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

 Ct 5 b0 1 b1 1Yt 2 Tt 2 1 b2rt 1 ut1 [16.30] It 5 g0 1 g1rt 1 ut2 [16.31] Yt; Ct 1 It 1 Gt, [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
(2010, Bab 11).