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

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

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

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

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

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

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

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

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

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

2.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. dalam kenyataannya Y juga dapat mempengaruhi X. tetapi sebenarnya konsumsi (Y) juga dapat mempengaruhi pendapatan (X). 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. … Xk). Masalah kedua dapat ditangani dengan mentransformasikan data. Varian kesalahan pengganggu heteroskedastik. . sedangkan dengan model satu persamaan kita hanya dapat membuat analisis yang memperhitungkan pengaruh satu arah saja. karena penggunaan OLS masih menghasilkan penaksiran tak bias. Masalah yang serius adalah masalah probabilitas bersyarat yang ditaksir mungkin tidak terletak antara 0 dan 1. Untuk sampel yang besar masih bisa melakukan pengujian hipotesis. misalnya Y dihubungkan dengan satu variabel bebas X atau lebih (X1 X2. 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. Kesalahan pengganggu tidak mengikuti distribusi normal. misalnya pengaruh X terhadap Y. 3. Masalah pertama tidak serius. Model probabilitas linear mengandung beberapa masalah penaksiran dalam hal: 1. Masalah ini dapat dipecahkan dengan suatu teknik yang menjamin bahwa nilai probabilitas akan terletak antara 0 dan 1. Dengan model persamaan simultan bisa memperhitungkan pengaruh variabel-variabel yang timbal balik. variabel-variabel bebas ini diasumsikan tidak berkorelasi dengan kesalahan pengganggu. Probabilitas bersyarat yang ditaksir mungkin tidak terletak antara 0 dan 1 artinya bisa lebih kecil dari nol (negatif) atau lebih besar dari satu.

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

Jika persyaratan rank sudah dipenuhi. 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. Untuk menaksir identifiabilitas (dapat diidentifikasikannya) suatu persamaan struktural. karena kedua funSgsi tersebut menghubungkan harga dan kuantitas barang. kita dapat menerapkan teknik persamaan bentuk sederhana. maka persyaratan order akan terpenuhi juga. tetapi prosedur yang memakan waktu ini dapat dihindarkan dengan menggunakan “the order rank condition of identification”. .permintaan atau penawaran.

Sign up to vote on this title
UsefulNot useful