Bab 11

Model Dinamis

11.1. Pengantar
11.2. Finite Distributed Lag Models
11.2.1. Polynomial Distributed Lags
11.2.2. Pemilihan Panjang dari Lag Terbatas (Finite Lag)
11.3. Geometric Lag
11.4. Transformasi Koyck
11.4.1. Instrumental Variabel (IV) untuk Mengestimasi Model Koyck
11.4.2. Uji Autokorelasi dalam Model dengan Lagged Dependen Variabel
11.5. Autoregressive Distributed Lags
11.5.1. Model Autoregressive Distributed Lag (ARDL)
Soal Latihan

11.1. Pengantar
Sering kali pengaruh variabel independen atas variabel dependen tidak terjadi secara
instant saja, tetapi berpengaruh sampai periode yang selanjutnya. Dengan demikian,
X t akan berpengaruh atas Yt , Yt 1 , Yt  2 dan seterusnya. Dilihat dari sisi variabel
dependen, ini berarti bahwa Yt dipengaruhi oleh X t , X t 1 , X t  2 dan seterusnya.
Dengan kata lain:

Yt  f ( X t , X t 1 , X t  2 ,...) (11.1)

Model semacam ini dinamakan model dinamis karena model tersebut

menggambarkan dinamika model independen dan restriksinya sepanjang waktu.
Ada dua jenis model dinamik tergantung dari batas lag, yakni infinite distributed
lag models dan finite distribute lag models.

11.2. Finite Distributed Lag Models

Model ekonomis dari jenis ini memiliki panjang lag tertentu, dan bisa ditulis sebagai:

Yt  f ( X t , X t 1 , X t  2 ,..., X t  n ) . (11.2)

Model tersebut bisa ditransformasikan menjadi model ekonometri dengan memilih

bentuk fungsi tertentu dan menambahkan disturbance (atau error term untuk model
sampel):

1
 Yt     0 X t   1 X t 1   2 X t  2   n X t  n  et , t  n  1,..., T (11.3)

dimana kita mengasumsikan bahwa E (et )  0 , var(et )   2 , dan cov(et , e s )  0 .

Dalam model ini, parameter  adalah intersep dan  i adalah bobot lag terdistribusi
(distributed lag weight), yakni:

E (Yt )
 i (11.4)
X t i

Persamaan (11.3) bisa diestimasi menggunakan least square jika error term et
mempunyai sifat-sifat yang diinginkan. Tetapi model seperti ini biasanya
mengandung kolinieritas (collinearity). Dalam model tersebut, X t dan X t 1 , dan juga
pasangan lagged dari berbagai variabel yang lain, akan berhubungan erat ketika kita
menggunakan data time-series. Hal ini akan menyebabkan estimator OLS tidak
reliable atas model ini.

11.2.1. Polynomial Distributed Lags

Dengan mengambil bentuk tertentu atas distribusi lag, kita bisa mengurangi pengaruh
kolinieritas. Misalkan kita berasumsi bahwa bobot lag mengikuti pola tertentu yang
bisa direpresentasikan sebagai sebuah polinomial derajat rendah (a low-degree
polynomial). Shirley Almon adalah orang yang memperkenalkan ide tersebut,
sehingga model demikian ini disebut model Almon Distributed Lag atau
Polynomial Distributed Lag.
Sebagai contoh, misalkan kita memilih sebuah polinomial derajat kedua (a
second-order polynomial) untuk merepresentasikan pola bobot lag-nya. Maka
pengaruh perubahan X t i atas E (Yt ) adalah:

E (Yt )
  i   0   0 i   2 i 2 , i  0,..., n (11.5)
X t i

Misalkan panjang lag adalah n = 4 periode. Maka model lag terbatas yang terbentuk
adalah

Yt     0 X t   1 X t 1   2 X t  2   n X t 3   n X t  4  et , t  5,..., T (11.6)

Hubungan dalam (11.5) menjadi

0   0 , i  0
1   0   1   2 , i  1
 2   0  2 1  4 2 , i  2 (11.7)
 3   0  3 1  9 2 , i  3
 4   0  4 1  16 2 , i  4

2
Untuk mengestimasi parameter dari lag polinomial, yakni  0 ,  1 dan  2 , kita
mensubstitusikan (11.7) ke (11.6) untuk mendapatkan:

Yt     0 X t  ( 0   1   2 ) X t 1  ( 0  2 1  4 2 ) X t  2 
,
( 0  3 1  9 2 ) X t 3  ( 0  4 1  16 2 ) X t  4  et
    0 z t 0   1 z t 1   2 z t 2  et (11.8)

dimana:
z t 0  X t  X t 1  X t  2  X t 3  X t  4
z t1  X t 1  2 X t  2  3 X t 3  4 X t  4
z t 2  X t 1  4 X t  2  9 X t 3  16 X t  4

Dengan variabel yang baru tersebut, koefisien polinomial bisa diestimasi dengan
aplikasi OLS atas (11.8). Jika kita notasikan nilai estimasi  k dengan ˆ k , maka kita
bisa mendapatkan bobot lag terestimasi (the estimated lag weights) sebagai:

ˆi  ˆ0  ˆ1i  ˆ 2 i 2 , i  0,..., n (11.9)

Catatan: model ini adalah model yang didapatkan dengan memberikan restriksi
tertentu. Restriksi semacam ini akan bisa berakibat bias kecuali jika restriksinya
benar. Dalam kasus ini kita barasumsi bahwa bobot lag terdistribusi jatuh tepat pada
polinomial derajat kedua.

11.2.2. Pemilihan Panjang dari Lag Terbatas (Finite Lag)

Pemilihan panjang lag yang tepat adalah penting karena akan mempengaruhi bias
dalam estimasi bobot lag. Kita bisa memulai dengan memilih panjang lag N yang
maksimum yang ingin kita pilih. Model finite lag akan menjadi:

Yt     0 X t   1 X t 1   2 X t  2   n X t 3  ...   N X t  N  et , t  5,..., T (11.10)

Kita akan menaksir goodness of fit untuk lanjang lag n  N . Kriteria yang umum
dipakai, yakni R 2 dan R 2 sudah diselidiki dan tidak berguna. Dua ukuran goodness
of fit yang bisa dipakai adalah Akaike’s AIC :

SSE n 2(n  2)
AIC  ln  (11.11)
TN TN

dan Schwartz’s SC

SSE n (n  2) ln(T  N )
SC  ln  (11.12)
TN TN

3
Intinya adalah mencari panjang lag n* yang meminimalkan AIC atau SIC.

11.3. Geometric Lag

Model infinite distributed lag yang paling umum adalah:

Yt     0 X t  1 X t 1   2 X t  2   n X t 3  ...   N X t  N  et

     i X t  i  et (11.13)
i 0
Model ini tidak bisa diestimasi karena jumlah parameternya tidak terbatas. Tetapi
model itu bisa ditransformasi menjadi model yang lebih sederhana yang jumlah
parameternya terbatas sehingga bisa diestimasi. Sebagai konsekuensinya, dalam
model yang sederhana tersebut, parameter-parameternya harus diasumsikan mengikuti
pola tertentu, yang dikenal sebagai bobot lag terdistribusi. Salah satu model yang
terkenal adalah geometric lag, dimana bobot lag adalah positif dan menurun secara
geometris, yakni:

 i   i ,   1 (11.14)

Panjang lag  i   i menurun sejalan dengan meningkatnya i . Substitusi (11.14) ke

(11.13):

Yt     0 X t   1 X t 1   2 X t  2   3 X t 3  ...  et
    ( X t  X t 1   2 X t  2   3 X t 3  ...)  et (11.15)

yang merupakan model infinite geometric distributed lag.

Dalam persamaan (11.15), efek dari satu-unit perubahan dalam X t i atas E (Yt )
adalah:

E (Yt )
  i   i (11.16)
X t i

11.4. Transformasi Koyck

Model (11.15) tidak bisa diestimasi karena mengandung variabel yang tidak terbatas
jumlahnya, dan parameter  dan  berada dalam bentuk perkalian sehingga model
tersebut menjadi tidak linier dalam parameter. Salah satu cara untuk mengatasi hal ini
adalah dengan menggunakan transformasi Koyck. Transformasi tersebut adalah
sebagai berikut:

4
 Yt  Yt 1  [   ( X t  X t 1   2 X t  2   3 X t 3  ...  et ]
 [   ( X t 1  X t  2   2 X t 3   3 X t  4  ...  et 1 ] (11.17)
  (1   )   X t  (et  et 1 )

maka:

Yt   (1   )  Yt 1   X t  (et  et 1 )

(11.18)
  1   2Yt 1   3 X t   t

11.4.1. Instrumental Variabel (IV) untuk Mengestimasi Model Koyck

Dalam persamaan (11.18), Yt 1 dan  t berkorelasi karena  t  (et  et 1 ) sedangkan

Yt 1 berkorelasi dengan et 1 . Hal ini menyebabkan estimator LS menjadi bias dan
tidak konsisten. Dengan demikian kita tidak bisa menggunakan OLS untuk
mengestimasi persamaan (11.18).
Kita bisa mengestimasi parameter dalam (11.18) menggunakan estimator
instrumental variabels (atau IV). IV adalah variabel yang berkorelasi dengan variabel
yang hendak digantikan, tetapi tidak berkorelasi dengan error term. IV yang tepat
untuk Yt 1 adalah X t 1 . IV bisa diestimasi dengan two stage least squares (TSLS).
Gantikan Y dalam (11.18) dengan Yˆ  a  a X sehingga:
t 1 t 1 0 1 t 1

Yt   1   2Yˆt 1   1 X t   t (11.19)

Dengan menggunakan  1 ,  2 dan  3 dari (11.19) kita bisa menurunkan  ,  dan 

untuk mendapatkan persamaan model lag geometris. Catatan bahwa menggunakan
OLS dalam software dua kali akan mendapatkan estimasi parameter yang benar, tetapi
standar errornya tidak akan tepat. Disarankan untuk menggunakan menu TSLS yang
sudah tersedia dalam software (misalnya EViews).

11.4.2. Uji Autokorelasi dalam Model dengan Lagged Dependen Variabel

Dalam model (11.18) yang dihasilkan dari transformasi Koyck, kita tahu (dari proses
transformasi) bahwa lagged variabel dependen berkorelasi dengan error term,
sehingga OLS dianggap gagal. Bagaimana jika kita mendapatkan model (11.18)
dengan proses transformasi yang lain, dan kita tidak tahu apakah ada korelasi antara
lagged dependen variabel dengan error term? [sepertinya transformasi dengan partial
adjustment model tidak menimbulkan korelasi tersebut]. Jika korelasi tersebut tidak
terjadi, maka OLS bisa digunakan.
Pertanyaan kuncinya adalah apakah  t dalam (11.18) berkorelasi secara serial.
Jika jawabannya adalah ya, berarti Yt 1 berkorelasi dengan  t . Uji Durbin-Watson
tidak bisa diaplikasikan dalam kasus ini karena dalam model dengan variabel penjelas

5
yang merupakan variabel dependen lag adalah bias ke arah temuan no-
autocorrelation. Uji yang valid adalah LM test yang sudah diperkenalkan pada Bab
terdahulu. Estimasilah persamaan (11.18) dengan LS dan hitunglah least squared
residual, yakni êt (bukannya  t ). Kemudian estimasilah regresi buatan sebagai
berikut:

Yt  a1  a 2Yt 1  a3 X t  a 4 eˆt  error (11.20)

Ujilah signifikansi koefisien êt menggunakan uji t biasa. Jika koefisiennya signifikan,
maka tolaklah H0 bahwa tidak ada autokorelasi. Tes ini juga bisa digunakan model
yang lebih umum dimana least squares residuals memiliki lebih dari satu lag.

11.5. Autoregressive Distributed Lags

Dua model distributed lag yang sudah kita diskusikan mengandung beberapa masalah.
Model finite lag membutuhkan pemilihan panjang lag; dan model yang terpilih
kemudian masih harus berurusan dengan masalah kolinieritas. Model polynomial
distributed lag mencoba mengatasi masalah kolinieritas dengan mensyaratkan bahwa
panjang lag harus menghasilkan kurva yang halus. Meskipun model ini flexible, tetapi
asumsi yang disaratkan, yakni asumsi tentang struktur lag weights, merupakan sebuah
asumsi yang sangat kuat (strong assumption). Dan kita tahu bahwa asumsi yang kuat
berarti model yang lemah.
Model infinite lag menghilangkan masalah pemilihan panjang lag, tetapi memaksa
kita untuk mengenakan struktur atas bobot lag untuk mengatasi masalah bahwa
terdapat jumlah parameter yang tidak terbatas. Salah satu contoh adalah lag
geometris, yang mengharuskan bahwa bobot lag yang berurutan menurun secara
geometris. Model ini tidak akan bisa diterapkan dalam situasi dimana pengaruh
puncak tidak terjadi untuk beberapa periode, seperti ketika memodelkan kebijakan
fiskal dan moneter. Dalam seksi ini kita akan mendiskusikan situasi dimana dua
model tersebut tidak akan bisa digunakan.

11.5.1. Model Autoregressive Distributed Lag (ARDL)

Model ARDL adalah model infinite lag yang mempunyai sifat flexible dan sederhana.
Contoh ARDL:

Yt     0 X t  1 X t 1   1Yt 1  et (11.21)

Dalam model tersebut kita memasukkan variabel penjelas X t dan satu atau lebih lag
X t , dan satu atau lebih lag Yt . Persamaan (11.21) adalah ARDL(1,1). Model yang
lebih umum adalah ARDL(p,q). Jika asumsi klasik atas et terpenuhi, maka parameter
dalam (11.21) bisa diestimasi dengan LS. Meskipun bentuknya sederhana, tetapi
model tersebut sebenarnya adalah model dengan infinite lag, seperti penjabaran
berikut. Perhatikan lag Yt .

6
 Yt 1     0 X t 1   1 X t  2   1Yt  2  et 1 (11.22)

Substitusikan (11.22) ke dalam (11.21):

Yt     0 X t  1 X t 1   1 [    0 X t 1  1 X t  2   1Yt  2  et 1 ]  et
(11.23)
  (1   1 )   0 X t  ( 1   1  0 ) X t 1   1 1 X t  2   12Yt  2  ( 1et 1  et )

Substitusikan Yt  2     0 X t  2   1 X t 3   1Yt 3  et  2 ke dalam (11.23):

Yt   (1   1   12 )   0 X t  ( 1   1  0 ) X t 1   1 ( 1   1  0 ) X t  2
(11.24)
  12 1 X t 3   13Yt 3  ( 12 et  2  1et 1  et )

Jika proses ini dilanjutkan, dengan asumsi bahwa  1  1 , kita akan mendaptkan limit:


Yt     0 X t    1(i 1) (  1   1  0 )Yt i  u t (11.25)
i 1

diamana
   (1   1   i2   i3  ...)   /(1   1 ) , dan u t  et   1et 1   12 et  2   13 et 3  ... .
Persamaan (11.25) adalah model infinite distributed lag,

Yt      i X t i  u t (11.26)
i 0

dengan lag weights

0  0
 1  ( 1   1  0 )
 2   1 ( 1   1  0 )   1 1
 3   12 1

 s   1( s 1) 1 . (11.27)

Dengan mengestimasi model ARDL(1,1), kita akan mendapatkan model infinite lag
dengan weights yang diberikan oleh (11.27). Serupa dengan proses tersebut, model
(ARDL(2,2) diberikan oleh:

Yt     0 X t   1 X t 1   2 X t  2   1Yt 1   2Yt  2  et (11.28)

akan memberikan infinite lag (11.26) dengan weights:

0  0
 1  ( 1   1  0 )

7
 2   0  2   1 1   2
3   2  1   1 2
4   3 1   2  2

s   s 1 1   s  2  2 . (11.29)

Dapat diperlihatkan bahwa sebuah model infinite lag dari ARDL(p,q), dengan nilai p
dan q yang cukup besar, adalah cukup flexible untuk mengaproksimasi segala bentuk
infinite lag distribution.

Soal Latihan

11.1. Apakah yang dimaksud dengan model dinamis?

11.2. Kapankah model finite distributed lag bisa diestimasi menggunakan OLS?

11.3. Jelaskan polynomial distributed lag.

11.4. Apakah peran penting AIC dan SIC dalam model dinamis?

11.5. Jelaskan transformasi Koyck dalam model dinamis

11.6. Apakah peran IV dalam model dinamis?