Kenaikan gaji
Efek kenaikan gaji (X) terhadap konsumsi (Y) tidak
langsung saat itu juga, tapi bertahap
MPC yang berbeda untuk beberapa tahun setelah
kenaikan gaji (X)
Teknologi
Untuk pengusaha yang menanamkan investasi
terhadap teknologi “Wait and see” terhadap cepatnya
perubahan teknologi
Institusional
Adanya minimum waktu di dalam kontrak kerja.
Dua tipe Model dinamik
Distributed lag models
Melibatkan unsur lags pada variabel eksogen
Autoregressive models
Melibatkan unsur lags pada variabel endogen
Contoh:
Pada waktu t-p terjadi kenaikan gaji (X)
Perubahan konsumsi pada t-p, …, t-1, t tidak sama
Efek sepenuhnya pada Y baru terakumulasi pada waktu t
Yt 0 X t 1 X t 1 2 X t 2 p X t p ut
Yt 0 X t 1 X t 1 2 X t 2 p X t p ut
β0 : impact multiplier, bobot yang diberikan pada Xt
Rata-rata perubahan Yt ketika Xt berubah satu unit
βi : interim multipliers, bobot yang diberikan pada Xt-i
Rata-rata perubahan Yt ketika Xt-i berubah satu unit p
X * X t X t 1 X t 2 X t p
Sehingga:
Yt 0 X t* 1 X t* 2 X t* p X t* ut
p
Yt X *
t
i 0
i ut
Permasalahan pada model ini
OLS tetap dapat digunakan dengan resiko tidak
diketahuinya nilai p yang tepat
Multikolinieritas akibat hubungan antar Xt, Xt-1,
…, Xt-p
Nilai p yang besar: kehilangan banyak derajat
bebas,
hanya dapat digunakan p+1 sampai dengan n
pengamatan
Transformasi Koyck untuk Distributed Lag
Models
Metode Koyck didasarkan asumsi bahwa
semakin jauh jarak lag variabel bebas dari
periode sekarang maka semakin kecil
pengaruh variabel lag terhadap variabel
terikat.
i 0i
Bobot geometris bagi
0 1, i 0,1,2, penurunan β0 seiring
waktu
Untuk model infinite distributed lag:
(rata-rata tingkat
penurunan dari
Yt 0 X t 1 X t 1 2 X t 2 ulag)
distribusi
t
Yt 0 X t 0 X t 1 0 X t 2 ut
0 1 2
Y t 1 0 0
X t 1 0 1
X t 2 0 2
X t 3 ut 1
Yt Yt 1 1 0 X t ut ut 1
kecepatan penyesuaian.
Yt Yt 1 1 0 X t ut ut 1
Yt 1 0 X t Yt 1 vt
1 Y * 1 0 X t ut ut 1
0
Y
*
X t ut
1
Yt 1 0 X t Yt 1 vt
Yt * 0 X t Yt 1 vt
ˆ *
Koyck Model Mean Lag =ˆ
1 ˆ
Median Lag = log 2/ Log λ
Mean lag dan median lag merupakan nilai yang digunakan untuk
mengukur kecepatan respon Y akibat perubahan dari x
2. Autoregressive Model
Partial adjustment model
Penyesuaian dilakukan terhadap variabel Y
Adaptive expectation model
Penyesuaian dilakukan terhadap variabel X
2a. Partial adjustment model
Contoh pada kasus supply uang sebagai fungsi dari suku
bunga
Target supply uang (Y*) adalah fungsi dari suku bunga (X)
Yang teramati adalah realisasi dari supply uang sebelum
dan sesudah perubahan suku bunga (Yt dan Yt-1)
Dengan koefisien adjustment λ:
Yt Yt 1 Yt* Yt 1 0 1
Ketika λ=0: Yt =Yt-1, tidak terjadi penyesuaian terhadap perubahan
suku bunga
Ketika λ=1: Yt =Y*t , target terpenuhi seluruhnya pada saat t
Ketika 0≤λ ≤ 1: persentase perbedaan antara target dengan
realisasinya sebesar λ×100% pada saat t
Hipotesis: tentang nyata tidaknya koefisien adjustment
Yt Yt 1 Yt* Yt 1
Yt* 1 2 X t TARGET
Nilai optimum pada jangka panjang
Yt Yt 1 Yt* Yt 1 ut
Yt Yt 1 1 2 X t Yt 1 ut
Yt 1 1 Yt 1 2 X t ut
Yt 1 1 Yt 1 2 X t ut
Y * Yt Yt 1
Efek long run equilibrium ketika:
Yt 1 1 Yt 1 2 X t ut
Yt 1* aYt 1 2* X t ut
*
*
ˆ 1 aˆ , ˆ1 1 , ˆ2 2
ˆ ˆ
2b. Adaptive Expectations Model
Contoh kasus:
Konsumsi pada bulan ini adalah fungsi dari jumlah
pendapatan yang diharapkan bulan ini
Nilai harapan pendapatan bulan ini dibentuk
berdasarkan nilai harapan pendapatan bulan lalu
yang disesuaikan dengan realisasinya.
X te X te1 X t X te1 0 1
Jika θ =0 maka tidak ada penyesuaian pada nilai harapan
Artinya harapannya statis atau harapan saat ini =
X X
t
e e
t 1 harapan periode sebelumnya
Jika θ =1 maka nilai harapan segera disesuaikan dengan
realisasinya
Xt Xt
e Artinya nilai yang di harapkan terealisasi
segera dan penuh yaitu pada periode
yang sama
Persamaan regresi adalah Y sebagai fungsi dari nilai
harapan X
Yt 1 2 X te ut Nilai harapan X
merupakan
tingkat nilai yang
X te X te1 X t X te1 0 1
diasumsikan
dapat
dari
berubah
waktu ke
X Xt
e e
t 1
Xt X e
t 1 X t 1 X te1 waktu sebagai
hasil penyesuaian
antara nilai
sesungguhnya
Dengan substitusi yang teramati
saat ini dengan
Yt 1 2 X t 1 X te1 ut nilai
diarahkan
yang
pada
periode
Yt 1 2X t 2 1 X te1 ut
sebelumnya.
Yt 1 2X t 2 1 X te1 ut *
Yt 1 1 2 X te1 ut 1
1 Yt 1 1 1 2 X te1 ut 1
1 1 1 2 X te1 1 ut 1 * *
Yt 1 2X t 2 1 X te1 ut *
1 Yt 1 1 1 1 2 X te1 1 ut 1 **
Yt 1 Yt 1 1 2 X t ut 1 ut 1
Yt 1 2 X t 1 Yt 1 vt
Yt 1* 2* X t 3*Yt 1 vt
Yt 1 2 X t 1 Yt 1 vt
Yt 1* 2* X t 3*Yt 1 vt
ˆ *
ˆ *
ˆ 1 ˆ3* , ˆ1 1 , ˆ2 2
ˆ ˆ
Nyata tidaknya estimator θ dapat dijadikan bukti untuk
asumsi adaptasi atau penyesuaian nilai harapan