Kuliah 2 Dan 3 Emet
Kuliah 2 Dan 3 Emet
Bahan Ajar
Ekonometrika Time Series
Pengertian
• Dalam analisis model regressi menggunakan
data deret waktu (time series), seringkali
pengaruh variabel penjelas pada waktu ke-t (Xt),
memerlukan waktu cukup lama (misalnya k
tahun) untuk memberikan dampak terhadap
variabel respons (Yt+k).
• Waktu yang diperlukan timbulnya respons Y
akibat suatu pengaruh (tindakan/keputusan)
disebut ”Lags” (beda waktu).
• Kelambanan pengaruh ini karena berbagai
alasan, seperti teknologi, institusi dan psikologis.
Alasan adanya Lag
• Alasan Psikologis
– Manusia tidak bisa mengubah kebiasaan dengan segera walaupun
terjadi perubahan pada faktor yang mempengaruhi kebiasaan tsb
– Akan menunggu apakah perubahan tsb permanen atau sementara
• Alasan teknologi
– Ditemukannya teknologi baru, dampak
terhadap proses produksi baru akan terasa
beberapa waktu /tahun kemudian
• Alasan Institusi
– Karena adanya aturan atau kontrak
Contoh Fenomena yang mengikuti
pola distributed lag model
• Pengaruh pemberian kredit untuk perluasan usaha terhadap
produksi perusahaan memerlukan beberapa waktu periode
• Supply uang mempengaruhi tingkat inflasi setelah beberapa
kuartal
• Investasi dalam melakukan riset dan pengembangan akan
memerlukan waktu cukup panjang untuk meningkatkan
produktifitas.
• Pengaruh kenaikan pendapatan agregat terhadap konsumsi
agregat pada waktu t yang sama, tidak langsung sebesar
kecenderungan marginal untuk mengkonsumsinya (MPC) karena
tergantung dari ekspektasi masyarakat yang bersangkutan ,
apakah kenaikan pendapatan tersebut sudah permanen atau
hanya untuk sementara.
Contoh Kasus
• Misalnya, seorang begitu menerima kenaikan
pendapatan sebesar Rp 2 Juta, dalam satu bulan
tertentu, misalnya januari, kemungkinan kenaikan
konsumsi pada bulan yang sama hanya Rp 800 ribu,
kemudian Rp 600 ribu untuk tambahan konsumsi pada
bulan Februari, serta 400 ribu untuk tambahan
konsumsi pada bulan maret dan sisanya ditabung.
k
Yt s X t s t
s 0
k
i 0
i
maka proporsi pengaruh periode ke - i terhadap long run atau total adalah
i
i*
Pendugaan : Pendekatan Ad-Hoc
• Jika jumlah lag sedikit, Dependent Variable: PC
Method: Least Squares
persamaan dapat diduga Date: 09/09/15 Time: 14:00
Sample (adjusted): 1989Q2 2009Q2
dengan metode OLS. Alt dan Included observations: 81 after adjustments
Tinbergen mengusulkan Variable Coefficient Std. Error t-Statistic Prob.
pendugaan parameter
koefisien dengan OLS secara C
PDB
-35599.20
0.357248
6753.464
0.134199
-5.271251
2.662071
0.0000
0.0094
berurutan. PDB(-1) 0.310049 0.135577 2.286887 0.0249
ss sw s
w /(1 w) 2 w
meanlag s 0
1 /(1 w) 1 w
m s w s s ws
s 0 s 0 1 w s 0
Pendekatan Koyck
• Pendugaan model sebaran beda
Dependent Variable: PC
waktu geometrik sebagaimana Method: Least Squares
Date: 09/09/15 Time: 14:02
dinyatakan pada persamaan Sample (adjusted): 1989Q2 2009Q2
Included observations: 81 after adjustments
sebelumnya , kelihatannya sulit
diduga karena melibatkan jumlah Variable Coefficient Std. Error t-Statistic Prob.
berikut :
Yt * *X t* t *
Yt X t* t
*
Yt 0 1 X t 2Yt 1 3Yt 2 vt
Pendugaan Model AR
• Koyck Model : Yt (1 w) wYt 1 X t ut
• Adaptive Expectation :
Yt * (1 )Yt 1 * X t u t * ; di mana u t * t * (1 ) t 1 *
• Merupakan bentuk AR
• OLS tidak bisa diterapkan secara langsung ,
mengapa ? Adanya variable penjelas yang
stochastic dan serial correlation . Tunjukkan
dan apa implikasinya jika dipaksakan
menggunakan OLS !
Metode Pendugaan dengan
Instrumental Variable (IV)
Yt 0 1 X t 2Yt 1 vt
Cari Variable Proxy bagi Yt-1, Leviatan menyarankan Proxy nya
adalah Xt-1, disebut sebagai IV , seehingga modelnya menjadi :
Yt 0 1 X t 2 X t 1 vt
Problem : Walaupun OLS menghasilkan penduga yang
konsisten, tetapai tidak efisien, karena Xt dengan Xt-1
multikolinierity Bagaimana menemukan proxy variabel (IV)
yang bagus ? Tidak mudah , dan jika tidak ditemukan
disraankan pendugaaanya dengan Maximum Likelihood
n
h ˆ
1 nVar ( 2 )
d
ˆ 1
2
Contoh Kasus :
The Demand for Money
Model Permintaan Uang
M t* 0 Rt1 Yt 2 e ut
M
M t 1 t 1
Hasil Estimasi Permintaan Uang
Jangka Pendek
Dependent Variable: LOG(M1)
Method: Leas t Squares
Date: 09/14/16 Tim e: 11:23
Sam ple (adjus ted): 1979Q2 1988Q4
Included obs ervations : 39 after adjus tm ents
2. X Y , jika i 0
0 , j
3. Y X , jika
0 , 0
i j
Regresikan Y dengan Yt-1, Yt-2 ... (nilai lag-nya) tanpa memasukkan nilai lag
variable X. Dapatkan Sum Square Errornya (misalkan =SSE1).
2. Regresikan Y dengan nilai lag-nya dengan memasukkan nilai lag variable X.
Dapatkan Sum Square Error ( misalkan = SSE2).
3. Dapatkan Statistik Uji:
(SSE1 SSE 2 ) / p
F
SSE 2 /(N 2p 1)
4. Jika F > F(p, N-2p-1) , maka tolak H0 (terima H1) yang berarti nilai lag variable
X mempunyai kontribusi yang statistically significant untuk menjelaskan
current value dari Y (X Y).
Contoh dengan Software Eviews