Pengertian dan Kegunaan Ekonometrika

Ekonometrika merupakan perpaduan dari teori ekonomi, matematika dan statistika, yang dapat digunakan untuk memecahkan persoalan ekonomi yang bersifat kuantitatif, secara empiris. Teori ekonomi berfungsi untuk mengidentifikasi variabel-variabel yang terlibat dalam suatu gejala ekonomi dan atau teori ekonomi yang akan dianalisis, beserta banyaknya hubungan antarvariabel. Matematika berfungsi untuk merumuskan hubungan antarvariabel tersebut dalam bentuk persamaan matematis, agar dapat diuji keberlakuannya secara empiris. Sedangkan statistika berfungsi untuk menentukan nilai koefisien daripada variabel-variabel ekonomi beserta tingkat keeratan hubungan dan pengaruh antarvariabelnya. Sebagai perpaduan dari teori ekonomi, matematika dan statistika, ekonometrika dapat diartikan sebagai bidang studi yang mempelajari gejala ekonomi dan atau teori ekonomi yang bersifat kuantitatif, secara empiris, berdasarkan rumusan matematis dan analisis statistika. Sehingga sangat berguna dalam merumuskan model, menganalisis data empiris untuk menguji keberlakuan suatu teori ekonomi dan atau memecahkan persoalan yang terdapat dalam suatu gejala ekonomi, serta untuk menarik kesimpulan yang sangat bermanfaat dalam penentuan kebijakan, dan meramalkan gerak perubahan nilai variabel. Pendekatan Ekonometrika Analisis deskriptif adalah suatu model pendekatan yang menguraikan suatu kejadian atau suatu kesatuan ekonomi menjadi beberapa bagian atau komponen yang lebih kecil, agar dapat diketahui indikator variabel yang dominan, rasio perbandingan antarvariabel-variabelnya, dan proporsi setiap komponen dari keseluruhan kejadian ekonomi tersebut. Sedangkan analisis regresi adalah suatu model pendekatan yang melihat gerak perubahan suatu variabel, dalam kaitannya dengan gerak perubahan variabel lain yang dapat mempengaruhiya. Metode Analisis Dalam analisis ekonometrika Anda mengenal adanya metode persamaaan tunggal dan persamaan serempak. Metode persamaan tunggal menggambarkan bentuk satu persamaan yang bersifat satu

Persamaan tunggal dapat dibedakan menjadi persamaan tunggal berdasarkan data berkala dan persamaan tunggal berdasarkan persamaan regresi. Tahapan Analisis Perumusan model bisa bersumber dari teori ekonomi dan bisa pula dari gejala ekonomi. Sedangkan model yang bersumber dari gejala ekonomi diartikan sebagai penyederhanaan dari keadaan perekonomian yang sesungguhnya. sedangkan variabel endogen adalah variabel yang gerak perubahan nilainya bersumber dari hasil kegiatan ekonominya itu sendiri. Ekonometrika teoritis adalah pengembangan metode yang tepat untuk mengukur pengaruh hubungan antarvariabel ekonomi berdasarkan model ekonometrika. Yaitu variabel acak yang mewakili semua variabel lain yang dapat mempengaruhi perubahan variabel terikat. sedangkan persamaan serempak dapat dibedakan menjadi persamaan pengertian dan persamaan tingkah laku. sebenarnya juga memiliki peluang untuk terpilih sebagai variabel yang dapat mempengaruhi. .arah. Dalam persamaan serempak Anda juga mengenal adanya variabel endogen dan variabel eksogen. Selain perbedaan metode analisis. Analisis ekonometrika dapat dibedakan menjadi ekonometrika yang bersifat teoritis dan ekonometrika terapan. dalam analisis ekonometrika juga selalu diperhitungkan adanya unsur kesalahan pengganggu. Variabel eksogen adalah variabel yang gerak perubahan nilainya ditentukan dari luar siklus kegiatan ekonomi namun dapat mempengaruhi kegiatan ekonomi. sedangkan metode persamaan serempak menggambar kan lebih dari satu bentuk persamaan dan bersifat timbal balik. Variabel yang dikatagorikan sebagai unsur kesalahan pengganggu. sehingga tidak turut diperhitungkan. sedangkan ekonometrika terapan adalah penggunaan ekonometrika teoritis untuk menganalisis gejala ekonomi dan atau teori ekonomi yang bersifat khusus. namun tidak dimasukkan dalam model persamaannya. model yang bersumber dari teori dapat diartikan sebagai himpunan persamaan-persamaan matematis. Sehingga disebut sebagai variabel acak.

Namun kalau beda waktu tersebut terdapat juga pada variabel terikat. manakala perubahan variabel bebas telah diketahui. apakah hipotesis kerja yang Anda kemukakan (H1) dapat diterima secara signifikan atau ditolak? Kalau hipotesis kerja (H1) Anda diterima. yaitu pengaruh dari variabel bebas (X) terhadap variabel terikat (Y). maka hipotesis nol (H0) ditolak. Dari hasil uji hipotesis atau uji parameter. uji t dan uji F yang menggunakan tabel analisis varians (anava). Konsep Analisis Regresi Analisis regresi dapat diartikan sebagai studi ketergantungan satu variabel terikat pada satu atau beberapa variabel bebas yang dapat mempengaruhinya. dengan menggunakan tes statistik kai kuadrat. Disamping itu dalam perumusan model. Setelah menaksir nilai parameter. sehingga belum mangetahui besamya nilsi parameter yang sesungguhnya. maka model persamaannya dinamakan model persamaan autoregresif. Penaksiran dilalakukan karena Anda belum melakukan analisis data secara empiris. berarti hipotesis nol (H0) diterima. sehingga yang dapat Anda lakukan adalah kembali merumuskan model. Dengan rnaksud untuk menaksir dan memprakirakan nilai rata-rata populasi. baru kemudian dilakukan pengujian nilai parameter. Sedangkan model persamaan serempak menggambaran pengaruh hubungan yang bersifat timbalbalik. Namun sebaliknya kalau hipotesis kerja (H1) yang Anda kemukakan ditolak. Anda dapat menarik suatu kesimpulan. Setelah Anda merumuskan model. Kalau beda waktu tersebut hanya ada pada variabel bebas. Baik model yang bersumber dari teori ekonomi maupun model yang bersumber dari gejala ekonomi. adakalanya sudah diperhitungkan adanya unsur beda waktu. tahap berikutnya yang Anda lakukan adalah menaksir nilai parameter. maka model persamaannya dinamakan model persamaan beda waktu. agar dapat meramalkan besarnya nilai variabel terikat . sehingga tugas Anda berikutnya adalah melakukan peramalan tentang arah perubahan variabel terikat. yang lebih dikenal sebagai pengujian hipotesis.Dalam perumusan model Anda juga telah mengenal adanya model persamaan tunggal dan model persamaan serempak. Model persamaan tunggal menggambarkan bentuk hubungan antarvariabel yang bersifat satu arah.

Yang artinya variabel terikat (Y) merupakan fungsi dari variabel bebas (X). maka rata-rata harapan Y untuk setiap X yang diketahui. Melainkan hubungan ketergantungan statistik. tetapi juga adanya variabel lain yang dapat mempengaruhi perubahan variabel terikat. Karena itu sifat hubungan antar variabelnya bukan merupakan hubungan fungsional yang detaministik. Untuk membuktikan kebenaran nilai taksiran atau ramalan tersebut. dapat ditaksir dengan menggunakan atau Y topi. dapat dirumuskan secara matematis dan dianalisis secara statistika. dan nilai rataratanya disebut sebagai nilai rata-rata sebenarnya. Dalam analisis regresi. Kesalahan pengganggu yang biasa disimbolkan dengan U atau e bukan hanya berupa penyimpangan individual dari rata-rata harapan kelompoknya. sehingga pemilihan sampelnya bisa bersifat acak atau random atau stokastik. variabel yang dianalisis adalah variabel yang memiliki sebaran peluang yang sama. namun tidak memasukkan dalam model persamaan tidak sangat turut dinamis. yang bisa Anda nyatakan dalam bentuk persamaan Y = f (X). yang bersifat pasti. yang.yang sebenarnya dimasa yang akan datang. Hasil analisis regresi dalam ekonometrika tidak selamanya tepat 100%. Fungsi Regresi Fungsi regresi adalah aturan yang menentukan besarnya pengaruh perubahan variabel bebas (X) terhadap variabel terikat (Y). Ketidaktepatan ini bukan hanya karena adanya unsur kesalahan pengganggu. dapat diwubudkan dalam bentuk persamaan rata-rata E(Y/X). Sehingga adanya kesalahan pengganggu dapat mencerminkan bahwa penubahan variabel Y tidak hanya ditentukan oleh variabel X. karena unsur kesalahan pengganggu dalam ekonometrika dapat dieleminir dan ditentukan besarnya dengan menggunakan metoda kuadrat . Tetapi juga bukan merupakan hubungan kausal yang bersifat satu arah. Sedangkan nilai rata-rata E(Y/X) dalam fungsi regresi sampel. Anda harus membuktikannya secara statistika. KaLau variabel teIikat (Y) merupakan fungsi linier dari variabel bebas (X) dan juga merupakan fungsi regresi populasi. sehingga perubahan variabel Y mempunyai ketergantungan pada perubahan variabel X. Karena f (X) bisa terdiri dari Bo dan B1 X maka bentuk persamaan Y = f (x) dapat dimodifikasi menjadi Y = Bo + B1 X.

Fungsi linier dapat menunjukan bentuk hubungan yang positif atau negatif. Linieritas Regresi Pasangan nilai X dan Y yang diwujudkan dalam bentuk titik XY. atau sama dengan nol. sehingga garisnya bergerak dari kiri bawah ke kanan atas. garis regresinya dinamakan fungsi kuIve linier. Banyaknya parameter B yang dapat membentuk tangen sudut atau . yang sekaligus juga bisa menunjukan titik perpotongan antara fungsi linier dengan sumbu Y Sehingga sering disebut sebagai intercept Y. Sebaliknya kalau setiap kenaikan variabel bebas (X) selalu diikuti dengan penurunan variabel terikat (Y) maka Inieritasnya dikatakan negatif. Selain pararneter Bo Anda juga mengenal adanya parameter B1 yang akan membentuk tangen sudut atau slope antara fungsi linier dengan sumbu X. disebut koordinat.terkecil. Kalau koordinat-koordinat ini dihubungkan satu sama lain secara berurutan maka akan terbentuk satu garis. Jika garis regesi membentuk satu garis lurus. yang disebut garis regresi. berarti nilai Y lebih besar dari nol.an antara fungsi linier dengan sumbu Y akan berada diatas sumbu X. neg.atif. Suatu linieritas regresi dikatakan positif manakala setiap kenaikan variabel bebas (X) selalu diikuti dengan kenaikan variabel terikat (Y). Linieritas pararneter muncul karena adanya parameter Bo sebagai nilai Y manakala nilai X = O atau manakala nilai X konstan. sehingga titik perpotony. dengan garisnya bergerak dari kiri atas ke kanan bawah Linieritas regresi juga dapat dibedakan menjadi linieritas variabel dan linieritas parameter. sehingga dapat menggambarkan tingkat kemiIingan fungsi linier. maka garis tersebut dinamakan fungsi linier. atau karena penggunaan alat ukur variabelnya tidak sahih. sehingga titik perpotongan antara fungsi linier dan sumbu Y akan berada dibawah sumbu X. Namun bisa pula dikarenakan tidak terpenuhinya asumsi yang melandasi keberlakuan teorinya. Sedangkan kalau intercept Y sama dengan nol maka titik perpotongan fungsi linier dengan sumbu Y akan berada tepat di titik pertemuan antara sumbu Y dengan surnbu X. Jika intercept Y positif. Secara geometris linieritas dapat diartikan sebagai garis lurus. Namun jika negati:f berarti nilai Y lebih kecil dari nol. Namun kalau tidak membentuk garis lurus. atau pada titik nol. yang bisa memiliki nilai positif. yang bisa memiliki nilai positif atau negatif.

Serta model perubahan terbalik. . Sedangkan fungsi utama koefisien determinasi adalah untuk menguji ketepatan hasil analisis regresi. Prinsip Metode Kuadrat Terkecil Penentuan linieritas yang dapat menggambarkan fungsi regresi.slope. karena pelaksanaan tugas regresi dalam peramalan nilai variabel Y untuk variabel X yang telah diketahui secara tepat. hanya dapat dilaksanakan kalau model hubungan antara variabelaya linier. Semi log. karena dapat menentukan ketepatan peramalan variabel terikat. Berdasarkan satuan ukuran yang digunakannya. apabila hanya sebagian komponen yang Anda ubah menjadi bentuk logaritma natural. apabila semua nilai komponen yang dianalisis Anda ubah menjadi bentuk bentuk logaritma natural (ln). Karena itu penentuan linieritas regresi yang semula banyak menggunakan garis yang menghubungkan koordinat titik-titik XY dalam suatu diagram pencar. untuk menentukan tingkat keeratan atau kekuatan hubungan antar variabel tersebut. tergantung pada banyaknya variabel bebas atau variabel yang dapat mempengaruhi perubahan variabel terikat. apakah garis regresinya belbentuk garis lurus sehingga hubungan antar variahelnea merupakan fungsi linier. apabila proses perubahannya berlawanan antara satu variabel dengan variabel yang lainnya. Penentuan posisi nilai parameter bo dan b1 dapat menentukan bentuk garis regresi dan hubungan antar variabelnya. sangat penting dalam analisis regresi. Linieritas Regresi dan Korelasi Linieritas merupakan landasan utama bagi analisis regresi. sedangkan komponen lainnya tidak berubah. atau tidak linier. fungsi regresi dalam model regresi dua variabel dapat Anda bedakan menjadi model log linier. melalui penentuan besarnya pengaruh vasiabel bebas (X) terhadap variabel terikat (Y) secara keseluhan. Fungsi utama koefisien korelasi atau r adalah. kemudian dikembangkan dengan penghitungan estimator bo dan b1 melalui metoda kuadrat terkecil. Fungsi utama koefisien regresi adalah menentukan model hubungan antar variabel dan peramalkan nilai variabel Y untuk variabel X yang telah diketahui.

juga berbeda. terdapat beberapa nilai taksiran untuk berbagai kemungkinan nilai koefisien yang sebenarnya. walaupun permasalahan dan populasinya sama.) Selain tingkat keyakinan. Ukuran yang biasa digunakan untuk menentukan tingkat keyakinan suatu nilai taksiran adalah (1. Karena itu diperlukan suatu ukuran tingkat keyakinan tentang ketepatan nilai taksiran. Varians rata-rata harapan kesalahan pengganggu untuk setiap kelompok X harus memiliki nilai yang sama. Anda dapat menggunakan metode kuadrat terkecil. Namun untuk dapat menggunakan metode kuadrat terkecil tersebut diperlukan asumsi-asumsi yang melandasi keberlakuan teorinya. sehingga nilai taksiran sama dengan nilai yang sebenarnya Sedangkan dalam taksiran yang menggunakan interval. harus sama dengan nol. antara lain: Nilai harapan kesalahan pengganggu akibat adanya keanekaragaman variabel bebas. Dengan adanya perbedaan ini maka kedekatan nilai taksiran koefisien dari setiap sampel dengan nilai koefisien yang sebenarnya. Tidak terjadi korelasi antara rata-rata harapan kesalahan pengganggu untuk kelompok X yang satu. Berdasarkan model persamaan (3. Simpang baku yang diukur dengan nilai taksiran. yang dapat Anda gunakan untuk mengukur tingkat ketepatan suatu nilai taksiran. dinamakan kesalahan baku. Ukuran Ketepatan Nilai Taksiran Perhitungan nilai koefisien regresi dari suatu sampel dapat menghasilkan nilai taksiran yang berbeda dengan sampel lainnya. dan simpang baku yang mengukur perbedaan nilai koefisien regresi dari rata-ratanya secara keseluruhan. Anda juga memerlukan ukuran ketepatan. Namun dalam penentuan ukuran ketepatan Anda sering dihadapkan pada varians sebagai ukuran Besarnya sebaran nilai taksiran. yang dibatasi oleh batas atas dan batas bawah kelas interval. dengan kelompok X yang lainnya.Untuk menentukan besarnya nilai taksiran koefisien regresi b0 dan b1.1-13). Serta tidak terjadi korelasi antara unsur kesalahan pengganggu (e) dengan variabel bebas (X).1-12) dan (3. Dalam taksiran tunggal biasanya hanya terdapat satu nilai taksiran sebagai penentu nilai koefisien sebenarnya. Pengujian Hipotesis dan Peramalan . yang bersumber dari populasi. Untuk menentukan nilai taksiran Anda dapat menggunakan bentuk taksiran tunggal dan interval taksiran.

sehingga disebut hipotesis nol. Kalau keberlakuan suatu hipotesis secara empiris dapat dibuktikan kebenarannya maka Anda dapat melakukan peramalan nilai variabel terikat manakala nilai variabel bebas dan model persamaan beserta nilai koefisien regresinya telah Anda ketahui. uji signifikansi. Korelasi dan Determinasi Analisis regresi selalu diikuti dengan analisis korelasi dan determinasi. serta besarnya pengaruh variabel bebas X terhadap variabel terikat Y. Sedangkan pengujian hipotesisnya dapat Anda lakukan baik melalui pengujian interval keyakinan. karena itu seringkali dilakukan modifikasi data untuk membuktikan kebenaran suatu hipotesis. dengan fungsi utamanya untuk menguji kebenaran dan atau ketidak-benaran suatu teori. juga dapat Anda gunakan untuk menentukan tingkat ketepatan linieritas regresi taksiran dari linieritas regresi yang sebenarnya. Untuk menghindari kemungkinan tersebut maka rumusan hipotesis yang digunakan umumnya diformulasikan untuk ditolak. koefisien determinasi. Selain untuk menentukan besarnya pengaruh variabel bebas X terhadap variabel terikat Y. yang bersumber dari populasi. yang pernyataannya berlawanan dengan hipotesis kerja. karena analisis regresi tidak dapat menjelaskan secara tepat tentang tingkat keeratan hubungan antarvariabel yang dianalisis. Dan persoalan ini dapat Anda jelaskan. Setiap ilmuwan umumnya menyangsikan kebenaran suatu pernyataan sebelum terbukti kebenarannya secara empiris. maupun ramalan nilai variabel terikat secara individual atau tunggal. Dengan kata lain hipotesis merupakan suatu proposisi yang dapat memprediksi arah hubungan antarvariabel. maupun analisis varians.Hipotesis adalah jawaban sementara atas suatu masalah yang diungkapkan dalam bentuk konsep pemikiran dan atau pernyataan tentatif tentang dugaan hubungan antarvariabel. Karena sebagaimana telah Anda pahami bahwa linieritas regresi sampel tidak selamanya persis sama dengan linieritas regresi yang sebenarnya. . rnelalui penentuan koefisien korelasi r serta koefisien determinasi r2. yang kebenarannya harus dibuktikan secara empiris. Peramalan ini dapat Anda lakukan baik dalam bentuk ramalan nilai rata-rata atau E(Yr/Xr).

Variabel Boneka (Dummy Variables) dalam Analisis Regresi . Dengan demikian selain antara komponen kesalahan pengganggu e dengan variabel bebas X yang tidak boleh terjadi korelasi secara linier. Untuk mempermudah analisis data. Namun karena dalam analisis regresi ganda juga dianalisis hubungan antar satu variabel bebas X dengan variabel terikat Y manakala variabel bebas X lainnya dianggap konstan. karena masing-masing variabel bebas X dapat mempengaruhi perubahan variabel terikat Y. Menentukan nilai besaran-besaran yang diperlukan untuk keperluan analisis regresi ganda. Menentukan jumlah dari semua rata-rata hitung.Koefisien korelasi r dan koefisien determinasi r2. ditambah dengan satu asumsi tambahan. Atau dicari secara bersamaan dengan koefisien regresi secara sekaligus. dengan model analisis regresi yang bersifat multivariate. dan menentukan nilai hasil kali dari setiap pasangan variabel. maka sebelum dilaksanakan analisis regresi ganda. terlebih dahulu Anda dapat melakukan lima kegiatan awal yang dimulai dari perubahan bilangan data menjadi bentuk log natural. Hal ini mencerminkan bahwa analisis korelasi dan determinasi bisa Anda gunakan sebagai teknik analisis tersendiri. Dalam arti di antara variabel bebas X1 dan X2 tidak terjadi korelasi secara linier. juga di antara variabel bebas X yang satu dengan variabel bebas X yang lainnya. yaitu nonmultikolineariti. Analisis Regresi Ganda Untuk Tiga Variabel Analisis regresi ganda adalah suatu metode analisis regresi untuk lebih dari dua variabel. Keberlakuan analisis regresi ganda dilandasi oleh asumsi-asumsi yang sama dengan analisis regresi sederhana. yang terpisah dari analisis regresi. Menghitung kuadrat untuk setiap variabel. karena itu termasuk dalam analisis multivariate. dapat Anda cari dengan cara menstransformasikan hasil analisis regresi yang erat kaitannya dengan korelasi dan determinasi yaitu hasil analisis varians dan simpang baku. Karena itu analisis regresi ganda merupakan jembatan penghubung antara analisis regresi sederhana yang bersifat bivariate. maka dalam analisisnya juga masih bisa digunakan metode kuadrat terkecil.

Modelmodel dengan variabel tak bebas boneka (dummy). agama. 3. variabel ini dapat membagi suatu sampel menjadi berbagai kategori berdasarkan atribut misalnya status perkawinan. yaitu kategori yang diberi nilai dengan angka 0. teknik variabel ini harus digunakan dengan hati-hati. dan lain-lain. politik. Meskipun variabel boneka merupakan alat yang baik. Variabel Tak Bebas Boneka (Dummy) Model-model variabel tak bebas yang bersifat dikotomi dengan mengambil nilai 1 atau 0 digunakan dalam situasi dimana variabel tak bebas memperoleh tanggapan ya atau tidak. seperti membeli atau tidak membeli rumah. suku bangsa. perbedaan tersebut akan terlihat dalam perbedaan yang terjadi dalam intersep atau koefisien arah regresi atau keduanya dari berbagai regresi setiap kelompok kecil (misalnya gaji guru terhadap pengalaman mengajar bagi guru laki-laki dan guru perempuan). maka banyaknya data variabel boneka (D) adalah banyaknya kategori untuk setiap data kualitatif dikurangi satu..Variabel kualitatif atau variabel boneka (dummy) dapat dipergunakan dalam model regresi bersama dengan variabel kualitatif. memasukkan variabel boneka sangat banyak memerlukan derajat kebebasan (degree of freedom) disingkat df. Jika model regresi memuat suatu bilangan konstan. 1. 2. psikologi dan lain-lain terhadap perubahan variabel-variabel ekonomi yang terjadi. menjadi anggota organisasi atau tidak. jika dinyatakan sebagai fungsi linear dari . agama. Variabel boneka merupakan alat yang penting untuk mengklasifikasikan data. Koefisien yang mengikuti variabel boneka harus ditafsirkan dalam hubungannya dengan kategori dasar. Jika suatu model regresi meliputi beberapa variabel kualitatif dengan beberapa kategori. Oleh karena itu ahli ekonomi dapat menganalisis masalah ekonomi dengan memasukkan pengaruh variabel-variabel non-ekonomis seperti pendidikan dan kebudayaan. tingkat pendidikan dan lain-lain yang dapat dibuat regresi secara individu untuk setiap kelompok kecil. Oleh karena itu benyaknya variabel boneka harus disesuaikan dengan banyaknya observasi yang tersendiri atau sebaliknya. Jika terdapat perbedaan pengaruh variabel tak bebas terhadap berbagai variabel atau perubahan variabel kuantitatif dalam berbagai kelompok kecil.

Masalah yang serius adalah masalah probabilitas bersyarat yang ditaksir mungkin tidak terletak antara 0 dan 1. Varian kesalahan pengganggu heteroskedastik. sedangkan dengan model satu persamaan kita hanya dapat membuat analisis yang memperhitungkan pengaruh satu arah saja. tetapi sebenarnya konsumsi (Y) juga dapat mempengaruhi pendapatan (X). Dengan model persamaan simultan bisa memperhitungkan pengaruh variabel-variabel yang timbal balik. Masalah ini dapat dipecahkan dengan suatu teknik yang menjamin bahwa nilai probabilitas akan terletak antara 0 dan 1.variabel bebas (yang bersifat kuantitatif atau kualitatif atau keduanya) disebut model probabilitas linear (LPM) karena nilai yang diharapkan dari variabel tak bebas bersyarat atas nilai tertentu dari variabel bebas dapat ditafsirkan sebagai probabilitas bersyarat terjadinya suatu peristiwa. Untuk sampel yang besar masih bisa melakukan pengujian hipotesis. dalam kenyataannya Y juga dapat mempengaruhi X. 3. . Model probabilitas linear mengandung beberapa masalah penaksiran dalam hal: 1. variabel-variabel bebas ini diasumsikan tidak berkorelasi dengan kesalahan pengganggu. Model Persamaan Tunggal dan Simultan Model persamaan simultan berbeda dengan model regresi linear yang hanya terdiri dari satu persamaan saja dengan hanya satu variabel tak bebas. misalnya pengaruh X terhadap Y. Masalah pertama tidak serius. Masalah kedua dapat ditangani dengan mentransformasikan data. Probabilitas bersyarat yang ditaksir mungkin tidak terletak antara 0 dan 1 artinya bisa lebih kecil dari nol (negatif) atau lebih besar dari satu. misalnya Y dihubungkan dengan satu variabel bebas X atau lebih (X1 X2. karena penggunaan OLS masih menghasilkan penaksiran tak bias. Kesalahan pengganggu tidak mengikuti distribusi normal. … Xk). Contohnya pendapatan (X) mempengaruhi konsumsi (Y). karena peningkatan konsumsi akan meningkatkan produksi dan selanjutnya peningkatan produksi akan meningkatkan pendapatan sebagai balas jasa diterima oleh faktor produksi. 2.

Masalah Identifikasi Masalah identifikasi harus diketahui sebelum kita menaksir koefisien-koefisien dari suatu persamaan dalam suatu model persamaan simultan yang dimaksud dengan masalah identifikasi ialah apakah taksiran angka dari koefisisn struktural (koefisien dari persamaan yang asli) dapat diperoleh dari taksiran koefisien bentuk sederhana. untuk parameter struktural dapat dihitung dari parameter bentuk sederhana. jika banyaknya variabel eksogen yang tidak termasuk dalam persamaan sama dengan banyaknya variabel endogen dalam persamaan dikurangi satu Dalam persamaan exactly identified nilai yang unik bagi parameter struktural dapat dihitung dari parameter bentuk sederhana. Suatu persamaan dalam suatu model atau sistem persamaan dapat exactly identified. Suatu persamaan dalam suatu model disebut exactly identified. baik sebagai variabel tak bebas maupun variabel bebas. jika banyaknya variabel eksogen yang tidak termasuk dalam persamaan lebih kecil dari banyaknya variabel endogen dalam persamaan dikurangi satu. Variabel yang mempunyai dua fungsi. overidentified atau underidentified. pada saat berfungsi sebagai variabel bebas dalam suatu persamaan akan berkorelasi dengan kesalahan pengganggu. Sehingga penggunaan metode kuadrat terkecil (OLS) tidak akan menghasilkan penaksir yang konsisten artinya meskipun sampelnya diperbesar sampai tak terhingga nilai penaksir tidak akan sama dengan parameternya. Dalam model seperti ini tak satu pun dari parameter struktural yang dapat dihitung dari parameter bentuk sederhana. Masalah identifikasi muncul karena sekelompok data dapat dipergunakan untuk menaksir suatu model yang berbeda atau suatu kelompok koefisien struktural yang berbeda. jika banyaknya variabel eksogen yang tidak termasuk dalam persamaan lebih besar dari banyaknya variabel endogen dalam persamaan dikurangi satu.Dalam model persamaan simultan. kita tidak tahu apakah yang kita taksir itu suatu fungsi . variabel tak bebas yang sudah muncul dalam suatu persamaan bisa muncul lagi dalam persamaan lainnya sebagai variabel bebas. jadi dalam regres P (harga) atas Q (kuantitas barang). Dalam model ini akan ada lebih dari satu nilai (tidak unik). Suatu persamaam disebut underidentified. Suatu persamaan dalam suatu model disebut overidentified.

Untuk menaksir identifiabilitas (dapat diidentifikasikannya) suatu persamaan struktural. kita dapat menerapkan teknik persamaan bentuk sederhana. Meskipun order condition mudah diterapkan tetapi hanya menunjukkan kondisi yang diperlukan untak diidentifikasi. sedangkan rank condition memenuhi baik untuk kondisi yang diperlukan dan cukup untuk diidentifikasi. tetapi prosedur yang memakan waktu ini dapat dihindarkan dengan menggunakan “the order rank condition of identification”. Jika persyaratan rank sudah dipenuhi. . karena kedua funSgsi tersebut menghubungkan harga dan kuantitas barang.permintaan atau penawaran. maka persyaratan order akan terpenuhi juga.

Sign up to vote on this title
UsefulNot useful