MODEL PERSAMAAN

SIMULTAN

9 MEI 2018

1
PENGANTAR
Dalam model persamaan tunggal:
a. satu dependent variable (Y)
b. independent (explanatories) variable (X’s),
bersifat fixed
c. Satu arah pengaruh, yaitu X’s menyebabkan
atau menjelaskan Y. Tidak sebaliknya
Dalam model yang terdiri dari bbrp persamaan, sering
muncul:
a. Y dijelaskan oleh X’s
b. Dalam persamaan lain, sembarang X dijelaskan
oleh Y. Dalam model terjadi two-way or
simultaneous relationship diantara Y dan X
2
Lanjutan .....
c. Ada perbedaan status suatu variabel
diantara persamaan, dependent vs
explanatories.
d. Variabel yang dijelaskan dalam model
persamaan simultan disebut
endogenuos variables, bersifat stokastik.
Variabel yg hanya berstatus sebagai
penjelas disebut predetermined variable
(nilainya bersifat fixed, atau diketahui lebih
dulu).

3
e. Dlm model persamaan simultan, tidak bisa
mengestimasi paramater dalam suatu
persamaan, tanpa mempertimbangkan
persamaan2 lainnya.
f. Jika estimasi parameter suatu persamaan
menggunakan OLS, harus diasumsikan bhw
var explanatory harus bersifat fixed, atau jika
stokastik (random) harus tidak berkorelasi
dengan suku error/residual. Jika asumsi
dilanggar penduga OLS bersifat bias dan
inconsistent.

4
BUKTI BIASED DAN INCONSISTENT

 Contoh: Keynessian Model of Income Determination

 Konsumsi: Ct = 0+ 1Yt + ut, 0 < 1< 1 .....(1)
 Identitas Income: Yt = Ct + It .....(2)
Dari persamaan di atas C dan Y bersifat saling
mempengaruhi (interdependent).
Pd pers (1): Y mempengaruhi C.
Pd pers (2): C mempengaruhi Y.
Kemudian:
Pers 1: Jika ut naik, Ct naik
Pers 2: Ct naik Yt ikut naik.
 Jd jika ut naik  Yt naik. Yt dan ut tidak bebas, bahkan
berkorelasi. OLS tidak tidak bisa diterapkan
5
 Kenapa Bias dan Inconsistent?
 Misal kita akan menduga persamaan (1). Asumsi Classic
model regresi linier:
E (ut )  0, E (ut2 )   2 , E (ut ut  j )  0 (utk j  0) dan cov( I t , ut )  0
 Apakah Y dan u berkorelasi?
Pers 1 sisip ke 2: Yt   0  1Yt  ut  I t ..... (3)
0  u
Diringkas: Yt   1 It  t .....(4)
1  1 1  1 1  1
 
Expected Yt: E (Yt )  0  1 I t .....(5)
1  1 1  1

6
 ut
 Pers (4) dikurang (5) diperoleh: Yt  E (Yt ) 
1  1
Sementara: ut  E (ut )  ut
Covarian : cov(Yt , ut )  E[Yt  E (Yt )][ut  E (ut )]
Yt dan ut
E (ut2 )

1  1
2
  0, jika 0  1  1
1  1
Jadi Yt dan ut diduga berkorelasi, yang berarti melanggar asumsi regresi
linier classic

7
 Apakah penduga 1 bersifat unbiased?

ˆ1  
(Ct  C )(Yt  Y )
 (Yt  Y ) 2

 ct y t
 yt2

 Ct y t ..... (6)
 yt2
Substitusi Ct oleh (1)
Expektasi (7):

 ( 0  1Yt  ut ) yt   yt ut 
ˆ1  ˆ
E ( 1 )  1  E  2 
.....8
 yt2   yt 
 yt ut .... (7)
  Ternyata ˆ1 bersifat biased
1
 yt2

8
 Apakah ˆ1 bersifat consistent?
Sebuah estimator disebut konsisten jk probability limit atau plimit
sama dengan nilai sebenarnya (paramater populasinya)
 Mengaplikasikan aturan plimit thd (7):

  yt ut  Ketika n  , persamaan (9) menjadi :

p lim( 1 )  p lim( 1 )  p lim 
ˆ 
 y  2
 2
/(1  1 )
 t 
p lim( ˆ1 )  1 
  yt ut / n   Y2
 p lim( 1 )  p lim  
 y /n 
2 1 2
 t   1 
(1  1 )  Y2
  yt ut / n 
 1  p lim   ..... (9)
 y /n 
2
 t 

Ternyata: estimator ˆ1 tidak konsisten

9
IDENTIFICATION PROBLEM
 Notasi:
 Bentuk Umum Model pers simultan:

 Penjelasan Notasi:
 Y1,Y2,...,YM= variabel endogen

 X1,X2, ..., Xk = variabel predetermined (diantaranya bernilai unity)

 u1,u2,...,um = disturbance bersifat stokastik

 t=1,2,...,T = total number of observation

 ’s = koef var endogen

 ’s = koef var predetermined

10
 Kategorisasi Variabel dalam Model:
 Var Endogen: nilainya ditentukan dalam model, dan
bersifat stokastik (random)
 Var Predetermined: nilainya ditentukan di luar model atau
diketahui lebih dahulu; dan bersifat nonstokastik.
 Var eksogen:
 Nilai sekarang: X1t
 Nilai lag : X1,t-1  var eksogen X1 lag satu periode
 Var lag endogen: Y1,t-1 var endogen Y1 pada lag satu
periode. Y1,t-1 sudah diketahui pd saat ini shg nonstokastik
(satu periode yg lalu belum diket, msh bersifat endogen).
 Penentuan var endogen dan predetermined diserahkan
kepada penyusun model (ahli pada bidangnya).
11
 Klasifikasi Persamaan
 Pers struktural atau Behavioral atau Perilaku:
menjelaskan struktur atau perilaku pelaku
ekonomi (produsen, konsumen)
 Pers identitas: menyatakan hubungan teknis atau
neraca. Tidak ada suku disturbance error.
 Pers bentuk tereduksi (reduce-form): menjelaskan
variabel endogen oleh hanya var predetermined
dan disturbance error yg stokastik.

12
 Kategorisasi Parameter /Koefisien:
 Koefisien Struktural: koefisien yang melekat pada
variabel-variabel dalam persamaan struktural atau
perilaku
 1 2, ..., M dan 1, 2,... ,k, adalah koefisien struktural
pada ilustrasi model pers simultan di atas.
 Koefisien Reduce-Form: koefisien yang melekat
pada variabel-variabel predetermined pada
persamaan reduce-form.

13
 Ilustrasi Model pers Simultan sederhana:
 Keynessian Income Determination:
 Fungsi Konsumsi: Ct   0  1Yt  ut ..... (10)

 Identitas Income: Yt  Ct  I t ..... (11)

 Dalam model di atas C dan Y adalah var endogen,

dan I var eksogen, ut disturbance error
 Pers (10): persamaan struktural. Koef 0, dan 1 koef
struktural
 Pers (11): persamaan identitas. Dlm pers identitas tidak
ada disturbance error.

14
 Persamaan reduce-form.
 Jika pers (10) disubstitusikan ke (11) diperoleh persamaan
reduce-form, yaitu var endogen Y sbg fungsi dari var
eksogen (predetermined) I dan suku stokastik w
Yt   0  1I t  wt ...... (12)

Koef 0 dan 1 adalah koef pers reduce-form, yang dapat

diperoleh dari koef struktural dg manipulasi:
0 1 ut
0  1  wt 
1  1 1  1 1  1
Perhatikan: koefisien reduce-form merupk kombinasi non linier
dari koef struktural

15
 Jika persaman (12) disubstitusikan ke dalam persamaan (10)
diperoleh reduce-form, yaitu var endogen Y sbg fungsi dari var
eksogen (predetermined) I dan suku stokastik w :

Ct   2  3 I t  wt ...... (13)
Koef 2 dan 3 adalah koef pers reduce-form, yang dapat
diperoleh dari koef struktural dg manipulasi:
0 1 ut
2    w 
1  1 1  1 1  1
3 t

 Yang menarik adalah krn var eksogen I tidak berkorelasi

dengan suku error w, maka OLS dapat diterapkan untuk
mengestimasi koef pers reduce-form.

16
 Kemudian koefisien reduce-form berpotensi atau
berpeluang mampu mengestimasi koef pers struktural.
Prosedur estimasi pers struktural dr koef pers reduce-
form disebut Metode Indirect Least Square (ILS).

 Mampu tidaknya koef reduce-form (RF) mengestimasi

koef persamaan struktural bergantung kepada
identifiability sebuah persamaan dalam model simultan.
Klasifikasi Identifiability:
 Unidentified: koef struktural tidak mampu diestimasi oleh koef RF
 Exactly Identified: koef struktural secara unik mampu diestimasi
oleh koef pers RF
 Overidentified: koef struktrual mampu diestimasi oleh koef RF
tetapi hasilnya tidak unik.

17
RULE OF IDENTIFICATION

 ORDER CONDITION.
Didefinisikan simbol:
M = banyak var endogen dalam model
m = banyak var endogen dlm persamaan yg sedang diperiksa
K = banyak var predetermined dalam model
k = banyak var predetermined dalam persamaan yg sedang diperiksa
 Jika:
 K -k < m-1  pers tidak teridentifikasi (unidentified)
 K -k = m-1  pers tepat teridentifikasi (exactly identified)
 K -k > m-1  pers teridentifikasi blebihan (overidentified)

18
 Ilustrasi 1:
 Fungsi demand: Qt   0  1Pt  u1t
 Fungsi supply: Qt   0  1Pt  u2t

Qt, Pt : var endogen M=2

TIdak ada var predetermined K=0
Fs Demand: m=2, k=0 K-k < m-1 atau 0 < 1 unidentified
Fs Supply : m=2, k=0 K-k < m-1 atau 0 < 1 unidentified
Jd kedua persamaan dalam model tidak teridentifikasi menurut order
condition

19
 Ilustrasi 2:
 Fungsi demand: Qt   0  1Pt   2 I t  u1t
 Fungsi supply: Qt   0  1Pt  u2t

Qt, Pt : var endogen M=2exactly identified

It : var predetermined (eksogen) K=1

Fs Demand: m=2, k=1 K-k < m-1 atau 0 < 1 unidentified

Fs Supply : m=2, k=0 K-k = m-1 atau 1 = 1 exactly identified
Jadi persamaan demand: tidak teridentifikasi (unidentified)
Persamaan supply: teridentifikasi scr tepat (exactly or just identified)

20
 Ilustrasi 3:
 Fungsi demand: Qt   0  1 Pt   2 I t  u1t
 Fungsi supply: Qt   0  1 Pt   2 Pt 1  u2t

Qt, Pt : var endogen M=2

It dan Pt-1: var predetermined (eksogen) K=2

Fs Demand: m=2, k=1 K-k = m-1 atau 1 = 1 exactly identified

Fs Supply : m=2, k=1 K-k = m-1 atau 1 = 1 exactly identified
Jadi persamaan demand dan supply: teridentifikasi secara tepat
(exactly or just identified)

21
 Ilustrasi 4:
 Fungsi demand: Qt   0  1 Pt   2 I t   3 Rt  u1t
 Fungsi supply: Qt   0  1 Pt   2 Pt 1  u2t

Qt, Pt : var endogen M=2

It, Pt-1, Rt: var predetermined (eksogen) K=3

Fs Demand: m=2, k=2 K-k = m-1 atau 1 = 1 exactly identified

Fs Supply : m=2, k=1 K-k > m-1 atau 2 > 1 over identified
Jadi:
Persamaan demand: teridentifikasi secara tepat (exactly or just identified)
Persamaan supply: teridentifikasi berlebihan (over identified)
sehingga solusinya tidak unik.

22
 Rank Condition
 Ingat order condition adalah sebuah necessary but not
sufficient condition untuk identifikasi sebuah persamaan
dalam model simultan. Artinya walaupun order condition
terpenuhi boleh jadi persamaan tidak teridentifikasi

 Rule of Rank condition: “Dlm model yg mengandung M

persamaan, dalam M variabel endogen, persamaan
tertentu dikatakan teridentifikasi jk dan hanya jk setidaknya
(at least) ada satu matriks berdimensi (M-1)(M-1) yang
berdeterminan bukan nol, yang dibentuk dari koefisien-2
variabel (endogen dan predetermined) yang dikeluarkan
dari persamaan tertentu, tetapi tercakup dalam persamaan-
2 lain dalam model”.

23
 General Principle of identifiability sebuah
persamaan struktural dalam model yang
tersusun dari M persamaan:
 Jika K-k > m-1 dan rank matriks A adl M-1, persamaan overidentified
 Jika K-k = m-1 dan rank matriks A adl M-1, persamaan exactly
identified
 Jika K-k >= m-1 dan rank matriks A kurang dari M-1, persamaan
underidentified
 Jika K-k < m-1, persamaan struktural tertentu unidentified. Sebab
determinant matriks A kurang dari (M-1)

24
TEST OF SIMULTANEITY

 Jika tidak ada fenomena persamaan simultan, maka

estimator OLS menghasilkan penduga koefisien yang
konsisten dan efisien.
 Sebaliknya jika ada fenomena persamaan simultan
estimator OLS tidak pernah konsisten. Prosedur
alternatif adalah menggunakan metode 2SLS (Two-
Stage Least Square) atau Instrumental Variable (IV).
 Harus dipahami: jika tidak ada fenomena persamaan simultan,
menggunakan 2SLS atau IV menghasilkan penduga yang
konsisten, tetapi tidak efisien.

25
 Hausman Spesification Test
 Tepatnya disebut Hausman specification error
test. Ilustrasi model simultan dg 2 persamaan:
 Fungsi demand: Qt   0  1Pt   2 I t   3 Rt  u1t ..... (14)
 Fungsi supply: Qt   0  1Pt  u2t ..... (15)

dimana: Qt dan Pt : endogen; It dan Rt: var eksogen

Ingat: jk dalam (15) tidak ada gejala kesimultanan (Q dan P mutually
independent), maka Pt dan u2t tidak berkorelasi. Jika sebaliknya,
maka Pt dan u2t berkorelasi.
Utk menjawab ini dijalankan Prosedur Hausman Test.

26
 Buat persamaan reduce-form:
Pt   0  1I t   2 Rt  vt ..... (16)
Qt   3   4 I t   5 Rt  wt ..... (17)

Dengan OLS diperoleh :

Pˆt  
ˆ 0  ˆ 1I t  
ˆ 2 Rt ..... (18)
Pt  Pˆt  vˆt ...... (19)
Substitusikan (19) ke (15) untuk memperoleh:

Qt  0  1Pˆt  1vˆt  u 2t ..... (20)

DIbawah hipotesis tdk ada kesimultanan, maka tidak ada korelasi antara vt
dan u2t di (20). Atau jika koef vt secara statistik tidak berbeda dengan nol,
mk tidak ada kesimultanan. Sebaliknya ada kesimultanan.

27
METODE ESTIMASI
 Ada dua kelas metode pendugaan:
 Persamaan-tunggal atau Limited Information methods:
mengestimate satu persamaan secara individual dalam
sistem. Metode ini kurang sensitif thd kesalahan
spesifikasi, maksudnya pers yg sdh dispesifikasikan dg
baik tidak terpengaruh oleh kesalahan spesifikasi di bagian
lain.
 Full information methods: mengestimasi semua
persamaam yg ada dalam model secara simultan.
 Termasuk ke dalam kelas ini: Full Information Maximum
likelihood (FIML) Methods. Metode ini sangat ideal sekali.
Namun ada beberapa kelemahan: (1) biasanya nonlinier
dalam paramater, shg sulit ditelusuri, (2) sangat sensitif
terhadap kesalahan spesifikasi model
 Yg akan dibahas: OLS, ILS dan 2SLS

28
MODEL RECURSIVE DAN
ORDINARY LEAST SQUARE
 Dalam situasi tertentu OLS boleh digunakan untuk
mengestimasi paramater persamaan simultan, yaitu
pada kasus model simultan bersifat recursive, model
segitiga atau model sebab-akibat satu arah.
 Ilustrasi:

....(21)

Variabel endogen: Y1, Y2, Y3; Predetermined: X1 dan X2.

Diasumsikan tidak ada korelasi suku-error antar persamaan.
Cov(u1t,u2t)=cov(u1t,u3t)=cov(u2t,u3t)=0

29
 Dalam model recursive (21) tidak ada gejala persamaan-
simultan. Perhatikan bagan berikut:
Asumsi: X1, X2 eksogen bersifat fixed
Dpt ditelusuri bhw:
• u1 tdk berkorelasi dg X1, X2
• u2 tdk berkorelasi dg Y1
• u3 tdk berkorelasi dg Y1 dan Y2

30
 Lebih mudah mengenal tidak ada gejala
persamaan-simultan dengan matriks koef antar
variabel endogen, dimana matriks segi tsb
berbentuk segitiga bawah atau atas

Y1 Y2 Y3
Persamaan 1 1 0 0
Persamaan 2 21 1 0
Persamaan 3 31  32 1

31
JUST IDENTIFIED DAN ILS

 Koef persamaan struktural yg exactly atau just

identified dapat diestimasi dari penduga OLS
persamaan Reduce-Form. Metode menduga koef
struktural dari koef RF disebut Indirect Least Square
(ILS). Parameter dugaannya disebut dugaan ILS.
 Langkah-langkah:
 Susun persamaan RF: Endogen dijelaskan hanya oleh
semua predetermined & disturbance error
 Gunakan OLS untuk menduga koef persamaan RF
 Manipulasi rumus untuk memperoleh koef pers struktural
dari koef RF

32
OVER IDENTIFIED DAN 2SLS
 Metode 2SLS digunakan jika order condition
menyatakan overidentified.
 Prosedur 2SLS akan lebih jelas dengan mengikuti
ilustrasi berikut:

Y1t  10  12Y2t  11X 1t  12 X 2t  u1t ....(22)

Y2t   20   21Y1t   23 X 3t   24 X 4t  u2t ....(23)

dimana:
Y1t =Income; Y2t = Stock of money
X1 =investment; X2=Govt expenditure; X3=income periode sebelumnya
X4=stock of money periode sebelumnya

33
ORDER CONDITION

 Analisa model atau sistem persamaan:

 M=2 (Y1 dan Y2)
 K=4 (X1, X2, X3, dan X4)
 Persamaan (22):
 m=2 (Y1 , Y2), k=2 (X1, X2), order condition: K-k > m-1
overidentified
 Persamaan (23)
 m=2 (Y1 , Y2), k=2 (X3, X4), order condition: K-k > m-1
overidentified
 Jadi pers (22) dan (23) overidentified shg tidak mampu
diestimasi dengan ILS. Sbg alternatifnya menggunakan
2SLS.

34
SIMULTANEOUS –EQUATION
PROBLEM
 Simultaneuous-equations Problem
 Pada pers (22): Jika u1t  Y1t Y2t . Ada
korelasi antara Y2t dan u1t  melanggar asumsi
classic OLS
 Pada pers (23): Jika u2t  Y2t Y1t . Ada
korelasi antara Y1t dan u2t  melanggar asumsi
classic OLS
 Pelanggaran asumsi classic OLS
mengakibatkan penduga koefisien
persamaan bias dan tidak konsisten.

35
VARIABEL INSTRUMENTAL

 Seandainya bisa mencari sebuah variabel yg menjadi

proxy bagi explanatory Y1, sedemikian rupa shg
walaupun “menyerupai” Y1, tetapi tidak berkorelasi
dengan u2. Variabel proxy bagi Y1 spt itu disebut
Instrumental Variable Y1.
 Cara menemukan proxy bagi explanatory variable tsb
terdapat pada prosedur 2SLS, yang dikembangkan oleh
Henri Theil (1953) dan Robert Basman (1957).

36
LANGKAH-2 METODE 2SLS
 Langkah-2 estimasi:
 Stage-1:
 untuk membersihkan korelasi antara Y2 dan u1 pada (22),
regresikan Y1 oleh semua variabel predetermined yang ada
dlm model (semua persamaan). Diperoleh persamaan:

ˆ 10  
Y1t   ˆ 11X1t  
ˆ 12 X 2t  
ˆ 13 X 3t  
ˆ 14 X 4t uˆ1t ...(24)

 Demikian pula untuk membersihkan korelasi antara Y1 dan u2

pada (23), regresikan Y2 oleh semua var predertemined
dalam model. Diperoleh persamaan:

ˆ 20  
Y2t   ˆ 21X1t  
ˆ 22 X 2t  
ˆ 23 X 3t  
ˆ 24 X 4t uˆ 2t ...(25)

37
 Persamaan (24) dan (25) diringkas menjadi:

Y1t  Yˆ1t  uˆ1t dan Y2t  Yˆ2t  uˆ2t

Nilai stokastik Y1t terdiri dari 2 bagian, yaitu:

Yˆ1t kombinasi linier dari X’s nonstokastik dan

uˆ1t bersifat stokastik

Demikian juga : Y2t

Secara teori, Yˆ1t dan uˆ1t tidak berkorelasi. Demikian

juga untuk Y2t

38
Akhirnya masalah kesimultanan-pers diatasi dengan:
ˆ
 Y1t difungsikan sbg pengganti var Y 1t di pers (22)
ˆ
 Y2t difungsikan sbg pengganti var Y 2t di pers (23)

 Substitusikan penduga Y1 dan Y2 ke dalam persamaan (22)

dan (23):
Y1t  10  12Yˆ2t  11X1t  12 X 2t  u1*t ....(26)
Y2t   20   21Yˆ1t   23 X 3t   24 X 4t  u*2t ....(27)

Sedangkan u*  u   uˆ u2*t  u2t  21uˆ1t

1t 1t 12 2t

39
 Stage-2:
 Pada langkah ini dilakukan regresi dengan OLS untuk
mengestimasi persamaan (26) dan (27).
 Hasil estimasi dengan demikian akan konsisten.

40
Properties Metode 2SLS
 Ciri-ciri 2SLS
 Dapat diterapkan thd pers individual, tanpa secara langsung
memasukkan persamaan-2 lainnya ke dalam sistem.
 Tidak seperti ILS yang menghasilkan penduga ganda ketika
overidentified, 2SLS menghasilkan penduga unik.
 Mudah dijalankan, krn cukup dengan mengetahui semua var
eksogen atau predetermined yang ada pada sistem.
 Metode 2SLS dapat diterapkan pada model yang just atau
exaclty identified. Pada keadaan itu, ILS dan 2SLS memberikan
hasil yang sama
 Metode 2SLS akan semakin baik dengan semakin tinggi R2 pada
persamaan RF di Stage-1. Sebaliknya semakin buruk.
 Std Error dari penduga koef struktural yang diduga oleh ILS sulit
dihitung. Sedangkan Std Error koef struktural dari penduga 2SLS
lebih mudah dihitung.

41
Pustaka

1. Gujarati, D.N. 2003. Basic Econometric, 4th Ed. McGraw

Hill.
2. Greene, W.H. 2000. Econometric Analysis. 4th Ed.
Prentice Hall.
3. Verbeek, M. 2000. A Guide to Modern Econometric.
John Wiley and Son.
4. Maddala, G.S. Introduction to Enonometrics, 3rd Ed.
John Wiley and Son.

42
KASUS MODEL PERSAMAAN SIMULTAN

Berikut adalah sebuah model persamaan simultan untuk menjelaskan perilaku

komponen PDRB pengeluaran di Provinsi DKI Jakarta.
 CONS = 10 + 11PDRB + 12IHK + 13DEF + 14D9808 + u1 ………… (1)
 GOV = 20 + 21PDRB + 22PAD + 23D9808 +24GOV(-1)+ u2 ……… (2)
 INV = 30 + 31KRE + 32IHK + 33DWCR + u3 ……… (3)
 EX = 40 + 41GDPW10 + 42NER + 43IMP + u4 ………… (4)
 IMP = 50 + 51CONS + 52GOV + 53NER + 54D9808+ u5 ……… (5)
 DEF = 60 + 61IHK + u6 ………… (6)
 PDRB= CONS + GOV + INV + EXP – IMP ………… (7)

43
Deskripsi komponen dalam model (variable berlaku di wilayah DKI Jakarta):
Endogeneous Variable:
 CONS = pengeluaran konsumsi rumah tangga (harga konstan)
 GOV = pengeluaran konsumsi pemerintah (harga konstan)
 INV = pengeluaran belanja barang modal (harga konstan)
 EX = Ekspor barang dan jasa (harga konstan)
 IMP = impor barang dan jasa (harga konstan)
 PDRB = total PDRB provinsi DKI Jakarta (harga konstan)
 DEF = deflator PDRB
Predetermined Variable:
 IHK = indeks harga konsumen
 PAD = Pendapatan Asli Daerah
 KRE = total kredit yang disalurkan untuk investasi di Jakarta
 DWCR = dummy krisis dunia, periode 2008-2009 bernilai=1 lainnya=0
 GDPW10 = PDB dunia, didekati oleh PDB di 10 negara terbesar
 NER = Nominal Exchange Rate (nilait tukar nominal IDR dengan USD)
 D9808 = dummy krisis, periode 1998-2008 bernilai =1, lainnya =0.
 GOV(-1) = lag 1 dari variable GOV
Parameter:
 ij (i=1,2,..6, dan j=0,1,2,…4) = koefisien persamaan
 ui (i=1,2,3,4,5,6) = suku kesalahan bersifat acak

44
Data Historis
Variabel Endogen
PDRB CONS GOV INV EX IMP DEF
1993 195134 82984 13438 96896 109104 107289 0.26
1994 211929 92160 13528 97890 118973 110623 0.28
1995 231568 99594 14283 108228 131448 121984 0.30
1996 252629 106542 13673 118533 148373 134492 0.33
1997 265529 116102 10923 120863 149622 131981 0.36
1998 219089 100592 8881 84083 131602 106069 0.63
1999 218458 107586 8753 84283 104230 86393 0.75
2000 227924 113054 11089 76557 136759 109534 1.00
2001 238656 123628 11055 58661 131594 86282 1.11
2002 250331 126888 11463 54033 142666 84720 1.20
2003 263624 131132 12302 57865 165509 103183 1.27
2004 278525 137531 12936 63740 192258 127939 1.35
2005 295271 147817 13799 70677 213984 151007 1.47
2006 312827 159987 14867 74142 223058 159227 1.60
2007 332971 173273 16188 86639 235838 178966 1.70
2008 353723 186223 17453 131641 246693 228286 1.91
2009 371469 197680 20084 131301 247276 224871 2.04
2010 395634 209798 20197 143324 265506 243192 2.18
2011 422163 222879 20954 154864 297799 274333 2.33
2012 449821 236905 21240 168181 316460 292965 2.45

45
Variabel Exogen
GDPW10 KRE PAD NER IHK DWCR D9808 D9899 D0919 DCR98
1993 17811972 88625 745242 2086.20 36.42 0 0 0 0 0
1994 18439920 123888 1236077 2159.70 39.87 0 0 0 0 0
1995 18970630 159151 1583709 2244.40 43.97 0 0 0 0 0
1996 19601228 194414 1758694 2327.80 48.13 0 0 0 0 0
1997 20304437 229677 1819898 2880.60 64.43 0 0 0 0 0
1998 20771510 346748 1377126 9929.00 80.73 0 1 1 0 1
1999 21498224 136587 1576170 7868.40 95.97 0 1 1 0 1
2000 22356014 117274 2862515 8391.70 100.00 0 1 0 0 1
2001 22724066 120331 3644151 10253.20 111.52 0 1 0 0 1
2002 23174040 142923 3546415 9317.90 121.64 0 1 0 0 1
2003 23773755 241463 5261851 8576.70 128.52 0 1 0 0 1
2004 24593747 293117 6430335 8928.30 136.07 0 1 0 0 1
2005 25345417 346728 7597868 9704.90 157.92 0 1 0 0 1
2006 26204861 419601 7817545 9164.50 167.44 0 1 0 0 1
2007 27090894 526199 8733023 9139.40 177.54 0 1 0 0 1
2008 27290794 630723 10455566 9692.30 193.77 1 1 0 0 1
2009 26663910 749601 10601058 10408.10 202.06 1 0 0 1 1
2010 27706138 825549 12891992 9086.90 211.68 0 0 0 1 1
2011 28379933 990659 17825987 8776.00 222.51 0 0 0 1 1
2012 29104190 1188791 22040800 9384.20 232.57 0 0 0 1 1

46