Ekonometrika

Pada dasarnya ekonometrika berkaitan dengan pengukuran hubungan ekonomi. Kata

ekonometrika dibentuk dari dua kata asli yunani yang apabila diterjemahkan ke dalam
kata inggris menjadi “economy” dan “measur”. Ekonometrika merupakan kombinasi
dari teori ekonomi (economics theori), ekonomi matematika (mathematical
economics), dan statistika (statistic)

Secara sederhana ekonometrika dapat di definisikan sebagai suatu analisis kuantitatif

dari fenomena ekonomi yang aktual berdasarkan pada pengembangan secara
bersama dari teori dan pengamatan, yang dihubungkan dengan metode-metode
penarikan kesimpulan yang sesuai. Dengan demikian ekonometrika dapat di pandang
sebagai integrasi dari ilmu ekonomi, matematika, dan statistika yang bertujuan untuk
menghasilkan nilai-nilai numerik mengenai hubungan parameter ekonomi (seperti
misalkan elastisitas, propensitas, nilai-nilai marginal) dan menguji atau membuktikan
teori-teori ekonomi. Hal ini merupakan suatu bentuk khusus dari analisis dan
penelitian ekonomi, dimana teori ekonomi umum dirumuskan dalam bentuk-bentuk
matematik, kemudian dikombinasikan dengan pengukuran empirik dari penomen
aekonomi. Berawal dari hubungan-hubungan teori ekonomi, kemudian kita
menyatakan hubungan tersebut dalam bentuk matematik (merumuskan dalam model
matematik) agar hubungan itu dapat di ukur, lalu kita gunakan metode khusus, yang
disebut sebagai metode ekonometrika, agar memperoleh nilai-nilai numerik berupa
koefisien-koefisien dari hubungan ekonomi tersebut.

Metode kuantitatif dalam ilmu ekonomi sebenarnya telah lama dikembangkan sejak
abad ke 18. Vilfredo pareto (paris, 15 juli 1848 – jenawa, 19 Agustus 1923)
berkontribusi dalam menjelaskan distribusi pendapatan dan pilihan individu melalui
pendekatan matematis yang berdasarkan atas teori ekonomi. Selain pareto, marie
esprit- leon walras dari prancis pada abad ke-18 mengembangkan teori
keseimbangan umum yang menjelaskan mengenai aliran barang dan jasa dalam
perekonomian.

Pada awal tahun 1950-an ekonometri dikembangkan sebagai satu cabang sendiri dari
ilmu ekonomi. Jan tinbergen dari belanda, yang kini namanya di abadikan sebagai
salah satu institusi akademik besar di Eropa (tinbergen institut), merupakan salah satu
tokoh utamayang mengembangkan ilmu ini.

Saat ini ekonometri telah berkembang sedemikian pesat sehingga banyak jurnal
ilmiah yang didedikasikan untuk ilmu ini, seperti Econometrica, jurnal of econometric,
jurnal of applied econometric, dan jurnal of the operanational reseach. Penggunaan
ekonometrik telah sedemikian luas sehingga hampir semua jurnal, testis, disertai, dan
bahkan skripsi dalam ilmu ekonomi memakai ekonometrika sebagai salah satu alat
yang di gunakan. Sementara itu dalam prakteknya, ekonometrika terutama dipakai di
bank sentral, oleh tim ekonomi pemerintah untuk melakuakan perencanaan dan
analisis kebijakan ekonomi, dan juga oleh dunia usaha untuk mengoptimalkan kinerja
perusahaan. Selain di bidang moneter, ekonometrik juga sudah banyak di pakai di
berbagai bidang ekonomi yang lain juga bisnis dan manajemen, seperti mikro
ekonomi, marketing, dan finance.

Di Indonesia, peranan ekonometri masih terbatas dan pengembangan ilmu ini hanya
pada lembaga atau universitas tertentu saja. Dua dari sedikit akademisi di bidang
ekonometrik di Indonesia adalah profesor insukindro dari universitas gajah mada
terutama berkat penerapan ekonometrika untuk ekonomi moneter dan Dr. Ari kuncoro
dari universitas indonesia karena pekerjaan di bidang mikro ekonometri.

 Jantinbergen dan ragnar anton kittil frisch mendapat hadiah nobel ekonomi tahun 1969
(tahun pertama hadiah nobel ekonomi di berikan) karena mengembangkan dan
menerapakan model diamik untuk analisis ekonomi>
  Lawrence robet klein, profesor ekonomi di universitas of pennsylvania, mendapat nobel
tahun 1980 berkat pekerjaannya di pemodelan ekonomi melalui komputer.
 Trygive magnus haavelmo di hadiahi pada tahun 1989. Kontribusi utamanya pada
artikel yang ia tulis tahun 1994 di jurnal econometrica yang berjudul “the probability
approach to ekonometrics”.
 Daniel Little McFadden dan James Joseph Heckman berbagai penghargaan untuk tahun
2000 untuk pekerjaannya dibidang ekonomi mikro. McFadden mendirikan laboratorium
ekonometri di university of California, Berkeley, Amerika Serikat.
 Robert Fry Engle dan Clive William John Granger pada tahun 2003 karena kontribusi
mereka pada pengembangan analisis runtun waktu. Engel menjadi pionir metode
autoregressive conditional heteroskedasticity (ARCH) sedangkan granger atas metode
kointegrasi.
Secara sederhana, ekonometrika berate pengukuran indicator ekonomi. Meskipun
pengukuran secara kuantitatif terhadap konsep-konsep ekonomi seperti produk
domestic bruto (PDB), pengangguran, inflasi, impor, dan ekspor sangatlah penting,
namun ruang lingkup ekonometrika jauh lebih luas, sebagaimana yang dapat kita
tangkap dari definisi-definisi berikut :

Ekonometrika dapat didefinisikan sebagi ilmu sosial dimana perangkat teori ekonomi,
matematika, dan statistik inferensial diterapkan dalam menganalisi fenomena
ekonomi.

Ekonometrika, sebagai hasil dari tinjauan tertentu tentang peran ilmu ekonomi,
menckup aplikasi statistika matematik atas data ekonomi guna memberikan dukungan
empiris terhadap model yang disusun. Berdasarkan matematika ekonomi serta
memperoleh hasil berupa angka-angka.

Intriligator (1978:3) mendefinisikan ekonometrik sebagai berikut: “econometric is the

branch of economic concerned with the empirical estimation of economic relationship.
Atas dasar definisi tersebut diatas, ada 2 hal yang dapat dengan jelas dinyatakan
berkaitan dengan ekonometri. Pertama, ekonometri adalah bagian dari ilmu ekonomi.
Sebagaimana dari ilmu ekonomi, ekonometri dipakai untuk menopang perkembangan
ilmu ekonomi itu sendiri. Kedua, tugas khusus ekonometri sebagai bagian dari ilmu
ekonomi adalah mengestimasi nisbah ekonomi secara empiris.

Secara harfiah, ekonometri dapat diartikan sebagai ”ukuran-ukuran ekonomi”.

Sementaraitu, menurut pengertian yang global ekonometrika dapat didefinisikan
sebagai: suatu ilmu yang mempelajari ilmu analisis kuantitatif dari fenomena ekonomi
dalam artian secara umum.

Pada umumnya, kajian ekonometri hanya meliputi aplikasi matematika statistic

dengan menggunakan data ekonomi untuk mengaalisis modal-modal ekonometri saja.
Akan tetapi, dalam pengembangannya teori ini tidak hanya dapat digunakan untuk
analisis model-model ekonomi, tetapi juga dapat digunakan untuk menganalisis
berbagai fenomena social lainnya.

Teori-teori ekonomi mencoba mendefinisikan hubungan-hubungan antara berbagai

variable ekonomi dalam bentuk matematis. Tujuannya untuk membantu memahami
fenomena ekonomi dalam dunia nyata.

Teori-teori tersebut harus diuji dengan data yang empiris dari dunia nyata. Jika data
empiris membenarkan hubungan yang dimaksudkan oleh teori, maka teori tersebut
dapat diterima. Kalau tidak, maka harus ditolak. Ruang lingkup ekonometrika jauh
lebih luas sebagaimana dilukiskan oleh para pakar ekonometri dalam berbagai definisi
mereka yaitu sebagai berikut :

 Ilmu ekonometri didefinisikan sebagai ilmu social yang menerapkan teori ekonomi,
matematik, dan statistika inferensi untuk menganalisis fenomena ekonomi (Arthur S.
Goldberger, econometric theory 1964, halaman 1).
  Ilmu ekonometri, merupakan hasil suatu pandangan tertentu mengenai pandangan ilmu
ekonomi yang meliputi penerapan statistic matematik data ekonomi untuk memberikan
dukungan empiris terhadap model-model yang digabungkan dengan ekonomi matematik
serta memperoleh hasil-hasil numeric (Gerhard tintner, methodology of mathematical
economic and econometric, 1968, halaman 74).
 Ilmu ekonometri juga didefinisikan sebagai suatu analisis kuantitatif fenomena ekonomi
nyata berdasarkan perkembangan teori dan pengamatan yang dikaitkan dengan metode-
metode inferensi yang sesuai (Samuel san, Koopmans, dan Stone, econometrica vol 22,
april 1954, halaman 141-146)
 Ilmu ekonometri adalah cabang ilmu ekonomi yang berkaitan dengan penaksiran
empiris dari hubungan-hubungan ekonomi. Kata “metric” dalam ekonometrik berarti
“ukuran” ; dan ilmu ekonometri pada dasarnya berkaitan dengan hubungan-hubungan
ekonomi ( Michael D. intriligator, econometric models, techniques and applications,
1980, halaman 2).
 Ilmu ekonometri didefinisikan sebagai pengamatan statistic terhadap konsep-konsep
yang dihasilkan secara teoritis; atau dapat pula dikatakan sebagai ilmu ekonomi
matematik yang bekerja dengan data terukur (Jan Tinbergen, econometric 1951).
 Tugas utama teori ekonomi adalah menjembatani hubungan-hubungan pasti teori
ekonomi dan hubungan-hubungan gangguan kenyataan ekonomi (A.S golberger,
econometric theory, 1964, halaman 2).
 Menurut Van Tinbergen, “ekonometri adalalah suatu cabang ilmu yang menerapkan
kombinasi ilmu ekonomi matematik dan statistic matematik”. Ekonometri seolah-olah
merupakan suatu perbatasan kedua cabang ilmu dengan kelebihan dan
kekurangannya.”kelebihan”, karena kombinasi baru itu sering kali membuka perspektif-
perspektif baru.”kekurangan’, karena membutuhkan keahlian khusus dalam dua bidang
ilmu yang bias menghabiskan banyak waktu untuk mempelajarinya “ [ecomometrics
1953, (second impression, halam 3)].
Nama ” Ekonometri ” diperkenalkan pada tahun 1926 oleh seorang pakar ekonomi
dan statistik bangsa Norwegia, Ragnar Frisch. Ekonometri pada mulanya merupakan
model “Biometri” yang mucul pada akhir abad ke -19, yaitu bidang ilmu biologi yang
memanfaatkan penggunaan metode – metode statistik.

Berdasarkan hubungan – hubungan teori ekonomi prosedur atau tahapan ekonometri

meliputi langkah – langkah sebagai berikut :

 Merumuskan persamaan matematis yang menggambarkan hubungan antara berbagai

variabel ekonomi seperti yang terangkan oleh teori ekonomi (spesifikasi).
 Merancang metode dan prosedur berdasarkan teori statistik, untuk mendapatkan sampel
yang mewakili dunia nyata.
 Menyusun metode penaksiran (estimasi) parameter hubungan – hubungan yang di
lukiskan pada langka pertama(penaksiran)
 Menyusun metode (statistik) untuk keprluan pengujian validitas teori, dengan
menggunakan perameter yang telah di dapat pada langka ketiga (verifikasi)
 Mengembangkan metode peramalan ekonomi ataupun implikasi kebijakan berdasarkan
parameter – parameter yang telah di taksir ( aplikasi/penerapan)
Kadang – kadang di perdebatkan mengapa harus mulai dari teori – teori ekonomi
abstrak yang tidak pernah di uji dengan realitas kehidupan ekonomi. Bagaimanapun
juga, teori – teori ekonomi di rumuskan berdasakan prinsip – prinsip berfungsinya
sistem ekonomi dan penerpan prosedur deduktif.

Persyaratan dan kemungkinan kesalahan dalam langkah – langkah yang telah

disebutkan satu persatu di atas tersebut bisa di gambarkan seperti kerangka berikut :

Spesifikasi
Persyaratan :
Memilih variable;
Menspesifikasikan hubungan atas dasar teori-teori
ekonomi ( hipotesis).

Kemungkinan kesa;ahan :
Variabel bebas yang sesuai tidak dimasukkan;
Variabel bebas yang tidak sesuai dimasukkan; “Under identification”.

Rancangan statistic untuk mendapatkan data.

Penaksiran (Estimation)
Persyaratan :
Penaksiran-penaksiran yang memiliki sifat-sifat:
a. Unbiased b. Konsisten c. Efisien
dan d. sufficient

Kemungkinan kesalahan :
Penaksiran-penaksiran tidak memiliki sifat yang dibutuhkan sebagai akibat adanya
otokorelasi, heteroskedastisitas, multikolinearitas di dalam sampel
Verifikasi (Pengujian)

Persyaratan :
Penafsiran ekonomi terhadap hasil-hasil yang diperoleh pada langkah 3. Evolusi dari
teori ekonomi atau hipotesis. Penolakan teori ekonomi jika teori tersebut tidak vald,
dan membuat hipotesis baru lalu mulai lagi dari langkah 1.

Kemungkinan Kesalahan :
Kesalahan pengujian dan tidak sesuainya engujian
dengan verifikasi validitas hipotesis.

Penerapan:
Persyaratan:
Tujuan utama ekonometri adalah mendapatkan
ramalan (prediksi) yang dipercaya (untuk keperluan pengambilankebijakan ekonomi).

Kemungkinan kesalahan:
Peramalan menyimpang; bila ramalan tersebut digunakan untuk pengambilan
kebijaksanaan, mengakibatkan kerugian bagi kesejahteraan masyarakat.

Ekonometrika membantu dalam mencapai tiga tujuan berikut :

 Membuktikan atau menguji validitas teori-teori ekonomi (Verifikasi).

 Menghasilkan taksiran-taksiran numeric bagi koefisien-koefisien hubungan ekonomi
yang selanjutnya bias digunakan untuk keperluan kebijakan ekonomi (Penaksiran).
 Meramalkan nilai besaran-besaran ekonomi dimasa yang akan datang dengan derajat
probabilitas tertentu (Peramalan).
Berbagai langkah yang digambarkan pada diagram diatas merupakan langkah-
langkah penting dalam metodologi penelitan ekonometri. Langkah-langkah tersebut
harus diikuti oleh peneliti, jika mengharapkan hasil penelitiaan yang masuk akal.

Langkah 1 :

Langkah pertama dan paling penting dalam setiap penelitian ekonometri adalah
menspesifikasikan model. Langkah ini meliputi penentuan :

1. Variabel bebas atau variable penjelas (explanatory variable) maupun variable terikat
(dependent variable) yang akan dimasukkan dalam model.
2. Asumsi-asumsi a priori mengenai nilai dan tanda parameter (atas dasar kriteria teoritis)
dari model.
3. Bentuk matematis dari model
Sebagaimana telah dijelaskan, spesifikasi dari model ekonometri harus didasarkan
teori ekonomi.
Langkah 2

Langkah kedua yaitu penaksiran model dengan metode ekonometri yang tepat,
meliputi langkah-langkah sebagai berikut :

1. Pengumpulan data berkaitan dengan variable-variabel yang masuk dalam model (runtun
waktu atau silang tempat).
2. Meyelidiki ada tidaknya masalah multikolineritas.
3. Aamenyelidiki syarat identifikasi jika modelnya mengandung lebih dari satu persamaan.
4. Memilih satu teknik ekonometri yang tepat untuk penaksiran model.
Langkah 3 :

Pada langkah ini, model (yang telah ditaksir) dievaluasi atas dasar kriteria tertentu,
untuk melihat apakah taksiran-taksiran tersebut dapat dipercaya. Evaluasi atau
pengujian tersebut dimaksudkan untuk memutuskan apakah taksiran-taksiran
terhadap parameter sudah “bermakna secara teoritis” (theoretically meaningful) dan
“nyata secara statistic” (statistically significant). Digunakan tiga kriteria untuk evaluasi,
yaitu sebagai berikut :

1. Kriteria “a priori” Ekonomi

Kriteria ini ditentukan oleh prunsip-prinsip teori ekonomi. Jika nilai maupun tanda
taksiran-taksiran itu harus ditolak, kecuali kalau ada alas an kuat untuk menyatakan
bahwa dalam kasus khusus ini, prinsip-prinsip ekonomi tidak berlaku. Sehingga alsan-
alasan untuk membenarkan taksiran yang berbeda dengan yang telah digariskan oleh
teori ekonomi, harus dinyatakan dengan jelas.

1. Kriteria Statistik (First Order Test)

Kriteria ini ditentukan oleh teori statistic, termasuk koefisien korelasi dan standar
deviasi atau kesalahan standar (standard error) dari taksiran.kuadrat dari koefisien
korelasi, yang disebut :
Koefisien Determinasi; dihitung dari data sampel. Koefisien ini menjelaskan
persentase variasi total variabel bebas. Kesalahan standar taksiran menggambarkan
penyebaran (dispersi) taksiran disekitar parameter yang sebenarnya. Semakin besar
kesalahn standar, semakin kurang bias dipercaya taksiran itu, dan sebaliknya.

1. Kriteria Ekonometri (second order test)

Kriteria ini ditentukan oleh teori ekonometri. Pengujian dengan kriteria ini membantu
dala menetapkan apakah suatu taksiran memiliki sifat-sifat yang dibutuhkan seperti
“unbia sedness”, konsistensi “sufficiency”, dan sebagainya. Jika asumsi-asumsi teknik
ekonometri yang diterapkan untuk menaksir parameter tidak dipenuhimaka taksiran-
taksiran tersebut dianggap tidak memiliki sifat-sifat yang dibutuhkan. Oleh karena itu
asumsi tersebut berbeda-beda antara teknik ekonometri yang satu dengan teknik
ekonometri yang lain. Maka berbagai kriteria ekonometrika juga berbeda-beda untuk
setiap metode. Misalnya, “Statistic-d Durbin Watson” adalah slah satu kriteria
ekonometri yang digunakn untuk menguji taksiran, yaitu untuk menguji validitas dari
asumsi nir-otokorelasi variable gangguan. Contoh lain adalah “pengujian” untuk
menentukan syarat atau kondisi identifikasi suatu persamaan.

Ketiga kriteria tersebut diatas (teori ekonomi, statistic, dan ekonometri) harus
diputuskan untuk menerima atau menolak suatu taksiran.

Langkah 4

Langkah terakhir adalah menguji kekuatan peramalan model. Salah satu tujuan utama
ilmuekonometri adalah membuat peramalan (forecasting) yang merupakan prediksi
nilai-nilai suatu variable tertentu diluar data sampel yang tersedia. Peramalan ini erat
kaitannya dengan pilihan kebijakan. Dalam enyataan, sebagian besar metode
evaluasi kebijakn menyadarka pada tipe peramalan khusus. Oleh karena itu,
kombinasi fungsi sebagai peramal (forecaster) dan pengambil keputusan (decision
maker) seringkali terdapat pada orang yang sama atau suatu badan yang
bertanggung jawab menangani masalah permasalahan peramalan atau evaluasi
kebijakan.

Kiranya perlu sekali menguji kekuatan peramalan suatu model. Suatu model kadang-
kadang terlalu peka (sensitive) terhadap perubahan sampel. Suatu model yang
secara ekonomis benar, secara statistic dan ekonometri berarti (significant) untuk
sampel tertentu (kurun waktu model itu ditaksir), namun model itu masih sangat lemah
bila digunakan untuk meramal.. selain kepekaan model, kelemahan dalam peramalan
bisa disebabkan oleh hal-hal berikut :

1. Nilai-nilai varibel bebas yang digunakan untuk meramal tidak akurat.

2. Taksiran-taksiran koefisiennya mungkin tidak benar karena kekurangan data.
Salah satu prosedur untuk menentukan kekuatan ramalan (forecasting power) suatu
model adalah mencoba taksiran-taksiran model tersebut pada suatu kurun waktu lain
yang tidak termasuk dalam kurun waktu sampel. Nilai taksiran (yaitu nilai ramalan)
kemudian dibandingkan dengan besaran nyata (yaitu nilai nyata) variable terikat yang
bersangkutan. Perbedaan antara kedua nilqai tersebut kemudian diuji secara statistic.
Apabila setelah dilakukan uji signifikan itu ternyata perbedaan itu nyata (significant),
maka disimpulkan kekuatan peramalan dari model itu lemah.

Seperti halnya dengan ilmu-ilmu yang lain, ilmu ekonometri juga dibedakan menjadi
dua cabang, yaitu Ekonometri Teoritis dan Ekonometri Terapan.

Ekonometri teoritis berkaitan dengan pengembangan metode yang tepat untuk

mengukur hubungn-hubungan ekonomi yang digambarkan oleh model-model
ekonometri. Metode ini dapat diklasifikasikan ke dalam dua elompok yaitu:

 Metode atau teknik persamaan tunggal, diterapkanuntuk satu hunungan (persamaan)

 Metode atau teknik persamaan simultan, diterapkan untuk seluruh persamaan dalam
model secara simultan.
Bidang ilmu ekonometri teorotis juga menerangkan asumsi-asumsi dari berbagai
metode, sifat-sifat dan apa yang akan terjadi dengan sifat-sifat itu bila satu atau lebih
asumsi-asumsi tidak dipenuhi.

Ekonomi terapan menggambarkan nilai praktis dari penelitian ekonometri. Jadi

mencakup penerapan (aplikasi) teknik-teknik ekonometri yang dikembangkan dalam
ekonometri teoritis, pada berbagai bidng teori ekonomi untuk keperluan pengujian dan
pembuktian teori dan peramalan.

Dewasa ini semakin banyak studi empiris dalam bidang permintaan dan penawaran
pasar, fungsi-fungsi produksi, fungsi biaya, fungsi onsumsi dan investasi, yang
dilaksanakan melalui ekonometri. Penerapan ekonometri telah memungkinkan studi-
studi tersebut mencapai hasil-hasil numeric yang sangat berguna bagi para
perencana.

Ada dua bahan dasar utama dari berbagai studi ekonometri, yaiutu teori dan fakta.
Berdasarkan dua sumber ini, ada dua pandangan yang saling bertentangan sebelum
ekonometri muncul. Pandangan pertama semata-mata memusatkan diri pada
implikasi deduktif dari bangunan teori ekonomi yang telah dipostulatkan sebelumnya.
Isalnya teori klasik dan neoklasik tentang permintaan, produksi dan keseimbangan
umum. Sebaliknya ada pula yang mulai dengan membangun data-base dan
mengembangkannya, kemudian diindusikan ke teori ekonomi. Termasuk dalam
kelompok ini adalah statisisi ekonomi yang menekankan perlunya menghimpun data
makro seperti pendapatan nasional beserta komponen- komponennya , serta data
mikro seperti produksi setiap ektor ekonomi beserta komponen- kompoinennya .
Kedua ekstrim ini mempunyai kekuatan dan keberatan sendiri – sendiri.Pandangan
yang bertolak teori sedikit sekali pedoman untuk membangun teori.Namun akhir –akhir
ini mulai disadari bahwa kedua pendekatan itu harus dilakukan secara bergantian.
Salah satu aspek ekonometri dari studi ekonometri yang penting adalah menyusun “
spesifikasi model “ yaitu membangun dan mengelaborasi model yang cukup
menggambarkan fenomena yang dipelajari. Proses ilmiah pada awalnya berlangsung
mulai dengan mempostulatkan teori. Begitu pula estimasi nisbah – nisbah ilmu
ekonomi dimulai dengan mempostulatkan teori ekonominya. Atas dasar teori disusun
model teoritis, khususnya yang disajikandalam model matematika, untuk
menjembatani teori dalam kehidupan empiris. Proses spesifikasi model ini
dilaksanakan dengan menentukan variable – variable yang relevan dengan konsep
yang digunakan serta nisbah variable – variable itu menurut system nisbah teorinya.
Sejak dari penyusun teori sampai dengan penyusun model teoritis, ekonometri masih
belum. Bagian ini masih merupakan porsi dari matakuliah“ Bangunan Teori”.
Ekonometri mulai diperankan ketika model teoritis itu diturunkan menjadi
model ekonometri.Aspek lain yang penting dari study ekonometri adalah fakta. Setelah
model ekonometri terbentuk , langkah berikutnya adalah mengumopulkan fakta, yaitu
aspek khusus dari kejadian – kejadian nyata yang berkaitan dengan fenomena yang
diamati. Fakta merupakan objek study empiris dari suatu ilmu. Disinilah pentingnya
pemahaman batas – batas study dari setiap disiplin ilmu, karena tanpa pemahaman
ini tidak mungkin seorang peneliti membatasi fakta yang harus dikumpulkan. Seorang
ekonom harus mengetahui bahwa yang menjadi objek study ilmu ekonometri berbeda
dengan objek study sosiologi atau ilmu social yan g lainnya walaupun sama –sama
mempelajari prilaku manusia danmasyarakat.Bisa saja kejadian yang diamati sama,
namun aspek study yang di pelajari harus sesuai dengan batas – batas disiplin ilmu
tersebut. Sebagai contoh ekonom akan lebih tertarik mengkaji aspek ekonomi dari
kasus sengketa tanah dari pada aspek hokum yang menjadi bidang kajian ilmu hokum
maupun aspek lain dari kajian ilmu sosial yang lain.
Tugas utama dari ekonometri adalah mengkombinasikan kedua bahan itu. Langkah
utama dari hampiran ekonometri adalah mengkombinasikan kedua bahan dasar itu
dengan memakai teknik ekonometri. Setelah data dirapihkan, model ekonometri
disusun akan diestimasi. Pada dasarnya metode ekonometri adalah pengembangan
dari salah satu bagian dari teori statistik, yaitu teknik parametrika, kususnya regresi
dan korelasi. Umumnya karena keterbatasan waktu, tenaga ,dan dana, estimasi
model ekonometri dengan memakai sampel memberikan besaran – besaran yang
disebut “ Statistik “. Nilai statistik ini hanya berlaku pada sampel. Persoalannya adalah
apakah kesimpulan akan sampel itu berlaku bagi populasinya?untuk keperluan itu
diadakan pengujian, yang dikenal sebagai “ Teknik Inferensi”. Jika sampel mempunyai
besaran statistik, populasi mempunyai besaran yang disebut “Parameter”. Dalam
bentuk teknik objektif maupun fungsi kendala pada dasarnya adalah model
ekonometri yang telah diestimasi sebelumnya. Kedua lakukan dengan mensimulasi
dari berbagai kebijakan dan membuat prakiraan kondisional dari nilai variable relevan
tertentu dimasa depan untuk setiap alternative.Atas dasar simulasi itu dapat dipilih
alternative kebijakan yang paling baik. Ada berbagai programasi yang dapat dipelajari,
namun secara umum dapat dikelompok dalam programasi linier dan programasi non
linier. Biasanya untuk penjelasan setiap jenis programsi itu menggunakan parameter-
parameter tertentu yang dianggap diketahui. Namun sebenarnya parameter itu
diestimasi dengan menggunakan kaidah – kaidah ekonometrika.
Kendati ketiga manfaat itu dipisahkan satu sama lain, namun sebagai tujuan analisis
ketiganya berkaitan satu sama lain. Analisis stuktural memberikan dasar untuk
membuat prakiraan – prakiraan dan dengan prakiraan – prakiraan itu memungkinkan
dilaksanakannya evaluasi kebijakan. Secara singkat , proses ilmiah dari studi
ekonometri dapat digambarkan dalam gambar diatas.

2.2 Metodologi Ekonometrika

Bagaimana sebenarnya orang melakukan study ekonometrika? Pada umumnya,
analisis ekonometrika mengikuti metodologi berikut:

1. Membuat pernyataan teori atau hipotesis.

2. Mengumpulkan data
3. Menentukan model matematis dari teori tersebut
4. Menentukan model statistik , atau ekonometri dari teori tersebut
5. Menaksir parameter – parameter dari model ekonometri yang dipilih
6. Memeriksa kecocokan model: pengujian spesifikasi model
7. Menguji hipotesis yang dihasilkan dari model
8. Menggunakan model untuk melakukan prediksi atau peramalan
Sebagai ilustrasi terhadap metode metodologi ekonometrika ini, mari pertimbangkan
pertanyaan berikut : Apakah keadaan ekonomi mempengaruhi keputusan orang untuk
memasuki angkatan kerja atau dalam hal ini, kesediaan mereka untuk bekerja?
Sebagai ukuran terhadap partisipasi angkatan kerja kita gunakan tingkat partisipasi
angkatan kerja (TPAK) dan sebagai ukuran terhadap keadaan ekonomi, misalkan kita
menggunakan angka pengangguran (AP) data tentang AP dan TPAK diterbitkan
secara berkala oleh pemerintah jadi, untuk menjawab pertanyaan diatas kita
mengikuti langkah- langkah sebagai berikut:

1. Membuat Pernyataan Teori atau Hipotesis

Langkah awalnya adalah mencari teori ekonomi yang cocok dengan topik yang ingin
anda pelajari. Dalam teori ekonomi tenaga kerja ada dua hipotesis yang saling
berlawanan. Tentang pengaruh keadaan ekonomi terhadap kesediaan orang untuk
bekerja yaitu hipotesis (Efek) tenaga kerja berkurang dan hipotesis (Efek ) tenaga
kerja bertambah.

Keynes mengatakan :

“ The fundamental psychological law . . . is the men (women) are disposed, as a rule
and on average, to increase their consumtion as their incomes increase, but not as
much as the increase income “.

Secara garis besar hukum tersebut menyatakan bahwa berdasarkan konsep rata-rata,
apabila penghasilan orang meningkat, maka pengeluaran konsumsi orang itu juga
akan meningkat, tetapi meningkatnya pemgeluaran konsumsi tidak lebih besar dari
mengingkatnya penghasilan.

2. Mengumpulkan Data
Ada tiga jenis data yang umumnya tersedia untuk keperluan analisis empiris:

 Data deret berkala (Time Serises)

Data berkala dikumpulkan selama kurung waktu tertentu seperti data tentang BPD,
kesempatan kerja, pengangguran, jumlah uang yang beredar, ataupun deficit
anggaran belanja pemerintah. Data semacam itu dapat dikumpulkan dengan jarak
waktu yang tepat- Harian (misalnya, harga saham),mingguan (misalnya, jumlah uang
yang beredar), bulanan (misalnya, angka pengangguran ), Triulan (misalnya PDB ),
ataupun tahunan (misalnya, anggaran belanja pemerintah).Data ini bersifat kuantitatif
misalnya harga , pendapatan, jumlah uang beredar, ataupun kuantitatif misalnya
menikah ataupun belum menikah, hitam atau putih.

 Data lintas- sektoral (Cross Sectional)

Data lintas- sektoral adalah data tentang satu atau lebih variable yang dikumpulkan
pada suatu waktu tertentu, seperti data sensus penduduk yang dilakukan oleh Badan
Pusat Statistik (BPS) setiap sepuluh tahun sekali, survey pengeluaran konsumen
yang pernah dilakukan oleh university of Michigan, Amerika Serikat dan survey
pengumpulan pendapatan seperti yang biasa dilakukan oleh lembaga- lembaga
semacam Gallup dan Hanis di Amerika Serikat.

 Data Kelompok
Data kelompok merupakan gabungan dari data deret berkala dan data lintas-
Sektoral. Sebagai contoh, jika kita harus mengumpulkan data tingkat pengangguran di
sepuluh ngara selama dua puluh tahun maka data itu akan merupakan data
kelompok, data tingkat penggangguran di masing – masing negara selama 20 tahun
merupakan data deret berkala sedangkan data tingkat penggangguran di 10 negara
untuk satu tahun tertentu merupakan data lintas – sentral.

Untuk mengestimasi model ekonometrika dibutuhkan nilai-nilai numerik pada β0 dan

β1. Untuk itu dibutuhkan data. Data agregat tentang tingkat konsumsi dan tingkat
penghasilan dan atau data tentang variabel – variabel ekonomi makro lainnya dapat
diperoleh melalui terbitan – terbitan Biro Pusat Statistik (BPS). Bank Indonesia (BI)
dan sebagainya. Untuk kepentingan analisis digunakan data riil, yaitu data yang telah
disesuaikan dengan harga konstan tahun tertentu.
3. Spesifikasi Model Matematika
Apabila kita menganggap variabel penghasilan sebagai X dan variabel pengeluaran
konsumsi sebagai Y, maka model matematikanya adalah Y = f (X), atau dalam bentuk
persamaan ditulis

Y = β0 + β1X,
Dimana β0 dan β1 merupakan parameter – parameter pada model dan masing-masing
menunjukan konstanta dan koefisien tangent alpha atau slope. Dalam teori itu
β1 disebut marginal propensity to consumtion (mpc) dan besarnya mpc adalah 0 < β1 < 1.
Y

β1 = mpc
β0
X

Sumbu vertikal (Y) menunjukan variabel dependen yaitu pengeluaran konsumsi.

Sementara sumbu horizontal (X) menunjukan variabel independen atau explanatory
variabel yaitu tingkat penghasilan.

4. Spesifikasi Model Ekonometrika

Model matematika untuk fungsi konsumsi, mengasumsikan hubungan yang bersifat
pasti (exact or deterministic relationship) antara pengeluaran konsumsi dan tingkat
penghasilan. Tetapi pada umumnya hubungan variabel –variabel ekonomi tidak pasti.
Dengan demikian apabila kita mengumpulkan data pengeluaran konsumsi dan tingkat
penghasilan disposable dari 500 kepala keluarga, tidak serta merta kita
mengharapkan bahwa seluruh pengamatan terhadap responden tersebut akan
terletak pada garis lurus seperti gambar di atas. Sebab disamping tingkat
penghasilan, variabel – variabel lain ikut mempengaruhi pengeluaran konsumsi,
misalnya jumlah keluarga, umur anggota keluarga, factor budaya, agama dan lain-
lain. Variabel – variabel tersebut kemungkinan besar memberi tekanan pengaruh
terhadap konsumsi. Sebagai upaya untuk memperhitungkan hubungan variabel –
variabel ekonomi yang tidak bersifat pasti, hubungan deterministic pada fungsi
konsumsi dimodifikasi menjadi :

Y = β0 + β1X + u
Dimana u yang dikenal sebagai gangguan (disturbance or erro) merupakan variabel
random (stochastic). Variabel ini mewakili semua faktor yang mempengaruhi
pengeluaran konsumsi, namun tidak dinyatakan secara eksplisit dalam model.
5. Estimilasi Model Ekonometrika
Setelah data dikumpulkan dan siap dianalisis, tugas selanjutnya adalah mengestimasi
parameter – parameter dari fungsi konsumsi tersebut. Angka – angka estimasi itu
memberikan isi empiris dari fungsi konsumsi.

6. Pengujian Hipotesis
Dengan menganggap bahwa model yang tergambarkan itu merupakan perkiraan
yang baik dari realitas, maka perlu dikembangkan suatu kriteria yang cocok untuk
menentukan apakah hasil – hasil estimasi yang diperoleh sesuai dengan kehendak
atau harapa teori. Oleh karena itu tahapan teori perlu diuji dengan menggunakan hasil
– hasil estimasi. Menurut Keynes, nilai mpc diharapkan positif dan lebih kecil dari
satu.

7. Peramalan
Jika model yang dipilih telah menghasilkan penegasan sebagaimana yang diharapkan
teori, maka kita dapat menggunakan model itu untuk peramalan nilai – nilai ke depan
variabel dependen atau variabel Y berdasarkan nilai – nilai harapan ke depan dari
variabel independen X.

Ekonometri mengkonsumsikan setiap hubungan ekonomi sebagai hubungan statistik

yaitu ada gangguan (disturbances) dalam pola – pola perilaku pasti seperti yang di
gariskan oleh teori ekonomi atau ekonomi matematik. Banyak alasan mengapa
ekonometri mengasumsikan ada faktor gangguan dalam hubungan – hubungan pasti
sehingga menjadi hubungan statistik selain itu, metode – metode ekonometri
memberikan nilai – nilai numerik koefisien hubungan – hubungan pasti sehingga
menjadi hubungan ekonomi. Nilai – nilai ini sangat di perlukan dalam pengambilan
keputusan kebijakan

Ekonomi matematik tidak menghasilkan nilai – nilai numerik dengan

mengkombinasikan formula matematik dari teori data empiris, ekonometri
memberikan jalan untuk beralih dari kerangka teori abstrak ke hasil hasil numerik
dalam kasus – kasus nyata. Dengan demikian,ekonometri menjembatani hubungan –
hubungan pasti dalam teori ekonomi dengan hubungan – hubungan gangguan dalam
ekonomi nyata.

Seperti telah di ketahui, statistik berkaitan dengan pengumpulan data, kemudian

mentabulasikan dalam bentuk yang di inginkan dan menyelidiki hubungan antara
variabel – variabel ekonomi yang di pelajari jadi statistik ekonomi terutama menyajikan
aspek deskriptif teori ekonomi .seperti halnya dalam kasus ekonomi matematik,
statistik juag tidak menghasilkan nilai – nilai numerik bagi parameter – parameter yang
terkandung dalam hubungan – hubungan ekonomi meskipun demikian, statistik
menyediakan data numerik ekonometri sehingga hubungan – hubungan antara
besaran – besaran ekonomi menjadi nyata.

Statistik ekonomi berbeda dengan statistik matematik. Statistik matematik (statistik

modern atau statistik infernsi ) di dasarkan pada teori probabilitas, bekerja melalui
metode – metode pengukuran yang di bangun atas dasar percobaan atau eksperimen
terkendali atau terancam sacar cemat. Metode – metode statistik tersebut tidak dapat
di terapakan dalam hubungan – hubungan ekonomi, karena metode percobaan
semacam itu tidak dapat di rancang dalam fenomena ekonomi (kecuali dalam
beberapa kasus, misal eksperimen pertanian atau sksperimen industri). Namun, ide –
ide dasar dari statistik matematik dapat di terapkan dalam ekonometri,asalkan tidak di
terapakan secara membabi – buta. Metode – metode iitu di terapakan setelah di
adaptasi untuk perilaku random ( tau perilaku stokastik) yang terdapat dalam masalah
– masalah ekonomi. Metode – metode statistik yang telah di sesuikan inilah yang di
sebut “ metode – metode ekonometri”

Ekonomi matematik dan ekonomi statistik merupakan aspek – aspek yang penting
dalam ekonometri formulasi matematik memberikan ketepatan dan
kecermatan,sedangka nstatistik memberikan “darah hidup” atau bahan baku bagi
ekonometri yang merupakan cabang ilmu yang baru.
Peran matematik ekonomi dalam permodelan ekonometri cenderung untuk
menyatakan teori ekonomi dalam hubungan secara matematis yang tentunya sudah
lebih spesifik lagi hubungannya bila di bandingkan dengan hubungan yang di
nyatakan secara verbal yang berdasarkan teori ekonomi.

Intinya ekonometri merupakan ilmu sosial yang menerapkan peralatan teoriekonomi,

matematik, dan statistik inferensi untuk menganalisis fenomena ekonomi.

2.3 Peran Ekonometrika dalam Bidang Ekonomi

Tidak bisa di pungkiri ekonomertika tentu sangat penting dalam riset ekonomi.
Sebagaimana secara sederhana, ekonometrika berarti pengukuran indikator ekonomi.
Meskipun pengukuran secara kuantitatif terhadap konsep – konsep ekonomi seperti
produk domestik bruto (PDB), pengguran – pengguran, inflasi, impor dan ekspor
sangatlah penting. Namun ruang lingkup ekonometrika jauh lebih luas. Mengingat
bahwa riset di bidang ekonomi, keuangan, manajemen, pemasaran dan disiplin ilmu
terkait lainnya kini semakin bersifat kuantitatif. Tentulah peran ekonometrika sangat
penting dalam hal ini. Ekonometri memberikan muatan empiris (yaitu, berdasarkan
observasi atau eksperimen) terhadap hampir semua teori ekonomi. Jika dalam suatu
studi atau eksperimen kita menemukan bahwa ketika harga satu unit barang / jasa
naik sebesar satu dolar dan jumlah permintaaan turun, katakanlah 100 unit maka kita
bukan hanya menegaskan tentang kaidah permintaan, kenaikan dalam proses
tersebut kita juga memberika taksiran angka – angka mengenai hubungan antara
kedua variabel – harga dan jumlah permintaan atau kuantitas . ekonometrika seperti
telah di nyatakan sebelumnya, sangat berkepentingan terhadap verifikasi empiris teori
ekonomi sebagaimana akan kita ketahui segera, pakar ekonometrika sering
menggunakan model – model matematis yang di ajukan oleh pakar matematika
ekonomi namun menepatkan model – model matematis yang di ajukan oleh pakar
matematika ekonomi namun menempatkan model – model ini dalam bentuk
sedemikian rupa sehingga memungkinkan mereka untuk melakukan pengujian
empiris.
Statistika ekonomi terutama berkenaan dengan pengumpulan,pengolahan dan
penyajian data ekonomi dalam bentuk grafik,diagram, dan tabel. Ini merupakan tugas
pakar statistika ekonomi. Mereka mengumpulkan data tentang PDB, kesempatan
kerja, pengguran, harga- harga dan sebagainya. Kendati statistik matematik
menyediakan banyak perangkat yang dpata di gunakan bagi pengujian teori ekonomi,
namun pakar ekonometrika sering memerlukan metodologi khusus karena sebagian
besar data ekonomi bersifat unik, yakni bahwa data tersebut tidak selali di hasilkan
melalui suatu eksperimen yang terkendali. Seperti pakar di bidang meteorologi, pakar
ekonometrika umumnya tergantung pada data yang tidak dapat di kendalikan secara
langsung. Jadi, data tentang konsumsi pendapatan,investasi,tabungan,harga – harga
dan sebagainya, yang di kumpulkan oleh instansi pemerintah maupun swasta, pada
hakikatnya bukan di hasilakn dari suatu eksperimen. Pakar ekonometrika mengambil
data ini apa adanya. Hal ini menimbulkan persoalan – persoalan khusus yang
biasanya tidah di hadapi dalam statistik matematik. Lagi pula data semacama iti
mungkin mengadung kesalahan pengukuran taau mungkin juga pembulatan dan
pakar ekonometrika mungkin perlu mengembangkan metode analisis khusus guna
mengatasi maslaah kesalahan pengukuran tersebut.

Bagi mahasiswa jurusan ekonomi dan manajemen (bisnis) ada alasan pragmatis
dalam mempelajari ekonometrika. Sesudah lulus dalam melakukan pekerjaanya
mungkin saja mereka di minta untuk meramalkan penjualan, tingkat suku bunga dan
jumlah jumlah uang beredar atau menaksir fungsi permintaan dan penawaran
ataupun elastisitas harga suatu produk. Pakar ekonomi sering di minta menjadi
konsultan oleh lembaga legislasi pusat (DPR) maupun daerah (DPRD) untuk
kepentingankien mereka ataupun kepentingan sebagian besar masyarakat. Jadi,
pakar ekonomi yang menjadi konsultan bagi komisi DPRD yang bertugas
mengadilkan harga BBM dan listrik mungkin di minta untuk menilai damapk kenaikan
harga yang di usulkan terhadap jumlah permintaan akan listrik sebelum komisi
tersebut menyetujui kenaikkan harga BBM dan listrik dalam situasi semacam ini ,
pakar ekonomi mungkin perlu mengembangkan fungsi permintaan akan listrik yang
akan memungkinkannya untuk menaksir elastisitas harga atas permintaan dalam hal
ini persentase perubahan jumlah yang di minta utuk setiap persentase perubahan
harga pengetahuan tentang ekonometrika akan sangat membantu di dalam menaksir
fungsi permintaan semacam itu.

Cukup beralasan jika di katakan bahwa ekonometrika telah menjadi bagian yang tak
terpisahkan dalam ilmu ekonomi dan bisnis.

Terlepas dari penampilan yang meyakinkan di tambah dengan konsistensi logikanya,

tidak satupun teori dapat mempertahankan keampuhannya tanpa pengujian empiris
dan ekonometri membantu pengujian empiris semacam itu.

Di awal –awal perkembangan teori ekonomi para pakar ekonomi yang hanya duduk di
belakangmeja (armchair economist) mungkin telah berspekulasi ,melalui prosedur
deduktif,,mengenai kkutan – kekuatan yang menentukan harga –
harga,produksi,investasi,kesempatan kerja dan sebagainya tanpa perduli kemampuan
teori – teorinya untuk bertahan terhadap pengujian empiris yang rumit. Dengan kata
lain,teori – teori ekonomi yang dibangun dalam tingkat abstrak belum teruji oleh
kenyataan ekonomi.

Tujuan utama ekonometri yaitu membuktikan teori – teori ekonomi tersebut, sehingga
membantu untuk mengetahui dan memutuskan seberapa jaauh suatu teori ekonomi
mampu menjelaskan perilaku nyata darin satuan – satuan ekonomi.

Ekonometri berkaitan dengan analisis terhadap nilai atau pengukuran aktivitas

ekonomi. Berkaitan dengan analisis terhadap nilai atau pengukuran akitivitas
ekonomi.berbagao teknik ekonometri di terapkan dalam uasaha mendapatkan
teksiran – taksiran yang dapat dipercaya (reliable) mengenai koefisien – koefisien
hubungan – hubungan ekonomi. Berdasarkan koefisien – koefisien tiu, bergagai
parameter teori ekonomi di evaluasi. Misalnya, ekonometri menghasilkan taksiran –
taksiran tentang elastisitas koefisien multiplier ,koefisien teknik produksi,biaya
pengetahuan mengenai seluruh koefisien semacam itu sangat bermanfaat untuk
merumuskan kebijakan – kebijakan ekonomi.

Contoh : seorang produsen memperkirakan bahwa permintaan akan produknya relatif

inelastis akan sangat berguna bagi si produsen untuk mengetahui dalam suatu batas
probabilitas tertentu, elasisitas permintaan berkisar antara -3 dan -5. Dengan koefisien
sebesar itu tidak akan menurunkan harga produknya karena dengan menurunkan
harga, penerimaan peruasaan berkurang.

Ekonomteri memberikan taksiran elastisitas semacam itu pengetahuan mengenai

elastisitas permintaan dan penawaran memungkinkan taksiran beban pembayaran
pajak penjualan kepada pemerintah. Siapakah yang paling banyak menanggung
beban pajak penjualan konsumen atau produsen ? berapa besarnya ? jawaban
terhadap semua pertanyaan itu di berikan oleh ekonometri. Penaksiran fungsi – fungsi
produksi banyak manfaatnya, misalnya membandingkan produktivitas tenaga kerja
dan kapital berbagai perusahan atau industri memberikan pengetahuan mengenai “
skala usaha” (economies of scale) industri yang di pelajari contoh – contoh
ekonometri dalam perumusan kebijakan ekonomi.

Model ekonometri selain di gunakan untuk keprluan pengujian teori dan penaksiran
nilai numerik koefisien dari hubungan – hubungan ekonomi, juga di guanakn untuk
meramal (forecasting) pada masa sekarang ini, “peramalan” menjadi semakin penting,
baik untuk pengetahuan aktivitas ekonomi di negara – negara maju.

Contoh : berdasarkan taksiran MPC (marginal propensity to consume) angka

pengganda (multiplier) investasi dapat di hitung dengan rumus yang sederhana :
K=1/(1-MPC) dengan kenaikan investasi tertentu, bisa di ramalkan kenaikkan
penghasilan nasional (dengan asumsi hal lain tetap sama) dalam batas – batas
probabilitas tertentu.jika nilai ramalan kenaikkan penghasilan nasional lebih rendah
dari yang di targetkan, maka pemerintah harus mengambil kebijakan lain untuk
mencapai target tersebut dengan demikina “ peramalan “ sangat bermanfaat bagi
para pembuat kebijakan dalam memutuskan apakah perlu mengambil kebijakan lain
untuk mempengaruhi variabel-variabel ekonomi yang bersangkutan.
Dalam suatu kebijakan pemerintah juga dapat mengunakan model ekonometri.
Misalnya saja diperoleh model yang menggambarkan pengeluaran belanja negara
dan pendapatan negara seperti pada model berikut :

Belanja Negara = 4 + 0,65 Pendapatan Negara

Misalkan menurut pakar ekonomi, agar angka pengangguran dapat dijaga sekitar 5
persen, belanja negara harus 100 triliun rupiah. Untuk itu berapa triliun rupiah
besarnya pendapatan negara kita agar kebijakan pengangguran yang ditargetkan
sekitar 5 persen tersebut dapat tercapai.

Model ekonometri juga dapat digunakan untuk pemasaran produk sebuah

perusahaan susu untuk anak-anak di bawah usia 5 tahun (balita) membuat suatu
model yang menggambarkan hubungan antara jumlah balita dan produk yang terjual
pertahun (dalam ribuan kaleng) sebagai berikut :

Produk = 10 + 0,2 Balita

Jika dalam 1 tahun diperkirakan terjadi penambahan balita sebesar 1 juta jiwa, maka
dapatlah dihitung, berapa besarnya peningkatan produksi perusahaan susu tersebut
pertahun untuk memenuhi permintaan pasar, yaitu 0,2 x 1000 kaleng x 1 juta = 200
juta kaleng susu. Dapat terlihat, walau persamaan yang paling sederhana sekalipun,
ternyata mempunyai banyak manfaat.

Setelah melihat beberapa contoh yang diberikan di atas, kiranya dapat diketahui
betapa bermanfaatnya penerapan ekonometrika dalam berbagai bidang ilmu. Model
persamaan yang sangat sederhana sekalipun dapat memberi informasi yang tidak
sedikit jika pembuatan model sangat mengerti permasalahan yang dihadapi. Oleh
karena itu, sangatlah ideal bila seseorang yang telah menguasai suatu bidang ilmu,
juga menguasai ilmu ekonometri. Sehingga dapat disimpulkan bahwa ekonometri
sangatlah penting dalam riset ekonomi.

2.4 Manfaat Mempelajari Ilmu Ekonomi dan Kaitannya

dengan Ekonometrika
Dalam kehidupan sehari-hari kita tidak pernah lepas dari yang namanya kegiatan
ekonomi ataupun hal-hal yang berhubungan dengan ekonomi. Misalnya konsep-
konsep mengenai produk domestik bruto (PDB), pengangguran, inflasi, impor, ekspor,
kesempatan kerja, harga-harga dan sebagainya.

Dengan memahami, mempelajari, dan melatih skill keilmuan ekonomi, pastilah kita
akan menjadi profesional, karena kita bisa melakukan segala hal tentang ekonomi
berdasarkan ilmunya. Dimasa kini tidak sedikit orang yang melakukan segala sesuatu
tidak dengan ilmunya, sehingga bisa terjadi kesalahan.

Segala sesuatu akan menghasilkan hasil yang lebih baik atau maksimal jika dilakukan
dengan dasar keilmuan yang kuat, dimana selain dia mempelajari ilmu tersebut dia
juga memahaminya dan mampu melatih skillnya dalam keilmuan tersebut, dalam
bidang ekonomi khususnya.

Ilmu ekonomi juga merupakan salah satu ilmu yang terdapat dalam ekonometrika,
dimana ilmu ekonometrika itu berkaitan dengan penaksiran empiris dari hubungan-
hubungan ekonomi. Dengan cara tertentu, ekonometri merupakan suatu tipe khusus
analisis dalam penelitian ekonomi, dimana teori ekonomi dirumuskan secara
matematik dan dikombinasikan dengan ukuran empiris fenomena ekonomi.

Sebagaimana telah dibahas sebelumnya bahwa bagi mahasiswa ekonomi dan

manajemen (bisnis), ada alasan pragmatis dalam mempelajari ilmu ekonomi dan
ekonometrika. Sesudah lulus, dalam melakukan pekerjaanna, mungkin saja mereka
diminta untuk meramalkan penjualan, tingkat suku bunga, dan jumlah uang yang
beredar atau menaksir fungsi permintaan dan penawaran ataupun elastisitas harga
suatu produk. Pada prakteknya jika kita melakukannya berdasarkan keilmuan
ekonomi yang kita miliki tentulah akan lebih baik, dan pekerjaan kita pun akan
dipercaya kebenarannya dan akan dihargai dan dipakai. Terbukti bahwa pakar
ekonomi sering diminta menjadi konsultan oleh lembaga legislasi pusat (DPR)
maupun daerah (DPRD) untuk kepentingan klien mereka ataupun kepentingan
sebagian besar masyarakat. Jadi, pakar ekonomi yang menjadi konsultan bagi komisi
DPRD yang bertugas mengendalikan harga BBM dan listrik mungkin diminta untuk
menilai dampak kenaikan harga yang diusulkan terhadap jumlah permintaan akan
listrik sebelum komisi tersebut menyetujui keniakan harga BBM dan listrik. Dalam
situasi semacam ini, pakar ekonomi mungkin perlu mengembangkan fungsi
permintaan akan listrik, yang akan memungkinkannya untuk menaksir elastisitas
harga atas permintaan, dalam hal ini, persentase jumlah perubahan yang diminta
untuk setiap persentase perubahan harga.

Kendati seperti itu, pengambilan keputusan ekonomi pada umumnya selalu

didasarkan pada dugaan tentang apa yang akan terjadi pada masa yang akan datang.
Karena itu pengambilan keputusan ekonomi tidak pernah bersifat pasti sebab dugaan
masa yang akan datang juga tidak pernah pasti. Seorang pengusaha harus tahu
berapa banyak produk yang akan dihasilkannya pada periode tertentu. Tetapi besar
produk yang akan dihasilkan bergantung pula pada berapa banyak yang dapat
dijualnya dan pada harga berapa produk itu dapat dijual. Berapa banyak produk yang
dapat dijual dan berapa harganya tidak dapat diketahui dengan pasti sebab banyak
faktor-faktor yang mempengaruhi keadaan itu yang berada di luar kekuasaan
pengusaha tersebut. Demikian pula dengan pemerintah maupun individu-individu.
Keputusan – keputusan ekonomi yang diambil terpaksa dibuat atas dasar asumsi
tertentu sehubungan dengan tidak diketahuinya faktor-faktor masa yang akan datang
dengan pasti.
Dalam hal ini ekonometri dapat membantu dengan menyediakan alat-alat yang
diperlukan, khususnya bagi pembuatan keputusan yang menyangkut masa yang akan
datang (forecasting, prediksi dan sebagainya). Kecuali itu ekonometri juga dapat
membantu bagi pembuatan keputusan, itu dengan kemampuannya untuk
menyediakan alternatif – alternatif. Melalui teknik simulasi dapat dianalisis akibat –
akibat apa yang dapat timbul dari pemilihan alternatif – alternatif tersebut. Disamping
itu ekonometri masih pula dapat dipakai untuk analisa stuktural, hubungan antara
sektor, dan sebagainya. Ekonometri telah banyak membantu mengubah perumusan
hubungan konsumsi – konsumsi pendapatan dengan analisis stuktural kelambanan
yaitu melalui penemuan yang menyatakan bahwa tanggapan konsumsi karena
berubahnya pendapatan – aktiva tidaklah seketika tetapi ada kelambanannya, dalam
arti bahwa bila pendapatan bulan ini turun konsumsi tidaklah ikut turun juga pada
bulan ini tetapi baru akan turun bulan depan ataupun bulan – bulan berikutnya
tergantung pada lamanya kelambanan itu.

Demikian pula hubungan investasi suku bunga atau investasi dengan pendapatan
nasional. Analisa hubungan antara sektor merupakan hal yang menarik pula bagi ahli
– ahli ekonometri. Kalau ada perubahan – perubahan dalam sektor moneter, misalnya
seperti devaluasi yang dilakukan pada 15 sektor perusahan dan berapa besar
intensitas pengaruhnya. Jadi ekonometri dapat dan telah banyak menyumbang bagi
pengembangan teori ekonomi baik melalui penyempurnaan teorema-teorema yang
sudah ada maupun teorema – teorema baru. Sangat jelaslah bahwa ternyata ilmu
ekonomi berhubungan sangat erat dengan ilmu ekonometrika keduanya bila dikaitkan
satu sama lain akan mampu menjelaskan fenomena – fenomena ekonomi.

Diawal – awal perkembangan teori ekonomi, para pakar ekonomi yang hanya duduk
di belakang meja mungkin telah berspekulasi, melalui prosedur deduktif, mengenai
kekuatan – kekuatan yang menentukan harga – harga, produksi, investasi,
kesempatan kerja dan sebagainya tanpa peduli kemampuan teori – teorinya untuk
bertahan terhadap pengujian empiris yang rumit. Dengan kata lain, teori – teori
ekonomi yang dibangun dalam tingkat abstrak tentu belum teruji oleh kenyataan
ekonomi.

Tujuan utama ekonometri yaitu membuktikan teori – teori ekonomi tersebut, sehingga
membantu untuk mengetahui dan memutuskan seberapa jauh suatu teori ekonomi
mampu menjelaskan perilaku nyata dari satuan-satuan ekonomi. Akan sangat
profesional jika kita bisa memahami, mempelajari dan melatih skill tentang keilmuan
ekonomi. Selain dapat mempermudah dalam mengambil keputusan dalam sejumlah
permasalahan ekonomi, keabsahan hasilnyapun dapat dipercaya (reliable).

Ekonomi tidak akan pernah bisa lepas dari ekonometrika, karena ekonometrika
berkaitan dengan analisis terhadap nilai atau pengukuran aktivitas ekonomi. Berbagai
teknik ekonometri diterapkan dalam usaha mendapatkan taksiran – taksiran yang
dapat dipercaya (reliable) mengenai hubungan koefisien – koefisien hubungan –
hubungan ekonomi. Berdasarkan koefisien – koefisien itu, berbagai parameter teori
ekonomi di evaluasi. Misalnya ekonometri menghasilkan taksiran-taksiran tentang
elastisitas, koefisien multiplier, koefisien teknis produksi, biaya marginal, penghasilan
marginal, dan sebagainya. Pengetahuan mengenai seluruh koefisien semacam itu
sangat bermanfaat dalam merumuskan kebijakan – kebijakan ekonomi.

Contoh : Seorang produsen memperkirakan bahwa permintaan akan produknya relatif

inelastis. Akan sangat berguna bagi si produsen untuk mengetahui, dalam suatu
batas probabilitas tertentu, elastisitas permintaan berkisar antara -3 dan -5. Dengan
koefisien tersebut sebesar itu, tidak akan menurunkan harga produk karena dengan
menurunkan harga, penerimaan perusahaan berkurang.

Dengan mempelajari ilu ekonomi itu akan lebih mempermudah kita dalam mengambil
keputusan, meramalkan, serta betul-betul memahami fenomena-fenomena ekonomi.
Kita tidak akan pernah bisa lepas dari segala hal yang berkaitan dengan ekonomi.
Hampir setiap hari, bahkan setiap saat kita melakukan kegiatan ekonomi. Jika kita
mengetahui teori-teorinya tentulah kita kan profesional dalam menyikapi persoalan-
persoalan yang berhubungan dengan ekonomi.

Sebagai mahaiswa ilmu ekonomi sengatlah penting, hampir sebagian besar

mahasiwa mempelajarinya terutama mahasiswa ekonomi dan manajemen, karena
kelak jika mereka bekerja maka akan secara langsung terjun dalam kegiatan yang
berhubungan dengan ekonomi. Dalam pekerjaannya nanti mungkin saja kita akan
diminta untuk meramalkan penjualan, tingkat suku bunga, dan jumlah uang yang
beredar atau menaksir fungsi permintaan dan penawaran ataupun elastisitas suatu
produk, menentukan harga-harga, produksi, investasi, kesempatan kerja,
pengangguran dan lain sebagainya. Sangat banyak hal yang berkaitan dengan ilmu
ekonomi, tinggal bagaimana kita menelaah dan mengkajinya agar sesuai dengan
pengaplikasiannya maupun penerapannya dalam kehidupan sehari-hari. Jangan
malah melenceng dari apa yang diharapkan, karena justru itu akan mempersulit kita
dalam menghadapi fenomena-fenomena ekonomi yang terjadi. Solusi yang tepat
dalam hal ini adalah kita sebagai pelaku ekonomi harus profesional yaitu dengan cara
memahami, mempelajari, dan melatih skill keilmuan ekonomi.
2.1. Pengertian Regresi dan Korelasi

Hubungan antar variabel dapat dideteksi melalui regresi dan korelasi. Secara konseptual analisis
regresi dan regresi adalah berbeda. Regresi adalah studi ketergantungan satu variabel (variabel tak bebas)
pada satu atau lebih variabel lain (variabel yang menjelaskan), dengan maksud untuk menaksir dan/atau
meramalkan nilai rata-rata hitung (mean) atau rata-rata (populasi) variabel tak bebas, dalam pengambilan
sampel berulang-ulang dari variabel yang menjelaskan (explanatory variable). Menurut Gujarati (2003: 124)
tujuan dari regresi adalah sebagai berikut: pertama, untuk mengestimasi nilai rata-rata variabel tak bebas
dan nilai rata-rata variabel bebas tertentu. Kedua, untuk menguji hipotesis mengenai sifat alamiah
ketergantungan—hipotesis sebagaimana yang disarankan oleh teori ekonomi, dan ketiga, untuk
memprediksi atau meramalkan nilai rata-rata variabel tak bebas dan nilai rata-rata variabel bebas tertentu.

Pada bagian lain, analisis korelasi adalah mengukur kekuatan (strength) atau tingkat hubungan
(degree of association) antara dua variabel. Tingkat hubungan antara dua variabel disebut pula dengan
korelasi sederhana (simple correlation), sementara tingkat hubungan antara tiga variabel atau lebih disebut
dengan korelasi berganda (multiple correlation).

Menurut Koutsoyiannis (1977: 31-32), korelasi dapat dibedakan menjadi dua, yaitu korelasi linier
(linear correlation) dan korelasi non-linier (nonlinear correlation). Suatu korelasi dikatakan linier apabila
hubungan dari semua titik dari X dan Y dalam suatu scatter diagram mendekati suatu garis (lurus).
Sedangkan suatu korelasi dikatakan non-linier apabila semua titik dari X dan Y dalam suatu scatter diagram
mendekati kurva. Baik korelasi linier maupun non-linier dapat bersifat positif, negatif maupun tidak terdapat
korelasi.

X X
(a) Korelasi Linier Positif (b) Korelasi Non-Linier Positif
 Y Y

X X
(c) Korelasi Linier Negatif (d) Korelasi Non-Linier Negatif

X
(e) Korelasi Nol

Gambar 2.1.

Bentuk-Bentuk Korelasi Linier dan non-Linier

Dua variabel dikatakan mempunyai korelasi linier (dan non-linier) positif jika mereka atau kedua
variabel tersebut mempunyai kecenderungan untuk berubah secara bersama-sama, yaitu jika satu variabel,
katakanlah X naik, maka variabel lainnya, katakanlah Y akan naik pula dan sebaliknya. Misalnya dalam
teori penawaran, ketika tingkat harga naik, maka jumlah barang yang ditawarkan akan naik, sebaliknya,
ketika harga turun, maka jumlah barang yang ditawarkan akan turun pula.

Selanjutnya, dua variabel dikatakan mempunyai korelasi linier (dan non-linier) negatif jika mereka
atau kedua variabel tersebut mempunyai kecenderungan untuk berubah secara berlawanan arah, yaitu jika
variabel X naik, maka variabel Y akan turun dan sebaliknya. Misalnya dalam teori permintaan, jika tingkat
harga naik, maka jumlah barang yang diminta akan turun, sebaliknya, ketika harga turun, maka jumlah
barang yang diminta akan naik. Terakhir, dua variabel dikatakan mempunyai korelasi nol ketika mereka
atau kedua variabel tersebut mempunyai perubahan yang tidak saling berhubungan satu sama lainnya.
 Berdasarkan uraian di atas, dapat disimpulkan bahwa antara analisis regresi dan korelasi
mempunyai perbedaan. Dalam analisis regresi, ada asimetris atau tidak seimbang (asymmetry) dalam
memperlakukan variabel tak bebas dan variabel bebas. Variabel tak bebas diasumsikan bersifat stokastik
atau acak. Pada bagian lain, variabel bebas diasumsikan mempunyai nilai yang tetap dalam pengambilan
sampel secara berulang-ulang. Sementara itu, dalam analisis korelasi, baik variabel tak bebas maupun
variabel bebas diperlakukan secara simetris atau seimbang di mana tidak ada perbedaan antara variabel
tak bebas dengan variabel bebas.

2.2. Fungsi Regresi Populasi dan Fungsi Regresi Sampel

Regresi memiliki dua pengertian fungsi regresi yang berbeda yaitu fungsi regresi populasi
(population regression function = PRF) dan fungsi regresi sampel (sample regression function = SRF).
Misalnya dalam estimasi fungsi permintaan barang (Y) dengan variabel penjelas tingkat harga (X). Hukum
ekonomi menyatakan bahwa hubungan antara X dan Y adalah negatif, karena apabila tingkat harga naik—
permintaan akan barang akan turun. Dengan asumsi bahwa data X dan Y tersedia, maka nilai yang akan
dicari adalah rata-rata pengharapan atau populasi (expected or population mean) atau nilai rata-rata
populasi (population average value of Y) pada berbagai tingkat harga (X). Penggambaran dari model ini
akan berbentuk garis regresi populasi (population regression line = PRL). PRL menyatakan bahwa nilai
rata-rata dari variabel tak bebas Y akan berhubungan dengan setiap nilai variabel bebas X. Secara
matemnatis, PRL dapat dinyatakan sebagai berikut:

(2.1) E (Y X i )   0  1 X i

di mana E (Y X i ) atau E(Y) adalah berarti rata-rata atau pengharapan akan nilai Y pada berbagai tingkat

X i ,  0 dan  1 masing-masing disebut pula dengan parameter atau koefisien regresi.  0 adalah koefisien

intersep atau konstanta dan  1 adalah koefisien slope atau kemiringan. Koefisien slope mengukur
tingkat perubahan rata-rata Y per unit akibat perubahan X.

Bentuk persamaan matematis PRL sebagaimana yang disajikan dalam persamaan (2.1) di atas
fungsi regresi populasi (PRF) dalam bentuk linier. Selanjutnya, dari PRF, dapat pula dikembangkan konsep
fungsi regresi sampel (SRF). Hal ini penting, karena dalam dunia nyata, data populasi sangat sulit untuk
didapatkan atau ditemukan, sehingga salah satu langkah yang dapat dilakukan adalah mengambil sampel
dari populasi tersebut. Adapun bentuk dari persamaan SRF adalah sebagai berikut:

(2.2) Yˆi  b0  b1 X i

di mana:
Yˆi = Penaksir dari E (Y X i ) atau penaksir rata-rata kondisional populasi.

b0 dan b1 = Masing-masing adalah penaksir dari  0 dan  1 .

Dengan demikian SRF digunakan sebagai pendekatn untuk mengestimasi PRF. Penggunaan SRF
harus memperhatikan kenyataan bahwa dalam dunia nyata terdapat unsur ketidakpastian (tidak ada
hubungan yang pasti). Untuk mengakomodasi faktor ketidakpastian, maka dalam persamaan (2.1) ataupun
(2.2) ditambahkan dengan pengganggu atau faktor acak ( u i ). Persamaan (2.1) dan (2.2) dapat ditulis

kembali sebagai berikut:

(2.3) Yi   0  1 X i  ui  Bentuk PRF Stokastik

(2.4) Yi  b0  b1 X i  ui  Bentuk SRF Stokastik

Selanjutnya persamaan (2.4) dapat diestimasi dengan menggunakan metode OLS. Dimasukkannya
unsur pengganggu dalam persamaan (2.4) di atas tidak lain karena [Gujarati, 2003: 45-47; Maddala, 1992:
64-65; Kennedy, 1996: 3 dan Sumodiningrat, 1994: 101.10]:

1. Ketidakjelasan atau ketidaklengkapan teori (vagueness of theory).

Adanya ketidakjelasan/ketidaklengkapan teori yang menentukan perilaku variabel tak bebas (Y).
Misalnya secara teoritis peneliti hanya mengetahui bahwa yang mempengaruhi pengeluaran konsumsi
(Y) adalah pendapatan mingguan ( X 1 ) saja. Padahal sebenarnya masih terdapat beberapa variabel
lain yang mempengaruhi Y. Variabel-variabel yang tidak tercakup dalam model akan diproksi melalui
ui .

2. Ketidaktersediaan data (unavailability of data).

Ketika seorang peneliti tahu bahwa variabel yang mempengaruhi Y tidak hanya dipengaruhi oleh X 1 ,

tetapi juga ditentukan oleh tingkat kesejahteraan seseorang ( X 2 ) dan lingkungan sekitar ( X 3 ). Maka

fungsi konsumsi Y = f ( X 1 ), berubah menjadi Y = f ( X 1 , X 2 , X 3 ). Namun, permasalahan yang muncul

adalah data X 2 dan X 3 sangat sulit untuk diperoleh, sehingga mungkin kedua variabel tersebut akan

dikeluarkan dari model dan fungsi konsumsi yang akan diestimasi kembali menjadi Y = f ( X 1 ). Dalam

kasus ini, u i bisa digunakan sebagai pengganti variabel yang dikeluarkan atau tidak dimasukkan dalam

model tersebut.

3. Variabel pusat versus variabel pinggiran (core variable versus peripheral variable).
Misalnya, dalam contoh konsumsi-pendapatan atau Y = f ( X 1 ), juga diasumsikan bahwa jumlah anak (

X 4 ), jenis kelamin ( X 5 ), agama ( X 6 ), dan tingkat pendidikan ( X 7 ) berpengaruh terhadap tingkat

 konsumsi. Tetapi pada pihak lain, sangat mungkin bahwa pengaruh X 4 , X 5 , X 6 , X 7 sangat kecil,

sehingga dari segi kepraktisan, pertimbangan biaya dan keserhanaan, keempat variabel tersebut tidak
dimasukkan dalam model. u i diharapkan bisa digunakan sebagai pengganti variabel yang tidak

dimasukkan dalam model

4. Kesalahan manusiawi (intrinsic randomness in human behavior).

Kesalahan manusiawi menyebabkan tetap terdapat kemungkinan suatu variabel tidak bisa dicakup
dalam model. Dalam kasus ini, u i dapat digunakan sebagai pengganti variabel yang tidak dimasukkan

dalam model tersebut.

5. Kurangnya variabel pengganti (poor proxy variables).

Walaupun dalam model regresi klasik dinyatakan bahwa variabel Y dan X diukur secara akurat, namun
dalam aplikasinya di lapangan, mungkin akan terjadi kesalahan pengukuran (error of measurement),
kesulitan pengumpulan data atau kesulitan menentukan proksi terhadap variabal yang akan diukur.
Misalnya, teori konsumsi dari Milton Friedman yang mengatakan bahwa konsumsi permanen
(permanent consumption = Yp ) sebagai fungsi dari tingkat pendapatan permanen (permanent income

= X p ). Permasalahannya adalah data untuk kedua variabel tersebut tidak dapat diamati dalam dunia

nyata, sehingga ketika ingin mengestimasi dengan menggunakan fungsi konsumsi Friedman, kedua
variabel yang disebutkan di atas didekati atau diganti dengan data seperti tingkat konsumsi sekarang
(current consumption = X) dan tingkat pendapatan sekarang (current income = Y). Namun, perlu diingat
bahwa Y dan X mungkin tidak sama dengan Yp dan X p sehingga di sini akan timbul masalah kesalahan

pengukuran. Oleh karena itu, dengan dimasukkannya unsur u i dalam model diharapkan bisa digunakan

sebagai representasi dari adanya kesalahan pengukuran.

6. Prinsip kesederhanaan (principle of parsimony).

Ketika seorang peneliti hendak mengestimasi suatu model, maka model regresi tersebut diusahakan
sesederhana mungkin. Misalnya seorang peneliti ingin menjelaskan perilaku pengeluaran konsumsi (Y),
dengan menggunakan dua atau tiga variabel bebas. Namun teori yang berkaitan dengan pengeluaran
konsumsi tidak cukup kuat untuk menjelaskan mana variabel yang secara substansial harus
dimasukkan untuk mengestimasi fungsi pengeluaran konsumsi tersebut maka peneliti dapat
membentuk model pengeluaran konsumsi sesederhana mungkin, karena unsur ui akan

merepresentasikan variabel-variabel lain yang tidak dimasukkan tersebut.

7. Kesalahan bentuk fungsi (wrong functional form).

Ketika peneliti ingin mengestimasi Y = f (X) di mana fungsi ini secara teoritis benar dan data yang akan
digunakan tersedia, masalah yang sering timbul selanjutnya adalah menentukan bentuk fungsi secara
 tepat, apakah linier ataukah non-linier. Terlebih lagi dalam kasus regresi berganda. Oleh karena itu,
dengan dimasukkannya unsur u i dalam model diharapkan bisa mengeliminasi kesalahan pemilihan

bentuk fungsi regresi.

2.3. Pengertian Istilah Linier

Istilah atau pengertian linieritas dalam ekonometrika sangat penting, di mana menurut Intriligator,
dkk (1996: 20-21), karena: pertama, banyak hubungan-hubungan dalam ekonomi dan hubungan-hubungan
dalam ilmu sosial secara alamiah adalah linier. Kedua, penerapan asumsi linieritas hanya terhadap
parameter, bukan terhadap variabel model. Ketiga, ketika suatu model ditransformasi dalam model linier,
maka bentuk transformasi seperti dalam bentuk logaritma dapat dipakai dalam beberapa kasus, dan
keempat, dengan asumsi linieritas, beberapa fungsi yang halus (any smooth function) dapat didekati
dengan tingkat ketepatan yang lebih besar ketika menggunakan bentuk fungsi linier.

Gujarati (2003:42-43) menunjukkan bahwa linieritas dapat dilihat adri sisi variabel dan parameter.
Penjelasan dari konsep linieritas lebih lanjut adalah sebagai berikut :

2.3.1. Linieritas dalam Variabel

Arti pertama dan mungkin lebih alamiah dari linieritas adalah bahwa nilai rata-rata kondisional dari
variabel Y merupakan fungsi linier terhadap X i sebagaimana disajikan dalam persamaan (2.1) atau (2.3)
ataupun dalam persamaan (2.2) dan (2.4). Sedangkan bentuk fungsi non-linier dalam variabel antara lain
adalah :

(2.5) E (Y )   0  1 X i2

(2.6) E (Y )   0  1 (1 / X i )

Persamaan (2.5) dan (2.6) di atas dinamakan persamaan yang tidak linier, karena persamaan (2.5)
berpangkat 2, sementara persamaan (2.6) dinyatakan dalam bentuk kebalikan (inverse).

Y Y

Slope β 2 adalah sama dalam Slope β 2 adalah berbeda dalam

setiap titik dalam kurva setiap titik dalam kurva
β2
Kuantitas Barang

Kuantitas Barang

β2
1
1
β2
1 β2
 1

X X
Harga Harga

(a) (b)

Gambar 2.2:

Kurva Permintaan Linier Dan Non-Linier

Sebagaimana disajikan dalam gambar (2.2), untuk persamaan regresi (2.1), slope (tingkat
perubahan dalam E(Y)) adalah tetap sama pada berbagai titik X. Akan tetapi misalnya untuk persamaan
(2.6), tingkat perubahan rata-rata dari Y adalah berbeda-beda atau bervariasi pada setiap titik X dalam
garis regresi. Dengan kata lain, suatu fungsi Y = f(X) dikatakan linier, jika X memiliki pangkat satu dan/atau
tidak dikalikan atau dibagi dengan variabel lain.

2.3.2. Linieritas dalam Parameter

Linieritas parameter terjadi jika rata-rata kondisional dari variabel tak bebas merupakan suatu fungsi
linier terhadap parameter ß; fungsi tadi mungkin linier atau tidak linier dalam variabel X. Dalam arti lain,
bahwa suatu fungsi dikatakan linier dalam parameter, kalau  1 bersifat pangkat 1. dengan definisi ini,

persamaan (2.5) dan (2.6) di atas merupakan model linier dalam parameter karena  0 dan  1 adalah linier.

Lebih lanjut, bentuk fungsi persamaan (2.7) tidak dikatakan sebagai fungsi linier, karena  1 tidak
berpangkat 1.

(2.7) E (Y )  β0  β12 X i

Dari dua interpretasi linieritas di atas, linieritas dalam parameter adalah relevan untuk
pengembangan teori regresi. Dalam ekonometrika, seringkali dijumpai bahwa regresi linier selalu diartikan
dengan suatu regresi dalam parameter ß; regresi tadi mungkin linier atau tidak linier dalam variabel
penjelas, X.

2.4. Regresi Linier Bersyarat Sederhana dan Berganda

Model linier (bersyarat) sederhana adalah regresi linier yang hanya melibatkan dua variabel, satu
variabel tak bebas serta satu variabel bebas. Sedangkan apabila variabel tak bebas dipengaruhi oleh lebih
dari satu variabel bebas (X), katakanlah X 2 dan X 3 , maka bentuk persamaan regresi tersebut dinamakan

dengan regresi linier berganda (multiple linear regression). Secara matematis, regresi linier berganda dapat
ditulis sebagai berikut:

(2.8) E (Y )  β1  β2 X 2i  β3 X 3i

di mana E (Y )  E (Y X 2 , X 3 )

Dalam bentuk PRF yang stokastik dari persamaan (2.8) adalah :

(2.9) Yi  β1  β2 X 2i  β3 X 3i  ui

 E (Y )  ui

Persamaan (2.9) menyatakan bahwa beberapa nilai individual Y terdiri dari dua komponen, yaitu:

1. Komponen sistematik atau deterministik, ( β1  β2 X 2i  β3 X 3i ) di mana secara sederhana merupakan

nilai rata-rata E(Y) pada titik-titik garis regresi populasi.
2. Komponen non-sistematik atau acak, ui yang ditentukan oleh faktor-faktor lain di luar X 2 dan X 3 .

2.5. Metode Kuadrat Terkecil dalam Model Regresi Linier Sederhana

Ada berbagai metode yang dapat digunakan untuk mengestimasi parameter-parameter hubungan
ekonomi dari SRF sebagai penaksir yang benar untuk PRF. Salah satunya adalah metode kuadrat terkecil
(Ordinary Least Squares = OLS) atau sering pula disebut dengan metode kuadrat terkecil klasik (Classical
Least Squares = CLS). Metode ini dikemukakan oleh Carl Friedrich Gauss, seorang ahli matematik Jerman.

Koutsoyiannis (1977: 48), mengemukakan beberapa alasan yang mendasari mengapa digunakan
OLS/CLS, yaitu:

1. Estimasi parameter yang diperoleh dengan menggunakan OLS mempunyai beberapa ciri optimal.
2. Prosedur perhitungan dari OLS sangat sederhana dibandingkan dengan metode ekonometrika yang
lainnya serta kebutuhan data tidak berlebihan.
3. OLS dapat digunakan dalam range hubungan ekonomi yang luas dengan tingkat ketepatan yang
memuaskan.
4. Mekanisme perhitungan OLS secara sederhana dapat dimengerti.
5. OLS merupakan komponen vital bagi banyak tehnik ekonometri yang lain.
Untuk dapat memahami pendekatan Gauss ini, misalkan akan diestimasi PRF untuk model regresi
sederhana berikut ini (Gujarati, 1995: 58-65):
(2.10) Yi  β0  β1 X i  ui

Oleh karena PRF dalam persamaan (2.10) di atas tidak dapat diamati secara langsung, maka didekati
dengan SRF dengan bentuk persamaan berikut:

(2.11) Yi  b0  b1 X i  ei

di mana : residual, ei merupakan perbedaan antara nilai Y aktual dengan nilai Y yang diestimasi atau

ei  Yi  Ŷi

(2.12) ei  Yi  b0  b1 X i

Nilai b0 dan b1 dikatakan sebagai penaksir terbaik dari β 0 dan β1 apabila memiliki nilai ei yang

sekecil mungkin. Dengan menggunakan metode estimasi yang biasa dipakai dalam ekonometrika, yaitu
OLS, pemilihan b0 dan b1 dapat dilakukan dengan memilih nilai jumlah kuadrat residual (residual sum of

squared=RSS), e 2
i yang paling kecil. Atau dapat ditulis sebagai berikut:

e   (Yi  Yˆi ) 2   (Yi  b0  b1 X i )

2 2
(2.13) Minimisasi: i

Dengan menggunakan metode turunan parsial (partial differentiation), diperoleh:

(2.14)  ei2 / b0  2 (Yi  b0  b1 X i )(1)

(2.15)  ei2 / b1  2 (Yi  b0  b1 X i )( X i )

Dengan optimasi kondisi order pertama sama dengan nol, maka diperoleh:

(2.16) Y  nb  b  X
i 1 2 i

(2.17) Y X  b  X  b  X
i i 1 i 2 i
2

di mana n adalah jumlah sampel. Persamaan simultan ini dikenal sebagai persamaan normal (kuadrat
terkecil).

Dari (2.16) dan (2.17) di atas, belum diketahui besarnya nilai b (nilai koefisien b0 dan b1 ). Untuk

menyelesaikan permasalahan ini, maka dapat ditempuh dengan cara berikut:

(2.18) b0  Y  b1 X

b0 
 X Y   X  X Y
i
2
i i i i

n X  ( X ) i
2
i
2

di mana b0 adalah nilai penaksir dari β 0 .

Selanjutnya, b1 sebagai nilai penaksir dari β1 adalah dicari sebagai berikut:

n X i Yi   X i  Yi
(2.19) b1 
n X i2  ( X i ) 2


 ( X  X )(Y  Y )
i i

(X  X ) i
2


x yi i

x 2
i

di mana X dan Y adalah rata-rata sampel dari X dan Y dan xi  ( X i  X ) dan yi  (Yi  Y ) .

Penaksir yang diperoleh dalam persamaan di atas di kenal sebagai penaksir OLS. Ciri-ciri penaksir OLS
adalah sebagai berikut:

1. Penaksir dinyatakan semata-mata dalam besaran yang bisa diamati, yaitu besaran sampel.
2. Penaksir merupakan penaksir titik yaitu dengan sampel tertentu, tiap penaksir akan memberikan hanya
satu nilai (titik) tunggal parameter populasi yang relevan.
3. Sekali estimasi kuadrat terkecil diperoleh dari data yang dimiliki, maka garis regresi sampel dapat
dengan mudah diperoleh. Garis regresi yang diperoleh mempunyai sifat-sifat sebagai berikut:
1) Garis regresi tadi melalui rata-rata sampel Y dan X, yang dibuktikan oleh Y  b0  b1 X .

2) Nilai rata-rata Y yang diestimasi Y = Yˆi adalah sama dengan nilai rata-rata Y yang sebenarnya

karena Y  Y , di mana dalam kenyataannya nilai (X i  X)  0.

3) Nilai rata-rata residual, ei = 0.

4) Nilai residual, ei tidak berkorelasi dengan nilai estimasi Yi , Yˆi .

5) Nilai residual, ei tidak berkorelasi dengan X i , yaitu e Xi i  0.

2.6. Asumsi Model Regresi Linier Klasik: Metode Kuadrat Terkecil

Metode kuadrat terkecil yang dikemukakan oleh Gauss mempunyai beberapa asumsi dan beberapa
sifat statistik yang sangat kuat sehingga membuat metode kuadrat terkecil menjadi metode analisis regresi
yang paling kuat (powerful) dan populer, baik dalam kasus regresi sederhana maupun berganda. Gujarati
(2003: 65-75) mengemukakan setidaknya ada 10 asumsi regresi linier klasik, yaitu:

1. Model regresi adalah linier, dalam hal ini adalah model regresi linier dalam parameter.
2. Nilai X adalah tetap di dalam sampel yang dilakukan secara berulang-ulang. Dengan kata lain, X adalah
non-stokastik (deterministik).
3. Nilai rata-rata dari unsur faktor pengganggu adalah sama dengan nol, atau ui = 0 , secara teknis dapat

ditulis sebagai E (ui2 X i )  0 .

4. Homokedastisitas atau varian ui adalah sama untuk semua pengamatan. Hal tersebut berarti bahwa

varian kondisional ui bersifat identik. Secara teknis dapat ditulis sebagai E (ui2 )  σ 2 .

5. Tidak ada otokorelasi antar unsur pengganggu. Misalkan diketahui ada dua nilai variabel X, yaitu X i

dan X j (i ≠ j), korelasi antara kedua unsur pengganggu u i dan u j (i ≠ j), adalah sama dengan nol —

cov(ui u j X i X j )  E (ui u j )  0 .

6. Nilai kovarian antara u i dan X i adalah sama dengan nol — cov(ui , X i )  E (ui X i )  0 .

7. Jumlah observasi atau pengamatan n harus lebih besar daripada jumlah parameter yang diobservasi.
8. Nilai X adalah dapat bervariasi (variability). Artinya, nilai X untuk sampel tertentu tidak harus sama
dengan atau semua sampel.
9. Spesifikasi model regresi harus benar, sehingga tidak terjadi specification bias or error
10. Tidak ada multikolinieritas sempurna antar variabel penjelas

2.7. Ciri-Ciri Penaksir Metode Kuadrat Terkecil

Teorema Gauss-Markov adalah teorama yang yang melekat dalam metode kuadrat terkecil (OLS).
Teorema ini menyatakan bahwa apabila semua asumsi linier klasik dipenuhi, maka akan diketemukan
model penaksir yang tidak bias, linier dan merupakan penaksir terbaik (best linear unbiased estimator =
BLUE) [Gujarati, 2003: 79]. Penaksir OLS b0 dan b1 bersifat BLUE mengandung arti berikut :

1. Linear. b0 dan b1 merupakan suatu fungsi linier dari variabel acak Y di dalam model regresi,
sebagaimana yang ditunjukkan dalam persamaan (2.18) dan (2.19).
2. Unbiased, b0 dan b1 tidak bias, terutama dalam regresi dengan menggunakan sampel besar, sehingga
penaksir parameter diperoleh dari sampel besar kira-kira lebih mendekati nilai parameter yang
sebenarnya. Atau secara teknis ditulis sebagai E (b0 )  β0 dan E (b1 )  β1

3. Efficient estimator. b0 dan b1 mempunyai varian yang minimum atau penaksir yang efisien, yaitu bahwa:

var( b0 ) [var( b1 )] adalah lebih kecil dibandingkan dengan beberapa penaksir β 0 [ β1 ] lainnya.

2.8. Metode Kuadrat Terkecil dalam Model Regresi Linier Berganda

 Langkah pertama untuk mengestimasi persamaan (2.9) denagn menggunakan metode OLS adalah
membentuk persamaan SRF berikut :

(2.20) Yi  b1  b2 X 2i  b3 X 3i  ui

di mana b1 , b2 dan b3 masing-masing adalah nilai penaksir β1 , β 2 dan β 3 .

Persamaan (2.20) apabila dinyatakan dalam bentuk persamaan garis regresi populasi (PRL) yang
diestimasi adalah sebagai berikut:

(2.21) Yˆi  b1  b2 X 2i  b3 X 3i  ui

Langkah berikutnya adalah memilih nilai jumlah kuadrat residual (=RSS), e2
i , yang sekecil mungkin.

Untuk itu persamaan (2.20) harus dinyatakan dengan bentuk persamaan berikut :

(2.22) ei  Yi  b1  b2 X 2i  b3 X 3i

RSS dari persamaan (2.22) adalah:

(2.23) RSS: e 2
i   (Yi  b1  b2 X 2i  b3 X 3i ) 2
RSS dapat diminimisasikan, di mana secara sederhana merupakan jumlah kuadrat perbedaan antara nilai
aktual Yi dengan nilai estimasi Yi , dengan menggunakan metode turunan parsial (partial differentiation).

  ei2
(2.24)  2 (Yi  b1  b2 X 2i  b3 X 3i )(1)  0
  b1

  ei2
(2.25)  2 (Yi  b1  b2 X 2i  b3 X 3i )( X 2i )  0
  b2

  ei2
(2.26)  2 (Yi  b1  b2 X 2i  b3 X 3i )( X 3i )  0
  b3
Dengan optimasi kondisi order pertama sama dengan nol, maka akan diperoleh:

(2.27) Y  b1  b2 X 2  b3 X 3

(2.28) Y X i 2i  b1  X 2i  b2  X 22i  b3  X 2i X 3i

(2.29) Y X i 3i  b1  X 3i  b2  X 2i X 3i  b3  X 32i
di mana jumlah sampel terletak antara 1 sampai n.
Dari persamaan (2.27) sampai (2.29) ada tiga hal yang tidak diketahui, yaitu b1 , b2 dan b3 , sedangkan

variabel yang diketahui adalah Y dan X. Oleh karena itu, harus dicari tiga nilai yang tidak diketahui tersebut.
Dengan manipulasi aljabar, diperoleh penaksir OLS untuk b:

(2.30) b1  Y  b2 X 2  b3 X 3

( yi x2i )( x32i )  ( yi x3i )( x 2i x3i )

(2.31) b2 
( x 22i )( x32i )  ( x2i x3i ) 2

( yi x3i )( x22i )  ( yi x 2i )( x 2i x3i )

(2.32) b3 
( x 22i )( x32i )  ( x2i x3i ) 2

di mana X dan Y adalah rata-rata sampel dari X dan Y dan xi  ( X i  X ) dan yi  (Yi  Y ) .

2.9. Menghitung Nilai t Statistik

Parameter yang diperoleh dalam estimasi OLS, masih perlu dipertanyakan apakah bersifat
signifikan atau tidak. Uji signifikansi dimaksudkan untuk mengverifikasi kebenaran atau kesalahan hipotesis
nol yang dibuat (Gujarati, 2003: 129). Salah satu cara untuk menguji hipotesis yang melihat signifiknasi
pengaruh variabel independen terhadap variabel dependen adalah uji t. Secara sederhana, untuk
menghitung nilai t statistik dari b2 dalam model regresi ganda adalah :

b2  B2
(2.33) t statistik =
se(b2 )
di mana B2  β 2 .

Jika dimisalkan hipotesis nol ( H 0 ) : B2  B2* , maka persamaan (2.33) dapat ditulis:

b2  B2*
(2.34) t statistik =
se(b2 )
Dengan menggunakan uji t dalam pembuatan keputusan, maka setidaknya ada tiga pengetahuan yang
sangat dibutuhkan, yaitu:

1. Tingkat derajat kebebasan (degree of freedom). Besar Degree of freeom (df) ditentukan berdasar (n –
k), dimana n adalah jumlah observasi dan k adalah jumlah parameter termasuk konstanta. Sehingga
bila dalam regresi sederhana terdapat satu variable penjelas dan satu konstanta maka df = n-2,
sedangkan dalam regresi berganda dengan 2 varibale penjelas maka df= n-3
2. Tingkat signifikansi (α) dapat dipilih pada kisaran 1 %; 5 % atau 10 %.
3. Apakah menggunakan uji dua sisi ataukah satu sisi. Penetapan uji satu atau dua sisi tergantung pada
hipotesis yang dibuat oleh peneliti. Apabila peneliti menduga bahwa variabel penjelas memilih arah
 pengaruh yang pasti, misalnya negatif atau positif maka, uji t yang digunakan adalah uji satu sisi (Ho :
b2 > 0, atau Ho : b2 < 0). Sedangkan bila tidak diketahui secara pasti arah pengaruhnya maka
digunakan uji dua sisi dengan Ho : b2 = 0.

Apabila nilai t statistik lebih besar dibandingkan dengan nilai t tabel (kritisnya), maka hipotesis nol yang
mengatakan bahwa b2 = 0 ditolak. Begitu pula sebaliknya, apabila nilai t statistik lebih kecil dibandingkan

dengan nilai t tabel, maka hipotesis nol yang mengatakan bahwa b2 = 0 harus ditolak.

2.10. Koefisien Determinasi: Suatu Ukuran Kebaikan-Kesesuaian

Uji kebaikan-kesesuaian (goodness of fit) garis regresi terhadap sekumpulan data merupakan
kelengkapan lain dari estimasi OLS. Tujuan dari uji goodness of fit adalah untuk mengetahui sejauh mana
garis regresi sampel cocok dengan data. Hal ini berkaitan dengan harapan kita agar semua pengamatan
terletak pada garis regresi, sehingga akan diperoleh kesesuaian yang sempurna. Kesesuaian semacam
itu tidak akan terjadi karena adanya unsur pengganggu menyebabkan tidak mungkin diperoleh nilai
kesesuaian yang sempurna.

Untuk lebih memudahkan, nilai koefisien determinasi regresi dua variabel dinamakan dengan r 2 ,
sementara untuk nilai koefisien determinasi regresi berganda dinamakan dengan R 2 . Nilai r 2 , dapat
diamati dari persamaan (2.35) berikut ini:

(2.35) Yi  Yˆi  ei

Misalkan persamaan (2.35) disajikan dalam bentuk yang sedikit berbeda, tetapi ekuivalen dengan bentuk
sebagaimana, disajikan dalam gambar (2.3):
 (Yi  Y )
Variasi dalam Yi dari nilai
nilai rata-ratanya
(Yˆi  Y ) (Yi  Yˆi )
Variasi dalam Yi yang dijelaskan Yang tidak dapat
dijelaskan atau variasi
oleh X (  Yˆi ) di sekitar nilai nilai residual
rata-ratanya
(Catatan: Y  Yˆ )

Yi
Garis fungsi regresi sampel

ui = karena residual
(Yi - ) = Total Ŷi

(Ŷi - ) = Karena regresi

X
0 Xi
Gambar 2.3:

Perincian Variasi ke dalam dua bagian

Persamaan (2.35), bila ditulis dalam bentuk simpangan adalah sebagai berikut:
(2.36) yi  yˆ  ei

Dengan mengkuadratkan kedua sisi dan menjumlahkannya untuk semua sampel, maka akan diperoleh:

(2.37) y 2
i   yˆ i2   ei2

Karena ŷi = b2xi, maka persamaan (2.37) adalah ekuivalen dengan,

(2.38) y 2
i  b22  xi2   ei2

Berbagai jumlah kuadrat yang muncul dalam persamaan (2.37) dapat dijelaskan sebagai berikut:

1. y 2
i = total variasi nilai Y sebenarnya di sekitar rata-rata sampelnya, yang bisa disebut sebagai jumlah

kuadrat total (total sum of squares = TSS).

2.  yˆ 2
i  
= variasi nilai Y, yang diestimasi di sekitar rata-ratanya Yˆ  Y , yang bisa disebut sebagai jumlah

kuadrat karena regresi, yaitu karena variabel yang menjelaskan, atau dijelaskan oleh regresi, atau
sering pula disebut dengan jumlah kuadrat yang dijelaskan (explained sum of squares = ESS).
3. e 2
i = residual atau variasi yang tidak dapat dijelaskan (unexplained) dari nilai Y di sekitar garis regresi

atau sering pula disebut dengan jumlah kuadrat residual (residual sum of squares = RSS).
Dengan demikian, persamaan (2.38) dapat ditulis sebagai berikut:

(2.39) TSS=ESS + RSS

Persamaan (2.39) menunjukkan bahwa total variasi dalam nilai Y yang diamati di sekitar nilai rata-ratanya
dapat dipisahkan ke dalam dua bagian, yaitu sebagian diakibatkan oleh garis regresi dan sebagian lagi
disebabkan oleh kekuatan acak (random) karena tidak semua pengamatan Y yang sebenarnya terletak
pada garis yang disesuaikan.

Sekarang, dengan membagi persamaan (2.39) dengan TSS pada kedua sisinya, maka akan
diperoleh:

ESS RSS
(2.40) 1 
TSS TSS

Sekarang, dimisalkan r2 adalah:

ESS
(2.41) r2 
TSS

Dengan cara lain, r2 dapat didefinisikan sebagai berikut:

RSS
(2.42) 1 r2 
TSS
 RSS
(2.43) r2  1
TSS

Dengan cara yang sama, nilai R2 untuk model regresi berganda dapat dihitung sebagai berikut:

ESS b2  yi x2i  b3  yi x3i

(2.44) R2  
TSS  yi2
b2  yi x2i  b3  yi x3i b2  yi x2i  b3  yi x3i
(2.45) R2  
y 2
i  b2  yi x2i  b3  yi x3i y 2
i

(2.46) R2  1
RSS

e 2
i

TSS y 2
i

Besaran r2 (R2) yang didefinisikan di atas dikenal dengan koefisien determinasi (coefficient of determination)
dan biasanya digunakan untuk mengukur kebaikan-sesuai suatu garis regresi. Nilai atau besaran r2 (R2)
hanyalah salah satu dan bukan satu-satunya kriteria untuk memilih dan/atau mengukur ketepatan suatu
regresi atau model (Insukindro, 1998: 1-2). Secara verbal adalah:

r2 (R2) mengukur yang didefinisikan proporsi atau prosentase dar variasi variabel Y
mampu dijelaskan oleh variasi (himpunan) variabel X.

Lebih lanjut, berdasarkan uraian di atas, maka perlu diketahui berapa ciri atau sifat dari r2 (R2) yaitu:

1. Nilai r2 (R2) merupakan besaran non negatif, karena berdasarkan formulasi persamaan (2.46) misalnya,
tidak mungkin r2 (R2) akan bernilai negatif.
2. Nilai r2 (R2) adalah terletak 0 ≤ r2 (R2) ≤ 1. Suatu nilai r2 (R2) sebesar 1 berarti suatu kesesuaian
sempurna (hampir tidak pernah terjadi), sedangkan nilai r2 (R2) sebesar nol berarti tidak ada hubungan
antara variabel tak bebas dengan variabel yang menjelaskan (variabel bebas) atau prosentase dari
variasi variabel Y tidak mampu dijelaskan oleh variasi dari variabel X.

2.11. Koefisien Korelasi

Koefisien korelasi, r untuk regresi sederhana dan R untuk regresi berganda mempunyai hubungan
yang sangat erat dengan r2 (R2), walaupun secara konseptual berbeda. Koefisien korelasi mengukur
hubungan antara variabel tak bebas (Y) dengan variabel bebas (X).

Formulasi dari r (R) adalah sebagai berikut:

(2.47) r (R) =
 ( X  X )(Y  Y )
i i

 ( X  X )  (Y  Y )
i
2
i
2
(2.48) r (R) =
x y i i

x y2
i
2
i

Atau dapat juga dilakukan dengan mengambil nilai akar r2 (R2).

(2.49) r   r2
Ada beberapa sifat r (R), yaitu:

1. Nilai r (R) dapat positif atau negatif, tandanya tergantung pada tanda faktor pembilang dari persamaan
(2.47), yaitu mengukur kovarian sampel kedua variabel.
2. Nilai r (R) terletak antara batas -1 dan +1, yaitu -1 ≤ r (R) ≤ 1.
3. Sifat dasarnya simetris, yaitu koefisien korelasi antara X dan Y (rXY atau RXY) sama dengan koefisien
korelasi antara Y dan X (rXY RXY).
4. Tidak tergantung pada titik asal dan skala.
5. Kalau X dan Y bebas secara statistik, maka koefisien korelasi antara mereka adalah nol, tetapi kalau r
(R) = 0, ini tidak berarti bahwa kedua variabel adalah bebas (tidak ada hubungan).
6. Nilai r (R) hanyalah suatu ukuran hubungan linier atau ketergantungan linier saja; r (R) tadi tidak
mempunyai arti untuk menggambarkan hubungan non-linier.
7. Meskipun nilai r (R) adalah ukuran linier antara dua variabel, tetapi tidak perlu berarti adanya hubungan
sebab akibat (causal).

2.12. Membandingkan Dua Nilai Koefisien Determinasi

Satu konsep penting lagi berkaitan dengan koefisien determinasi adalah R2 yang disesuaikan
(adjusted R2 = R 2 ). Nilai ini sangat bermanfaat, terutama ketika hendak membandingkan dua nilai R2 dari
suatu model regresi yang mempunyai variabel tak bebas yang sama, akan tetapi berbeda dalam variabel
bebasnya [lebih lanjut mengenai pemilihan model akan diuraikan pada bagian 2.13 di bawah].

Sebagaimana dinyatakan dalam persamaan (2.43) atau (2.46), R2 = 1 – (RSS/TSS), maka

selanjutnya dapat dihitung nilai R 2 dengan menggunakan formulasi berikut ini:

RSS /( n  k )
(2.50) R 2  1
TSS /( n  1)

RSS /( n  1)
 1
TSS /( n  k )

Dengan memasukkan persamaan (2.43) atau (2.46) ke dalam persamaan (2.50), diperoleh:

(n  k )
(2.51) R 2  1  (1  R 2 )
(n  1)
 Gambaran besaran nilai R 2 adalah sebagai berikut:

1. Jika k (jumlah parameter) lebih besar dari satu (k > 1), maka R 2 ≤ R 2 —bahwa adanya peningkatan
atau kenaikan jumlah variabel penjelas dalam suatu model, R 2 akan meningkat kurang dari R 2 (nilai
R 2 yang tidak disesuaikan). Hal ini terjadi, karena dalam R 2 berkaitan dengan derajat kebebasan
akibat penambahan variabel penjelas baru dalam model, sementara R 2 tidak memperhitungkan hal
tersebut.
2. Walaupun nilai R 2 selalu positif, dalam nilai R 2 dapat saja negatif.

2.13. Memilih Model dan Bentuk Fungsi Model Empiris

Dalam analisis ekonometrika, pemilihan model merupakan salah satu langkah yang penting di
samping pembentukan model teoritis dan model yang dapat ditaksir, estimasi, pengujian hipotesis,
peramalan (forecasting) dan analisis mengenai implikasi kebijakan dari model tersebut. Terlebih lagi jika
analisis dikaitkan dengan pembentukan model dinamis yang perumusannya dipengaruhi oleh berbagai
faktor, seperti perilaku atau tindak-tanduk pelaku ekonomi, peranan dan kebijaksanaan penguasa ekonomi,
faktor-faktor kelembagaan dan pandangan pembuat model terhadap realitas yang dihadapi (Insukindro,
1992: 3; Insukindro dan Aliman, 1999).

Tentu saja agar suatu model estimasi dapat dipilih sebagai model empirik yang baik dan mempunyai
daya prediksi serta peramalan dalam sampel, perlu dipenuhi syarat-syarat dasar antara lain: model itu
dibuat sebagai suatu perpsepsi mengenai fenomena ekonomi aktual yang dihadapi dan didasarkan pada
teori ekonomika yang sesuai, lolos uji baku dan berbagai uji diagnosis asumsi klasik, tidak menghadapi
persoalan regresi lancung atau korelasi lancung dan residu regresi yang ditaksir adalah stasioner
khususnya untuk analisis data runtun waktu (Insukindro, 1999: 3). Langkah-langkah tersebut dimaksudkan
agar peneliti dapat terhindar dari kesalahan spesifikasi (specification error). Johnston dan DiNardo (1997:
109-112) mengatakan bahwa kesalahan spesifikasi dapat disebabkan oleh 3 kemungkinan yaitu
kemungkinan kesalahan yang disebabkan oleh variabel gangguan (disturbances), variabel penjelas
(explanatory variable) dan parameter.

Berkaitan dengan kemungkinan kesalahan spesifikasi yang disebabkan oleh variabel bebas
(independent variable) misalnya, salah satu hal penting yang perlu diperhatikan dalam studi empirik adalah
penentuan bentuk fungsi (functional form) dari model yang akan diestimasi. Pertanyaan yang sering muncul
berkaitan dengan isu yang disebut terakhir adalah apakah bentuk fungsi adalah linier atau log-linier. Dalam
kenyataannya, sering dijumpai seorang peneliti dengan menggunakan informasi a priori (feeling) langsung
menetapkan bentuk fungsi model estimasi dinyatakan dalam bentuk log-linier. Hal ini karena bentuk log-
linier diyakini mampu mengurangi tingkat veriasi data yang akan digunakan (data lebih halus). Namun,
dalam studi empirik keputusan untuk menetapkan bentuk fungsi model yang diestimasi perlu diuji apakah
memang model tersebut sesuai dengan argumen teori dan perilaku variabel yang sedang diamati dan
persepsi si pembuat model mengenai fenomena yang sedang dihadapi.

2.13.1. Memilih Model Empiris yang Baik

Pada umumnya, teori ekonomi lebih tertarik untuk membahas hubungan keseimbangan dan meliput
variabel-variabel ekonomi dalam suatu model ekonomi teoritis. Namun demikian, dia tidak membahas
secara spesifik bentuk fungsi hubungan antar variabel ekonomi terkait dan tidak menyarankan variabel-
variabel apa saja yang harus dicakup dalam model ekonomi empirik. Oleh karena itu, pemilihan model
dalam studi empirik menjadi salah satu langkah yang penting dalam ekonometrika, terlebih lagi dalam
analisis data runtun waktu atau analisis dinamik (Godfrey, et, al., 1988: 492 dan Kennedy, 1996: 92).

Kriteria pemilihan model empirik yang baik dalam ekonometrika telah banyak dibahas (untuk
kepustakaan, lihat misalnya Harvey, 1990; Hendry and Ericsson, 1991; Gujarati, 2003; Thomas, 1997; dan
Insukindro, 1998, 1999). Secara umum dapat dikemukakan di sini bahwa model yang baik adalah :

1. Sederhana (parsimony) dalam arti bahwa model ekonometrika yang baik hanya memasukkan variabel-
variabel yang dianggap penting dan dipilih berdasarkan teori ekonomika serta fenomena yang sesuai.
Secara konseptual memang merupakan penyederhanaan fakta, sehingga suatu model tidak
dimaksudkan untuk menjelaskan semua fenomena yang ada dalam dunia nyata. Dia dibangun agar
dapat dipakai sebagai panduan bagi peneliti dalam mengestimasi atau memprediksi parameter atau
perilaku ekonomi yang sedang diamati.
2. Mempunyai adminisibilitas dengan data (data admissibility) dalam arti bahwa model ekonometri yang
baik hendaknya tidak mempunyai kemampuan untuk memprediksi besaran-besaran ekonomi yang
menyimpang dari kendala atau definisi ekonomika.
3. Koheren dengan data (data coherency). Dalam kriteria ini model yang baik adalah model yang mampu
menjelaskan data yang ada. Biasanya kriteria ini dikaji melalui uji keserasian atau goodness of fit. Salah
satu ukuran yang sering digunakan untuk mendukung kriteria ini adalah koefisien determinasi (R2),
khususnya bila peneliti menggunakan analisis regresi linier.
4. Parameter yang diestimasi harus konstan (constant parameter) dalam arti bahwa parameter dari model
yang baik adalah besaran statistik yang deterministik dan bukan stokastik.
5. Model konsisten dengan teori ekonomika yang dipilih atau teori pesaingnya (theoretical consistency).
Cara sederhana untuk mengetahui apakah hasil estimasi mempunyai indikasi konsisten dengan teori
adalah melihat tanda koefisien regresi terkait. Katakanlah akan diestimasi pengeluaran konsumsi riil
sebagai fungsi dari tingkat pendapatan riil. Hasil estimasi dapat dikatakan konsisten dengan teori
ekonomi bila hasrat mengkonsumsi marginal (MPC) positif (0 > MPC <1). Hasil estimasi akan lebih
meyakinkan lagi bila secara statistik signifikan. Bagaimana bila hasil estimasi menunjukkan bahwa MPC
< 0 atau MPC > 1?. Dua estimasi yang disebut terakhir tentu saja tidak konsisten dengan teori. Dalam
 analisis data runtun waktu untuk menguji apakah hasil estimasi konsisten dengan teori, dapat dilakukan
dengan pendekatan kointegrasi dan model koreksi kesalahan (ECM).
6. Model mampu mengungguli (encompassing) model pesaingnya. Cara yang biasa dilakukan untuk
mendukkung regresi ini adalah dengan melakukan uji yang disarangkan (nested test) atau uji yang tak
disarangkan (non-nested test). Beberapa uji yang berkaitan dengan masalah keunggulan ini akan juga
dibahas dalam makalah ini. Tentu saja untuk memenuhi syarat dilakukan pengujian terhadap kriteria-
kriteria di atas, model yang diestimasi harus lolos dari asumsi klasik regresi linier, jika peneliti
menggunakan analisis regresi linier. Khusus analisis regresi linier untuk data runtun waktu, anggapan
klasik bahwa variabel penjelas (explanatory variable) adalah deterministik perlu mendapatkan perhatian
sungguh-sungguh. Hal ini karena data runtun waktu pada umumnya bersifat stokastik, sehingga
estimasi OLS kemungkinan besar akan bias (Thomas, 1997, Ch. 8).
Seperti telah dibahas di atas, salah satu kriteria yang dapat dipakai dalam pemilihan model empirik
yang baik adalah kriteria goodness of fit yang didasarkan pada nilai koefisien determinasi atau nilai R2.
namun harus diakui bahwa penggunaan koefisien determinasi dalam penentuan model yang baik harus
dilakkukan dengan hati-hati. Hali ini karena kriteria ini hanya sahih (valid) bila dipenuhi syarat yaitu
parameter model yang diestimasi adalah linier atau regresi linier, model tersebut mempunyai intersep
(intercept) dan diestimasi dengan metode OLS (ordinary least squares). Jika ketiga syarat ini tidak dipenuhi
maka penggunaan R2 sebagai kriteria pemilihan model akan menyesatkan (misleading) dan dapat
menimbulkan regresi lancung (spurious regression). Dengan kata lain, kriteria ini banyak mengandung
berbagai kelemahan, sehingga penggunaannya sebagai kriteria goodness of fit perlu dikaji dengan
sungguh-sungguh (untuk diskusi lebih lanjut mengenai hal ini lihat misalnya, Ramanathan, 1996: 282-283
dan Insukindro, 1998: 1-11). Dalam makalah ini akan dikemukakan beberapa kriteria alternatif yang
diharapkan dapat menghindarkan peneliti dari kemungkinan terjebak ke dalam kesalahan spesifikasi
(specification error).

Tabel 2.1:
Rumus Kriteria Statistika Seleksi Model

Nama Rumus Nama Rumus

 RSS  ( 2 k .T )  RSS  kj

 T   e  T
1. AIC 6. SCHWARZ  T  T

 RSS  T  k  RSS    k 
1

2. FPE  T   T  k 7. SGMASQ
 T   1   T 
 
 RSS    k 
2
 RSS  T  2k
3. GCV
 T   1   T  8. SHIBATA  T   T
 
  RSS   RSS   T 
 T   1nT 
2k
 T    T  k 
4. HQ T 9. PC

1
 RSS    2k   RSS  T
5. RICE
 T   1   T  10. RVC  T   T  k
  j

Keterangan:

RSS = Residual sum of squares

T = Jumlah data/observasi

k = Jumlah variabel penjelas ditambah dengan konstanta

kj = Jumlah variabel penjelas tanpa konstanta

Paling tidak terdapat 10 kriteria statistika lain yang dapat digunakan untuk memilih sebagaimana
tersaji pada tabel 2.1 di atas (untuk kepustakaan lihat: Judge, et, al., 1980: 407-439; Geweke dan Meese,
1981: 55-70; Ramanathan, 1996: 161-207 dan Insukindro dan Aliman, 1999). Pertama, Akaike Information
Criterion (AIC), yang dikembangkan oleh Akaike tahun 1970 dan 1974. Kedua, Final Prediction Error (FPE),
yang dikembangkan oleh Hsiao sejak tahun 1978. Ketiga, Generalized Cross Validation (GCV), yang
dikembangkan oleh Crave dan Wahba tahun 1979. Keempat, Hannan-Quinn (HQ), yang dikembangkan ole
Hannan dan Quinn tahun 1979. Kelima, RICE, yang dikembangkan ole Rice tahun 1984. Keenam,
SCHWARZ, yang dikembangkan oleh Schwarz tahun 1980. Ketujuh, SGMASQ. Kedelapan, SHIBATA,
yang dikembangkan oleh Shibata tahun 1981. Kesembilan, Prediction Criterion (PC) yang dikembangkan
oleh Amemiya tahun 1980 dan terakhir, kesepuluh, Residual Variance Criterion (RVC) yang dikembangkan
oleh Theil tahun 1961.

Seperti terlihat pada tabel 1, secara umum kesepuluh kriteria itu menggunakan nilai residual sum of
squares (RSS) tertimbang (weighted), sehingga mereka dapat dipakai sebagai beberapa alternatif pesaing
bagi koefisien determinasi dalam pemilihan model. Jika dalam pemilihan model dengan pendekatan R2
dipilih koefisien determinasi yang maksimum, maka dalam analisis dengan 10 kriteria di atas dipilih kriteria
yang mempunyai nilai paling kecil (minimum) di antara berbagai model yang diajukan. Melalui kriteria-
kriteria ini dapat pula dikurangi atau dihindarkan adanya sindrom R2. Di samping itu besaran-besaran
tersebut dapat pula digunakan untuk menentukan kesederhanaan atau efisiensi jumlah variabel bebas yang
diliput dalam suatu model. Kriteria-kriteria ini juga dapat digunakan untuk menentukan variabel kelambanan
(lag variable) dalam uji kausalitas dan uji derajat integrasi.

2.13.2. Menentukan Bentuk Fungsi Model Empiris

Pemilihan bentuk fungsi model empirik merupakan pertanyaan atau masalah empirik (empirical
question) yang sangat penting, hal ini karena teori ekonomi tidak secara spesifik menunjukkan ataupun
mengatakan apakah sebaiknya bentuk fungsi suatu model empirik dinyatakan dalam bentuk linear ataukah
log-linear atau bentuk fungsi lainnya (Godfrey, et, al., 1988: 492; Gujarati, 2003: 280 dan Thomas, 1997:
344-345). Selain itu, pemilihan bentuk fungsi untuk menentukan spesifikasi suatu model ekonometrika
memiliki implikasi-implikasi yang penting untuk rangkaian kerja berikutnya seperti halnya menentukan
bentuk model empirik yang telah dibahas di atas. Kesalahan dalam penentuan bentuk fungsi akan
menyebabkan persoalan-persoalan kesalahan spesifikasi dan estimasi-estimasi koefisien akan bias,
parameter estimasi tidak akan konsisten, walaupun untuk hhal itu tidak ada aturan yang pasti guna
menentukan bentuk fungsi yang paling tepat/cocok untuk kasus tertentu (Godfrey, et, al., 1988: 492 dan
Johnston dan Dinardo, 1997: 109-112). Dalam kasus ini, kesalahan spesifikasi yang sering muncul adalah
apabila peneliti terserang sindrom R2 yang menganggap bahwa R2 merupakan besaran statistika penting
dan harus memiliki nilai yang tinggi (mendekati satu). Padahal, seperti telah diuraikan di atas, penggunaan
R2 sebagai salah satu kriteria pemilihan model harus dipenuhi syarat-syarat tertentu. Di samping itu,
variabel tak bebas (dependent variable) model-model yang dibandingkan harus sama dan parameternya
harus linear (lihat juga Insukindro, 1998: 1-11).

Dalam kasus di mana variabel tak bebasnya berbeda, katakanlah model A dengan variabel tak
bebas dalam bentuk aras (level of) dan model B variabel tak bebasnya dinyatakan dalam logaritma, maka
R A2 dan R B2 tidak dapat dibandingkan. Hal ini karena kedua besaran R2 tersebut mengukur suatu hubungan
variabel tak bebas yang berbeda.

Berangkat dari permasalahan di atas, dalam studi empirik biasanya digunakan metode yang
dikembangkan MacKinnon, White dan Davidson tahun 1983 (MWD test), metode Bera dan McAleer tahun
1988 (B-M test), uji J, uji JM, metode yang dikembangkan Zarembka tahun 1968 dan pendekatan model
koreksi kesalahan (lihat: Godfrey, et, al., 1988: 494; Insukindro, 1990: 252-259; Gujarati, 2003: 280-281;
Thomas, 1997: 344-345 dan Insukindro dan Aliman, 1999).

2.13.2.1. Uji MacKinnon, White dan Davidson (MWD Test)

Untuk dapat menerapkan uji MWD, pertama-tama anggaplah bahwa model empirik permintaan
uang kartal riil di Indonesia adalah sebagai berikut:

(2.52) UKRt = a0 + a1YRt + a2IRt + Ut

(2.53) LUKRt = b0 + b1LYRt + b2IRt + Vt

di mana parameter a1, a2, b1 dan b2 dianggap berpangkat satu, UKRt (LUKRt) adalah variabel tak bebas,
YRt (LYRt), IRt adalah variabel bebas dan Ut dan Vt adalah variabel gangguan atau residual.

Berdasarkan persamaan (2.52) dan (2.53) di atas, selanjutnya dibentuk persamaan uji MWD berikut
ini (Insukindro dan Aliman, 1999):

(2.54) UKRt = a0 + a1YRt + a2IRt + a3Z1 + Ut

(2.55) LUKRt = b0 + b1LYRt + b2IRt + b3Z2 + Vt

di mana Z1 adalah nilai logaritma dari fitted persamaan (2.52) dikurangi dengan nilai fitted persamaan
(2.53), sedangkan Z2 sebagai nilai antilog dari fitted persamaan (2.53) dikurangi dengan nilai fitted
persamaan (2.52).

Berdasarkan hasil estimasi persamaan (2.54) dan (2.55), apabila ditemukan Z1 signifikan secara statistik,
maka hipotesis nol yang menyatakan bahwa model yang benar adalah bentuk linear ditolak dan sebaliknya,
bila Z2 signifikan secara statistik, maka hipotesis alternatif yang menyatakan bahwa model yang benar
adalah log-linear ditolak.

2.13.2.2. Uji Bera dan McAleer (B-M Test)

Uji ini dikembangkan oleh Bera dan McAleer tahun 1988 yang didasarkan pada dua regresi
pembantu (two auxiliary regressions) dan uji ini bisa dikatakan merupakan pengembangan dari uji MWD
sebagaimana yang dibahas di atas.

Seperti halnya dalam uji MWD, untuk dapat menerapkan uji B-M, perlu dilakukan langkah-langkah
berikut ini (Insukindro dan Aliman, 1999):

a) Estimasi persamaan (2.52) dan (2.53) kemudian nyatakan nilai prediksi atau fitted UKRt dan LUKRt
masing-masing sebagai F1 dan F2.
b) Estimasi persamaan (2.56) dan (2.57):
(2.56) F2LUKRt = b0 + b1YRt + b2IRt + Vt

(2.57) F1UKRt = a0 + a1LYRt + a2IRt + Ut

di mana F2LUKRt = antilog (F2) dan F1UKRt = log (F1). Vt serta Ut adalah residual dari persamaan (2.56)
dan (2.57).

c) Simpanlah nilai Vt serta Ut.

d) Lakukan regresi dengan memasukkan nilai residual hasil regresi persamaan (2.56) dan (2.57) sebagai
variabel pembantu dalam persamaan berikut:
(2.58) UKRt = α0 + α1YRt + α2IRt + α3Ut + et01

(2.59) LUKRt = β0 + β1LYRt + β2IRt + β3Vt + et02

e) Uji hipotesis nol bahwa α3 = 0 dan hipotesis alternatif β3 = 0. Jika α3 berbeda dengan nol secara statistik,
maka bentuk model linier ditolak dan sebaliknya. Pada bagian lain, jika β3 berbeda dengan nol secara
statistik, maka hipotesis alternatif yang mengatakan bahwa bentuk fungsi log-linier yang benar ditolak.
2.13.2.3. Metode Zarembka
Metode ini merupakan metode alternatif selain uji MWD dan uji B-M untuk menentukan bentuk fungsi
regresi yang akan digunakan dalam analisis. Pengujian dengan metode ini relatif sederhana tetapi
kemampuan prediksinya relatif lemah dibandingkan dengan dua uji yang telah dibahas sebelumnya. Ide
dasar dari metode ini adalah berangkat dari keyakinan awam yang menganggap bahwa bentuk model
empirik yang paling baik adalah bentuk log-linier.

Untuk dapat menerapkan metode ini, ada beberapa langkah yang perlu dilakukan (Insukindro dan
Aliman, 1999):

a) Dapatkan nilai mean of dependent variable dari nilai sampel UKRt, dengan rumus:
1
(2.60)
T
 Ln(UKRt )
b) Dapatkan nilai geometric mean dari LUKRt dengan rumus:
1 
(2.61) GMUKRt  exp   Ln(UKRt )
T 

UKRt
c) Dapatkan nilai UKRt*, dengan rumus: UKRt* =
GMUKRt
d) Estimasi persamaan (2.62) dan (2.63) dan dapatkan nilai RSS1 (residual sum of squares persamaan
2.62) dan RSS2 (residual sum of squares persamaan 2.63), dengan UKRt* menggantikan UKRt dan
LUKRt* menggantikan LUKRt atau dapat ditulis sebagai berikut:
(2.62) UKRt* = a0 + a1YRt + a2IRt + Ut

(2.63) LUKRt* = b0 + b1LYRt + b2IRt + Vt

e) Hitung χ2 untuk menguji hipotesis nol bahwa model yang layak adalah log-linier dengan rumus:
1   RSS 2 
(2.64) χ 2   T   Ln 
2   RSS1 

Jika χ2 hitung > χ2 tabel, maka model yang layak/superior adalah model log-linier. Namun bila χ2 hitung
< χ2 tabel, maka model log-linier dan linier sama baiknya (model log-linier tidak lebih superior
dibandingkan dengan model linier).

2.13.2.4. Uji J
Uji lain untuk menguji bentuk fungsi model empiris adalah dengan menggunakan uji J. Uji ini
dikembangkan oleh R. Davidson dan J.G. MacKinnon tahun 1981. Untuk dapat menerapkan uji J, perlu
dilakukan langkah-langkah berikut ini (Insukindro, 1990: 253-257):
a) Estimasi persamaan (2.52) dan (2.53) kemudian nyatakan nilai prediksi atau fitted UKRt dan LUKRt
masing-masing sebagai F1 dan F2 sebagaimana pada langkah pertama pada uji MWD dan uji B-M di
atas.
b) Estimasi persamaan (2.65) dan (2.66) berikut ini:
(2.65) UKRt = α0 + α1YRt + α2IRt + α3F2t + Vt

(2.66) LUKRt = β0 + β1LYRt + β2IRt + β3F1t + Ut

c) Uji hipotesis nol bahwa α3 = 0 dan hipotesis alternatif β3 = 0. Jika α3 berbeda dengan nol secara statistik,
maka bentuk model linier ditolak sebagai bentuk model empiris yang relatif unggul dan sebaliknya. Pada
bagian lain, jika β3 berbeda dengan nol secara statistik, maka hipotesis alternatif yang mengatakan
bahwa bentuk fungsi log-linier yang benar ditolak.

2.13.2.5. Uji JM
Uji ini merupakan pengembangan dari uji J yang didiskusikan di atas. Uji ini dikembangkan oleh
Maddala tahun 1988. Untuk dapat menerapkan uji JM, perlu dilakukan langkah-langkah berikut ini
(Insukindro, 1990: 257-259):

a) Lakukan estimasi sebagaimana langkah pertama uji J di atas.

b) Estimasi persamaan (2.67) dan (2.68) berikut ini:
(2.67) UKRt – F1t = δ1F2t – F1t – Vt

(2.68) LUKRt – F2t = ф1F1t – F2t – Ut

c) Uji hipotesis nol bahwa δ1 = 0 dan hipotesis alternatif ф1 = 0. Jika δ1 berbeda dengan nol secara statistik,
maka bentuk model linier ditolak sebagai bentuk model empiris yang relatif unggul dan sebaliknya. Pada
bagian lain, jika ф1 berbeda dengan nol secara statistik, maka hipotesis alternatif yang mengatakan
bahwa bentuk fungsi log-linier yang benar ditolak.

2.13.2.6. Pendekatan Model Koreksi Kesalahan

Pendekatan model koreksi kesalahan (Error Correction Model = ECM) menghiasi wajah
ekonometrika untuk analisis data runtun waktu (time series) sejak tahun 1960-an. Penerapan pendekatan
ini dalam analisis ekonomika tidak dapat dilepaskan dari peranan guru besar London School of Economics,
Inggris, Prof. Sargan melalui tulisannya pada tahun 1964. Pendekatan ini diyakini dapat menguji apakah
spesifikasi model empirik yang digunakan valid atau tidak berdasarkan nilai koefisien error correction term,
dan dapat juga meliput lebih banyak variabel dalam menganalisis fenomena ekonomi jangka pendek dan
jangka panjang serta mengkaji konsisten tidaknya model empirik dengan teori ekonomi, dan dalam usaha
mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak stasioner dan regresi lancung
dalam analisis ekonometrika (Insukindro, 1999: 2).

ECM dapat diturunkan dari fungsi biaya kuadrat tunggal (single period quadratic cost function).
Selanjutnya mengikuti pendekatan yang dikembangkan oleh Domowitz dan Elbadawi (1987) dengan
terlebih dahulu melakukan minimisasi terhadap fungsi biaya kuadrat tunggal, akan diperoleh bentuk baku
ECM sebagai berikut:

(2.69) DUKRt = c0 – c1DYRt + c2DIRt + c3YRt(-1) + c4IRt(-1)

+ c5ECT01 + Ut

(2.70) DLUKRt = d0 – d1DLYRt + d2DIRt + d3LYRt(-1) + d4IRt(-1)

+ d5ECT02 + Vt

di mana: ECT01 = YRt(-1) – IRt(-1) – UKRt(-1)

ECT02 = LYRt(-1) – IRt(-1) – LUKRt(-1)

Selanjutnya melalui persamaan (2.69) dan (2.70) dapat diketahui konsistensi hasil estimasi ECM
dengan teori ekonomi. Di samping itu, dapat pula diestimasi koefisien regresi jangka panjang model yang
sedang dianalisis dan penetuan bentuk fungsi model empirik yang digunakan. Berkaitan dengan yang
disebut terakhir, beberapa acuan berikut ini perlu diperhatikan:

a) Estimasi koefisien error correction term persamaan (2.69) dan (2.70) harus signifikan dan hasil estimasi
lolos dari berbagai uji diagnosis atau uji asumsi linier klasik (autokorelasi, heterokedastisitas, normalitas
dan linieritas).
b) Konsistensi antar nilai estimasi koefisien regresi jangka panjang dan estimasi kointegrasi dapat dipakai
sebagai acuan untuk menentukan bentuk fungsi dari model koreksi kesalahan yang layak.