∂L ∂U ∂ x 0i ∂U ∂ x0 m +1

=∑
( )( ) (
∂ q1 i ∂ x 0 i ∂ qi
+
∂ x 0 m +i )( ∂ qi )
−ƛ Pi =0 .........................(4.15)

Di mana:

∂U
adalah marginal utility dari karakteristik komoditi ke j
∂ x oj

∂ x0 i
adalah marginal produk ke j terhadap karakteristik produk ke i
∂ qi

∂U
Dari persamaan (4.15) nilai ƛ= adalah marginal propensity to income
∂l
dan pindahkan nilai P ke sisi kiri sehingga persamaan (4.15) menjadi:

∂ x0 i ∂l ∂l
Pi= ∑
i
( )( ) (
∂ qi ∂ x0i
+
∂ x 0 m+i )
.................(4.16)

Persamaan (4.16) oleh Ladd dan Savannunt (1976) menunjukkan bahwa

setiap produk yang dikonsumsi, harga yang dibayar adalah sama dengan marginal
monetary terhadap karakteristik produk. Nilai marginal monetary sama dengan
jumlah karekteristik yang diperoleh dari unit marginal dan dari produk yang
dikonsumsi dikalikan dengan harga implisit dari karakteristik produk. Model ini
sering disebut sebagai bedonic price yaitu untuk melihat hubungan antara
karakteristik produk dengan harga. Disamping itu, ditingkat wholesale (pedagang
besar) dapat dipergunakan untuk melihat hubungan antara pembeli dan penjual
(Jordan et al. 1985).

Model sederhana secara empiris dari persamaan (4.16) dapat ditunjukkan

dalam persamaan sebagai berikut:

Pi=f ( x i 1 , … … … … … … … .. , xij , ε i)..........................(4.17)

m
Atau secara umum Pi=∑ Pi x ij
i=1

Di mana:
Pi = harga dari komoditi ke i
Xij = jumlah karakteristik ke j dari komoditi ke i
ε i = faktor kesalahan (α disturbance term ¿
 BAB 5
MEMBANGUN MODEL ANALISIS HARGA

5.1 Spurious Regression

Permasalahan estimasi ekonometrika sering kali tergantung dari data yang

digunakan apabila data cross sectional sering menimbulkan adanya gangguan
multikolinear. Akan tetapi, dalam menganalisis harga kita sering menggunakan
data time series yang diperoleh dari Lembaga Internasional, misalnya FAO dan
BPS (Badan Pusat Statistik) ataupun dari Departemen terkait. Dalam estimasi
permasaan regresi yang terakhir apabila menggunakan data time series dapat
menimbulkan spurious regression (Koop, 2000). Misalnya, kita sering tertarik
untuk mengestimasi suatu persamaan regresi, misalnya:

Y t =α + β X t +e t ........................(5.1)

Apakah OLS dapat mengestimasi dengan baik? Tidak.

Jika Y dan X mempunyai unit root, maka estimasi OLS menghasilkan

completely wrong, di mana nilai sebenarnya dari β memberikan nilai yang
berbeda dari nol secara statistik dan R2 nya juga tinggi tetapi tidak memberikan
arti sama sekali. Mengapa?

Karena X dan Y tidak berada dalam kondisi stationary. Seharusnya kita

tidak meregresikan Y dan X, jika variabel tersebut tidak stationary atau
mempunyai unit roots.

Jika tidak berada dalam kondisi stationary, berarti akan sulit menjelaskan
variasi dari tren stochastik. Oleh sebab itu dalam praktik, jika Anda akan
meregresikan data time series perlu diperiksa persyaratan univariate dari variabel
yang Anda gunakan atau harus melakukan unit root test.

Bagaimana cara melakukan unit root test.

1. Secara visual Anda dapat membuat grafik tren dari data.

 2. Melakukan unit root test.

Langkah-langkah unit root test. Dickey Fuller test:

a. Estimasi regresi berikut:

∆ γ t = A1 + A2 t+ A 3 Y t −1+ μ t , di mana ∆ mewakili operator first

difference dan t adallah trend variabel (1,2,3 ... dan seterusnya)

b. Hipotesis nol adalah A3, yaitu koefisisen dari Yt-1 adalah nol ataukah
tidak. Hipotesis ini disebut hipotesisi unit root.
c. Test A3 sebagai estimasi dari A3 adalah nol dapat digunakan τ atau tes
yang dikenal sebagai Dickey Fuller (DF) tes, di mana hasil nilai t
hitung dibnadingkan nilai kritis yag dihasilkan oleh nilai kritis DF.
Banyak software telah mampu untuk menghasilkan DF tes ini,
misalnya Eviews.
d. Apabila nilai t hitung < dari nilai kritis atau kita menerima hipotesis
unit root dalam hal ini berarti data time series X dan Y tidak
stationary.

5.2 Kriteria Nilai Estimasi Hasil Regresi

Dalam mengestimasi suatu persamaan regresi yang menggunakan data

time series ada beberapa kriteria yang perlu diperhatikan agar hasil yang kita
peroleh mampu digunakan untuk meramalkan situasi yang sebenarnya, yaitu:

a. Nilai parameter yang dihasilkan. Apakah nilai parameter mempunyai arti

ekonomi? Sering kali nilai koefisisen regresi yang diperoleh aneh dan tidak
mampu menjelaskan sesuai dengan teori ataupun pengalaman empiris
penelitian yang lain, maka perlu dilakukan beberapa cek terhadap data dan
model yang dapat diperhatikan pada berikut ini.
b. Apakah data suadh stationary ataukah tidak? Apakah sudah melakukan uji unit
root untuk melihat data stationary, lihat sub bab 5.1. kalau uji unit root
 menghasilkan data yang tidak stationary, maka data perlu dilakukan pulasi,
misalya menggunakan log/ln atau dibagi dengan inflasi.
c. Apakah nilai parameter yang dihaasilkan secara statistik significant, lihta uji t
dan uji F.
d. Apakah nilai R2 cukup tinggi ? jika nilai R2 rendah, maka ada kemungkinann
terjadinya salah spesifikais model.
e. Uji adanya serial korelasi/autokorelasi.

Apabila kriteria di atas masih ada yang belum terpenuhi sehingga

menimbulkan masalah maka kita dapat melakukan:

a. Hilangkan salah satu variabel independent (explanatory variable) biasanya

yang mempunyai nilai uji t kurang dari satu. Atau masukkan dummy variables
yang ada kemungkinan data mempunyai suatu shock.
b. Lakukan lagi uji serial-korelasi dengan menggunakan uji coachran-orcut.
c. Lakukan uji ramsey-rest untuk melihat apakah ada kesalahan spesifikasi atau
kesalahan bentuk fungsional.

5.3 Model Permintaan dan Penawaran

5.3.1 Simultan Model

Menurut Challen dan Hagger (1983) bahwa sistem ekonomi adalah salah
satu kumpulan hubungan matematis sejumlah n yang