MARKET-TO-RETAIL PASS-THROUGH
DAN
FAKTOR-FAKTOR STRUKTUR FINANSIAL YANG
MEMPENGARUHINYA
MARIA UTARI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul “Market-to-Retail Pass-Through dan Faktor-faktor Struktur Finansial yang Mempengaruhinya” adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, Juli 2014
Maria Utari
RINGKASAN
MARIA UTARI. Market-to-retail Pass-Through dan Faktor-faktor Struktur
Finansial yang Mempengaruhinya. Dibimbing oleh NOER AZAM ACHSANI dan LUKYTAWATI ANGGRAENI.
Pendekatan yang dapat digunakan untuk menilai tingkat efektivitas transmisi kebijakan moneter melalui jalur suku bunga adalah dengan menghitung nilai koefisien Market-to-retail pass-through (MRPT). MRPT diartikan sebagai perubahan suku bunga pasar uang yang ditransmisikan pada suku bunga retail perbankan. Pengetahuaan yang baik mengenai nilai koefisien MRPT pada suatu negara, maka dapat diketahui dan disimpulkan apakah transmisi kebijakan moneter telah berjalan dengan baik atau tidak. Di sisi lain pembentukan koefisien MRPT dipengaruhi oleh berbagai faktor salah satunya adalah kondisi makroekonomi dan struktur finansial. Penelitian ini selanjutnya membahas pengaruh struktur finansial terhadap koefisien MRPT.
Penelitian ini memiliki dua tujuan utama yaitu: (1) menganalisis efektifitas transmisi kebijakan moneter melalui jalur suku bunga yang dicerminkan dari koefisien MRPT jangka pendek dan jangka panjang; (2) menganalisis pengaruh struktur finansial terhadap koefisien MRPT.
Perhitungan koefisien MRPT menggunakan data 35 negara yang merepresentasikan beberapa kawasan didunia yaitu Australia, East Asia and Pacific, Europe and Central Asia, European Union, Latin America and Caribbean, Middle East and North Africa, South Africa, High Income dan Middle Income dengan periode pengamatan tahun 2005-2013. Metode Error Correction Model (ECM) digunakan untuk menghitung koefisien jangka pendek MRPT dan Autoregressive Distributed Lag (ARDL) untuk menghitung koefisien jangka panjang MRPT. Pengaruh struktur finansial terhadap koefisien MRPT dianalisis menggunakan data 30 negara dengan periode pengamatan tahun 2005-2011. Metode analisis menggunakan panel data dinamis yaitu System-GMM.
Hasil penelitian menunjukkan bahwa penyesuaian jangka panjang suku bunga deposit terhadap perubahan suku bunga pasar uang dinilai belum efektif hampir pada semua kawasan, terkecuali kawasan Middle East and North Africa dan South Africa. Di sisi lain penyesuaian jangka panjang suku bunga pinjaman terhadap perubahan suku bunga pasar uang untuk kawasan Australia, European Union, South Africa dan High Income dinilai telah efektif. Suku bunga pinjaman dinilai lebih responsif terhadap perubahan suku bunga pasar uang dibandingkan dengan suku bunga deposit.
Struktur finansial memiliki yang pengaruh positif dan signifikan terhadap pembentukan koefisien market to lending pass-through adalah biaya overhead perbankan dan fleksibilitas nilai tukar. Sebaliknya tingkat konsentrasi perbankan dan return on equity perbankan memiliki pengaruh negatif dan signifikan.
SUMMARY
MARIA UTARI. Market-to-Retail Pass-Through and Structure of Financial as The Determinant Factors. Supervised by NOER AZAM ACHSANI and LUKYTAWATI ANGGRAENI.
The approach that can be used to assess the effectiveness of the transmission of monetary policy through the interest rate channel is by calculating the coefficient of market to retail pass-through (MRPT). Market to retail pass-through (MRPT) is defined as the change in money market interest rates which are transmitted on bank retail rates. By knowing the value of the MRPT coefficient in a country, it can be seen and be concluded whether the transmission of monetary policy has been going well or not. On the other hand MRPT coefficient is influenced by various factors such as macroeconomic condition and financial structure. This study in the next section will discuss about the influence of the financial structure condition on the MRPT coefficient.
This study has two main objectives that include the following: (1) to analyze the effectiveness of the monetary policy transmission through the interest rate channel which is reclected by the MRPT coefficient; (2) to analyze the effect of financial structure condition on the MRPT coefficient.
The analysis of calculation the MRPT coefficient uses thirty five countries that representing several regions in the world including Australia, East Asia and Pacific, Europe and Central Asia, European Union, Latin America and Caribbean, Middle East and North Africa, South Africa, High Income and Middle Income with the observation period start from 2005-2013. The method that used is Error Correction Model (ECM) to calculate short run coefficient of MRPT and Autoregressive Distributed Lag (ARDL) to calculate long run coefficient of MRPT. The analysis of the effect of financial structure as the determinant of the MRPT coefficient uses thirty countries as the object of research and observation period start from 2005-2011. The method that used is dynamic panel data (SYS-GMM).
The result of analysis shows that long run adjustment of deposit rates to the changes in money market rates is considered to effective in nearly all regions, except Middle East and North Africa and South Africa. On the other hand the long run adjustment of lending rates to the changes in money market rates has been effective in Australia, European Union, South Africa and High Income Countries. Lending rate is considered more responsive to the changes in money market rates than deposit rate.
The financial structure that have a positive and significant effect on the formation of market to lending pass-through are bank overhead and flexibility of exchange rate while bank concentration and bank return on equity have negative and significant effect.
© Hak Cipta Milik IPB, Tahun 2014
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB.
MARKET-TO-RETAIL PASS-THROUGH
DAN
FAKTOR-FAKTOR STRUKTUR FINANSIAL YANG
MEMPENGARUHINYA
MARIA UTARI
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Sains
pada
Program Studi Ilmu Ekonomi
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
Judul Penelitian : Market-to-Retail Pass-Through dan Faktor-faktor Struktur Finansial yang Mempengaruhinya
Nama : Maria Utari
NIM
Program Studi : :
H151130466 Ilmu Ekonomi
Disetujui oleh Komisi Pembimbing
Prof. Dr. Ir. Noer Azam Achsani, M.S Dr. Lukytawati Anggraeni, S.P., M.Si
Ketua Anggota
Diketahui
Ketua Program Studi an. Dekan SPs IPB
Ilmu Ekonomi Sekretaris Program Magister
Dr. Ir.R. Nunung Nuryartono, M.Si Prof. Dr. Ir. Nahrowi, M.Sc
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia dan kemurahan hati-Nya sehingga tesis yang berjudul “Market-to-Retail Pass-Through dan Faktor-faktor Struktur Finansial yang Mempengaruhinya” ini telah berhasil diselesaikan dengan baik. Tesis ini merupakan salah satu syarat untuk menyelesaikan jenjang pendidikan Strata-2 dan memperoleh gelar Magister Sains (M.Si) dari Program Studi Pascssarjana Ilmu Ekonomi Institut Pertanian Bogor.
Terima kasih penulis ucapkan kepada Bapak Prof. Noer Azam Achsani, Ph.D selaku ketua komisi pembimbing yang senantiasa memberikan baik arahan, motivasi, inspirasi tiada henti dan ilmu yang sungguh luar biasa berharga kepada penulis, kepada Ibu Dr. Lukytawati Anggraeni selaku anggota komisi pembimbing yang juga senantiasa memberikan semangat, masukan serta dorongan motivasi untuk dapat menyelesaikan tesis ini tepat waktu, serta kepada Bapak Prof. Dr. Ir. Bonar M. Sinaga, MA selaku penguji luar komisi dan kepada Dr. Ir. Sri Mulatsih, M.Sc selaku dosen perwakilan dari komisi pendidikan dan Dr. Ir. R. Nunung Nuryantono, M.Si selaku ketua program studi ilmu ekonomi yang telah banyak memberikan koreksi, ide, motivasi serta saran. Selain itu penulis juga ingin mengucapkan terimakasih kepada dan Ibu Heni Hasanah yang bersedia untuk menjadi teman diskusi, bertanya dan memberikan masukan yang sangat bermanfaat.
Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta keluarga terdekat atas segala doa dan kasih sayangnya. Disamping itu penghargaan ini penulis berikan pula untuk sepuluh orang terpilih Fast-Track IE IPB angkatan satu sebagai teman seperjuangan selama ini Salsa Dilla, Farhana Zahrotunnisa, Friska Zehan Phalupy, Nandha Rizki Awalia, Ida Bagus Perdana Kumara, Andrian Tri Sasongko, Nidaa Nazaahah, Bintan Badriatul Ummah, Manda Khairatul dan Bram Agustian Zahro. Penulis juga ingin berterimakasih kepada sahabat-sahabat terbaik atas perhatian dan kasih sayangnya Aisya Nadhira, Rany Pratiwi, Nina Hanifa, Arsy Disa, Khonsa Tsabita, Hardiyanti Nurillah, Danty Kartika, Selvi Anggraeni, Qisthy Nur Fathia, Aditya Setianingtyas, Nadya Astrid, Rezka Farah, Dwinda Larasati, Luqman Azis, Andri Sukrudin, Khairul Auni, Bobby Radiansyah dan sahabat lainnya yang tidak dapat disebutkan satu per satu. Terakhir penulis sampaikan terima kasih atas segala dukungan dari rekan-rekan Ilmu Ekonomi 46 dan HIPOTESA FEM IPB 2011.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR ISI v
DAFTAR TABEL vi
DAFTAR GAMBAR vi
DAFTAR LAMPIRAN viii
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 4
Manfaat Penelitian 4
Ruang Lingkup dan Keterbatasan Penelitian 5
2 TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN 6
Penelitian Terdahulu 6
Kerangka Pemikiran 7
Hipotesis Penelitian 9
3 METODE PENELITIAN 10
Jenis dan Sumber Data 10
Metode Analisis 11
Data Generating Process 23
Perumusan Model 25
Definisi Operasional Variabel 28
Prosedur Analisis 28
4 HASIL DAN PEMBAHASAN 30
Analisis Eksploratif Data 30
Data Generating Process 36
Koefisien Jangka Pendek dan Jangka Panjang Market-to-Retail
Pass-Through 37
Faktor-faktor Struktur Finansial yang Mempengaruhi Koefisien
Market-to-Lending Pass-Through 47
5 SIMPULAN DAN SARAN 53
Simpulan 53
Saran 54
DAFTAR PUSTAKA 55
LAMPIRAN 58
RIWAYAT HIDUP 72
DAFTAR TABEL
1 Ringkasan hasil literatur: faktor-faktor yang mempengaruhi interest rate pass through ... 7 2 Variabel-variabel yang digunakan dalam penelitian ... 10 3 Ringkasan perbandingan hasil estimasi market-to-deposit dan lending
DAFTAR GAMBAR
1 Kerangka pemikiran teoritis 8
2 Plot pergerakan suku bunga deposit, pinjaman dan pasar uang periode
2005-2012 31
3 Plot pergerakan suku bunga deposit, pinjaman dan pasar uang pada
kawasan high income dan middle income periode 2005-2012 32
4 Tingkat rata-rata suku bunga deposit, pinjaman dan pasar uang
periode 2005-2012 33
5 Tingkat rata-rata suku bunga deposit, pinjaman dan pasar uang
periode 2005-2012 pada kawasan high income dan middle income 33
6 Tingkat rata-rata bank concentration, bank overhead, bank ROE, deposit to GDP dan flexibility exchange rates antar kawasan periode
2005-2011 35
7 Koefisien jangka panjang dan jangka pendek market-to-deposit
pass-through antar kawasan 38
8 Koefisien jangka panjang dan jangka pendek market-to-deposit pass-through pada kawasan high income dan middle income 39 9 Koefisien jangka panjang dan jangka pendek market-to-lending
pass-through antar kawasan 40
10 Koefisien jangka panjang dan jangka pendek market-to-lending pass-through pada kawasan high income dan middle income 42
11 Pola hubungan market-to-lending pass-through dengan faktor
DAFTAR LAMPIRAN
1 Uji stationeritas pada suku bunga deposit, pinjaman dan pasar uang
menggunakan Eviews 6 59
2 Ringkasan hasil estimasi uji kointegrasi menggunakan Microfit 4.1 60
3 Hasil estimasi perhitungan koefisien jangka pendek dan kecepatan penyesuaian market-to-deposit pass-through dengan error correction
model (ECM) menggunakan Microfit 4.1 61
4 Hasil estimasi perhitungan koefisien jangka panjang market-to-deposit pass-through dengan autoregression distributed lag (ARDL)
menggunakan Microfit 4.1 62
5 Hasil estimasi perhitungan koefisien jangka pendek dan kecepatan penyesuaian market-to-lending pass-through dengan error correction
model (ECM) menggunakan Microfit 4.1 63
6 Hasil estimasi perhitungan koefisien jangka panjang market-to-lending pass-through dengan autoregression distributed lag (ARDL)
menggunakan Microfit 4.1 64
7 Hasil estimasi model tanpa interaksi system-generalized method of
moments (SYS-GMM) menggunakan program STATA 11 65
8 Hasil estimasi uji arellano bond pada model tanpa interaksi
menggunakan program STATA 11 66
9 Hasil estimasi uji sargan pada model tanpa interaksi menggunakan
program STATA 11 66
10 Hasil estimasi model tanpa interaksi pooled least square (PLS)
menggunakan program STATA 11 67
11 Hasil estimasi model tanpa interaksi fixed effect model (FEM)
menggunakan program STATA 11 67
12 Hasil estimasi model dengan interaksi system-generalized method of
moments (SYS-GMM) menggunakan program STATA 11 68
13 Hasil estimasi uji arellano bond pada model dengan interaksi
menggunakan program STATA 11 68
14 Hasil estimasi uji sargan pada model dengan interaksi menggunakan
program STATA 11 68
15 Hasil estimasi model dengan interaksi pooled least square (PLS)
menggunakan program STATA 11 69
16 Hasil estimasi model dengan interaksi fixed effect model (FEM)
menggunakan program STATA 11 69
17 Klasifikasi negara-negara ke dalam kawasan regional 70
DAFTAR ISTILAH
No Istilah Keterangan
1 Asymmetric Perbankan merespon tidak sejalan dengan suku bunga
pasar uang 2 Bank’s Collusive Pricing
Arrangements
Kecenderungan perbankan bersama-sama kolusi dalam menaikkan atau menurunkan tingkat suku bunga
3 Bank Concentration Aset dari tiga bank terbesar pada suatu negara sebagai
share dari total aset pada bank komersial. Variabel
tersebut digunakan untuk menguji apakah monopoli pada sektor perbankan menghambat pass-through
4 Bank Overhead Nilai akuntansi biaya overhead sebagai share dari total
aset
5 Bank Return on Equity
(ROE)
Rata-rata tingkat pengembalian ekuitas yang dihitung dari rasio pendapatan bersih terhadap total ekuitas
6 Complete Pass-Through Perubahan suku bunga retail perbankan sebanding
dengan perubahan suku bunga pasar uang
7 Deposit to GDP Demand, time dan saving deposit dalam deposit
perbankan sebagai share dari GDP pada suatu negara
8 Incomplete
Pass-Through
Perubahan suku bunga retail perbankan lebih kecil dari perubahan suku bunga pasar uang
9 Inflation Targeting
Framework
Kerangka kebijakan yang ditandai dengan pengumuman oleh bank sentral kepada publik mengenai target inflasi yang hendak dicapai dalam beberapa periode ke depan melalui penggunaan suku bunga dan alat moneter lainnya.
10 Market-to-Retail
Pass-Through
Proses perubahan suku bunga pasar uang yang ditransmisikan pada suku bunga retail perbankan
11 Market-to-Deposit
Pass-14 Opportunity Cost Biaya imbangan dalam menahan jumlah asset
15 Over Pass-Through Perubahan suku bunga retail perbankan melebihi dari
perubahan suku bunga pasar uang
16 Rigidity Kekakuan
17 Speed of Adjustment Kecepatan penyesuaian
18 Symmetric Perbankan merespon sejalan dengan suku bunga pasar
uang
1 PENDAHULUAN
Latar Belakang
Kebijakan moneter yang dilakukan oleh otoritas moneter atau bank sentral pada hakikatnya adalah upaya untuk mencapai tingkat pertumbuhan ekonomi yang tinggi secara berkelanjutan dengan tetap mempertahankan kestabilan harga. Dalam upaya untuk mencapai target kebijakan, otoritas kebijakan moneter memiliki beberapa instrumen moneter salah satunya adalah suku bunga acuan. Instrumen moneter tersebut digunakan untuk mempengaruhi sasaran akhir melalui berbagai jalur transmisi. Jalur untuk mentransmisikan kebijakan moneter di antaranya adalah jalur harga aset, kredit, suku bunga, nilai tukar dan ekspektasi inflasi. Pemahaman mengenai transmisi kebijakan moneter menjadi kunci agar dapat mengarahkan kebijakan moneter untuk mempengaruhi arah perkembangan ekonomi rill dan harga di masa yang akan datang (Ascarya 2012).
Penelitian ini fokus pada transmisi kebijakan moneter melalui jalur suku bunga. Transmisi kebijakan moneter melalui jalur suku bunga menekankan akan pentingnya aspek harga pada pasar finansial terhadap berbagai aktivitas ekonomi pada sektor rill. Transmisi kebijakan dimulai dengan adanya perubahan kebijakan yang dibuat oleh otoritas moneter yaitu bank sentral melalui penetapan suku bunga acuan. Perubahan suku bunga acuan yang ditetapkan oleh otoritas moneter menyebabkan perubahan pada suku bunga pasar uang antar bank (PUAB) dimulai dari suku bunga pasar yang bersifat jangka pendek hingga jangka panjang. Dalam tataran operasional, suku bunga acuan tercermin dari suku bunga pasar uang jangka pendek yang juga merupakan sasaran operasional dari kebijakan moneter. Perubahan suku bunga pasar uang tersebut yang kemudian akan berpengaruh kepada suku bunga kredit dan deposit yang pada akhirnya akan mempengaruhi tingkat tabungan, investasi, konsumsi dan permintaan agregat.
Jalur suku bunga merupakan jalur yang paling tradisional yang masih digunakan oleh para otoritas pembuat kebijakan moneter. Jalur ini dianggap penting karena merupakan salah satu jalur yang direspon cepat oleh para pelaku pasar, terutama perbankan. Seiring berkembangnya kebijakan rezim moneter inflation targeting framework (ITF) jalur transmisi melalui jalur suku bunga semakin mendapatkan perhatian, karena beberapa negara menggunakan suku bunga sebagai target atau sasaran operasional dalam menjalankan kebijakan tersebut. Sehingga bagi negara yang menganut rezim tersebut multak memahami dengan baik mengenai bagaimana, berapa banyak dan berapa waktu yang dibutuhkan dari perubahan suku bunga untuk mempengaruhi tingkat inflasi.
negara-negara berkembang masih menjadi sebuah pertanyaan apakah rezim tersebut sudah dengan baik dilaksanakan.
Pendekatan yang dapat dilakukan untuk menilai tingkat efektivitas transmisi kebijakan moneter melalui jalur suku bunga adalah dengan menghitung nilai koefisien MRPT. Nilai satu pada koefisien MRPT mengindikasikan bahwa perubahan suku bunga pasar direspon penuh oleh perubahan suku bunga retail perbankan. Artinya ketika koefisien MRPT pada suatu negara mendekati nilai satu maka dapat katakan bahwa transmisi kebijakan sudah berjalan dengan baik, dan berlaku sebaliknya. Nilai koefisien MRPT dapat pula digunakan untuk melihat tolak ukur kredibilitas bank sentral pada suatu negara dalam menjalankan kebijakan moneter dan mencapai sasaran akhir kebijakan. Dengan mengetahui nilai koefisien MRPT pada suatu negara, maka dapat diketahui dan disimpulkan apakah transimisi kebijakan moneter telah berjalan dengan baik atau tidak.
Perumusan Masalah
Setiap kawasan atau negara dapat memiliki koefisien MRPT yang berbeda dan beragam. Hal tersebut dipengaruhi oleh berbagai hal yaitu diantaranya kondisi makroekonomi dan struktur finansial oleh masing-masing negara (Gigineishvili 2011). Kajian tentang tema ini sudah cukup banyak dilakukan, misalnya Mojon (2000), De Bondt (2002), Bugstaller (2003), Donnay dan Degryse (2001), Egert et al. (2006). Akan tetapi penelitian tersebut hanya mengacu dan terfokus pada negara-negara maju saja seperti Uni Eropa dan Amerika. Maka dari itu Gigineishvili 2011 menganalisis mengenai MRPT dengan lingkup yang luas yaitu lingkup internasional empiris dan menganalisis pengaruh kondisi makroekonomi dan struktur finansial terhadap pemenuhan koefisien jangka panjang MRPT dengan metode cross section. Dari lingkup kondisi makroekonomi ditemukan bahwa inflasi, GDP per kapita memiliki pengaruh yang positif, sedangkan volatilitas pasar uang memilili pengaruh yang negatif terhadap pemenuhan koefisien jangka panjang MRPT. Cottareli dan Kourelis (1994), Mojon (2000), Sanders dan Klemeir (2000) juga mengungkapkan bahwa inflasi memiliki pengaruh yang positif terhadap pemenuhan koefisien MRPT.
Penelitian-penelitian terdahulu yang berfokus pada kondisi struktur finansial dilakukan baik pada ruang lingkup negara maupun lingkup yang lebih luas seperti yang dilakukan oleh Gigineishvili (2011) dan Cas et al. (2011). Giginieshvili (2011) menganalisis pengaruh kondisi struktur finansial terhadap pemenuhan koefisien jangka panjang MRPT dalam lingkup internasional empiris dengan penggunaan metode cross section, dimana ditemukan fleksibilitas nilai tukar, kualitas kredit, biaya overhead dan kompetisi perbankan memiliki pengaruh yang positif, sedangkan ekses likuiditas memiliki pengaruh yang negatif terhadap pemenuhan koefisien jangka panjang MRPT. Cas et al. (2011) mengestimasi koefisien policy interest-rate pass-through pada kawasan Central American (CADR) dan menganalisis pengaruh kondisi struktur finansial yaitu financial dollarization, fleksibilitas nilai tukar, konsentrasi perbankan, dan rasio deposit terhadap GDP terhadap pemenuhan policy interest-rate pass-through dalam lingkup internasional empiris dengan penggunaan metode panel dinamis. Hasil analisis pada panel dinamis menyatakan bahwa fleksibilitas nilai tukar dan rasio deposit terhadap GDP memiliki pengaruh yang positif, sedangkan financial dollarization dan konsentrasi perbankan memiliki pengaruh yang negatif terhadap pemenuhan koefisien policy interest-rate pass-through.
Peneliti sendiri sebelumnya telah melakukan fokus penelitian analisis perhitungan koefisien jangka pendek dan jangka panjang dari MRPT dan pengaruh kondisi makroekonomi terhadap pemenuhannya. Penelitian yang telah dilakukan mencoba menggunakan ruang lingkup seluas mungkin yaitu dengan lingkup internasional empiris dengan penggunaan 35 negara. Kelengkapan dan kelayakan data pada suatu negara menjadi dasar pertimbangan utama dalam keterpilihannya sebagai objek penelitian. Berdasarkan masih rendahnya koefisien determinasi pada pengaruh kondisi makroekonomi terhadap pemenuhan MRPT dan beberapa penelitian terdahulu yang masih perlu dilakukan penelitian lebih lanjut, maka penelitian ini akan berusaha untuk menganalisis faktor lain yang potensial memiliki pengaruh yang signifikan terhadap MRPT, yaitu faktor kondisi struktur finansial. Penelitian ini akan berusaha memperkaya analisis dengan menggunakan objek penelitian yang luas serta melakukan penambahan beberapa proksi dari struktur finansial untuk melengkapi beberapa penelitian terdahulu.
Terdapat dua bagian analisis pada penelitian ini. Bagian pertama adalah analisis perhitungan koefisien MRPT baik jangka pendek dan panjang untuk melihat seberapa penuh transmisi kebijakan moneter melalui suku bunga telah dijalankan dengan ruang lingkup internasional empiris. Sedangkan pada bagian kedua akan dianalisis mengenai determinan pembentukan koefisien MRPT dari aspek kondisi struktur finansial. Hal tersebut penting dilakukan untuk melihat bagaimana pengaruh dari struktur finansial masing-masing negara dalam mempengaruhi pembentukkan koefisien MRPT. Proksi yang digunakan dalam bagian kedua analisis adalah bank concentration, bank overhead, return on equity (ROE), fleksibilitas nilai tukar dan rasio total deposit terhadap GDP.
mengevaluasi tingkat keefektifan transmisi melalui jalur suku bunga, sehingga nantinya akan dapat meningkatkan efektivitas dalam pelaksanaan kebijakan moneter. Sedangkan pentingnya dikaji mengenai determinan pembentukan MRPT adalah agar otoritas moneter dapat menggunakan besaran variabel-variabel struktur finansial untuk mengidentifikasi kebijakan yang dapat ditempuh untuk memperkuat transmisi kebijakan moneter melalui jalur suku bunga. Pengetahuan tersebut kemudian dapat digunakan sebagai input penting dalam merumuskan kerangka kebijakan moneter yang efektif untuk masing-masing negara sesuai dengan kondisi struktur finansialnya.
Hal-hal yang telah dikemukakan di atas mengenai pemenuhan MRPT dan determinannya menjadi penting untuk menentukan kekuatan transmisi dan kredibilitas otoritas moneter dalam mencapai target akhir dari kebijakan. Maka dari itu diperlukan suatu analisis dan pemahaman yang mendalam bagi otoritas moneter mengenai hal tersebut agar dapat mengarahkan kebijakan demi tercapainya target kebijakan moneter yang telah ditetapkan. Terkait masalah tersebut, ada beberapa hal yang akan dianalisis dalam penelitian ini, yaitu:
1. Bagaimana efektifitas transmisi kebijakan moneter melalui jalur suku bunga yang dicerminkan dari koefisien jangka pendek maupun jangka panjang MRPT pada negara-negara yang menjadi objek penelitian?
2. Bagaimana pengaruh kondisi struktur finansial terhadap koefisien MRPT?
Tujuan Penelitian
Berdasarkan latar belakang dan permasalahan yang telah dirumuskan, penelitian ini bertujuan untuk:
1. Menganalisis efektifitas transmisi kebijakan moneter melalui jalur suku bunga yang dicerminkan dari koefisien jangka pendek maupun jangka panjang MRPT pada negara-negara yang menjadi objek penelitian.
2. Menganalisis pengaruh kondisi struktur finansial terhadap koefisien MRPT.
Manfaat Penelitian
Ruang Lingkup dan Keterbatasan Penelitian
Penelitian ini memiliki empat ruang lingkup. Pertama, penelitian ini mencoba memberikan gambaran mengenai dinamika perubahan pergerakan suku bunga pasar uang dan retail perbankan serta kondisi struktur finansial selama periode 2005-2012 pada 35 negara yang menjadi objek penelitian secara deskriptif-analitis. Keterpilihan 35 negara tersebut telah merepresentasikan beberapa kawasan di dunia yaitu Australia, East Asia and Pacific, Europe and Central Asia, European Union, Latin America and Caribbean, Middle East and North Africa dan South Africa. Kedua, melakukan analisis perhitungan koefisien jangka pendek
MRPT dengan metode error correction model (ECM) dan jangka panjang MRPT
dengan metode autoregressive distribution lag (ARDL. Ketiga, membangun model ekonometrika berbasis data panel statis dan dinamis dengan lingkup 30 negara yang memiliki kemampuan untuk menguji apakah kondisi struktur finansial mempengaruhi pemenuhan koefisien MRPT. Keempat, dari hasil estimasi model ekonometrika yang diperoleh, selanjutnya akan diberikan beberapa telaah dan analisis untuk kemudian diberikan beberapa kesimpulan.
Data yang digunakan pada bagian analisis kedua adalah suku bunga pasar uang dan suku bunga retail perbankan yaitu suku bunga deposit dan kredit. Data tersebut merupakan data time series dengan basis data bulanan pada periode 2005-2012.
Proksi dari kondisi struktur finansial yang digunakan dalam analisis ketiga ini antara lain adalah bank concentration, bank overhead, return on equity (ROE), fleksibilitas nilai tukar dan rasio total deposit terhadap GDP. Data tersebut merupakan data panel dengan basis data tahunan pada periode 2005-2011.
Dalam konteks analisis kuantitatif yang dilakukan, yakni menggunakan metode autoregressive distributed lag (ARDL) untuk perhitungan koefisien jangka panjang MRPT dan metode error correction model (ECM) untuk perhitungan koefisien jangka pendek MRPT. Metode data panel statis dan dinamis digunakan untuk menganalisis faktor-faktor struktur finansial yang mempengaruhi koefisien MRPT. Metodel yang akan digunakan untuk mengestimasi model data panel statis adalah pooled least square (PLS) dan fixed effects model (FEM). Sedangkan metode yang digunakan untuk mengestimasi model data panel dinamis adalah metode first-differences GMM dan system GMM (generalized method of moments) yang diturunkan oleh Arellano-Bond.
2 TINJAUAN PUSTAKA DAN KERANGKA PEMIKIRAN
Penelitian Terdahulu
Cotarelli dan Korelis (1994), De Bondt (2002), Mishra, Montiel dan Splimbergo (2010) mengungkapkan bahwa konsentrasi perbankan menurunkan reaksi perbankan terhadap kebijakan dan memperlemah mekanisme transmisi kebijakan melalui jalur suku bunga. Inelastisitas permintaan relatif mungkin terjadi ketika tingkat konsentrasi perbankan tinggi. Cottareli dan Kourelis (1994) juga menemukan bahwa tingkat inflasi yang tinggi, mobilitas kapital dan pembangunan pasar uang1 menghasilkan pada penguatan koefisien pass-through.
Kwapil dan Scharler (2006), melalui metode autoregressive distributed lag (ARDL) menganalisis determinasi keseimbangan pada model harga kaku dimana pass-through untuk suku bunga retail relatif lambat dan berpotensi tidak lengkap (incomplete) pada United States dan Europe Union. Ditemukan bahwa pengaruh kebijakan moneter terhadap permintaan agregat dan inflasi tergantung pada sejauhmana besaran perubahan pass-through suku bunga pasar uang kepada suku bunga retail.
Egert et al. (2006), melalui metode autoregressive distributed lag (ARDL) menganalisis koefisien MRPT untuk 5 negara Cental and Eastern Europe (CEE) yakni Czech Republic, Hungary, Poland, Slovakia, dan Slovenia. MRPT umumnya rendah pada overnight deposit rate namun secara substansi lebih tinggi pada short to long term deposit rate dan corporate lending rates. Hasil penelitian juga menyatakan bahwa MRPT rata-rata pada CEE-5 lebih besar dibandingkan negara inti dari euro area seperti Austria dan Jerman.
Putri (2009), menganalisis perbedaan koefisien interest rate pass-through
pada negara ASEAN +3 dimana fenomena over pass-through terjadi pada
pembentukan suku bunga perbankan di Singapura dan suku bunga kredit di Malaysia, sedangkan fenomena incomplete pass-through terjadi pada pembentukan kedua suku bunga perbankan di Indonesia, Thailand, Filipina, Jepang, Korea serta suku bunga deposit Malaysia. Melalui metode structural vector autoregession (SVAR) yang dikombinasikan dengan model yang dikombinasikan dengan model koreksi kesalahan menjadi vector error correction model (VECM) simulasi impulse response function (IRF) menunjukan guncangan pada suku bunga official direspon positif dan permanen oleh suku bunga perbankan masing-masing negara ASEAN +3 kecuali Singapura sedangkan tingkat harga merespon negatif dan permanen kecuali Indonesia, Malaysia, dan Jepang serta pendapatan nasional juga turut merespon negatif dan permanen kecuali Indonesia dan Jepang. Hasil empiris berikutnya menunjukkan hanya Jepang yang memiliki hubungan kointegrasi antara suku bunga official dengan tingkat harga sedangkan terhadap pendapatan nasional tidak ada satu pun negara yang suku bunga official-nya terkointegrasi.
Gigineishvili (2011), mengungkapkan faktor-faktor penentu MRPT dengan memperluas jangkauan cross-sectional dari 70 negara. Dengan menggunakan model error correction model (ECM) dan autoregressive distributed lag (ARDL) ditemukan bahwa GDP per kapita dan inflasi memiliki efek positif sementara
1Pembangunan pasar uang diukur dengan menggunakan proksi volatilitas suku bunga pasar uang
volatilitas pasar memiliki efek negatif pada MRPT. Variabel pasar finansial yakni nilai tukar fleksibel, kualitas kredit, biaya overhead, dan kompetisi perbankan efek yang positif, sedangkan excess likuiditas perbankan menghambat atau memiliki efek negatif terhadap pemenuhan MRPT.
Cas et al. (2011), mengungkapkan bahwa koefisien policy interest-rate pass-through pada umumnya lebih lemah dan lambat transmisinya pada negara CADR (beberapa negara Central America) dibandingkan dengan negara LA6 (negara-negara yang di jadikan acuan atau benchmark). Beragam faktor potensial yang mempengaruhi pembentukan koefisien pass-through diantaranya adalah financial dollarization, fleksibilitas nilai tukar, konsentrasi perbankan, pembangunan sektor finansial dan fiskal dominan. Dengan menggunakan analisis panel dinamis ditemukan bahwa penguatan mekanisme transmisi dapat diperkuat dengan meningkatkan fleksibilitas nilai tukar, pengurangan financial dollarization, melakukan pembangunan pada sektor finansial serta mengurangi konsentrasi perbankan.
Tabel 1 Ringkasan hasil literatur faktor-faktor yang mempengaruhi interest rate pass througha
Keterangan: ( ) berpengaruh positif ( ) berpengaruh negatif
Kerangka Pemikiran
untuk mencapai tujuan-tujuan yang telah ditetapkan. Kerangka pemikiran teoritis dijelaskan pada Gambar 1.
Fokus Penelitian
Gambar 1 Kerangka pemikiran teoritis
Market-to-Retail
Pass-Through dipengaruhi
oleh:
1.Bank concentration
2.Bank overhead
3.Bank ROE 4.Fleksibilitas nilai
tukar
5.Rasio total deposit terhadap GDP Bank Sentral
Jalur Transmisi Kebijakan
Harga Aset Kredit Nilai Tukar Ekspektasi Inflasi Suku Bunga Acuan
(Policy Rate)
Suku Bunga Pasar Uang
(Money Market Rate)
Suku Bunga Perbankan
(Retail Rate)
Suku Bunga Deposit
(Deposit Rate)
Suku Bunga Pinjaman
(Lending Rate)
Market-to-Retail Pass-Through
Hipotesis Penelitian
Berdasarkan permasalahan, tujuan dan alur kerangka berpikir penelitian di atas maka hipotesis dari penelitian ini adalah:
1. Koefisien MRPT baik jangka pendek maupun jangka panjang beragam antar
negara, hal tersebut dipengaruhi oleh berbagai faktor seperti kondisi struktur finansial, makroekonomi dan faktor lainnya.
2. Bank concentration memiliki pengaruh yang negatif terhadap pemenuhan koefisien MRPT.
3. Bank overhead memiliki pengaruh yang positif terhadap pemenuhan koefisien MRPT.
4. Return on equity (ROE) memiliki pengaruh yang negatif terhadap pemenuhan koefisien MRPT.
5. Fleksibilitas nilai tukar memiliki pengaruh yang positif terhadap pemenuhan koefisien MRPT.
3 METODE PENELITIAN
Jenis dan Sumber Data
Data yang digunakan dalam penelitian ini seluruhnya merupakan data sekunder yang dikumpulkan dari berbagai sumber. Pada bagian analisis pertama digunakan data time series dengan frekuensi bulanan dari Januari 2005 hingga Desember 2013. Data yang digunakan adalah suku bunga pasar uang, suku bunga pinjaman dan suku bunga deposit. Unit negara yang digunakan merupakan 35 negara yang merepresentasikan beberapa kawasan di dunia.
Pada bagian analisis kedua, data yang digunakan merupakan data panel dengan time series tahunan periode 2005-2011 dan cross section yang terdiri dari 30 negara yang juga digunakan pada analisis pertama. Jumlah amatan data panel untuk setiap variabelnya sebanyak 30 × 7 = 210 amatan. Data tersebut terdiri dari suku bunga pasar uang, suku bunga pinjaman, tingkat konsentrasi perbankan (bank concentration), biaya overhead perbankan (bank overhead), return on equity perbankan (bank ROE), fleksibilitas nilai tukar dan rasio total deposit terhadap GDP (deposit to GDP). Terdapat perbedaan jumlah tahun dan negara pada analisis pertama dan analisis kedua. Hal tersebut disebabkan oleh terbatasnya kesediaan data yang dibutuhkan khususnya bagi data struktur finansial antarnegara yang hanya tersedia sampai pada tahun 2011.
Data yang digunakan dalam penelitian diperoleh dari publikasi IMF International Financial Statistic (IFS), FX Sauders dan World Bank Global Financial Development (GFD) versi online. Selain itu penulis juga melakukan studi pustaka dengan membaca literatur seperti jurnal dan artikel yang berkaitan dengan penelitian baik dari media cetak maupun internet.
Secara umum, variabel-variabel yang digunakan sebagai analisis dirangkum dalam Tabel 2:
Tabel 2 Variabel-variabel yang digunakan dalam penelitiana
Variabel Keterangan Satuan Sumber
MMR Suku bunga pasar uang Persen IMF IFS Lending Suku bunga pinjaman Persen IMF IFS Deposit Suku bunga deposit Persen IMF IFS
Concentration Bank concentration Persen World Bank GFD Overhead Rasio biaya overhead Flexibility_ER Fleksibilitas nilai tukar Local
Curency/US$
Metode Analisis Data
Penelitian mengenai perhitungan koefisien MRPT ini akan dianalisis dengan menggunakan pendekatan kointegrasi baik dengan metode error correction model (ECM) yang dikembangkan oleh Engle-Granger (1987) dan pendekatan kointegrasi lain dengan metode autoregressive distributed lag (ARDL) yang dikembangkan oleh Pesaran dan Shin (1995). Sedangkan penelitian mengenai determinan pembentukan koefisien MRPT menggunakan metode panel data dinamis. Perangkat lunak yang digunakan dalam penelitian ini adalah Microsoft Excel 2007, Eviews 6, Microfit 4.1, dan STATA 11.
Analisis Eksploratif
Nazir 1999, analisis eksploratif adalah suatu analisis dalam meneliti sekelompok objek, suatu kondisi, suatu sistem pemikiran, atau pun suatu kelas peristiwa pada masa sekarang. Tujuan dilakukannya analisis ini adalah untuk membuat suatu deskriptif, gambaran atau lukisan secara sistematis yang faktual mengenai fakta-fakta dan sifat-sifat serta hubungan antar fenomena yang terjadi.
Bentuk analisis eksploratif dalam penelitian ini adalah melakukan kajian terjadap keterkaitan antara koefisien MRPT dengan variabel-variabel struktur finansial, yaitu bank concentration, bank overhead, return on equity (ROE), fleksibilitas nilai tukar dan rasio total deposit terhadap GDP di 30 negara yang dipilih sebagai objek penelitian pada periode tahun 2005-2011.
Error Correction Model (ECM) dan Autoregressive Distributed Lag (ARDL)
Metode analisis yang digunakan adalah autoregressive distributed lag (ARDL) yang diperkenalkan oleh Pesaran dan Shin (1995) dengan pendekatan kointegrasi. Berikut adalah model augmented autoregressive distributed lag ARDL(p,q) menurut Pesaran dan Shin (1995) dalam Hasanah (2009):
= ∑ ∑ 3.1
= 3.2 dimana merupakan variabel berdimensi k pada integrasi satu I(1) yang tidak terkointegrasi diantara mereka, dan merupakan gangguan atau error dengan rataan nol, varian dan kovarian konstan serta tidak berkorelasi serial. merupakan matriks koefisien k k proses vektor autoregressive pada stabil.
= ∑ 3.3 dimana:
= 3.4
independen. Sedangkan koefisien jangka panjang untuk respon terhadap perubahan satu unit diestimasi dengan:
̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ , 3.6
dimana ̂ dan ̂, adalah nilai estimasi dan . Dengan cara yang sama, koefisien jangka panjang yang terkait dengan variabel deterministik atau eksogenus dengan lag tetap diestimasi dengan formula:
̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ ̂ 3.7
dimana ̂ ̂ ̂ ̂ ̂ merupakan estimasi OLS dari untuk model ARDL terpilih.
Pengujian kointegrasi pada metode ini adalah dengan menggunakan
pendekatan bound testing cointegration. Metode ARDL memiliki berbagai
kelebihan, yaitu pertama proses pengujiannya sederhana jika dibandingkan dengan pengujian kointegrasi Johansen-Jeselius. Hal ini karena pengunaan bound testing cukup dengan menguji kointegrasi yang diestimasi menggunakan OLS ketika lag dari model telah diidentifikasi. Kedua, ARDL tidak memerlukan pengujian akar unit untuk variabel yang digunakan dalam penelitian. Pengujian ini dapat dipergunakan tanpa tergantung pada orde integrasi regresorpada I(0), I(1) ataupun satu sama lain saling terkointegrasi. Ketiga, pengujian dengan ARDL relatif lebih efisien untuk sampel data yang kecil dan terbatas.
Langkah-langkah dalam pengujian dengan menggunakan ARDL adalah sebagai berikut:
1. Estimasi persamaan dengan menggunakan OLS dengan mengaplikasikan uji
F yang ditujukan untuk mengetahui adanya hubungan jangka panjang diantara variabel. Uji F ini digunakan untuk melihat joint test bagi koefisien-koefisien jangka panjang. Hipotesis yang diuji adalah:
H0 :
H1 :
penentuan ada tidaknya hubungan jangka panjang (kointegrasi) dilakukan dengan cara membandingkan nilai F-Statistik dengan nilai kritis yang telah disusun pada tabel oleh Pesaran dan Shin (1995). Terdapat dua nilai batas kritis asimtotik untuk menguji kointegrasi saat variabel independen
terintegrasi pada I(d) dimana 0 . Nilai terendah (lower)
mengasumsikan regressor terintegrasi pada I(0) sedangkan nilai tertinggi (upper) mengasumsikan regressor terintegrasi pada I(1). Jika F-statistik bernilai di atas nilai kritis tertinggi, maka hipotesis nol tentang tidak adanya hubungan jangka panjang ditolak. Sebaliknya jika F-statistik bernilai di bawah nilai kritis terendah maka hipotesis nol tidak dapat ditolak.Jika F-statistik berada di antara nilai kritis terendah dan tertinggi, maka tidak ada kesimpulan. Nilai kritis yang dimaksud merupakan nilai kritis yang dihitung oleh Pesaran dan Shin (1995).
∑ ∑ 3.8
dimana ∑ merupakan variabel dependen dengan lag operator dan
∑ merupakan variabel independen dengan lag operator.
3. Tahap terakhir adalah melakukan estimasi error correction model (ECM). Model yang diestimasinya adalah:
∑ ∑ 3.9
dimana dan adalah koefisien jangka pendek dan adalah speed of adjustment.
Menurut Gujarati (2004) model ARDL menunjukkan kegunaan yang sangat besar dalam ilmu ekonomi empiris karena model tersebut membuat teori ekonomi yang bersifat statis menjadi bersifat dinamis dengan memperhitungkan secara eksplisit peranan dari waktu. Artinya, pada model ARDL dapat dibedakan antara respon (tanggapan) jangka pendek dan jangka panjang dari variabel tak bebas terhadap satu unit perubahan dalam nilai variabel yang menjelaskan.
Metode Regresi Data Panel
Data panel atau longitudinal data adalah data yang memiliki dimensi ruang (individu) dan waktu. Dalam data panel, data cross section yang sama diobservasi menurut waktu. 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. Penggabungan data cross section dan time series dalam studi data panel digunakan untuk mengatasi kelemahan dan menjawab pertanyaan yang tidak dapat dijawab oleh model cross section dan time series murni.
Verbeek (2000) terdapat dua keuntungan penggunaan model data panel dibandingkan data time series dan cross section dalam data panel membuat jumlah observasi menjadi lebih besar. Dengan menggunakan model data panel marginal effect dari peubah penjelas dilihat dari dua dimensi (individu dan waktu) sehingga parameter yang diestimasi akan lebih akurat dibandingkan dengan model lain. Secara teknis data panel dapat memberikan data yang informatif, mengurangi kolinearitas antarpeubah serta meningkatkan derajat kebebasan yang artinya meningkatkan efisiensi. Kedua, keuntungan yang lebih penting dari penggunaan data panel adalah menguangi masalah identifikasi. Data panel lebih baik dalam mengidentfikasi dan mengukur efek yang secara sederhana tidak dapat di atas dalam data cross section saja atau data time series saja.
Data panel mampu mengontrol heterogenitas individu. Dengan metode ini estimasi yang diakukan dapat secara eksplisit memasukkan unsur heterogenitas individu. Data panel juga lebih baik untuk studi dynamics of adjustment. Hal ini berkaitan dengan observasi pada cross section yang sama secara berulang, sehingga data panel lebih baik dalam mempelajari perubahan dinamis.
Regresi Data Panel Statis
Data panel dapat didapat didefinisikan sebagai observasi yang berulang pada setiap unit cross section yang sama. Data panel memiliki karakteristik dan
ke- pada waktu ke- dengan dan . Dan terdapat variabel independen yang masing-masing diberi indeks serta dinotasikan sebagai yang menyatakan nilai variabel penjelas ke- untuk unit ke- pada waktu ke- . Berikut adalah matriks untuk mengorganisir data panel:
[ Selanjutnya data tersebut disederhanakan dalam bentuk stack sebagai berikut:
[ ] [ ] [ ] 3.11
Terdapat beberapa metode yang sering digunakan untuk mengestimasi parameter model data panel statis. Metode sederhana yang sering digunakan yaitu pooled least square (PLS) yang umumnya digunakan pada model cross section dan time series murni. Regresi yang dihasilkan ketika data digabungkan menjadi pooled data cenderung akan lebih baik jika dibandingkan dengan regresi yang menggunakan cross section dan time series murni. Akan tetapi terdapat kelemahan pada PLS dimana dengan menggabungkan data maka variasi atau perbedaan baik pada individu dan waktu tidak dapat terlihat. Hal ini tentunya menjadi kurang sesuai dengan tujuan dari penggunaan data panel. Lebih jauh lagi, penduga yang dihasilkan melalui PLS dapat menjadi bias akibat dari kesalahan pada spesifikasi data.
Untuk mengatasi kelemahan pada PLS, terdapat dua pendekatan yang umum diaplikasikan pada data panel, yaitu fixed effect model (FEM) dan random effect model (REM). Keduanya dibedakan berdasarkan pada asumsi atau tidaknya korelasi antara komponen error dengan peubah bebas (regresor). Misalkan:
3.14
Pada one way error components model, komponen error dispesifikasikan dalam bentuk:
Untuk two way error components model, komponen error dispesifikasikan dalam bentuk:
3.16
Pada pendekatan one way, error term hanya dimasukkan komponan error
yang merupakan efek dari individu . Pada two way, error term juga
dimasukkan efek dari waktu . Jadi perbedaan antara FEM dan REM terletak pada ada atau tidaknya korelasi antara dan dengan .
Fixed Effect Model (FEM)
Model FEM muncul ketika antara efek individu dan peubah penjelas memiliki korelasi dengan atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu dan waktu dapat menjadi bagian dari intersep. Model FEM umumnya digunakan ketika relatif kecil dan relatif besar. Secara umum model FEM dapat diekspresikan sebagai berikut:
3.17
dengan asumsi bahwa . Penduga dari model ini mampu menjelaskan
perbedaan atau variasi antar individu, karena model ini memungkinkan adanya perbedaan intersep pada setiap . Penduga dari model ini ditentukan sebagaimana penduga least square dalam regresi namun dalam bentuk deviasi rata-rata individual. Verbeek 2000, dugaan untuk parameter dengan menggunakan FEM dapat diformulasikan sebagai berikut:
̂ ∑ ∑ ̅ ∑ ∑ ̅ ̅ 3.18
Sedangkan estimasi untuk intersep dituliskan sebagai berikut:
̂ ̅ ̅ ̂ ; 3.19
Matriks kovarian untuk fixed effect estimator ̂ dengan diberikan oleh:
[ ̂ ] ∑ ∑ ̅ ̅ 3.20
dengan
∑ ∑ ̅ ̅ ̂ 3.21
Verbeek (2004), pada dasarnya FEM lebih menekankan pada perbedaan di antara individu yakni menjelaskan bagaimana berbeda dari ̅ namun tidak menjelaskan mengapa ̅ berbeda dengan ̅. Di sisi lain, asumsi parametrik
mengenai menekankan bahwa perubahan yang terjadi dalam memiliki
pengaruh yang sama, apakah perubahan dari satu periode ke periode lainnya atau perubahan dari satu individu ke individu lainnya. Penduga FEM dapat dihitung dengan beberapa teknik sebagai berikut:
1. Pooled Least Square (PLS)
memberikan hasil estimasi yang lebih efisien. Namun pendekatan ini memiliki kelemahan yaitu dugaan parameter yang dihasilkan akan bias. Parameter yang bias disebabkan karena PLS tidak dapat membedakan observasi yang berbeda pada periode yang sama atau tidak dapat membedakan observasi yang sama pada periode yang berbeda.
2. Within Group (WG)
Pendekatan ini digunakan untuk mengatasi masalah bias pada PLS. Teknik yang digunakan adalah dengan menggunakan data deviasi dari rata-rata individu. Penduga FEM yang dihasilkan dengan pendekatan WG tidak memiliki intersep. Kelebihan dari WG ini adalah dapat menghasilkan parameter yang tidak bias, tetapi di sisi lain kelemahannya adalah nilai varian pada WG cenderung lebih besar daripada nilai varian pada PLS sehingga menyebabkan dugaan pada WG relatif lebih tidak efisien dibandingkan dengan PLS. Kelemahan lain dari WG adalah tidak dapat mengakomodir karakteristik time-invariant pada FEM, seperti terlihat dari tidak dimasukkannya intersep ke dalam model.
3. Least Square Dummy Variable (LSDV)
Pendekatan digunakan bertujuan untuk dapat merepresentasikan perbedaan intersep, yaitu dengan menggunakan dummy variable. Kelebihan dari pendekatan ini adalah dapat menghasilkan dugaan parameter yang tidak bias dan efisien. Akan tetapi apabila jumlah observasinya besar maka akan terlihat cumbersome.
Random Effect Model (REM)
REM muncul ketika tidak ada korelasi antara efek individu dan regresor. Asumsi ini membuat komponen error dari efek individu dan waktu dimasukkan ke dalam error. Dalam REM perbedaan karakteristik individu diakomodasikan oleh error dalam model. REM umumnya gunakan apabila relatif besar dan relatif kecil. Model umum yang digunakan untuk one way error component adalah sebagai berikut:
3.22
Sedangkan model umum yang digunakan untuk two way error component adalah
sebagai berikut:
3.23
Berikut adalah beberapa asumsi yang digunakan dalam REM, yaitu diantaranya:
| 3.24
| 3.25
| untuk semua dan 3.26
| 3.27
untuk semua , dan 3.28
untuk semua atau 3.29
untuk one way error component,
untuk two way error component,
Dari semua asumsi di atas, asumsi yang terpending dikaitkan dengan REM adalah bahwa nilai harapan dari untuk setiap adalah nol atau | . Firdaus (2011), Terdapat dua jenis pendekatan yang digunakan untuk menghitung estimator pada REM, yaitu between estimator dan Generalized Least Square (GLS):
1. Between Estimator
Pendekatan ini berkaitan dengan dimensi antardata (differences between individual), yang ditentukan sebagaimana OLS estimator pada sebuah regresi dari rata-rata individu y dalam nilai x secara individu. Between estimator konsisten untuk tak terhingga, dengan asumsi bahwa peubah bebas dengan error tidak saling berkorelasi atau begitu pula dengan nilai rata-rata error .
2. Generalized Least Square (GLS)
Pendekatan GLS mengombinasikan informasi dari dimensi antar dan dalam (between dan within) data secara efisien. GLS dapat dipandang sebagai rata-rata yang dibobotkan dari estimasi between dan within dalam sebuah regresi. Apabila bobot yang dihitung tersebut tetap, maka estimator yang diperoleh disebut random effects estimator. Dalam bentuk persamaan hal ini dapat dinyatakan sebagai berikut:
3.30
Pemilihan Model
Pemilihan model yang digunakan dalam sebuah penelitian perlu dilakukan berdasarkan pertimbangan statistik. Dalam memilih apakah model FEM atau REM yang lebih baik, perlu dilakukan pengujian terhadap asumsi mengenai ada tidaknya korelasi antara regresor dan efek individu. Untuk menguji asumsi ini digunakan uji Hausman dimana hipotesis yang diuji adalah sebagai berikut:
| atau REM 3.31
| atau FEM 3.32
Nilai statistik uji Hausman kemudian dibandingkan dengan nilai statistik Chi-Square ( ). Statistik uji Hausman dirumuskan sebagai berikut:
3.33
Apabila nilai lebih besar dari tabel, maka telah cukup bukti untuk melakukan
penolak terhadap sehingga model yang digunakan adalah FEM, berlaku begitu
juga untuk sebaliknya.
Regresi Data Panel Dinamis
variabel dependen di antara variabel-variabel regresor. Sebagai ilustrasi, perhatikan
Pada model panel statis, dapat ditunjukkan adanya konsistensi dan efisiensi terkait perlakuan terhadap baik pada fixed effect model (FEM) ataupun random effect model (REM). Akan tetapi pada model panel dinamis situasi ini secara substansi sangat berbeda, karena merupakan fungsi dari maka juga merupakan fungsi dari . Di sisi lain, merupakan fungsi dari maka kemudian akan terjadi korelasi antara dengan , sehingga akan menyebabkan penduga pooled least square (sebagaimana digunakan pada model panel statis) akan menjadi bias dan inkonsisten, bahkan apabila tidak berkorelasi sekalipun. Hal ini berakibat munculnya masalah endogeneity, sehingga apabila model diestimasi dengan pendekatan fixed effects maupun random effects akan menghasilkan penduga yang bias dan tidak konsisten.
Berikut akan diberikan model panel data autoregresif AR(1) tanpa menyertakan variabel eksogen untuk mengilustrasi kasus di atas:
; | | ; 3.36
dengan dimana dan saling bebas satu sama lain. Penduga fixed effect bagi diberikan oleh:
̂ ∑ ∑∑ ∑ ̅ ̅ dalam persamaan (3.37) untuk memperoleh persamaan dibawah ini:
̂ ∑ ∑ ∑ ∑ ̅ ̅ pembagian persamaan 3.38 tidak memiliki nilai harapan nol dan tidak konvergen menuju nol apabila . Secara khusus, hal ini dapat ditunjukkan bahwa:
∑ ∑ ̅ ̅ 3.39
sehingga, untuk tetap, akan dihasilkan penduga yang inkonsisten.
1. First Differences GMM (FD-GMM) 2. System GMM (SYS-GMM)
First-differences GMM (AB-GMM)
Untuk mendapatkan estimasi yang konsisten dimana dan tertentu, akan dilakukan first-difference pada persamaan (3.35) untuk mengeliminasi pengaruh individual ( ) sebagai berikut:
( ) ; 3.40
namun, pendugaan dengan pooled least squareakan menghasilkan penduga yang
inkonsisten karena dan berdasarkan definisi berkorelasi, bahkan untuk
. Maka dari itu, transformasi dengan menggunakan first-difference ini dapat menggunakan suatu pendekatan variabel instrumen. Sebagai contoh, akan digunakan sebagai instrumen. Disini, berkorelasi dengan ( ) tetapi tidak berkorelasi dengan dan tidak berkorelasi serial. Penduga variabel instrumen bagi disajikan sebagai berikut:
̂ ∑∑ ∑∑
3.41
syarat perlu agar penduga ini konsisten adalah:
∑ ∑ 3.42
Penduga (3.41) merupakan salah satu penduga yang diajukan oleh Anderson dan Hsiao (1981) dalam Verbeek (2000) dimana mereka juga mengajukan alternatif
sebagai instrumen. Penduga variabel instrumen disajikan sebagai
berikut:
̂ ∑∑ ∑∑
3.43
syarat perlu agar penduga ini konsisten adalah:
∑ ∑ 3.44
Perhatikan bahwa penduga variabel instrumen yang kedua
memerlukan tambahan lag variabel untuk membentuk instrumen, sehingga jumlah amatan efektif yang digunakan untuk melakukan pendugaan menjadi berkurang. Dalam hal ini pendekatan metode momen dapat menyatukan penduga dan mengeliminasi kerugian dari pengurangan ukuran sampel. Langkah pertama dari pendekatan metode ini adalah mencatat bahwa:
∑ ∑ [( ) ] 3.45
yang merupakan kondisi momen. Dengan cara yang sama maka dapat diperoleh:
∑ ∑ ( )
[( ) ] 3.46
yang juga merupakan kondisi momen. Kedua estimator dan
penduga. Arellano dan Bond (1991) dalam Baltagi (2005) menyatakan bahwa daftar instrumen dapat dikembangkan dengan cara menambah kondisi momen dan membiarkan jumlahnya bervariasi berdasarkan . Untuk itu, Arellano dan Bond 1991 mempertahankan tetap. Sebagai contoh, ketika diperoleh:
[ ] , untuk
[ ] dan [ ] , untuk
[ ] , [ ] , dan [ ] , untuk Semua kondisi momen dapat diperluas ke dalam GMM. Selanjutnya, untuk memperkenalkan penduga GMM, misalkan didefinisikan ukuran sampel yang lebih umum sebanyak , sehingga dapat dituliskan:
[
] 3.47
sebagai vektor transformasi error, dan
[ [ ]
[ ]
[ ]]
3.48
sebagai matriks instrumen. Setiap baris pada matriks berisi instrumen yang valid untuk setiap periode yang diberikan. Konsekuensinya, himpunan seluruh kondisi momen dapat dituliskan secara ringkas sebagai berikut:
[ ] 3.49
Yang merupakan kondisi bagi . Untuk menurunkan penduga GMM, tuliskan persamaan sebagai berikut:
[ ] 3.50
Karena jumlah kondisi momen umumnya akan melebihi jumlah koefisien yang belum diketahui, akan diduga dengan meminimumkan kuadrat momen sampel yang bersesuaian, yakni:
∑ ∑ 3.51
dengan adalah maktriks penimbang definit positif yang simetris. Dengan mendiferensiasikan persamaan (3.51) terhadap akan diperoleh penduga GMM sebagai berikut:
̂ (∑
) (∑
)
( ∑ ∑ ) 3.52
Sifat dari penduga GMM (3.52) bergantung pada pemilihan yang konsisten
selama definit positif, sebagai contoh yang merupakan matriks
Matriks penimbang optimal (optimal weighting matrix) akan memberikan penduga yang paling efisien Karena menghasilkan matriks kovarian asimtotik terkecil bagi ̂ . Sebagaimana diketahui dalam teori umum GMM, diketahui bahwa matriks penimbang optimal proposional terhadap matriks kovarian invers dari momen sampel, Verbeek (2000). Dalam hal ini, matriks penimbang optimal seharusnya memenuhi:
[ ] [ ] 3.53
Dalam kasus biasa, dimana tidak ada restriksi yang dikenakan terhadap matriks kovarian , matriks penimbang optimal dapat diestimasi menggunakan first-step consistent estimator bagi dan mengganti operator ekspektasi dengan rata-rata sampel, yaitu two step estimator:
̂ [ ∑ ̂ ̂ ] 3.54 dengan ̂ menyatakan vektor residual yang diperoleh dari first-step consistent estimator.
Pendekatan GMM secara umum tidak menekankan bahwa 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 dan juga dikombinasikan dengan asumsi homoskedastis. Dengan catatan di bawah restriksi:
[ ] [
] 3.55
matriks penimbang optimal dapat ditentukan sebagai one step estimator
̂ [ ∑ ] 3.56 Sebagai catatan bahwa (3.56) tidak mengandung parameter yang tidak diketahui, sehingga penduga GMM yang optimal dapat dihitung dalam satu langkah bila error diasumsikan homoskedastis dan tidak mengandung autokorelasi.
Jika model data panel dinamis mengandung variabel eksogenus, maka persamaan (3.34) dapat dituliskan kembali menjadi:
3.57
Parameter persamaan (3.57) juga dapat diestimasi dengan menggunakan generalisasi variabel instrumen atau pendekatan GMM. Bergantung pada asumsi yang dibuat terhadap , sekumpulan instrumen tambahan yang berbeda dapat dibangun. Apabila stricly exogenous dalam artian bahwa tidak berkorelasi dengan sembarang error , maka akandiperoleh:
[ ] untuk setiap dan 3.58
[ ] untuk setiap 3.59
matriks instrumen dapat dituliskan sebagai berikut:
[
[ ]
[ ]
[ ]
3.60
Apabila variabel tidak strictly exogenous melainkan predetermined, dalam kasus di mana dan lag tidak berkorelasi dengan bentuk error saat ini, akan diperoleh [ ] , untuk . Dalam kasus di mana hanya
instrumen yang valid bagi persamaan first difference pada periode ,
kondisi momen dapat dikenakan sebagai:
[ ] 3.61
Dalam prakteknya, kombinasi variabel yang strictly exogenous dan
predetermined dapat terjadi lebih dari sekali. Matriks kemudian dapat disesuaikan.
Blundell dan Bond (1998) dalam Baltagi (2005) menunjukkan bahwa
penduga AB-GMM dapat terkendala oleh bias sampel terbatas, terutama ketika jumlah periode amatan yang tersedia relatif kecil. Hal ini menekankan perlunya perhatian sebelum menerapkan metode ini untuk mengatasi model autoregresif dengan jumlah deret waktu yang relatif kecil. Keberadaan bias sampel terbatas dapat dideteksi dengan mengkomparasi hasil AB-GMM dengan penduga alternatif dari parameter autoregresif. Dalam AR(1), pooled least square akan memberikan suatu estimasi dengan bias yang ke atas (biased upward) dengan keberadaan pengaruh individu (individual-specific effect). Di sisi lain fixed effect akan
memberikan dugaan dengan bias yang ke bawah (biased downward).
Selanjutnya penduga konsisten dapat diekspektasi di antara penduga pooled least square atau fixed effect. Bila penduga AB-GMM dekat atau dibawah penduga fixed effect maka kemungkinan penduga AB-GMM akan biased downward, yang kemungkinan dapat disebabkan oleh lemahnya instrumen.
System GMM (SYS-GMM)
Ide dasar dari penggunaan metode System GMM adalah untuk mengestimasi sistem persamaan baik pada first difference maupun pada level yang mana instrumen yang digunakan pada level adalah lag first-difference dari deret.
Blundell dan Bond (1998) dalam Baltagi (2005) menyatakan pentingnya
pemanfaatan initial condition dalam menghasilkan penduga yang efisien dari model data panel dinamis ketika berukuran kecil. Misalkan diberikan model autoregresif panel data dinamis tanpa regresor eksogenus sebagai berikut:
3.62
[
]
3.63
dengan kondisi momen derajat kedua dapat dinyatakan sebagai:
3.64
dimana . Dalam hal ini, Blundel dan Bond (1998) memfokuskan pada , oleh karenanya hanya terdapat satu kondisi ortogonal yang diberikan oleh sedemikian sehingga dapat teridentifikasi (just identified). Dalam kasus ini, tahap pertama dari regresi variabel instrumen diperoleh dengan meregresikan dan . Perhatikan bahwa regresi ini dapat diperoleh dari persamaan (3.42) yang dievaluasi pada saat dengan mengurangi kedua ruas persamaan tersebut, menjadi:
3.65
Dikarenakan ekspektasi maka akan bias ke atas (upward biased) dengan:
( ̂ ) 3.66
dengan . Bias dapat menyebabkan koefisien estimasi dari variabel instrumen mendekati nol. Selain itu, nilai statistik-F dari regresi variabel instrumen tahap pertama akan konvergen ke dengan parameter non-centrality.
( ) , dengan 3.67
Karena maka penduga variabel instrumen menjadi lemah. Di sini, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari penduga first difference GMM dengan masalah lemahnya instrumen yang mana hal ini dicirikan dari parameter konsentrasi .
Data Generating Process
Pendekatan Kointegrasi
Uji kointegrasi dilakukan untuk menguji apakah variabel-variabel yang tidak stationer pada data level terkointegrasi antara satu variabel dengan variabel yang lain. Kointegrasi ini terbentuk apabila kombinasi antara variabel-variabel yang tidak stationer menghasilkan variabel yang stationer. Apabila terdapat persamaan sebagai berikut:
3.68
maka, varian dari persamaan tersebut dapat ditulis menjadi:
3.69
dengan catatan bahwa et merupakan kombinasi linear dari x1 dan x2.
