Dynamic Econometric Model :

Autoregressive - Distributed Lag Model

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.

Yt    0.4 X t  0.3 X t 1  0.2 X t 2   t

 Interpretasi
• Short run MPC =0.4
• Long run MPC = 0.4+0.3+0.2= 0.9
• Jika pendapatan naik 1 juta Rp, maka
konsumsi akan naik 400 rb rupiah pada
bulan yang sama, 300 ribu rp pada bulan
depannya dan 200 ribu rupiah pada bulan
selanjutnya
• Atau 0.4/0.9 = 44 % dampak total perubahan
pendapatan terhadap konsumsi terjadi pada periode
yang sama atau seketika
 Model
Yt     0 X t  1 X t 1   2 X t  2  ....   k X t  k   t

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

• Pertama melakukan regressi R-squared 0.944548 Mean dependent var 204283.3

Yt terhadap Xt dan Xt-1. Adjusted R-squared
S.E. of regression
0.943126
13643.21
S.D. dependent var
Akaike info criterion
57208.24
21.91620
Kemudian regressi Yt terhadap Sum squared resid 1.45E+10 Schwarz criterion 22.00489
Log likelihood -884.6063 Hannan-Quinn criter. 21.95179
Xt, Xt-1, dan Xt-2, demikian F-statistic 664.3059 Durbin-Watson stat 0.434201
seterusnya. Prob(F-statistic) 0.000000

• Prosedur ini berhenti jika

koefisien regressi dan variabel
beda kala (lag variable) tidak
signifikan secara statistik dan
atau nilai dugaan koefisiennya
berubah tanda.
• Tugas : Diskusikan apa
kelemahan pendugaan
dengan pendekatan Ad
Hoc
 Pendugaan Distributed Lag Model
dengan Pendekatan Koyck
Yt     ( X t  wX t 1  w 2 X t  2  ....   t

Yt      w s X t  s
s 0

Respon variabel Y dalam jangka panjang yang menggambarkan perubahan Y akibat

perubahan 1 unit X, yang tetap berpengaruh terus sepanjnag waktu, didefiniskan
sebagai : 

 ss   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.

variabel penjelas tak terhingga. C

PDB
-9184.633
0.193283
4940.095
0.044168
-1.859202
4.376113
0.0668
0.0000
Akan tetapi bentuk parametrik dari PC(-1) 0.712174 0.064780 10.99369 0.0000

bobot lag memungkinkan model R-squared

Adjusted R-squared
0.976791
0.976196
Mean dependent var
S.D. dependent var
204283.3
57208.24
dalam pers tersebut S.E. of regression
Sum squared resid
8826.346
6.08E+09
Akaike info criterion
Schwarz criterion
21.04520
21.13389
ditransformasikan sehingga menjadi Log likelihood -849.3307 Hannan-Quinn criter. 21.08078
F-statistic 1641.410 Durbin-Watson stat 1.953262
sangat sederhana yaitu sebagai Prob(F-statistic) 0.000000

berikut :

Tugas : Diskusikan apa

Yt  wYt 1   (1  w)  X t  u t kelemahan pendugaan DL
Model dengan
Yt   (1  w)  wYt 1  X t  u t pendekatan Koyck
• Dengan persamaan sebelumnya juga
dapat diukur secara mudah pengaruh
perubahan 1 unit X terhadap nilai Y terus
menerus. Setelah periode T efeknya
adalah : T 1 T 1
 (1  wT )

s 0
s
s  w 
s 0 (1  w)

Sedangkan respons jangka panjangnya sebesar /(1-w).

 Model Ekspektasi Adaptif

Yt   *   *X t*   t *

Yt   *   (1   )Yt 1   * X t  u t * ; di mana u t *   t * (1   ) t 1 *

Model Penyesuaian Stok/Partial
Adjusment Model (PAM)

Yt *   '  ' X t t '

Yt   '    ' X t  (1   )Yt 1   t

Model Kombinasi Antara Adaptive
Expectation dengan PAM

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 *

• PAM : Y   '    ' X  (1   )Y  

t t t 1 t

• 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

Adakah pengujian utk menemukan IV yang valid ? Ada yakni

dubbed SARG test
Mendeteksi Autokorelasi dalam
Model AR : Durbin h-test

n
h  ˆ
1  nVar ( 2 )
d
ˆ  1 
2
 Contoh Kasus :
The Demand for Money
 Model Permintaan Uang
M t*   0 Rt1 Yt  2 e ut

Ln( M )  ln(  0 )  1 ln( Rt )   2 ln( Yt )  ut

*
t

• Karena permintaan uang yang diinginkan

tidak langsung terobservasi (tidak ada
datanya) , maka diasumsikan permintaan
uang mengikuti stock adjustment
hypothesis, yaitu : M   M  , di mana 0    1
t
*
t


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

Variable Coefficient Std. Error t-Statis tic Prob.

C 0.041383 0.902695 0.045844 0.9637

LOG(R) -0.056399 0.013248 -4.257327 0.0001
LOG(GDP) 0.097106 0.131432 0.738832 0.4649
LOG(M1(-1)) 0.888923 0.083139 10.69197 0.0000

R-s quared 0.989790 Mean dependent var 10.26467

Adjus ted R-s quared 0.988915 S.D. dependent var 0.154574
S.E. of regres s ion 0.016275 Akaike info criterion -5.301505
Sum s quared res id 0.009270 Schwarz criterion -5.130884
Log likelihood 107.3794 Hannan-Quinn criter. -5.240288
F-s tatis tic 1130.992 Durbin-Wats on s tat 1.966374
Prob(F-s tatis tic) 0.000000
 Causality Test
• Arah hubungan X dengan Y yang dapat diuji adalah:
- Apakah X mempengaruhi Y ( X  Y)
- Apakah Y mempengaruhi X (Y  X)
- Apakah ada feedback antar X dan Y (X  Y dan Y  X)
• Granger Causality test didasarkan pada anggapan bahwa current
values dari variable X dan Y ditentukan oleh historical value dari
keduanya. Jadi hubungan keduanya dapat dinyatakan dalam
persamaan berikut:

Yt  a1   1 X t 1   2 X t  2  ...   p X t  p   1Yt 1   2 Yt  2  ...   p Yt  p  u1t

X t  a 2  1 X t 1   2 X t  2  ...   p X t  p   1Yt 1   2 Yt  2  ...   p Yt  j  u 2t

 p p
X dan Y bebas, jika 
i 1
1 0 dan 
i 1
1 0

2. X  Y , jika  i   0
0 , j

3. Y  X , jika  
 0 ,   0
i j

4. X  Y dan Y  X, jika    0 dan   i j 0

Prosedur Granger Causality test

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

Pairwise Granger Causality Tests

Date: 05/10/01 Time: 21:33
Sample: 1979 1998
Lags: 2
Null Hypothesis: Obs F-Statistic Probability
PDB does not Granger Cause C_BBM 18 8.53970 0.00428
C_BBM does not Granger Cause PDB 1.18966 0.33538
PRICE does not Granger Cause C_BBM 18 1.50616 0.25804
C_BBM does not Granger Cause PRICE 5.95567 0.01459
PRICE does not Granger Cause PDB 18 2.01563 0.17279
PDB does not Granger Cause PRICE 6.31324 0.01214
 Note
• Hasil pengujian Granger Causality Test sangat tergantung pada lag
yang digunakan (p). Kriteria penentu nilai p akan dibahas dalam
model VAR.
• Ada beberapa asumsi yang mendasari konsep Granger Causality
test yaitu:
1. Informasi yang digunakan untuk menjelaskan curent values variable X
dan Y hanya melihatkan lag dari X dan Y tersebut. Dalam
kenyataannya informasi ini hanyalah sebagian (sub-set) dari seluruh
informasi yang relevan untuk menjelaskan current values variable X
dan Y. Penambahan informasi (variable) lain ke dalam model dapat
merubah struktur hubungan causal variable X dan Y.
2. Data menyebar normal dan mengikuti proses VAR yang bersifat
stasioner dengan ordo p, dimana p diketahui.
3. Granger causality test mendapat sejumlah kritik karena defenisinya
yang didasarkan pada predictability, bukan hubungan sebab-akibat
variable.