Pada bab sebelumnya, dijelaskan bagaimana metode variabel instrumental dapat memecahkan
dua jenis masalah endogenitas, yaitu variabel dihilangkan dan kesalahan pengukuran. Secara
konseptual, masalah ini sangat mudah. Dalam kasus variabel yang dihilangkan, ada variabel
(atau lebih dari satu) yang ingin dipertahankan saat memperkirakan efek ceteris paribus dari satu
atau lebih variabel penjelas yang diamati. Dalam kasus kesalahan pengukuran, bertujuan
memperkirakan pengaruh variabel penjelas tertentu pada y, tetapi tidak mengukur satu atau lebih
variabel. Dalam kedua kasus tersebut, dapat diperkirakan parameter yang diminati oleh OLS jika
dapat mengumpulkan data yang lebih baik. Bentuk penting lain dari endogenitas variabel
penjelas adalah simultanitas. Ini muncul ketika satu atau lebih variabel penjelas ditentukan
secara bersama-sama dengan variabel dependen, biasanya melalui mekanisme ekuilibrium
(seperti yang akan kita lihat nanti). Dalam bab ini, kita mempelajari metode untuk
memperkirakan model persamaan simultan sederhana (SEM). Meskipun perawatan lengkap
SEM berada di luar cakupan teks ini, kami dapat mencakup model yang banyak digunakan.
Metode terdepan untuk mengestimasi model persamaan simultan adalah metode variabel
instrumental. Oleh karena itu, solusi untuk masalah simultanitas pada dasarnya sama dengan
solusi IV untuk variabel yang dihilangkan dan masalah kesalahan pengukuran. Namun,
menyusun dan menafsirkan SEM itu menantang. Oleh karena itu, kita mulai dengan membahas
sifat dan ruang lingkup model persamaan simultan di Bagian 16-1. Di Bagian 16-2, kami
mengonfirmasi bahwa OLS yang diterapkan ke persamaan dalam sistem simultan umumnya bias
dan tidak konsisten. Bagian 16-3 memberikan gambaran umum tentang identifikasi dan estimasi
dalam sistem dua persamaan, sedangkan Bagian 16-4 secara singkat mencakup model dengan
lebih dari dua persamaan. Model persamaan simultan digunakan untuk memodelkan deret waktu
agregat, dan di Bagian 16-5 kami menyertakan diskusi tentang beberapa masalah khusus yang
muncul dalam model tersebut. Bagian 16-6 membahas model persamaan simultan dengan data
panel.
dimana z1 adalah beberapa variabel yang diamati yang mempengaruhi penawaran tenaga kerja
misalnya, upah manufaktur rata-rata di suatu daerah. Istilah kesalahan, u1, mengandung faktor
lain yang mempengaruhi penawaran tenaga kerja. Persamaan (16.1) adalah contoh persamaan
struktural. Nama ini berasal dari fakta bahwa fungsi penawaran tenaga kerja diturunkan dari teori
ekonomi dan memiliki interpretasi kausal. Koefisien α1 mengukur bagaimana penawaran tenaga
kerja berubah ketika upah berubah; jika hs dan w dalam bentuk logaritmik, α1 adalah elastisitas
penawaran tenaga kerja. Biasanya, kami mengharapkan α1 menjadi positif (meskipun teori
ekonomi tidak mengesampingkan α1 ≤ 0). Elastisitas penawaran tenaga kerja penting untuk
menentukan bagaimana pekerja akan mengubah jumlah jam kerja yang mereka inginkan ketika
tarif pajak atas pendapatan upah berubah. Jika z1 adalah upah manufaktur, kami perkirakan
β1 ≤ 0 : faktor-faktor lain sama, jika upah manufaktur meningkat, lebih banyak pekerja yang akan
bekerja di manufaktur daripada di pertanian.
Saat membuat grafik penawaran tenaga kerja, kami membuat sketsa jam kerja sebagai fungsi dari
upah, dengan z1 dan u1 tetap. Perubahan z1 menggeser fungsi penawaran tenaga kerja, seperti
halnya perubahan u1. Perbedaannya adalah z1 teramati sedangkan u1 tidak teramati. Kadang-
kadang, z1 disebut pengalih suplai yang diamati, dan u1 disebut pengalih suplai yang tidak
teramati.
Bagaimana persamaan (16.1) berbeda dari yang telah kita pelajari sebelumnya? Perbedaannya
tidak kentara. Meskipun persamaan (16.1) seharusnya berlaku untuk semua kemungkinan nilai
upah, secara umum kita tidak dapat melihat upah sebagai bervariasi secara eksogen untuk lintas
negara bagian. Jika kami dapat menjalankan eksperimen di mana kami memvariasikan tingkat
upah pertanian dan manufaktur di seluruh sampel kabupaten dan pekerja survei untuk
mendapatkan pasokan tenaga kerja hs untuk setiap kabupaten, maka kami dapat memperkirakan
(16.1) oleh OLS. Sayangnya, ini bukan eksperimen yang dapat dikelola. Sebaliknya, kita harus
mengumpulkan data tentang upah rata-rata di kedua sektor ini beserta berapa jam orang yang
dihabiskan dalam produksi pertanian. Dalam memutuskan bagaimana menganalisis data ini, kita
harus memahami bahwa data tersebut paling baik dijelaskan oleh interaksi penawaran dan
permintaan tenaga kerja. Dengan asumsi bahwa pasar tenaga kerja bersih, kami sebenarnya
mengamati nilai keseimbangan upah dan jam kerja.
Untuk menjelaskan bagaimana upah dan jam ekuilibrium ditentukan, kita perlu memasukkan
permintaan tenaga kerja, yang kita anggap diberikan oleh
hd = α2w + β2z2 + u2 [16.2]
dimana hd adalah jam yang diminta. Seperti fungsi penawaran, kami membuat grafik jam yang
diminta sebagai fungsi dari upah, w, menjaga z2 dan u2 tetap. Variabel z2 — misalnya, luas
lahan pertanian adalah pengalih permintaan yang dapat diamati, sedangkan u2 adalah pengalih
permintaan yang tidak dapat diamati.
Sama seperti persamaan penawaran tenaga kerja, persamaan permintaan tenaga kerja merupakan
persamaan struktural: dapat diperoleh dari pertimbangan maksimalisasi keuntungan petani. Jika
hd dan w dalam bentuk logaritmik, α2 adalah elastisitas permintaan tenaga kerja. Teori ekonomi
mengatakan kepada kita bahwa α2 ˂ 0. Karena tenaga kerja dan tanah saling melengkapi dalam
produksi, kita mengharapkan β2 ˃ 0.
Persamaan (16.1) dan (16.2) menggambarkan hubungan yang sepenuhnya berbeda. Penawaran
tenaga kerja adalah persamaan perilaku bagi pekerja, dan permintaan tenaga kerja adalah
hubungan perilaku bagi petani. Setiap persamaan memiliki interpretasi ceteris paribus dan berdiri
sendiri-sendiri. Mereka menjadi terkait dalam analisis ekonometrik hanya karena upah dan jam
yang diamati ditentukan oleh persimpangan penawaran dan permintaan. Dengan kata lain, untuk
setiap kabupaten i, jam pengamatan hi dan upah pengamatan wi ditentukan oleh kondisi
keseimbangan.
Karena kita hanya mengamati jam ekuilibrium untuk setiap daerah i, kita menunjukkan jam
pengamatan dengan hi. Ketika kita menggabungkan kondisi ekuilibrium di (16.3) dengan
penawaran tenaga kerja dan persamaan permintaan, kita mendapatkan
dan
dimana kita secara eksplisit menyertakan i subskrip ke tekankan bahwa hi dan wi adalah nilai
ekuilibrium yang diamati untuk daerah i. Kedua persamaan ini merupakan model persamaan
simultan (SEM) yang memiliki beberapa fitur penting. Pertama, diberikan zi1, zi2, ui1, dan ui2,
kedua persamaan ini menentukan hi dan wi.
Contoh SEM yang paling meyakinkan memiliki rasa yang sama dengan contoh penawaran dan
permintaan. Setiap persamaan harus memiliki interpretasi perilaku, ceteris paribus sendiri.
Karena kami hanya mengamati hasil ekuilibrium, menentukan SEM mengharuskan kami untuk
mengajukan pertanyaan kontrafaktual seperti: Berapa banyak tenaga kerja yang akan disediakan
pekerja jika upah berbeda dari nilai ekuilibriumnya? Contoh dibawah ini memberikan ilustrasi
lain dari SEM di mana setiap persamaan memiliki interpretasi ceteris paribus.
Contoh: Tingkat Pembunuhan dan Ukuran Polisi
Kota sering kali ingin menentukan berapa banyak penegakan hukum tambahan yang akan
menurunkan tingkat pembunuhan mereka. Model penampang sederhana untuk menjawab
pertanyaan ini adalah
dimana pembunuhan adalah pembunuhan per kapita, polpc adalah jumlah polisi per kapita, dan
incpc adalah pendapatan per kapita. (Untuk selanjutnya, kami tidak menyertakan subskrip i.)
Kami menganggap pendapatan per kapita sebagai eksogen dalam persamaan ini. Dalam
praktiknya, kami akan memasukkan faktor lain, seperti usia dan distribusi jenis kelamin, tingkat
pendidikan, mungkin variabel geografis, dan variabel yang mengukur beratnya hukuman. Untuk
memperbaiki ide, kami mempertimbangkan persamaan (16.6).
Pertanyaan yang ingin kami jawab adalah: Jika sebuah kota secara eksogen meningkatkan
pasukan polisinya, apakah peningkatan tersebut, secara rata-rata, akan menurunkan tingkat
pembunuhan? Jika kita dapat secara eksogen memilih ukuran kepolisian untuk sampel kota
secara acak, kita dapat memperkirakan (16,6) oleh OLS. Tentu saja, kami tidak dapat
menjalankan eksperimen seperti itu. Tapi bisakah kita menganggap ukuran polisi ditentukan
secara eksogen? Mungkin tidak. Pengeluaran kota untuk penegakan hukum setidaknya sebagian
ditentukan oleh tingkat pembunuhan yang diharapkan.
Untuk mencerminkan hal ini, kami mendalilkan hubungan kedua:
Kami mengharapkan α2 ˃ 0: faktor lain dianggap sama, kota dengan tingkat pembunuhan (yang
diperkirakan) lebih tinggi akan memiliki lebih banyak polisi per kapita. Setelah kita menentukan
faktor-faktor lain dalam (16.7), kita memiliki model persamaan simultan dua persamaan. Kita
benar-benar hanya tertarik pada persamaan (16.6), tetapi, seperti yang akan kita lihat di Bagian
16-3, kita perlu mengetahui dengan tepat bagaimana persamaan kedua ditentukan untuk
memperkirakan persamaan pertama.
Poin penting adalah bahwa (16,7) menggambarkan perilaku pejabat kota, sedangkan (16,6)
menggambarkan tindakan calon pembunuh. Ini memberi setiap persamaan interpretasi ceteris
paribus yang jelas, yang membuat persamaan (16.6) dan (16.7) menjadi model persamaan
simultan yang sesuai.
16-2 Bias Simultanitas di OLS
Penting untuk dilihat, dalam model sederhana, bahwa variabel penjelas yang ditentukan secara
bersamaan dengan variabel dependen umumnya berkorelasi dengan istilah kesalahan, yang
menyebabkan bias dan inkonsistensi di OLS. Kami mempertimbangkan model struktural dua
persamaan
dan fokus pada estimasi persamaan pertama. Variabel z1 dan z2 bersifat eksogen, sehingga
masing-masing tidak berkorelasi dengan u1 dan u2. Untuk mempermudah, kami menekan
intersep di setiap persamaan.
Untuk menunjukkan bahwa y2 umumnya berkorelasi dengan u1, kita menyelesaikan dua
persamaan untuk y2 dalam istilah variabel eksogen dan istilah kesalahan. Jika kita pasangkanan
(16.10) ke dalam untuk y1 di (16.11), kita mendapatkan
Sekarang, kita harus membuat asumsi tentang parameter untuk menyelesaikan y2:
α2 α1 ≠ 1 [16.13]
Apakah asumsi ini terbatas tergantung pada aplikasinya. Dalam Contoh 16.1, kita berpikir bahwa
α1 ≤ 0 dan α2 ≥ 0 , yang berarti α1α2 ≤ 0 ; oleh karena itu, (16.13) sangat masuk akal untuk
Contoh 16.1.
Asalkan kondisi (16.13) berlaku, kita dapat membagi (16.12) dengan (1 ˗ α2α1) dan menulis
y2 sebagai
y2 = ℼ21z1 + ℼ22z2 +v2 [16.14]
dimana
Kesalahan bentuk tereduksi, v2, adalah fungsi linier dari suku kesalahan struktural, u1 dan u2
karena tidak berkorelasi dengan z1 dan z2, v2 juga tidak berkorelasi dengan z1 dan z2. Oleh
karena itu, kami dapat secara konsisten memperkirakan ℼ21 dan ℼ22 oleh OLS, sesuatu yang
digunakan untuk estimasi kuadrat terkecil dua tahap (yang akan kita bahas di bagian
selanjutnya). Selain itu, parameter bentuk tereduksi terkadang menjadi perhatian langsung,
meskipun kami berfokus di sini pada persamaan estimasi (16.10).
Bentuk tereduksi juga ada untuk y1 dengan asumsi (16.13); aljabar ini mirip dengan yang
digunakan untuk memperoleh (16.14). Ini memiliki sifat yang sama dengan persamaan bentuk
tereduksi untuk y2.
Kita dapat menggunakan persamaan (16.14) untuk menunjukkan bahwa, kecuali dengan asumsi
khusus, estimasi OLS dari persamaan (16.10) akan menghasilkan estimator α1 dan β1 yang bias
dan tidak konsisten dalam persamaan (16.10). Karena z1 dan u1 tidak berkorelasi dengan
asumsi, masalahnya adalah apakah y2 dan u1 tidak berkorelasi. Dari bentuk tereduksi di (16.14),
kita melihat bahwa y2 dan u1 berkorelasi jika dan hanya jika v2 dan u1 berkorelasi (karena z1 dan
z2 diasumsikan eksogen). Tetapi v2 adalah fungsi linier dari u1 dan u2, jadi umumnya
berkorelasi dengan u1. Faktanya, jika kita mengasumsikan bahwa u1 dan u2 tidak berkorelasi,
maka v2 dan u1 harus berkorelasi setiap kali α2 ≠ 0. Bahkan jika α2 sama dengan nol — yang
berarti bahwa y1 tidak muncul dalam persamaan (16.11) - v2 dan u1 akan berkorelasi jika u1 dan
u2 berkorelasi.
Jika α2 = 0 dan u1 dan u2 tidak berkorelasi, y2 dan u1 juga tidak berkorelasi. Ini adalah
persyaratan yang cukup kuat: jika α2 = 0, y2 tidak ditentukan secara bersamaan dengan y1. Jika
kita menambahkan korelasi nol antara u1 dan u2, ini mengesampingkan variabel yang dihilangkan
atau kesalahan pengukuran dalam u1 yang berkorelasi dengan y2. Kita tidak perlu heran bahwa
estimasi OLS dari persamaan (16.10) bekerja dalam kasus ini.
Jika y2 berkorelasi dengan u1 karena simultanitas, kami mengatakan bahwa OLS mengalami bias
simultan. Mendapatkan arah bias dalam koefisien umumnya rumit, seperti yang kita lihat dengan
bias variabel yang dihilangkan pada Bab 3 dan 5. Namun dalam model sederhana, kita dapat
menentukan arah bias. Sebagai contoh, anggaplah kita menyederhanakan persamaan (16.10)
dengan menghilangkan z1 dari persamaan tersebut, dan kita mengasumsikan bahwa u1 dan u2
tidak berkorelasi. Maka kovariansi antara y2 dan u1 adalah
q = α2p + u2 [16.16]
Untuk konkretnya, misalkan q adalah konsumsi susu per kapita di tingkat kabupaten, misalkan p
adalah harga rata-rata per galon susu di kabupaten tersebut, dan misalkan z1 adalah harga pakan
ternak, yang kami asumsikan eksogen bagi pasokan dan persamaan permintaan untuk susu.
Artinya (16.15) harus menjadi fungsi supply, karena harga pakan ternak akan menggeser supply
(β1 ˂ 0) tetapi bukan permintaan. Fungsi permintaan tidak berisi pemindah permintaan yang
diamati.
Diberikan sampel acak pada (q, p, z1), persamaan mana yang dapat diperkirakan? Yaitu, yang
merupakan persamaan teridentifikasi? Ternyata persamaan permintaan, (16.16), teridentifikasi,
tetapi persamaan penawaran tidak. Ini mudah dilihat dengan menggunakan aturan kita untuk
estimasi IV dari Bab 15: kita bisa menggunakan z1 sebagai IV untuk harga dalam persamaan
(16.16). Namun, karena z1 muncul dalam persamaan (16.15), kami tidak memiliki IV untuk
harga dalam persamaan penawaran.
Secara intuitif, fakta bahwa persamaan permintaan diidentifikasi mengikuti karena kita memiliki
variabel yang diamati, z1, yang menggeser persamaan penawaran tetapi tidak mempengaruhi
persamaan permintaan. Mengingat variasi pada z1 dan tidak ada kesalahan, kita dapat menelusuri
kurva permintaan, seperti yang ditunjukkan pada Gambar 16.1.
Adanya pemindah permintaan yang tidak teramati u2 menyebabkan kita memperkirakan persamaan
permintaan dengan kesalahan, tetapi penduga akan konsisten, asalkan z1 tidak berkorelasi dengan u2.
Persamaan penawaran tidak dapat dilacak karena tidak ada faktor pengamatan eksogen yang
menggeser kurva permintaan. Ini tidak membantu bahwa ada faktor-faktor yang tidak teramati
yang menggeser fungsi permintaan; kami membutuhkan sesuatu yang diamati. Jika, seperti
dalam fungsi permintaan tenaga kerja (16.2), kita memiliki pergeseran permintaan eksogen yang
diamati seperti pendapatan dalam fungsi permintaan susu maka fungsi penawaran juga akan
diidentifikasi.
Untuk meringkas: Dalam sistem (16.15) dan (16.16), kehadiran variabel eksogen dalam
persamaan penawaran yang memungkinkan kita untuk memperkirakan persamaan permintaan.
Memperluas diskusi identifikasi ke model dua persamaan umum tidaklah sulit. Tuliskan kedua
persamaan tersebut sebagai:
dan
dimana y1 dan y2 adalah variabel endogen dan u1 dan u2 adalah suku kesalahan struktural. Titik
potong pada persamaan pertama adalah β10, dan titik potong pada persamaan kedua adalah β20.
Variabel z1 menunjukkan himpunan variabel eksogen k1 yang muncul pada persamaan pertama:
z2 = (z11, z12, … , z1k1). Demikian pula, z2 adalah himpunan variabel eksogen k2 pada
persamaan kedua: z2 = (z21, z22, … , z2k2). Dalam banyak kasus, z1 dan z2 akan tumpang
tindih. Sebagai bentuk singkatan, kita menggunakan notasi
Fakta bahwa z1 dan z2 umumnya mengandung variabel eksogen yang berbeda berarti bahwa
kami telah memberlakukan pembatasan pengecualian pada model. Dengan kata lain, kami
mengasumsikan bahwa variabel eksogen tertentu tidak muncul pada persamaan pertama dan
variabel lain tidak ada pada persamaan kedua. Seperti yang kita lihat pada contoh penawaran dan
permintaan sebelumnya, ini memungkinkan kita untuk membedakan antara dua persamaan
struktural.
Kapan kita bisa menyelesaikan persamaan (16.17) dan (16.18) untuk y1 dan y2 (sebagai fungsi
linier dari semua variabel eksogen dan kesalahan struktural, u1 dan u2)? Kondisinya sama dengan
di (16.13), yaitu a2a1 ≠ 1. Buktinya hampir sama dengan model sederhana di Bagian 16-2.
Dengan asumsi ini, bentuk tereduksi ada untuk y1 dan y2.
Pertanyaan kuncinya adalah: Di bawah asumsi apa kita dapat memperkirakan parameter dalam,
katakanlah, (16.17)? Ini adalah masalah identifikasi. Kondisi peringkat untuk identifikasi
persamaan (16.17) mudah dinyatakan.
Kondisi Peringkat untuk Identifikasi Persamaan Struktural.
Persamaan pertama dalam model persamaan simultan dua persamaan diidentifikasi jika, dan
hanya jika, persamaan kedua berisi setidaknya satu variabel eksogen (dengan koefisien bukan
nol) yang dikecualikan dari persamaan pertama.
Ini adalah kondisi yang perlu dan cukup agar persamaan (16.17) dapat diidentifikasi. Kondisi
keteraturan, yang telah kita bahas pada Bab 15, diperlukan untuk kondisi kepangkatan. Kondisi
urutan untuk mengidentifikasi persamaan pertama menyatakan bahwa setidaknya satu variabel
eksogen dikecualikan dari persamaan ini. Kondisi urutannya mudah untuk diperiksa setelah
kedua persamaan telah ditentukan. Kondisi peringkat memerlukan lebih banyak: setidaknya satu
dari variabel eksogen yang dikecualikan dari persamaan pertama harus memiliki koefisien
populasi bukan nol dalam persamaan kedua. Ini memastikan bahwa setidaknya satu variabel
eksogen yang dihilangkan dari persamaan pertama benar-benar muncul dalam bentuk tereduksi
dari y2, sehingga kita dapat menggunakan variabel ini sebagai instrumen untuk y2. Kita dapat
mengujinya menggunakan uji t atau F, seperti dalam Bab 15; beberapa contoh mengikuti.
Identifikasi persamaan kedua, secara alami, hanyalah bayangan cermin dari pernyataan
persamaan pertama. Juga, jika kita menulis persamaan seperti dalam contoh penawaran dan
permintaan tenaga kerja di Bagian 16-1 — sehingga y1 muncul di sisi kiri kedua persamaan,
dengan y2 di sisi kanan — kondisi identifikasi identik.
dimana pcinc adalah 1980 pendapatan per kapita, dalam dolar AS (diasumsikan eksogen), dan
tanah adalah tanah luas negara, dalam mil persegi (juga diasumsikan eksogen).
Persamaan (16.22) adalah salah satu yang menarik, dengan hipotesis bahwa α1 ˂ 0.
(Perekonomian yang lebih terbuka memiliki tingkat inflasi yang lebih rendah.) Persamaan kedua
mencerminkan fakta bahwa tingkat keterbukaan mungkin bergantung pada tingkat inflasi rata-
rata, serta faktor lain. Variabel log (pcinc) muncul di kedua persamaan, tetapi log (land)
diasumsikan hanya muncul di persamaan kedua. Idenya adalah bahwa, ceteris paribus, negara
yang lebih kecil cenderung lebih terbuka (jadi β22 ˂ 0).
Dengan menggunakan kaidah identifikasi yang telah disebutkan sebelumnya, persamaan (16.22)
diidentifikasi, asalkan β22 ≠ 0.
16-3b Estimasi oleh 2SLS
Setelah kita menentukan bahwa sebuah persamaan diidentifikasi, kita dapat memperkirakannya
dengan dua kuadrat terkecil. Variabel instrumental terdiri dari variabel eksogen yang muncul di
salah satu persamaan.
Contoh: Sebelum kami memperkirakan (16.22) menggunakan data dalam OPENNESS, kami
memeriksa apakah terbuka memiliki korelasi parsial yang cukup dengan IV yang diusulkan, log
(land). Regresi bentuk tereduksi buka
Statistik t pada log (land) lebih dari sembilan dalam nilai absolut, yang memverifikasi
pernyataan Romer bahwa negara yang lebih kecil lebih terbuka. Fakta bahwa log (pcinc) sangat
tidak signifikan dalam regresi ini tidak relevan.
Memperkirakan (16.22) menggunakan log (land) sebagai IV untuk pemberian terbuka
Koefisien pada pembukaan signifikan secara statistik pada sekitar tingkat 1% terhadap alternatif
satu sisi (α1 ˂ 0) Efeknya juga penting secara ekonomi: untuk setiap kenaikan poin persentase
dalam pangsa impor PDB, inflasi tahunan sekitar sepertiga poin persentase lebih rendah. Sebagai
perbandingan, estimasi OLS adalah ˗.215 (se = .095).
dimana yg adalah variabel endogen dan zj adalah variabel eksogen. Subskrip pertama pada
parameter menunjukkan nomor persamaan, dan yang kedua menunjukkan nomor variabel; kami
menggunakan α untuk parameter pada variabel endogen dan β untuk parameter pada variabel
eksogen.
Manakah dari persamaan berikut yang dapat diperkirakan? Umumnya sulit untuk menunjukkan
bahwa persamaan dalam SEM dengan lebih dari dua persamaan diidentifikasi, tetapi mudah
untuk melihat jika persamaan tertentu tidak diidentifikasi. Dalam sistem (16.27) hingga (16.29),
kita dapat dengan mudah melihat bahwa (16.29) termasuk dalam kategori ini. Karena setiap
variabel eksogen muncul dalam persamaan ini, kami tidak memiliki IV untuk y2. Oleh karena itu,
kami tidak dapat secara konsisten memperkirakan parameter persamaan ini. Untuk alasan yang
kita bahas di Bagian 16-2, estimasi OLS biasanya tidak akan konsisten.
Bagaimana dengan persamaan (16.27)? Semuanya tampak menjanjikan karena z2, z3, dan z4
semuanya dikecualikan dari persamaan — ini adalah contoh lain dari pembatasan pengecualian.
Meskipun ada dua variabel endogen dalam persamaan ini, kami memiliki tiga potensi IV untuk
y2 dan y3. Oleh karena itu persamaan (16.27) melewati kondisi orde. Untuk kelengkapan, kami
menyatakan kondisi pesanan untuk SEM umum.
Kondisi Pesanan untuk Identifikasi. Persamaan dalam SEM apa pun memenuhi kondisi urutan
untuk identifikasi jika jumlah variabel eksogen yang dikecualikan dari persamaan tersebut
setidaknya sebesar jumlah variabel endogen sisi kanan.
Persamaan kedua, (16.28), juga lolos kondisi orde karena terdapat satu variabel eksogen yang
dikecualikan, z4, dan satu variabel endogen ruas kanan, y1.
Kondisi pesanan hanya diperlukan, tidak cukup, untuk identifikasi. Misalnya, jika β34 = 0 , lalu
z4 tidak muncul di mana pun di sistem, yang berarti tidak berkorelasi dengan y1, y2, atau y3. Jika
β34 = 0, maka persamaan kedua tidak teridentifikasi, karena z4 tidak berguna sebagai IV untuk y1.
Ini sekali lagi menggambarkan bahwa identifikasi suatu persamaan bergantung pada nilai
parameter (yang tidak pernah dapat kita ketahui dengan pasti) dalam persamaan lain.
Ada banyak cara halus yang dapat menyebabkan identifikasi gagal dalam SEM yang rumit.
Untuk mendapatkan kondisi yang memadai, perlu dilakukan perluasan kondisi rank untuk
identifikasi pada sistem dua persamaan. Ini dimungkinkan, tetapi membutuhkan aljabar matriks.
Dalam banyak penerapan, seseorang mengasumsikan bahwa, kecuali ada kegagalan identifikasi
yang jelas, sebuah persamaan yang memenuhi kondisi orde akan diidentifikasi.
Nomenklatur pada persamaan overidentified berasal dari SEM. Dalam hal kondisi orde, (16.27)
adalah persamaan yang terlalu teridentifikasi karena kita hanya membutuhkan dua IV (untuk y2
dan y3) tetapi kita memiliki tiga tersedia (z2, z3, dan z4); ada satu batasan yang terlalu banyak
diidentifikasi dalam persamaan ini. Secara umum, jumlah batasan yang terlalu banyak
diidentifikasi sama dengan jumlah total variabel eksogen dalam sistem dikurangi jumlah total
variabel penjelas dalam persamaan. Ini dapat diuji dengan menggunakan uji identifikasi berlebih
dari Bagian 15-5. Persamaan (16.28) adalah persamaan yang baru diidentifikasi, dan persamaan
ketiga adalah persamaan yang tidak teridentifikasi.
Estimasi 16-4b
Terlepas dari jumlah persamaan dalam SEM, setiap persamaan yang teridentifikasi dapat
diestimasi dengan 2SLS. Instrumen untuk persamaan tertentu terdiri dari variabel eksogen yang
muncul di mana saja dalam sistem. Pengujian untuk endogenitas, heteroskedastisitas, korelasi
serial, dan batasan identifikasi berlebihan dapat diperoleh, seperti pada Bab 15.
Ternyata, ketika sistem dengan dua atau lebih persamaan ditentukan dengan benar dan asumsi
tambahan tertentu berlaku, metode estimasi sistem umumnya lebih banyak efisien daripada
mengestimasi setiap persamaan dengan 2SLS. Metode estimasi sistem yang paling umum dalam
konteks SEM adalah three stage least square. Metode-metode ini, dengan atau tanpa variabel
penjelas endogen, berada di luar cakupan teks ini.