ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL DENGAN PENDEKATAN REGRESI DATA PANEL YOVITA CHANDRA

(1)

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL

FLIGHT DENGAN PENDEKATAN REGRESI

DATA PANEL

YOVITA CHANDRA

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2010

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL

FLIGHT DENGAN PENDEKATAN REGRESI

DATA PANEL

YOVITA CHANDRA

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2010

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL

FLIGHT DENGAN PENDEKATAN REGRESI

DATA PANEL

YOVITA CHANDRA

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2010

(2)

Pendekatan Regresi Data Panel. Dibimbing oleh YENNI ANGRAINI dan INDAHWATI.

Capital flight merupakan semua arus modal yang keluar (capital outflow) dari negara sedang berkembang yang tidak memperhatikan latar belakang terjadinya arus modal tersebut dari dalam negeri dan jenis modal tersebut. Hampir tidak mungkin memastikan jumlah capital flight dari suatu negara, terutama bagi negara-negara yang menganut sistem devisa bebas. Oleh karena itu, metode yang lebih tepat untuk memperkirakan besarnya capital flight dari suatu negara adalah dengan melakukan estimasi. Penelitian ini dilakukan untuk mengetahui peubah-peubah yang mempengaruhi capital flight dengan pendekatan regresi data panel, karena data yang digunakan merupakan gabungan dari data time series dan data cross section. Model akhir yang digunakan dalam penelitian ini adalah model efek tetap terboboti dengan penambahan komponen autoregresif ordo 2. Peubah-peubah yang mempengaruhi capital flight adalah hutang luar negeri, investasi asing langsung, dan laju GDP dengan nilai koefisien determinasi (R2) sebesar 74.43%.

(3)

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL

FLIGHT DENGAN PENDEKATAN REGRESI

DATA PANEL

YOVITA CHANDRA

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada

Departemen Statistika

DEPARTEMEN STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2010

(4)

Nama : Yovita Chandra

NRP

: G14060104

Menyetujui :

Pembimbing I,

Yenni Angraini, S.Si, M.Si

NIP : 197805112007012001

Pembimbing II,

Ir. Indahwati, M.Si

NIP : 196507121990032002

Mengetahui :

Ketua Departemen Statistika

Fakultas Matematika dan Ilmu Pengetahuan Alam

Institut Pertanian Bogor

Dr. Ir. Hari Wijayanto, M.Si

NIP : 196504211990021001

(5)

KATA PENGANTAR

Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala berkat dan anugrah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Karya ilmiah ini berjudul ”Analisis Faktor-Faktor yang Mempengaruhi Capital flight dengan Pendekatan Regresi Data Panel”. Karya ilmiah ini penulis susun sebagai salah satu syarat untuk mendapatkan gelar Sarjana Statistika pada Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Penulis menyampaikan terimakasih kepada Ibu Yenni Angraini, S.Si, M.Si dan Ibu Ir. Indahwati, M.Si selaku dosen pembimbing yang telah memberikan bimbingan, masukan dan arahan selama penulisan karya ilmiah ini. Penulis juga mengucapkan terima kasih untuk Anita Kumala Sari, Tiara Kencana Ayu, dan Dewi Sartika atas diskusi yang telah dilakukan selama penulisan karya ilmiah ini. Dan juga, tidak lupa penulis mengucapkan terima kasih kepada teman-teman STK 43 atas kebersamaannya selama ini. Disamping itu, penulis juga mengucapkan terimakasih kepada seluruh dosen dan staf pengajar Departemen Statistika yang telah memberikan ilmu dan wawasan selama penulis menuntut ilmu di Departemen Statistika serta seluruh staf Departemen Statistika yang telah banyak membantu penulis. Ungkapan terimakasih juga disampaikan kepada kedua orang tua dan seluruh keluarga yang telah memberikan doa, kasih sayang serta dorongan yang tulus baik moril maupun materil. Semoga karya ilmiah ini dapat memberikan manfaat.

Bogor, Desember 2010

(6)

Utomo dan Ibu Lauw Keng Nio. Penulis merupakan anak kedua dari tiga bersaudara.

Tahun 2000 penulis lulus dari SDK Santa Maria Rembang, kemudian melanjutkan studi di SLTP ov Slamet Riyadi Rembang hingga tahun 2003. Selanjutnya, penulis menyelesaikan pendidikannya di SMA N 1 Rembang dan lulus pada tahun 2006. Pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor melalui jalur USMI (Undangan Seleksi Masuk IPB). Setelah satu tahun menjalani perkuliahan di TPB (Tingkat Persiapan Bersama), pada tahun 2007 penulis diterima sebagai mahasiswa Departemen Statistika, FMIPA IPB dengan mayor Statistika dan minor Ekonomi dan Studi Pembangunan.

Selama mengikuti perkuliahan, penulis aktif dalam kegiatan kepanitiaan seperti Statistika Ria 2008, Welcome Ceremony Statistics (WCS) 2009, MUKERNAS 2009, serta Pesta Sains 2009. Pada Februari – April 2010, penulis melaksanakan kegiatan praktik lapang di Perusahaan Swadaya Pandu Artha, Jakarta Utara.

(7)

DAFTAR ISI

Halaman

DAFTAR GAMBAR ... vii

DAFTAR TABEL ... vii

DAFTAR LAMPIRAN ... vii

PENDAHULUAN ... 1 Latar Belakang ... 1 Tujuan ... 1 TINJAUAN PUSTAKA ... 1 Capital flight ... 1 Data Panel ... 1

Model Umum Data Panel ... 2

Model Efek Tetap (Fixed Effect Model) ... 2

Model Efek Acak (Random Effect Model) ... 3

Uji Kausalitas Granger pada Data Panel ... 3

Uji Chow ... 4

Uji Hausman ... 4

Uji Durbin Watson pada Data Panel ... 4

METODOLOGI ... 4

Data ... 4

Metode ... 5

HASIL DAN PEMBAHASAN ... 5

Penelitian Terkait ... 5

Eksplorasi Data ... 6

Pengujian Kausalitas Granger ... 7

Uji Chow ... 7

Uji Hausman ... 7

Pendugaan Model Efek Tetap ... 8

Interpretasi Koefisien ... 9

Diagnostik Sisaan ... 9

SIMPULAN DAN SARAN ... 9

Simpulan ... 9

Saran ... 10

DAFTAR PUSTAKA ... 10

(8)

DAFTAR GAMBAR

Halaman

1 Capital flight semua negara ... 6

2 Capital flight Indonesia, Thailand, Malaysia, Philipina ... 6

3 Plot sisaan ... 9

DAFTAR TABEL

Halaman 1 Kriteria identifikasi autokorelasi ... 4

2 Hasil uji kausalitas Granger ... 7

3 Hasil uji Chow ... 7

4 Hasil uji Hausman ... 7

5 Hasil pendugaan model efek tetap ... 8

6 Hasil pendugaan dengan GLS dan White Heteroskedasticity ... 8

7 Hasil pendugaan dengan GLS dan White Heteroskedasticity, serta penambahan AR(2) ... 8

8 Koefisien regresi data panel ... 9

DAFTAR LAMPIRAN

Halaman 1 Struktur data panel ... 12

2 Grafik pergerakan capital flight dan hutang luar negeri ... 13

3 Grafik pergerakan capital flight dan investasi asing langsung ... 14

4 Grafik pergerakan capital flight dan pertumbuhan GDP (%) ... 15

5 Grafik pergerakan capital flight dan real effective exchange rate (REER) ... 16

6 Grafik pergerakan capital flight dan perbedaan suku bunga ... 18

7 Grafik pergerakan capital flight dan tingkat inflasi ... 19

8 Tabel korelasi antara Y dengan peubah bebas ... 21

9 Hasil uji kausalitas Granger ... 21

10 Pendugaan menggunakan model pool ... 22

11 Pendugaan menggunakan model efek acak ... 22

(9)

1

PENDAHULUAN

Latar belakang

Krisis ekonomi di Asia yang bermula dari krisis mata uang dan finansial pada bulan Juli 1997 menyebar ke Indonesia, Filipina, Malaysia, Korea Selatan, dan Hongkong. Krisis ini memberikan dampak yang sangat besar bagi stabilitas keamanan domestik masing-masing negara dan kawasan. Hal ini menunjukkan betapa lemahnya sistem ekonomi dan keuangan negara-negara tersebut yang sangat tergantung pada modal asing untuk mencapai pertumbuhan ekonomi yang sangat tinggi. Aliran keluar modal asing tersebut erat kaitannya dengan kepercayaan investor terhadap stabilitas kondisi di dalam negeri (Istikomah 2003).

Aliran modal keluar dari suatu negara dipengaruhi antara lain oleh tinggi rendahnya suku bunga aset finansial luar negeri, tingkat inflasi domestik, dan perubahan nilai tukar mata uang domestik. Dengan mengembang-kan penelitian dari beberapa studi empiris, faktor-faktor yang mempengaruhi pelarian modal di suatu negara yaitu nilai tukar (REER), perbedaan tingkat suku bunga negara tertentu terhadap Amerika, hutang luar negeri, tingkat pertumbuhan GDP, inflasi dalam negeri, investasi asing langsung, dan unsur ketidakpastian (Istikomah 2003). Dengan mengetahui peubah-peubah yang mempengaruhi pelarian modal (capital flight) maka dapat diduga besarnya jumlah pelarian modal yang keluar dari suatu negara.

Karena data yang akan digunakan merupakan data dari beberapa negara berkembang di Asia (Indonesia, Malaysia, Philipina, Thailand, Kamboja, Korea Selatan, Hongkong, Taiwan, dan Pakistan) dalam beberapa kurun waktu (1998-2006) maka analisis yang digunakan adalah analisis regresi data panel. Model data panel merupakan gabungan dari data time series dan data cross section. Regresi dengan menggunakan data panel memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series (Baltagi 2005). Dengan menggunakan model regresi data panel diharapkan jumlah capital flight suatu negara berkembang dapat diduga dengan baik.

Tujuan

Menerapkan model regresi data panel untuk mengetahui faktor-faktor yang berpengaruh terhadap capital flight.

TINJAUAN PUSTAKA

Capital flight

Menurut Mohsin Khan Ulhaque dalam Istikomah (2003), capital flight merupakan semua arus modal yang keluar (capital outflow) dari negara sedang berkembang yang tidak memperhatikan latar belakang terjadinya arus modal tersebut dari dalam negeri dan jenis modal tersebut. Pada umumnya modal di negara sedang berkembang kurang maka arus modal yang keluar akan menghilangkan potensi sumber daya modal yang tersedia, serta pada gilirannya menghilangkan pula potensi pertumbuhan ekonomi.

Sementara itu, Cuddington dalam Istikomah (2003) mengartikan capital flight sebagai semua arus modal keluar jangka pendek (short term capital outflow) baik yang tercatat maupun yang tidak tercatat. Arus modal keluar jangka pendek ini dapat disebabkan oleh adanya ketidakpastian situasi ekonomi atau politik di dalam negeri maupun untuk tujuan spekulasi. Hampir tidak mungkin memastikan jumlah capital flight dari suatu negara, terutama bagi negara-negara yang menganut sistem devisa bebas. Salah satu pendekatan yang digunakan untuk menduga capital flight adalah pendekatan Boyce dan Ndikumana (2002) dimana pelarian modal didefinisikan sebagai perbedaan antara aliran modal masuk dengan aliran modal keluar atau residual. Rumus penghitungannya adalah sebagai berikut:

= + − ( + ) (1.1) dimana, CF = Capital flight, H = Perubahan hutang luar negeri, B = Investasi asing langsung, A = Current Account Deficit, F = Perubahan cadangan devisa. Nilai CF yang negatif menunjukan besarnya pelarian modal yang terjadi.

Data Panel

Data panel adalah gabungan dari data time series (antar waktu) dan data cross section (antar individu/ruang). Untuk menggambar-kan data panel secara singkat, misalmenggambar-kan pada data cross section, nilai dari satu peubah atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu. Dalam data panel, unit cross section yang sama disurvei dalam beberapa waktu (Gujarati 2004). Struktur datanya dapat dilihat pada Lampiran 1.

(10)

Sebanyak N x T

Model Umum Data Panel

Model regresi data panel didefinisikan sebagai berikut (Baltagi 2005) :

= α + + (2.1)

dimana i = 1, 2, … , N ; t = 1, 2, … , T

Indeks i menunjukkan dimensi cross section dimana i merupakan rumah tangga, individu, perusahaan, negara, dll. Dan indeks t merupakan waktu yang menunjukan dimensi times series. yit adalah pengamatan ke-it, α adalah skalar, β adalah vektor berukuran K×1, dan Xitadalah objek ke-it pada peubah penjelas ke K. Model regresi data panel dibedakan menurut komponen errornya. Komponen errorn satu arah dapat didefinisikan sebagai berikut:

= + (2.2)

dimana µi merupakan pengaruh khusus dari individu yang tidak teramati, dan vit merupakan reminder stochastic disturbance. Ketika nilai µi = 0 maka model yang terbentuk adalah model pooled. Model regresi (2.1) dapat juga dituliskan dalam persamaan sebagai berikut: = + + = + (2.3) = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ ⋮ ⋮ ⋮ ⎦ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡1₁ 1 1 1 ⋮ 1⎦⎥ ⎥ ⎥ ⎥ ⎥ ⎤ = ⎣ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎢ ⎡ …_… ⋮ ⋮ ⋮ ⋮ … … … ⋮ ⋮ ⋮ ⋮ … ⋮ ⋮ ⋮ ⋮ … … ⋮ ⋮ ⋮ ⋮ … ⎦⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎥ ⎤

dimana dimensi vektor y adalah NT×1, dimensi matriks X adalah NT×K, ’=(α’,β’),

Z=( 1NT, X ) dan 1NT adalah vektor satuan

berdimensi NT. Persamaan (2.2) juga dapat dinyatakan sebagai berikut:

= + (2.4)

dimana u’=(u11,…u1T, u21,…u2T,…uN1,…uNT), = ⨂ dimana IN adalah matriks identitas berdimensi N, 1T adalah vektor satuan berdimensi T dan ⨂ merupakan hasil kali kronecker. Zµadalah matriks seleksi dari satuan dan nol atau matriks sederhana dari dummy individu yang dapat dimasukkan dalam regresi untuk menduga µ, jika asumsi parameternya tetap (fixed). P= Zµ(Z’µ Zµ)-1

Z’µ merupakan matriks proyeksi pada Zµ. P merupakan matriks yang merata-ratakan pengamatan lintas waktu untuk setiap individu, dan Q = INT– P adalah matriks yang mengandung penyimpangan dari rata-rata individu. P dan Q merupakan: (i) matriks yang simetrik dan idempotent, (ii) P dan Q saling orthogonal, (iii) Penjumlahan matriks P + Q = INT.

Model Efek Tetap (Fixed Effect Model)

Pada model efek tetap, individu yang digunakan (N) biasanya merupakan individu agregat atau misalnya jika kita hanya fokus terhadap N individu saja. Asumsi : (1) µi diasumsikan tetap sehingga dapat diduga, (2) vit menyebar Normal (0, ) bebas stokastik identik, (3) E(Xit,vit)=0, Xit saling bebas dengan vituntuk setiap i dan t.

Pendugaan parameter pada model efek tetap diduga dengan menggunakan penduga

‘Within’. Pada regresi sederhana

= α + + + (2.5) Between transformation didapatkan dengan cara merata-ratakan persamaan (2.5) untuk keseluruhan waktu.

.= α + .+ + . (2.6) Within transformation didapatkan dengan cara mengurangkan persamaan (2.5) dengan persamaan (2.6). Transformasi ini digunakan untuk menghilangkan pengaruh waktu.

− .= ( − .) + ( − .) (2.7) Model di atas dapat diduga dengan menggunakan metode kuadrat terkecil (penduga model efek tetap). Pada kenyataannya hanya β dan (α+µi) yang estimable. Hal ini dikarenakan terdapatnya batasan Σμ = 0. didapatkan dengan menyelesaikan persamaan (2.7) melalui metode kuadrat terkecil (MKT), yaitu:

(11)

3

= ( ’ ) ’ (2.8) dimana = ( _, − _., ) ; = ( _, −

., ). Dengan var = σ ( ’ ) . Nilai dan dapat dicari dengan menggunakan formula di bawah ini.

α = ..− .. (2.9)

= .− α − . (2.10) Penduga within juga dikenal sebagai least square dummy variable (LSDV), karena nilai pengamatan pada koefisien peubah µi bentuknya seperti peubah dummy. Jika persamaan (2.5) merupakan model yang sebenarnya, maka LSDV adalah best linier unbiased estimator (BLUE) sepanjang vit menyebar bsi Normal (0,σ ) .

Model Efek Acak (Random Effect Model)

Pada model efek acak, individu yang digunakan biasanya merupakan individu yang dipilih secara acak dari populasi yang besar. Asumsi : (1) µimenyebar bsi Normal (0,σ ), vit menyebar bsi Normal (0,σ ), (2) E(Xit,µi)=0 dan E(Xit,vit)=0, Xit saling bebas dengan µidan vit untuk setiap i dan t. Model regresi data panel seperti pada persamaan (2.1) dan komponen error seperti pada persamaan (2.2) mempunyai matriks ragam-peragam sebagai berikut:

= ( ’) = E( ’) ’ + E( ’) (2.11) = σ ( ⊗ ) + σ ( ⊗ )

Hal ini berimplikasi pada kehomogenan ragamvar( ) = σ + σ untuk semua i dan t. cov( , ) = σ untuk i=j≠s

Sehingga korelasi antar uijdan ujsadalah Corr( , ) = μ

μ (2.12)

Pendugaan yang konsisten didapatkan dengan menggunakan metode kuadrat terkecil. Akan tetapi hal ini membuat vit mengalami korelasi serial dan galat baku berbias. Sehingga lebih baik menggunakan pendugaan dengan Generalized Least Square (GLS). Penduga pada model efek acak diperoleh dengan mengaplikasikan metode kuadrat terkecil terhadap data yang telah ditransformasi seperti di bawah ini

( − θ .) = (1 − θ) + ( − θ .) +

{(1 − θ) + ( − θ .)} (2.13) Dimana θ = 1 −

μ

Pada umumnya nilai θ akan berada

diantara 0 dan 1. Jika E(Xit,µi)=0 hal ini akan meningkatkan efisiensi. Tapi, jika E(Xit,µi)≠0 maka hasil dari penduga model efek acak akan berbias. Derajat kebiasannya tergantung

dari besarnya θ. Jika σ_μ≫ σ maka θ akan

mendekati 1 sehingga bias dari penduga model efek acak akan kecil.

Uji Kausalitas Granger pada Data Panel

Uji kausalitas Granger digunakan untuk mengetahuiapakah terdapat hubungan kausalitas antara peubah bebas dan tak bebas.

Uji kausalitas Grangerdilakukan bermula dari ketidaktahuan keterpengaruhan antar peubah. Jika terdapat dua peubah X dan Y, maka

terdapat pertanyaan yaitu apakah X

menyebabkan Y, atau Y menyebabkan X, atau berlaku keduanya, atau tidak ada hubungan

keduanya. Jika peubah X menyebabkan

peubah Y berarti bahwa berapa banyak nilai Y pada periode sekarang dapat dijelaskan oleh nilai Y pada periode sebelumnya dan nilai X

pada periode sebelumnya Uji kausalitas

Granger hanya menguji hubungan diantara

peubah dan tidak melakukan pendugaan

terhadap model (Granger 1969). Penerapan

Uji kausalitas Grangerpada data panel dengan lag optimal p menurut Hurlin dan Venet (2003) dapat diuraikan sebagai berikut:

= + ( )+ ⋯ + ( )+

( )+ ⋯ + ( )+ (2.14)

= + ( )+ ⋯ + ( )+

( )+ ⋯ + ( )+ (2.15)

Adapun hipotesis yang diuji adalah sebagai berikut:

Ho: β1= β2= ….….= βp= 0 H1: minimal ada satu βj≠ 0

Dimana statistik ujinya sebagai berikut: ℎ =( −_{/[ ( − 2 − 1)]})/[ ( − 1)] Dimana RSS0 merupakan Restricted Sum of Square Residual yang didapatkan dari hipotesis H0 dan RSS1merupakan Restricted Sum of Square tanpa batasan apapun. Statistik uji kausalitas Granger mengikuti sebaran F dengan derajat bebas (P(N-1), NT-2NP-N), dimana P menunjukkan banyaknya lag, N menunjukkan banyaknya cross section, dan T menunjukkan banyaknya time series. Jika F-hitung lebih besar dari F-tabel, maka hipotesis nol ditolak.

(12)

Uji Chow

Uji Chow digunakan untuk mengetahui mana yang lebih baik antara intersep dan slope yang konstan (MKT) atau slope saja yang konstan (model efek tetap). Berikut adalah pengujian hipotesis menurut Baltagi (2005), yaitu:

H0 : μ1 = μ2 = μ3 = … = μN-1= 0 (model pooled)

H1: minimal terdapat satu μi≠ 0 (model efek tetap)

Dimana statistik ujinya sebagai berikut:

ℎ =( −_/( _{− − )})/( − 1)

Dimana RRSS = Restricted Residual Sums of Square, URSS = Unrestricted Residual Sums of Square

Nilai RRSS merupakan SSE pada model pooled sedangkan nilai URSS merupakan SSE pada model efek tetap. Statistik Chow Test mengikuti sebaran F dengan derajat bebas (N-1,NT-N-K). Jika nilai statistik uji F lebih besar dari F-tabel, maka hipotesis nol ditolak sehingga model yang digunakan adalah model efek tetap, begitu pula sebaliknya.

Uji Hausman

Uji Hausman digunakan untuk memeriksa model mana yang lebih efisien antara model yang kurang efisien namun konsisten (model efek tetap) dengan model yang efisien dan konsisten (model efek acak). Berikut ini adalah hipotesis yang diuji pada uji Hausman (Baltagi 2005) :

H0: E(uit| Xit) = 0 (model efek acak) H1: E(uit| Xit) ≠ 0 (model efek tetap) Dimana statistik ujinya sebagai berikut

= ( − )’ ( − ) ( − )

Dimana:

β = vektor koefisien peubah model efek tetap

b = vektor koefisien peubah model efek acak

Jika nilai statistik uji X2 lebih besar dari X2-tabel dengan derajat bebas = K, dimana K menunjukkan banyaknya peubah bebas, maka hipotesis nol ditolak sehingga model yang lebih baik digunakan adalah model efek tetap, begitu pula sebaliknya.

Uji Durbin Watson pada Data Panel

Uji Durbin Watson digunakan untuk mendeteksi terjadinya pelanggaran asumsi autokorelasi (Gujarati 2004). Berikut ini adalah pengujian hipotesis Durbin Watson

pada data panel (Born dan Breitung 2010) yaitu:

H0: ρ = 0 (tidak terdapat autokorelasi) H1: ρ ≠ 0 (terdapat autokorelasi) Dimana statistik ujinya sebagai berikut:

DW =∑_∑ ∑ (_{∑ (}, − ,( ))

, − ̅ )

Kriteria identifikasi terdapatnya autokorelasi dapat dilihat pada Tabel 1.

Tabel 1 Kriteria identifikasi autokorelasi Nilai Durbin Watson Kesimpulan

4-dL < DW < 4 Tolak H_{autokorelasi negatif}0, terdapat 4-dL < DW < 4-dU

Hasil tidak dapat disimpulkan

dU < DW < 4-dU

Terima H0, tidak ada autokorelasi

dL < DW < dU

Hasil tidak dapat disimpulkan 0 < DW < dL Tolak H0, terdapat autokorelasi positif

METODOLOGI

Data

Data yang digunakan dalam penelitian ini merupakan data sekunder yang dikumpulkan dari beberapa sumber. Data diperoleh dari Asian Development Bank (www.adb.org), Bank Dunia (www.worldbank.org),

www.federalreserve.gov, dan www.index mundi.com/malaysia/inflation_rate_%28cons umer_prices%29.html. Data yang digunakan adalah data dari 9 negara asia yaitu: Indonesia, Malaysia, Philipina, Thailand, Kamboja, Korea Selatan, Taiwan, Hongkong, dan Pakistan dari tahun 1998 sampai tahun 2006. Adapun peubah yang digunakan:

1. Real effective exchange rate (REER) 2. Tingkat suku bunga dalam negeri 3. Tingkat suku bunga US

4. Hutang luar negeri 5. Pertumbuhan ekonomi 6. Tingkat inflasi

7. Investasi asing langsung (FDI) 8. Cadangan devisa

9. Current account defisit

Sedangkan pendefinisian peubah yang digunakan:

Y = Capital flight pendekatan Boyce dan Ndikumana

(13)

5

X2 = Investasi asing langsung X3 = Tingkat pertumbuhan GDP X4 = REER

X5 = Perbedaan suku bunga dalam negeri dan US

X6 = Tingkat Inflasi

Pendefinisian peubah Y dengan pendekatan Boyce dan Ndikumana (2002) adalah sebagai berikut:

= + − ( + )

Dimana Z1, Z2, Z3, dan Z4 adalah sebagai berikut:

Z1 = Perubahan hutang luar negeri Z2 = Investasi asing langsung Z3 = Perubahan cadangan devisa Z4 = Current account defisit

Metode

Langkah-langkah yang dilakukan dalam penelitian ini adalah:

1. Melakukan eksplorasi data 2. Melakukan uji kausalitas Granger

Uji kausalitas Granger dalam penelitian ini digunakan sebagai penyaringan peubah yang akan dimasukkan pada regresi data panel.

3. Melakukan regresi data panel :

1. Pendugaan dengan model efek tetap. 2. Uji Chow (Pool vs model efek tetap).

(a). Jika Ho diterima, maka model pool (MKT). (selesai sampai disini).

(b). Jika Ho ditolak, maka model efek tetap. (teruskan langkah 3) 3. Pendugaan dengan model efek acak. 4. Uji Hausman (model efek acak vs

model efek tetap).

(a). Jika Ho: diterima, maka model efek acak (selesai sampai disini). (b). Jika Ho: ditolak, maka model efek

tetap (lanjutkan langkah 5) 5. Uji asumsi : Heteroskedastisitas.

Melakukan GLS. Indikasi terjadinya heteroskedastisitas adalah dengan membandingkan Sum Square Residual pada Weighted Statistics dengan Sum Squared Residual Unweighted Statistics. Jika Sum Square Residual pada Weighted Statistics < Sum Squared Residual Unweighted Statistics, maka telah terjadi heteroskedastisitas. Hal ini dikarenakan model yang telah diboboti memberikan hasil yang lebih baik daripada model yang tidak diboboti. Perlakuan untuk pelanggaran tersebut adalah dengan mengestimasi

GLS menggunakan White Heteros-cedaticity.

6. Uji asumsi : Autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi dapat dilakukan uji Durbin Watson (DW), yaitu dengan membandingkan nilai Durbin Watson dari model dengan tabel Durbin Watson. Perlakuan untuk pelanggaran tersebut adalah dengan menambahkan peubah AR pada model.

7. Intepretasi model 8. Diagnostik sisaan

HASIL DAN PEMBAHASAN

Penelitian Terkait

Spesifikasi model menurut Istikomah

(2003) adalah sebagai berikut:

= ( , , , , , , )

Berdasarkan spesifikasi model di atas, peubah hutang luar negeri (X1) dapat berpengaruh secara positif atau negatif terhadap capital flight dan dinyatakan dalam juta dollar AS. Arah hubungan investasi asing langsung (X2) terhadap capital flight dapat berhubungan secara positif atau negatif. Laju GDP (X3) merefleksikan kinerja ekonomi dari tahun ke tahun dan dinyatakan dalam persen. Semakin tinggi laju GDP semakin rendah tingkat capital flight. REER (X4) berpengaruh secara negatif terhadap capital flight dan dinyatakan dalam indeks persentase. Jika perbedaan suku bunga dalam dan luar negeri (X5) makin membesar diperkirakan akan mampu menarik arus modal masuk sehingga nilai capital flight akan berkurang. Tingkat Inflasi (X6) memberikan pengaruh yang searah terhadap capital flight, semakin tinggi tingkat inflasi maka makin besar capital flight yang terjadi. Serta, dummy kestabilan politik (d1) digunakan sebagai penilai kondisi kestabilan politik.

Istikomah (2003) melakukan penelitian mengenai analisis faktor-faktor yang mempengaruhi capital flight di Indonesia (periode kuartal I 1990 s.d. kuartal IV 2000). Dari ke-7 peubah bebas diatas, yang berpengaruh nyata terhadap capital flight pada taraf nyata 10% adalah investasi asing langsung (FDI), laju GDP, REER, inflasi dalam negeri, perbedaan suku bunga Indonesia-Amerika, serta dummy kondisi politik. Selama periode yang diamati tingkat inflasi dan investasi asing langsung

(14)

mempunyai pengaruh yang positif terhadap capital flight, sedangkan peubah REER, perbedaan suku bunga Indonesia-Amerika, hutang luar negeri, laju GDP, dan dummy kondisi politik berpengaruh secara negatif terhadap capital flight di Indonesia.

Hutasoit (2006) melakukan penelitian mengenai analisis faktor-faktor yang mempengaruhi capital flight di Indonesia dalam periode 1990 s.d. 2004. Dalam penelitiannya, Hutasoit (2003) memasukkan peubah kurs, tingkat inflasi, suku bunga SBI, dan dummy kondisi kestabilan politik. Semua peubah yang dimasukkan ke dalam model berpengaruh nyata pada taraf nyata 10%. Selama periode yang diamati kurs, tingkat inflasi dan dummy kondisi kestabilan politik mempunyai pengaruh yang positif terhadap capital flight, sedangkan suku bunga SBI berpengaruh secara negatif terhadap capital flight di Indonesia.

Eksplorasi Data

Eksplorasi data dapat dilihat pada Gambar 1 dan Gambar 2. Pada Gambar 1 dapat dilihat capital flight dari 9 negara. Pelarian modal terbesar pada tahun 1998 terjadi pada negara Korea Selatan sebesar 69.221 juta dollar AS. Pada Gambar 2 dapat dilihat capital flight dari negara Indonesia, Malaysia, Thailand, dan Philipina.

Gambar 1 Capital Flight semua negara Empat negara tersebut merupakan negara yang terkena dampak pada saat terjadinya krisis ekonomi pada tahun 1997. Dapat dilihat pada Gambar 2 bahwa negara yang mengalami capital flight terbesar pada tahun 1998 adalah Malaysia. Meskipun demikian, Malaysia merupakan negara tercepat yang pulih dari krisis ekonomi dengan menolak bantuan dari IMF.

Gambar 2 Capital Flight Indonesia, Thailand, Malaysia, dan Philipina.

Negara yang mengalami pelarian modal terbesar sampai tahun 2001 adalah Thailand. Thailand merupakan penyebab terjadinya krisis ekonomi tahun 1997. Hal ini terjadi karena jatuhnya nilai Bath yang terpukul oleh serangan spekulasi besar. Besarnya capital flight yang terjadi adalah 68.751 juta dollar AS. Capital flight terbesar kedua (setelah Thailand) terjadi pada Indonesia dengan pelarian modal sebesar 47.526 juta dollar AS

Faktor-faktor yang mempengaruhi terjadinya capital flight dapat dilihat secara deskriptif pada Lampiran 2 sampai Lampiran 7. Pada Lampiran 2 dapat dilihat dengan jelas bahwa cenderung terdapat hubungan yang positif antara pergerakan capital flight dengan pergerakan hutang luar negeri. Nilai capital flight yang negatif menunjukan besarnya modal yang keluar. Hampir pada semua negara pergerakan capital flight memiliki hubungan yang positif dengan hutang luar negeri. Pergerakan capital flight mempunyai pola yang sama dengan pergerakan hutang luar negeri (Lampiran 2). Hal tersebut dapat dilihat juga dari tabel korelasi pada Lampiran 8. Dengan kata lain, ketika hutang luar negeri bertambah, maka jumlah modal yang keluar akan semakin rendah. Menurut Istikomah (2003), besarnya hutang luar negeri akan berpengaruh secara negatif maupun positif terhadap capital flight. Sehingga gambaran awal melalui eksplorasi data ini masih relevan dengan teori yang ada. Akan tetapi hubungan kedua peubah tersebut perlu dikaji lebih lanjut.

Lampiran 3 merupakan gambaran awal hubungan antara pergerakan capital flight dan investasi asing langsung (FDI). Hampir keseluruhan negara cenderung mempunyai hubungan yang positif antara capital flight dengan FDI kecuali negara Hongkong, Philipina, dan Korea Selatan. Dengan kata lain,ketika investasi asing langsung

(15)

7

bertambah, maka jumlah modal yang keluar akan semakin rendah. Menurut Istikomah (2003), aliran masuk dari investasi asing langsung akan mempengaruhi secara positif atau negatif terhadap capital flight.

Pada Lampiran 4, dapat dilihat bahwa pada kebanyakan negara, capital flight cenderung mempunyai hubungan yang positif dengan pertumbuhan GDP. Semakin tinggi pertumbuhan GDP akan menyebabkan jumlah modal yang keluar semakin rendah. Pada kebanyakan negara, capital flight cenderung mempunyai hubungan yang negatif dengan REER (Lampiran 5). Apabila indeks REER meningkat, maka dapat memacu pelarian modal dari dalam negeri.

Pada negara Indonesia, Hongkong, Malaysia, dan Philipina perbedaan suku bunga dalam dan luar negeri cenderung mempunyai hubungan yang positif dengan tingkat capital flight dan sebaliknya untuk negara lainnya. Hal ini dapat dilihat pada Lampiran 6. Sedangkan pada Lampiran 7 dapat dilihat bahwa sebagian besar negara cenderung mempunyai hubungan yang positif antara tingkat inflasi dan capital flight. Jadi dapat dikatakan bahwa semakin besar tingkat inflasi maka akan semakin kecil pelarian modal dari dalam negeri.

Dari hasil eksplorasi data terlihat gambaran awal hubungan antara capital flight dengan peubah-peubah yang dicurigai mempunyai pengaruh. Akan tetapi hasil tersebut perlu dikaji lebih lanjut dengan menggunakan analisis formal.

Pengujian Kausalitas Granger

Pentingnya melakukan uji kausalitas Granger ini adalah untuk menganalisis peubah mana yang terlebih dahulu mempengaruhi peubah lainnya (hubungan kausalitas antara dua peubah). Dari Tabel 2 dapat dilihat bahwa pada lag = 2 terdapat hubungan kausalitas satu arah antara peubah Y (capital flight) dengan peubah X3(laju GDP) dimana capital flight secara signifikan memiliki pengaruh terhadap laju GDP. Sedangkan untuk hubungan kausalitas dua arah pada lag = 2 terdapat antara capital flight dengan peubah hutang luar negeri (X1) dan peubah investasi asing langsung (X2). Hal ini menunjukkan bahwa capital flight dipengaruhi oleh hutang luar negeri dan jumlah investasi asing langsung dan sebaliknya.

Pada lag = 4 dapat dilihat bahwa peubah X1 (hutang luar negeri) dan X2 mempunyai hubungan kausalitas dua arah dengan Y.

Sehingga dapat dikatakan bahwa kedua peubah tersebut mempunyai hubungan timbal balik dengan peubah Y.

Tabel 2 Hasil uji kausalitas Granger

Hipotesis nol Lag

2 4 Y → X1 X1→ Y v v v v Y → X2 X2→ Y v v v v Y → X3 X3→ Y - -v -Y → X4 X4→ Y - v - -Y → X5 - -X5→ Y - -Y → X6 - -X6→ Y -

-*`v`: nyata pada taraf nyata 10%

Selain itu, dapat dilihat juga bahwa peubah Y mempunyai hubungan kausalitas satu arah dengan peubah X4, dimana REER secara signifikan mempunyai pengaruh terhadap jumlah pelarian modal. Dari hasil uji kausalitas Granger pada lag 2 dan lag 4 maka peubah yang akan dimasukkan kedalam model adalah peubah X1, X2, X3, dan X4.

Uji Chow

Sebagai dasar pertimbangan dalam pemilihan model efek tetap atau model pooled, maka dilakukan pengujian statistik melalui uji Chow. Hasil uji Chow dapat dilihat pada Tabel 3. Pada Tabel 3 diperoleh nilai F hitung sebesar 1.76 dengan nilai p

sebesar 0.0999 < α = 10%. Dengan demikian,

untuk sementara dapat disimpulkan model pada penelitian ini adalah model efek tetap. Pendugaan dengan menggunakan model pooled dapat dilihat pada Lampiran 10. Tabel 3 Hasil uji Chow

Effects Test F-hit db nilai p Cross-section F 1.76 (8,68) 0.0999

Uji Hausman

Dalam menentukan pilihan antara model efek tetap atau model efek acak maka perlu dilakukan pengujian statistik melalui uji Hausman. Hasil uji Hausman dapat dilihat pada Tabel 4.

Tabel 4 Hasil uji Hausman

Test Summary X2hit db nilai p Cross-section

(16)

Pada hasil uji Hausman, diperoleh nilai X2hitung sebesar 9.93 dengan nilai p sebesar

0.0416 < α = 10%. Dengan demikian, model

yang digunakan pada penelitian ini adalah model efek tetap. Pendugaan dengan menggunakan model efek acak dapat dilihat pada Lampiran 11.

Pendugaan Model Efek Tetap

Hasil pendugaan dengan menggunakan model efek tetap dapat dilihat pada Tabel 5. Menurut hasil dugaan persamaan dengan menggunakan metode efek tetap diperoleh nilai R2sebesar 33.73%. Dari hasil ini berarti tidak semua peubah bebas yang terdapat dalam persamaan mampu menjelaskan keragaman capital flight dari negara-negara berkembang. Sehingga dimungkinkan terdapat peubah-peubah lain yang lebih berpengaruh. Dari hasil pendugaan terdapat 2 peubah yang

signifikan pada α 5%, yaitu hutang luar negeri

(X1) dan laju GDP (X3).

Tabel 5 Hasil pendugaan model efek tetap Peubah Koefisien Std.Error t-hit nilai p

C 54826.45 56487.87 0.97 0.34 X1 0.34 0.11 3.21 0.00 X2 -0.48 1.57 -0.31 0.76 X3 -2570.24 1157.76 -2.22 0.03 X4 -824.56 537.02 -1.54 0.13 F-hitung 2.884697 nilai p 0002856 R2 33.73% R2adj 22.04%

Sum Squared Residual 1.10E+11 S.E. of regression 40268.09

Durbin Watson 1.778525

Dalam penelitian dengan menggunakan data cross section, dimungkinkan kecenderungan terdapatnya heteroskedas-tisitas dalam data penelitian. Untuk mengatasi terjadinya heteroskedastisitas maka perlu dilakukan tehnik pendugaan menggunakan model efek tetap dengan Weighted Least Square (WLS) atau sering disebut juga sebagai Generalized Least Square (GLS). Indikasi terjadinya heteroskedastisitas adalah dengan membandingkan Sum Square Residual pada Weighted Statistics dengan Sum Squared Residual pada Unweighted Statistics.

Pada Tabel 6, dapat dilihat bahwa Sum Square Residual pada Weighted Statistics lebih kecil dibandingkan dengan Sum Squared Residual Unweighted Statistics, maka dapat disimpulkan telah terjadi heteroskedastisitas. Untuk mengatasinya maka model yang

digunakan adalah model efek tetap yang telah diboboti dan white heteroskedasticity. Tabel 6 Hasil pendugaan dengan GLS dan

White Heteroskedasticity Weighted Statistic F-hitung 7.00912 nilai p 0.000 R2 55.30% R2adj 47.46%

Sum Squared Residual 5.59 E+10 S.E. of regression 28683.46

Unweighted Statistic

R2 27.32%

Sum squared residual 1.21E+11

Setelah menguji masalah heteroskedas-tisitas, asumsi lain yang harus dipenuhi adalah tidak adanya autokorelasi dalam model. Dengan jumlah observasi 81 dan peubah penjelas di luar konstanta sebanyak 4, didapatkan nilai dL 1.5372 dan dU 1.7438. Nilai Durbin Watson hasil pendugaan sebesar 1.16208 berada pada ( 0 < DW < dL) yaitu ( 0 < 1.16208 < 1.5372 ) yang berarti terdapat autokorelasi positif.

Tabel 7 Hasil pendugaan dengan GLS dengan White Heteroskedasticity, serta penambahan AR(2) Weighted Statistic F-hitung 9.978458 nilai p 0.000 R2 74.43% R2adj 66.97%

Sum Squared Residual 1.83E+10 S.E. of regression 19539.44

Unweighted Statistic

R2 59.31%

Sum Squared Residual 2.61E+10

Untuk mengatasi terjadinya autokorelasi maka perlu ditambahkan peubah AR (autoregresif). Penambahan AR(2) telah mengatasi terjadinya autokorelasi. Hal ini dapat dilihat dari nilai Durbin Watson hasil pendugaan sebesar 1.913123 berada pada ( dU < DW < 4-dU) yaitu (1.729 < 1.913123 < 2.254). Untuk lebih jelasnya dapat dilihat pada Tabel 7.

Menurut hasil dugaan yang diperoleh nilai R2sebesar 74.43%. Dengan kata lain, sebesar 74.43% keragaman capital flight dapat dijelaskan oleh model, sedangkan sisanya

(17)

9

dijelaskan oleh peubah lain di luar model. Hal ini diperkuat dengan peluang F hitung yang

nyata pada α=10% yaitu sebesar 0.000 yang

berarti minimal terdapat satu peubah bebas yang berpengaruh nyata terhadap peubah tak bebas sehingga model penduga sudah layak untuk menduga parameter yang ada dalam model.

Intepretasi Koefisien

Berdasarkan hasil perhitungan pendugaan dengan white heteroskedasticity, serta penambahan AR(2) tesebut diperoleh hasil persamaan untuk capital flight sebagai berikut:

= (−43275.91 + ) + 0.33 + 2.47 − 50.93 + 10.95 + , Sedangkan komponen errornya sebagai berikut:

, = 0.57 , − 0.23 , + , Persamaan di atas memiliki nilai berbeda pada konstanta yang dipengaruhi oleh efek individu ( ) yang dapat dilihat pada Lampiran 12.

Koefisien regresi data panel dapat dilihat pada Tabel 8. Peubah yang secara statistik mempengaruhi peubah capital flight dengan taraf nyata 10% adalah hutang luar negeri, investasi asing langsung, dan pertumbuhan GDP.

Tabel 8 Koefisien regresi data panel

Peubah Koefisien Std.Error t-hit nilai p C -43275.91 15120.4 -2.86 0.006 X1 0.330 0.144 2.30 0.026 X2 2.471 0.344 7.18 0.000 X3 -50.926 27.224 -1.87 0.068 X4 10.948 43.564 0.251 0.803 Vi,t-1 0.573 0.120 4.768 0.000 Vi,t-2 -0.235 0.087 -2.69 0.009 Peubah hutang luar negeri mempunyai pengaruh yang positif terhadap capital flight. Nilai koefisien regresi dari peubah hutang luar negeri sebesar 0.33 dengan nilai p sebesar 0.026. Artinya secara rata-rata, jumlah pelarian modal mengalami penurunan sebesar 0.33 juta dollar AS seiring dengan peningkatan hutang luar negeri sebesar 1 juta dollar AS, asumsi ceteris paribus. Hubungan yang yang positif mengindikasikan bahwa sejalan dengan peningkatan jumlah hutang luar negeri yang terjadi, pelarian modal justru semakin menurun.

Peubah investasi asing langsung berpengaruh secara signifikan terhadap

pelarian modal. Nilai koefisien regresi dari peubah investasi asing langsung sebesar 2.47 dengan nilai p sebesar 0.000. Artinya jika terjadi kenaikan investasi asing langsung sebesar 1 juta dollar AS maka jumlah pelarian modal akan berkurang sebesar 2.47 juta dollar AS. Semakin tinggi jumlah investasi asing langsung, maka akan semakin rendah tingkat pelarian modal.

Peubah pertumbuhan GDP berpengaruh secara signifikan terhadap pelarian modal. Nilai koefisien regresi dari peubah pertumbuhan GDP sebesar -50.926 dengan nilai p sebesar 0.0675. Artinya secara rata-rata, jumlah pelarian modal mengalami kenaikan sebesar 50.926 juta dollar AS seiring dengan peningkatan pertumbuhan GDP sebesar 1 persen, asumsi ceteris paribus. Dengan kata lain, sejalan dengan peningkatan pertumbuhan GDP yang terjadi, pelarian modal justru semakin meningkat.

Diagnostik Sisaan

Diagnostik sisaan dapat dilihat dari plot sisaan pada Gambar 3. Dalam plot tersebut dapat dilihat bahwa sisaan cenderung tidak berpola dan cenderung membentuk garis lurus. Meskipun demikian pada negara ke 8 (Hongkong) simpangan sisaannya terlihat lebih besar dibandingkan negara yang lainnya. Hal ini diduga karena capital flight Hongkong cenderung berfluktuatif dan jauh lebih besar dibandingkan negara-negara yang lain.

Gambar 3 Plot sisaan

SIMPULAN DAN SARAN

Simpulan

Model akhir regresi data panel untuk pemodelan capital flight adalah model efek tetap terboboti dengan penambahan komponen autoregresif ordo 2. Model ini

(18)

memiliki R2 sebesar 74.43%. Peubah bebas yang berpengaruh nyata terhadap capital flight adalah hutang luar negeri, investasi asing langsung (FDI), dan laju GDP.

Saran

Untuk mendapatkan model yang valid dan hasil peramalan yang lebih akurat perlu dilakukan validasi model. Selain itu dapat pula dikaji model regresi data panel dengan komponen error dua arah.

DAFTAR PUSTAKA

Baltagi BH. 2005. Econometric Analysis of Panel Data. Ed ke-3. Chichester: John Wiley & Sons Ltd.

Born B dan Jorg B. 2010. Testing for serial correlation in fixed effects panel data models. http://www.econstor.eu/ dspace/bitstream/10419/37346/3/VfS_20 10_pid_512.pdf[15 November 2010] Boyce JK dan Leonce N. 2002. Is Africa a net

creditore? New estimate of capital flight from severely indebted Sub-Saharan african countries, 1970-1996.

http://www.umass.edu/economics /publications/econ2000-01.pdf.[20

September 2010]

Bruderl J. 2005. Panel data analyse.

www.sowi.uni-mannheim.de/isssm/ verans/panelanalyse.pdf. [20 Januari 2010]

Granger CWJ. 1969. Investigating causal relations by econometric models and cross spectral methods. Econometrica, 37: 424-438.

Gujarati D. 2004. Basic Econometrics.Ed ke-4. New York: The MacGraw-Hill Companies.

Hurlin C dan Baptiste V. 2003. Granger causality tests in panel data models with fixed coefficients.http://www.dauphine.fr /eurisco/Granger_v1.pdf. [15 November 2010]

Hutasoit VM. 2006. Analisis faktor-faktor yang mempengaruhi capital flight di Indonesia [skripsi]. Medan: Fakultas Ekonomi, Universitas Sumatera Utara. Istikomah N. 2003. Analisis faktor-faktor

yang mempengaruhi capital flight. Buletin Ekonomi Moneter dan Perbankan.Volume:6. Hal 12-31.

(19)

(20)

Lampiran 1 Struktur data panel Y X1 X2 X3 … Xk i = 1 t = 1 Y11 X111 X112 X113 X11k t = 2 Y12 X121 X122 X123 X12k t = 3 Y13 X131 X132 X133 X13k . . t = T Y1T X1T1 X1T2 X1T3 X1Tk i = 2 t = 1 Y21 X211 X212 X213 X21k t = 2 Y22 X221 X222 X223 X22k t = 3 Y23 X231 X232 X233 X23k . . t = T Y2T X2T1 X2T2 X2T3 X2Tk i = 3 t = 1 Y31 X311 X312 X313 X31k t = 2 Y32 X321 X322 X323 X32k t = 3 Y33 X331 X332 X333 X33k . . t = T Y3T X3T1 X3T2 X3T3 X3Tk . . i = N t = 1 YN1 XN11 XN12 XN13 XN1k t = 2 YN2 XN21 XN22 XN23 XN2k t = 3 YN3 XN31 XN32 XN33 XN3k . . t = T YNT XNT1 XNT2 XNT3 XNTk

(21)

13

Lampiran 2 Grafik pergerakan capital flight dan hutang luar negeri Indonesia Malaysia Thailand Philipina Taiwan Hongkong Korea Selatan Pakistan

(22)

Kamboja

Lampiran 3 Grafik pergerakan capital flight dan investasi asing langsung (FDI) Indonesia Malaysia Thailand Philipina Hongkong Korea Selatan

(23)

15

Taiwan

Pakistan

Kamboja

Lampiran 4 Grafik pergerakan capital flight dan pertumbuhan GDP (%) Indonesia

Malaysia

Thailand

(24)

Hongkong

Korea Selatan

Taiwan

Pakistan

Kamboja

Lampiran 5 Grafik pergerakan capital flight dan real effective exchange rate (REER)

(25)

17 Thailand Philipina Hongkong Korea Selatan Taiwan Pakistan Kamboja

(26)

Lampiran 6 Grafik pergerakan capital flight dan perbedaan suku bunga Indonesia Malaysia Thailand Philipina Hongkong Korea Selatan Taiwan Pakistan

(27)

19

Kamboja

Lampiran 7 Grafik pergerakan capital flight dan tingkat inflasi Indonesia Malaysia Thailand Philipina Hongkong Korea Selatan

(28)

Taiwan Kamboja

(29)

21

Lampiran 8 Tabel arah hubungan korelasi antara Y dengan peubah bebas

X1 X2 X3 X4 X5 X6 Indonesia + + - - + + Malaysia - + - + + -Thailand - + + + - + Philipina - - - + + -Korea Selatan + - + - - -Taiwan - + + - - + Pakistan + + + + - + Hongkong + - - - + + Kamboja + + + - - +

Lampiran 9 Hasil uji kausalitas Granger Lag = 2; Obs = 63

hipotesis nol F-hitung nilai p

X1does not Granger Cause Y 2.78042 0.0703

Y does not Granger Cause X1 3.57760 0.0343

X3does not Granger Cause Y 0.08280 0.9206

Y does not Granger Cause X4 0.35754 0.7009

Lag = 4; Obs = 45

hipotesis nol F-hitung nilai p

X2does not Granger Cause Y 10.8652 7.E-06

(30)

Lampiran 10 Pendugaan menggunakan model pool

variabel koefisien std. error t-hit nilai p

C 87228.80 40637.74 2.146498 0.0350 X1 0.098151 0.049217 1.994272 0.0497 X2 -0.281687 1.298462 -0.216939 0.8288 X3 -1585.637 1108.571 -1.430342 0.1567 X4 -946.7092 361.0004 -2.622460 0.0105 0.199924 R2 R2adj 0.157815 F-hitung 4.747744 nilai p 0.001792 S.E. of regression 41853.15

Lampiran 11 Pendugaan menggunakan model efek acak

variabel koefisien std.error t-hit nilai p

C 86768.20 39306.20 2.207494 0.0303 X1 0.099198 0.047714 2.079011 0.0410 X2 -0.293342 1.253988 -0.233927 0.8157 X3 -1595.238 1068.003 -1.493664 0.1394 X4 -942.6795 349.3441 -2.698427 0.0086 R2 0.198423 R2adj 0.156235 F-hitung 4.703278 nilai p 0.001912 S.E. of regression 41809.68

Lampiran 12 Efek Individu pada GLS Negara Cross Section Effect

Indonesia _-13722.19 Malaysia 4262.247 Thailand 495.2646 Philipina 18127.01 Korea Selatan -30428.88 Taiwan -12663.09 Pakistan _28126.95 Hongkong _-35583.19 Kamboja _41385.89