3 METODE PENELITIAN
Jenis dan Sumber Data
Jenis data dan sumber data yang digunakan dalam penelitian ini adalah data panel merupakan gabungan dari data time series, data cross section dan data sekunder. Data time series yang digunakan adalah data tahunan pada tahun 2000 –
2013 dan cross section yang terdiri dari delapan negara anggota ASEAN yaitu Indonesia, Malaysia, Filipina, Singapura, Thailand, Vietnam, Laos, Brunei Darusalam, Jepang dan negara non anggota seperti Korea Selatan, Amerika, Australia, dan China.
Data yang digunakan dalam penelitian ini merupakan data sekunder yang berasal dari berbagai sumber, yaitu ASEANStat, World Bank (World Development Indicators, WDI 2012), International Monetary Fund (International Financial Statistics 2012), trade map, CEPII, Kementerian Perdagangan dan sumber-sumber lainnya. Data yang dikumpulkan tersebut merupakan data panel Tabel 3 jenis dan sumber data dalam penelitian, sebagai berikut.
Tabel 3 Jenis dan sumber data
Data Satuan Sumber
Impor Juta USD Trade Map
GDP Juta USD WDI
Populasi Juta CeEPII
Jarak Ekonomi KM CEPII
GDP per Kapita Juta USD WDI
Total Perdagangan Juta USD WDI
Household Final Consumption Expenditure Juta USD WDI
Foreign Direct Investment Juta USD WDI
Analisis Data Panel
Data panel adalah data yang memiliki dimensi ruang dan waktu, yakni kombinasi antara data cross section yang sama diobservasi menurut waktu atau time series (Gujarati 2006). Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut sebagai balanced panel. Sebaliknya, jika jumlah observasi berbeda untuk setiap unit cross section maka disebut unbalanced panel. Keunggulan dari penggunaan data panel dalam analisis ekonometrik antara lain: a. Mampu mengontrol heterogenitas individu, b. Informasi yang lebih banyak dan beragam, meminimalkan masalah kolinieritas (collinearity), meningkatkan
jumlah derajat bebas dan lebih efisien, c. Lebih baik dalam studi dynamics of adjustment, d. Lebih baik dalam mengidentifikasi dan mengukur efek yang tidak dapat dideteksi oleh data cross section atau time series murni dan e. dapat digunakan untuk mengonstruksi dan menguji model perilaku yang lebih kompleks dibandingkan data cross section atau time series murni (Baltagi 2005).
Analisis data panel juga memiliki beberapa kelemahan dan keterbatasan dalam penggunaannya, khususnya apabila data panel dikumpulkan atau diperoleh dengan metode survei. Permasalahan tersebut antara lain: a. Relatif besarnya data panel karena melibatkan komponen cross section dan time series menimbulkan masalah desain survei, pengumpulan dan manajemen data, diantaranya coverage, nonresponse, kemampuan daya ingat responden (recall), frekuensi, dan waktu wawancara, b. Distorsi kesalahan pengamatan (measurement error) yang umumnya terjadi karena kegagalan respon, seperti pertanyaan yang tidak jelas, ketidaktepatan informasi, dan lain-lain, c. Masalah selektivitas, yakni selfselectivity, nonresponse, attrition (jumlah responden yang terus berkurang pada survei lanjutan), dan d. Cross section dependence yang dapat mengakibatkan kesimpulan-kesimpulan yang tidak tepat (missleadinginference).
Pemilihan Metode Estimasi Panel Statis
Pemilihan model estimasi regresi data panel terdapat dua pendekatan, yaitu Fixed Effect dan Random Effect (Firdaus, 2011). Keuduanya dibedakan berdasarkan pada asumsi ada atau tidak adanya korelasi antara error dengan komponen bebasnya (Firdaus, 2011). Adapun penjelasan dari masing-masing pendekatan sebagai berikut:
Pendekatan Fixed Effect
Pendekatan fixed effect merupakan metode yang digunakan ketika antara efek individu dan variabel penjelas memiliki hubungan dengan variabel Xit atau memiliki pola yang sifatnya tidak acak. Asumsi tersebut membuat komponen eror dari efek individu dan waktu dimasukan sebagai bagian dari intersep (Firdaus 2011). Dalam model ini dimungkinkan untuk memasukan variabel dummy (D) untuk memudahkan adanya perubah intersep. Model yang digunakan dalam pendekatan ini yaitu:
Yit= Σ αiDi+ βXit + uit...(1.0) Pada pendekatan fixed effect dapat dilakukan pembobotan (weighted) atau dengan pembobotan (cross section weight) atau yang sering disebut General Least Square (GLS). Pembobotan yang dilakukan pada model ini bertujuan untuk mengurangi heterogenitas antara unit cross section.
Pendekatan Random Effect
Pendekatan random effect digunakan ketika tidak adanya korelasi antara efek individu dan regresor. Hal tersebut komponen error dari efek individu dan waktu dimasukan ke dalam eror (Firdaus 2011). Model yang digunakan dalam pendekatan ini yaitu:
εit = uit+ Vit + Wit....(1.2) Keterangan:
uit = komponen cross sectioneror Vi = komponen time serieseror Wit = komponen combinations eror
Dalam menentukan model pendekatan terbaik pada metode data panel statis perlu dilakukan pengujian secara statistik. Pengujian tersebut meliputi uji Chow, uji Hausman, dan uji LM (breush-pagan). Menurut (Firdaus 2011) tahapan dalam pengujian data panel yaitu:
Uji Hausman
Uji Hausman merupakan pengujian yang dapat di jadikan dasar sebagai penentu pemilihan model fixed effect atau model random effect yang akan digunakan. Hipotesis yang digunakan pada uji ini adalah sebagai berikut:
, menggunakan random effect model
, menggunakan fixed effect model
Membandingkan nilai statistik hausman dengan chi-square digunakan sebagai dasar penolakan hipotesis nol. Penolakan dilakukan ketika nilai statistik H dalam pengujian lebih besar daripada (k), sehingga model yang digunakan yaitu fixed effect, dan begitu pula sebaliknya. Nilai F-satatistik dapat diperoleh berdasarkan persamaan berikut:
...(1.3)
Keterangan:
= vektor statistik variabel random effect = vektor statistik variabel fixed effect
= matriks kovarians untuk dugaan model fixed effect = matriks kovarians untuk dugaan model random effect
= derajat bebas Uji Chow
Uji Chow adalah pengujian statistik sebagai dasar pemilihan model PLS atau model fixed effect yang akan digunakan. Hipotesis yang digunakan pada pengujian ini adalah sebagai berikut:
, Menggunakan PLS
, Menggunakan fixed effect model
Nilai F-statistik digunakan sebagai dasar penolakan hipotesis nol. Penolakan dilakukan ketika nilai statistik dalam pengujian lebih besar daripada F-statistik, sehingga model yang digunakan yaitu fixed effect, dan begitu pula sebaliknya. Nilai F-satatistik dapat diperoleh berdasarkan persamaan berikut:
Keterangan:
RRSS = hasil pendugaan model PLS URSS = hasil pendugaan model fixed effect N = jumlah data cross section
K = jumlah data time series T = jumlah variabel penjelas Uji LM (Breush-Pagan)
Uji LM (Breush-Pagan) adalah pengujian statistik sebagai dasar pemilihan model random effect atau model pooled least square yang akan digunakan. Hipotesis yang digunakan pada pengujian ini adalah sebagai berikut:
: Menggunakan pooled least square. : Menggunakan random effect model
Membandingkan nilai statistik LM dengan Chi-square digunakan sebagai dasar penolakan hipotesis nol. Penolakan dilakukan ketika nilai statistik LM dalam pengujian lebih besar daripada Tabel, sehingga model yang digunakan yaitu random effect, dan begitu pula sebaliknya.
Pengujian Parameter Model
Uji hipotesis digunakan untuk meganalisis apakah variabel-variabel yang digunakan pada model regresi signifikan atau tidak. Terdapat tiga jenis uji hipotesis yang dapat dilakukan pada model regresi (Juanda 2009). Uji tersebut adalah uji-F, uji-t, dan koefisien determinasi.
Uji-F
Uji-F merupakan uji yang digunakan untuk mengetahui variabel-variabel bebas yang digunakan secara bersama-sama berpengaruh terhadap variabel dependen. Hipotesis pengujian yang digunakan adalah:
:
: Minimal terdapat satu 0
Jika Prob(F-statistic) < taraf nyata (5 persen), maka tolak H0, yang berarti dengan tingkat kepercayaan 1- dapat disimpulkan bahwa variabel bebas yang digunakan di dalam model secara bersama-sama signifikan memengaruhi variabel terikat, begitu pula sebaliknya.
Uji-t
Uji-t merupakan pengujian yang digunakan untuk mengetahui apakah variabel-variabel bebas secara parsial berpengaruh signifikan terhadap variabel terikat. Hipotesis pengujian yang digunakan adalah:
: 0
: 0
Jika diperoleh nilai t-statistic > t α/2(NT-K-1), maka keputusan yang diambil adalah tolak dan dapat disimpulkan bahwa variabel bebas ke- secara parsial
memengaruhi variabel terikat dengan tingkat kepercayaan 1- , begitu pula sebaliknya.
Koefisien Determinasi
Koefisien diterminasi digunakan untuk mengetahui seberapa baik model yang diperoleh sesuai dengan data yang digunakan, mengukur bersarnya persentase variasi dalam peubah terikat yang mampu dijelaskan oleh peubah bebas. Nilai koefisien determinasi yaitu 0 ≤ . Model dikatakan baik apabila nilai koefesien mendekati satu.
Metode Analisis
Setelah melakukan uji asumsi dasar ekonometrik maka dilanjutkan dengan mengunakan metode analisis yang dapat digunakan dalam penelitian adalah analisis deskriptif dan analisis data panel dengan model panel statis yaitu menggunakan model gravity periode tahun yang digunakan dari tahun 2000-2013 dan model panel dinamis dengan menggunakan model generalized method of moments (GMM). Analisis ekonometrika dengan regresi data panal gravity digunakan untuk melihat keterkaitan antara arus perdagangan dan perekonomian suatu negara dengan menganalisis apakah terjadi tarde creation atau trade diversion dan melihat faktor-faktor yang memengaruhi impor Indonesia dengan negara ASEAN, Jepang dan mitra dagang Indoneisa, dan juga melihat konvergensi pertumbuhan ekonomi. Berikut penjelasan model yang digunakan dalam penelitian, sebagai berikut:
Gravity Model
Model gravitasi digunakan untuk menganalisis pola aliran perdagangan bilateral antar negara-negara dalam suatu wilayah tertentu sebagai sebuah fungsi dari masa ekonomi masing-masing negara, jarak antar negara, dan faktor lainnya. Gravity model saat ini lazim digunakan sebagai sebuah metode yang mampu mengevaluasi potensi perdagangan suatu produk atau jasa antar negara serta mampu melihat besarnya suatu wilayah. Latar belakang penamaan gravity model ini merupakan analogi dari teori garvitasi Newton, yang mana gaya tarik gavitasi diantara dua objek bersifat proporsional terhadap massa dan jarak. Jadi ketika dibawakan ke dalam perdagangan, hal ini dianggap sama, yang memiliki sifat proporsional terhadap GDP dengan jarak suatu negara yang memiliki hubungan perdagangan (Suryanta 2012).
Model gravitasi ini menyatakan bahwa negara yang lebih kaya akan lebih banyak melakukan perdagangan ke luar negeri bila dibandingkan dengan negara -negara yang lebih miskin dimana jarak yang semakin jauh dianggap bukan sebagai hambatan. Persamaan dasar dari model gravity berdasarkan (Starck 2012), yaitu: Tij = A x Yix Yj / Dij...(2.0) Keterangan:
Tij = Nilai perdagangan antara negara i dan negara j Yi = GDP negara i
Yj = GDP negara j A = Konstanta
Dalam model gravitasi asumsi dasar adalah bahwa negara tertentu cenderung memiliki hubungan dagang dengan dengan negara yang kaya. Jarak berpengaruh dengan perdagangan luar negeri. Hal ini umumnya memiliki hubungan perdagangan yang kuat dengan negara-negara terdekat karena disebabkan biaya yang murah. Besar jarak antara mitra dagang dapat menghambat aliran perdagangan. Salah satu kategori perdagangan pembatasan aliran perdagangan terdiri dari hambatan yang diciptakan oleh pemerintah seperti: Tarif, kuota, subsidi, pajak ekspor, dumping.
Penelitian Caporale et al. (2011) menganalisis dampak dari perjanjian Eropa pada dua komponen perdagangan (ekspor dan impor) menggunakan estimasi gravitasi. Untuk tujuan ini, variabel dependen yang digunakan salah satunya adalah impor. Model empiris untuk perdagangan sebagai berikut:
...(2.1)
Dimana Mijt menunjukkan impor masing-masing antara negara i dan j pada
waktu t dengan i ≠ j (jutaan dolar). Atas dasar model Keynesian, perdagangan luar negeri diharapkan hanya impor memiliki hubungan positif pada fungsi pertumbuhan pendapatan nasional. Dengan demikian, pendapatan domestik yang lebih tinggi harus meningkatkan impor, sedangkan peningkatan pendapatan mitra harus memiliki efek positif dengan merangsang ekspor negara domestik.
Berdasarkan penelitian (Yang dan Zarzosov 2013), merumuskan model penelitiannya, sebagai berikut :
∑
...(2.2)
Dengan dimasukkannya variabel dummy FTA dalam persamaan gravitasi dapat menjadi masalah, karena variabel ini dapat menangkap contemporaneous dyadic fixed effects. Sementara itu, masalah heterogenitas diabaikan, apabila semua negara yang bekerjasama dengan membentuk FTA, untuk mengatasi masalah ini, penulis menerapkan data panel statis untuk mengendalikan semua faktor invariant yang berbeda-beda. Tujuannya untuk memperoleh perkiraan pada variabel ACFTA, yaitu trade creation (FTA1), ekspor diversion (FTA2) dan impor diversion (FTA1), menggunakan panel perbandingan data yang mengontrol semua negara dan waktu. Heterogenitas yang tidak teramati pada variabel DFTA1, DFTA2, dan DFTA3 adalah variabel biner yang mengukur efek perdagangan tertentu di ASEAN-China Free Trade Area.
DFTA1 nilai satu jika negara i dan negara j kedua negara anggota ACFTA dan nol sebaliknya. Jika koefisien positif dan signifikan secara statistik dari DFTA1 akan terjadi trade creation dan menunjukkan bahwa perdagangan intra-regional telah memperoleh keuntungan dengan perjanjian perdagangan bebas yang mana manfaanya lebih tinggi dari tingkat perdagangan tanpa adanya kerjasama FTA.
DFTA2 nilai dari satu jika eksportir i anggota ACFTA, untuk negara tujuan j, serta untuk negara non anggota dan nol sebaliknya. Koefisien positif dan signifikan secara statistik dari DFTA2 didefinisikan sebagai export diversion effect dalam ACFTA dan menunjukkan bahwa integrasi regional mengarah terjadinya
pengalihan kegiatan ekspor dari negara-negara anggota ACFTA ke negara-negara anggota non-ACFTA.
DFTA3 nilai satu untuk eksportir i adalah anggota dan negara tujuan non -ACFTA j milik -ACFTA dan nol sebaliknya. Sebuah koefisien positif dan signifikan secara statistik dari DFTA2 menunjukkan import diversion effect di kawasan ACFTA. Hal ini dapat dinyatakan bahwa anggota ACFTA telah bergeser kegiatan impor mereka dari negara-negara non anggota ke negara-negara anggota.
Studi (Paas 2000) Estonia memiliki kondisi yang berbeda untuk mengimpor barang dari negara-negara mitra (negara transisi, negara-negara non-transisi, Uni Eropa, CIS, Rim). Dalam kondisi kebijakan perdagangan yang sangat liberal, mitra dagang Estonia tidak memiliki batasan atau bea masuk untuk mengimpor barang-barang dari mitra dagang Estonia. Diasumsikan bahwa CIS dan negara-negara Baltik telah meningkatkan hubungan dagang dengan Estonia melalui skema FTA. Estimasi impor dalam persamaan sebagai berikut: data impor dari pusat data statistik Estonia pada tahun 1997 (Perdagangan Luar Negeri tahun 1997), data GDP tahun 1997, dan matriks jarak antara negara-negara. Bisa dilihat pada model berikut:
...( 2.3)
Arus perdagangan yang mengalir antara Estonia dan ini mitra perdagangan (negara) membentuk lebih dari 95% dari total volume perdagangan luar negeri Estonia. Ukuran jarak geografis antar negara didefinisikan sebagai jarak antara kota-kota besar. Untuk negara-negara tetangga jarak ini didefinisikan sebagai jarak antara ibukota dan pusat geografis Estonia. Statistik perdagangan luar negeri dari Estonia telah disusun sesuai dengan rekomendasi dari komisi statistik PBB. Prinsip-prinsip untuk menyusun statistik impor didasarkan pada Undang-Undang Kepabeanan (disahkan pada Estonia Parlemen pada tanggal 15 September 1993).
Berdasarkan hasil penelitian dari (Yang S dan Zarzosov MI 2013), Caporale et al. (2011), dan (Paas 2000). Selanjutnya proses analisis dampak AJCEP terhadap arus perdagangan dikawasan ASEAN Jepang dan non anggota ini digambarkan oleh model sebagai berikut:
...(2.4)
Tabel 4 Keterangan variabel model gravity
Variabel Keterangan
i ASEAN dan Jepang
j Amerika, China, Korea Selatan, dan Australia.
t Waktu
Nilai impor bilateral setiap negara i dan j tahun ke-t (juta USD), dalam log natural (ln)
GDP negara i tahun pada tahun t (juta USD), dalam logaritma
natural (ln)
GDP negara j tahun pada tahun t (juta USD), dalam logaritma
jarak ekonomi negara i ke negara j pada tahun t, dalam logaritma natural (ln)
Populasi negara i pada tahun t, dalam logaritma natural (ln)
Populasi negara j pada tahun t, dalam logaritma natural (ln)
Variabel dummy untuk mengindikasikan efek dari trade creation. Variabel dummy akan bernilai 1 jika importir negara i adalah negara anggota ASEAN-Jepang yang melakukan perdagangan dalam kawasan, dan bernilai 0 jika eksportir adalah negara j yaitu China, Korea Selatan, Australia dan Amerika Serikat ke kawasan negara i.
Variabel dummy untuk mengindikasikan efek trade diversion. Variabel dummy akan bernilai 1 jika eksportir adalah negara j yaitu: China, Korea Selatan, Australia dan Amerika Serikat ke kawasan ASEAN Jepang, dan bernilai 0 jika importir negara i. Variabel dummy yang mengindikasikan efek trade creation dan trade diversion dapat disimpulkan sebagai berikut:
• Terjadi efek trade creation jika β6 dan β7 bertanda positif,
• Terjadi efek trade diversion jika β6 bertanda positif dan β7
bertanda negatif.
= intersep, = slope, ε = error
Definisi Operasional
Definisi operasional dari peubah-peubah yang digunakan dalam model adalah sebagai berikut:
1. Impor (IMijt) merupakan impor bilateral negara i dari negara j dalam satu tahun yang diukur dengan juta USD,
2. GDP ( it dan jt) menggambarkan GDP dari negara i dan negara j pada tahun ke-t.
3. Jarak ekonomi (DISTijt) adalah pengukuran jarak antar ibukota (pusat ekonomi) di negara i dan j pada tahun ke-t. Jarak geografis digunakan sebagai proxy untuk biaya transportasi dan komunikasi, serta waktu pengiriman yang dibutuhkan oleh suatu negara dalam melakukan ekspor dan impor. Penghitungan jarak ekonomi adalah sebagai berikut:
∑
4. DIMan adalah variabel dummy untuk mengindikasikan efek dari trade creation.
5. DIMmd adalah variabel dummy untuk mengindikasikan efek trade diversion. Dummy yang mengindikasikan efek trade creation dan trade diversion dapat disimpulkan sebagai berikut:
Terjadi efek trade creation jika β6 dan β7 bertanda positif;
Terjadi efek trade diversion jika β6 bertanda positif dan β7 bertanda negatif.
6. DFTA adalah variabel dummy untuk mengindikasikan tahun pemberlakukan FTA. Bernilai 1 jika tahun ke-t adalah tahun setelah melakukan kesepakatan dengan Jepang, dan bernilai 0 jika tahun ke-t adalah tahun sebelum diberlakukan kesepakatan.
Analisis Model Panel Dinamis
Generalized Method of Moments (GMM)
Analisis observasi penyesuaian dinamis (dynamic adjusment) lebih baik menggunakan data panel. Adanya hubungan dinamis terjadi ketika ada lag variabel dependen. Analisis model regresi yang tidak hanya dipengaruhi periode sekarang tetapi juga dipengaruhi oleh periode sebelumnya dari variabel independen dinamakan distributed-lag model. Jika suatu model terdapat satu atau lebih nilai lag pada variabel dependen disebut autoregressive model atau model dinamis (Gujarati 2006). Model data panel dapat memasukan lag dari variabel dependen menjadi panel dinamis. Menurut (Baltagi 2005) Model data panel dinamis ditunjukan sebagai berikut :
; i = 1,.., N ; t= 1, 2, ..., N ...(3.0) Dimana merupakan skalar dan merupakan matriks berukuraan 1 x K dan merupakan matriks berukuran k x 1. Diasumsikan mengikutin model one way error component sebagai berikut :
...(3.1) Dengan adalah efek individu yang diasumsikan ( ) dan adalah error term yang diasumsikan , dimana dan saling bebas satu sama lain.
Model data panel yang memasukan lag dari variabel dependen sebagai regressor dalam regresi akan mengakibatkan masalah endogenity, walaupun error term tidak berkorelasi, jika terdapat lag variabel dependen pada model Pooled Least Square (PLS), Fixed Effects (FE) dan Random Effect (RE) akan menghasilkan estimator yang bias dan tidak konsisten (Baltagi 2005).
Pendekatan method of moments atau Generalized Method of Moments (GMM) digunakan untuk mengatasi masalah tersebut. Terdapat dua prosedur estimasi dalam kerangka GMM, yaitu :
First Difference GMM (FD-GMM)
Kerangka GMM, dimana digunakan lag dari peubah dependen mulai dari T-2 atau disebut FD GMM. Pendekatan ini akan menghasilkan estimator yang konsisten dari α dimana dimana dengan T relatif kecil (Firdaus 2011), menggunakan transformasi first difference untuk pendekatan variabel instrumen dengan mengeliminasi pengaruh individual sebagai berikut :
( ) ( ) ...(3.2) Terdapat keterbatsan dari FD GMM estimator, terutama terjadi korelasi antar lag dari pembedaan pertama, sehingga instrumen yang digunakan lemah. FD GMM estimator bisa bias kebawah jika dibandingkan dengan fixed effects, yang disebabkan periode waktu penggunaan terbatas. Oleh karena itu penggunaan nilai sekarang maupun lag dari regresor sebagai instrumen akan dapat memperbaiki FD GMM estimator (Firdaus 2011).
Keterbatasan FD GMM bisa dideteksi dengan membandingkan koefisien dari peubah lag yang diperoleh dari pendekatan pooled least sqaures (PLS), fixed effects dan FD GMM. Jika model panel data dengan AR(1) bila diestimasi dengan teknik PLS maka akan menghasilkan nilai penduga koefisen yang bias ke atas, dan jika diestimasi dengan dengan fixed effects maka menghasilkan nilai penduga koefisien yang bias ke bawah. Dengan demikian nilai koefisen yang konsisten diperoleh apabila nilainya berada antara PLS dengan fixed effects (Firdaus 2011).
System GMM (SYS-GMM)
Inti dari metode System GMM yaitu pengestimasian sistem persamaan baik pada first difference maupun level. Instrumen yang digunakan pada level adalah lag first difference. Asumsi tambahan pada metode SYS GMM adalah , untuk i =1, ... , N. Adapun matriks instrumen bagi SYS GMM adalah (Firdaus 2011)
[
[ ]
[ ]]
...(3.3)
Himpunan kondisi momen dapat dituliskan sebagai :
[ ] ...(3.4)
...(3.5)
Maka System GMM memiliki kombinasi instrumen berupa level pada persamaan first difference dan instrumen berupa first difference pada persamaan level.
Pemilihan model GMM terbaik menggunakan beberapa kriteria, yaitu (Firdaus 2011) :
1. Tidak bias, jika estimator berada diantara estimator PLS dan FE. Koefisien lag variabel dependen yang dihasilkan oleh PLS akan bias ke atas, sedangkan koefisien lag variabel dependen yang dihasilkan dari FE akan bias ke bawah.
2. Instrumen valid, jika uji Sargan menunjukan penolakan hipotesis nol. Apabila hasil metode FD GMM menunjukan instrumen yang digunakan tidak valid, maka digunakan metode SYS GMM. Uji sargan digunakan untuk overidentifiying restriction untuk menguji masalah validitas pada instrumen yang digunakan. Jika instrumen valid maka tidak ada korelasi antara instrumen dengan komponen error.
3. Konsisten, jika pada uji Arellano-Bond statistik m1 menunjukan hipotesis nol ditolak dan m2menunjukan hipotesis tidak tolak hipotesis nol. Uji Arellano-Bond merupakan uji autokorelasi pada pendekatan GMM untuk mengetahui konsistensi estimasi.
Pada model GMM untuk melihat konvergensi pertumbuhan ekonomi dari kesepakatan AJCEP dengan negara ASEAN dan Jepang. (Slaughter 2000) efek liberalisasi perdagangan pada konvergensi pendapatan, pendekatan ini menunjukkan pola konvergensi antara liberalisasi negara pra dan pasca liberalisasi dengan pola konvergensi antara negara-negara yang digunakan dalam penelitian
pada kondisi sebelum dan sesudah liberalisasi. Peran liberalisasi perdagangan yang diidentifikasi sebagai perkiraan perbedaan selisih tingkat konvergensi sebelum dan sesudah liberalisasi antara kedua kelompok negara.
Jika liberalisasi menyebabkan konvergensi atau divergensi, maka gerakan perdagangan bebas harus mempercepat sehingga terjadi konvergensi atau divergensi dan relatif terhadap keterbukaan perdagangan. Untuk mengembangkan strategi empiris ini peneliti pertama kali menyajikan pendekatan perbedaan-perbedaan yang khas. Cara merubah pendekatan khas ini untuk kasus liberalisasi