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 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)
1
Yt 0 X t 1 X t 1 2 X t 2 n X t n et , t n 1,..., T (11.3)
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.
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)
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:
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.
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)
TN TN
dan Schwartz’s SC
SSE n (n 2) ln(T N )
SC ln (11.12)
TN TN
3
Intinya adalah mencari panjang lag n* yang meminimalkan AIC atau SIC.
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)
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)
E (Yt )
i i (11.16)
X t i
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 2Yˆt 1 1 X t t (11.19)
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:
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.
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)
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 )
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
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:
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
11.2. Kapankah model finite distributed lag bisa diestimasi menggunakan OLS?
11.4. Apakah peran penting AIC dan SIC dalam model dinamis?