PERSAMAAN SIMULTAN

Pada kenyataannya banyak situasi dimana

hubungan sebab akibat tidak hanya terjadi satu
arah, tetapi terjadi dua arah. Seperti pada saat
tertentu naik turunnya harga. Secara matematis
ditunjukkan oleh:
Y = f(X)
X = f(Y)

Untuk kasus seperti ini, pendugaan koefisien

fungsi dengan menggunakan model persamaan
tunggal akan menyebabkan bias dan tidak konsisten.
Sehingga untuk menduga model seperti itu
digunakan model persamaan simultan.
 Misalnya fungsi permintaan dan penawaran sbb:
Penawaran : q  p 
s
t 1 t t

Permintaan : q  p  y 
d
t 1 t 2 t t

Keseimbangan : qts  qtd  qt

Maka :  1 pt   t   1 pt   2 y t   t
 1 pt   1 p t   2 y t   t   t
(  1   1 ) pt   2 y t   t   t
2   t
pt  yt  t
 1  1  1  1
 2 t   t 
qt   1  yt     t
  1  1  1  1 
     1 t  1 t   1 t
qt  1 2 y t  1 t 
 1  1  1  1  1  1
12     1 t
qt  yt  1 t
 1  1  1  1
 Beberapa contoh persamaan simultan adalah:
Model permintaan dan penawaran.
Qtd   0  1 Pt   2Yt  1t
Qts   o  1 Pt   2Tt   2t
Qtd  Qts
Dimana : Qd = kuantitas yang diminta Qs = kuantitas yang ditawarkan
P = Harga Y = Pendapatan
T = Teknologi t = waktu

Model Keynes untuk menetapkan pendapatan

Ct  0  1Yt  t
Yt  Ct  I t ( St )
C = Belanja konsumsi Y = Pendapatan
I = Investasi (diasumsikan bersifat eksogen)
S = Tabungan
t = waktu
Model Upah Harga.
(Berdasarkan model jenis Philips)

Wt   0  1U t   2 Pt  u1t

Pt  0  1Wt   2 Rt  3M t  u2t
Dimana:
W : tingkat perubahan upah
U : tingkat pengangguran
P : tingkat perubahan harga
R : tingkat perubahan biaya modal
M : tingkat perubahan bahan baku yang diimpor
t : waktu
Variabel-variabel dalam model persamaan simultan
Variabel endogen (endogeneous variable) adalah
variabel dalam persamaan simultan yang nilainya
ditentukan di dalam sistem persaman. Variabel ini
dapat berupa variabel independen atau variabel
dependen.
Variabel predetermine adalah variabel yang nilainya
ditentukan diluar sistem atau ditentukan terlebih
dahulu. Variabel predetermine meliputi konstanta,
variabel eksogen dan lag variabel (baik lag
endogenenus variable maupun lag exogeneous
variable).
Variabel eksogen (exogeneous varible) adalah variabel
yang nilainya tidak ditentukan di dalam sistem, tetapi
di luar sistem, misalnya ditentukan oleh suatu policy
atau faktor lain. Variabel ini mempengaruhi variabel
endogen di dalam sistem.
 Model persamaan simultan dapat berupa:
Model persamaan struktural
Model persamaan reduced form.
Model persamaan struktural atau tingkah laku (structural or
behavioral Equations) adalah model sistem persamaan yang
menggambarkan struktur hubungan antara variabel ekonomi yang satu
dengan variabel ekonomi yang lainnya.
Model struktural ini menggambarkan variabel endogen sebagai fungsi dari
variabel variabel endogen lainnya, variabel predetermine dan unsur
random.
Koefisien setiap persamaan struktural disebut parameter struktural
(structural parameters), yang menunjukkan pengaruh langsung (direct
effect) dari setiap variabel independen terhadap variabel dependen.

Sebagai contoh adalah sebagai berikut:

Ct   0  1Yt  1t
I t   0  1Yt   2Yt 1  2t
Yt  Ct  I t  Gt
Model persamaan reduced form adalah persamaan yang
dibentuk dari persamaan struktural sedemikian rupa
sehingga masing-masing variabel endogen dalam model
merupakan fungsi dari semua variabel predetermined dan
error.
Tujuan dibentuknya persamaan reduced form adalah untuk
menduga parameter atau koefisien fungsi dalam persamaan
struktural.
ct  1 yt  1t
it  1 yt   2 yt 1   2t
yt  ct  it  g t
Dari model di atas maka persamaan reduced form :
ct   11 yt 1   12 gt
it   21 yt 1   22 gt
yt   31 yt 1   32 gt
 Persamaan struktural
ct  1 yt  1t
it  1 yt   2 yt 1   2t
yt  ct  it  g t
Jika pers ct dan it di masukkan dalam persamaan yt, hasil
sebagai berikut:
yt  1 yt  1 yt   2 yt 1  gt
yt  1 yt  1 yt   2 yt 1  gt
yt (1  1  1 )   2 yt 1  gt
2 1
yt  yt 1  gt
1  1  1 1  1  1

Jika persamaan reduced form yt dimasukkan dalam

persamaan ct maka
 2 1 
ct  1  yt 1  gt 
1  1  1 1  1  1 
1 2 1
ct  yt 1  gt
1  1  1 1  1  1
Jika persamaan reduced form yt dimasukkan dalam
persamaan it maka diperoleh hasil sebagai berikut:
 2 1 
it  1  yt 1  gt    2 yt 1
1  1  1 1  1  1 
1 2 1
it  yt 1  gt   2 yt 1
1  1  1 1  1  1
 (1  1 ) 1
it  2 yt 1  gt
1  1  1 1  1  1

Persamaan reduced form sebagai berikut:

ct   11 yt 1   12 gt
it   21 yt 1   22 gt
yt   31 yt 1   32 gt
di mana 1  2 1
 11   12 
1  1  1 1  1  1
 (1  1 ) 1
 21  2  22 
1  1  1 1  1  1
2 1
 31   32 
1  1  1 1  1  1
Jika model persamaan simultan diduga dengan metode OLS
akan menyebabkan terjadinya bias yang dinamakan ”bias
persamaan simultan”, yaitu suatu keadaan di mana terjadi
‘over estimation atau under estimation’

Bias tersebut disebabkan karena variabel endogen dalam

model yang juga merupakan variabel independent berkorelasi
dengan error, sehingga terjadi pelanggaran asumsi OLS
 MASALAH IDENTIFIKASI

Pada saat menduga fungsi permintaan dan penawaran, tidak

dapat dijamin bahwa yang dihasilkan adalah fungsi permintaan
atau fungsi penawaran. Mengapa?
Dalam keadaan keseimbangan, data jumlah yang diminta dan
data jumlah yang ditawarkan adalah sama, demikian juga
halnya dengan data hargaPerlu identifikasi

Tujuan identifikasi model adalah untuk menentukan apakah

nilai πij yang diduga dari persamaan reduced form dapat
digunakan untuk menduga parameter dalam model persamaan
struktural atau tidak ?
Jika persamannya dapat diduga, metode pendugaan model
apa yang dapat digunakan ?
 Contoh : Model persamaan permintaan dan penawaran :
Qtd  01Pt   2 I t  u1t
Qts   0 1Pt  u2t
Qtd  Qts
Persamaan struktural permintaan dan penawaran tersebut
terdiri dari dua variabel endogen, Qt dan P, serta satu variabel
eksogen, I. Persamaan reduced form nya:
Pt  10  11I t  vt
Qt   20   21I t  wt
di mana
0   0 2     0 1 
10  , 11   ,  20  1 0 ,  21   2 1
1  1 1  1 1  1 1  1

Dari persamaan reduced form dapat dihitung koefisien fungsi

penawaran β0 dan β1 sebagai berikut
 0   20  110
 21
1 
11
Hasil Identifikasi

Just atau exact identification: kondisi di mana koefisien

fungsi penawaran dapat ditentukan secara tepat dari koefisien
persamaan reduced form. Metode yang digunakan untuk
menduga model adalah Indirect Least Square (ILS)

Under identification (tidak dapat diidentifikasikan). Kondisi di

mana dari persamaan reduced form tidak dapat digunakan
untuk menduga koefisien model struktural (Contoh di atas
fungsi permintaannya). Model tidak dapat diduga

Over identification : kondisi di mana dari koefisien persamaan

reduced form dapat menghasilkan lebih dari satu nilai salah
satu koefisien persamaan struktural. Metode yang digunakan
untuk menduga model adalah Two Stage Least Square
(2SLS=TSLS)
Untuk melakukan identifikasi suatu model persamaan
struktural dilakukan dengan order condition dan rank condition
Order Condition. Order condition merupakan syarat yang
harus dipenuhi untuk identifikasi, tetapi belum mencukupi.
Untuk melakukan identifikasi dengan order kondition dapat
digunakan rumus sebagai berikut:

(K−M) ≥ (G−1)
di mana:
G :banyaknya persamaan dalam model
K :banyaknya variabel (variabel endogen dan predetermined)
dalam model
M : banyaknya variabel dalam persamaan tertentu
Jika (K−M) < (G−1) : under identification,
Jika (K−M) = (G−1) :Just atau exactly indentification
Jika (K−M) > (G−1) :Over indentification.
Contoh :
Model versi Keynesian untuk menentukan pendapatan
nasional, terdiri dari fungsi konsumsi, fungsi investasi, fungsi
pajak dan persamaan identitas. Dalam model terdapat empat
variabel endogen,yaitu konsumsi C, investasi I, pajak T, dan
pendapatan nasional Y, dan dua variabel predetermine, lag
pendapatan Yt-1, dan pengeluaran pemerintah G.
Fungsi Konsumsi Ct   0  1Yt   2Tt  1t
Fungsi Investasi I t   0  1Yt   2Yt 1   2t
Fungsi Pajak Tt   0   1Yt  3t
Identitas Yt  Ct  I t  Gt
(1)Identifikasi Fungsi Konsumsi. Order Condition
Dalam model terdapat empat persamaan (G=4), enam
variabel, C, Y, Yt-1, T, I dan G (K=6). Dalam Fungsi
konsumsi terdapat tiga variabel, yaitu C, Y dan T (M=3)
(K – M) = (6-3)=3, (G -1)=(4-1)=3 memenuhi syarat
Rank Condition. Dalam dalam sistem persamaan yang terdiri dari
G persamaan, maka suatu persamaan memenuhi syarat identifikasi
jika dan hanya jika dapat dibentuk sekurang-kurangnya satu
determinant ordo (G-1) tidak sama dengan nol. Persamaan di atas
dapat juga dapat sajikan dalam bentuk fungsi implisit sebagai
berikut:
 Ct   0  1Yt   2Tt  1t  Ct  0 I t  0Gt   0  1Yt  0Yt 1   2Tt  1t  0
 I t   0  1Yt   2Yt 1  2t  0Ct  I t  0Gt   0  1Yt   2Yt 1  0Tt  2t  0
 Tt   0   1Yt  3t  0Ct  0 I t  0Gt   0   1Yt  0Yt 1  Tt  2t  0
 Yt  Ct  I t  Gt  Ct  I t  Gt  Yt  0Yt 1  0Tt  2t  0
Dari persamaan diatas koefisien fungsi dimasukkan dalam tabel berikut:

Persamaan
Ct It Gt Yt Yt-1 Tt
No.
1 -1 0 0 α1 0 α2
2 0 -1 0 β1 Β2 0
3 0 0 0 γ1 0 -1
4 1 1 1 -1 0 0
Dari Tabel tersebut nilai-nilai koefisien yang tidak tercoret
hanya dapat di bentuk satu determinan ordo 3, yaitu;

1 0 2
0 0 0 0
1 1 0

Dari determinan tersebut dapat diketahui bahwa fungsi

konsumsi, walaupun memenuhi syarat order condition tetapi
tidak memenuhi syarat rank condition, sehingga dapat
disimpulkan bahwa fungsi konsumsi tersebut under
identification.
(2) Identifikasi fungsi Investasi. Order Condition
Dalam model terdapat empat persamaan (G=4), enam
variabel, C, Y, Yt-1, T, I dan G (K=6). Dalam Fungsi
konsumsi terdapat dua variabel, yaitu I, Yt-1 T (M=2)
(K – M) = (6-2)=4, (G -1)=(4-1)=3 memenuhi syarat

Persamaan No. Ct It Gt Yt Yt-1 Tt

1 -1 0 0 α1 0 α2
2 0 -1 0 β1 Β2 0
3 0 0 0 γ1 0 -1
4 1 1 1 -1 0 0

Dari Tabel tersebut nilai-nilai koefisien yang tidak tercoret

dapat di bentuk lebih dari 1 determinan ordo 3, yaitu;
1 0  2
0 0 1  1  0
1 1 0
 Model Recursive
Terdapat situasi dimana OLS dapat diterapkan
secara benar bahkan dalam hubungan persamaan
simultan. Bentuk seperti ini terjadi pada kasus
model berulang (recursive), segitiga (triangular)
atau sebab-akibat. Salah satu contoh bentuk
recursive adalah :

Y1t = β10 + γ11X1t + γ12X2t + u1t

Y2t = β20 + β21Y1t + γ21X1t + γ12X2t + u1t

Y3t = β30 + β31Y1t + β32Y2t + γ21X1t + γ12X2t + u1t

 Metode Kuadrat Terkecil Tak Langsung (ILS=Indirect
Least Square)
Metode pendugaan model yang Just Identification adalah
dengan metode ILS yang meliputi tiga langkah, yakni :
1. Berdasarkan persamaan struktural dibentuk persamaan
reduced form di mana masing-masing variabel endogen
dalam model merupakan fungsi dari semua variabel
predetermined. Banyaknya persamaan reduced form sama
dengan banyaknya variabel endogen.
2. Menduga koefisien semua persamaan reduced form dalam
model dengan menggunakan metode OLS.
3. Menduga koefisien model persaman structural dengan
menggunakan koefisien yang dihasilkan dari pendugaan
persaman reduced form yang telah diduga dengan OLS.
Contoh. Model persamaan simultan dari fungsi permintaan,
fungsi penawaran dan keseimbangan pasar. Model terdiri dari
dua variabel endogen, yaitu jumlah, Q dan harga, P serta dua
variabel eksogen, yaitu pendapatan, I dan curah hujan C.
Qtd  01Pt   2 I t  u1t
Qts   0 1Pt   2Ct  u2t
Qtd  Qts
Persamaan reduced form sebagai berikut:

Qt   10   11I t   12Ct  vt
Pt   20   21I t   22Ct  wt
di mana
  0 1  1 0  2 1  1  2
 10  ,  11  ,  12  ,
1  1 1  1 1  1
 0  0 2  2
 20  ,  21  ,  22 
1  1 1  1 1  1
Dari koefisien persamaan reduced form dapat ditentukan nilai-
nilai koefisien persamaan struktural sebagai berikut:

 10 12  12  11 12 

 0   20    1   2   21  
  20  22   22   21  22 
 10 11  11  12 11 
0   20    1   2   22   
  20  21   21   22  21 
 Metode Kuadrat Terkecil Dua Tahap (2SLS)
Metode yang digunakan untuk persamaan struktural yang
over-identificationi, Metode Kuadrat Terkecil Dua Tahap/
Two Stage Least Square (2SLS).

Contoh:
Fungsi permintaan dan penawaran berikut yang terdiri dari
dua variabel endogen (Q dan P) dan tiga variabel
predetermined, yaitu pendapatan (I), curah hujan (C) dan
teknologi (T)

Qtd  01Pt   2 I t  u1t

Qts   0 1Pt   2Ct   3Tt  u2t
Qtd  Qts
Persamaan reduced formnya adalah sebagai berikut :

Pt  10  11It  12Ct  13T  vt

Persamaan ini diduga dengan metode OLS, hasilnya:

Pˆt  a0  b1It  b2Ct  b3T

Pilai P dugaan yang digunakan meregresikan persamaan asli
dan diduga dengan metode OLS sebagai berikut:

Q  01Pˆt   2 I t  u1t
t
d

Q     Pˆ   C   T  u
s
t 0 1 t 2 t 3 t 2t
Contoh Pendugaan Model Simultan dengan Metode Two
Stage Least Square. Model terdiri dari dua persamaan, yaitu
persamaan permintaan dan penawaran minyak goreng sawit.
Variabel endogen yang dimasukkan dalam model adalah
jumlah minyak goreng sawit yang diminta, Qd, yang
ditawarkan ,Qs dan harga minyak goreng sawit, P. Variabel
eksogen yang masuk model adalah pendapatan nasional, I,
harga minyak goreng kelapa, S, harga CPO, R, dan trend T.
Data yang digunakan data time series dari tahun 1980 sampai
dengan tahun 2004. Modelnya sbb:

Qtd  01Pt   2 I t   t St  u1t

Qts   0 1Pt   2 Rt   3Tt  u2t
Qtd  Qts

Hasil pendugaan adalah sebagai berikut :

TH Qd=Qs S P I R T
1980 279 1353 4430 58701 2252 0
1981 326 1171 4632 63486 2283 1
1982 326 1301 3502 64214 2153 2
1983 342 970 4298 69681 2096 3
1984 605 1221 4831 74718 2837 4
1985 490 1885 4159 77336 2828 5
1986 588 1201 3520 81959 2864 6
1987 664 1055 3722 86317 2487 7
1988 728 1264 4131 91800 2593 8
1989 847 1551 4058 100100 2573 9
1990 969 1381 3465 109008 2289 10
1991 981 882 3434 118685 2295 11
1992 1162 1078 3883 127257 2749 12
1993 1250 1038 3467 136558 2448 13
1994 1506 1005 3888 147003 2951 14
1995 1731 1356 4134 159589 3054 15
1996 2336 1428 3787 171162 2705 16
1997 2453 1600 3830 179479 2745 17
1998 2526 2097 6810 156151 3312 18
1999 2598 1933 4298 157616 2667 19
2000 2923 1563 3419 164808 2004 20
2001 3303 1324 3175 171328 1730 21
2002 3733 1484 3305 178991 2257 22
2003 4218 1541 3617 187841 2600 23
2004 4766 1625 3292 197550 2686 24
Dependent Variable: Qd
Method: Two-Stage Least Squares
Date: 08/10/02 Time: 09:50
Sample: 1980 2004
Included observations: 25
Qd=C(1)+C(2)*P+C(3)*I+C(4)*S
Instrument list: I S R T
Coefficient Std. Error t-Statistic Prob.
C(1) -108.4937 1282.264 -0.084611 0.9334
C(2) -0.740590 0.383885 -1.929200 0.0673
C(3) 0.020277 0.003931 5.157811 0.0000
C(4) 1.581350 0.675049 2.342569 0.0291
R-squared 0.814539 Mean dependent var 1666.000
Adjusted R-squared 0.788045 S.D. dependent var 1326.599
S.E. of regression 610.7476 Sum squared resid 7833264.
Durbin-Watson stat 1.755240

Dependent Variable: Qs
Method: Two-Stage Least Squares
Date: 08/10/02 Time: 09:30
Sample: 1980 2004
Included observations: 25
Newey-West HAC Standard Errors & Covariance (lag truncation=2)
Qs=C(1)+C(2)*P+C(3)*R+C(4)*T
Instrument list: I S R T
Coefficient Std. Error t-Statistic Prob.
C(1) -307.1231 1233.187 -0.249048 0.8057
C(2) 0.470670 0.455133 1.034136 0.3128
C(3) -0.828368 0.447164 -1.852494 0.0781
C(4) 184.1914 27.76672 6.633531 0.0000
R-squared 0.875588 Mean dependent var 1666.000
Adjusted R-squared 0.857815 S.D. dependent var 1326.599
S.E. of regression 500.2266 Sum squared resid 5254760.
Durbin-Watson stat 0.680604
System: UNTITLED
Estimation Method: Two-Stage Least Squares
Date: 08/10/02 Time: 09:46
Sample: 1980 2004
Included observations: 25
Total system (balanced) observations 50
Coefficient Std. Error t-Statistic Prob.
C(10) -108.4937 1282.264 -0.084611 0.9330
C(11) -0.740590 0.383885 -1.929200 0.0605
C(12) 0.020277 0.003931 5.157811 0.0000
C(13) 1.581350 0.675049 2.342569 0.0240
C(20) -307.1231 881.7674 -0.348304 0.7294
C(21) 0.470670 0.363706 1.294093 0.2027
C(22) -0.828368 0.507269 -1.632997 0.1099
C(23) 184.1914 16.89366 10.90299 0.0000

Determinant residual covariance 6.38E+10

Equation: Q=C(10)+C(11)*P+C(12)*I+C(13)*S
Instruments: I S R T C
Observations: 25
R-squared 0.814539 Mean dependent var 1666.000
Adjusted R-squared 0.788045 S.D. dependent var 1326.599
S.E. of regression 610.7476 Sum squared resid 7833265.
Durbin-Watson stat 1.755240
Equation: Q=C(20)+C(21)*P+C(22)*R+C(23)*T
Instruments: I S R T C
Observations: 25
R-squared 0.875588 Mean dependent var 1666.000
Adjusted R-squared 0.857815 S.D. dependent var 1326.599
S.E. of regression 500.2266 Sum squared resid 5254761.
Durbin-Watson stat 0.680604
 SIMULASI
SETELAH PERSAMAAN STRUKTUAL DAPAT DIDUGA
MAKA DAPAT DILAKUKAN SIMULASI. TUJUAN SIMULASI
ADALAH UNTUK MENGETAHUI BESARNYA PENGARUH
PERUBAHAN PEUBAH EXOGEN TERHADAP PEUBAH
ENDOGEN SECARA SIMULTAN.
TIME HORIZONS DARI SIMULASI DAPAT DIGAMBARKAN
SEBAGAI BERIKUT
Ex post simulation or
Backcasting Historical simulation Ex post forecast Ex ante forecast

Time,t

T1 Estimation period T2 T3
(Today)
Evaluasi Model Simulasi
Dalam persamaan tunggal untuk mengevaluasi apakah
model yang telah diduga dapat digunakan untuk
memprediksi dapat digunakan kreteria statistik seperti R2, F
test, t test dan lain sebagainya. Namun dalam persamaan
simultan kriteria statistik di atas belum mencukupi. Oleh
karena itu dalam persamaan simultan terdapat beberapa
kriteria yang dapat digunakan untuk mengevaluasi model
simultan dalam simulaisi . Ukuran yang sering digunakan
adalah rms(root-m ean-square) simulation error , yaitu:

1 T
rms error  
T t 1
( Yt s  Yta )2

Yt s  nilai simulasi Yt
Yta  nilai aktual Yt
T  banyaknya periode simulasi
Ukuran lain yang juga dapat digunakan adalah rms percent
error, yang didefinisikan sebagai berikut:
2
1  Yt  Yt
T s a

rms percent error   
T t 1  Yta



Ukuran lainnya adalah mean simulation error

1 T
mean simulation error   ( Yt s  Yta )
T t 1

dan mean percent error :

1 T  Yt s  Yta 
mean percent error    a

T t 1  Yt 
Ukuran statistik simulasi yang sangat berguna dan
berhubungan dengan rms sumilation error serta yang
diaplikasikan dalam evaluasi historical simulation adalah
Theil’s inequality coefficient, yang dirumuskan sbb:

1 T

T t 1
( Yt
s
 Y a 2
t )

U
1 T 1 T


T t 1
( Yt
s 2
)  
T t 1
( Y a 2
t )

Nilai U berkisar antara 0 dan 1. Jika Yts  Yta untuk

semua t, maka U  0. Ini berarti bahwa hasil
simulasi sangat sempurna. tetapi jika U  1 maka
hasil simulasi sangat jelek