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

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

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

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

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

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

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

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

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

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

misalnya Y dihubungkan dengan satu variabel bebas X atau lebih (X1 X2. … Xk). 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. karena peningkatan konsumsi akan meningkatkan produksi dan selanjutnya peningkatan produksi akan meningkatkan pendapatan sebagai balas jasa diterima oleh faktor produksi. Model probabilitas linear mengandung beberapa masalah penaksiran dalam hal: 1. 2. 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.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. Varian kesalahan pengganggu heteroskedastik. Probabilitas bersyarat yang ditaksir mungkin tidak terletak antara 0 dan 1 artinya bisa lebih kecil dari nol (negatif) atau lebih besar dari satu. Masalah yang serius adalah masalah probabilitas bersyarat yang ditaksir mungkin tidak terletak antara 0 dan 1. tetapi sebenarnya konsumsi (Y) juga dapat mempengaruhi pendapatan (X). Masalah kedua dapat ditangani dengan mentransformasikan data. dalam kenyataannya Y juga dapat mempengaruhi X. misalnya pengaruh X terhadap Y. Contohnya pendapatan (X) mempengaruhi konsumsi (Y). Untuk sampel yang besar masih bisa melakukan pengujian hipotesis. sedangkan dengan model satu persamaan kita hanya dapat membuat analisis yang memperhitungkan pengaruh satu arah saja. Kesalahan pengganggu tidak mengikuti distribusi normal. Masalah pertama tidak serius. 3. karena penggunaan OLS masih menghasilkan penaksiran tak bias.

pada saat berfungsi sebagai variabel bebas dalam suatu persamaan akan berkorelasi dengan kesalahan pengganggu. Dalam model seperti ini tak satu pun dari parameter struktural yang dapat dihitung dari parameter bentuk sederhana. baik sebagai variabel tak bebas maupun variabel bebas. 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. jadi dalam regres P (harga) atas Q (kuantitas barang). kita tidak tahu apakah yang kita taksir itu suatu fungsi .Dalam model persamaan simultan. Masalah identifikasi muncul karena sekelompok data dapat dipergunakan untuk menaksir suatu model yang berbeda atau suatu kelompok koefisien struktural yang berbeda. Suatu persamaam disebut underidentified. jika banyaknya variabel eksogen yang tidak termasuk dalam persamaan lebih kecil dari banyaknya variabel endogen dalam persamaan dikurangi satu. 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 disebut overidentified. Suatu persamaan dalam suatu model disebut exactly identified. jika banyaknya variabel eksogen yang tidak termasuk dalam persamaan lebih besar dari banyaknya variabel endogen dalam persamaan dikurangi satu. Dalam model ini akan ada lebih dari satu nilai (tidak unik). overidentified atau underidentified. 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. variabel tak bebas yang sudah muncul dalam suatu persamaan bisa muncul lagi dalam persamaan lainnya sebagai variabel bebas. Variabel yang mempunyai dua fungsi. Suatu persamaan dalam suatu model atau sistem persamaan dapat exactly identified.

Jika persyaratan rank sudah dipenuhi. Untuk menaksir identifiabilitas (dapat diidentifikasikannya) suatu persamaan struktural. Meskipun order condition mudah diterapkan tetapi hanya menunjukkan kondisi yang diperlukan untak diidentifikasi.permintaan atau penawaran. 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”. karena kedua funSgsi tersebut menghubungkan harga dan kuantitas barang. maka persyaratan order akan terpenuhi juga. kita dapat menerapkan teknik persamaan bentuk sederhana. .

Sign up to vote on this title
UsefulNot useful