ¿ ¿ =∑y2 (15.6)
t
Sekarang ingat bahwa di Bab 7 kita ketahui jika kita bekerja dalam kerangka model regresi
linear klasik (CLRM), yang merupakan kerangka yang kita gunakan sejauh ini, estimator
OLS merupakan penaksir tak bias linear terbaik (BLUE). Apakah b2 yang diketahui dalam
persamaan (15.6) merupakan penaksir BLUE dari kecenderungan marjinal mengkonsumsi
sebenarnya B2? Bisa dilihat bahwa saat adanya masalah simultanitas, estimator OLS
umumnya tidak BLUE. Dalam contoh kita ini, b2 bukan penaksir BLUE dari B2. Secara
khusus, b2 merupakan estimator bias dari B2; Biasanya, ia meng –overesimate atau meng-
underestimate B2 sebenarnya, Bukti formal pernyataan ini diberikan di Lampiran 15A . Tapi
secara inuitif mudah untuk melihat mengapa b2 mungkin tidak BLUE.
Seperti dibahas di Bagian 7.1, salah satu asumsi CLRM adalah bahwa faktor
kesalahan stokhastik u dan variabel(-variabel) penjelas tidak berkorelasi. Oleh sebab itu,
fungsi konsumsi Keynesian Y(pendapatan) dan faktor kesalahan ut tidak boleh dikorelasikan,
jika kita ingin menggunakan OLS untuk mengestimasi parameter – parameter fungsi
konsumsi (15.1). Tapi bukan begitu adanya. Untuk melihatnya, kita akan melanjutkan
sebagai berikut :
Y t = C t + It
= (B0 + B1Yt + ut) + It dengan mensubstitusi Ct dari (15.1)
= B0 + B1Yt + ut) + It
Oleh sebab itu, dengan memindahka faktor B1Yt pada sisi kiri dan menyederhanakannya, kita
dapatkan
B0 1 1
Y t= + 1−B It + 1−B ut (15.7)
1−B 1 1 1
Perhatikan fitur menarik dari persamaan ini. Pendapatan nasional Y tidak hanya
bergantung pada investasi I tapi juga pada faktor kesalahan stokhastik u! Ingat bahwa faktor
kesalahan u mewakili segala jenis pengaruh yang tidak secara eksplisit tercakup dalam
model. Mari kita anggap bahwa salah satu pengaruh ini adalah kepercayaan konsumen yang
diukur oleh, katakanlah, indeks kepercayaan konsumen yang dikembangkan oleh University
of Michigan. Anggap konsumen merasa optimis tentang perekonomian karena maraknya
pasar saham (seperti yang terjadi di Amerika Serikat pada tahun 1996 dan 1997). Karena itu,
konsumen menaikkan pengeluaran konsumsi mereka, yang mempengaruh pendapatan Y
dengan mempertimbangkan identitas pendapatan (15.2). Peningkatan dalam pendapatan ini
akan memicu lagi peningkatan dalam konsumsi karena adanya Y dalam fungsi konsumsi
(15.1), yang akan membawa peningkatan lain dalam pendapatan, dan seterusnya. Apakah
hasil dari proses ini? Mahasiswa akrab dengan ilmu ekonomi makro dasar akan tahu bahwa
1
hasil akhir ini akan tergantung pada nilai pengganda/multiplier ( ). Jika,misalnya, MPC
1−B2
(B2) adalah 0,8 (yakni, 80 sen dari setiap rupiah atau dolar tambahan kekayaan pendapatan
dibelanjakan pada konsumsi), maka multiplier-nya adalah 5.
Poin yang perlu diperhatikan adalah bahwa Y dan u dalam persamaan (15.1)
berkorelasi, sehingga kita tak bisa menggunakan OLS untuk mengestimasi parameter –
parameter fungsi konsumsi (15.1). jika kita bersikukuh menggunakannya, maka estimatornya
akan bias. Tidak hanya itu, tapi seperti ditunjukkan lampiran 15A, bahkan estimatornya pun
tidak akan konsisten. Seperti dibahas di Subbab 5.4, kasarnya, suatu estimator dikatakan
sebagai penaksir yang tak konsisten jika tidak mendeskripsikan nilai parameter sebenarnya
meskipun ukuran sampel itu naik. Maka dapat disimpulkan, karena korelasi antara Y dan u
estimator b2 menjadi bias (dalam sampel kecil) serta tak konsisten (dalam sampel besar). Hal
ini akan merusak kemanfaatan OLS sebagai metode estimasi dalam konteks model – model
persamaan simultan.jelas, kita perlu mengeksplorasi metode – metode estimasi yang lain.
Kita akan membahas metode alternative tersebut dalam bagian berikut ini. Sambal berjalan,
perhatikan bahwa jika suatu variabel penjelas dalam persamaan regresi berkorelasi dengan
faktor kesalahan dalam persamaan, variabel itu pada hakikatnya menjadi variabel acak, atau
stokhastik. Dalam sebagian besar model regresi yang sudah dibahas, kita mengasumsikan
bahwa variabel penjelas memakai nilai tetap atau jika acak, bahwa variabel – variabel itu tak
berkorelasi dengan faktor kesalahan. Ini tidak terjadi dalam contoh saat ini.
Sebelm membahas lebih lanjut, perhatikan fitur menarik persamaan (15.7) :
persamaan tersebut mengungkapkan Y (pendapatan) sebagai fungsi I (investasi), yang
diketahui eksogen, dan faktor kesalahan u. Persamaan seperti itu, yang mengungkapkan
variabel endogen hanya sebagai fungsi variabel(-variabel) eksogen dan faktor kesalahan,
dikenal sebagai persamaan (regresi) bentuk tereduksi (reduced form equation). Kita akan
lihat kegunaan persamaan bentuk tereduksi ini segera.
Jika kita sekarang mensubstitusikan Y dari Persamaan (15.7) ke dalam fungsi
konsumsi (15.1), kita akan peroleh persamaan bentuk tereduksi untuk C sebagai
B1 B 1
C t= + 1 It + 1−B ut (15.8)
1−B2 1−B2 2
Ct = At + A2It + vt (15.9)
A1
B 1= (15.10)
1+ A 2
A2
B 2= (15.11)
1+ A 2
Oleh sebab itu, begitu kita mengestimasi A1 dan A2, kita bisa dengan mudah
“memanggil” B1 dan B2 dari persamaan tersebut.
Metode mendapatkan estimasi parameter fungsi konsumsi (15.1) ini dikenal sebagai metode
kuadrat terkecil tak langsung (ILS, indirect least squares), karena kita mendapatkan
estimasi parameter asal secara tak langsung dengan mula – mula menerapkan OLS pada
regresi bentuk tereduksi (15.9). Apakah sifat statistik estimator ILS? Kita nyatakan (tanpa
bukti) bahwa penaksir-penaksir ILS itu adalah estimator konsisten; artinya, sewaktu ukuran
sampel naik dengan nilai tertentu. penaksir-penaksir ini akan menyatu ke dalam nilai-nilai
populasinya yang sebenarnya. Akan tetapi, dalam sampel-sampel kecil, atau terbatas
estimator ILS mungkin bias, Sebaliknya, estimator OLS bias dan juga tak konsisten.
Sebagai penerapan ILS, perhatikan data yang disajikan di Tabel 15-1. Data tentang konsumsi,
pendapatan dan investasi adalah untuk Amerika Serikat pada tahun 1960 hingga 1994 dan
ditampilkan dalam miliaran dolar 1992; artinya, data itu diekspresikan dalam daya beli dolar
1992. Harus dicatat bahwa data pendapatan adalah penjualan konsumsi dan pengeluaran
investasi, sejalan dengan model penentuan pendapatan Keynesian sederhana.
^ t= 191,8108 + 4,4640lt
C
se = (130,0330) (0,2071)
t = (1,4750) (21,5531) r 2= 0,9336 (15.12)
Oleh sebab itu a 1= 191,8108 dan a 2= 4,4640, yang secara berturut-turut adalah estimasi dari
A1 dan A2 pararneter-parameter regresi bentuk tereduksi (15.8). Sekarang kita menggunakan
Persamaan (15.10) dan (15.11) untuk mendapatkan estimasi dari B1 dan B2 parameter fungsi
konsumsi (15.1)
a1 191,8108
b 1= = =35,1044(15.13)
1+ a2 1+ 4,4640
a2 4,4640
b 2= = =0,8169(15.14)
1+ a2 1+ 4,4640
Ini adalah penaksir ILS parameter-parameter fungsi konsumsi. Dan fungsi konsumsi taksiran
sekarang adalah
Sebagai perbandingan, kita tampilkan hasil yang didasarkan pada OLS, artinya, hasil
yang diperoleh langsung dengan meregresikan C terhadap Y tanpa perantara berupa bentuk
tereduksi:
^ t = 6,5415 + 0,8252Yt
C
se = (23,9802) (0,0066) (15.16)
t = (0,2727) (124,6031) r 2 = 0,997
Lihat perbedaan antara taksiran parameter dari ILS dan OLS untuk konsumsi. Meskipun
kecenderungan marjinal mengkonsumsi taksiran tidak berbeda secara substansial, ada
perbedaan dalam nilai titik potong taksirannya. Hasil mana yang seharusnya kita percayai?
Kita harus mempercayai hasil-hasil yang diperoleh dari metode ILS, karena kita tahu bahwa
saat masalah simultanitas terjadi, hasil-hasil OLS tidak hanya bias tapi juga tak konsisten.
Tampaknya kita bisa selalu menggunakan metode kuadrat terkecil tak langsung untuk
mengestimasi parameter model persamaan simultan. Pertanyaannya adalah apakah kita bisa
mengembalikan parameter struktural asal dari hasil estimasi bentuk tereduksi? Kadang kita
bisa, dan kadang tidak. Jawabannya tergantung pada apa yang disebut dengan masalah
identifikasi. Dalam bagian berikut ini kita akan bahas masalah ini, lalu dalam bagian-bagian
mendatang kita akan bahas metode untuk mengestimasi parameter lain dari model-model
persamaan simultan.
Mari kita kembali ke model penawaran dan permintaan Contoh 15.2. Anggap kita
punya data P dan Q saja, dan kita ingin mengestimasi fungsi permintaan. Anggap kita
meregresikan Q terhadap P.
Bagaimana Anda tahu bahwa regresi ini sebenarnya mengestimasi fungsi permintaan?
Anda mungkin berkata bahwa jika kemiringan regresi taksiran itu negatif, itu merupakan
fungsi permintaan karena hubungan terbalik antara harga dan kuantitas yang diminta. Tapi
anggap koefisien kemiringan berubah menjadi positif. Lalu bagaimana? Apakah kemudian
Anda berkata bahwa fungsi tersebut menjadi fungsi penawaran karena ada hubungan positif
antara harga dan kuantitas yang diminta?
Anda bisa lihat masalah potensial yang terjadi hanya dengan meregresikan kuantitas
terhadap harga: Kombinasi P, dan Q, mewakili hanya titik potong kurva permintaan dan
penawaran yang cocok saja mengingat kondisi kesetimbangan di mana permintaan sama
dengan penawaran. Untuk melihat hal in lebih jelas, lihat Peraga 15-2.
Underidentification
Perhatikan sekali lagi Contoh 15.2. Dengan kondısi kesetimbangan bahwa penawaran
sama dengan permintaan, kita peroleh
Pt =π 1+V t (15.18)
B 1−A 1
di mana π 1= (15.19)
A 2−B2
u2 t −u1 t
V 1t= (15.20)
A2 −B 2
di mana v1 adalah faktor kesalahan stokhastik, yang merupakan kombinasi linear u. Simbol
πdibaca pi dan digunakan di sini untuk mewakili koefisien regresi bentuk tereduksi.
Qt =π 2+ u2 t (15.21)
A 2 B 1− A 1 B 2
di mana π 2= (15.22)
A 2−B2
A 2 u 2t −B2 u 1 t
v 2t = (15.23)
A2−B2
Persamaan (15.19) dan (15.21) merupakan' regresi bentuk tereduksi. Sekarang model
permintaan dan penawaran kita memiliki empat koefisien struktural, A1 , A 2 , B1 , dan B2, tapi
tak ada cara yang unik untuk mengestimasinya dari dua koefisien bentuk tereduksi, π 1 dan π 2 .
Seperti diajarkan dalam aljabar dasar, untuk menaksir empat variabel tak diketahui kita harus
punya empat persamaan (independen). Kebetulan, jika kita menjalankan regresi bentuk
tereduksi (15,19) dan (15.21) kita melihat bahwa tidak ada Variabel-variabel penjelas, hanya
konstanta, π, dan konstanta-konstanta ini hanya akan memberikan nillai mean P dan Q.
(Mengapa?) Tidak ada cara menaksir keempat koefisien strnuktural dari dua tiiai mean-nya.
Pendeknya, baik fungsi permintaan maupun penawaran tak teridentifikasi.
Untuk mengilustrasikan identifikasi pasti lebih lanjut, mari kita lanjutkan dengan
contoh permintaan identifikasi yang Tepat atau Pasti dan penawaran kita, tapi sekarang kita
modifikasi model tersebut sebagai berikut:
Pt =π 1+ π 2 X t + v 1 t (15.27)
B 1−A 1
π 1= (15.28)
A 2−B2
− A3
π 2= (15.29)
A 2−B2
u2 t−u 1t
v1 t = (15.30)
A 2−B2
Q t =π 3+ π 4 X t + v 2 t (15.31)
A 2 B1 −A 1 B2
di mana π 3= (15.32)
A 2−B2
A 3 B2
π4= (15.33)
A 2−B 2
A 2 u 2t −B2 u 1t
v 2t = (15.34)
A 2−B2
Karena Persamaan (15.27) dan (15.31) keduanya merupakan regresi bentuk tereduksi, seperti
dikatakan sebelumnya, OLS bisa selalu diterapkan untuk mengestimasi parameter-
parameternya. Pertanyaan yang masih tersisa adalah apakah kita bisa secara unik
mengestimasi parameter persamaan struktural dari koefisien bentuk tereduksi.
Lihatlah bahwa model-model permintaan dan penawaran (15.24) dan (15.25) meliputi
lima koefisien struktural, A1 , A 2 , A3 , B 1 dan B2. Tapi kita hanya punya empat persamaan
untuk menaksimya-empa koefisien bentuk tereduksi, empat π. Jadi, kita tak bisa mendapatkan
nilai-nılai unik dari kelima koefisien struktural ini. Tapi koefisien mana yang bisa secara unik
diestimasi? Pembaca bisa memverifikasi bahwa parameter fungsi penawaran bisa diestimasi
secara unik, karena
π4
B 2= (15.36)
π2
Alhasil, fungsi penawaran telah teridentifikasi secara pasti. Tapi fungsi permintaan tak
teridentifikas karena tidak ada cara yang unik untuk mengestimasi parameter-parameternya,
koensien A.
Menggunakan Persamaan (15.37) dan (15.38), dan kondisi clearing pasar, tentukan regresi
bentuk tereduksi dan verifikasilah bahwa sekarung baik fungsi permintaan maupun
penawaran teridentifikasi; masing-masing regresi bentuk tereduksi akan punya X t dan Pt −1
sebagai variabel penjelas, dan karena nilai-nilai variabel ini ditentukan di luar model, nilai
tersebut tak berkorelasi dengan faktor kesalahan. Sekali lagi perhatikan bagaimana
dimasukkan atau dikeluarkannya variabel dari persamaan membantu kita mengidentifikasi
persamaan itu, yakni, mendapatkan nilai unik parameter persamaan itu. Oleh sebab itu,
adalah dikeluarkannya variabel Pt −1 dari fungsi permintaan yang membantu kita
mengidentifikasinya, seperti halnya dikeluarkannya variabel pendapatan ( X 1 ) dari fungsi
penawaran membantu kita mengidentifikasinya. Salah satu implikasınya adalah bahwa
persamaan dalam sistem persamaan simultan tak bisa diidentifikasi apabila semua variabel
(endogen maupun eksogen) tercakup dalam sistem. Nanti kita akan tampilkan aturan
sederhana identifikasi yang menggeneralisasikan ide ini (lihat Bagian 15.6).
Overidentification
Meskipun dikeluarkannya variabel tertentu dari persamaan mungkin memungkinkan
kita mengidentifikasinya seperti yang baru saja ditunjukkan, kadang kita bisa berlebihan
melakukannya. Hal ini bisa nmengakibatkan masalah overidentification, situasi di mana ada
lebih dari satu nilai untuk satu parameler persamaan atau lebih dalam model. Mari kita lihat
bagaimana ini bisa terjadi.
Sekali lagi kita kembali pada model permintaan-penawaran dan menuliskannya sebagai
Menyamakan model (15.39) dan (15.40), kita sekarang mendapatkan regresi-regresi bentuk
tereduksi berikut ini:
Pt =π 1+ π 2 X T + π 3 W t + π 4 P t−1 +v 1 t (15.41)
Qt =π 5+ π 6 X t + π 7 W t + π 8 P t−1+ v 2 t (15.42)
Di mana:
B1 − A1 A3
π 1= π 2=−
A 2−B2 A 2 −B 2
A B3
π 3 =− 4 π 4=
A 2 −B 2 A2 −B2
A 2 B 1− A 1 B 2 A 3 B2
π 5= π 6 =−
A 2 −B 2 A 2 −B2
A B A B
π 7 =− 4 2 π 8= 2 3
A 2 −B 2 A 2 −B 2
u2 t −u1t A2 u2 t −B2 u1 t
v1 t= v2 t=
A 2 −B2 A2 −B 2 (15.43)
Ingat bahwa model penawaran dan permintaan yang kita bahas memiliki 7 koefisien
struktural secara keseluruhan-empat A dan tiga B. Akan tetapi, ada 8 koefisien bentuk
tereduksi dalam persamaan (15.43). kita punya lebih banyak persamaan dari pada variabel
yang tak diketahuinya. Jelas, ada lebih dari satu solusi untuk parameter. Anda bisa langsung
melihat bahwa kita sebenarnya punya dua nilai untuk B2 :
π7 π6
B 2= B 2=
π3 atau π2 (15.44)
Dan tidak ada alasan untuk percaya bahwa kedua estimasi ini akan bernilai sama.
Karena B2 muncul dalam menyebut semua koefisien bentuk tereduksi yang diketahui
dalam persamaan (15.43) ambiguitas dalam taksiran B2 akan dipindahkan kepada koefisien
struktural lainnya juga. Mengapa kita mendapatkan hasil seperti itu? Kelihatannya kita
mempunyai terlalu banyak informasi-pengeluaran sebuah variabel pendapatan atau kekayaan
akan cukup untuk mengidentifikasi fungsi penawaran. Inilah lawan dari kasus
underidentification, di mana ada terlalu sedikit informasi. Intinya di sini adalah informasi
yang lebih banyak mungkin tidak selalu lebih baik. Tapi perhatikan bahwa masalah
overidentifikasi terjadi bukan karena kita dengan sengaja menambah lebih banyak variabel.
hanya saja kadang teori memberitahu kita variabel apa yang harus dimasukkan atau
dikeluarkan dari suatu persamaan, dan persamaan lalu berakhir tidak teridentifikasi atau
teridentifikasi (baik secara persis maupun berlebihan)
Kesimpulannya, persamaan dalam model persamaan simultan mungkin tidak
teridentifikasi, teridentifikasi secara pasti, atau mengalami overidentification. Tidak ada yang
bisa kita lakukan untuk underidentification, dengan mengasumsikan model itu tepat.
Underidentification bukan masalah statistik yang bisa dipecahkan dengan ukuran sampel
yang lebih besar. Anda bisa saja melihat keempat titik dalam peraga 15-2 (a) sepanjang
tahun, tapi titik-titik tersebut tak akan memberitahu anda kemiringan kurva penawaran dan
permintaan yang menciptakannya. Jika suatu persamaan teridentifikasi secara pasti, kita bisa
gunakan metode kuadrat kecil tak langsung (ILS) untuk mengestimasi parameter-
parameternya. Jika suatu persamaan mengalami overidentification, ILS tak akan
menyediakan parameter yang unik.untunglah kita bisa menggunakan metode kuadrat kecil
dua tahap (2SLS) untuk mengestimasi parameter-parameter persamaannya overidentification.
Tapi sebelum kita beranjak pada 2SLS, kita sebaiknya mengetahui apakah ada cara sistematis
untuk menentukan apakah suatu persamaan mengalami underidentification, teridentifikasi
secara pasti, atau overidentification; model regresi bentuk tereduksi untuk menentukan
identifikasi agak rumit, khususnya jika modal itu meliputi beberapa persamaan.
Untuk menerapkan kondisi urutan ini, kita cukup melakukan perhitungan jumlah
variabel endogen (= jumlah persamaan dalam model) dan jumlah total variabel (endogen
maupun eksogen) yang dikeluarkan dari persamaan tertentu yang tengah dibicarakan.
Meskipun kondisi urutan identifikasi sesungguhnya hanya perlu namun tidak cukup. tetapi
dalam sebagian besar penerapannya, dirasakan sangat membantu.
Karena itu, dengan penerapan kondisi urutan pada model penawaran dan permimaan
(15.39) dan (15.40), kita melihat bahwa m = 2 dan bahwa fungsi penawaran mengeluarkan
variabel Xt dan Wt; yakni, k = 2. Karena k > m - 1, persamaan penawaran mengalami
overidentification. Sedangkan untuk fungsi permintaan, yang dikeluarkan adalah Pt-1. Karena
k = m - 1, fungsi permintaan teridentifikasi. Tapi sekarang kita punya sedikit komplikasi. Jika
kita mencoba mengestimasi parameter-parameter fungsi permintaan dari koefisien bentuk
tereduksi yang diberikan dalam Persamaan (15.43), estimasi tidak akan unik karena B2, yang
dimasukkan ke dalam perhitungan, punya dua nilai, seperti ditampilkan dalam Permaan
05,44). Komplikasi ini, bagaimanapun, bisa dihindari jika kita menggunakan metode 2SLS.
Yang akan kita bahas sekarang.
fungsi pendapatan :
Y t = A1 + A 2 M t + A 3 I t + A 4 Gt +u1 t (15.45)
antara pendapatan Y dan faktor kesalahan stokastik u2 , hasil estimasi OLS akan tak
Y 1=π I +π 2 I t + π 3 Gt +w t (15.47)
di mana w adalah faktor siklus hidup stokhastik. Dari Persamaan (15.47), kita dapatkan
Y^ 1= π^ I + π^ 2 I t + ^π 3 G t +w t (15.48)
di mana Ŷt adalah nilai mean taksiran Y, ketika nilai I dan G diketahui. Perhatikan, tanda ˆ di
atas koefisien π menunjukkan bahwa inilah nilai-nilai estimasi dari π yang sebenarnya.
Y t =Y^ t + wt (15.49)
yang menunjukkan bahwa Y (stokhastik) terdiri atas dua bagian: Y^ t yang dari Persamaan
(15.48) adalah kombinasi linear variabel-variabel I dan G yang sudah ditentukan sebelumnya
dan komponen acak w t . Mengikuti teori OLS, Ŷ dan w karena itu tak saling berkorelasi.
(Mengapa? Lihat Soal 6.24.)
M t =B1 + B2 ( Y^ t + wt ) +u2 t
¿ B1+ B2 Y^ t + v t
Dengan membandingkan Persamaan (15.50) dan (15.46), kita lihat bahwa keduanya
memiliki penampilan sangat mirip, satu-satunya perbedaan adalah bahwa Y digantikan
dengan Ŷ, yang diperoleh dari Persamaan (15.48). Apakah keuntungannya? Bisa dilihat
bahwa meskipun Y dalam fungsi penawaran uang asal (15.46) cenderung berkorelasi dengan
faktor kesalahan stokhastik ů2 (sehingga membuat OLS tak lagi cocok), Ŷ dalam Persamaan
(15.50) tak berkorelasi dengan vt secara asimptotis, yakni, dalam sampel yang besar (atau
lebih akuratnya, sewaktu ukuran sampel meningkat secara tak tentu). Hasilnya, OLS sekarang
bisa diterapkan pada Persamaan (15.50), yang akan memberikan estimasi konsisten dari
parameter-parameter fungsi penawaran uang (15.46). Inilah perbaikan atas penerapan
langsung OLS pada Persamaan (15.46), karena dalam situasi itu estimasi cenderung bias serta
tak konsisten.
15.8. 2SLS: CONTOH PERHITUNGAN
Mari kita lanjutkan dengan model-model penawaran uang dan pendapatan (15.45) dan
(15.46). Tabel 15-2 dalam Soal 15.18 memberikan data tentang Y (pendapatan, yang diukur
dengan GDP), M (penawaran uang, yang diukur dengan ukuran M2 penawaran uang). I
(investasi yang diukur dengan investasi domestik swasta bruto, GPDI), dan G (pengeluaran
pemerintah federal). Data adalah dalam miliaran dolar, kecuali tingkat bunga (yang diukur
dengan tingkat sertifikat berharga Departemen Keuangan AS (bill rate) 6 bulan), yang
merupakan suatu persentase. Data tingkat bunga disajikan untuk beberapa soal di akhir bab.
Data ini bersifat tahunan dan dimaksudkan untuk periode 1970 hingga 1994.
Y^ t =−333,1789+2,0307 I t +8,7188 G t
se=(151,1741)(1,0054)(1,6550) (15.51)
Tafsirkan hasil-hasil ini secara biasa. Perhatikan bahwa semua koefisien signifikan secara
statistik pada tingkat signifikansi 5%.
Tahap 2 Regresi Kita estimasi fungsi penawaran uang (15.46) dengan meregresikan
M bukan pada pendapatan asal Y tapi terhadap Y yang diestimasi dalam Persamaan (15.51).
Hasilnya adalah
^
M t =115,0327+0,5605 Y^ t
se=(54,4021)(0,0136) (15.52)
Regresi OLS Sebagai perbandingan, kita tampilkan hasil regresi (15.46) berdasarkan
OLS yang diterapkan secara tak tepat:
^
M t =146,8179+ 0,5515Y t
(15.53)
se=(53,3235)(0,0133)
Dengan membandingkan hasil 2SLS dengan OLS, Anda mungkin berkata bahwa
hasil-hasilnya tidak amat berbeda. Mungkin memang demikian pada kasus saat ini, tapi tidak
ada jaminan bahwa hal itu selalu berlaku. Di samping itu, kita tahu bahwa dalam teori 2SLS
lebih baik daripada OLS, khususnya dalam sampel-sampel besar.
15.9. IKHTISAR
Salah satu metode yang berbelit-belit dalam mencari tahu apakah suatu persamaan
teridentifikasi adalah menentukan persamaan bentuk tereduksi suatu model. Persamaan
bentuk tereduksi mengungkapkan suatu variabel tak bebas (atau endogen) hanya sebagai
fungsi variabel eksogen, atau sudah ditentukan, yakni, variabel-variabel yang nilainya
ditentukan di luar model tersebut. Jika ada hubungan satu-satu antara koefisien bentuk
tereduksi dan koefisien persamaan asal, maka persamaan asal itu teridentifikasi.
Sebuah jalan pintas untuk menentukan identifikasi adalah melalui kondisi urutan
identifikasi. Kondisi urutan menghitung jumlah persamaan dalam model dan jumlah variabel
dalam model (baik yang endogen maupun eksogen). Lalu berdasarkan pada apakah beberapa
variabel dikeluarkan dari suatu persamaan tapi dimasukkan dalam persamaan lain dalam
model tersebut, kondisi urutan memutuskan apakah suatu persamaan dalam model
mengalami underidentification, teridentifikasi dengan tepat, atau mengalami
overidentification. Suatu persamaan dalam suatu model disebut iunderidentification jika kita
tak bisa mengestimasi nilai-nilai parameter persamaan itu. Jika kita bisa mendapatkan nilai-
nilai unik parameter-parameter suatu persamaan, persamaan itu dikatakan teridentifikasi
dengan tepat. Jika, di sisi lain, estimasi salah satu parameter atau lebih dari suatu persamaan
tidak unik dalam hal ada lebih dari satu nilai dari beberapa parameter, persamaan itu
dikatakan mengalami overidentification.
1. Mengapa OLS umumnya tak cocok untuk mengestimasikan persamaan yang tertanam
dalam model persamaan simultan ?
Jawaban :
karena variabel endogen yang muncul sebagai variabel penjelas dalam persamaan lain
mungkin berkorelasi dengan faktor kesalahan stokhastik persamaan itu. Hal ini melanggar
salah satu asumsi kritis OLS bahwa variabel penjelas bisa tetap, atau tidak acak, atau bila
acak, maka dikorelasikan dengan faktor kesalahan. Karena itu, jika kita menggunakan OLS,
estimasi yang kita perooleh akan bias serta takk konddisten.
Jawaban :
Jawaban:
1) 2SLS digunakan ketika suatu kasus dimana terdapat korelasi antara error yang di
hasilkan dalam suatu model berkorelasi dengan variabel bebasnya.
2) Two stage least square digunakan pada saat terjadi pemutaran umpan balik
(feedback loops) atau disebut juga terjadi dua arah hubungan (non-recursive)
dalam model yang kita buat. Secara teknis digambarkan “variabel X
mempengaruhi variabel Y dan variabel Y juga mempengaruhi X kembali”.