• Tidak ada hasil yang ditemukan

Materi Ekonometrika untuk S1

N/A
N/A
Protected

Academic year: 2017

Membagikan "Materi Ekonometrika untuk S1"

Copied!
29
0
0

Teks penuh

(1)
(2)

Tidak diidentifikasikan

(Underidentified)

Contoh:

Model Permintaan dan penawaran

fungsi permintaan

Qt = α0 + α1Pt + u1t fungsi penawaran

Qt = α0 + β1Pt + u2t

(3)

Didapatkan

Dimana

(4)

Masukkan Pt ke dalam fungsi permintaan

Dimana

(5)

Model permintaan dan penawaran

memiliki 4 koefisien struktural yaitu 0,

1, 0 dan 1, tetapi tidak ada cara yang unik untuk menaksirnya karena

(6)

Identifikasi tepat

Misalkan model permintaan dan

penawaran adalah sebagai berikut: Fungsi permintaan

Fungsi penawaran

Dimana I adalah pendapatan

konsumen yang merupakan variabel eksogen

(7)

Dalam kondisi keseimbangan =

Sehingga didapatkan

Dimana dan

(8)

Masukkan Pt yang didapat ke fungsi

permintaan atau penawaran, sehingga didapatkan

Dimana

(9)

Terdapat lima koefisien struktural yaitu 0, 1, 2, 0, dan 1 tetapi koefisien reduksi ada

empat yaitu H0, H1, H2 dan H3 sehingga penyelesaian unik darii semua koefisien struktural tidak mungkin.

Namun parameter dari fungsi penawaran dapat diidentifikasi karena

Tetapi parameter dari fungsi permintaan tidak dapat ditaksir atau tidak dapat diidentifikasi

(10)

Misalkan Fungsi permintaan

Fungsi penawaran

Dalam keseimbangan pasar didapatkan =

didapatkan

(11)

Dimana ,

,

(12)

Masukkan harga keseimbangan ke fungsi permintaan atau penawaran

Dimana ,

,

(13)

Terdapat 6 koefisien struktural yaitu 0,

1, 2, 0, 1, dan 2 dan 6 koefisien reduced form yaitu

(14)

Terlalu diidentifikasi

Misalkan

Fungsi permintaan

Dengan menyamakan permintaan dan penawaran, didapatkan harga dan

kuantitas keseimbangan sebagai berikut:

(15)

Dimana , ,

, ,

(16)

Terdapat tujuh koefisien struktural tetapi terdapat delapan koefisien bentuk reduksi

(banyaknya persamaan lebih banyak daripada banyaknya parameter)

Dapat ditunjukkan terdapat 2 nilai 1 ,

(17)

Aturan untuk Identifikasi

Notasi :

M = banyaknya variabel endogen dalam model

m = banyaknya variabel endogen dalam suatu persamaan

K = banyaknya variabel yang

ditetapkan lebih dulu dalam model k = banyaknya variabel yang

(18)

Kondisi Derajat dari

Identifikasi

Suatu kondisi yang perlu dari identifikasi adalah sebagai berikut:

Dalam suatu model M persamaan simultan, agar

suatu persamaan diidentifikasikan, persamaan tadi harus tidak memasukkan sekurang – kurangnya M – 1 variabel(endogen maupun variabel yang

(19)

Definisi lain:

Dalam suatu model dari M persamaan simultan, agar suatu persamaan diidentifikasikan, banyaknya

variabel yang ditetapkan lebih dulu yang dikeluarkan dari persamaan harus tidak kurang dari banyaknya

variabel endogen yang dimasukkan dalam persamaan kurang satu; yaitu

K - k ≥ m – 1

Jika K – k = m – 1, persamaan tadi tepat diidentifikasi Jika K – k > m – 1, persamaan tadi terlalu

(20)

Contoh 1.

fungsi permintaan

Qt = α0 + α1Pt + u1t fungsi penawaran

Qt = α0 + β1Pt + u2t

Mempunyai dua variabel endogen dan tidak ada variabel predetermined.

Supaya diidentifikasi, persamaan harus tidak memasukkan sekurang – kurangnya M – 1 = 1 variabel

(21)

Contoh 2.

Fungsi permintaan

Fungsi penawaran

Terdapat dua variabel endogen yaitu Qt dan Pt Fungsi permintaan tak diidentifikasi

Fungsi penawaran diidentifikasi karena tidak memasukkan satu variabel yaitu It

(22)

Contoh 3.

Fungsi permintaan

Fungsi penawaran

Fungsi permintaan tidak memasukkan 1 variabel yaitu Pt-1

Fungsi penawaran tidak memasukkan 1 variabel yaitu It

Kedua persamaan diidentifikasi

(23)

Contoh 4.

Fungsi permintaan

Fungsi penawaran

Fungsi permintaan tidak memasukkan 1 variabel Pt-1 => diidentifikasi

Fungsi penawaran tidak memasukkan 2

variabel yaitu It dan Rt => terlalu diidentifikasi

(24)

Rank Conditions

Identifikasi melalui order condition hanya

merupakan prasyarat dasar tetapi belum merupakan prasyarat cukup (sufficient

condition).

Melalui metode rank condition bisa memenuhi kedua prasyarat identifikasi persamaan simultan

Istilah rank berasal dari terminology di dalam

matrik.

Rank dari matrik merujuk kepada square

submatrix order paling besar yang mempunyai

determinan tidak sama dengan nol.

(25)

Kondisi tingkat identifikasi(Rank

Condition of Identification)

Dalam suatu model M persamaan dalam M variabel endogen, suatu

persamaan diidentifikasikan jika dan hanya jika sekurang – kurangnya satu penentu tidak nol dari ordo (M-1)(M-1) dapat dibentuk dari koefisien variabel (baik endogen dan predetermined)

yang tidak dimasukkan dari

persamaan tertentu tadi tetapi

(26)

Ilustrasi

Misalnya ada persamaan simultan sebagai berikut :

(27)

Persa maan

koefisien

1 Y1 Y2 Y3 Y4 X1 X2 X3

1 - 10 1 -12 -13 011 0 0

2 -20 0 1 -23 02122 0

3 -30 -31 0 1 0 -β31 -Β32 0

(28)

• Untuk mengetahui apakah persamaan 1 teridentifikasi atau tidak maka harus mencari matrks order 3x3 dari koefisien yang tidak ada dalam persamaan 1 tetapi ada di persamaan yang lain dan kemudian dicari determinannya.matriks tersebut adalah sebagai berikut:

0 -β22 0

A = 0 - β32 0

1 0 - β43

• Determinan matriks A ini adalah 0, yang artinya tidak memenuhi rank condition sehingga persamaan ini tidak teridentifikasi

(29)

Prinsip Umum Identifikasi

1. Jika K – k > m – 1 dan rank dari matriks A adalah M – 1, persamaan tsb terlalu diidentifikasi

2. Jika K – k = m – 1 dan rank dari matriks A adalah M – 1, persamaan tsb tepat diidentifikasi

3. Jika K – k ≥ m – 1 dan rank matriks A adalah kurang dari M – 1, persamaan tsb kurang

diidentifikasi

4. Jika K – k < m – 1, persamaan tsb tidak

Referensi

Dokumen terkait

 Tinggi tubuh anak laki-laki dipengaruhi oleh umur,.

 2 sampel berukuran 10 keluarga yang diambil dari populasi.

Pendapatan

 Peubah dummy digunakan untuk memperoleh informasi yang.

 Penduga secara keseluruhan tetap dapat dipakai walaupun penduga secara individu relatif kurang efisien dan tidak signifikan..

 Model lebih sering dinyatakan ‘a good fit’ daripada hubungan

ukuran sampel kecil penduga NLS tidak menyebar normal, tidak bias dan tidak mempunyai ragam kecil.  Hasil pengujian di output

berupa sampel acak dari populasi yang lebih besar, RE model lebih tepat.  Gunakan peduga RE (Random