Dalam bab ini kita mempertimbangkan sifat dan pentingnya masalah identifikasi. NS inti dari
masalah identifikasi adalah sebagai berikut: Ingat model permintaan-dan-penawaran
diperkenalkan di Bagian 18.2. Misalkan kita memiliki data deret waktu pada Q dan P saja dan
tidak ada informasi tambahan (seperti pendapatan konsumen, harga yang berlaku di masa lalu
periode, dan kondisi cuaca). Masalah identifikasi kemudian terdiri dalam mencari jawaban atas
pertanyaan ini: Diberikan hanya data pada P dan Q, bagaimana kita tahu apakah kita?
memperkirakan fungsi permintaan atau fungsi penawaran? Atau, jika kita berpikir kita adalah
menyesuaikan fungsi permintaan, bagaimana kita menjamin bahwa sebenarnya fungsi
permintaan itu? kami memperkirakan dan bukan sesuatu yang lain?
Refleksi sejenak akan mengungkapkan bahwa jawaban atas pertanyaan sebelumnya diperlukan
sebelum satu hasil untuk memperkirakan parameter fungsi permintaan kami. Dalam bab ini kita
harus menunjukkan bagaimana masalah identifikasi diselesaikan. Kami pertama-tama
memperkenalkan beberapa notasi dan definisi dan kemudian menggambarkan masalah
identifikasi dengan beberapa contoh. Ini adalah diikuti oleh aturan-aturan yang dapat
digunakan untuk mengetahui apakah suatu persamaan dalam model persamaan simultan
diidentifikasi, yaitu, apakah itu hubungan yang sebenarnya kita perkirakan, apakah itu fungsi
permintaan atau penawaran atau yang lainnya.
periode arus ut. Oleh karena itu, kita tidak bisa memperlakukannya seperti yang telah ditentukan
Persamaan (19.1.2) adalah persamaan bentuk tereduksi; itu menyatakan variabel endogen Y
semata-mata sebagai fungsi dari variabel eksogen (atau yang telah ditentukan sebelumnya) I
dan suku gangguan stokastik u. π0 dan π 1adalah koefisien bentuk tereduksi yang terkait.
Perhatikan bahwa ini koefisien bentuk tereduksi adalah kombinasi nonlinier dari koefisien
struktural. Mengganti nilai Y dari Persamaan. (19.1.2) menjadi C dari Persamaan. (18.2.3), kami
memperoleh yang lain persamaan bentuk tereduksi
Koefisien bentuk tereduksi, seperti 1 dan 3, juga dikenal sebagai pengganda dampak, atau
jangka pendek, karena mereka mengukur dampak langsung pada variabel endogen dari
perubahan satuan nilai variabel eksogen.2 Jika dalam Keynesian sebelumnya model
pengeluaran investasi meningkat, katakanlah, $ 1 dan jika MPC diasumsikan 0,8, kemudian dari
Persamaan. (19.1.3) kita memperoleh π 1 = 5. Hasil ini berarti bahwa peningkatan investasi
sebesar $1 akan segera (yaitu, dalam periode waktu saat ini) menyebabkan peningkatan
pendapatan sebesar $5, yaitu peningkatan lima kali lipat. Demikian pula, di bawah kondisi yang
diasumsikan, Persamaan. (19.1.5) menunjukkan bahwa π 3 = 4, yang berarti bahwa kenaikan $1
dalam pengeluaran investasi akan segera menyebabkan kenaikan pengeluaran konsumsi
sebesar $4.
Dalam konteks model ekonometrik, persamaan seperti Persamaan. (18.2.4) atau Q dt = Qst
(jumlah yang diminta sama dengan jumlah yang ditawarkan) dikenal sebagai kondisi
ekuilibrium. Identitas (18.2.4) menyatakan bahwa pendapatan agregat Y harus sama dengan
konsumsi agregat (yaitu, pengeluaran konsumsi ditambah pengeluaran investasi). Ketika
kesetimbangan adalah tercapai, variabel endogen mengasumsikan nilai ekuilibriumnya.
Perhatikan fitur menarik dari persamaan bentuk tereduksi. Karena hanya variabel yang
ditentukan sebelumnya dan gangguan stokastik yang muncul di sisi kanan persamaan ini, dan
karena variabel yang telah ditentukan sebelumnya diasumsikan tidak berkorelasi dengan
gangguan istilah, metode OLS dapat diterapkan untuk memperkirakan koefisien bentuk
tereduksi persamaan (s). Dari estimasi koefisien bentuk tereduksi, seseorang dapat
memperkirakan koefisien struktural (), seperti yang ditunjukkan nanti. Prosedur ini dikenal
sebagai indirect least kuadrat (ILS), dan estimasi koefisien struktural disebut estimasi ILS.
2Dalam model ekonometrik variabel eksogen memainkan peran penting. Sangat sering, variabel seperti itu adalah
dibawah pengawasan langsung pemerintah. Contohnya adalah tarif pajak pribadi dan perusahaan, subsidi,
kompensasi pengangguran, dll.
3Untuk detailnya, lihat Jan Kmenta, Elements of Econometrics, 2d ed., Macmillan, New York, 1986, hlm. 723–731.
Kami akan mempelajari metode ILS secara lebih rinci di Bab 20. Sementara itu, perhatikan
bahwa: karena koefisien bentuk tereduksi dapat diperkirakan dengan metode OLS, dan karena
koefisien ini adalah kombinasi dari koefisien struktural, ada kemungkinan bahwa koefisien
struktural dapat "diambil" dari koefisien bentuk tereduksi, dan estimasi parameter struktural
yang pada akhirnya mungkin menarik bagi kita. Bagaimana satu mengambil koefisien struktural
dari koefisien bentuk tereduksi? Jawabannya adalah diberikan dalam Bagian 19.2, sebuah
jawaban yang memunculkan inti dari masalah identifikasi.
Kurang identifikasi
Pertimbangkan sekali lagi model permintaan-dan-penawaran (18.2.1) dan (18.2.2), bersama-
sama dengan kliring pasar, atau ekuilibrium, kondisi bahwa permintaan sama dengan
penawaran. Dengan kondisi kesetimbangan, kita peroleh. kebetulan, perhatikan bahwa istilah
kesalahan vt dan wt adalah kombinasi linier dari kesalahan asli istilah u2 dan u2.
Persamaan (19.2.2) dan (19.2.5) adalah persamaan bentuk tereduksi. Sekarang model
permintaan dan penawaran kami berisi empat koefisien struktural α 0, α1, β0, dan β1, tetapi tidak
ada yang unik cara memperkirakan mereka. Mengapa? Jawabannya terletak pada dua koefisien
bentuk tereduksi yang diberikan dalam Persamaan. (19.2.3) dan (19.2.6). Koefisien bentuk
tereduksi ini mengandung keempat parameter struktural, tetapi tidak mungkin keempat
variabel yang tidak diketahui struktural dapat diperkirakan hanya dari dua koefisien bentuk
tereduksi. Ingat dari aljabar sekolah menengah bahwa untuk memperkirakan empat yang tidak
diketahui kita harus memiliki empat persamaan (independen), dan, secara umum, untuk
memperkirakan k yang tidak diketahui kita harus memiliki k (independen) persamaan.
Kebetulan, jika kita menjalankan regresi bentuk tereduksi (19.2.2) dan (19.2.5), kita akan
melihat bahwa tidak ada variabel penjelas, hanya konstanta, dan konstanta ini hanya akan
memberikan nilai rata-rata dari P dan Q (mengapa?).
Apa artinya semua ini, mengingat data deret waktu pada P (harga) dan Q (kuantitas) dan tidak
informasi lain, tidak mungkin peneliti dapat menjamin apakah dia memperkirakan fungsi
permintaan atau fungsi penawaran. Artinya, Pt dan Qt yang diberikan mewakili hanya titik
perpotongan kurva permintaan dan penawaran yang sesuai karena kondisi ekuilibrium bahwa
permintaan sama dengan penawaran. Untuk melihat ini dengan jelas, pertimbangkan
scattergram ditunjukkan pada Gambar 19.1.
Gambar 19.1a memberikan beberapa titik sebar yang menghubungkan Q ke P. Setiap titik sebar
mewakili persimpangan kurva permintaan dan penawaran, seperti yang ditunjukkan pada
Gambar 19.1b. Sekarang perhatikan satu titik, seperti yang ditunjukkan pada Gambar 19.1c.
Tidak ada cara untuk memastikan kurva permintaan dan penawaran mana dari seluruh keluarga
kurva yang ditunjukkan pada panel yang menghasilkan titik tersebut. Jelas, beberapa informasi
tambahan tentang sifat kurva permintaan dan penawaran adalah: diperlukan. Misalnya, jika
kurva permintaan bergeser dari waktu ke waktu karena perubahan pendapatan,
GAMBAR 19.1
Fungsi penawaran dan permintaan hipotetis dan identifikasi masalah.
selera, dll., tetapi kurva penawaran tetap relatif stabil, seperti pada Gambar 19.1d, titik-titik
pencar menelusuri kurva penawaran. Dalam situasi ini, kita katakan bahwa kurva penawaran
diidentifikasi. Dengan cara yang sama, jika kurva penawaran bergeser dari waktu ke waktu
karena perubahan kondisi cuaca (dalam kasus komoditas pertanian) atau faktor asing lainnya
tetapi permintaan kurva tetap relatif stabil, seperti pada Gambar 19.1e, titik sebar menelusuri
permintaan melengkung. Dalam hal ini, kita katakan bahwa kurva permintaan diidentifikasi.
Ada cara alternatif dan mungkin lebih mencerahkan untuk melihat masalah identifikasi.
Misalkan kita mengalikan Persamaan. (18.2.1) dengan untuk
mendapatkan persamaan berikut (catatan: kami menjatuhkan superskrip pada Q):
Persamaan “palsu” atau “mongrel” (19.2.10) secara observasional tidak dapat dibedakan dari
salah satu Persamaan. (18.2.1) atau Persamaan. (18.2.2) karena melibatkan regresi Q dan P.
Oleh karena itu, jika kita memiliki data deret waktu pada P dan Q saja, salah satu dari
Persamaan. (18.2.1), (18.2.2), atau (19.2.10) mungkin kompatibel dengan data yang sama.
Dengan kata lain, data yang sama mungkin kompatibel dengan "hipotesis" Persamaan. (18.2.1),
(18.2.2), atau (19.2.10), dan tidak mungkin kita dapat mengetahui hipotesis mana yang sedang
kita uji.
Agar persamaan dapat diidentifikasi, yaitu agar parameternya dapat diestimasi, persamaan
tersebut harus ditunjukkan bahwa kumpulan data yang diberikan tidak akan menghasilkan
persamaan struktural yang terlihat serupa dalam penampilan ke salah satu di mana kita
tertarik. Jika kita berangkat untuk memperkirakan fungsi permintaan, kita harus menunjukkan
bahwa data yang diberikan tidak konsisten dengan fungsi suplai atau beberapa persamaan
mongrel.
sejak Persamaan. (19.2.15) dan (19.2.17) keduanya merupakan persamaan bentuk tereduksi,
persamaan terkecil biasa kuadrat (OLS) metode dapat diterapkan untuk memperkirakan
parameter mereka. Sekarang model permintaan dan penawaran (19.2.12) dan (19.2.13) berisi
lima koefisien struktural—α0, α1, α2, β0 dan β1. Tetapi hanya ada empat persamaan untuk
memperkirakannya, yaitu, empat bentuk tereduksi koefisien 0, 1, 2, dan 3 diberikan dalam
Persamaan. (19.2.16) dan (19.2.18). Oleh karena itu, unik sehingga solusi dari semua koefisien
struktural tidak mungkin. Tetapi dapat dengan mudah ditunjukkan bahwa parameter fungsi
suplai dapat diidentifikasi (diperkirakan) karena
Tetapi tidak ada cara unik untuk memperkirakan parameter fungsi permintaan; karena itu, itu
tetap tidak teridentifikasi. Kebetulan, perhatikan bahwa koefisien struktural 1 adalah nonlinier
fungsi dari koefisien bentuk tereduksi, yang menimbulkan beberapa masalah dalam hal
menaksir galat standar dari taksiran 1, seperti yang akan kita lihat pada Bab 20.
Untuk memverifikasi bahwa fungsi permintaan (19.2.12) tidak dapat diidentifikasi
(diperkirakan), mari kita mengalikannya dengan (0 1) dan (19.2.13) dengan 1 dan
menjumlahkannya untuk mendapatkan mengikuti persamaan "mongrel":
Persamaan (19.2.20) secara observasional tidak dapat dibedakan dari fungsi permintaan
(19.2.12) meskipun dapat dibedakan dari fungsi suplai (19.2.13), yang tidak mengandung
variabel I sebagai variabel penjelas. Oleh karena itu, fungsi permintaan tetap tidak
teridentifikasi.
Perhatikan fakta menarik: Ini adalah adanya variabel tambahan dalam permintaan fungsi yang
memungkinkan kita untuk mengidentifikasi fungsi suplai! Mengapa? Dimasukkannya variabel
pendapatan dalam persamaan permintaan memberi kita beberapa informasi tambahan tentang
variabilitas fungsi, seperti yang ditunjukkan pada Gambar 19.1d. Gambar tersebut
menunjukkan bagaimana perpotongan kurva penawaran stabil dengan kurva permintaan yang
bergeser (karena perubahan dalam pendapatan) memungkinkan kita untuk melacak
(mengidentifikasi) kurva penawaran. Seperti yang akan ditunjukkan segera, sangat sering
pengidentifikasian suatu persamaan bergantung pada apakah persamaan tersebut
mengecualikan satu atau lebih variabel yang dimasukkan dalam persamaan lain dalam model.
Tapi misalkan kita mempertimbangkan model permintaan-dan-penawaran berikut:
Fungsi permintaan: Qt = α0 + α1Pt + α 2It + uut 1 < 0, α2 > 0 (19.2.12)
Fungsi suplai: Qt = β0 + β 1Pt-1 + u2t β1 > 0, β2 > 0 (19.2.22)
di mana fungsi permintaan tetap seperti sebelumnya tetapi fungsi penawaran mencakup
variabel penjelas tambahan, harga tertinggal satu periode. Fungsi penawaran mendalilkan
bahwa kuantitas komoditi yang ditawarkan tergantung pada harga periode saat ini dan
sebelumnya, model yang sering digunakan untuk menjelaskan penawaran berbagai komoditas
pertanian. Perhatikan bahwa Pt-1 adalah variabel yang telah ditentukan karena nilainya
diketahui pada waktu t.
Dengan mekanisme kliring pasar yang kita miliki
α0 + α1Pt + α 2It + uut = β0 + β1Pt-1 + β2Pt-1 u2t (19.2.23)
Memecahkan persamaan ini, kita memperoleh harga keseimbangan berikut:
Pt= π0 + π 1 It + π2 Pt-1 + vt (19.2.24)
Identifikasi berlebihan
Untuk barang dan jasa tertentu, pendapatan serta kekayaan konsumen merupakan hal yang
penting penentu permintaan. Oleh karena itu, mari kita modifikasi fungsi permintaan (19.2.12)
sebagai berikut, menjaga fungsi pasokan seperti sebelumnya:
di mana selain variabel yang sudah ditentukan, R mewakili kekayaan; untuk sebagian besar
barang dan jasa, kekayaan, seperti pendapatan, diharapkan memiliki efek positif pada
konsumsi. Menyamakan permintaan dengan penawaran, kita memperoleh harga dan kuantitas
keseimbangan berikut:
Model permintaan-dan-penawaran sebelumnya berisi tujuh koefisien struktural, tetapi ada
delapan persamaan untuk memperkirakannya—delapan koefisien bentuk tereduksi yang
diberikan dalam Persamaan. (19.2.31); yaitu, jumlah persamaan lebih besar dari jumlah yang
tidak diketahui. Sebagai hasilnya, estimasi unik dari semua parameter model kami tidak
mungkin, yang dapat menjadi ditampilkan dengan mudah. Dari koefisien bentuk tereduksi
sebelumnya, kita dapat memperoleh
yaitu, ada dua perkiraan koefisien harga dalam fungsi penawaran, dan tidak ada menjamin
bahwa kedua nilai atau solusi ini akan identik.4 Selain itu, karena β 1 muncul dalam penyebut
semua koefisien bentuk tereduksi, ambiguitas dalam estimasi 1 akan ditransmisikan ke
perkiraan lain juga.
Mengapa fungsi suplai diidentifikasi dalam sistem (19.2.12) dan (19.2.22) tetapi tidak di sistem
(19.2.28) dan (19.2.22), meskipun dalam kedua kasus fungsi suplai tetap sama? Jawabannya
adalah bahwa kita memiliki “terlalu banyak”, atau informasi yang terlalu banyak, untuk
mengidentifikasi kurva penawaran. Keadaan ini merupakan kebalikan dari kasus
underidentification, di mana ada terlalu sedikit informasi. Kecukupan informasi dihasilkan dari
fakta bahwa dalam model (19.2.12) dan (19.2.22) pengecualian variabel pendapatan dari fungsi
penawaran sudah cukup untuk mengidentifikasinya, tetapi dalam model (19.2.28) dan (19.2.22)
fungsi penawaran tidak hanya mengecualikan variabel pendapatan tetapi juga variabel
kekayaan. Di lain kata-kata, dalam model terakhir kami menempatkan pembatasan "terlalu
banyak" pada fungsi pasokan dengan: mengharuskannya untuk mengecualikan lebih banyak
variabel daripada yang diperlukan untuk mengidentifikasinya. Namun, situasi ini tidak
menyiratkan bahwa identifikasi yang berlebihan selalu buruk karena kita akan melihat di Bab 20
bagaimana kita dapat menangani masalah terlalu banyak informasi, atau terlalu banyak
batasan.
Kami sekarang telah kehabisan semua kasus. Seperti yang ditunjukkan oleh diskusi sebelumnya,
persamaan dalam model persamaan simultan mungkin kurang teridentifikasi atau
teridentifikasi (baik berlebihan atau adil). Model secara keseluruhan diidentifikasi jika setiap
persamaan di dalamnya diidentifikasi. Untuk mengamankan identifikasi, kami menggunakan
persamaan bentuk tereduksi. Tetapi di Bagian 19.3, kami mempertimbangkan metode alternatif
dan mungkin lebih sedikit memakan waktu untuk menentukan apakah suatu persamaan dalam
model persamaan simultan diidentifikasi.
4Perhatikan perbedaan antara underidentification dan overidentification. Dalam kasus
sebelumnya, itu tidak mungkin untuk mendapatkan perkiraan parameter struktural, sedangkan
dalam kasus terakhir, mungkin ada beberapa perkiraan satu atau lebih koefisien struktural.
Model ini memiliki dua variabel endogen P dan Q dan tidak ada variabel yang telah ditentukan
sebelumnya. Menjadi diidentifikasi, masing-masing persamaan ini harus mengecualikan
setidaknya M 1 = 1 variabel. Karena ini adalah tidak terjadi, tidak ada persamaan yang
diidentifikasi.
CONTOH 19.2
)
Dalam model ini Q dan P bersifat endogen dan I bersifat eksogen. Menerapkan kondisi pesanan
diberikan dalam Persamaan. (19.3.1), kita melihat bahwa fungsi permintaan tidak
teridentifikasi. Di samping itu, fungsi penawaran hanya diidentifikasi karena mengecualikan
persis M 1 = 1 variabel It.
5Istilah ordo mengacu pada orde suatu matriks, yaitu jumlah baris dan kolom yang ada dalam a
matriks. Lihat Lampiran B
Contoh 19.3
Mengingat bahwa Pt dan Qt adalah endogen dan It dan Pt−1 telah ditentukan sebelumnya,
Persamaan. (19.2.12) mengecualikan tepat satu variabel P t−1 dan Persamaan. (19.2.22) juga
mengecualikan tepat satu variabel It. Oleh karena itu setiap persamaan diidentifikasi oleh
kondisi orde. Oleh karena itu, model secara keseluruhan Diidentifikasi
Contoh 19.4
Dalam model ini Pt dan Qt bersifat endogen dan I t, Rt, dan Pt−1 telah ditentukan sebelumnya.
Permintaan fungsi mengecualikan tepat satu variabel P t−1, dan oleh karena itu dengan kondisi
urutan itu tepat diidentifikasi. Tetapi fungsi penawaran mengecualikan dua variabel I t dan Rt,
dan karenanya terlalu diidentifikasi. Seperti disebutkan sebelumnya, dalam hal ini ada dua cara
untuk memperkirakan β1, koefisien dari variabel harga. Perhatikan sedikit komplikasi di sini.
Dengan kondisi pesanan, fungsi permintaan diidentifikasi. Tetapi jika kita mencoba
memperkirakan parameter persamaan ini dari bentuk tereduksi koefisien yang diberikan dalam
Persamaan. (19.2.31), perkiraan tidak akan unik karena β 1, yang masuk ke dalam perhitungan,
mengambil dua nilai dan kita harus memutuskan yang mana dari ini nilai-nilai sesuai. Tetapi
komplikasi ini dapat dihindari karena ditunjukkan dalam Bab 20 bahwa dalam kasus identifikasi
berlebih, metode kuadrat terkecil tidak langsung tidak sesuai dan harus dibuang demi metode
lain. Salah satu metode tersebut adalah dua tahap kuadrat terkecil, yang akan kita bahas
sepenuhnya dalam Bab 20.
Seperti yang ditunjukkan contoh sebelumnya, identifikasi persamaan dalam model simultan
persamaan dimungkinkan jika persamaan itu mengecualikan satu atau lebih variabel yang ada
di tempat lain dalam model. Situasi ini dikenal sebagai kriteria pengecualian (variabel), atau
kriteria batasan nol (koefisien variabel yang tidak muncul dalam persamaan adalah diasumsikan
memiliki nilai nol). Kriteria ini sejauh ini merupakan metode yang paling umum digunakan untuk
mengamankan atau menentukan identifikasi persamaan. Tetapi perhatikan bahwa batasan nol
kriteria didasarkan pada harapan apriori atau teoretis bahwa variabel tertentu tidak muncul
dalam persamaan yang diberikan. Terserah peneliti untuk menjelaskan dengan jelas mengapa
dia mengharapkan variabel tertentu muncul dalam beberapa persamaan dan tidak pada yang
lain.
Untuk memudahkan identifikasi, mari kita tulis sistem sebelumnya pada Tabel 19.1, yang cukup
jelas. Mari kita pertama-tama menerapkan kondisi urutan identifikasi, seperti yang ditunjukkan
pada Tabel 19.2. Oleh kondisi pesanan setiap persamaan diidentifikasi.
Mari kita cek kembali dengan kondisi rank. Pertimbangkan persamaan pertama, yang
mengecualikan variabel Y4, X2, dan X3 (ini diwakili oleh nol di baris pertama Tabel 19.1). Agar
persamaan ini dapat diidentifikasi, kita harus memperoleh di
setidaknya satu determinan bukan nol dari orde 3 × 3 dari koefisien variabel yang dikecualikan
dari persamaan ini tetapi termasuk dalam persamaan lain. Untuk mendapatkan determinannya,
pertama-tama kita peroleh matriks relevan dari koefisien variabel Y 4, X2, dan X3 termasuk dalam
persamaan lainnya. Dalam kasus ini hanya ada satu matriks seperti itu, sebut saja A, yang
didefinisikan sebagai berikut:
Karena determinannya nol, pangkat matriks (19.3.6), dilambangkan dengan p (phi) (A), lebih
kecil dari 3. Oleh karena itu, Persamaan. (19.3.2) tidak memenuhi kondisi peringkat dan
karenanya tidak diidentifikasi.
Sebagaimana dicatat, kondisi peringkat adalah kondisi yang diperlukan dan cukup untuk
identifikasi. Oleh karena itu, meskipun kondisi pesanan menunjukkan bahwa Persamaan.
(19.3.2) diidentifikasi, peringkat kondisi menunjukkan bahwa tidak. Ternyata, kolom atau baris
dari matriks A diberikan dalam Persamaan. (19.3.6) tidak independen (linier), artinya ada
hubungan antara variabel Y4, X2, dan X3. Akibatnya, kami mungkin tidak memiliki cukup
informasi untuk memperkirakan parameter persamaan (19.3.2); persamaan bentuk tereduksi
untuk model sebelumnya akan menunjukkan bahwa tidak mungkin untuk memperoleh
koefisien struktural persamaan itu dari koefisien bentuk tereduksi. Pembaca harus
memverifikasi bahwa dengan kondisi peringkat Persamaan. (19.3.3) dan (19.3.4) juga tidak
teridentifikasi tetapi Persamaan. (19.3.5) diidentifikasi.
Seperti yang ditunjukkan oleh diskusi sebelumnya, kondisi peringkat memberi tahu kita apakah
persamaan sedang dipertimbangkan diidentifikasi atau tidak, sedangkan kondisi pesanan
memberi tahu kita apakah itu persis diidentifikasi atau diidentifikasi secara berlebihan.
Untuk menerapkan kondisi peringkat, seseorang dapat melanjutkan sebagai berikut:
1. Tuliskan sistem dalam bentuk tabel, seperti yang ditunjukkan pada Tabel 19.1.
2. Coretlah koefisien dari baris di mana persamaan yang sedang dipertimbangkan muncul.
3. Juga coretlah kolom-kolom yang sesuai dengan koefisien-koefisien pada langkah (2)
yaitu: bukan nol.
4. Entri yang tersisa di tabel kemudian hanya akan memberikan koefisien dari variabel
yang disertakan dalam sistem tetapi tidak dalam persamaan yang dipertimbangkan. Dari
entri ini bentuk semua matriks yang mungkin, seperti A, dengan orde M - 1 dan
dapatkan determinan yang sesuai. Jika setidaknya satu determinan yang tidak hilang
atau tidak nol dapat ditemukan, persamaan yang dimaksud adalah (hanya atau lebih-)
diidentifikasi. Peringkat matriks, katakanlah, A, dalam hal ini persis sama ke M - 1. Jika
semua determinan yang mungkin (M - 1) (M - 1) adalah nol, pangkat matriks A lebih
kecil dari M - 1 dan persamaan yang diselidiki tidak teridentifikasi.
Diskusi kami tentang urutan dan kondisi peringkat identifikasi mengarah pada hal
berikut: prinsip umum identifikasi persamaan struktural dalam sistem M simultan persamaan:
1. Jika K k > m 1 dan rank matriks A adalah M - 1, maka persamaan tersebut overidentified.
2. Jika K k = m 1 dan rank dari matriks A adalah M - 1, persamaan diidentifikasi secara tepat.
3. Jika K k ≥ m 1 dan rank matriks A lebih kecil dari M - 1, persamaannya adalah kurang
teridentifikasi.
4. Jika K k < m 1, persamaan struktural tidak teridentifikasi. Rank dari matriks A dalam kasus ini
pasti lebih kecil dari M 1. (Mengapa?)
Selanjutnya, ketika kita berbicara tentang identifikasi yang kita maksud adalah identifikasi yang
tepat atau identifikasi yang berlebihan. Tidak ada gunanya mempertimbangkan persamaan
yang tidak teridentifikasi, atau tidak teridentifikasi, karena tidak ada tidak peduli seberapa luas
data, parameter struktural tidak dapat diperkirakan. Selain itu, kebanyakan sistem persamaan
simultan di bidang ekonomi dan keuangan adalah overidentified daripada underidentified, jadi
kita tidak perlu terlalu khawatir tentang underidentification. Namun, seperti yang ditunjukkan
pada Bab 20, parameter overidentified serta persamaan yang baru saja diidentifikasi dapat
diperkirakan.
Kondisi mana yang harus digunakan dalam praktik: Urutan atau peringkat? Untuk model
persamaan simultan yang besar, menerapkan kondisi peringkat adalah tugas yang berat. Oleh
karena itu, seperti yang dicatat Harvey,
Untungnya, kondisi pesanan biasanya cukup untuk memastikan identifikasi, dan meskipun itu
penting untuk mengetahui kondisi peringkat, kegagalan untuk memverifikasinya jarang akan
mengakibatkan bencana.8
19.4 Uji Kesamaan9
Jika tidak ada persamaan simultan, atau masalah simultanitas, estimator OLS menghasilkan
penduga yang konsisten dan efisien. Di sisi lain, jika ada simultanitas, OLS estimator bahkan
tidak konsisten. Dengan adanya simultanitas, seperti yang akan kita tunjukkan dalam Bab 20,
metode kuadrat terkecil dua tahap (2SLS) dan variabel instrumental (IV) akan memberikan
estimator yang konsisten dan efisien. Anehnya, jika kita menerapkan metode alternatif ini
ketika sebenarnya tidak ada simultanitas, metode ini menghasilkan penduga yang konsisten
tetapi tidak efisien (yaitu, dengan varians yang lebih kecil). Diskusi ini menyarankan bahwa kita
harus periksa masalah simultanitas sebelum kita membuang OLS demi alternatif.
Seperti yang kami tunjukkan sebelumnya, masalah simultanitas muncul karena beberapa
regressor adalah endogen dan karena itu cenderung berkorelasi dengan gangguan, atau
kesalahan, istilah. Oleh karena itu, pengujian simultanitas pada dasarnya adalah pengujian
apakah regresi (endogen) adalah berkorelasi dengan istilah kesalahan. Jika ya, masalah
simultanitas ada, dalam hal ini alternatif ke OLS harus ditemukan; jika tidak, kita bisa
menggunakan OLS. Untuk mengetahui apa yang terjadi di seorang rekan situasi ncrete, kita
dapat menggunakan uji kesalahan spesifikasi Hausman.
Dimana P = harga
Q = jumlah
I = pendapatan
R = kekayaan
u = istilah kesalahan
Asumsikan bahwa I dan R adalah eksogen. Tentu saja, P dan Q adalah endogen.
*Opsional.
8Andrew Harvey, Analisis Ekonometrika Deret Waktu, edisi 2d., The MIT Press, Cambridge, Mass., 1990, hal. 328.
9Diskusi berikut diambil dari Robert S. Pindyck dan Daniel L. Rubinfeld, Model Ekonometrika dan Economic
Forecasts, edisi 3d., McGraw-Hill, New York, 1991, hlm. 303–305.
10J. A. Hausman, "Tes Spesifikasi dalam Ekonometrika," Econometrica, vol. 46, Nopember 1976, hal.1251–1271.
Lihat juga A. Nakamura dan M. Nakamura, “Tentang Hubungan Antar Beberapa Tes Kesalahan Spesifikasi
Disampaikan oleh Durbin, Wu, dan Hausman,” Econometrica, vol. 49, November 1981, hlm. 1583–1588
Sekarang perhatikan fungsi penawaran (19.4.2). Jika tidak ada masalah simultanitas (yaitu, P
dan Q saling bebas), Pt dan u2t seharusnya tidak berkorelasi (mengapa?). Di sisi lain Di sisi lain,
jika ada simultanitas, Pt dan u2t akan berkorelasi. Untuk mengetahui kasusnya, Tes Hausman
berlangsung sebagai berikut:
Pertama, dari Persamaan. (19.4.1) dan (19.4.2) kita memperoleh persamaan bentuk tereduksi
berikut:
di mana v dan w adalah istilah kesalahan bentuk tereduksi. Memperkirakan Persamaan. (19.4.3)
dengan OLS kita peroleh
di sini Pˆt diestimasi Pt dan vˆt adalah estimasi residual. Sekarang pertimbangkan persamaan
yang berikut ini:
Catatan: Koefisien Pt dan vt adalah sama. Selisih antara persamaan ini dan persamaan penawaran asli
adalah bahwa itu termasuk variabel tambahan vˆ t, sisa dari regresi (19.4.3).
Sekarang, jika hipotesis nol adalah bahwa tidak ada simultanitas, yaitu, Pt bukan endogen
variabel, korelasi antara vˆt dan u2t harus nol, asimtotik. Jadi, jika kita menjalankan regresi
(19.4.7) dan menemukan bahwa koefisien vt dalam Persamaan. (19.4.7) secara statistik nol, kita
bisa menyimpulkan bahwa tidak ada masalah simultanitas. Tentu saja, kesimpulan ini akan
dibalik jika kami menemukan koefisien ini signifikan secara statistik. Secara sepintas, perhatikan
bahwa uji keseragaman Hausman juga dikenal sebagai uji endogenitas Hausman: Dalam contoh
ini kita ingin untuk mengetahui apakah Pt adalah endogen. Jika ya, kita memiliki masalah
simultanitas.
Pada dasarnya, tes Hausman melibatkan langkah-langkah berikut:
Langkah 1. Regresi Pt pada It dan Rt untuk mendapatkan vˆt
Langkah 2. Regresi Qt pada Pˆt dan vˆt dan lakukan uji t pada koefisien vˆ t. Jika signifikan, jangan
tolak hipotesis simultanitas; jika tidak, tolak. 11 Untuk efisien estimasi, bagaimanapun, Pindyck
dan Rubinfeld menyarankan regresi Qt pada Pt dan vˆt.
Ada cara alternatif untuk menerapkan uji Hausman, yang diberikan dengan cara
Pada tingkat signifikansi 5 persen, koefisien wˆ i tidak signifikan secara statistik, dan oleh karena
itu, pada level ini, tidak ada masalah simultanitas. Namun, pada level 10 persen signifikansi,
signifikan secara statistik, meningkatkan kemungkinan bahwa simultanitas masalah hadir.
Kebetulan, estimasi OLS dari Persamaan. (19.4.8) adalah sebagai berikut:
Perhatikan fitur menarik dari hasil yang diberikan dalam Persamaan. (19.4.10) dan (19.4.11):
Kapan simultanitas secara eksplisit diperhitungkan, variabel AID kurang signifikan meskipun
secara numerik itu lebih besar besarnya
19.5 Tes untuk Eksogenitas
Kami mencatat sebelumnya bahwa itu adalah tanggung jawab peneliti untuk menentukan
variabel mana yang endogen dan mana yang eksogen. Ini akan tergantung pada masalah yang
dihadapi dan informasi apriori yang dimiliki peneliti. Tetapi apakah mungkin untuk
mengembangkan uji statistic eksogenitas, dengan cara uji kausalitas Granger?
Tes Hausman yang dibahas dalam Bagian 19.4 dapat digunakan untuk menjawab pertanyaan
ini. Misalkan kita memiliki model tiga persamaan dalam tiga variabel endogen, Y 1, Y2, dan Y3,
dan misalkan ada tiga variabel eksogen, X1, X2, dan X3. Selanjutnya, misalkan yang pertama
persamaan modelnya adalah
Y1i = β0 + β2Y2i + β 3Y3i + α1X1i + u1i (19.5.1)
Jika Y2 dan Y3 benar-benar endogen, kita tidak dapat memperkirakan Persamaan. (19.5.1) oleh
OLS (mengapa?). Tetapi bagaimana kita mengetahuinya? Kita dapat melanjutkan sebagai
berikut. Kami memperoleh persamaan bentuk tereduksi untuk Y 2 dan Y3 (Catatan: persamaan
bentuk tereduksi hanya akan memiliki variabel yang telah ditentukan sebelumnya pada sisi
kanan). Dari persamaan bentuk tereduksi ini, kita peroleh Yˆ 2i dan Y3i, nilai prediksi Y2i dan Y3i,
masing-masing. Kemudian dalam semangat tes Hausman dibahas sebelumnya, kita dapat
memperkirakan persamaan berikut dengan OLS:
Dengan menggunakan uji F, kami menguji hipotesis bahwa lamda 2 = lambda 3 = 0. Jika
hipotesis ini ditolak, Y2 dan Y3 dapat dianggap endogen, tetapi jika tidak ditolak, mereka dapat
diperlakukan sebagai eksogen. Untuk contoh konkret, lihat Latihan 19.16.