Review of Basic Econometrics. Pendekatan Multidisipliner: Teori Ekonomi Matematika Ekonomi Statistika Ekonomi Matematika Stastika

Transkripsi

1 Review of Basic Econometrics EKONOMETRI Arti harfiah: Ukuran-ukuran ekonomi Arti luas: Suatu ilmu yang mempelajari analisis kuantitatif dari fenomena ekonomi dalam artian secara umum Pendekatan Multidisipliner: Teori Ekonomi Matematika Ekonomi Statistika Ekonomi Matematika Stastika METODOLOGI EKONOMETRI 1. Membuat hipotesis. Menwarkan model untuk menguji hipotesis / teori 3. Mengestimasi parameter model 4. Melakukan verifikasi model 5. Membuat prediksi 6. Menggunakan model untuk membuat kebijakan 1

2 REGRESI LINIER SEDERHANA REGRESI Teknik menganalisis hubungan antara : (i) satu variabel terikat dengan satu variabel bebas atau (Regresi Sederhana) (ii) satu variabel terikat dengan beberapa variabel bebas (Regresi Berganda) Hubungan satu arah: Dari Regressor ke Regressand atau Dari Variabel Bebas ke Variabel Terikat Sederhana: 1 Variabel Bebas dan 1 Variabel Terikat Linier Hubungan parameternya linier Model: Y i = β 1 + β X i + u i Misalkan Y: Konsumsi X: Pendapatan Teknik Estimasi: Least Square Estimator: b ( X i = ˆ X )( Yi Y ) β = ( X X ) = ˆ β = Y ˆ β X b1 1 i X = 1 X N i ; Y = 1 Y N i

3 Estimator ini akan BLUE bila memenuhi Teorema Gauss Markov: (i) E(u i ) = 0 (ii) cov (u i, u j ) = 0 ; i j (iii) var (u i x i ) = σ sama untuk setiap i (homoscedasticity) (iv)cov (u i, x i ) = 0 (v) Model regresi dispesifikasi secara benar Kenapa kita hanya menggunakan satu variabel bebas untuk menjelaskan variabel terikat? Bagaimana kalau ada variabel lain yang tidak muncul dalam model tetapi berpengaruh pada variabel terikat? Model sederhana ini digunakan bila dengan available nya data variabel bebas, pengaruh variabel lain yang tidak muncul dalam model dapat diabaikan. Sehingga hanya dibutuhkan satu variabel bebas saja. REGRESI BERGANDA Teknik menganalisis hubungan antara: satu variabel terikat dengan beberapa variabel bebas Apakah Konsumsi hanya dipengaruhi oleh Pendapatan saja? Ternyata ada variabel lain yang perlu diakomodasikan dalam menganalisis konsumsi. Regresi Sederhana dikembangkan ke Regresi Berganda. 3

4 Model Regresi Berganda Y i = β 0 + β 1 X 1i + β X i + β 3 X 3i β k X ki + u i i = 1,,3,..., N (banyaknya observasi) Contoh Aplikasi: Y i = β 0 + β 1 X 1 + β X + β 3 X 3 + u i Y : Konsumsi X 1 : Total Pendapatan X : Pendapatan dari upah X 3 : Pendapatan bukan dari upah Teknik Estimasi: Least Square Estimator: b = (X T X) -1 X T Y Bentuk tersebut nerupakan persamaan matriks, dimana: Xmerupakan matriks data variabel bebas X T merupakan bentuk transpose matriks X (X T X) -1 merupakan inverse perkalian matriks X T dan X Y merupakan vektor data variabel terikat Apakah Estimatornya masih BLUE? Ya, bila modelnya memenuhi teorema Gauss Markov: (i). E(u i ) = 0 (ii). cov (u i, u j ) = 0 ; i j (iii). var (u i x i ) = σ sama untuk setiap i (homoscedasticity) (iv). cov (u i, x i ) = 0 (v). Model regresi dispesifikasi secara benar (vi). Tidak ada hubungan linier (kolinieritas) antara regressor 4

5 Verifikasi Model Terestimasi Ukuran Goodness of Fit (R ) Uji t Uji F MASALAH DLM MODEL REGRESI Multikolinieritas Heteroskedastisitas Autokorelasi MULTIKOLINIERITAS Ada kolinieritas antara X 1 dan X : X 1 = γ X atau X = γ -1 X 1 X 1 = X + X 3 terjadi perfect multicollinearity X = 4X 1 (perfect multicollinearity) X 3 = 4X 1 + bilangan random (tidak perfect multicollinearity) Sifat-sifat multikolinieritas secara statistik: 1. Sempurna β tidak dapat ditentukan, β = ( X T X ) -1 X T Y. Tidak sempurna β dapat ditentukan; tetapi standard error-nya besar, β kurang tepat. Tidak ada kolinieritas antara X 1 dan X : X 1 = X atau X 1 = log X 5

6 Akibat multikolinieritas: 1. Variansi besar (dari taksiran OLS). Interval kepercayaan lebar (variansi besar SE besar Interval kepercayaan lebar) 3. t rasio tidak signifikan, 4. R tinggi tetapi tidak banyak variabel yang signifikan dari uji t. Cara mengatasi kolinieritas: 1. Melihat informasi sejenis yang ada Konsumsi = α 0 + α 1 Pendapatan + α Kekayaan + u Misalnya: α = 0,5 α 1. Tidak mengikutsertakan salah satu variabel yang kolinier Dengan menghilangkan salah satu variabel yang kolinier dapat menghilangkan kolinieritas pada model. Akan tetapi, ada kalanya pembuangan salah satu variabel yang kolinier menimbulkan specification bias yaitu salah spesifikasi kalau variabel yang dibuang merupakan variabel yang sangat penting. 3. Mentransformasikan variabel Y t = β 1 + β X t + β 3 X 3t + u t Y t-1 = β 1 + β X t-1 + β 3 X 3t-1 + u t-1 (Y t - Y t-1 ) = β (X t X t-1 ) + β 3 (X 3t X 3t-1 ) + (u t u t-1 ) Y t * = β X t * + β 3 X 3t * + u t * 4. Mencari data tambahan Dengan tambahan data, kolineritas dapat berkurang, tetapi dalam praktek tidak mudah untuk mencari tambahan data. 5. Cara-cara lain: transformasi eksponensial dan logaritma Apakah multikolinearitas jelek? 6

7 Heteroskedastisitas (Heteroscedasticity) Salah satu asumsi yang harus dipenuhi var (u i ) = σ (konstan), Artinya: semua sesatan mempunyai variansi yang sama. Bagaimana kalau var (u i ) = σ tidak konstan, melainkan variabel. Catatan: Data cross-sectional cenderung untuk bersifat heteroscedastic karena pengamatan dilakukan pada individu yang berbeda pada saat yang sama. Dampak heteroskedastisitas terhadap OLS β masih tak bias dan linier tetapi tidak lagi mempunyai variansi minimum dan terbaik. Cara mengatasi heteroskedastisitas dengan Metode GLS Y j = β 1 + β X j + u j dengan Var (u j ) = σ j masing-masing dikalikan 1 σ j : Yj 1 X j j = β β σ σ + σ + u 1 σ j Maka diperoleh transformed model sebagai berikut : Y i * = β 1 * + β X i * + u i * Kita periksa dulu apakah u i * homoskedastis? E(u i *) = E u i 1 1 = Eu ( i ) = ( σ i )= 1 konstan σ i σi σi Dengan demikian u i homoskedastis. Kita akan menaksir transformed model dengan OLS dan taksiran yang diperoleh akan BLUE, sedangkan model asli yang belum ditransformasikan (original model) bila ditaksir dengan OLS, taksirannya tidak BLUE. Prosedur yang menaksir transformed model dengan OLS disebut metode Generalized Least Square (GLS). Dampak OLS bila ada heteroskedastisitas (i) variansi dari taksiran lebih besar (ii) uji t dan F kurang akurat (iii)interval kepercayaan sangat besar (iv)kesimpulan yang kita ambil dapat salah j j j 7

8 Cara mendeteksi adanya heteroskedastisitas tidak mudah mendeteksinya: intuisi, studi terdahulu, dugaan Bila kita menggunakan data cross-section yang sangat heterogen untuk melihat total penjualan dari perusahaan kecil, menengah dan sangat besar, sudah dapat diduga bahwa akan ada masalah heteroskedastisitas. Uji Park Lakukan langkah-langkah berikut: ln u i = α + β ln X i + v i ; u i : error term regresi : Y i = α 0 + β 0 X i + u i Bila β secara statistik signifikan, maka ada heteroskedastisitas Uji Goldfeld Quandt Metode Goldfeld Quandt sangat populer untuk digunakan, namun agak repot. Langkah-langkah pada metode ini adalah sebagai berikut : 1. Urutkan pengamatan berdasarkan nilai X dari kecil ke besar. Abaikan pengamatan sekitar median, katakanlah sebanyak c pengamatan 3. Sisanya, masih ada (N c) pengamatan 4. Lakukan regresi pada pengamatan N c yang pertama. Hitung RSS 1, Residual Sum of Squares pertama 5. Lakukan regresi pada pengamatan N c yang kedua. Hitung RSS, Residual Sum of Squares yang kedua RSS / df 6. Hitung λ = RSS1 / df1 df = degrees of freedom = derajat bebas df = banyaknya pengamatan dikurangi banyaknya parameter yang ditaksir 7. Lakukan uji F Bila λ > F, kita tolak hipotesis yang mengatakan data mempunyai variansi yang homoskedastis 8

9 Autokorelasi Bila ada autokorelasi, taksiran OLS tidak BLUE, tetapi tak bias. Secara konseptual : Ada autokorelasi bila E ( u i, u j ) 0 ; i j Tidak ada korelasi bila E ( u i, u j ) = 0 ; i j Kasus ada autokorelasi (i) Jika pendapatan keluarga i meningkat, konsumsi keluarga i meningkat, dan konsumsi keluarga j ikut meningkat pula; i j. (ii) Fenomena Cob Web : Supply tergantung dari harga komoditas periode lalu (Supply) t = β 1 + β P t-1 + u t Estimasi OLS pada saat ada autokorelasi Y t = β 1 + β X t + u t ; E (u t, u t+s ) 0, berarti u t dan u t+s berautokorelasi; misalkan: u t = ρ u t-1 + ε t Apakah β 1 dan β BLUE? (tidak, karena variansinya tidak minimum lagi) Oleh karena itu, gunakan GLS pada saat terjadi autokorelasi Uji Durbin-Watson ( Uji d) ρ = koefisien autokorelasi. -1 ρ 1. Sehingga : 0 d 4 Pada saat ρ = 0, d =, artinya tidak ada korelasi Pada saat ρ = 1, d = 0, artinya ada korelasi positif Pada saat ρ = -1, d = 4, artinya ada korelasi negatif Pengamatan kasar : Bila d dekat dengan, ρ akan dekat dengan nol, jadi tidak ada korelasi. Ada uji yang lebih spesifik, menggunakan Tabel Durbin-Watson dengan melihat nilai d L dan d U 9

10 Cara pengobatan Autokorelasi Secara umum susah untuk mengatasinya. Transformasi logaritma dapat mengurangi korelasi. Hanya saja, kadang-kadang data-data yang dianalisis ada data yang negatif sehingga kita tidak dapat melakukan transformasi logaritma. Kalau kita tahu atau dapat menduga bahwa hubungan korelasinya adalah spesifik, misalnya u t = ρ u t-1 + ε t dan ρ dapat dihitung/dicari atau diketahui, maka kita dapat menggunakan GLS untuk mencari taksiran yang BLUE (Best Linear Unbiased Estimator). 10

11 MODEL PERSAMAAN SIMULTAN Model SATU Persamaan Karakteristik: 1. Satu variabel terikat (Y): yang dijelaskan. Satu atau lebih variabel bebas (X): yang menjelaskan 3. Hubungan sebab akibat hanya satu arah: dari X ke Y Tidak ada feedback Model DUA atau Lebih Persamaan: - Ada kalanya sebab akibat TIDAK satu arah dari X ke Y saja - Nilai Y tidak hanya ditentukan oleh X; tetapi beberapa nilai X tergantung pada nilai Y juga - Ada hubungan arah (simultan) antara Y dan beberapa X Maka pemodelan dinyatakan dalam beberapa persamaan. Ilustrasi paling sederhana: Hubungan antara permintaan dan penawaran Harga pasar mempengaruhi permintaan dan penawaran Sebaliknya, permintaan dan penawaran juga mempengaruhi harga pasar. Harga dan kuantitas merupakan variabel endogenous yang ditentukan secara simultan dalam sistem persamaan. 11

12 Model beberapa persamaan (tiga) Tiap pers. berperan menjelaskan var yg ditentukan model (1). Q t S = α 1 + α P t + α 3 P t-1 + ε t (). Q t D = β 1 + β P t + β 3 Y t + μ t (3). Q t S = Q t D Var Q S t, Q D t dan P t disebut variabel endogen yaitu variabel yang ditentukan dalam sistem persamaan Variabel Y t dan P t-1 disebut variabel exogen yaitu variabel yang ditentukan di luar sistem persamaan Estimasi model: 1.Bagaimana dengan OLS?. Bagaimana dengan pendekatan lain? Perhatikan model struktural berikut: q t = α p t + ε t q t = β p t + β 3 y t + u t Model struktural disederhanakan menjadi model terreduksi q t = π 1 y t + v 1t p t = π y t + v t Dari model terreduksi tersebut, parameter model struktural kadang-kadang bisa diestimasi secara konsisten. Prosedur yang mengestimasi parameter model struktural melalui model tereduksi dengan menggunakan OLS disebut Prosedur Kuadrat Terkecil Tidak Langsung. Prosedur ini tidak selalu dapat digunakan untuk semua kasus. Adakalanya, estimator dari parameter model struktural tidak dapat diestimasi melalui model terreduksi. Kadang-kadang parameter yang diestimasi melalui prosedur tsb. menghasilkan estimator yang tidak tunggal. 1

13 Masalah Identifikasi (Identification Problem) Identifikasi: masalah penentuan persamaan struktural bila persamaan yang terreduksi telah diperoleh Dengan kata lain, bila kita tahu sistem persamaan dalam bentuk terreduksi, apakah informasi ini dapat digunakan untuk mencari parameter dari persamaan struktural. Lebih spesifik lagi, bila kita kembali ke model penawaran-permintaan dan bila kita tahu informasi tentang P dan Q dalam model tsb.; apakah kita dapat mencari fungsi permintaan dan fungsi penawaran? Istilah-istilah: Suatu persamaan dikatakan tidak teridentifikasi (unidentified) bila tidak ada cara untuk mengestimasi semua parameter dalam persamaan struktural dari persamaan terreduksi. Suatu persamaan dikatakan teridentifikasi (identified) bila dimungkinkan untuk mendapatkan besaran parameter dalam persamaan struktural dari persamaan terreduksi. Suatu persamaan dikatakan teridentifikasi dengan tepat (exactly identified) bila besaran parameter yang diperoleh nilainya tunggal. Suatu persamaan dikatakan teridentifikasi berlebih (over identified) bila beberapa parameter yang diperoleh, nilainya tidak tunggal (lebih dari satu). 13

14 Order Condition untuk Identification. Order condition menyatakan bahwa bila suatu persamaan teridentifikasi, banyaknya variabel yang di ketahui (predetermined variable) yang dikeluarkan dari suatu persamaan harus lebih besar atau sama dengan banyaknya variabel endogenous yang ada di dalam persamaan di kurangi satu. Syarat ini bisa juga dinyatakan sbb. Syarat perlu agar suatu persamaan teridentifikasi adalah banyaknya variabel yang diketahui dan yang dikeluarkan dari persamaan lebih besar atau sama dengan banyaknya variabel endogenous dalam model dikurangi satu. Syarat ini tidak merupakan syarat cukup. Artinya, bisa saja terjadi bahwa syarat tsb. terpenuhi tetapi persamaannya tidak teridentifikasi. 14

15 Kuadrat Terkecil Dua Tahap (Two-stage Least Squares) Prosedur ini merupakan teknik yang bagus untuk mengestimasi parameter dari model struktural pada persamaan persamaan yang over identified. Teknik ini menghasilkan estimasi parameter yang tunggal. Lihat kembali model permintaan penawaran berikut: Model Struktural: Penawaran: q t = α p t + ε t Permintaan: q t = β p t + β 3 y t + β 4 w t + u t ; w: wealth Model Terreduksi q t = π 1 y t + π 13 w t + v 1t p t = π yt + π 3 w t + v t Dua Tahapan Estimasi: 1. Persamaan p t dalam model terreduksi diestimasi dengan OLS.Setelah π dan π 3 terestimasi, p t juga dapat diprediksi.. Persamaan Penawaran dapat diestimate dengan OLS dengan menggunakan nilai p yang telah diperoleh pada tahap I. Dengan demikian persamaan Penawaran terestimasi. Secara umum, persamaan Permintaan (atau persmaan yang lain) dapat diestimasi dengan cara yang sama. Komentar: Persamaan penawaran overidentified karena banyaknya var. exo yang dikeluarkan sebanyak 3 sedangkan variabel endo hanya. Oleh karena itu, bila persamaan penawaran di estimasi dengan ILS, hasilnya tidak tunggal. 15

16 Contoh: Permintaan Listrik. Dalam contoh ini akan dihitung elastisitas harga dari permintaan listrik di Amerika Serikat. Data yang digunakan merupakan data gabungan antara time series dan crosssection dari 48 negara bagian mulai tahun Banyaknya permintaan (Q) tergantung pada (i) P: harga listrik (real) (ii) Y: pendapatan perkapita / tahun (real) (iii) G: harga gas (substitute) (iv) D: banyaknya hari menggunakan pemanas (v) J : rata-rata termperatur bulan Juli (vi) R: persentasi penduduk tinggal di pedesaan (vii) H: rata-rata besarnya rumah tangga Sementara banyaknya penawaran di asumsikan fix (tetap) sedangkan harga listrik (P) tergantung pada: (i) Q: banyaknya permintaan (ii) L: biaya buruh/upah (iii) T: waktu (iv) K: persentasi listrik yang diproduksi oleh perusahaan-perusahaan (v) F: harga bahan bakar untuk memproduksi 1 kilowatjam listrik (vi) I: Rasio total penjualan untuk industri dan total penjualan untuk konsumsi perumahan Model Simultan yang ditawarkan: 1. Ln Q = a 1 + a Ln P + a 3 Ln Y + a 4 Ln G + a 5 Ln D a 6 Ln J + a 7 Ln R + a 8 Ln H + e. Ln P = b 1 + b Ln Q + b 3 Ln L + b 4 Ln K + b 5 Ln F + b 6 Ln R + b 7 Ln I + b 8 Ln T + u 16

17 Komentar: (i). Persamaan (1) merupakan permintaan sedangkan persamaan () merupakan persamaan harga. Pada persamaan harga ini diasumsikan bahwa bila penggunaannya banyak atau permintaan meningkat maka harga listrik menjadi lebih murah. (ii). Persamaan (1) teridentifikasi karena banyaknya variable endo ada dua (P dan Q). Sedangkan variabel exo yang tidak muncul pada persamaan (1) sebanyak 5 ( L, K, F, I, T). (iii). Persamaan () juga teridentifikasi karena banyaknya variabel endo ada dua dan banyaknya variabel exo yang tidak muncul ada sebanyak 5 ( Y, G, D, J, H). (iv). Kedua persamaan tsb. di estimasi dengan SLS. (a). Pada tahap I, kedua variabel endo masing-masing diregresikan dengan semua variabel exo. (b). Pada tahap II, persamaan pada model struktural masing-masing diestimasi dengan menggunakan variabel instrument yang telah diprediksi pada tahap I untuk menggantikan variabel endo yang berada pada ruas kanan persamaan. (v). Hasil estimasi disajikan berikut: (1). Ln Q = Ln P Ln Y Ln G 0.0 Ln D (0.03) (0.06) (0.01) (0.0) Ln J Ln R Ln H 0.1) (0.0) (0.1) R = 0.91 (). Ln P = Ln Q Ln L 0.0 Ln K Ln F (0.03) (0.04) (0.01) (0.003) Ln R 0.1 Ln I T (0.01) (0.01) (0.003) R =

18 Model Data Panel Representasi model Model dengan data cross section Y i = α + β X i + ε i. ; i=1,,..,n N: banyaknya data cross section. Model dengan data time series Y t = α + β X t + ε t ;t=1,,.,t T: banyaknya data time series Model dengan data panel Y it = α + β X it + ε it ; i=1,,..,n; t=1,,..,t N.T: banyaknya data panel. Estimasi Model dengan Data Panel Ada beberapa teknik yang ditawarkan 1. OLS Cara ini hanya menggabungkan data cross-section dengan data time-series kemudian data gabungan ini diperlakukan sebagai satu kesatuan pengamatan dan data gabungan ini digunakan untuk mengestimasi model dengan metode OLS.. Fixed Effect / Efek tetap Adanya variabel-variabel yang tidak semuanya masuk dalam model memungkinkan adanya intersep yang tidak konstan. Intersep ini mungkin berubah untuk setiap individu dan waktu. 3. Random Effect / Efek Random 4. Teknik yang memperhitungkan bahwa error mungkin berkorelasi sepanjang time series dan cross section. 18

19 Model Efek Tetap (MET) Asumsi bahwa α konstan untuk setiap i dan t kurang realistik. MET memungkinkan adanya perubahan α pada setiap i dan t sehingga modelnya dapat dinyatakan dalam: Y it = α + β X it + γ W t + γ 3 W 3t +..+γ N W Nt + δ Z i + δ 3 Z i δ T Z it + ε it W it dan Z it variabel dummy yang di definisikan sbb: W it = 1 ; untuk individu i; i= 1,, N = 0 ; lainnya. Z it = 1 ; untuk periode t; t= 1,, T = 0 ; lainnya. Bila model tsb. di estimasi dengan OLS akan diperoleh estimator yang tidak bias dan konsisten. Catatan: 1. Model tsb. mempunyai N+T parameter yang terdiri dari: (N-1) parameter γ (T-1) parameter δ 1 parameter α 1 parameter β. Derajat bebas yang dimiliki model: N.T N - T 19

20 Keseluruhan persamaan regresi pada Model Efek Tetap (MET) i = 1 ; t=1; Y 11 = α + β X 11 + ε 11 t=; Y 1 = (α +δ ) + β X 1 + ε 1. t=t; Y 1T = (α +δ T ) + β X 1T + ε 1T i = ; t=1 ; Y 1 = ( α +γ ) + β X 1 + ε 1 t= ; Y = ( α +γ +δ ) + β X + ε t=t ; Y T = (α +γ +δ T ) + β X T + ε T i = N ; t=1 ; Y N1 = (α + γ N ) + β X N1 + ε N1 t= ; Y N = (α + γ N + δ ) + β X N + ε N t=t ; Y NT = (α + γ N + δ T ) + β X NT + ε NT Untuk mengetahui apakah α konstan pada setiap i dan t ataukah berubah-ubah, kita lakukan tes sbb: F{(RSS OLS RSS MET ) / RSS MET }. {(NT-N-T) / (N+T-)}. Bila H 0 ditolak, maka MET lebih baik. Bagaimana menginterpretasikan paramater-parameter tsb? 0

21 Model Efek Random (MER) Pada MET, perbedaan karakteristik individu dan waktu di akomodasikan pada intersep sehingga intersepnya berubah antar individu dan antar waktu. Sementara MER perbedaan karakteristik individu dan waktu di akomodasikan pada Error dari model. Sehingga random erronya di urai menjadi error untuk komponen individu, error komponen waktu dan error gabungan dan modelnya dinyatakan: Y it = α + β X it + ε it ; ε it = u i + v t + w it u i : Komponen error cross-section v t : Komponen error time-series w it : Komponen error gabungan Dengan asumsi u i N (0, σ u ); v t N (0, σ v ); w it N (0, σ w ) Dibandingkan dengan MET, MER menganggap bahwa efek rata-rata dari data cross-section dan time series terrepresentasikan dalam intersep. Sedangkan deviasi efek secara random untuk data time-series di representasikan dalam v t dan deviasi untuk data cross-section dinyatakan dalam u i. Untuk MER, Var (ε it ) = σ u + σ v + σ w Sedangkan untuk Model OLS (Pooled Data), Var (ε it ) = σ w Dengan demikian, MER bisa di estimasi dengan OLS bila σ u = σ v = 0. Kalau tidak demikian, MER perlu diestimasi dengan metode Generalized Least Square yang terdiri dari tahap. Tahap I (i) Estimasi Model Efek Random dengan OLS. (ii) Hitung RSS untuk mengestimasi varians sampel. Tahap II Dengan menggunakan varians sampel yang dihitung pada Tahap I, gunakan GLS untuk mengestimasi parameter model. 1

22 MET vs MER Pilih yang mana? (i) (ii) MER mempunyai parameter lebih sedikit; akibatnya degrees of freedom nya lebih besar. Tetapi MET dapat membedakan efek individual dan efek waktu. MET juga tidak perlu mengasumsikan bahwa komponen error tidak berkorelasi dengan variabel bebas yang mungkin sulit dipenuhi. Ada ahli Ekonometri yang mengatakan: Bila T > N gunakan MET Bila N > T gunakan MER

23 MODEL DENGAN VARIABEL DUMMY Apa beda antara: Variabel Dummy? Indikator? Biner? Dikotomi? Variabel Kategorik? Kenapa Dibutuhkan? Pemodelan Ekonometri membutuhkan data kuantitatif untuk mengestimasi parameternya. Bagaimana kalau datanya kualitatif Bagaimana memodel Model Regresi yang tidak stabil? -Ada loncatan -Arah bergeser Secara teknis apakah ada masalah bila: Variabel bebasnya dummy Variabel terikatnya dummy KEBERADAAN VAR KATEGORIK DLM MODEL EKONOMETRI 1. Variabel Kategorik sbg regressor (var bebas) Ilustrasi: Jenjang Pendidikan: SD, SLTP, SLTA, D3, S1, S, S3 Laki-perempuan; Kota-Desa; Ya-Tidak; Domestik-Asing Bermasalah? Tidak; asal: Pendefinisian variabel kategorik sesuai prosedur Hati-hati dalam menginterpretasikan model 3

24 . Variabel Kategorik sbg regressand (var terikat) Ilustrasi: Pilihan Investasi: Saham, Valas, Obligasi, Deposito, Emas Pilihan Moda Transportasi ke tempat kerja: Kereta, Bus, Motor, Mobil Pribadi, Jalan kaki Investasi pada stock market? Bermasalah? Kenapa? REGRESI DG VAR TERIKAT KATEGORIK/ DUMMY Pemodelan Matematis dan masalahnya Y i = β 1 + β X i + u i X = pendapatan keluarga Y = 1 ; bila suatu keluarga mempunyai rumah 0 ; bila suatu keluarga tidak mempunyai rumah Masalah: Apakah estimator hasil OLS dapat menjamin bahwa besaran β 1 + β X i terletak antara 0 dan 1. Apakah estimator hasil OLS masih mempunyai sifat BLUE? Pengestimasian Model dengan OLS 1. u i tidak berdistribusi normal u i mengikuti distribusi Binomial. Bila sampel besar, bisa diatasi.. Variansi u i heteroscedastic Meskipun diasumsikan E(u i ) = 0 dan E(u i,u j ) = 0, i j, u i tidak homoscedastic. Heteroscedastisitas ini dapat diatasi dengan mentransformasikan model aslinya 3. Persyaratan 0 E(Y i X i ) 1 sulit untuk dipenuhi Bagaimana cara mengatasi agar E(Y i X i ) terletak antara 0 dan 1 4

25 MPL LOGIT PROBIT 1.MPL: p i = E (Y i = 1 X i ) = β 1 + β X i X = menyatakan pendapatan keluarga Y = 1 ; bila suatu keluarga mempunyai rumah 0 ; bila suatu keluarga tidak mempunyai rumah Pengamatan-pengamatan: (i) p i bisa tidak terletak antara 0 dan 1, karena besaran β 1 + β X i bisa bernilai berapa saja dan tidak harus antara 0 dan 1 (ii) metode ini bisa digunakan kalau kebetulan nilai dari besaran β 1 +β X i terletak antara 0 dan 1.Logit (fungsi distribusi logistik): 1 Didefinisikan: pi = E(Yi = 1X i ) = ( β1 + βxi ) 1+ e 1 atau p = i Z 1+ e ; dimana : Z i = β 1 + β X i i Pengamatan-pengamatan : (i) p i terletak antara 0 dan 1, karena Z i terletak antara - dan. Bila Z, maka p i 1 Bila Z -, maka p i 0 (ii) p i mempunyai hubungan non linier dengan Z i, artinya p i tidak konstan seperti asumsi pada MPL (Model Probabilitas Linier). (iii) Secara keseluruhan, Model Logit adalah Model Non-Linier, baik dalam parameter maupun dalam variabel. Oleh karena itu, metode OLS tidak dapat digunakan untuk mengestimasi model logit. 1 Definisi Logit: pi = 1 z + e i ; 1 1 p i = z 1 + e i = e zi 1+ e Sekarang, perhatikan rasio antara p i dan 1 p i : zi pi 1 p i 1 1+ e = e 1+ e zi zi zi 1 = e zi = e zi = e β1 + βxi 5

26 Angka ini disebut Odd atau sering disebut resiko yaitu perbandingan antara probabilitas bahwa suatu keluarga mempunyai rumah dengan probabilitas bahwa keluarga tersebut tidak mempunyai rumah. Misalkan saja bahwa probabilitas suatu keluarga mempunyai rumah adalah 80%. Dengan demikian, probabilitas bahwa keluarga tersebut tidak mempunyai rumah adalah 0%. Sehingga odd adalah 4 dibanding 1. Makin besar odd ini, makin besar kecenderungan suatu keluarga mempunyai rumah. Ekstrimnya, bila p kecil sekali, maka 1 p dekat dengan 1. Akibatnya oddnya mendekati nol. Sebaliknya, bila p dekat dengan 1, maka 1 p mendekati nol. Sehingga oddnya sangat besar. Dengan perkataan lain, odd adalah suatu indikator kecenderungan suatu keluarga memiliki rumah (dalam contoh model kepemilikan rumah ini). Ringkasnya, bila odd mendekati nol berarti kecenderungan suatu keluarga memiliki rumah sangat kecil sekali. Bila odd ini kita log-kan, akan kita dapatkan log odd sebagai berikut: pi L i = ln = zi = β1 + βx i 1 pi Sehingga model yang akan kita perhatikan atau kita analisis menjadi : pi L i = ln = β1 + βx i ; L disebut log odd. 1 pi Pengamatan : (i). L linier dalam X (ii). L juga linier dalam β 1 dan β (iii). L disebut model Logit (iv). Karena p terletak antara 0 dan 1, L terletak antara - dan (v). Meskipun L linier dalam X, tetapi p tidak linier dalam X (vi). β menyatakan perubahan dalam L bila x berubah 1 unit, β menunjukkan bagaimana log odd berubah bila pendapatan berubah 1 unit atau 1000 dolar, kalau satuan unitnya adalah dalam ribuan dolar. β 1 menyatakan log odd pada saat pendapatan sama dengan nol. (vii). Bila kita mengetahui tingkat pendapatan keluarga, katakanlah x i, kita dapat menghitung probabilitas bahwa suatu keluarga 1 mempunyai rumah dengan cara menghitung: p = i ( β1 + βxi ) 1+ e bila β 1 dan β sudah ditaksir. Masalahnya sekarang bagaimana menaksir β 1 dan β? 6

27 3. PROBIT Logit menggunakan CDF Distribusi Logistik. Probit atau Normit menggunakan CDF Distribusi Normal/Gauss Analisis Kemampuan Wisata Ke Luar Negeri dg. Probit Asumsi: keputusan individu i untuk melakukan perjalanan ke luar negeri atau tidak, tergantung pada index I i yang tidak teramati dan yang ditentukan oleh variabel bebas, pendapatan (X i ), sedemikian sehingga makin besar index I i, makin besar probabilitas seseorang untuk melakukan perjalanan ke luar negeri. Sehingga index I i dapat dinyatakan sebagai: I i = β 1 + β X i ; X i : pendapatan individu i Pengamatan: Indeks I i tergantung pada X; makin besar X, makin besar I I tidak teramati; bagaimana mencarinya? Diasumsikan bila I i I * i, seseorang pernah ke luar negeri dan bila I I <I * i, orang tersebut tidak pernah ke luar negeri. Dengan perkataan lain : * Y = 1 I i I i * Y = 0 I i < I i Bila kita mengasumsikan bahwa I * i N ( μ, σ ), parameter dan indeks tersebut dapat diestimasi. Bila diasumsikan I i * N ( μ, σ ), atau I i mengikuti distribusi normal dengan mean μ dan variansi σ ; dapat pula diasumsikan bahwa μ = 0 dan σ = 1 sehingga I i * N (0,1). Akibatnya: p i, probabilitas bahwa seseorang pernah melakukan perjalanan ke luar negeri dapat dicari sebagai berikut : * p i = Pr (Y = 1) = Pr ( I i I i ) = Pr ( I * i I i ) = F ( I i ) Model Probit: p i = 1 π = 1+ βx i t β e dt 1 π I i t (karena I i = β 1 + β X i dan diasumsikan μ = 0, σ = 1 e dt 7