2. LANDASAN TEORI
2.12 Metode Instrumental Variabel
2.12.1 System Instrumental Variable (SIV) Estimator
System Instrumental Variable (SIV) adalah sistem yang melibatkan variabel instrumen dalam model dengan asumsi-asumsi tertentu. System Instrumental Variable (SIV) digunakan untuk mengestimasi parameter dalam model pada persamaan (2.12.1). Terdapat 2 kasus untuk mengestimasi parameter dalam model pada persamaan (2.12.1) yaitu sebagai berikut
๏ท Kasus 1 : variabel endogen ๐ฅ๐พ pada persamaan (2.12.1) di instrumen hanya oleh satu variabel instrumen yaitu ๐ง1.
Pada kasus ini, pertama-tama model pada persamaan (2.12.1) dapat dituliskan dalam bentuk vektor matriks sebagai berikut :
๐ฆ = ๐๐ท + ๐ข (2.12.6)
dimana ๐ = (๐ฅ1, ๐ฅ2โฆ , ๐ฅ๐พ), dan ๐ท = (๐ฝ1, ๐ฝ2โฆ , ๐ฝ๐พ)โฒ. Untuk menjelaskan asumsi-asumsi yang digunakan di dalam SIV, pada kasus ini misalkan z adalah suatu vektor variabel instrumental yang dinyatakan dengan ๐ = (๐ฅ1, ๐ฅ2โฆ , ๐ฅ๐พโ1, ๐ง1) yang telah memenuhi kondisi (2.12.3) dan (2.12.5), dimana z1 merupakan satu-satunya variabel instrumen untuk variabel endogen xk.
Asumsi-asumsi dalam SIV yang dibutuhkan untuk mengestimasi ฮฒ adalah : 1. ASUMSI SIV I :
๐ธ ๐โฒ๐ข = ๐ (2.12.7) Asumsi ini diperoleh dari kondisi (2.12.2) dan (2.12.3)
2. ASUMSI SIV II :
Rank ๐ธ ๐โฒ๐ = ๐พ (2.12.8)
Untuk memperoleh parameter ๐ท pada persamaan (2.12.6), akan dilakukan langkah-langkah berikut :
(1) Kalikan model pada persamaan (2.12.6) dengan zโ, maka
๐โฒ๐ฆ = ๐โฒ๐๐ท + ๐โฒ๐ข (2.12.9)
(2) Dengan mengekspektasikan bentuk pada persamaan (2.12.9) dan mengggunakan asumsi SIV 1, maka akan diperoleh
๐ธ(๐โฒ๐ฆ) = ๐ธ(๐โฒ๐๐ท) + ๐ธ(๐โฒ๐ข)
= ๐ธ ๐โฒ๐ ๐ท + ๐ (2.12.10)
dimana ๐ธ ๐โฒ๐ berukuran K x K dan ๐ธ(๐โฒ๐ฆ) berukuran K x 1.
Persamaan (2.12.10) akan memiliki solusi yang unik jika ๐ธ ๐โฒ๐ โ1 ada, atau ( ๐ธ ๐โฒ๐ merupakan matriks nonsingular). Solusinya adalah sebagai berikut
๐ท = ๐ธ ๐โฒ๐ โ1๐ธ(๐โฒ๐ฆ) (2.12.11)
Persamaan (2.12.10) akan memiliki solusi yang unik jika dan hanya jika rank ๐ธ ๐โฒ๐ = ๐พ. Hal ini akan terpenuhi jika persamaan pada (2.12.5) terpenuhi yaitu (๐1 โ 0). Berikut akan ditunjukkan rank ๐ธ ๐โฒ๐ = ๐พ jika dan hanya jika ๐1 โ 0.
Bukti :
Asumsikan seluruh variabel eksogen saling bebas linier, sehingga ๐ธ ๐โฒ๐ merupakan matriks nonsingular dan rank ๐ธ ๐โฒ๐ = ๐พ.
๐ = (๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐พโ1, ๐ฅ๐พ) ๐ = (๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐พโ1, ๐ง1)
Definisikan :
๐โ = (๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐พโ1, ๐ฅ๐พโ) yang merupakan proyeksi linier dari masing-masing elemen dari ๐ pada ๐ yang bisa dituliskan sebagai berikut
๐ฅ1 = ๐ฅ1+ ๐1 matriks nonsingular, maka rank ๐ธ ๐โฒ๐ = ๐พ akan terpenuhi jika dan hanya jika ๐1 โ 0.
Untuk menaksir parameter ๐ท pada persamaan (2.12.6), diambil sampel acak {(xi, yi, zi) : i=1, 2,โฆ, N} sehingga taksiran parameter untuk ๐ท adalah sebagai
Bukti :
Berdasarkan Teorema Weak Law of Large Number (WLLN), ๐โฒ๐ข adalah sebuah barisan vektor random iid yang memiliki mean ๐๐โฒ๐ข. Misalkan ๐โฒ๐ข = menggunakan asumsi SIV 1, diperoleh bahwa
๐ธ ๐โฒ๐ข = ๐๐โฒ๐ข = ๐โ1 ๐๐โฒ๐ข๐
Selanjutnya akan dibuktikan bahwa taksiran parameter yang diperoleh diatas
Berdasarkan (WLLN) Weak Law of Large Number pada subbab 2.6, ๐โ1 ๐๐โฒ๐๐
sehingga ๐ lim
๐ โ๐ท = ๐ท + ๐ lim
๐ โ ๐โ1 ๐๐โฒ๐๐
๐
๐=1
โ1
. ๐ lim
๐ โ ๐โ1 ๐๐โฒ๐ข๐
๐
๐=1
= ๐ท + ๐ชโ1. ๐
= ๐ท
Untuk ๐ โ, ๐ lim๐ โ๐ท = ๐ธ ๐ท = ๐ท
Jadi, terbukti bahwa ๐ท merupakan taksiran yang tak bias dan konsisten untuk parameter ๐ท untuk ๐ โ.
๏ท Kasus 2 : variabel endogen ๐ฅ๐พ pada persamaan (2.12.1) di instrumen oleh lebih dari satu variabel instrumen misal ๐ง1, ๐ง2, โฆ , ๐ง๐.
๐ท pada persamaan (2.12.10) dapat dengan mudah diestimasi jika
banyaknya kolom pada z sama dengan banyaknya kolom pada x sehingga ๐ธ ๐โฒ๐ merupakan suatu matriks bujursangkar berukuran ๐พ ร ๐พ dengan asumsi memiliki rank penuh ๐พ. Namun, suatu variabel eksplanatori endogen ๐ฅ๐พ dapat di instrumen oleh lebih dari satu variabel instrumen, misalkan ๐ง1, ๐ง2, โฆ , ๐ง๐. Karena
๐ง1, ๐ง2, โฆ , ๐ง๐ merupakan variabel instrumen untuk ๐ฅ๐พ sehingga ๐๐๐ฃ ๐ง๐, ๐ข = 0, untuk ๐ = 1, 2, โฆ , ๐.
๐ง1, ๐ง2, โฆ , ๐ง๐ tidak berkorelasi dengan u menunjukkan bahwa ๐ง1, ๐ง2, โฆ , ๐ง๐ bersama dengan ๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐พโ1 merupakan seluruh variabel eksogen di dalam model. Maka vektor variabel eksogennya adalah
๐ = ๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐พโ1, ๐ง1, ๐ง2, โฆ , ๐ง๐ yang merupakan vektor berukuran 1 ร ๐ฟ dimana ๐ฟ = ๐พ โ 1 + ๐.
Diasumsikan keseluruh variabel eksogen saling bebas linier, sehingga ๐ธ ๐โฒ๐ merupakan matriks nonsingular dan ๐๐๐๐ ๐ธ ๐โฒ๐ = ๐ฟ. Definisikan ๐โ = (๐ฅ1, ๐ฅ2, โฆ , ๐ฅ๐พโ1, ๐ฅ๐พโ) yang merupakan proyeksi linier dari masing-masing elemen dari ๐ pada ๐ yang bisa dituliskan sebagai berikut
๐ฅ1 = ๐ฅ1+ ๐1 ๐ฅ2 = ๐ฅ2+ ๐2
โฎ
๐ฅ๐โ1 = ๐ฅ๐โ1+ ๐๐โ1 ๐ฅ๐ = ๐ฅ๐พโ+ ๐๐พ
dimana ๐ฅ๐พโ = ๐ฟ1๐ฅ1+ ๐ฟ2๐ฅ2+ โฏ + ๐ฟ๐พโ1๐ฅ๐พโ1 + ๐1๐ง1+ ๐2๐ง2+ โฏ + ๐๐๐ง๐, sehingga ๐ = ๐โ+ ๐, dengan ๐ = (๐1, ๐2, โฆ , ๐๐พโ1, ๐๐พ).
Kalikan bentuk ๐ = ๐โ+ ๐ dengan ๐โฒ di kedua ruas maka diperoleh
๐โฒ๐ = ๐โฒ๐โ+ ๐โฒ๐. Kemudian ekspektasikan bentuk ๐โฒ๐ = ๐โฒ๐โ+ ๐โฒ๐ sehingga diperoleh ๐ธ ๐โฒ๐ = ๐ธ(๐โฒ๐โ) + ๐ธ ๐โฒ๐ . Karena ๐ธ ๐โฒ๐ = ๐ maka bentuknya akan menjadi ๐ธ ๐โฒ๐ = ๐ธ(๐โฒ๐โ).
Misalkan ๐โ = ๐๐ท, maka
๐ธ ๐โฒ๐ = ๐ธ(๐โฒ๐โ) = ๐ธ(๐โฒ๐๐ท) = ๐ธ(๐โฒ๐)๐ท
dari bentuk diatas maka diperoleh ๐ท = ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ dimana ๐ท adalah matriks berukuran ๐ฟ ร ๐พ.
Lalu, transpose-kan bentuk ๐โ= ๐๐ท sehingga diperoleh ๐โ = ๐๐ท
๐โโฒ = ๐ทโฒ๐โฒ
Kemudian kalikan bentuk ๐โโฒ = ๐ทโฒ๐โฒ dengan u di kedua ruas sehingga didapat ๐โโฒ๐ข = ๐ทโฒ๐โฒ๐ข
Ekspektasikan kedua ruas maka ๐ธ ๐โโฒ๐ข = ๐ธ ๐ทโฒ๐โฒ๐ข
๐ธ ๐โโฒ๐ข = ๐ทโฒ๐ธ ๐โฒ๐ข = ๐
Kalikan model pada persamaan (2.12.6) yaitu ๐ฆ = ๐๐ท + ๐ข dengan ๐โโฒ sehingga diperoleh
๐โโฒ๐ฆ = ๐โโฒ๐๐ท + ๐โโฒ๐ข (2.12.13)
Ekspektasikan kedua ruas, maka
๐ธ ๐โโฒ๐ฆ = ๐ธ ๐โโฒ๐๐ท + ๐ธ ๐โโฒ๐ข
= ๐ธ ๐โโฒ๐ ๐ท + ๐ (2.12.14)
Persamaan (2.12.14) akan memiliki solusi yang unik jika ๐ธ ๐โโฒ๐ merupakan matriks nonsingular.
๐ธ ๐โโฒ๐ = ๐ธ ๐ทโฒ๐โฒ๐ = ๐ทโฒ๐ธ ๐โฒ๐
= ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ โฒ๐ธ ๐โฒ๐ = ๐ธ ๐โฒ๐ ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐
dengan cara yang sama, akan dicari ๐ธ ๐โโฒ๐ฆ , ๐ธ ๐โโฒ๐ฆ = ๐ธ ๐ทโฒ๐โฒ๐ฆ
= ๐ทโฒ๐ธ ๐โฒ๐ฆ
= ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ โฒ๐ธ ๐โฒ๐ฆ = ๐ธ ๐โฒ๐ ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ฆ
Maka persamaan (2.12.14) akan memiliki solusi ๐ท = ๐ธ ๐โโฒ๐ โ1๐ธ ๐โโฒ๐ฆ
atau dapat dituliskan kembali sebagai berikut
๐ท = ๐ธ ๐โฒ๐ ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ ๐ธ ๐โฒ๐ โ1๐ธ ๐โฒ๐ฆ
Untuk menaksir parameter ๐ท diatas, diambil sampel acak {(xi, yi, zi) : i=1,2,โฆ,N}
sehingga taksiran parameter untuk ๐ท adalah sebagai berikut
๐ท = ๐โ1 ๐๐โฒ๐๐
๐
๐=1
๐โ1 ๐๐โฒ๐๐
๐
๐=1
โ1
๐โ1 ๐๐โฒ๐๐
๐
๐=1
โ1
๐โ1 ๐๐โฒ๐๐
๐
๐=1
๐โ1 ๐๐โฒ๐๐
๐
๐=1
โ1
๐โ1 ๐๐โฒ๐ฆ๐
๐
๐=1
Bukti :
Sama seperti pada kasus 1, berdasarkan Teorema Weak Law of Large Number (WLLN), ๐โฒ๐ adalah sebuah barisan vektor random iid yang memiliki mean ๐๐โฒ๐
; ๐โฒ๐ adalah sebuah barisan vektor random iid yang memiliki mean ๐๐โฒ๐ dan ๐โฒ๐ข adalah sebuah barisan vektor random iid yang memiliki mean ๐๐โฒ๐ข.
Misalkan ๐โฒ๐ = ๐โ1 ๐๐=1๐๐โฒ๐๐ ; ๐โฒ๐ = ๐โ1 ๐๐=1๐๐โฒ๐๐ dan ๐โฒ๐ข = ๐โ1 ๐๐=1๐๐โฒ๐ข๐, maka
๐โฒ๐ = ๐โ1 ๐๐โฒ๐๐
๐
๐=1
๐๐ ๐โฒ๐
dan
๐โฒ๐ = ๐โ1 ๐๐โฒ๐๐
๐
๐=1
๐๐ ๐โฒ๐
dan
๐โฒ๐ข = ๐โ1 ๐๐โฒ๐ข๐
๐
๐=1
๐๐ ๐โฒ๐ข
Jadi, ๐โฒ๐ , ๐โฒ๐ dan ๐โฒ๐ข masing-masing adalah penaksir yang konsisten untuk ๐๐โฒ๐, ๐๐โฒ๐ dan ๐๐โฒ๐ข. Jelas bahwa ๐ธ ๐โฒ๐ = ๐๐โฒ๐, ๐ธ ๐โฒ๐ = ๐๐โฒ๐ dan ๐ธ ๐โฒ๐ข = ๐๐โฒ๐ข sehingga ๐โฒ๐ , ๐โฒ๐ dan ๐โฒ๐ข masing-masing adalah penaksir yang tak bias untuk ๐๐โฒ๐, ๐๐โฒ๐ dan ๐๐โฒ๐ข. Kesimpulannya, ๐โฒ๐ adalah penaksir yang baik untuk ๐๐โฒ๐ = ๐ธ ๐โฒ๐ ; ๐โฒ๐ adalah penaksir yang baik untuk ๐๐โฒ๐ = ๐ธ ๐โฒ๐ dan ๐โฒ๐ข adalah penaksir yang baik untuk ๐๐โฒ๐ข = ๐ธ ๐โฒ๐ข .
Sehingga, dengan mengambil sampel random {(xi, yi, zi) : i=1, 2,โฆ, N} dan menggunakan asumsi SIV 1 yaitu ๐ธ ๐โฒ๐ข = ๐, maka diperoleh bahwa
๐ทโฒ๐ธ ๐โฒ๐ข
Jabarkan penurunannya, maka diperoleh
๐โ1 ๐๐โฒ๐๐
Sehingga,
Selanjutnya akan dibuktikan bahwa taksiran parameter yang diperoleh diatas bersifat tak bias dan konsisten untuk ๐ โ.
= ๐ท + ๐โ1 ๐๐โฒ๐๐
Berdasarkan (WLLN) Weak Law of Large Number pada subbab 2.6, ๐โ1 ๐๐โฒ๐๐
= ๐ท + ๐ lim
Jadi, terbukti bahwa ๐ท merupakan taksiran yang tak bias dan konsisten untuk parameter ๐ท untuk ๐ โ.
2.13 Method of Moment, Momen Kondisi dan Generalized Method of Moment (GMM)
2.13.1 Method of Moment
Metode momen (Method of Moment) adalah salah satu metode yang dapat digunakan untuk mencari penaksir yang konsisten dari suatu parameter. Misalkan X1, X2,โฆ, Xn adalah sampel random berukuran n dari suatu distribusi dengan pdf ๐ ๐ฅ; ๐1, ๐2, โฆ , ๐๐ , ๐1, ๐2, โฆ , ๐๐ โ ฮฉ, dimana ๐ธ ๐๐ < โ, ๐ = 1,2, โฆ.
๐ธ ๐๐ dinamakan momen ke-k dari distribusi X. Definisikan ๐๐ = ๐๐=1๐๐๐
๐ , Mk
disebut momen ke-k dari sampel, dimana k=1,2,โฆ
Ide dasar dari metode momen adalah menyamakan momen ke-k dari distribusi X dengan momen ke-k dari sampel, dimulai dari k=1 sampai diperoleh persamaan yang cukup untuk menghasilkan solusi yang unik untuk ๐1, ๐2, โฆ , ๐๐ .
Untuk mendapatkan penaksir bagi ๐1, ๐2, โฆ , ๐๐ , diperlukan r persamaan sebagai berikut :
๐ธ ๐ = ๐๐
๐ ๐=1
๐ , ๐ธ ๐2 = ๐๐=1๐๐2
๐ , dan seterusnya sampai ๐ธ ๐๐ = ๐๐=1๐๐๐
๐
sehingga dari r persamaan ini akan diperoleh solusi yang unik untuk ๐1, ๐2, โฆ , ๐๐ .
2.13.2 Momen Kondisi
Misalkan X adalah suatu variabel random yang mempunyai mean ๐ atau ๐ธ ๐ = ๐. Mean ๐ biasanya ditaksir melalui proses pengambilan sampel yang memenuhi momen kondisi ๐ธ ๐ โ ๐ = 0. Momen kondisi ini dinamakan momen kondisi populasi. Momen kondisi untuk sampel adalah 1
๐ ๐๐=1 ๐๐โ ๐ = 0.
Penaksir untuk ๐ adalah ๐ yang memenuhi momen kondisi sampel. Melalui metode ini dapat ditunjukkan bahwa penaksir untuk ๐ adalah ๐ = ๐ .
2.13.3 Generalized Method of Moment (GMM)
GMM (Generalized Method of Moment) merupakan pendekatan general dan modern pada sistem estimasi dengan variabel instrumental. GMM adalah perluasan dari metode momen, dimana di dalam metode momen, banyaknya variabel instrumen harus sama dengan banyaknya parameter yang akan ditaksir.
Untuk kasus dimana banyaknya variabel instrumen lebih besar dibandingkan dengan jumlah parameter yang akan ditaksir, metode momen tidak dapat digunakan lagi. Oleh karena itu diperlukan metode GMM.
GMM merupakan metode penaksiran dengan prinsip melakukan pemilihan nilai taksiran parameter agar momen kondisi dari sampel selaras dengan momen kondisi dari populasi, yaitu sama dengan nol. Mengacu pada model di dalam persamaan (2.12.6), model tersebut dapat dituliskan kembali sebagai berikut :
๐ฆ๐ = ๐ฟ๐๐ท + ๐ข๐ , ๐ = 1, 2, โฆ , ๐
Berkaitan dengan model diatas, momen kondisi merupakan suatu fungsi dari parameter model sedemikian sehingga ekspektasinya bernilai nol saat nilai parameternya benar.
Di bawah asumsi SIV 1 dan SIV 2, parameter model ๐ท, vektor berukuran ๐พ ร 1 merupakan solusi unik untuk momen kondisi dari populasi,
๐ธ ๐๐ ๐ท = ๐ธ ๐๐โฒ๐ข๐ = ๐ธ ๐๐โฒ ๐ฆ๐ โ ๐ฟ๐๐ท = ๐
yang berkorespondensi dengan momen kondisi dari sampel : ๐ ๐ท = ๐โ1 ๐๐โฒ(๐ฆ๐โ ๐ฟ๐๐ท )
๐
๐=1
Ide dasar dari GMM adalah memilih estimator untuk ฮฒ sehingga ๐ ๐ท = ๐ yaitu dengan cara menyamakan momen kondisi dari populasi dengan momen kondisi dari sampel. Berikut akan dijelaskan tentang penggunaan metode momen dan GMM :
Misalkan L adalah banyaknya variabel instrumen pada matriks variabel instrumen dan K adalah banyaknya parameter yang akan ditaksir.
๏ท Jika L=K maka jumlah vektor instrumen pada ๐๐ sama dengan jumlah parameter pada ฮฒ. Sehingga ๐๐=1๐๐โฒ๐ฟ๐ merupakan matriks berukuran KxK dan jika ๐๐=1๐๐โฒ๐ฟ๐ merupakan matriks nonsingular, pada kasus ini metode momen masih dapat digunakan untuk menghasilkan taksiran untuk
parameter ฮฒ dimana
๐ท = ๐โ1 ๐๐โฒ
๐
๐=1
๐ฟ๐
โ๐
๐โ1 ๐๐โฒ
๐
๐=1
๐ฆ๐
๏ท Jika L>K, metode momen tidak dapat digunakan lagi karena banyaknya kolom pada matriks variabel instrumen lebih banyak dibandingkan dengan jumlah parameter yang akan ditaksir atau dengan kata lain, banyaknya persamaan momen lebih banyak daripada jumlah parameter yang akan ditaksir sehingga memilih ๐ท menjadi lebih sulit. Oleh Karena itu,
digunakan Generalized Method of Moment yang merupakan perluasan dari metode momen. Pada kasus ini, didefinisikan matriks bobot ๐พ yang merupakan suatu matriks simetris definit positif berukuran LxL yang bukan fungsi dari ๐ท. Ide dari GMM adalah meminimumkan jumlah kuadrat terboboti dari momen kondisi sampel
||๐ ๐ท ||๐พ2 = ๐ ๐ท โฒ๐พ ๐ ๐ท
Persamaan ini adalah fungsi objektif GMM yang merupakan fungsi kuadratik dari momen kondisi sampel. Untuk mempermudah penulisan, misalkan ||๐ ๐ท ||๐พ2 = ๐ฝ ๐ท sehingga fungsi objektif GMM diatas dapat ditulis kembali sebagai berikut :
๐ฝ ๐ท = ๐ ๐ท โฒ๐พ ๐ ๐ท
Taksiran GMM untuk ฮฒ merupakan suatu taksiran (๐ท ) yang meminimumkan ๐ท :
๐๐ฝ ๐ท
๐๐ท = ๐
Maka,
๐๐ฝ ๐ท
๐๐ท = โ2 ๐โ1 ๐ฟ๐โฒ๐๐
๐
๐=1
๐พ ๐โ1 ๐๐โฒ๐ฆ๐
๐
๐=1
+ 2 ๐โ1 ๐ฟ๐โฒ๐๐
๐
๐=1
๐พ ๐โ1 ๐๐โฒ๐ฟ๐๐ท
๐
๐=1
= ๐
โ2 ๐โ1 ๐ฟ๐โฒ๐๐
๐
๐=1
๐พ ๐โ1 ๐๐โฒ๐ฆ๐
๐
๐=1
= โ2 ๐โ1 ๐ฟ๐โฒ๐๐
๐
๐=1
๐พ ๐โ1 ๐๐โฒ๐ฟ๐๐ท
๐
๐=1
๐ท = ๐โ1 ๐ฟ๐โฒ๐๐
๐
๐=1
๐พ ๐โ1 ๐๐โฒ๐ฟ๐
๐
๐=1
โ1
๐โ1 ๐ฟ๐โฒ๐๐
๐
๐=1
๐พ ๐โ1 ๐๐โฒ๐ฆ๐
๐
๐=1
DINAMIS MENGGUNAKAN METODE BLUNDELL DAN BOND
Bab ini akan membahas bagaimana mencari taksiran parameter pada model regresi data panel dinamis menggunakan metode Blundell dan Bond.
Penaksiran dilakukan pada model regresi data panel dinamis simpel untuk komponen error satu arah dengan efek acak. Pertama-tama akan ditunjukkan terlebih dahulu taksiran parameter yang telah didapatkan oleh Arellano dan Bond (hanya menggunakan first-difference GMM). Walaupun telah didapatkan taksiran yang tak bias, konsisten serta efisien, namun Blundell dan Bond mengklaim bahwa taksiran parameter yang didapat oleh Arellano dan Bond masih kurang efisien. Hal ini dikarenakan momen kondisi dan matriks variabel instrumen yang digunakan oleh Arellano dan Bond hanya mencakup proses first difference saja.
Oleh karena itu, Blundell dan Bond menyarankan penggunaan tambahan momen kondisi dan matriks variabel instrumen level selain first difference. Dengan mengkombinasikan momen kondisi dan matriks variabel instrumen antar keduanya (first difference dan level) maka akan dihasilkan suatu taksiran yang sama-sama tak bias dan konsisten tetapi lebih efisien yang dikenal dengan nama GMM-System Estimator.
3.1 Model Data Panel Dinamis Simpel untuk Komponen Error Satu Arah dengan Efek Acak
Model data panel dinamis yang digunakan dibatasi pada model data panel dinamis simpel. Oleh sebab itu, lag dari variabel dependen merupakan satu-satunya variabel eksplanatori (variabel endogen eksplanatori) di dalam model.
Model data panel dinamis simpel untuk komponen error satu arah dengan efek acak adalah sebagai berikut :
๐ฆ๐,๐ก = ๐ฟ๐ฆ๐,๐กโ1+ ๐ข๐,๐ก ; ๐ = 1,2, โฆ , ๐ ; ๐ก = 3, โฆ , ๐ (3.1.1)
dimana :
yi,t : variabel dependen untuk individu ke-i pada waktu ke-t yi,t-1 : lag dari variabel dependen yang berperan sebagai variabel endogen eksplanatori untuk individu ke-i pada waktu ke-t ฮด : parameter yang belum diketahui dan akan ditaksir
ui,t : komponen error untuk individu ke-i pada waktu ke-t
dengan komponen error ui,t didefinisikan
๐ข๐,๐ก = ๐๐ + ๐ฃ๐,๐ก
yang merupakan komponen error satu arah, dimana
ฮผi : pengaruh yang tidak terobservasi dari individu ke-i tanpa dipengaruhi faktor waktu
vi,t : pengaruh yang benar-benar tidak diketahui (remainder disturbance) dari individu ke-i pada waktu ke-t
Karena model dibatasi untuk model dengan efek acak, maka perbedaan karakteristik individu diakomodasikan pada error dalam model (random effects models). Oleh karena itu diasumsikan komponen error ๐๐~๐๐ผ๐ผ๐ท 0, ๐๐2 dan komponen error ๐ฃ๐,๐ก~๐๐ผ๐ผ๐ท(0, ๐๐ฃ2).
Asumsi-asumsi yang digunakan adalah sebagai berikut : 1. ๐ธ ๐๐ = ๐ธ ๐ฃ๐,๐ก = 0
2. ๐ธ ๐๐๐๐ = ๐๐2 ๐ข๐๐ก๐ข๐ ๐ = ๐ 0 ๐ข๐๐ก๐ข๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐ฆ๐ 3. ๐ธ ๐ฃ๐,๐ก๐ฃ๐ ,๐ = ๐๐ฃ2 ๐ข๐๐ก๐ข๐ ๐ = ๐ ๐๐๐ ๐ก = ๐
0 ๐ข๐๐ก๐ข๐ ๐ฆ๐๐๐ ๐๐๐๐๐๐ฆ๐ 4. ๐๐ dan ๐ฃ๐,๐ก saling bebas
5. Tidak ada korelasi serial pada ๐ฃ๐,๐ก (dalam ๐ฃ๐,๐ก tidak saling berkorelasi)
(3.1.2)
Kedinamisan di dalam model dikarakterisasikan oleh dua sumber yang kontinu terhadap waktu yaitu ๐ฆ๐,๐ก sebagai variabel dependen dan ๐ฆ๐,๐กโ1 sebagai lag dari variabel dependen yang berperan sebagai variabel endogen eksplanatori.
Masalah paling dasar dalam model ini adalah adanya korelasi variabel endogen eksplanatori dengan variabel error atau dengan kata lain ๐ฆ๐,๐กโ1 berkorelasi dengan komponen error ๐ข๐,๐ก meskipun diasumsikan error tidak saling berkorelasi
(unserialy corellated). Hal ini menyebabkan estimator OLS menjadi bias dan tidak konsisten.
3.2 Metode Instrumental Variabel
Untuk mengatasi permasalahan korelasi antara lag variabel dependen dengan komponen error, maka dapat dilakukan first-difference, yang bertujuan menghilangkan efek individu ๐๐ pada model. Dengan melakukan first-difference pada model (3.1.1) diperoleh model berikut :
๐ฆ๐,๐กโ ๐ฆ๐,๐กโ1 = ๐ฟ ๐ฆ๐,๐กโ1 โ ๐ฆ๐,๐กโ2 + ๐ฃ๐,๐ก โ ๐ฃ๐,๐กโ1 ; ๐ = 1, โฆ , ๐ ; ๐ก = 3, โฆ , ๐ (3.2.1) atau dapat dituliskan kembali
ฮ๐ฆ๐,๐ก = ๐ฟฮ๐ฆ๐,๐กโ1+ ฮ๐ฃ๐,๐ก ; ๐ = 1, โฆ , ๐ ; ๐ก = 3, โฆ , ๐
dimana
ฮ๐ฆ๐,๐ก = ๐ฆ๐,๐กโ ๐ฆ๐,๐กโ1 , ฮ๐ฆ๐,๐กโ1 = ๐ฆ๐,๐กโ1โ ๐ฆ๐,๐กโ2 , ฮ๐ฃ๐,๐ก = ๐ฃ๐,๐กโ ๐ฃ๐,๐กโ1
Model (3.2.1) diatas disebut sebagai model first-difference.
Walaupun efek individu ๐๐ pada model (3.2.1) telah hilang, namun masih terdapat suatu permasalahan lagi yaitu komponen error ๐ฃ๐,๐กโ ๐ฃ๐,๐กโ1 masih berkorelasi dengan variabel prediktor ๐ฆ๐,๐กโ1 โ ๐ฆ๐,๐กโ2 , sehingga estimator OLS juga akan menghasilkan taksiran yang bias dan tidak konsisten. Maka dari itu,
sebelum mengestimasi model, disarankan untuk melakukan metode instrumental variabel terlebih dahulu.
Sebagai langkah awal, pilih suatu variabel instrumen yang memenuhi kedua syarat yang telah dijelaskan pada landasan teori di bab 2 yaitu pilih variabel yang berkorelasi dengan variabel ๐ฆ๐,๐กโ1 โ ๐ฆ๐,๐กโ2 namun tidak berkorelasi
dengan komponen error ๐ฃ๐,๐กโ ๐ฃ๐,๐กโ1 . Untuk itu dipilih variabel ๐ฆ๐,๐กโ2 sebagai variabel instrumen yang akan digunakan. Hal ini karena ๐ฆ๐,๐กโ2 berkorelasi dengan variabel ๐ฆ๐,๐กโ1โ ๐ฆ๐,๐กโ2 namun tidak berkorelasi dengan komponen error ๐ฃ๐,๐กโ ๐ฃ๐,๐กโ1 (bukti ada dilampiran 1).
Untuk memperjelas konsep metode instrumental variabel ini akan ditunjukkan diagram alir sebagai berikut :
Gambar 3.1 Diagram alir metode instrumental variabel
Stop Diberikan model data panel dinamis
Dibutuhkan metode instrumental variabel untuk mengistrumenkan variabel endogen agar menjadi
variabel eksogen
Variabel eksplanatori endogen berkorelasi dengan error Start
Proyeksikan variabel endogen secara linier terhadap keseluruh variabel eksogen
Diberikan model data panel dinamis
Dibutuhkan metode instrumental variabel untuk mengistrumenkan variabel endogen agar menjadi
variabel eksogen
Variabel eksplanatori endogen berkorelasi dengan error Start
3.2.1 Taksiran parameter dengan Menggunakan Prinsip GMM untuk model First-difference oleh Arellano dan Bond (Pembuktian Melalui Vektor Matriks)
Sebelumnya model (3.1.1) yaitu
๐ฆ๐,๐ก = ๐ฟ๐ฆ๐,๐กโ1+ ๐ข๐,๐ก ; ๐ = 1,2, โฆ , ๐ ; ๐ก = 3, โฆ , ๐ dengan ๐ข๐,๐ก = ๐๐ + ๐ฃ๐,๐ก
dapat ditulis dalam bentuk vektor matriks yaitu sebagai berikut :
๐๐ = ๐ฟ๐๐,โ1+ ๐ฐ๐๐๐+ ๐๐ ; ๐ = 1, โฆ , ๐ (3.2.2)
dimana :
๏ท ๐๐ = ๐1๐2. ๐๐..
dengan ๐1 = ๐ฆ 1,3๐ฆ 1,4. ๐ฆ 1,๐..
, ๐2 = ๐ฆ 2,3๐ฆ 2,4. ๐ฆ 2,๐..
,โฆ, ๐๐ = ๐ฆ ๐,3๐ฆ ๐,4.
๐ฆ ๐ ,๐..
dengan ๐1, ๐2, โฆ , ๐๐ vektor berordo (๐ โ 2) ร 1.
๏ท ๐๐,โ1 = ๐1,โ1๐2,โ1. ๐๐ ,โ1..
dengan ๐1,โ1 = ๐ฆ 1,2๐ฆ 1,3. ๐ฆ 1,๐โ1..
, ๐2,โ1 = ๐ฆ 2,2๐ฆ 2,3. ๐ฆ 2,๐โ1..
,โฆ,
๐๐,โ1 = ๐ฆ ๐ ,2๐ฆ ๐ ,3. ๐ฆ ๐ ,๐โ1..
dengan ๐1,โ1, ๐2,โ1, โฆ , ๐๐,โ1 vektor berordo (๐ โ 2) ร 1.
๏ท ๐ฐ๐ =
๐๐ ๐
๐ ๐๐ โฏ ๐ ๐
๐ ๐
โฎ โฑ โฎ
๐ ๐
๐ ๐ โฏ ๐๐ ๐
๐ ๐๐
dengan ๐๐ = 11.
1..
vektor berordo (๐ โ 2) ร 1
๏ท ๐๐ = ๐1๐2.
Untuk lebih jelasnya, bentuk matriks dari (3.2.2) adalah sebagai berikut :
๐ฆ1,3
atau secara ringkas dapat dinyatakan sebagai
๐1
Selanjutnya dilakukan first-difference untuk menghilangkan efek individu (๐๐) dan model pada (3.2.2) menjadi
โ๐๐ = ๐ฟโ๐๐,โ1+ โ๐๐ ; ๐ = 1, โฆ , ๐ (3.2.3)
dimana โ๐๐, โ๐๐,โ1, โ๐๐ adalah vektor berordo (๐ โ 2) ร 1 dengan :
โ๐๐ = ๐๐โ ๐๐,โ1, โ๐๐,โ1 = ๐๐,โ1โ ๐๐,โ2, โ๐๐ = ๐๐โ ๐๐โ1
Namun, variabel-variabel dalam vektor โ๐๐,โ1 masih berkorelasi dengan variabel-variabel di dalam vektor โ๐๐. Oleh karena itu dilakukan metode instrumental variabel terlebih dahulu untuk menentukan matriks variabel instrumen yang akan digunakan nantinya. Untuk itu dipilih variabel instrumen yaitu๐๐,โ2.
Pandang model awal (3.2.1). Untuk kasus t=3, maka
๐ฆ๐,3โ ๐ฆ๐,2 = ๐ฟ ๐ฆ๐,2โ ๐ฆ๐,1 + ๐ฃ๐,3โ ๐ฃ๐,2
๐ฆ๐,1 merupakan variabel instrumen yang akan dipilih, karena ๐ฆ๐,1 berkorelasi dengan (๐ฆ๐,2โ ๐ฆ๐,1) tetapi tidak berkorelasi dengan komponen error (๐ฃ๐,3โ ๐ฃ๐,2).
Untuk kasus t=4, maka
๐ฆ๐,4โ ๐ฆ๐,3 = ๐ฟ ๐ฆ๐,3โ ๐ฆ๐,2 + ๐ฃ๐,4โ ๐ฃ๐,3
Pada kasus ini, ๐ฆ๐,1 sama halnya seperti ๐ฆ๐,2 merupakan variabel instrumen yang akan dipilih, karena berkorelasi dengan (๐ฆ๐,3โ ๐ฆ๐,2) tetapi tidak berkorelasi dengan komponen error (๐ฃ๐,4โ ๐ฃ๐,3). Sehingga untuk t = 4 terdapat penambahan suatu variabel instrumen yang akan dipilih.
Lanjutkan penambahan variabel instrumen untuk masing-masing periode, sedemikian sehingga untuk periode ke-T terdapat (๐ฆ๐,1, ๐ฆ๐,2, โฆ , ๐ฆ๐,๐โ2) himpunan variabel instrumen. Hal ini menyebabkan total variabel instrumen yang terdapat di dalam matriks variabel instrumen ada sebanyak ๐โ2 ๐โ1
2 .
Bukti :
Variabel-variabel instrumen yang digunakan pada model first difference adalah (๐ฆ๐,1, ๐ฆ๐,2, โฆ , ๐ฆ๐,๐โ2), maka
Untuk t=3, variabel instrumen yang mungkin : (๐ฆ๐,1), ada sebanyak 1 variabel Untuk t=4, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2), ada sebanyak 2 variabel
Untuk t=5, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2, ๐ฆ๐,3), ada sebanyak 3 variabel
Untuk t=6, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2, ๐ฆ๐,3, ๐ฆ๐,4), ada sebanyak 4 variabel
โฎ
Untuk t=T, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2, โฆ , ๐ฆ๐,๐โ2), ada sebanyak T-2 variabel
Sehingga total keseluruhan entri dalam matriks variabel instrumen ada sebanyak :
1 + 2 + 3 + โฏ + ๐ โ 2 =1
2 ๐ โ 2 ๐ โ 2 + 1 =1
2 ๐ โ 2 ๐ โ 1 (Terbukti)
Sebelum mendefinisikan matriks variabel instrumen yang akan digunakan untuk mencari taksiran parameter pada metode Arellano dan Bond dengan menggunakan prinsip GMM, terlebih dahulu akan ditunjukkan diagram alir untuk memperjelas konsep penggunaan metode Generalized Method of Moment (GMM).
Gambar 3.2 Diagram alir konsep penggunaan metode GMM
Jika variabel endogen di instrumenkan oleh lebih dari satu
variabel instrumen, maka banyaknya vektor instrumen lebih
besar daripada banyaknya parameter yang akan ditaksir Jika variabel endogen di
instrumenkan oleh satu variabel instrumen, maka banyaknya vektor instrumen
sama dengan banyaknya parameter yang akan ditaksir
Dibutuhkan metode instrumental variabel untuk menghilangkan efek variabel eksplanatori endogen di dalam model yaitu dengan cara menginstrumenkan lag dari variabel dependen
(variabel endogen) agar menjadi variabel eksogen Diberikan model data panel simpel dinamis : model yang hanya
melibatkan satu variabel eksplanatori yaitu lag dari variabel dependen, dimana lag dari variabel dependen berperan sebagai
variabel eksplanatori endogen di dalam model Start
Stop
Gunakan Metode Momen Gunakan Metode GMM
(Generalized Method of Moment) Gunakan Metode GMM (Generalized Method of Moment)
Gunakan Metode GMM (Generalized Method of Moment)
Karena terdapat (๐ฆ๐,1, ๐ฆ๐,2, โฆ , ๐ฆ๐,๐โ2) himpunan variabel instrumen yang akan digunakan, maka didefinisikan matriks variabel instrumen untuk model first difference sebagai berikut :
๐๐๐๐ =
Jika entri-entri di dalam ๐๐๐๐ diperluas, maka memiliki bentuk sebagai berikut :
๐๐๐๐ =
Karena ๐๐๐๐ berisikan variabel yang telah memenuhi kedua syarat (di landasan teori bab 2) untuk dikatakan sebagai variabel instrumen, maka asumsi-asumsi yang dibutuhkan dalam penaksiran terpenuhi, yaitu :
1. ๐ธ ๐๐๐๐โฒฮ๐๐ = ๐ ; ๐ = 1, โฆ , ๐ (3.2.4)
2. ๐๐๐๐ ๐ธ ๐๐๐๐โฒฮ๐๐,โ1 = 1 (3.2.5)
Maka, berdasarkan momen kondisi dan matriks variabel instrumen dari model first difference diatas, diperoleh taksiran untuk ๐ฟ yaitu :
๐ฟ ๐๐๐ = ๐โ1 โ๐๐,โ1โฒ
dimana :
๏ท โ๐๐,โ1โฒ berordo 1 ร (๐ โ 2),
๏ท ๐๐๐๐ berordo ๐ โ 2 ร 1
2 ๐ โ 2 ๐ โ 1 ,
๏ท ๐พ adalah taksiran yang tak bias dan konsisten dari matriks bobot ๐พ berordo
1
2 ๐ โ 2 ๐ โ 1 ร 1
2 ๐ โ 2 ๐ โ 1 dan
๏ท โ๐๐ berordo (๐ โ 2) ร 1.
๐ฟ diatas merupakan taksiran yang konsisten untuk ๐ฟ pada sebarang matriks bobot ๐พ . Taksiran ini diperoleh dengan melakukan metode penaksiran dengan metode GMM (One Step Consistent Arellano and Bond Estimator)
(Bernadeta Nismawati, 2010)
Sedangkan taksiran yang efisien untuk ๐ฟ (Two Step Efficient Arellano and Bond Estimator) diperoleh dengan memilih matriks bobot optimal ๐พ๐๐๐ก๐๐๐๐ = ๐ฒโ1 = ๐โ1 ๐๐=1๐๐๐๐โฒ โ๐๐โ๐๐โฒ๐๐๐๐ โ1yaitu
๐ฟ ๐๐๐ = ๐โ1 โ๐๐,โ1โฒ
๐
๐=1
๐๐๐๐ ๐ฒโ1 ๐โ1 ๐๐๐๐โฒ
๐
๐=1
โ๐๐,โ1
โ1
๐โ1 โ๐๐,โ1โฒ
๐
๐=1
๐๐๐๐ ๐ฒโ1 ๐โ1 ๐๐๐๐โฒ
๐
๐=1
โ๐๐
(Bernadeta Nismawati, 2010)
Untuk lebih memperjelas apa yang telah dilakukan oleh Arellano dan Bond, perhatikan diagram alir berikut
Gambar 3.3 Diagram alir metode Arellano dan Bond
๐ธ ๐๐๐๐โฒฮ๐๐ = ๐ ; ๐ = 1, โฆ , ๐
๐๐๐๐ = ๐ฆ๐,1
0 0.
0 ๐ฆ๐,1
0. 0 ๐ฆ๐,2
0.
โฆ
โฆ 0
0
โฆ
โฆ . โฆโฆ
โฆ ๐ฆ๐,1 โฆ 0 0 ๐ฆ๐,๐โ2. Momen kondisi dan matriks variabel instrumen yang digunakan hanya mencakup model first difference saja yaitu
dan
Metode Arellano dan Bond
Pilih ๐พ yang optimal yang meminimumkan taksiran asymptotic variance dari ๐ฟ , lalu buktikan bahwa taksiran asymptotic variance dari ๐ฟ dengan ๐พ๐๐๐ก๐๐๐๐ = ๐ฒโ1 lebih kecil
dibandingkan dengan taksiran asymptotic variance dari ๐ฟ dengan ๐พ sebarang.
Start
Hitung ๐ฟ melalui proses GMM. Setelah itu buktikan bahwa ๐ฟ yang telah diperoleh adalah taksiran yang Konsisten untuk ๐ฟ pada sebarang matriks bobot ๐พ
Stop
3.3 Penaksiran Parameter oleh Blundell dan Bond
Taksiran yang didapatkan oleh Arellano dan Bond sebenarnya sudah tak bias, konsisten dan efisien. Namun, Blundell dan Bond mengajukan suatu taksiran yang mereka klaim lebih efisien daripada taksiran yang didapatkan oleh Arellano dan Bond. Hal ini dikarenakan tidak hanya momen kondisi dan matriks variabel instrumen dari model first difference saja yang digunakan, tetapi Blundell dan Bond juga menambahkan suatu informasi level yaitu momen kondisi level dan matriks variabel instrumen level untuk mendapatkan taksiran yang lebih baik. Hal ini dilakukan dengan mengkombinasikan momen kondisi first difference dan momen kondisi level serta matriks variabel instrumen first difference dan matriks variabel instrumen level.
Pandang model (3.1.1) yang berperan sebagai model level berikut :
๐ฆ๐,๐ก = ๐ฟ๐ฆ๐,๐กโ1+ ๐ข๐,๐ก ; ๐ = 1,2, โฆ , ๐ ; ๐ก = 3, โฆ , ๐
Pada model level tersebut, ๐ฆ๐,๐กโ1 berkorelasi dengan ๐ข๐,๐ก sehingga estimator OLS akan menghasilkan taksiran yang bias dan tidak konsisten.
Sebagai langkah awal, pilih suatu variabel instrumen yang memenuhi kedua syarat yang telah dijelaskan pada landasan teori di bab 2 yaitu pilih variabel yang berkorelasi dengan variabel ๐ฆ๐,๐กโ1 namun tidak berkorelasi dengan
komponen error ๐ข๐,๐ก. Untuk itu dipilih variabel ๐ฆ๐,๐กโ1โ ๐ฆ๐ ,๐กโ2 sebagai variabel instrumen. Hal ini karena ๐ฆ๐,๐กโ1โ ๐ฆ๐,๐กโ2 berkorelasi dengan variabel ๐ฆ๐,๐กโ1 namun tidak berkorelasi dengan komponen error ๐ข๐,๐ก (bukti ada dilampiran 2).
Pada model level diatas Untuk kasus t=3, maka
๐ฆ๐,3 = ๐ฟ๐ฆ๐,2+ ๐ข๐,3
Karena ๐ฆ๐,2 berkorelasi dengan komponen error ๐ข๐,3, maka akan dicari variabel instrumen yang berkorelasi dengan ๐ฆ๐,2 tetapi tidak berkorelasi dengan ๐ข๐,3.
Variabel instrumen yang akan dipilih adalah ฮ๐ฆ๐,2 atau ๐ฆ๐,2โ ๐ฆ๐,1 karena ฮ๐ฆ๐,2 berkorelasi dengan ๐ฆ๐,2 tetapi tidak berkorelasi dengan ๐ข๐,3.
Untuk kasus t=4, maka
๐ฆ๐,4 = ๐ฟ๐ฆ๐,3+ ๐ข๐,4
Pada kasus ini, ฮ๐ฆ๐,2 sama halnya seperti ฮ๐ฆ๐,3 merupakan variabel instrumen yang akan dipilih, karena berkorelasi dengan ๐ฆ๐,3 tetapi tidak berkorelasi dengan ๐ข๐,4. Sehingga untuk t = 4 terdapat penambahan suatu variabel instrumen yang akan dipilih.
Lanjutkan penambahan variabel instrumen untuk masing-masing periode, sedemikian sehingga untuk periode ke-T terdapat (ฮ๐ฆ๐,2, ฮ๐ฆ๐,3, โฆ , ฮ๐ฆ๐,๐โ1) himpunan variabel instrumen yang akan dipilih. Hal ini menyebabkan total variabel instrumen yang terdapat dalam matriks variabel instrumen ada sebanyak
๐โ2 ๐โ1
2 .
Bukti :
Variabel instrumen yang dapat digunakan pada model level adalah (ฮ๐ฆ๐,2, ฮ๐ฆ๐,3, โฆ , ฮ๐ฆ๐,๐กโ1), maka
Untuk t=3, variabel instrumen yang mungkin : (ฮ๐ฆ๐,2), ada sebanyak 1 variabel Untuk t=4, variabel instrumen yang mungkin : (ฮ๐ฆ๐,2, ฮ๐ฆ๐,3), ada sebanyak 2 variabel
Untuk t=5, variabel instrumen yang mungkin : (ฮ๐ฆ๐,2, ฮ๐ฆ๐,3, ฮ๐ฆ๐,4), ada sebanyak 3 variabel
Untuk t=6, variabel instrumen yang mungkin : (ฮ๐ฆ๐,2, ฮ๐ฆ๐,3, ฮ๐ฆ๐,4, ฮ๐ฆ๐,5), ada sebanyak 4 variabel
โฎ
Untuk t=T, variabel instrumen yang mungkin : (ฮ๐ฆ๐,2, ฮ๐ฆ๐,3, โฆ , ฮ๐ฆ๐,๐โ1), ada sebanyak T-2 variabel
Sehingga total keseluruhan entri dalam matriks variabel instrumen ada sebanyak : 1 + 2 + 3 + โฏ + ๐ โ 2 =1
2 ๐ โ 2 ๐ โ 2 + 1 =1
2 ๐ โ 2 ๐ โ 1 (Terbukti)
Definisikan matriks variabel instrumen untuk model level sebagai berikut :
๐๐๐๐ฃ =
Jika entri-entri di dalam ๐๐๐๐ฃ diperluas, maka memiliki bentuk sebagai berikut :
๐๐๐๐ฃ =
Sama halnya seperti ๐๐๐๐, Karena ๐๐๐๐ฃ berisikan variabel yang telah memenuhi kedua syarat (di landasan teori bab 2) untuk dikatakan sebagai variabel instrumen, maka asumsi-asumsi yang dibutuhkan dalam penaksiran terpenuhi, yaitu :
1. ๐ธ ๐๐๐๐ฃโฒ๐๐ = ๐ ; ๐ = 1, โฆ , ๐ (3.2.6) 2. ๐๐๐๐ ๐ธ ๐๐๐๐ฃโฒ๐๐,โ1 = 1 (3.2.7)
Selanjutnya akan dicari taksiran ๐ฟ gabungan antara model first difference dan model level (taksiran sistem) dengan menggunakan prinsip GMM. Pertama-tama, akan dikombinasikan model keduanya (model first difference dan model level) sebagai berikut
Model first difference dalam bentuk full matrix :
โ๐๐ = ๐ฟโ๐๐,โ1+ โ๐๐ ; ๐ = 1, โฆ , ๐ dan Model level dalam bentuk full matrix :
๐๐ = ๐ฟ๐๐,โ1+ ๐๐ ; ๐ = 1, โฆ , ๐
Sehingga kombinasi modelnya adalah
โ๐๐
๐๐ = ๐ฟ โ๐๐,โ1
๐๐,โ1 + โ๐๐
๐๐ ; ๐ = 1, โฆ , ๐
Model ini disebut sebagai model system.
selanjutnya, kombinasikan momen kondisi dan matriks variabel instrumen level yang telah diperoleh diatas dengan momen kondisi dan matriks variabel instrumen first difference.
Lalu, definisikan matriks variabel instrumen untuk system (matriks variabel instrumen gabungan) yaitu sebagai berikut
๐๐ ๐ฆ๐ = ๐๐๐๐ 0
Sama halnya seperti ๐๐๐๐ dan ๐๐๐๐ฃ, Karena ๐๐ ๐ฆ๐ berisikan variabel yang telah memenuhi kedua syarat (di landasan teori bab 2) untuk dikatakan sebagai variabel instrumen, maka asumsi-asumsi yang dibutuhkan dalam penaksiran terpenuhi, yaitu :
1. ๐ธ ๐๐ ๐ฆ๐ โฒ๐๐ = ๐ ; ๐ = 1, โฆ , ๐ dengan ๐๐ = ฮ๐๐๐
๐ (3.2.8) 2. ๐๐๐๐ ๐ธ ๐๐ ๐ฆ๐ โฒ ฮ๐๐,โ1
๐๐,โ1 = 1 (3.2.9)
Dilihat dari variabel-variabel instrumen yang digunakan didalam matriks variabel instrumen system, maka total variabel instrumen yang digunakan sebanyak 1
2 ๐ + 1 ๐ โ 2 . Bukti :
Variabel instrumen yang dapat digunakan pada model first difference adalah (๐ฆ๐,1, ๐ฆ๐,2, โฆ , ๐ฆ๐,๐โ2), maka
Untuk t=3, variabel instrumen yang mungkin : (๐ฆ๐,1), ada sebanyak 1 variabel Untuk t=4, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2), ada sebanyak 2 variabel Untuk t=5, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2, ๐ฆ๐,3), ada sebanyak 3 variabel
Untuk t=6, variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2, ๐ฆ๐,3, ๐ฆ๐,4), ada sebanyak 4 variabel
โฎ
Untuk t=T dan variabel instrumen yang mungkin : (๐ฆ๐,1, ๐ฆ๐,2, โฆ , ๐ฆ๐,๐โ2), ada sebanyak T-2 variabel
Sehingga total keseluruhan entri dalam matriks variabel instrument pada model
Sehingga total keseluruhan entri dalam matriks variabel instrument pada model