MODEL AUTOREGRESIF DAN

LAG YANG DIDISTRIBUSIKAN

Dalam analisis regresi yang melibatkan data runtun waktu, jika model regresi
memasukkan tidak hanya variabel yang menjelaskan (X ) saat ini, tapi juga nilai masa
lalu (lag), model tadi disebut model lag yang didistribusikan. Sedangkan jika model
tersebut memasukkan satu atau lebih nilai masa lalu (lag) dari variabel tak bebas
diantara variabel yang menjelaskannya, model ini disebut Model Autoregresif. Jadi
Y t =α + β0 X t + β 1 X t −1+ β2 X t −2+u t
menyatakan model lag yang didistribusikan, sedangkan
Y t =α + β X t +γ Y t −1+ ut
merupakan contoh dari model autoregresif.

1.1 Peranan lag dalam ilmu ekonomi

Dalam ilmu ekonomi ketergantungan suatu variabel Y atas variabel X jarang
bersifat seketika. Sangat sering, Y bereaksi terhadap X dengan suatu selang waktu
(lag).
Contoh:
Y t =konstanta+ 0,4 X t + 0,3 X t−1 +0,2 X t −2+u t
dengan Y : belanja konsumsi dan X : pendapatan
Contoh tersebut menggambarkan penggunaan lag dalan ilmu ekonomi.

1.2 Alasan untuk lag

Ada 3 alasan utama kenapa lag terjadi
1. Alasan psikologis
Disebabkan oleh kekuatan kebiasaan (kelembaman), orang tidak mengubah
kebiasaan konsumsi mereka dengan segera mengikuti penurunan harga atau
peningkatan pendapatan.
2. Alasan yang bersifat teknologi
Misalnya harga modal dibandingkan dengan tenaga kerja relatif menurun,
yang menyebabkan penggantian modal untuk tenaga kerja secara ilmu
 ekonomis yang dimungkinkan. Tentu saja, penambahan dalam modal
memerlukan waktu (masa persiapan).
3. Alasan-alasan kelembagaan

1.3 Penaksiran Model lag yang didistribusikan

Karena model yang didistribusikan mempunyai peranan penting dalan ilmu
ekonomi, maka bagaimana menaksir model seperti itu?
Misalkan diberikan model lag yang didistribusikan tidak terbatas:
Y t =α + β0 X t + β 1 X t −1+ β2 X t −2+....+u t (1.1)
Bagaimana menaksir parameter model tersebut?
Penaksiran khusus model lag yang didistribusikan
Karena variabel yang menjelaskan X t diasumsikan untuk nonstokastik atau tidak
berkorelasi dengan ut , X t −1 , X t −2 dan seterusnya juga nonstokastik. Oleh karena
itu pada prinsipnya metode OLS bisa digunakan.
Langkah-langkah estimasinya secara berurutan, yaitu
1. Meregresikan antara Y t dengan X t
2. Meregresikan antaraY t dengan X t dan X t −1
3. Meregresikan antara Y t dengan X t , X t −1 dan X t −2
4. Meregresikan antara Y t dengan X t , X t −1, X t −2 dan X t −3 dan seterusnya.
Langkah ini dihentikan ketika koefisien regresi dari variabel lag mulai tidak
signifikan secara statistik atau dari minimal satu variabel berubah tanda dari
positif ke negatif atau sebaliknya.
1.4 Pendekatan Koyck untuk lag yang didistribusikan
Koyck telah mengusulkan metode yang cerdik untuk menaksir model lag yang
didistribusikan. Misalnya kita memulai dengan model yang didistribusikan
dengan lag yang tak terbatas, dengan asumsi tanda semua β sama. Koyck
mengusulkan bahwa β menurun secara geometris,
β k =β 0 λk , k =0,1 ,… (1.2)
dengan 0< λ<1 dikenal sebagai tingkat penurunan atau peluruhan dari lag yang
didistribusikan serta (1− λ) sebagai kecepatan penyesuaian.

2
 Berdasarkan pers (1.2) maka β yang berurutan secara angka lebih kecil dari nilai
yang sebelumnya, sehingga pengaruh dari lag tadi terhadap Y t menjadi semakin
kecil. Skema Koyck menjamin bahwa jumlah dari β yang memberikan multiflier
jangka panjang, merupakan jumlah yang terbatas, yaitu:
∞
1
∑ βk =β 0 ( 1−λ ) (1.3)
k=0

Dengan demikian model lag tak terbatas (1.1) dapat ditulis sebagai:
Y t =α + β0 X t + β 0 λ X t−1 + β 0 λ 2 X t−2 +....+ ut (1.4)
Sehingga model (1.4) lebih susah untuk ditaksir karena modelnya non linier
dalam λ.
Tetapi Koyck memberikan jalan keluar sebagai berikut:
Y t −1 =α + β 0 X t −1+ β 0 λ X t −2+ β0 λ2 X t −3+....+u t−1 (1.5)
λ Y t −1=λα + β 0 λ X t −1+ β 0 λ2 X t −2+ β 0 λ3 X t −3 +....+ λ u t−1 (1.6)
Dari (1.6) dan (1.4) diperoleh
Y t −λ Y t −1 =(1− λ)α + β 0 X t +ut −λ ut −1 (1.7)
Atau
Y t =(1−λ) α + β 0 X t + λ Y t −1+ v t (1.8)
dengan v t=(ut −λ ut −1 ).
Prosedur yang sesuai digambarkan dan dikenal sebagai transformasi Koyck
yang cukup sederhana. Tetapi perhatikan sifat-sifat transformasi Koyck berikut.
1. Dari model lag yang didistribusikan berubah menjadi model AR
2. Apakah variabel Y t −1 memenuhi asumsi OLS klasik?
3. Unsur gangguan v t berkorelasi secara berurutan.
Oleh karena itu muncul masalah serial korelasi sebagai tambahan untuk variabel
yang menjelaskan Y t −1 .

1.5 Rasionalisasi model Koyck: Model harapan adaptif

Meskipun sangat rapi, tetapi model (1.8) adalah ad-hock karena model tadi
diperoleh dengan satu proses aljabar yang murni, model tadi tanpa pondasi yang
bersifat teoritis.

3
Misal diberikan model berikut
Y t =β 0+ β1 X ¿t + ut (1.9)
dengan Y : permintaan akan uang
X ¿ : tingkat bunga keseimbangan yang diharapkan atau normal.
u : unsur kesalahan
Persamaan (1.9) merumuskan bahwa permintaan akan uang merupakan fungsi
dari tingkat bunga yang diharapkan.
Karena variabel X ¿ yang bersifat harapan tidak diamati secara langsung, marilah
kita mengusulkan hipotesis berikut mengenai bagaimana harapan tadi terbentuk.
X ¿t − X ¿t−1=γ ( X t− X ¿t−1 ) (1.10)
dengan 0< γ ≤ 1, dikenal sebagai koefisien harapan.
Penulisan (1.10) dalam bentuk lain adalah
X ¿t =γ X t +(1−γ ) X ¿t−1 (1.11)
Yang menunjukkan bahwa nilai yang diharapkan dari tingkat bunga pada waktu t
adalah suatu rata-rata tertimbang dari nilai sebenarnya tingkat bunga pada waktu t
dan nilai yang diharapkan waktu berikutnya dengan bobot masing-masing γ dan
(1−γ ) .
¿
Jika γ =1 maka X t = X t dan
¿ ¿
X =X t −1
jika γ =0 maka t , berarti bahwa harapan bersifat statik.
Dengan substitusi (1.11) ke (1.9) diperoleh:
Y t =β 0+ β1 [ γ X t +(1−γ) X ¿t−1 ]+ut
Y t = β 0 + β 1 γ X t + β 1 (1−γ ) X ¿t −1 +ut (1.12)
Sekarang dengan mengambil lag satu periode dari (1.9), mengalikannya dengan
1-γ, dan mengurangkannya hasil perkalian tadi dari (1.12) diperoleh:
Y t =γ β 0 + γ β 1 X t +(1−γ )Y t−1 +ut −(1−γ ) ut −1
Y t =γ β 0 + γ β 1 X t +(1−γ ) Y t−1 + vt (1.13)
dengan v t=ut −(1−γ )ut −1
Kesamaan antara model harapan adaftif (1.13) dengan model Koyck (1.8)
seharusnya segera nampak meskipun interpretasi dari koefisiennya berbeda.

4
 Keduanya merupakan model AR, namun model harapan adaptif mempunayi
dasar teoritis yang lebih kuat dari pada model Koyck.
1.6 Rasionalisasi lain dari model Koyck: model penyesuaian stok, atau model
penyesuaian parsial.
Model harapan adaftif merupakan rasionalisasi model Koyck. Rasionalisasi
diberikan oleh Nerlove dalam apa yang disebut dengan model penyesuaian stok
atau penyesuaian parsial. Untuk penyederhanaan diasumaikan bahwa tingkat
¿
modal yang diinginkan Y t merupakan fungsi linier dari hasil X sebagai berikut
Y ¿t =β 0+ β1 X t + ut (1.14)
Karena tingkat modal yang diinginkan tidak bisa diamati secara langsung,
Nerlove merumuskan hipotesis yang dikenal dengan hipotesis penyesuaian
parsial, atau penyesuaian stok:
Y t −Y t −1=δ(Y ¿t −Y t −1) (1.15)
dengan 0< δ ≤1 dikenal sebagai koefisien penyesuaian dan Y t −Y t −1 : perubahan
¿
sebenarnya dan (Y t −Y t −1 ) : perubahan yang diinginkan.
Jika δ =1 maka stok modal yang sebenarnya sama dengan stok modal yang
diharapkan.
Jika δ =0 maka tidak terdapat perubahan stok modal yaitu modal saat ini sama
sama dengan stok modal sebelumnya.
Mekanisme penyesuaian (1.15) secara alternatif dapat ditulis
Y t =δ Y ¿t +(1−δ)Y t−1 (1.16)
Yang menunjukkan bahwa stok modal yang diamati pada periode t adalah rata-
rata tertimbang dari stok modal yang diinginkan saat itu dan stok modal yang ada
dalam periode sebelumnya, dengan bobot δ dan (1−δ ). Dengan substitusi (1.14)
ke dalam (1.16) diperoleh
Y t =δ ( β 0+ β1 X t +u t )+(1−δ )Y t−1
¿ δ β 0 +δ β 1 X t +(1−δ)Y t −1+ δ ut (1.17)
Model ini disebut model penyesuaian parsial.

1.7 Penaksiran Model Autoregresif

5
 Dari pembahasan sebelumnya, diperoleh 3 model Koyck:
Y t =(1−λ) α + β 0 X t + λ Y t −1+ v t dengan v t=(ut −λut −1 ) (1.8)
Harapan adaptif:
Y t =γ β 0 + γ β 1 X t +(1−γ )Y t−1 + vt dengan v t=ut −(1−γ )ut −1 (1.13)
Penyesuaian Parsial:
Y t =δ β 0 +δ β 1 X t +(1−δ)Y t −1+ δ ut (1.17)
Semua mdel ini mempunyai bentuk umum:
Y t =α 0+ α 1 X t + α 2 Y t−1 +v t (1.18)
Yaitu semuanya bersifat autoregresif.

1.8 Metode Variabel Instrumental

OLS tidak dapat diterapkan pada model Koyck atau model harapan adaptif karena
Y t −1 cenderung berkorelasi dengan v t. Bagaimana cara menerapkan OLS ini agar
diperoleh taksiran yang kosisten (terutama untuk sampel kecil)? Liviatan telah
mengusulkan penyelesaian berikut.
Misalkan diperoleh “wakil” Y t −1 yang sangat berkorelasi dengan Y t −1 tetapi tidak
berkorelasi dengan kesalahan random dalam model Koyck atau model harapan
adaptif yaitu v t. Suatu ‘wakil’ tersebut dikenal sbg variabel instrumental. Liviatan
menyarankan X t −1 sebagai bvariabel instrumental untuk Y t −1 , dan untuk
selanjutnya parameter persamaan (1.18) dapat diperoleh dengan menyelesaikan
persamaan normal:
Y t =α 0+ α 1 X t + α 2 Y t−1 +v t

1.9 Mendeteksi autokorelasi dalam model AUTOREGRESIF: Uji Durbin h

Seperi dibahas sebelumnya, bahwa statistik d dari Durbin-Watson mungkin tidak

isa digunakan untuk mndeteksi serial korelasi (order satu) dalam model AR,
karena nilai d yang dihitung dalam model tersebut biasanya cenderung mendekati
2. Dengan kata lain, jika dihitung nilai statistic d secara rutin untuk model seperti
itu, terdapat bias yang terpasang di dalamnya melawan penemuan serial korelasi
(order satu). Meskipun demikian banyak peneliti yang menghitung statistic d
6
 karena menginginkan sesuatu yang lebih baik. Akhir-akhir ini Durbin sendiri
mengusulkan pengujian sampel besar dari korelasi serial order satu.

1.10 Contoh Ilustratif

Lihat soal Latihan nomor 6.15, yang memberikan data tahunan untuk stok uang,
pendapatan nasional, harga dan tingkat bunga jangka Panjang di Indiaperiode
1948-1949 sampai 1964-1965.
Uang
Pendapatan bersih Deflator Taingkat
Tahun nominal (
nasional (Y t ¿ harga implisit bunga ( Rt ¿
Mt ¿
1948-1949 1898,69 86,5 100,00 3,03
1949-1950 1880,29 90,1 102,15 3,07
1950-1951 1979,49 95,3 107,68 3,15
1951-1952 1803,79 99,7 109,56 3,41
1952-1953 1764,71 98,2 103,81 3,66
1953-1954 1793,97 104,8 104,49 3,64
1954-1955 1920,63 96,1 93,48 3,70
1955-1956 2216,95 99,8 95,23 3,74
1956-1957 2341,89 113,1 102,82 3,99
1957-1958 2413,16 113,9 104,59 4,18
1958-1959 2526,02 126,9 108,15 4,13
1959-1960 2720,22 129,5 109,19 4,05
1960-1961 2868,61 141,4 111,19 4,06
1961-1962 3045,82 148,0 113,32 4,16
1962-1963 3309,98 154,0 115,70 4,49
1963-1964 3752,12 172,1 123,19 4,66
1964-1965 4880,06 200,1 132,96 4,80

Misalkan formula hubungan permintaan akan uang seperti berikut:

M ¿t =β 0 Rtβ Y βt ⅇ u
1 2 t
(1.21)
M ¿t : permintaan akan uang (saldo kas sebenarnya) yang dinginkan, atau jangka
panjang
Rt : tingkat bunga yang panjang, %
Y t : jumlah pendapatan nasional, real
Persamaan (1.20) bisa dinyatakan dalam bentuk logaritma sebagai berikut:
ln M ¿t =ln β 0+ β1 ln Rt + β 2 ln Y t +ut (1.22)

7
 Karena variabel permintaan yang diinginkan tidak bisa diamati secara langsung,
maka dapat diasumsikan penyesuaian stok, yaitu:
Mt M ¿t δ
= ( )
M t −1 M t−1
, 0<δ ≤ 1 (1.23)

Persamaan (1.23) menyatakan suatu persentase konstan.

ln M t −ln M t−1=δ (ln M ¿t −ln M t−1)
¿
Sehingga ln M t =δ ln M t + ( 1−δ ) ln M t−1
ln M t =δ (ln β 0+ β 1 ln Rt + β 2 ln Y t +ut )+ ( 1−δ ) ln M t−1
ln M t =δ ln β 0 + β 1 δ ln R t + β 2 δ ln Y t + ( 1−δ ) ln M t−1 +δ ut (1.24)
Persamaan (1.24) bisa disebut sebagai fungsi permintaan jangka pendek
untuk uang. Denagn mengasumsikan bahwa ut memenuhi kondisi OLS maka
hasil regresi terhadap data adalah:
ln M t =1,6207−0,1024 ln R t +0,6869 ln Y t + 0,5284 ln M t−1 (1.25)
Dari persamaan (1.25) dapat dilihat bahwa 1−δ=0,5284, sehingga diperoleh
nilai δ=0,4716. Dengan demikian diperoleh fungsi permintaan jangka Panjang
untuk uang adalah:
ln M ¿t =2,2520−0,2169 ln Rt +1,4565 ln Y t. (1.26)

SOAL LATIHAN
1. Diberikan data tentang permintaan akan uang di Kanada dari Kuartal 1 Tahun
1979 sampai dengan Kuartal 4 Tahun 1988. Secara khusus diberikan model sbb.
M ¿t =β 0 Rtβ Y βt ⅇ u
1 2 t
(1.27)
M ¿t : permintaan akan uang (saldo kas sebenarnya) yang dinginkan atau jangka
panjang; Rt : tingkat bunga yang panjang (%) ; Y t : jumlah pendapatan nasional
real
Untuk mengestimasi model (1.27), lebih nyaman diberikan persamaan dalam
betuk logaritma (1.28)
ln M ¿t =ln β 0+ β1 ln Rt + β 2 ln Y t +ut (1.28)

8
9
2. Kerjakan soal Latihan No. 12.1 (buku Ekonometrika Dasar, Gujarati, 1991)
Perhatikan model berikut.
Y ¿t =β 0+ β1 X t + ut
Y ¿t : pengeluaran perusahaan untuk pabrik dan peralatan baru yang diinginkan atau
jangka panjang
X t : penjualan
t : waktu
Dengan menggunakan model penyesuaian stok, berikan taksiran parameter fungsi
permintaan jangka Panjang dan jangka pendek untuk pengeluaran pabrik dan
peralatan baru berdasarkan data berikut.

3. Kerjakan soal Latihan No. 12.2 (buku Ekonometrika Dasar, Gujarati, 1991)
Perhatikan model penyesuaian stok.
Y ¿t =β 0 X βt ⅇ u
1 t

4. Kerjakan soal Latihan No. 12.3 (buku Ekonometrika Dasar, Gujarati, 1991)
Perhatikan model harapan adaptif.
Y t =β 0+ β1 X ¿t + ut

10