P. 1
Pengertian Dan Kegunaan Ekonometrika

Pengertian Dan Kegunaan Ekonometrika

|Views: 1,670|Likes:

More info:

Published by: Yosefi Natalita Sembiring on Mar 22, 2012
Copyright:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as DOCX, PDF, TXT or read online from Scribd
See more
See less

06/17/2013

pdf

text

original

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

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

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

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

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

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

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

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

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

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

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

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

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

You're Reading a Free Preview

Download
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->