Model Persamaan Simultan

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.

16-1 Sifat dan Ruang Lingkup Model Persamaan Simultan

Hal terpenting yang perlu diingat dalam menggunakan model persamaan simultan adalah bahwa
setiap persamaan dalam sistem harus memiliki interpretasi kausal ceteris paribus. Karena kita
hanya mengamati hasil dalam ekuilibrium, kita diharuskan menggunakan penalaran
kontrafaktual dalam menyusun persamaan model persamaan simultan. Kita harus berpikir dalam
kaitannya dengan potensi serta hasil aktual.
Contoh klasik dari SEM adalah persamaan penawaran dan permintaan untuk beberapa komoditas
atau input untuk produksi (seperti tenaga kerja). Untuk konkretnya, misalkan h menunjukkan jam
kerja tahunan yang disediakan oleh pekerja di pertanian, diukur di tingkat kabupaten, dan
misalkan w menunjukkan upah rata-rata per jam yang ditawarkan kepada pekerja tersebut.
Fungsi penawaran tenaga kerja sederhana adalah

hs = α1w + β1z1 + u1 , [16.1]

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.

                 his = hid                                    [16.3]

 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

 hi = α1wi + β1zi1 + ui1 [16.4]

  dan

hi = α2wi + β2zi2 +ui2 [16.5]

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

murdpc = α1polpc + β10 + β11incpc + u1, [16.6]

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:

polpc = α2murdpc + β20 + faktor lainnya. [16.7]

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

y1 = α1y2 + β1z1 + u1 [16.10]

 y2 = α2y1 + β2z2 + u2 [16.11]

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

 y2 = α2 (α1y2 + β1z1 + u1) + β2z2 + u2

atau

(1 ˗ α2α1)y2 = α2β1z1 + β2z2 + α2u1 + u2 [16.12]

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

ℼ21 = α2β1 / (1 ˗ α2α1), ℼ22 = β2 / (1 ˗ α2α1), dan v2 = (α2α1 + u2) / (1 ˗ α2α1).

Persamaan (16.14), yang menyatakan y2 dalam istilah variabel eksogen dan suku kesalahan,
adalah persamaan bentuk tereduksi untuk y2, sebuah konsep yang kita perkenalkan pada Bab 15
di konteks estimasi variabel instrumental. Parameter ℼ21 dan ℼ22 disebut parameter bentuk
tereduksi; perhatikan bagaimana mereka adalah fungsi nonlinier dari parameter struktural, yang
muncul dalam persamaan struktural, (16.10) dan (16.11).

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

Cov (y2u1) = Cov (v2u1) = [α2/ (1 ˗ α2α1)] E (u21)

= [α2/ (1 ˗ α2α1)] σ21
dimana σ21 = Var(u1) ˃ 0. Oleh karena itu, bias asimtotik (atau inkonsistensi) dalam estimator
OLS dari α1 memiliki tanda yang sama dengan α2/(1 ˗ α2α1). Jika α2 ˃ 0 dan α2α1 ˂ 1, bias
asimtotik positif. (Sayangnya, seperti dalam penghitungan bias variabel yang dihilangkan dari
Bagian 3-3, kesimpulan tidak dibawa ke model yang lebih umum. Tetapi kesimpulan tersebut
berfungsi sebagai panduan yang berguna.) Misalnya, dalam Contoh 16.1, kami menganggap
α2 ˃ 0 dan α2α1 ≤ 0, artinya penduga OLS dari α1 akan memiliki bias positif. Jika α1 = 0, OLS
akan, secara rata-rata, memperkirakan dampak positif dari lebih banyak polisi pada tingkat
pembunuhan; Secara umum, penduga α1 bias ke atas. Karena kami mengharapkan peningkatan
jumlah pasukan polisi untuk mengurangi tingkat pembunuhan (ceteris paribus), bias ke atas
berarti OLS akan meremehkan efektivitas pasukan polisi yang lebih besar.

16-3 Mengidentifikasi dan Memperkirakan Persamaan Struktural

Seperti yang kita lihat di bagian sebelumnya, OLS bias dan tidak konsisten ketika diterapkan
pada persamaan struktural dalam sistem persamaan simultan. Pada Bab 15, kita telah
mempelajari bahwa metode kuadrat terkecil dua tahap dapat digunakan untuk menyelesaikan
masalah variabel penjelas endogen. Kami sekarang menunjukkan bagaimana 2SLS dapat
diterapkan ke SEM.
 Mekanisme 2SLS serupa dengan yang ada di Bab 15. Perbedaannya adalah, karena kita
menetapkan persamaan struktural untuk setiap variabel endogen, kita dapat segera melihat
apakah IV yang cukup tersedia untuk memperkirakan kedua persamaan. Kami mulai dengan
membahas masalah identifikasi.
16-3a Identifikasi dalam Sistem Dua Persamaan
Kami menyebutkan pengertian identifikasi di Bab 15. Ketika kami memperkirakan model
dengan OLS, kondisi identifikasi kuncinya adalah bahwa setiap variabel penjelas tidak
berkorelasi dengan istilah kesalahan. Seperti yang kami tunjukkan di Bagian 16-2, kondisi
fundamental ini tidak lagi berlaku, secara umum, untuk SEM. Namun, jika kita memiliki
beberapa variabel instrumental, kita masih dapat mengidentifikasi (atau secara konsisten
memperkirakan) parameter dalam persamaan SEM, seperti halnya variabel yang dihilangkan
atau kesalahan pengukuran.
Sebelum kita mempertimbangkan SEM dua persamaan umum, ada gunanya mendapatkan intuisi
dengan mempertimbangkan contoh penawaran dan permintaan sederhana. Tulislah sistem dalam
bentuk kesetimbangan (yaitu, dengan qs = qd = q dikenakan) sebagai

q = α1p + β1z1 + u1 [16.15]

 dan

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:

y1 = β10 + α1y1 + z1β1 + u1 [16.17]

 dan

y2 = β20 + α2y1 + z2β2 + u2, [16.18]

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

z1β1 = β11z11 + β12z12 + …. + β1k1z1k1

dan

z2β2 = β21z21 + β22z22 + …. + β2k2z2k2

artinya, z1b1 adalah singkatan dari semua variabel eksogen dalam persamaan pertama, dengan
masing-masing dikalikan dengan koefisien, dan demikian pula untuk z2b2.

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.

Contoh: Inflasi dan Keterbukaan

Romer (1993) mengusulkan model teoritis inflasi yang menyiratkan bahwa lebih banyak negara
"terbuka" harus memiliki tingkat inflasi yang lebih rendah. Analisis empirisnya menjelaskan
tingkat inflasi tahunan rata-rata (sejak 1973) dalam kaitannya dengan pangsa rata-rata impor
dalam produk domestik bruto (atau nasional) sejak 1973 yang merupakan ukuran
keterbukaannya. Selain memperkirakan persamaan kunci oleh OLS, dia menggunakan variabel
instrumental. Meskipun Romer tidak menentukan kedua persamaan dalam sistem simultan, yang
dia maksud adalah sistem dua persamaan:
                                            

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).

16-4 Sistem dengan Lebih Dari Dua Persamaan

 Model persamaan simultan dapat terdiri dari lebih dari dua persamaan. Mempelajari identifikasi
umum model ini sulit dan membutuhkan aljabar matriks. Setelah persamaan dalam sistem umum
terbukti teridentifikasi, persamaan tersebut dapat diperkirakan dengan 2SLS.
16-4a Identifikasi dalam Sistem dengan Tiga atau Lebih Persamaan
Kami akan menggunakan sistem tiga persamaan untuk menggambarkan masalah yang muncul
dalam identifikasi SEM yang rumit. Dengan penyadapan ditekan, tulis model sebagai

y1 = α12y2 + α13y3 + β11z1 + u1 [16.27]

y2 = α21y1 + β21z1 + β22z2 + β23z3 +u2 [16.28]

y3 = α32y2 + β31z1 + β32z2 + β33z3 + β34z4 + u2 [16.29]

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.

16-5 Model Persamaan Simultan dengan Rangkaian Waktu

Di antara aplikasi awal SEM adalah estimasi sistem besar persamaan simultan yang digunakan
untuk menggambarkan perekonomian suatu negara. Model Keynesian sederhana dari permintaan
agregat (yang mengabaikan ekspor dan impor) adalah
[16.32]
Dimana
 Ct 5 konsumsi,
Yt 5 pendapatan,
 Tt 5 penerimaan pajak, rt 5 tingkat bunga,
 It 5 investasi, dan
Gt 5 belanja pemerintah.
[Lihat, misalnya, Mankiw (1994, Bab 9).] Untuk konkrit, asumsikan t mewakili tahun.
Persamaan pertama adalah fungsi konsumsi agregat, di mana konsumsi bergantung pada
pendapatan yang dapat dibuang, tingkat bunga, dan kesalahan struktural ut1 yang tidak teramati.
Persamaan kedua adalah fungsi investasi yang sangat sederhana. Persamaan (16.32) adalah
identitas yang merupakan hasil dari penghitungan pendapatan nasional: menurut definisi, tanpa
kesalahan. Jadi, tidak ada gunanya kita memperkirakan (16,32), tetapi kita membutuhkan
persamaan ini untuk melengkapi model.
Karena ada tiga persamaan dalam sistem, pasti ada juga tiga variabel endogen. Mengingat dua
persamaan pertama, jelas bahwa kami bermaksud untuk Ct dan It menjadi endogen. Selain itu,
karena identitas akuntansi, Yt bersifat endogen. Kami akan berasumsi, setidaknya dalam model
ini, bahwa Tt, rt, dan Gt adalah eksogen, sehingga tidak berkorelasi dengan ut1 dan ut2. (Kami
akan membahas masalah dengan asumsi semacam ini nanti.)
             Jika rt eksogen, maka estimasi OLS dari persamaan (16.31) adalah wajar. Fungsi
konsumsi, bagaimanapun, bergantung pada disposable income, yang bersifat endogen karena Yt
adalah. Kami memiliki dua instrumen yang tersedia dengan asumsi eksogenitas yang
dipertahankan: Tt dan Gt. Oleh karena itu, jika kami mengikuti resep kami untuk memperkirakan
persamaan cross-sectional, kami akan memperkirakan (16.30) dengan 2SLS menggunakan
instrumen 1Tt, Gt, rt 2.
Model seperti (16.30) hingga (16.32) jarang diperkirakan sekarang, karena beberapa alasan yang
baik . Pertama, sangat sulit untuk membenarkan, pada tingkat agregat, asumsi bahwa pajak, suku
bunga, dan pengeluaran pemerintah bersifat eksogen. Pajak jelas bergantung langsung pada
pendapatan; misalnya, dengan tarif pajak pendapatan marjinal tunggal tt di tahun t, Tt 5 tt Yt.
Kita dapat dengan mudah mengizinkan ini dengan mengganti 1Yt 2 Tt 2 dengan 11 2 tt 2Yt in
(16,30), dan kita masih dapat mengestimasi persamaan dengan 2SLS jika kita mengasumsikan
bahwa pengeluaran pemerintah bersifat eksogen. Kami juga dapat menambahkan tarif pajak ke
daftar instrumen, jika daftar itu eksogen. Tetapi apakah pengeluaran pemerintah dan tarif pajak
benar-benar eksogen? Pada prinsipnya, hal tersebut dapat terjadi jika pemerintah menetapkan
pengeluaran dan tarif pajak secara independen dari apa yang terjadi dalam perekonomian. Tetapi
ini adalah kasus yang sulit untuk diputuskan: pengeluaran pemerintah umumnya bergantung
pada tingkat pendapatan, dan pada tingkat pendapatan yang tinggi, penerimaan pajak yang sama
dikumpulkan untuk tarif pajak marjinal yang lebih rendah. Selain itu, asumsi bahwa suku bunga
eksogen sangat dipertanyakan. Kita dapat menentukan model yang lebih realistis yang mencakup
permintaan dan penawaran uang, dan kemudian suku bunga dapat ditentukan bersama dengan Ct,
It, dan Yt. Tetapi kemudian menemukan variabel eksogen yang cukup untuk mengidentifikasi
persamaan menjadi cukup sulit (dan masalah berikut dengan model ini masih berkaitan).
Beberapa orang berpendapat bahwa komponen tertentu dari pengeluaran pemerintah, seperti
pengeluaran pertahanan - lihat, misalnya, Hall (1988) dan Ramey (1991) - adalah eksogen dalam
berbagai aplikasi persamaan simultan. Tapi ini tidak disetujui secara universal, dan, dalam kasus
apapun, pengeluaran pertahanan tidak selalu berkorelasi tepat dengan variabel penjelas endogen
[lihat Shea (1993) untuk diskusi dan Latihan Komputer C6 untuk contoh].
Masalah kedua dengan model seperti (16.30) sampai (16.32) adalah bahwa itu sepenuhnya statis.
Terutama dengan data bulanan atau kuartalan, tetapi bahkan dengan data tahunan, kami sering
mengharapkan kelambatan penyesuaian. (Salah satu argumen yang mendukung model tipe
Keynesian statis adalah bahwa model tersebut dimaksudkan untuk menggambarkan jangka
panjang tanpa mengkhawatirkan dinamika jangka pendek.) Membiarkan dinamika tidaklah
terlalu sulit. Misalnya, kita bisa menambahkan pendapatan tertinggal ke persamaan (16.31):
Ini 5 g0 1 g1rt 1 g2Yt21 1 ut2.                                                    [16.33]
Dengan kata lain, kami menambahkan variabel endogen tertinggal (tetapi tidak It21) ke
persamaan investasi. Bisakah kita memperlakukan Yt21 sebagai eksogen dalam persamaan ini?
Berdasarkan asumsi tertentu pada ut2, jawabannya adalah ya. Tapi kami biasanya menyebut
variabel endogen tertinggal dalam SEM sebagai variabel yang telah ditentukan. Kelambatan
variabel eksogen juga ditentukan sebelumnya. Jika kita mengasumsikan bahwa ut2 tidak
berkorelasi dengan variabel eksogen saat ini (yang merupakan standar) dan semua variabel
endogen dan eksogen masa lalu, maka Yt21 tidak berkorelasi dengan ut2. Mengingat eksogenitas
rt, kita dapat memperkirakan (16.33) dengan OLS.
Jika kita menambahkan konsumsi tertinggal ke (16,30), kita dapat memperlakukan Ct21 sebagai
eksogen dalam persamaan ini dengan asumsi yang sama pada ut1 yang kita buat untuk ut2 di
paragraf sebelumnya.income saat ini masih endogen di
DisposableCt 5 b0 1 b1 1Yt 2 Tt 2 1 b2rt 1 b3Ct21 1 ut1,                                                   [16.34]
jadi kita bisa memperkirakan persamaan ini dengan 2SLS menggunakan instrumen 1Tt, Gt, rt,
Ct2l 2; jika investasi ditentukan oleh (16.33), Yt21 harus ditambahkan ke daftar instrumen.
[Untuk melihat alasannya, gunakan (16.32), (16.33), dan (16.34) untuk mencari bentuk tereduksi
untuk Yt dalam istilah variabel eksogen dan yang telah ditentukan sebelumnya: Tt, rt, Gt, Ct21,
dan Yt21. Karena Yt21 muncul dalam bentuk yang dikurangi ini, itu harus digunakan sebagai
IV.]
Kehadiran dinamika dalam SEM agregat, setidaknya untuk tujuan peramalan, perbaikan yang
jelas atas SEM statis. Tetapi masih ada beberapa masalah penting dengan memperkirakan SEM
menggunakan data deret waktu agregat, beberapa di antaranya telah kita bahas di Bab 11 dan 15.
Ingatlah bahwa validitas prosedur inferensi OLS atau 2SLS yang biasa dalam aplikasi deret
waktu bergantung pada gagasan ketergantungan yang lemah . Sayangnya, rangkaian seperti
konsumsi agregat, pendapatan, investasi, dan bahkan suku bunga tampaknya melanggar
persyaratan ketergantungan yang lemah. (Dalam terminologi Bab 11, mereka memiliki akar
unit.) Deret ini juga cenderung memiliki tren eksponensial, meskipun ini sebagian dapat diatasi
dengan menggunakan transformasi logaritmik dan mengasumsikan bentuk fungsional yang
berbeda. Umumnya, bahkan sampel besar, apalagi sampel kecil, sifat OLS dan 2SLS rumit dan
bergantung pada berbagai asumsi ketika diterapkan pada persamaan dengan variabel I (1). Kami
akan secara singkat menyentuh masalah ini di Bab 18. Perlakuan umum tingkat lanjut diberikan
oleh Hamilton (1994).
Apakah pembahasan sebelumnya berarti bahwa SEM tidak digunakan secara berguna untuk data
deret waktu? Tidak semuanya. Masalah dengan tren dan persistensi yang tinggi dapat dihindari
dengan menentukan sistem dalam perbedaan pertama atau tingkat pertumbuhan. Tetapi orang
harus menyadari bahwa ini adalah SEM yang berbeda dari yang ditentukan dalam level.
[Misalnya, jika kita menetapkan pertumbuhan konsumsi sebagai fungsi dari pertumbuhan
pendapatan yang dapat dibelanjakan dan perubahan tingkat bunga, ini berbeda dari (16.30).]
Juga, seperti yang telah kita bahas sebelumnya, memasukkan dinamika tidak terlalu sulit.
Akhirnya, masalah menemukan variabel yang benar-benar eksogen untuk disertakan dalam SEM
seringkali lebih mudah dengan data terpilah. Misalnya, untuk industri manufaktur, Shea (1993)
menjelaskan bagaimana output (atau lebih tepatnya pertumbuhan output) di industri lain dapat
digunakan sebagai instrumen dalam memperkirakan fungsi penawaran. Ramey (1991) juga
memiliki analisis meyakinkan untuk memperkirakan fungsi biaya industri dengan variabel
instrumental menggunakan data deret waktu.
 Contoh selanjutnya menunjukkan bagaimana data agregat dapat digunakan untuk menguji teori
ekonomi penting, teori konsumsi pendapatan tetap, biasa disebut hipotesis pendapatan tetap
(PIH). Pendekatan yang digunakan dalam contoh ini tidak, secara tegas, didasarkan pada model
persamaan simultan, tetapi kita dapat menganggap konsumsi dan pertumbuhan pendapatan (serta
tingkat bunga) sebagai ditentukan bersama.
16.7 Pengujian Hipotesis Pendapatan Permanen
Campbell dan Mankiw (1990) menggunakan metode variabel instrumental untuk menguji
berbagai versi PIH. Kami akan menggunakan data tahunan dari 1959 hingga 1995 di CONSUMP
untuk meniru salah satu analisis mereka. Campbell dan Mankiw menggunakan data kuartalan
yang berjalan sampai tahun 1985.
Satu persamaan yang diperkirakan oleh Campbell dan Mankiw (menggunakan notasi kami)
adalah
gct 5 b0 1 b1gyt 1 b2r3t 1 ut,                                                 [16.35] di
mana
gct 5 Dlog1ct 2 5 pertumbuhan tahunan dalam konsumsi riil per kapita 1 tidak termasuk
durables2,
 gyt 5 pertumbuhan pendapatan riil disposable, dan
r3t 5 tingkat bunga riil 1ex post2 yang diukur dengan pengembalian tingkat T-bill tiga bulan: r3t
5 i3t 2 inft, di mana tingkat inflasi didasarkan pada Indeks Harga Konsumen .
Tingkat pertumbuhan konsumsi dan pendapatan siap pakai tidak sedang tren, dan mereka sangat
bergantung; kita akan menganggap ini kasus untuk r3t juga, sehingga kita dapat menerapkan
teori asimtotik standar.
Fitur utama dari persamaan (16.35) adalah bahwa PIH menyiratkan bahwa istilah kesalahan ut
memiliki kondisi rata-rata nol pada semua informasi yang diamati pada waktu t 2 1 atau
sebelumnya: E1ut 0It21 2 5 0. Namun, ut tidak selalu berhubungan dengan gyt atau r3t; cara
tradisional untuk memikirkan hal ini adalah bahwa variabel-variabel ini ditentukan bersama,
tetapi kami tidak menulis sistem tiga persamaan penuh.
Karena ut tidak berkorelasi dengan semua variabel tertanggal t 2 1 atau sebelumnya, instrumen
yang valid untuk memperkirakan (16,35) adalah nilai tertinggal dari gc, gy, dan r3 (dan lag dari
variabel lain yang dapat diamati, tetapi kami tidak akan menggunakannya di sini). Apa hipotesis
yang menarik? Bentuk murni PIH memiliki b1 5 b2 5 0. Campbell dan Mankiw berpendapat
bahwa b1 adalah positif jika beberapa bagian dari populasi mengkonsumsi pendapatan saat ini,
bukan pendapatan permanen. PIH dengan tingkat bunga riil tidak konstan menyiratkan bahwa
b2. 0.
Ketika kami memperkirakan (16.35) dengan 2SLS, menggunakan instrumen gc21, gy21, dan
r321 untuk variabel endogen gyt dan r3t, kami memperoleh
gct 5 .0081 1 .586 gyt 2 .00027r3t 1.00322 1.1352 1.000762 [16.36]
n 5 35, R2 5 0,678.
Oleh karena itu, bentuk murni PIH sangat ditolak karena koefisien pada gy secara ekonomi besar
(peningkatan 1% dalam pendapatan yang dapat dibuang meningkatkan konsumsi lebih dari
0,5%) dan signifikan secara statistik 1t 5 4,342. Sebaliknya, koefisien tingkat bunga riil sangat
kecil dan secara statistik tidak signifikan. Temuan ini secara kualitatif sama dengan Campbell
dan Mankiw.
 PIH juga menyiratkan bahwa kesalahan 5ut 6 tidak berkorelasi secara serial. Setelah estimasi
2SLS, kami memperoleh residual, u ^ t, dan memasukkan u ^ t21 sebagai variabel penjelas
tambahan di (16.36); kami masih menggunakan instrumen gct21, gyt21, r3t21, dan u ^ t21
bertindak sebagai instrumennya sendiri (lihat Bagian 15-7). Koefisien pada u ^ t21 adalah r ^ 5 .
187 1se 5 .1332, jadi ada beberapa bukti korelasi serial positif, meskipun tidak pada tingkat
signifikansi 5%. Campbell dan Mankiw membahas mengapa, dengan data kuartalan yang
tersedia, korelasi serial positif dapat ditemukan dalam kesalahan bahkan jika PIH berlaku;
beberapa dari kekhawatiran itu terbawa ke data tahunan.
16-6 Model Persamaan Simultan dengan Data Panel
Model persamaan simultan juga muncul dalam konteks data panel. Sebagai contoh, kita dapat
membayangkan memperkirakan penawaran tenaga kerja dan persamaan penawaran upah, seperti
pada Contoh 16.3, untuk sekelompok orang yang bekerja selama periode waktu tertentu. Selain
memungkinkan untuk penentuan variabel secara simultan dalam setiap periode waktu, kami
dapat mengizinkan efek yang tidak teramati di setiap persamaan. Dalam fungsi penawaran
tenaga kerja, akan berguna untuk membiarkan selera yang tidak teramati untuk waktu luang yang
tidak berubah seiring waktu.
 Pendekatan dasar untuk memperkirakan SEM dengan data panel melibatkan dua langkah: (1)
menghilangkan efek yang tidak teramati dari persamaan minat menggunakan transformasi efek
tetap atau diferensiasi pertama dan (2) menemukan variabel instrumental untuk variabel endogen
dalam persamaan yang diubah. Ini bisa menjadi sangat menantang karena, untuk analisis yang
meyakinkan, kita perlu menemukan instrumen yang berubah seiring waktu. Untuk mengetahui
alasannya, tulis SEM untuk data panel sebagai
yit1 5 a1yit2 1 zit1b1 1 ai1 1 uit1                                                                                          
[16.37]
yit2 5 a2yit1 1 zit2b2 1 ai2 1 uit2,                                                                                         
[16.38] di
mana i menunjukkan penampang, t menunjukkan periode waktu, dan zit1b1 atau zit2b2
menunjukkan fungsi linier dari satu set variabel penjelas eksogen di setiap persamaan. Analisis
paling umum memungkinkan efek yang tidak teramati, ai1 dan ai2, dikorelasikan dengan semua
variabel penjelas, bahkan elemen dalam z. Namun, kami berasumsi bahwa kesalahan struktural
idiosinkratik, uit1 dan uit2, tidak berkorelasi dengan z di kedua persamaan dan di semua periode
waktu; ini adalah pengertian di mana z eksogen. Kecuali dalam keadaan khusus, yit2 berkorelasi
dengan uit1 dan yit1 berkorelasi dengan uit2.
Misalkan kita tertarik pada persamaan (16.37). Kami tidak dapat memperkirakannya dengan
OLS, karena kesalahan komposit ai1 1 uit1 berpotensi berkorelasi dengan semua variabel
penjelas. Misalkan kita melakukan perbedaan dari waktu ke waktu untuk menghilangkan efek
yang tidak teramati, ai1:
Dyit1 5 a1Dyit2 1 Dzit1b1 1 Duit1.                                [16.39]
 (Seperti biasa dengan perbedaan atau merendahkan waktu, kami hanya dapat memperkirakan
efek variabel yang berubah dari waktu ke waktu untuk setidaknya beberapa unit penampang.)
Sekarang, istilah kesalahan dalam persamaan ini tidak berkorelasi dengan Dzit1 dengan asumsi.
Tapi Dyit2 dan Duit1 mungkin berkorelasi. Oleh karena itu diperlukan IV untuk Dyit2.
Seperti kasus data penampang lintang murni atau data deret waktu murni, kemungkinan IV
berasal dari persamaan lain: elemen dalam zit2 yang tidak juga dalam zit1. Dalam praktiknya,
kita membutuhkan elemen yang mengubah waktu di zit2 yang tidak juga ada di zit1. Ini karena
kita membutuhkan instrumen untuk Dyit2, dan perubahan variabel dari satu periode ke periode
berikutnya tidak mungkin berkorelasi tinggi dengan tingkat variabel eksogen. Faktanya, jika kita
membedakan (16.38), kita melihat bahwa IV alami untuk Dyit2 adalah elemen di Dzit2 yang
tidak juga di Dzit1.
Sebagai contoh masalah yang dapat muncul, pertimbangkan versi data panel dari fungsi pasokan
tenaga kerja di Contoh 16.3. Setelah membedakan, misalkan kita memiliki persamaan
Dhoursit 5 b0 1 a1Dlog1wageit 2 1 D1 faktor lainit 2,
dan kita ingin menggunakan Dexperit sebagai instrumen untuk Dlog1wageit 2. Masalahnya
adalah, karena kita melihat orang yang bekerja di setiap periode waktu, Dexperit 5 1 untuk
semua i dan t. (Setiap orang mendapat pengalaman setahun lagi setelah satu tahun berlalu.) Kita
tidak bisa menggunakan IV yang nilainya sama untuk semua i dan t, jadi kita harus mencari di
tempat lain.
 Seringkali, partisipasi dalam program eksperimental dapat digunakan untuk mendapatkan IV
dalam konteks data panel. Dalam Contoh 15.10, kami menggunakan penerimaan hibah pelatihan
kerja sebagai IV untuk perubahan jam pelatihan dalam menentukan dampak pelatihan kerja
terhadap produktivitas pekerja. Faktanya, kita dapat melihat bahwa dalam konteks SEM:
pelatihan kerja dan produktivitas pekerja ditentukan bersama, tetapi menerima hibah pelatihan
kerja adalah eksogen dalam persamaan (15.57).
 Terkadang kami dapat menghasilkan variabel instrumental yang cerdas dan meyakinkan dalam
aplikasi data panel, seperti yang diilustrasikan dalam contoh berikut.
16.8 Pengaruh Populasi Penjara pada Tingkat Kejahatan dengan Kekerasan
 Untuk memperkirakan efek kausal dari peningkatan populasi penjara pada tingkat kejahatan di
tingkat negara bagian, Levitt (1996) menggunakan contoh-contoh litigasi yang terlalu padat di
penjara sebagai instrumen untuk pertumbuhan populasi penjara. Persamaan yang diperkirakan
Levitt ada di perbedaan pertama; kita dapat menulis model efek tetap yang mendasari sebagai
 log1crimeit 2 5 ut 1 al log1prisonit 2 1 zit1b1 1 ai1 1 uit1,                                          [16.40]
di
mana ut menunjukkan intersepsi waktu yang berbeda, dan kejahatan serta penjara diukur per
100.000 orang. (Variabel populasi penjara diukur pada hari terakhir tahun sebelumnya.) Vektor
zit1 berisi log polisi per kapita, log pendapatan per kapita, tingkat pengangguran, proporsi kulit
hitam dan mereka yang tinggal di wilayah metropolitan, dan distribusi usia proporsi.
Diferensiasi (16.40) memberikan persamaan yang diperkirakan oleh Levitt:
Dlog1crimeit 2 5 jt 1 al Dlog1prisonit 2 1 Dzit1b1 1 Duit1.                                 
[16.41]
Simultanitas antara tingkat kejahatan dan populasi penjara, atau lebih tepatnya dalam tingkat
pertumbuhan, membuat estimasi OLS (16.41) secara umum tidak konsisten. Dengan
menggunakan tingkat kejahatan kekerasan dan subset data dari Levitt (di PRISON, untuk tahun
1980 sampai 1993, untuk total observasi 51 # 14 5 714), kami memperoleh estimasi OLS yang
dikumpulkan dari a1, yaitu 2.181 1se 5 .0482 . Kami juga memperkirakan (16.41) dengan 2SLS
yang dikumpulkan, di mana instrumen untuk D log (penjara) adalah dua variabel biner, masing-
masing untuk menentukan apakah keputusan akhir telah dicapai pada litigasi yang terlalu padat
di tahun ini atau di dua tahun sebelumnya. Estimasi 2SLS yang dikumpulkan dari a1 adalah
21.032 1se 5 .3702. Oleh karena itu, perkiraan efek 2SLS jauh lebih besar; tidak mengherankan,
ini juga kurang tepat. Levitt menemukan hasil serupa ketika menggunakan periode waktu yang
lebih lama (tetapi dengan observasi awal yang hilang untuk beberapa negara bagian) dan lebih
banyak instrumen.
Pengujian korelasi serial AR (1) di rit1 5 Duit1 itu mudah. Setelah estimasi 2SLS dikumpulkan,
dapatkan residualnya, r ^ it1. Kemudian, masukkan satu lag dari residual ini ke dalam persamaan
asli, dan perkirakan persamaan tersebut dengan 2SLS, di mana r ^ it1 bertindak sebagai
instrumennya sendiri. Tahun pertama hilang karena ketertinggalan. Kemudian, statistik t 2SLS
biasa pada residual tertinggal adalah uji valid untuk korelasi serial. Dalam Contoh 16.8, koefisien
pada r ^ it1 hanya sekitar 0,076 dengan t 5 1,67. Dengan koefisien sekecil itu dan statistik t
sederhana, kita dapat dengan aman mengasumsikan independensi serial.
Pendekatan alternatif untuk memperkirakan SEM dengan data panel adalah dengan
menggunakan transformasi efek tetap dan kemudian menerapkan teknik IV seperti 2SLS yang
dikumpulkan. Prosedur sederhananya adalah memperkirakan persamaan waktu-direndahkan
dengan 2SLS gabungan, yang akan terlihat seperti
 y $ it1 5 a1y $ t2 1 z $ it1b1 1 u $ it1, t 5 1, 2, p, T,                                                        [16.42]
di
mana z $ it1 dan z $ it2 adalah IV. Ini sama dengan menggunakan 2SLS dalam formulasi
variabel dummy, di mana variabel dummy spesifik-unit bertindak sebagai instrumennya sendiri.
Ayres dan Levitt (1998) menerapkan 2SLS ke persamaan waktu-merendahkan untuk
memperkirakan efek perangkat pencegahan pencurian elektronik LoJack pada tingkat pencurian
mobil di kota. Jika (16.42) diperkirakan secara langsung, maka df perlu dikoreksi menjadi N1T 2
12 2 k1, di mana k1 adalah jumlah total elemen di a1 dan b1. Memasukkan variabel dummy
khusus unit dan menerapkan 2SLS yang dikumpulkan ke data asli menghasilkan df yang benar.
Perlakuan rinci 2SLS dengan data panel diberikan di Wooldridge