Professional Documents
Culture Documents
1. PEMBUATAN MODEL
Persamaan simultan merupakan persamaan yang terdiri dari lebih dari satu persamaan,
dimana salah satunya merupakann persamaan identitas, sedangkan persamaan lainnya merupakann
persamaan struktural. Persamaan identitas merupakann persamaan yang sudah pasti karena tidak
melibatkan variabel error di dalamnya. Sedangkan persamaan struktural sendiri merupakann
persamaan yang di dalamnya terdapat faktor error, dan persamaan ini merupakann persamaan yang
akan diuji dengan menggunakan analisa 2-stage least square (2 SLS). Kita memiliki contoh kasus
berikut dimana persamaan strukturalnya adalah persamaan Dt; PRODGt; PDGt. Perlu diketahui pula
elemen-elemen penyusun persamaan simultan ini, antara lain adalah,
1. Variabel eksogen adalah variabel yang hanya bersifat mempengaruhi variabel lain baik di
dalam seluruh persamaan yang menyusun suatu model ekonomi. Dengan kata lain variabel
eksogen ini adalah variabel independen sesungguhnya, baik di satu persamaan maupun di
persamaan lainnya dalam model dan bersifat non stokastik (pasti). Model ekonomi sendiri
dalam hal ini terdiri dari beberapa persamaan struktural dan persamaan identitas seperti pada
contoh kasus di bawah ini. Contoh dalam kasus ini adalah variabel POPt; It; Dt-1; Lt; PDVt;
PWGt; NTt; IMGt; PDGt-1 (kita juga menganggap variabel lagged endogen sebagai variabel
eksogen karena nilainya telah ditetapkan sebelumnya)
2. Variabel endogen merupakan variabel yang dicoba untuk dicari nilainya berdasarkan
persamaan matematis yang ada. Variabel ini dalam model ekonomi (dalam sistem persamaan
simultan) dapat saja menjadi variabel yang mempengaruhi variabel endogen lainnya dalam
satu persamaan, dan atau secara simultan (bersamaan) juga dapat juga dipengaruhi oleh
variabel-variabel lainnya pada persamaan lain yang masih dalam satu model ekonomi tadi
(masih dalam satu sistem persamaan simultan yang sama). Contoh dalam kasus ini adalah
Dt; PRODGt; PDGt. (penjelasannya: variabel PDGt merupakan variabel endogen yang
bersifat mempengaruhi dan dipengaruhi, sedangkan variabel Dt dan PRODGt hanya bersifat
dipengaruhi saja namun tetap masuk dalam klasifikasi variabel endogen)
3. Variabel lagged endogen merupakan variabel endogen di masa lampau, sehingga nilainya
sudah diketahui sebelumnya. Biasanya variabel ini ditandai dengan adanya subscript (t-1)
pada variabel endogennya. Contoh dalam kasus ini adalah variabel PDGt-1 dan Dt-1.
4. Variabel lagged eksogen yang penjelasannya beranalogi sama dengan variabel lagged
endogen. Juga dicirikan dengan adanya subscript (t-1) pada variabel eksogennya. Sayangnya
Excel
Dianalisis
atau
Kesimpulan
Model dapat dikatakan memprediksi realita atau tidak.
Pada model yang telah kita buat di atas kita sudah membuat perkiraan persamaan matematis
sebagai berikut,
Dt =α0 +β1 POP t +β1 I t +β2 PDG t +β3 Dt−1 +μ
PRODG t =α0 +β1 PDG t +β2 Lt +β3 PDV t +μ
PDG t=α0 +β1 PWG t +β2 NT t +β3 IMG t +β4 PDG t−1 +μ
S t =Dt
Analisa 2SLS hanya dapat dilakukan pada persamaan yang masuk dalam klasifikasi Exactly
Identified atau Over Identified. Selain klasifikasi itu, analisa 2SLS tidak dapat dilakukan.
Klasifikasi ini mengikuti aturan berikut:
Over Identified jika K-k > m-1
Exactly Identified jika K-k = m-1
Under Identified jika K-k < m-1
dimana,
• K adalah jumlah jenis variabel yang ada dalam model, baik itu di persamaan
struktural maupun di persamaan identitas (variabel yang sama dalam satu
persamaan di persamaan lainnya hanya dihitung sekali).
• k adalah jumlah seluruh variabel pada masing-masing persamaan yang diuji
order condition-nya (termasuk variabel independennya).
• m adalah banyaknya persamaan yang terdapat dalam model yang diuji,
termasuk persamaan identitas.
Seluruh persamaan struktural yang ada dalam model ini masuk dalam klasifikasi Over
Identified, sehingga langkah berikutnya adalah melakukan regresi 2SLS untuk menentukan nilai
konstanta dan koefisien pada masing-masing persamaan.
3. REGRESI 2SLS
Regresi 2SLS ini kita lakukan dengan menggunakan SPSS. Berikut adalah langkahnya:
1. Copy data dari Excel ke SPSS. Data “tahun” tidak perlu dimasukkan dalam SPSS.
2. Rubah nama variabel sesuai dengan nama aslinya pada Excel. Dapat dilakukan pada sheet
“variable view”. Dan pastikan kolom “measure” variabel tersebut berupa “scale”; dan pada
kolom “type” berupa “numeric”.
3. Tahap berikutnya merupakann tahap regresi 2SLS pada masing-masing persamaan struktural
dalam model. Pada kasus ini, terdapat tiga persamaan struktural dalam model. Sehingga kita
melakukan analisa 2SLS sebanyak tiga kali.
a) Klik menu “Analyze” --> “Regression” --> “2-stage least squares”
b) Pada kolom “Dependent”, masukkan variabel dependen pada persamaan yang dianalisa.
Sebagai contoh, jika kita menganalisa persamaan Dt, maka variabel Dt yang kita
masukkan dalam kolom tersebut.
c) Pada kolom “Explanatory”, masukkan varibel penjelas atau yang biasa kita sebut sebagai
variabel independen dalam persamaan yang dianalisa. Contoh, jika menganalisa
persamaan Dt, maka variabel penjelasnya adalah PDGt; POPGt; It; Dt-1.
d) Pada kolom “Instrumental”, masukkan seluruh variabel yang ada dalam model, kecuali
Nilai “multiple R” atau biasa disebut “multiple correlation coefficient” adalah 0.754;
menunjukkan bahwa tingkat korelasi (kesesuaian) data prediksi terhadap data aktual
mencapai 75.4%.
Sedangkan nilai “R square” atau disebut juga sebagai “coefficient of determination”
merupakan nilai kuadrat dari multiple R, menunjukkan 0.569; berarti variabel
independen dalam persamaan ini mampu menjelaskan variabel dependen dalam
persamaannya sebesar 56.9%, sedangkan sisanya dijelaskan oleh variabel diluar
persamaan.
b) Pada tabel “ANOVA”
Cukup perhatikan nilai Signifikansinya, yaitu 0.007. Ini menunjukkan bahwa tingkat
kesalahan mencapai 0.7%; sedangkan sisanya sebesar 99,3% merupakan tingkat
kepercayaan pada persamaan ini, sehingga persamaan ini dinyatakan signifikan. Batas
toleransi kesalahan pada analisa sosial khusus untuk tabel ANOVA adalah 5% atau setara
dengan 0.05, nilai signifikansi (kesalahan) yang mencapai lebih dari 5% atau 0.05
dinyatakan tidak memiliki pengaruh nyata. Kecuali jika di bawah tabel ANOVA
ditemukan adanya notifikasi seperti berikut: “Significance at .....(angka desimal)” maka
kita memakai batas toleransi tersebut, bukan 0,05.
c) Pada tabel “Coefficients”
Perbandingan data aktual dengan data prediksi dapat dilakukan menggunakan Excel ataupun
SPSS. Berikut dijelaskan penggunaannya pada masing-masing software berikut.
Menggunakan Excel
1. Buka data Excel yang telah kita miliki tadi dan buat tabel seperti berikut ini pada sheet
lainnya.
AKTUAL PREDIKSI
Tahun
Dt PRODGt PDGt St Dt PRODGt PDGt St
1985 .... .... .... .... Hasil Hasil hitungan ...dst ...dst
hitungan Persamaan
Persamaan PRODGt
Dt
1986 .... .... ..... .... .... .... .... ....
....dst.
Average
3. Masukkan data nilai variabel-variabel yang ada pada sheet kerja tadi sesuai dengan
kolomnya masing-masing (dapat dilakukan dengan copy-paste) pada kolom variabel
“Aktual”.
4. Pada kolom variabel “Prediksi”, masukkan persamaan matematis yang sudah kita buat
sebelumnya pada kolom masing-masing variabel yang bersesuaian. Sebagai contoh, untuk
mencari nilai variabel Dt pada kolom “Prediksi” “Dt” ini, kita sudah punya rumus
D t =−6.009E6+ 63.212 POP t−6.449 I t−786.267 PDG t +0.29 Dt −1 +μ
Maka, kita cara kita memasukkan rumus tersebut dalam kolom variabel Dt adalah dengan
menggunakan notasi matematis yang dikenali oleh EXCEL, yaitu “=-6.009+(63.212*Nama
Cell data terkait dalam Excel, yaitu data variabel POPt)-(6.449* Nama Cell data terkait
dalam Excel, yaitu data variabel It)-(786.267* Nama Cell data terkait dalam Excel, yaitu
data variabel PDGt)+(0.29* Nama Cell data terkait dalam Excel, yaitu data variabel Dt-1).
Lalu klik Enter.
5. Blok persamaan ini kebawah agar formula ini dapat dikerjakan dengan cepat untuk data-data
variabel Dt pada rentang waktu yang lain.
6. Masukkan kembali persamaan matematis yang telah kita buat untuk dua kolom variabel
dependen lainnya pada kolom “Prediksi” ini dan lakukan langkah yang sama seperti pada
langkah 4 dan 5.
7. Pada baris “Average” dalam tabel di atas, masukkan fungsi pencari rata-rata untuk masing-
masing variabel yang ada pada kolom “Aktual” dan “Prediksi” dengan mengetikkan
“=AVERAGE(Blok nilai variabel dari data paling atas hingga paling bawah)”. Lakukan hal
ini juga untuk kolom variabel-variabel disebelahnya.
8. Sekarang bandingkan nilai antara rata-rata data “Aktual” dengan rata-rata data “Prediksi”.
Jika selisih antara nilai-nilai tersebut mendekati nol, maka persamaan yang kita buat tadi
dianggap mampu untuk memprediksi keadaan nyata di lapang karena hampir bersesuaian
Analisis perbandingan data aktual dengan data prediksi juga dapat dilakukan dengan
menggunakan SPSS. Berikut adalah caranya,
1. Buka sheet kerja “Data View” pada SPSS dimana kita telah memiliki seluruh data aktual
(dari file Excel yang sudah dipindah ke SPSS) termasuk 3 kolom data nilai variabel
“Pred....”.
2. Klik Analyze --> Descriptive Statistics --> Frequencies.
3. Pada kolom “Variable”, masukkan semua variabel dependen yang kita buatkan
persamaannya tadi termasuk tiga variabel “Pred...” tadi, dan jangan masukkan variabel
dependen dari persamaan identitas karena kita tidak pelu membandingkan data dari variabel
dependen ini.
4. Klik Statistics --> dan centang “Mean” --> Continue
5. Klik OK
6. Maka akan muncul tampilan tabel berikut, dan mulai lakukan analisa.
Untuk melakukan analisis kita dapat melihat baris “Mean” pada tabel “Statistics” seperti
tampak pada contoh di atas. Silakan bandingkan nilai “Mean” masing-masing variabel tersebut
dengan nilai “mean” pada variabel-variabel Prediksi yang bersesuaian. Ketika nilai perbandingan
ini sama, atau hampir sama, maka persamaan yang kita buat untuk memprediksi variabel-variabel
dependen tersebut mampu memprediksi realita dengan baik, begitupun sebaliknya.
Catatan, figur gambar di atas terdapat kesalahan karena nilai St tidak perlu dibandingkan,
karena dia termasuk dalam persamaan identitas, sehingga tidak perlu diproses. Karena itu, tabel di
atas seharusnya tidak memunculkan perbandingan data prediksi dan data aktual variabel St.