IV. METODE PENELITIAN
4.5. Metode Estimasi Model
Hasil identifikasi yang menghasilkan kesimpulan overidentified memungkinkan persamaan untuk diestimasi dengan metode Two-Stages Least Squares (2SLS), Three-Stages Least Squares (3SLS), Limited Information Maximum Likelihood (LIML) atau Full Information Maximum Likelihood (FIML). Metode yang akan digunakan dalam penelitian ini adalah Two-Stages Least Squares (2SLS).
Beberapa alasan digunakan metode 2SLS ini adalah (Koutsoyiannis, 1977):
1. Metode ini lebih cocok digunakan jika jumlah contoh kecil. 2. Metode ini menghindari estimasi yang bias dan tidak konsisten.
3. Metode ini merupakan salah satu metode yang cocok untuk digunakan dalam estimasi parameter model ekonometrika simultan, terutama untuk persamaan simultan.
4. Metode ini lebih efisien digunakan pada kondisi tidak semua persamaan dalam sistem akan diestimasi parameternya.
4.5.1. Uji Kesesuaian Model
Pengujian terhadap estimasi persamaan secara keseluruhan dapat dilakukan dengan menggunakan uji statistik-F. Uji Statistik-F adalah uji statistik yang digunakan untuk mengetahui dan menguji apakah variabel penjelas secara
bersama-sama mampu menjelaskan keragaman variabel endogennya dengan baik (Koutsoyiannis, 1977).
Hipotesis:
H0 : 1= 2…… = i = 0
H1 : minimal ada satu i ≠ 0
dimana:
i = banyaknya variabel bebas dalam suatu persamaan
Apabila P-value uji statistik-F < taraf α sebesar 10 persen maka tolak H0. Tolak H0 berarti seluruh variabel penjelas dalam satu persamaan secara bersama-sama mampu menjelaskan variabel endogennya dengan baik.
4.5.2. Uji Estimasi Variabel Secara Individu
Uji statistik-t adalah uji statistik yang digunakan untuk mengatahui dan menguji apakah masing-masing variabel penjelas berpengaruh nyata terhadap variabel endogen (Koutsoyiannis, 1977).
Hipotesis:
H0 : i = 0
H1 : uji satu arah → i > 0; i < 0 uji dua arah → i ≠ 0
Kriteria uji :
Jika H1: i > 0, bila P-value uji statistik-t < α maka tolak H0 H1: i < 0, bila P-value uji statistik-t < α maka tolak H0 H1: i≠ 0, bila P-value uji statistik-t < α/β maka tolak H0
Penelitian ini menggunakan uji satu arah dengan taraf α sebesar 10 persen, sehingga apabila P-value uji statistik-t < taraf α sebesar 10 persen maka tolak H0.
Tolak H0 berarti suatu variabel penjelas berpengaruh nyata terhadap variabel endogen.
4.5.3. Uji Autocorrelation
Autocorrelation adalah adanya korelasi/hubungan antara kesalahan (error term) pada tahun sekarang dengan kesalahan pada tahun sebelumnya. Guna mengetahui ada atau tidaknya masalah autocorrelation pada setiap persamaan maka perlu dilakukan uji autocorrelation dengan menggunakan statistik DW (Durbin-Watson statistic).
Tabel 7. Range Statistik Durbin Watson
Nilai DW Hasil
4 – dl < DW < 4 Tolak H0, terjadi masalah autocorrelation negatif 4 – du < DW < 4 – dl masalah autocorrelation tidak dapat disimpulkan 2 < DW < 4 – du Terima H0, tidak terjadi masalah autocorrelation
du < DW < 2 Terima H0, tidak terjadi masalah autocorrelation
dl < DW < du masalah autocorrelation tidak dapat disimpulkan 0 < DW < dl Tolak H0, terjadi masalah autocorrelation positif Sumber: Pindyck dan Rubinfeld (1998)
Apabila model mengandung persamaan simultan dan variabel lag, maka untuk mengetahui apakah terdapat autocorrelation atau tidak dalam persamaan digunakan statistik dh (durbin-h statistic). Nilai Durbin-h diperoleh dari perhitungan sebagai berikut (Pindyck dan Rubinfeld, 1998):
√ ……….(4.11)
dimana:
h = Angka durbin h statistik
T = Jumlah periode pengamatan sampel
var( ) = Kuadrat dari standar error koefisien “lagged endogenous variabel”
Suatu persamaan tidak mengalami masalah autokorelasi pada kondisi normal yaitu taraf 5 persen, bila nilai h hitung berada diantara -1.96 sampai 1.96. Namun, nilai durbin-h statistic tidak akan diperoleh hasilnya jika hasil kali
T* var( ) lebih besar dari satu. Hal ini berarti terdapat angka negatif sehingga
tidak dapat dihitung nilai akarnya.
4.5.4. Uji Multicollinearity
Multicollinearity adalah suatu hubungan linier antara dua atau lebih variabel bebas dalam satu persamaan tertentu. Jika terjadi korelasi yang sempurna diantara sesama variabel penjelas maka koefisien parameter menjadi tidak dapat ditaksir dan nilai standard error setiap koefisien estimasi menjadi tidak terhingga. Multicollinearity sempurna jarang terjadi, tetapi umumnya memiliki derajat interkorelasi diantara variabel bebas yang disebabkan saling ketergantungan berbagai variabel ekonomi sepanjang waktu (Sitepu dan Sinaga, 2006).
Salah satu cara untuk menentukan masalah multicollinearity dapat dilihat dari nilai Variance Inflation Factor (VIF). VIF merupakan suatu cara untuk mendeteksi Multicollinearity dengan melihat sejauh mana sebuah variabel penjelas dapat diterangkan oleh semua variabel penjelas lainnya di dalam persamaan regresi. VIF yang tinggi menunjukkan bahwa multicollinearity telah menaikkan sedikit varian pada koefisien estimasi, akibatnya menurunkan nilai t. Semakin tinggi nilai VIF maka semakin berat dampak dari multicollinearity. Pada umumnya, masalah multicollinearity yang serius terjadi apabila nilai VIF dari suatu variabel lebih besar dari 10 (Sarwoko, 2005).
4.5.5. Uji Heteroscedasticity
Salah satu asumsi penting dari estimasi metode kuadran terkecil adalah varian residual bersifat konstan atau homoscedasticity. Heteroscedasticity adalah suatu keadaan dimana asumsi tersebut tidak tercapai. Dampak adanya heteroscedasticity adalah tidak efisiennya proses estimasi, sementara hasil estimasi tetap konsisten dan tidak bias. Masalah heteroscedasticity akan mengakibatkan hasil uji statistik-F dan uji statistik-t menjadi tidak berguna.
Salah satu cara untuk mendeteksi terjadinya masalah heteroscedasticity adalah dengan menggunakan metode park. Metode park mengandung prosedur dua tahap (Sitepu dan Sinaga, 2006). Tahap pertama, melakukan estimasi suatu model persamaan regresi tanpa mempersoalkan apakah ada masalah heteroscedasticity atau tidak. Misalkan spesifikasi model yang ditentukan adalah sebagai berikut:
PPBεR = 0+ 1PKBεR + 2δPPBεR + ………(4.12) Estimasi persamaan (4.12) dengan menggunakan metode OLS, sehingga akan
menghasilkan nilai estimasi residual error έ = (Ŷ-Y). Karena umumnya nilai 2 tidak diketahui, maka hal ini ditaksir dengan menggunakan 2
sebagai proxy
sehingga model regresi untuk menaksir 2
adalah: Ln έ2
= 0+ 1δn PKBεR + 2δn δPPBεR + v ……….(4.1γ)
dimana v adalah error term.
Persamaan (4.13) merupakan tahap kedua dari metode park. Apabila koefisien parameter i berpengaruh nyata secara statistik pada taraf α sebesar 5
persen, maka hal ini mengindikasikan adanya masalah heteroscedasticity pada data yang digunakan dan sebaliknya.
4.5.6. Konsep Elastisitas
Nilai elastisitas dapat digunakan untuk melihat derajat kepekaan variabel endogen pada suatu persamaan terhadap perubahan dari variabel penjelas. Nilai elastisitas jangka pendek (short-run) diperoleh dari perhitungan sebagai berikut (Pindyck dan Rubinfeld, 1998):
Esr (Yt, Xi) = ai (Xi)/(Yt) ………(4.14) dimana:
Esr (Yt, Xi) = Elastisitas jangka pendek variabel penjelas Xi terhadap variabel endogen Yt
ai = Parameter estimasi variabel penjelas Xi Xi = Rata-rata variabel penjelas Xi
Yt = Rata-rata variabel endogen Yt
Nilai elastisitas jangka panjang (long-run) dapat diperoleh dari perhitungan sebagai berikut:
……….(4.15)
dimana:
Elr (Yt, Xi) = Elastisitas jangka panjang variabel penjelas Xi terhadap variabel endogen Yt
ai lag = Parameter estimasi dari lag-variabel endogen Kriteria uji:
1. Jika nilai elastisitas lebih dari satu (E > 1), maka dikatakan elastis karena perubahan satu persen variabel penjelas mengakibatkan perubahan variabel endogen lebih dari satu persen.
2. Jika nilai elastisitas antara nol dan satu (0 < E < 1), maka dikatakan inelastis (tidak responsif) karena perubahan satu persen variabel penjelas mengakibatkan perubahan variabel endogen kurang dari satu persen.
3. Jika nilai elastisitas sama dengan nol (E = 0), maka dikatakan inelastis sempurna.
4. Jika nilai elastisitas tak hingga (E = ~), maka dikatakan elastis sempurna. 5. Jika nilai elastisitas sama dengan satu (E = 1), maka dikatakan unitary elastis.