Ekonometrika

Model Ekonometrika Dinamis

Dynamic Econometric Model
 Digunakan pada data time series
 Di bidang ekonomi, hubungan ketergantungan
antara variabel endogen dan eksogen tidak
berlangsung secara instant (pada t yang sama)
 Variabel endogen Y lebih sering dipengaruhi
oleh Variabel eksogen X yang terjadi beberapa
periode sebelumnya (lag).

Variabel eksogen: adalah variabel yang nilainya tidak dipengaruhi/

ditentukan oleh variabel lain di dalam model; setiap variabel
eksogen selalu variabel independen.
Variabel endogen: adalah variabel yang nilainya dipengaruhi/
ditentukan oleh variabel lain di dalam model, dikenal juga dengan
istilah variabel dependen.
Contoh:

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)

Kenaikan suku bunga

 Membutuhkan waktu beberapa bulan sebelum kenaikan
suku bunga mempengaruhi peredaran uang

MPC (Marginal Propensity to Consume) diperhitungkan sebagai

perbandingan antara pertambahan konsumsi yang dilakukan dengan
pertambahan pendapatan disposable
Alasan timbulnya “lags”
Psikologis
 Manusia selaku pelaku ekonomi butuh waktu untuk
penyesuaian terhadap perubahan apapun
 Butuh rencana atau strategi baru dalam menghadapi
perubahan

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

Kondisi dimana suatu variabel terikat

dipengaruhi oleh variabel bebas pada waktu t ,
serta dipengaruhi juga oleh variabel bebas pada
waktu t −1, t − 2 dan seterusnya

Autoregressive models 
 Melibatkan unsur lags pada variabel endogen

Kondisi dimana variabel terikat dipengaruhi

oleh variabel bebas pada waktu t , serta
dipengaruhi juga oleh variabel terikat itu sendiri
pada waktu t
1. Distributed Lag Models
Pada suatu waktu terjadi perubahan pada X ,
membutuhkan beberapa periode waktu agar
perubahan X mempengaruhi Y sepenuhnya

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

 Total efek pada Yt adalah jumlah dari seluruh β 

i 0
i

Total efek: efek kesetimbangan

jangka panjang – long run
equilibrium efek
 Pada jangka panjang (long run) berlaku:

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.

 Koyck mengusulkan suatu metode untuk

memperkirakan model dinamis distribusi lag
dengan mengasumsikan bahwa semua
koefisien β mempunyai tanda sama.
Transformasi Koyck untuk Distributed Lag
Models
 Diasumsikan bahwa nilai β menurun secara geometrik
 Semua β punya tanda yang sama

 i   0i
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

infinite lag = beda lag nya tidak

  Transformasi untuk memperoleh model yang lebih sederhana

Yt     00 X t   01 X t 1   02 X t 2    ut (*)

Y t 1     0 0
X t 1   0 1
X t 2   0 2
X t 3    ut 1   

Yt 1     01 X t 1   02 X t 2   03 X t 3    ut 1 (**)

 Persamaan (*) – Persamaan (**)

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

 Efek langsung (Immediate effect): β0

 Long run equilbrium effect ketika Y *  Yt  Yt 1

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

 Efek langsung (Immediate effect): λβ2

 Y *  Yt  Yt 1
Efek long run equilibrium ketika:

Yt*  1  1   Yt*   2 X t  ut

1  1    Yt*  1   2 X t  ut
Yt*  1   2 X t  ut
1
Yt  1   2 X t  ut
*


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 te1   X t  X te1  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 te1   X t  X te1  0  1
diasumsikan
dapat
dari
berubah
waktu ke

X Xt
e e
t 1 
 Xt  X e
t 1   X t  1    X te1 waktu sebagai
hasil penyesuaian
antara nilai
sesungguhnya
 Dengan substitusi yang teramati
saat ini dengan


Yt  1   2 X t  1    X te1  ut  nilai
diarahkan
yang
pada
periode

Yt  1   2X t   2 1    X te1  ut
sebelumnya.
 Yt  1   2X t   2 1    X te1  ut *

 Perlu dilakukan transformasi untuk mengatasi nilai

harapan X yang tidak diketahui
Yt  1   2 X te  ut

Yt 1  1   2 X te1  ut 1
1   Yt 1  1     1   2 X te1  ut 1 
 1    1  1     2 X te1  1    ut 1 * *
 Yt  1   2X t   2 1    X te1  ut *

1   Yt 1  1    1  1     2 X te1  1    ut 1 **

 Kurangi persamaan (*) dengan (**)

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