• Tidak ada hasil yang ditemukan

Jenis dan Sumber Data

Analisis dalam penelitian ini menggunakan data sekunder yang dikumpulkan dari berbagai sumber. Data yang dikumpulkan meliputi data panel selama periode 1991-2010 dari 30 negara yaitu 11 negara ASEAN+6 dan 19 negara Uni Eropa. Negara-negara tersebut adalah Indonesia, Singapura, Malaysia, Philipina, Thailand, Jepang, Cina, Korea Selatan, India, Selandia Baru, Australia, Austria, Belgia, Denmark, Finlandia, Jerman, Perancis, Yunani, Irlandia, Italia, Luksemburg, Belanda, Portugal, Spanyol, Swiss, Inggris, Swedia, Hungaria, Polandia dan Rumania. Adapun pemilihan negara-negara tersebut sebagai subjek analisis diantaranya adalah sebagai berikut:

a. Untuk melengkapi penelitian-penelitian sebelumnya yang lebih banyak mengambil subjek penelitian berupa negara tunggal atau panel negara-negara seluruh dunia. Penelitian-penelitian tersebut mengkaji rentang waktu dan cakupan negara yang berbeda-beda serta memberikan hasil yang berbeda pula. Penelitian yang secara spesifik menganalisis negara-negara di ASEAN maupun Asia Pasifik masih terbatas pada analisis hubungan antara pembangunan sektor keuangan dan pertumbuhan ekonomi atau pendapatan per kapita. Negara-negara dalam ASEAN+6 dan Uni Eropa memiliki keterikatan kerjasama politik dan ekonomi dimana salah satu tujuan dalam kerjasama tersebut adalah keterbukaan aliran kapital dan investasi dalam kawasan. Tujuan tersebut berkaitan erat dengan perkembangan sektor keuangan di negara-negara ASEAN+6 yang menjadi subjek penelitian.

b. Negara-negara yang menjadi subjek penelitian memiliki performa ekonomi yang beragam. Beberapa negara seperti Jerman, Swiss, Jepang, Australia dan Singapura tergolong sebagai negara yang telah mencapai kemajuan ekonomi. Negara-negara lain seperti Cina, India, Thailand, Malaysia, dan Indonesia dijuluki emerging Asia terkait dengan kesuksesannya dalam mencapai pertumbuhan ekonomi yang tinggi bahkan dalam kondisi perekonomian dunia yang tertekan akibat krisis di Amerika dan Eropa. Sementara itu terdapat pula beberapa negara yang baru terlepas dari konflik dan mulai membangun perekonomiannya seperti negara-negara ex Yugoslavia dan Uni Sovyet yang tergabung dalam Uni Eropa. Keberagaman kondisi perekonomian ini tentu berpengaruh terhadap kondisi kesenjangan pendapatan pada masing-masing negara. Dengan demikian penelitian ini diharapkan dapat menunjukkan perilaku perkembangan sektor keuangan dan pengaruhnya terhadap kesenjangan pendapatan pada negara-negara dengan kondisi perekonomian yang berbeda.

Model yang digunakan dalam penelitian ini mengikuti model Clarke et al. (2006) sebagai berikut:

Dengan:

: rasio gini (%)

: rasio kredit terhadap PDB (%) : inflasi (%)

: pertumbuhan PDB per kapita (%)

: kontribusi pengeluaran pemerintah terhadap PDB (%) : kontribusi sektor pertanian terhadap PDB (%)

: kontribusi sektor industri terhadap PDB (%) : rasio ekspor ditambah impor terhadap PDB (%)

Inequality-widening hypothesis of financial development terpenuhi ketika > 0 dan , inequality-narrowing hypothesis of financial development terpenuhi jika < 0 dan , serta inverted U-shaped hypothesis of financial development terpenuhi saat > 0 dan

Ukuran untuk kesenjangan pendapatan yang digunakan adalah rasio gini dan ukuran financial development yang digunakan adalah rasio kredit terhadap PDB. Untuk menguji robustness dari model ditambahkan beberapa variabel kontrol. Variabel pertumbuhan ekonomi merupakan kontrol atas model dasar dari kurva Kusnetz yang menggambarkan hubungan antara pertumbuhan ekonomi dan kesenjangan pendapatan. Inflasi yang tinggi akan memberi tekanan yang lebih besar pada daya beli masyarakat miskin sehingga memperburuk kondisi distribusi pendapatan. Variabel kontribusi sektor pertanian dan industri pengolahan terhadap PDB memberikan gambaran mengenai struktur perekonomian dimana perbedaan struktur perekonomian diduga mempengaruhi kesenjangan pendapatan. Kontribusi pengeluaran pemerintah terhadap PDB menunjukkan peran pemerintah dalam redistribusi pendapatan. Keterbukaan perdagangan diharapkan dapat mengurangi kesenjangan pendapatan dengan meningkatkan kesempatan kerja.

Metode Analisis

Analisis yang digunakan untuk menjawab permasalahan penelitian terdiri atas analisis deskriptif dan analisis regresi data panel. Analisis deskriptif digunakan untuk memberikan gambaran umum mengenai financial development di ASEAN+6 dan Uni Eropa. Analisis regresi data panel digunakan untuk menguji adanya hubungan non linier antara kesenjangan pendapatan dan financial development serta konvergensi kesenjangan pendapatan di ASEAN+6 dan Uni Eropa. Analisis regresi data panel dilakukan untuk 30 negara di kawasan ASEAN+6 dan Uni Eropa dengan membagi periode penelitian menjadi dua yaitu periode 1991-2000 dan 2001-2010. Pembagian dua periode waktu ini dilakukan untuk menganalisis dinamika pola hubungan antara financial development dan kesenjangan pendapatan serta konvergensi kesenjangan pendapatan di kedua kawasan.

Data panel adalah data yang memiliki dimensi ruang dan waktu. Dalam analisis data panel, data dari individu-individu yang sama diobservasi dari waktu ke waktu. Penggabungan data cross section dan time series dalam analisis data panel dapat mengatasi kelemahan dari analisis cross section dan time series murni. Penggunaan analisis panel data dalam estimasi ekonometrika memiliki

beberapa kelebihan dan kelemahan. Baltagi (2007) menyatakan bahwa panel data memiliki kelebihan antara lain:

1. Dapat mengontrol heterogenitas individu

2. Panel data memberikan data yang lebih lengkap dengan kolinieritas yang rendah dan derajat bebas yang lebih besar serta lebih efisien

3. Panel data baik digunakan untuk mengkaji mengenai penyesuaian dinamis (dynamic of adjustment)

4. Panel data lebih handal dalam mengidentifikasi dan mengukur efek individu maupun efek waktu yang tidak dapat dilakukan dalam teknik analisis deret waktu (time series) maupun analisis antar individu (cross section)

5. Panel data dapat digunakan untuk membangun dan menguji model dengan perilaku yang kompleks.

Beberapa kelemahan dalam analisis data panel data antara lain:

1. Masalah dalam desain dan pengumpulan data, termasuk masalah cakupan dan kelengkapan data

2. Gangguan yang timbul akibat kesalahan pengukuran (measurement error) akibat adanya respon yang tidak sesuai.

3. Dimensi waktu (time series) yang pendek terutama pada jenis data panel mikro.

4. Terdapat hubungan antar individu (cross-section dependence) yang dapat mengakibatkan kesalahan dalan inferensia.

Data panel sebagai gabungan antara data cross section dan time series memiliki karakteristik N>1 dan T>1, N menyatakan banyaknya individu dan T menyatakan banyaknya waktu. Misalkan yit merupakan suatu variabel dependen untuk unit

individu ke-i pada waktu ke-t dengan i=1,2,3,...,N dan t=1,2,3,...,T. Misalkan terdapat sejumlah K variabel independen yang masing-masing diberikan indeks j=1,2,3,...,K dan dinotasikan sebagai yang menyatakan variabel penjelas ke-j untuk individu ke-i pada waktu ke-t. Struktur data panel umumnya dinyatakan sebagai berikut. [ ] ; [ ] ; [ ] (3.2) Dengan menyatakan gangguan acak untuk unit ke-i pada waktu ke-t. Persamaan 3.2 dapat disederhanakan dalam bentuk sebagai berikut:

[ ] ; [ ] ; [ ] (3.3) Dengan y adalah matriks berukuran NT x 1, X adalah matriks berukuran NT x K dan adalah matriks berukuran NT x 1.

Model data panel linier dapat dinyatakan sebagai berikut:

(3.4)

Dengan adalah matriks berukuran NT x 1 yang diekspresikan sebagai

Gangguan acak diasumsikan mengikuti one-way error component model bila

(3.6)

dan untuk two way error component model diasumsikan mengikuti model

(3.7)

dengan : efek individu (time invariant)

: gangguang yang bersifat acak ( : efek waktu (individual invariant)

Pada pendekatan one way komponen error hanya memasukkan error yang merupakan efek dari individu ( ). Pada two way telah memasukkan efek dari waktu ( ) ke dalam komponen error, diasumsikan tidak berkorelasi dengan

Analisis Data Panel Statis

Analisis data panel statis merupakan analisis data longitudinal yang tidak melibatkan variabel lag dependent dalam model. Terdapat beberapa metode yang sering digunakan untuk mengestimasi parameter model data panel statis. Metode paling sederhana adalah pooled estimator (Pooled OLS) adalah salah satu tipe model data panel yang memiliki koefisien yang konstan untuk intercept dan slope. Untuk model data panel ini dapat menggunakan metode ordinary least squares regression model seperti yang umumnya digunakan dalam estimasi parameter model cross section dan time series murni. Data panel menggabungkan data cross section dan time series sehingga memiliki jumlah observasi yang lebih banyak dibandingkan cross section dan time series murni. Akibatnya, estimasi regresi yang dihasilkan cenderung lebih baik dibandingkan hasil estimasi regresi pada data cross section dan time series murni. Meskipun demikian, penggabungan data cross section dan time series ini mengakibatkan variasi antar individu maupun antar waktu tidak dapat teramati. Hal ini bertentangan dengan tujuan digunakannya data panel yaitu untuk menganalisis variasi antar individu dan waktu. Selain itu, estimator yang dihasilkan melalui metode Pooled OLS pada beberapa kasus menjadi bias akibat kesalahan spesifikasi data. Untuk mengatasi permasalahan tersebut, terdapat dua metode yang dapat digunakan dalam estimasi parameter model data panel yaitu Fixed effect model (FEM) dan Random Effect Model (REM). Berdasarkan persamaan 3.6 dan 3.7 perbedaan antara FEM dan REM terletak pada korelasi antara dan dengan .

1. Fixed effect model (FEM)

Model ini memiliki slope yang konstan namun intercept yang dimiliki bergantung pada data panel dari serangkaian grup observasi. Model ini dikenal juga sebagai Least Squares Dummy Variable Model, karena memasukkan sebanyak i-1 variabel dummy ke dalam model. Dalam FEM diperlakukan sebagai parameter tetap namun bervariasi antar i = 1,2,3,..., N. FEM mengasumsikan efek individu dan efek waktu berkorelasi dengan atau memiliki pola yang sifatnya tidak acak. Asumsi ini mengakibatkan komponen error dari efek individu dan waktu dapat menjadi bagian dari intercept. Asumsi ini umumnya terpenuhi ketika N relatif kecil dan T relatif besar. Secara umum model ini dapat dinyatakan sebagai berikut

Dengan asumsi bahwa . Penduga FEM mampu menjelaskan variasi antar individu karena model ini memungkinkan adanya perbedaan

intercept α pada setiap i.

Penduga FEM merupakan deviasi dari rata-rata individual sehingga penduga β dalam FEM dapat dinyatakan sebagai berikut

̂ ∑ ∑ ̅ ∑ ∑ ̅ ̅ (3.9) Penduga untuk α adalah sebagai berikut

̂ ̅ ̅̅̅̅ ̂ ; i = 1,2,3,...,N (3.10)

Matriks kovarian untuk ̂ dengan dinyatakan dalam

[ ̂ ] ∑ ∑ ̅ ̅ (3.11)

Dengan

∑ ∑ ̅ ̅ ̂

Pada dasarnya FEM lebih menekankan pada perbedaan antar individu, yaitu perbedaan antara dan ̅, sementara asumsi parametrik β menekankan pada perubahan dalam X memiliki pengaruh yang sama baik antar waktu maupun antar individu.

2. Random Effect Model (REM)

Model ini terdapat perbedaan intercept untuk setiap individu dan intercept tersebut merupakan variabel random atau stokastik. Sehingga dalam model random effects terdapat dua komponen sisaan, yakni sisaan secara menyeluruh it dan sisaan secara individu. Dalam REM diperlakukan sebagai parameter yang bersifat random. Asumsi dalam REM adalah efek individu dan efek waktu tidak berkorelasi dengan atau memiliki pola yang bersifat acak. Kondisi ini mengakibatkan komponen error dari efek individu dan efek waktu dimasukkan ke dalam error. Asumsi REM umumnya terpenuhi ketika data memiliki N yang relatif besar dan T relatif kecil.

Secara umum model ini dapat dinyatakan sebagai berikut

(3.12)

Dengan dan memiliki rata-rata nol. merepresentasikan gangguan individu yang tetap sepanjang waktu. Asumsi yang digunakan dalam REM adalah

| (3.13)

| (3.14)

| untuk semua id an t (3.15)

| untuk semua id an t (3.16)

( ) untuk semua i, t dan j (3.17)

( ) untuk dan (3.18)

( ) untuk (3.19)

Diantara semua asumsi dalam REM, yang paling penting adalah | yang akan menentukan apakah estimasi lebih baik menggunakan FEM atau REM.

Pengujian asumsi untuk memilih model terbaik antara FEM dan REM dilakukan dengan Hausman test. Hipotesis Hausman test adalah sebagai berikut: H0 : |  tidak ada korelasi antara komponen error dengan peubah

bebas

H1 : | terdapat korelasi antara komponen error dengan peubah bebas

Pendugaan uji Hausman dilakukan dengan pembedaan (difference) antara penduga FEM dan REM yang dinyatakan sebagai vektor difference ( ̂ ̂ ) . Suatu kovarian bagi vektor difference tersebut diperlukan untuk mengevaluasi signifikansinya. Secara umum hal ini memerlukan suatu estimasi kovarian antara

̂ dan ̂ . Karena penduga bersifat efisien jika kondisinya seperti dinyatakan dalam hipotesis null, dapat ditunjukkan bahwa matriks kovarian bagi vektor difference ( ̂ ̂ ) adalah

( ̂ ̂ ) ( ̂ ) ̂ (3.20)

Nilai statistik Hausman test menggunakan statistik Wald yangdinyatakan sebagai berikut:

( ̂ ̂ ) ( ̂ ̂ ) (3.21) Dengan ε : matriks kovarians untuk parameter β

k : derajat bebas yaitu jumlah parameter dalam β

Jika maka komponen error memiliki korelasi dengan peubah bebas, artinya hipotesis null ditolak sehingga dapat disimpulkan FEM lebih baik dibandingkan REM

Metode estimasi yang digunakan pada model analisis regresi data panel statis didasarkan pada asumsi struktur matriks varians dan covarians residualnya, yang terdiri dari 3 metode, yaitu:

1. Ordinary Least Square (OLS/LSDV), jika struktur matriks varians-covarians residualnya diasumsikan bersifat homokedastik dan tidak ada cross sectional correlation,

2. Generalized Least Square (GLS)/Weighted Least Square (WLS): Cross Sectional Weight, jika struktur matriks varians-covarians residualnya diasumsikan bersifat heterokedastik dan tidak ada cross sectional correlation, 3. Feasible Generalized Least Square (FGLS)/Seemingly Uncorrelated

Regression (SUR), jika struktur matriks varians-covarians residualnya diasumsikan bersifat heterokedastik dan ada cross sectional correlation.

Analisis Data Panel Dinamis

Baltagi (2007) menyatakan bahwa hubungan di antara variabel-variabel ekonomi pada kenyataan banyak yang bersifat dinamis. Analisis data panel dinamis dapat digunakan pada model yang bersifat dinamis yang melibatkan variabel lag sebagai variabel regresor di dalam model. Keuntungan penggunaan panel data dinamis adalah bahwa panel data dinamis dapat mengkaji mengenai analisis penyesuaian dinamis (dynamic of adjustment). Sebagai ilustrasi,model data panel dinamis adalah sebagai berikut:

;i=1,….,N; t=1…..,T (3.22)

dengan menyatakan suatu scalar dan uit adalah one way error component

dimana uit =μi + vit dengan ~ IID(0, ) menyatakan pengaruh individu dan

~ IID(0, ) menyatakan gangguan yang saling bebas satu sama lain atau

dalam beberapa literatur disebut sebagai transient error.

Dalam model data panel statis, dapat ditunjukkan adanya konsistensi dan efisiensi baik pada FEM maupun REM. Dalam model dinamis, situasi ini secara substansi sangat berbeda, karena merupakan fungsi dari maka Yi,t-1 juga

merupakan fungsi dari . Karena adalah fungsi dari uit maka akan terjadi korelasi antara variabel regresor Yi,t-1 dengan uit. Hal ini akan menyebabkan

penduga least square (sebagaimana digunakan pada model data panel statis) menjadi bias dan inkonsisten, bahkan bila tidak berkorelasi serial sekalipun.

Pendekatan method of moments dapat digunakan untuk mengatasi masalah bias dan inkonsistensi. Arrelano dan Bond menyarankan suatu pendekatan generalized method of moments (GMM). Setidaknya ada dua alasan untuk menggunakan pendekatan GMM, pertama, GMM merupakan common estimator dan memberikan kerangka yang lebih bermanfaat untuk perbandingan dan penilaian. Kedua, GMM memberikan alternatif yang sederhana terhadap estimator lainnya, terutama terhadap maximum likelihood. Namun demikian, penduga GMM juga tidak terlepas dari kelemahan. diantaranya: (i) GMM estimator adalah asymptotically efficient jika ukuran contoh besar tetapi kurang efisien jika ukuran contoh terbatas (finite); dan (ii) estimator ini terkadang memerlukan sejumlah implementasi pemrograman sehingga dibutuhkan suatu perangkat lunak (software) yang mendukung aplikasi pendekatan GMM. Terdapat dua jenis prosedur estimasi GMM yang umumnya digunakan untuk mengestimasi model linear autoregresif, yakni:

1. First-differences GMM (AB-GMM)

Metode first-differences GMM (AB-GMM) dikembangkan oleh Arellano dan Bond. Metode first-differences dilakukan untuk mendapatkan

estimasi yang konsisten di mana N → ∞ dengan T dan mengeliminasi

pengaruh individual. Persamaan dinamis dengan first-differences kemudian dapat dijabarkan sebagai berikut:

Yit - Yit-1= δ (Yi,t-1 - Yi,t-2) + (vit - vit-1); t=2,….., T (3.23)

Pendugaan dengan metode least square (OLS) akan menghasilkan

penduga yang inkonsisten karena Yit dan vi,t-1 berdasarkan definisi

berkorelasi, bahkan bila T →∞. Untuk itu, transformasi dengan menggunakan first difference ini dapat menggunakan suatu pendekatan variabel instrumen. Sebagai contoh, Yi,t-2 akan digunakan sebagai instrumen. Di sini, Yi,t-2

berkorelasi dengan (Yit - Yit-1) tetapi tidak berkorelasi dengan, vit-1 dan vit tidak

berkorelasi serial. Pendekatan GMM secara umum tidak menekankan bahwa vit ~ IID pada seluruh individu dan waktu, dan matriks penimbang optimal

kemudian diestimasi tanpa mengenakan restriksi. Sebagai catatan bahwa, ketidakberadaan autokorelasi dibutuhkan untuk menjamin validitas kondisi momen. Oleh karena pendugaan matriks penimbang optimal tidak terestriksi, maka dimungkinkan (dan sangat dianjurkan bagi sampel berukuran kecil) menekankan ketidakberadaan autokorelasi pada vit dan juga dikombinasikan dengan asumsi homoskedastis.

2. System GMM (SYS-GMM)

Pendekatan system GMM berkembang berdasarkan pemikiran Blundell dan Bond. Ide dasar dari penggunaan metode system GMM adalah mengestimasi sistem persamaan baik pada first-differences maupun pada level yang mana instrumen yang digunakan pada level adalah lag first-differences dari deret. Blundell dan Bond dalam Baltagi (2007) menyatakan pentingnya pemanfaatan initial condition dalam menghasilkan penduga yang efisien dari model data panel dinamis ketika T berukuran kecil. Dalam hal ini, Blundel dan Bond memfokuskan pada T = 3, oleh karenanya hanya terdapat satu kondisi

ortogonal sedemikian sehingga tepat teridentifikasi (just identified). Pada

penduga first-difference GMM dengan masalah lemahnya instrumen yang mana hal ini dicirikan dari parameter konsentrasi τ.

Kriteria pemeriksaan model yang dilakukan pada analisis data panel dinamis adalah validitas, konsistensi dan ketidakbiasan model. Validitas instrumen diuji dengan pendekatan uji Sargan untuk overidentifying restriction dengan hipotesis sebagai berikut

H0 : instrumen valid atau instrumen yang digunakan tidak berkorelasi dengan error

H1 : instrumen tidak valid atau terdapat korelasi antara instrumen dengan error. Statistik uji Sargan dinyatakan sebagai berikut

∑ ̂ ∑ ̂ (3.24)

Pada kondisis hipotesisi null, nilai statistik tersebut mengikuti sebaran Chi-square ( , dengan q menyatakan jumlah instrumen dikurangi jumlah parameter yang digunakan dalam model.

Uji autokorelasi untuk menentukan konsistensi hasil pendugaan yang dihasilkan dilakukan dengan statistik Arrelano-Bond (AB) m1 dan m2. Model yang konsisten ditunjukkan dengan p-value m1 yang signifikan dan p-value m2 yang tidak signifikan. Hasil estimasi model panel dinamis dikatakan tidak bias jika nilai dugaan parameter lag variabel dependen berada diantara nilai estimasi dengan FEM dan POLS.

Dokumen terkait