1 Session 6 A .Variabel Dummy 1.ndikator 2.Biner 3.Kategorik
4.KualitatiI 5.Boneka ( dikhotomi ) Contoh Variabel Dummy -: enis
Kelamin arna Kulit %ingkat PendidikanStatus perkawinanKrisis
ekonomiKenaikan Harga BBMilayah ( Kota, Pedesaan ) B. Persamaan
regresi 1.Variabel Kategoriksebagai variabel bebas 2.Variabel lain
yang numeric C Analysis of Variance ( ANOVA) ;dalah regresi yang
variabel bebasnya hanya variabel dummyatau yang siIatnya
kualitatiI. Misalnya riset marketingsegmentasi pasar : Harga Produk
Daerah tempat tinggal D1; perkotaan D0; pedesaan Pers. Reg.Y o + D
+ Dimana : Y Harga Produk u Konstanta D Dummy Variabel Rata-rata
harga produk yang bisa dipilih : Kota :E(Y/D 1) u Desa :E(Y/D 0 ) u
Bila: = 0berarti1.ada perbedaan harga antara pembeli yang tinggal
dikotadenganpedesaan 2.berbagai jenis produk mempunyai segmen pasar
yang berbeda. 2 Misalnya hasil regresi dummy sbb : Y 9,4 16 D t(
53,22 ) ( 6,245 ) R 96,54 . %aksiran ?. 1.u = 0 u 9,4 2. = 0 16.
Bila keduanya signiIikan dari hasil uji t ; rata-rata hasil produk
x yang dipilih pembeli di perkotaan adalah : 9,4 16 25,4 ribu
rupiah di pedesaan adalah 9,4 ribu rupiah esimpulan : Pembeli
diperkotaan memilih harga lebih mahal di banding dengan pembeli
yang tinggal dipedesaan. Perlu kehati-hatian dalam interpretasi ,
karena model ini menganggap Iaktor lain diangap kostant seperti;
selera,pendidikan,gaya hidup dan lainlain. D. ANCOVA.Model nalysis
oI Varianceyang regresinya terdiri dari variabel kuantitatiI dan
kalitatiI Mis. diskriminasi upah lakilaki & perempuanY Gaji
tahunan seorang dosen X Lamanya mengajar ( tahun ) G Dummy :dosen
laki-laki 1 Dosen perempuan 0 Pers. Reg.:Y o1 +o2G + X+ Dari model
inidilihat bahwa : 1.rata-ratagaji dosen perempuanu1 X 2.rata
ratagaji dosen laki-laki u1 u 2G X. mis. hasil analisis : Y
19,21+0,3736G+ 1,453 X t( 11,33 ) ( 1,141 )( 37,997 ), R 89,75 dari
uji t :1,41 ( ;ariabel G) tidak signiIikantyang berarti : rata-rata
gaji dosen laki-laki dan dosen perempuan tidak berbeda secara
signiIikanYang berpengaruh tentangtinggi rendahnyagaji dosen
laki-lakidan perempuanadalah pengalaman mengajar. 3 Y ( gaji /
thn
Dosen Laki-laki Dosen Perempua
2 1 X( Pengalaman ) ikapendeIinisiannya dibalik :S( 1 perempuan,
0 laki-laki ) Regresi.. Y uo u1 X Rata-rata gaji dosen perempuan
u1u2 X Rata-rata gaji dosen laki-laki u1 X., %erlihatbesaran
koeIisien yang berbeda ,dan koeIisien dummy akanbertanda negatiI
namun interpretasi kedua bentuk regresi akan sama . Y ( Gaji/thn
)
Dosen perempuan Dosen laki- laki d2 d1 X ( Pengalaman) 4 odel
lainregresi dummy D2 1 ; dosen laki-laki 0; dose perempuan D3 1;
dosen perempuan 0; dosen laki-laki Sehingga modelnyamenjadi :Y oo +
o1D1 + o2 D2 + X + pa yang akan terjadi bila model ini diestimasi
dengan OLS ?. Kalau kita perhatikan bahwa ada hubungan linier
antara D1 dan D2yakni D1 1D2 atau D2 1D1 , dengan demikian
terjadiperIect colinearity antara D1dan D2 sehinga OLS tidak dapat
digunakan . Mis: data dosen berdasarkan jenis kelamin. Dosenjenis
kelamin D1 D2P01 BP 01 CL 10DL 10EL 10FP10
Dari table terlihatbahwa variabel D1 dan D2mempunyai
hubunganyang jelas yaitu D1 1D2atau D2 1D1 ( OLS tidak bisa
digunakan ) Secara umum rumus Dummy DimanaD Dummy m kategori Dummy
dengan ;ariabel,kategori lebih dari dua Mis; pendidikanmempunyai 3
kategori,: 1.tidak tamat SMU 2.tamat SMU3.tamat P.%.Dummynya adalah
: ( D m 1)31 2 Dua variabel dummy tersebut adalahD1 dan D2
dideIinisikansebagai : D 1 ; pendidikan terakhir SMU 0; lainnya D 1
; pendidikan terakhir P.%0 ; lainnya D m1 5 Dalam hal ini kelompok
yang pendidikan tidak tamat SMU adalah grup dasar( base category )
Contoh data nama karyawan & tingkat pendidikan NamaPendidikanD1
D2
B C D E F SD P% SMU SD SL%P SMU 0 0 1 0 0 1 0 1 0 0 0 0 Contoh
aplikasisebuah modelregresi Dummy. Pola pengeluaran beaya kesehatan
( healt care ) berdasarkan pendapatan seseorang dengan pendidikan
yang diperolehnya . Pendidikan berprilaku sebagaitingkat kesadaran
dan pengetahuan seseorangtentang perlunyakesehatan,sedangkan
pendapatan berprilaku sebagaikemampuan seseorang
memperolehkesehatan ( healt care ) Regresi model : Y uo u1D1 u2D2 X
Y pengeluaran untuk kesehatan X pendapatan pertahun D 1; pendidikan
tertingi SMU 0; lainnya D 1; pend tertnggi P% 0; lainnya Rata-rata
pengeluaran seseorang berdasarka pendidikannya adalah : 1. tidak
tamat SMU :uo X pengeluaran dr coeI intersep ( uo) 2. tamat SMU:uo
u1 X SMu ,ada tambahan dr u13 .Pt ( s1): u1 u2 X tambahan dr u1 dan
u2
Regresi dengan beberapa ;ariabel ualitatif. Contoh gaji dosen
,dengan pengalaman mengajar dan jenis kelaminserta tempat mengajar
( Iakultas ) yang diduga turut mempengaruhi gaji dosen mengajar.
Model regresinya adalah : 6 Y oo+ o1D1 + o2D2 + X + Y gaji / tahun
X lamanya mengajar/ pengalamandalam tahun D1 1 ; dosen lakilaki 0 ;
dosen perempuanD2 1 ; Iak ekonomi 0 ; lainnya. Dari model di atasdi
dapatkan : 1..Rata- ratagaji dosen perempuan yng mengajardiluar Iak
Ekonomi oo+1 X 2.Rata-rata gaji dosen laki-laki yang mengajar
diluar Iakultas ekonomi oo+ o1 + X 3.Rata-rata gaji dosenperempuan
yang mengajardi Iakultas ekonomi o1 + o2 + X 4.Rata-ratagaji dosen
laki-laki yang mengajar di Iak ekonomi oo + o1 + o2 + X Uji
hipotesa : 1.pakah ada perbedaan antara gaji dosen yang mengajar di
Iakultas dan yang mengajar diluar Iakultas ekonomi2.pakah ada
perbedaan antara gaji dosen laki-lakidan perempuan . Bila hasil
pengolaha data didapatkan hasil analisis sbb Y 7,43+ 0,207 D1+
0,164 D2+ 1,226 X R 91,22 Hasil uji t 1.Bila D1 dan D2 tidak
signiIikan tidak ada diskriminasi gaji dosenbaikberdasarkan jenis
kelamin ,dan Iakultas ,gaji dosenlebih ditentukanoleh pengalaman
mengajar. 2.Bilasemua koeIisien variabel ( intersep,slop ) adalah
signiIikan, berarti telah terjadi diskriminasidalam pemberian gaji
dosen . 3.Rata-rata perbedaan gaji dosen adalah : a. Rata-rata gaji
dosen perempuan yang mengajar diluar Iak. Ekonomi 7,43 1,226 Rp
8656 juta b. Rata-rata gaji dosen laki-lakiyang mengajar di luar
Iak Ekonomi 7,43 0,207 1,226 Rp 8863 juta c.Rata-rata gaji dosen
perempuan yang mengajar di Iak. Ekonomi 7,43 0,164 1,226 Rp 8820 d.
Rata-rata gaji dosen laki-laki yang mengajar di Iak. Ekonomi 7,43
0,207 0,164 1,226 Rp 9027 juta. 7 Kesimpulan1. .Dosenlaki-laki yang
mengajardi Iakultas ekomi mempunyai rata-rata gaji yang paling
besar, kemudian di ikuti oleh dosenlakilaki yang mengajar diluar
Iakultas ekonomi . 2Diskriminasi berdasarkan jenis kelaminlebih
berpengaruhdibanding dengan Iakultas tempat mengajar. Contohsoal
Bila di ketahuidata hipotesis umlah isatawan sing yang menginap di
Hotel , berliburdan melakukan Bisnis%ahun 1997 sbb : NegaraHotel
Berlibur Bisnis 1.Brunei 2.Malaysia 3.Filipina 4.Singapura
5.%hailand 6.Hong Kong 7.ndia 8.epang 9.Korea 10. Pakistan 11.
Bangladesh 12. Srilanka 13. %aiwan 14. Cina 15. Saudiarabia 16.
Bahrain 17. sia lainnya 18. ustria 19. Belgia 20. Denmark 21.
Prancis 22. erman 23. talia 24. Belanda 25. Spanyol & Pertugal
26. Swedia 27. Swiss 28. nggris 29. Finlandia 30. Norwegia 31.
Eropa Barat lainnya 6.306 406.303 37.834 1.216.988 36.437 75.590
16.011 599.968 218.458 3.955 1.535 2.600 342.916 20.276 21.454 742
22.139 10.459 18.720 10.059 90.156 161.407 59.472 120.807 30.475
16.306 25.864 116.803 5.311 12.546 5.990 2.169 239.009 12.741
597.661 16.190 42.271 6.335 429.330 68.513 781 317 499 207.433
11.883 4.684 58611.705 7.181 9.326 6.089 52.036 124.137 47.962
76.108 23.736 11.233 18.878 77.082 2.375 6.441 3.681 6.120 222.115
35.688 767.377 27.043 60.166 19.048 268.730 174.443 5.517 1.963
3.524 192.989 12.122 23.591 198 20.243 5.067 12.840 6.232 54.068
58.466 18.905 67.378 8.925 8.637 11.194 57.367 4.836 6.755 3.435 8
32. Rusia 33. Eropa %imur lainnya 34. merika Serikat 35. Kanada 36.
merika %engah 37. merika Selatan 38. ustria 39. Selandia Baru 40.
Osenia lainnya 41. Mesir 42. merika lainnya 4.408 3.502 127.300
19.490 1.761 6.368 494.161 35.330 446 728 19.287 979 1.472 69.950
10.252 1.023 4.268 436.457 30.686 160 156 10.755 5.961 4.019 99.127
16.310 1.290 3.134 93.456 7.576 429 887 11.987 %otal 4.428.678
2.684.443 2.409.168 Sumber :BPS Hasil Regresi: 1.Hotel - 154,646
0,867 Bisnis 0,913 Berlibur3025,824 sia Se(1390,045)( 0,867 ) (
0,016 )( 2251,548 )t (- 1,112 )(51.741 ) (57.498 ) ( -1.344) R =
99,9%. nterpretasi?. a. b c?. d e. 9 Kasus : Upah Moonlighting
Moonligteradalah orangyang mempunyai satu pekerjaan utama dan satu
atau lebih pekerjaan sambilan . Dapat diduga bahwa pekerjaan jenis
ini, mempunyai penghasilan yang kurang memadai dari pekerjaan
utamanya ,sehingga terpaksa mencari sumber pendapatan tambahan
lain. Faktor- Iaktorapakah yangmempengaruhiupah moonlighting, bila
diketahui variabel yang akan digunakan sbb: mupah moonlighating/jam
uupah pekerjaanutama Ras0 ; bukan pribumi1 ; pribumi Kota0 `
pedesaan 1 ; perkotaanSMU0 ; tidak tamat SMU 1 ; tidak tamat SMUily
0; kawasan timu 1 ; kawasan barat Umur ( dalam tahun )
Regresi : Wm 1 + 2Wu + 3 Ras + 4 ota + 5 SU + 6 Wil+ 7 Umur+:
Bila dketahui hasilnya sbb : Wm 37,07 + 1,403 Wu - 90,06Ras + 75,51
ota + 47,33 SU + t( 3,2456) ( 18,4196 )( -5,7672 ) ( 2,4271
)(16,5521 ) + 133,64Wilayah + 2,26 umur ( 14,7665 )( 5,5621 ) F(
135,4421 ) , R 0,96 Interpretasi :1.Semua Iariabel signiIikan
padalevel 5 , yang berartiada perbedaan upah antar Ras ,daerah
tempat tinggal ( kotadesa ) , pendidikan dan wilayah2.Upah
ditentukan oleh pekerja utama dan umur . 3.nilai koeIisien u 1,403,
menunjukkan keciljika dibanding nilaim nya sebagai penambahan total
koeIisien variabel yang berarti, pekerjaan sambilan lebih besar
upahnya dibanding pekerjaan utama . 4.Upahm di perkotaan , kawasan
barat lebih tinggi dibanding denga daerah pedesaan , kawasan
timur5.Kombinasi rerata pendapatanmonlighteradalah sbb : a.Upah
pekerja kelompok bukan probumiyang tinggal dipedesaan Kawasan %imur
ndonesiadan tidak lulus SMU Wm 37,07 +1,403 Wu + 2,26 Umur 10 b.
Upah pekerja untuk kelompok pribumi ,tinggal di perkotaan Kawasan
Barat ndonesiadan lulus SMUWm ( 37,07 - 90,06 + 75,51 + 113,64 +
47,33 ) + 1,403 Wu + 2,26 Umur Wm 183,49 + 1,403 Wu + 2,26 Umur.
c....... d....... e.......
. embandingkan dua regresi dalah untuk melihat antar hubungan
dan pendapatanmodel bb:%abungan ( Y ) o1+ o2 Pendapatan ( X )+ Pada
kondisi tertentu hubungannya mungkin tidak selalu demikian,misalnya
pada situasikrisis moneter, apakahmodelnya menjadi berbeda ,sebelum
dan sesudah krisis. Oleh karenaitu perludata dibagi dua kelompok:
1.sebeluk krisis2.setelah krisis modelnya :I. sebelum krisis: Yi o1
+o1 + Xi + i i 1,2,....,n IIsetelah krisis : Y 1+ 1Xi+ ci i n+1,
n+2,..,N Hasil yang mungkin dari perbandingan: Kasus1; u11danu2
2Kasus2: u1=1danu22 Kasus3: u11danu2=2 Kasus4: u1=1danu2=2 Untuk
kasus, modelnya sama sebelum dan sesudah krisis Untuk kasus 2 dan
3modelnya berbeda ,dan kasus 4, ada pergeseranmodel antara masa
sebelum dan sesudah krisis, oleh karrena itu pemodelannya perlu
hati-hati .Variabel dummy dapat dimanIaatkan untuk mengantisipasi
adanya pergeseran modelpada dua periodeyang berbeda. contoh
MembandingkanDua Regresi Dengan Variabel Dummy. Yi o1+ o2Di +1 Xi+2
Di Xi+i Di 1 : pengamatan pada periode 1 0 : pengamatan pada
periode 2 Ratarata tabungan( Y )pada perode : .: Yi ( u1u2 ) ( 12)
Xi .:Yi u11 Xi Dengan mengamati para meter diatas,dapat
diketahuipergeseran model regresi atau tidak, melalui pengamatan
berikut : kasus 1 ; bilau20 dan 2 0 Model Model kasus 2 : bilau2=0
dan20 slope sama,intersep beda kasus 3 : bilau20 dan2=0 intercept
sama ,slope beda kasus 4 : bilau2 = 0 dan2=0 intercept dan slope
berbeda. 11 asus 1 ( d1 1 dan(d2 2 ) Y 2 d2 1 d1 X %itik potong dan
koeIisien slope sama asus 2 ( d1 = 1 dan d2 2 ) Y 1 d1 1 d1
X %itik potong berbeda, koeIisien slope sama( paralel ) asus 3 (
d1 1 dan d2 = 2 ) Y 2 d2 1 d1 X ntersep sama , slope berbeda 12
Kasus 4 (d1 = 1 dan d2 = 2) Y : 1 2 I : 1 1 0 X Xt 1-2Xt ntersep
dan slope berbeda F. Regresi Linier Sepotong - sepotong ( Piecewisw
linear regression)VariabelDummy ,selain dapat digunakan
untukpemodelan regresilinieryang
diperkirakanakanbergeserpadasatuperiode,dapatjugadigunakanuntuk
pemodelan regresi linier sepotong-sepotong .contohmodel ini seperti
: 1.Komisi Penjualan . bila tidak melebihi target penjualan:Komisi
u1 1 X;X _X* Bila melampaui targetmaka : Komisi u1 ( 12) X2 X* ;
X*_X Sehingga modelnyadapat digabungmenjadi : Y u 1 1 X2( X-X* ) D
13 Komisi d1 Penjualan . X* 2.Pemodelan tariII listrik. Berpatokan
padabeaya bebantegantung daridaya listrikdimilikipelangan.
bahwasemakintinggidayanyaberartibeayabebansemakinbesar.taudengankatalainsemakitinggidayayangdigunakan,makhargaperKH
semakin tingi seperti gambar2 Harga
e d c b a 450 900 130022006500KH Gambar 2 %rend tariI listrik 14
3.Pemodelan Diskon . Semakin tinggi produk yang dibeli ,maka
semakin tinggi diskonyang diberikan ,sehingga rata-rata hargaper
produk semakin rendahMembelisampai denganjuta unit,harga
produkmeningkat sebesar Rp.auntuk setiappeningkatan pembelian
produk.Sedangkan bila membeliantara1 juta sampai5 juta produk,maka
peningkatan hargaproduk sebesar Rp.b untuk setiap unitnyayang
berarti b lebih kecil dari a.Secara rata-rata membeli 1 juta -5
jutaunit lebih murahyang berarti c lebih kecil dari pada b. dan
seterusnya.. Harga d c b a c Pembelian
1000500010.00020.000 Analisis Hotel dan Profesi Wisatawan Asing
Setelahmelihathubunganantarapermintaanterhadaphoteldenganmaksud
kunjunganwisatawanasingkendonesiapadabagiansession2akandianalisis
hubunganantarapermintaanterhadaphoteldenganproIesiwisatawanyangakan
berkunjung .
Berdasarkandatatentangjumlahwisatawanasingyangmenginapdihotel,dan
proIesi,menejerdanibuR%%ahun1997.Disampingitu,variabelDumymasih
digunakanuntukmelihatapakahadaperbedaanantarawisatawanasingyang
berasaldari sia ( bernilai 1 ),dan wisatawan asingdari Negara
lainnya( bernilai 0 )Model regresinya adalah : Hotel 1 2 PRF 3 bu
R% 4 MNR5Si Dimana : Hotel : jumlah wisatawan yang menginap di
hotel PRF : jumlah wisatawanasing yang bekerja sebagai proIessional
BUR% : jumlah wisatawan asingyang sebagai burumah tangga 15 MNR :
jumlah wisatawan asingyang bekerja sebagai menejer S :1 wisatawan
asing yang berasal dari sia 0 wisatawan asing yang berasal dari
Negara lain. Dari data dapat dideskrisikansbb : 1.jumlah wisatawan
asingyang bekerja sebagai proIessional yang berkunjung kendonesia
terb anyak jumlahnya adalahdari Singapura
2wisatawanyangberproIesisebagaimanejeryangterbanyakberkunjungke
ndonesia adalahyang berasal dari Negara %aiwan.
3wisatawansebagaiiburumahtanggayangberkunjungkendonesia,terbesaradalah
dari epangyang semata-mata untuk berlibur. Hasil Regresinya : Hotel
- 43783,9 3,723 PRF 2,681 Mnjr6,088 buRt 44121,142 sia Se (
12908,668 ) 0,353 ) ( 1,333 )( 2,174 ) ( 19844,777 ) t(1,004 )(
o,786 ) ( 7,14 )( 1,18 ) ( 2,08 ) R 93,50 nterpretasi ?. 16 Session
4. Ekonometric Ior Human CapitalModel A. Latar belakang teori.
%ingkat upah tiap pekerja berbeda-beda dan sangat tergantung pada:
1.Pengalaman 2.pendidikan Iormal & non Iormal 3.proIesi 4.jenis
kelamin 5.kelompok etnik6.umur 7.jenispekerjaan 8. resiko pekerjaan
Untuk itu perlu dikaji lebih mendalam ,bahwa mengapa upah
berbeda-bedapada individu yang berbeda dan Iaktor apa saja yang
dapat mempengaruhi upah .Dalam menganalis upah dimaksud,variabel
yang digukanakanadalah noumerik dan Dummyatau variabel kategorik
yang sangat bermanIaaat untuk mengkuantiIisir data kualitatiI(
jenis kelamin,pendidikan ,pengalamandan lainnya ) . Menggunakan
variabel dummy bertujuan untuk menggabungkan ke dalam model
regresimembedakan upah. Sebagai contoh berikut :: 1. Equalizing
Differencesika terdapat dua pekerjaan yang membutuhkan keahlian
yang sama,namun lokasi berbeda sehingga kenyamanan berbeda ,
pemberian upahperlu memperhatikan kompensasidri ketidaknyamanan .
Disini perlu standar pengupahan secara berbedaMis. lokasi
,Iasilitas, perioritas kebutuhan pekerjaan. .
PendidikanPendidikanadalah Iaktor berpengaruh kuat dalam pemberian
upahdan berkorelasi positiI dan signiIikan terhadapupah
pekerja.,apakah pendidikan yang diperolehnya sebagai pendidikan
Iormal ataupun nonIormal berupa training ( on the job training ) B.
Intersting Human Capital odel. 1.Pengukuran dan sumber dataBesaran
upah ( bulanan,mingguan,harian ,tunjangan ) %ingkat upah( bulanan
,mingguan/ jam kerja ) Lama sekolah ( berkait dengan stratiIikasi
pendidikan )2.BentukFungsional nalisis upah dengan variabel
yangmempengaruhinya Hubungan bisa berbentuk (
linier,kuadrat,eksponen, logaritmik dan lainya ) 17 Secara
teoritis, upah dipengaruhibeberapa Iaktor antara lain : pendidikan
Iormal pengalaman kerja jenis kelamindan lainya Secara matematis
dapatdinyatakan sbb: Upah I ( pendd,pengalaman,jenis kelamin,dan
lainya ) Pemodelannya adalah : n yi f ( si,xi,zi )+ui; i 1,,., n (
fungsi penghasilan ). .(1) yi: upah si : pendidikan xi: pengalaman
zi : Iaktor lain( gender,umur,ras,wilayah )i:random error C. encari
hubungan fungsionaldari masing-masing;ariabel: 1.Rate oI return (
r1 ) untuk satu tahun sekolah 2.Rate oI return( r2 ) untukdua tahun
sekokolah . 3.Rate oI returnuntuk s tahun sekolah ( Ys ) 4.Dasar
dari Iungsi penghasilan5.Generalisasi dari Iungsi penghasilan dgn
on the job training 6.nteraksi antara pendidikan dan pengalaman
.
18 D. Variabel Dummy dalam fungsi Penghasilan Pada persamaan: Ln
Yi ln Yo uSiuXiuXi u Si Xii,----- 12 Denga mengantikan parameteru
menjadi. ntercept,Ln Yo, menyatkan pendapatan dengan nol pendidikan
dan nol pengalaman . Namun bisa terjadi suatu kelompokdengan
karakteristik yang sama mempunyai penghasilan yangberbeda dengan
sekelompok lain dengan satu karasteristik yang berbeda.Sebagai
missal,pekerja keturunan Cina denga nol pengalamandan nolpendidikan
akan memperoleh pendapatanyang lebih tinggi ( rendah ) bila
dibandingkan pekerja yang bukan keturunan Cina ,meskipun pendidikan
dan pengalaman adalah sama.Hal yang demikiansulit masuk dalam model
di atas , sehingga perlu penambahan variabel dumy sehingga modelnya
menjadi : lnYi LnYo uCiSi Xi Xi Si Xii ..13 DimanaCi 1 ; bila
keturunan Cina 0 ; bila bukan keturunan Cina umenyatakan
perbedaanln Yiantara pekerja turunanCinadanbukan Cinapekerja
dengannol pendidikandan nol pengalaman ,mempunyai pendapatan
berdasarras terbesar Cina : ln Yi ln Yo u BukanCina: ln Yi ln Yo
Cara lain dengan variabel kategorik Ci 1 : Cina 0; bukan Cina Ci
1;bukan Cina 0;Cinau log earning bukan Cina dengan pendidikan nol
dan pengalaman nol u log earningCinadengan pendidikan nol dan
pengalaman nol sehingga model nya adalahsbb : ln Yi oo Coi+ o Ci+
Si+ Si + Si+SiXi+ ui ... ( 14 ) model sebelumnya : 19 ln Yi lnYo+
oCi + Xi+ Xi+ Xi + Si Xi+ ui LihatOLS teori %aksiran untuk pada dua
modeldi atas adalah identik %aksiran untukudan u adalah u* ln Yo
udanu ln Yo Model( 13 ) dan ( 14 ) identik ?. pakah ada beda
pendapatan antara pekerja keturenanCina denganbukan Cina ,bila
pendidikan dan pengalaman sama?. Cekuji hipotesa :Untuk model ( 14
) Ho:u u* Bila Ho tidak ditolak ,berarti tidak ada perbedaan antara
pekerja keturunan Cinadengan bukan Cina . Untuk model(13 ) Ho :u
0BilaHo tidak ditolak ,berarti tidak ada perbedaan antar pekerja
keturunan Cinadengan bukan cina , seningga kedua pengujian tersebut
mempunyai kesimpulan yang sama . Pengembangan modelgender ? Dala
hal ini perlu memasukka dampak jenis kelamin dalam model sehingga .
modelnya menjadi Ln Yi lnYouC..i uDi Si Xi Xi Si Xi i Di 1 ; jika
perempuan 0 ; jika laki-laki u menyatakan perbedaan log earning
antara laki-laki dan perempuan u positip atau negatip untuk
mengujiapakah pendapatan laki- laki tidak berbeda dengan perempuan
,digunakan hipotesa : Ho: u 020 Kalau diduga ada Iaktor interaksi
antara ras denga jenis kelamin ,perlu mendeIinisikan variabel dummy
lagi kedalam modelsehinga diperoleh : lnYi lnYo uC i u D u D Si Xi
Xi SiXi i . nterpretasi para meterdalam model : Ci 1 ; jika Cina 0
; jika bukan Cina Di 1 ; jika perempuan 0 ; jika laki-laki D 1 ;
jika cina perempuan 0 ; jika tidak esimpulan :Expected log
earningnya :Laki-laki ; bukanbukan cina : ln Yi ln Yo Perempuan;
bukan Cina :ln Yi ln Yo u Laki-laki; Cina :ln Yi ln Yo u Perempuan
; Cina: ln Yi ln Yo u u u ika tidak ada interaksi ,uji
hipotesisnya: Ho: u 0 21
Session 5. Model regresi dengan variabel dependentDummy
.Rasional. Model yang dipelajari pada sessionyang lalu adalah model
variabel terikat numeric,bukan kategori. .Session ini akan dibahas
modeldengan variabelterikat dummy( kategorik ) sbb:1. yang dapat
dikategorikanuntuk pemodelan khusus 2. bentukmodel yang ditawarkan
3. masalah dari pemodelan 4. antisipasi model dengan OLS. dapaun
contoh variabel kategorik adalah: 1. Partisipasi wanita dewasa pada
angkatan kerja( labor Iorce participation oI adulI Iemales )
sebagaiIungsi dari rata-rata tingkat upah ,pendapatan, suami, umur,
banyaknya anak usia tingkat sekolah ,dan lain-lain. 2. %elah
diketahui bahwa seorang bisa bisa menjadiangkatan kerja ,dan bisa
tidak. Disini .variabel terikatnyaadalah angkatan kerja wanita yang
dapatkita asumsikan sbb:bila berada dalamangkatan kerja 1 ,dan 0
bila tidak berada dalam angkatan kerja 3. seorang buruh
/pekerjamenjadi anggota organisasiserikat buru atau tidak , Dalam
hal inibisa di modelkan bahwa : Bernilai 1 bila ia menjadi seorang
anggota serikat buruh, dan 0 ,bila tidak . 4mengamati
hubunganantara pernah tidaknya seseorangmelakukan perjalanan keluar
negeridan Iaktor yang mempengaruhinya, bahwa perjalanan ke luar
negeribisa tergantung dari ; pendapatan,jenispekerjaan,dan
lain-lain. Variabel terikatnya bisa di asumsikan bahwa ; bernilai 1
bila pernah melakukan perjalanan ke luar negeri, dan 0 ,jika tidak
. pernah melakukan perjalanan . Dari contoh di atasdapat
disimpulkan bahwa variabelterikatnya merupakan suatu jawaban ya
atau tidakatau berupa variabel dikotomi Beberapapertanyaanyang
mungkin muncul bahwa ; 1.bagaimana mengatasi modeldengan variabel
terikat dikotomi 22 2.bagaimana mengestimasi model tersebut
3.apakah model tersebut bisa di estimasi denganteknik OLS ? B.
Pemodelan matematik. Perhatikan kembali model rekresi sederhana (
session1 kuliah ek met) Yi +X i+ ui------------ ( 1 ) X pendapatan
Y 1 ; bila pernah melakukan perjalanan ke luar negeri 0 ; bila
tidak pernah . ReIertomodel( 1 ) , secara statistic ,ekspektasi
kondisionaldari Yi jika diberikan Xi ,secara umum di notasikan
sebagai ; E ( Yi , Xi ) dapat di cari dengan cara : E ( Yi [ Xi ) (
Yi 1 ).P(Yi 1 [ Xi ) + ( Yi ).P ( Yi [Xi ) P ( Yi 1[ Xi
)-----------------( 2 )
Ekspektasi kondisional,juga bisa di iinterpretasi sebagai
probability kondisionalbahwa suatu peristiwasepertipernahmelakukan
perjalanan keluar negeri ,bisa terjadi bilaX (pendapatan )
diketahui, yangdi notasikan Pr ( Yi 1, Xi )yang berartiprobability
pernah melakkan perjalanan ke luar negeri bila pendapatnnya
diketahui , atau bisadikatakan bahwa ekspektasikondisionalE ( Yi ,
Xi ), bisa di artikanPr 1 ,Xi yaitu probability pernah melakukan
perjalanan ke luar negeri .(, modelprobability linier .) Secara
matematis, pada model( 1 ),dengan asumsi bahwaE (ui) 0, maka : E (
Yi[ Xi ) + Xi-------------- ( 3 ) Dari persamaan ( 2 ) dan( 3 ),
ekspektasi kondisionalE ( Yi , Xi )adalah
probabilitykondisionaldari P ( Yi 1 , Xi ) yang berkonsekwensibahwa
: P ( Yi 1 , Xi ) Xi, Xi , nilainya terletak antara0 dan 1 (
sebagai persyaratan probability ) sedangkan hasil estimasi regresi
, besaran( Xi ) , bisabernilai berapa saja ,tergantungdari nilai
dari , dan Xi . ( modelnya perluantisipasipenyempurnaan ) Hal yang
khusus, bila Pi adalah probability,individu yang pernah perjalanan
ke luar negeri ( Yi 1 )sedangkan ( 1Pi ) probability individu ( i )
yang belum pernah perjalanan ke luar negeri( Yi 0 ),maka v ariabel
Yi mempunyai distribusisbb : P (yi 1 ) P,dan P ( yi 0 ) ( 1Pi ),
sehingga berdasarkan teori ekspektasi menghasilkan : E(Yi[ Xi ) (
Yi ).P ( Yi [ Xi ) + ( Yi 1 ) P ( Yi 1 [ Xi 23 P ( Yi 1 [ Xi ) Pi
----- (4) Bandingkan persamaan(3) dan (4) dapat diperolehpersamaan
:
E ( Yi[Xi) + Xi Pi----------------(5) Karena Pi adalah suatu
probability,maka0_ P_ 1sehingga,+ Xi -----(6)
Dengan persamaan di atas baik( 5) dan (6), bila diestimasi
dengan OLSbisa bermasalah ,karena estimatorOLSbelum tentu bisa
menjamin bahwabesaran Xi terletak antara 0 dan 1 ,juga apakah
estimator masih bersiIat BLUEatau sudah tidak . C. Estimasi Model
OLSLooked back, model (1)----Yi Xi ui , di estimasi dengan
menggunakanOLS ,dapat dihasilkan suatu estimator ,dengan
memperhatikan :: 1. ui tidakterdistribusi normalyang berarti : ui
Yi - -Xi ------ (7 ) Pada saatYi 1 ; ui 1- Xi Pada saatYi 0 ; ui -
- Xi, disini ui tidakbisa di asumsiterdistribusi normaltetapi
mengikuti distribusi binomial . Cara mengatasinya adalahsample
diperbesar,memperpanjang range . Pada OLS ,tidak ada persyaratan
yang ketat bahwauiharus terdistrubusi normal ,
kecualidiperlukanstandar interval kepercayaannya. 2. variansi
uiheteroskedastisitasalaupun di asumsikanbahwaE(ui)0dan E(ui,uj)0
untuk i = j,ui masih tidak mempunyai variansi yang
homoskedastisitas , bila ui mengikuti distribusi probability
seperti contoh :
uiprobability -- Xi 1 Xi 1Pi Pi Berdasarkan rumus varian bahwa
:var(ui) E| uiE(ui)| E (ui ) ;dimanaE (ui ) 0 Swehingga dala
menggunakandstribusi probabilitydariui,diperoleh : Var(ui) E(ui) (-
Xi) (1-Pi) (1-- Xi) (pi) ( - - Xi ) (1-- Xi) ( 1--Xi) ( Xi ) ( + Xi
) (1- - Xi )-------------------------(8) tau Var (ui) E(Yi , Xi) |
1- E(Yi , Xi)| Pi ( 1-Pi )---------------------( 9) Kesimpulan
untuk ;ar ui : 1.sangat tergantung pada probability Pi yang berbeda
setiap individu 24 . heteroskedastisiti,yang berakibatbila model
(1) diestimasi dgn OLS ,estimatornyaunbiased,tetapi tidak eIisien
karena variansinya cukup besar. 3. masalah heterskedastisiti ,bisa
di atasi dengan transIormasi : Wi Pi(1-Pi ) sehinggamodelnya : Yi '
\Wi ' \ Wi+ . Xi ' \ Wi+ ui '\ Wi------------- (10) Atau Yi + Xi +
ui. ---------------------------(11) Dari transIormasi; E(ui*) 0,
dan var(ui ) 1 ( konstan ) Model (11)var(ui)
homoskedastisiti,sehingga model (11) dapat diestimasi dgn OLSdan
estimatornya bisa bersiIat BLUE,yang menjadipenekananadalahcara
mendapatkan isebagaimana Pi sendiri tidak diketahui., sehinga
perlumelakukan1). Estimasi modelYi Xi ui dengan OLS dan
menghitungYi,estimateddari E(Yi , Xi ) Pi dan hitung i Yi( 1- Yi)
2).Gunakan W untuk mendapatkan modelyang sudah ditrasIormasi Yi\wi
\wi Xi \wi ui\wi tau Yi* * Xi* ui*.-------------- (12) Untuk
pers.(12)dengan OLSregresi, * danadalah bersiIat BLUE , dapat
diperolehdengan menghitung : * \wi 3). untuk syarat 0_ E(Yi, Xi) _
1,sulit terpenuhi , karena harus ada nilai dari Pi yang terletak
antara 0 dan 1.,dengan kata lain ;E(Yi , Xi) Pi harus ada nilai
yang terletak antara0 dan 1. Untuk itu perlu melakukan : a.
estimasi persamaan ( 12) dgn OLSbila E(Yi , Xi ) terletak antara 0
dan1 , tidak ada masalah bilanila E(Yi , Xi )berada diluar 0 dan
1berarti : bila E(Yi , Xi) ~ 1, dianggap E (Yi , Xi ) 1 bila E(Yi ,
Xi) 0, dianggap E ( Yi , Xi) 0 b. estimasi modelYi Xi
uisehinggaE(Yi , Xi ) terletak antara 0 dan 1 teknik yang
digunakanadalah model ogit dan Probit( dibahas kemudian ). 4)
KoeIisien determinasi ( R ). Pada model probability linier ,kurang
bisa dijadikan ukuranyang baikatau Goodness oIFit nya.,modelnya
tidak cocokdengan pendekatan garis linier ,pengamatan
berkecenderunganpada Y 0 dan Y 1 , sehingga garis yang
diperolehtidak menggambarkankeadaan yangsesungguhnya ( riel ) . 25
Case 1. From HarleyDavidson rmchairs to Coca-ColaFishing Lures ;
the Rise oI Corporate Branding. hen BM bought the Rolls Royce
namenothing else,just the nameIor$ 60 million ,it conIirmed what
savvy investors have always known ;strong brand name is one oI the
most valuable assets a company has.Now companies are realizing that
they shouldn`t conIine such assets only to their showrooms
,stationery ,business cards,orthe company`s core product. nstead
,more and more companies ,Irom the Fortune 500 to the notIorproIit
sector ,are licensing their names to generateadditional brand
recognitionand revenues. %hat`s why we`re suddenly seeing products
like Pillsbury doughboy potholders ,Coca-Cola Picnic Barbie
,Crayola house paints ,eep bicycle ,Royal Doulton perIume ,and baby
clothes. Last year,retail sales oI all licensed product totaled$ 71
billion in the United States and Canada ,more than $ 132 billion
worldwide . Corporate brandlicensing ,the Iastestgrowing category
,claimed 22 oI thattotal ,the same amount earned Irom
entertainmentproperty licensing. ccording toa licensing industry
executive ,at the recentLCENSNG 99nternational licensingshow, ' %he
showroom Iloor read } like a Fortune500 directory ,packed with such
high proIit corporate brands as CocaCola
,eep,Chrysler,nheuser-Busch,Pillsbury,%exaco,Popside,Harley
Davidson,Schwinn,McDonald`s ,%aco Bell,and many more '. 26 hen it
comes to corporate brand licensing ,Iew companies can equal
Coca-Cola ,whose extraordinary success has inspired hundreds oI
companies to Iollow suit. Yet Iew people know that CocaCola`sentri
intolicensing was purely deIensive . n the early1980s, lawyers
advised the companythat iI it didn`t enterthe Coca-Cola %-shirt
market ,others legally couls . Co-Cola responded by setting up a
licensing program,which started modestly but now consists oI a
large departmentoverseeing some 320 licensees in 57 countries
producing more than 10,000 products ,ranging Irom baby clothes and
boxer shorts to earnings ,a Coca-Cola Barbie doll,and even a
Iishing lure shapedlike a tiny coke can. Last year alone ,licensees
sold 50 million licensed Coca-Cola products.. llthough most
companies have long sold promotional merchandise bearing their
names and logos to dealers and distributors,Iull-scale retail
merchandising is areal shiIt .Companies are making this shiIt both
to capitalize on brand awareness in current markets and to extend
their brands into new markets.For example ,Carterpillar and ohn
Deere ,both companies with norrow markets,are now licensing a wide
range oI products aimed at generating additional sales amongthose
already hoked on their brands.Cartepillar has set up licensing
agreements with appreal and and Iootwear companies to make
Cartepillar work clothes and work boots. %he 'Cat ' work boot is
now wolverine world wide`s ( oI Hush Puppies Iame ) hottest
product. Visitors to the online ohn Deere Mall ( mall deere.com )
will disconer an arrayoI licensed products thatincludes everythin
Irom logo hats,shirts,jackets,mugs,and watches to ohn Deere version
oI Canon calculator ,Victorinox penkniIes ,Mini Mag- lite
Ilashlights,and handrubbed rosewood pens. Sometimescompanies get
into licensing as a way to extend the brand to a new target market.
%hus ,although a HarleyDavidson armchairseems like an unlikely
product ,it`s the motorcycle company`s way oI reaching out to women
,who make up only 9 oI the company`s market.Harley also licenses
toys,including a Barbie dressed in a ' very Ieminine outIit ' to
appeal to Iuture generationsoI Harley purchasers. %he ultimate goal
is to sell more bikes to buyers who are not part oI the core market
. Similarly ,Cartepillar is teaming up with Mattel to create a line
oI toys based on its construction equipment. t the same time that
corporate brand licensing lets companies reap some oI the value
they`ve built up in their brands,it also provides an additional
tool Ior building even more brand value. For example , Unilever has
invested heavily in advertising to create positioning and
personality Ior its snuggle Iabric soItener brand andIor the cute
little snuggle Bear thatappears on the label . Now ,licensing the
snuggleBear Ior use on other careIullyselected products,says a
Unilever brand manager , will be another ways to .. Help snuggle
leavelasting impressions long aIterour 30second commercial is over
'. hat`s in corporatelicensing Ior the licensees ,the manuIactures
who pay large sums Ior the right to use corporate brand names or
trade marks on their products ?.Compared to celebrity and
entertainment names,corporatebrands are much less risky.For example
,what happeness to a product brandishing a sports celebrity`s name
when that celebrity is busted Ior drugs ?. Or what can a
manuIacturer do 27 with all its Godzillz backpacks aIter the
Godzila movie Ilops ( as it did ) ? Corporete brands are much saIer
bets . Many have been around Ior decades and have a proven
,surprisingly strong appeal Ior customers.%here are powerIul Iorces
behind the impulse to buya coke beach toel ,a Good Humor diecast
truck,Harley-Davidsonbots ,or Doulton perIume . SaysSeth Siegel ,
cochairmanoI the Beansstalk Gropup ,which manages licensing Ior
CocaColaand HarleyDavidson , e live in a .. Society |where| people
still love to surround themselveswith icons that move them '.
--------------------------------- Questions; 1.hat core productohn
Deere?. 2.hatare the actual and augmentedpart oI product Coca Cola
?.3.hat are the implicationsoI the companiesresponded by setting up
licensing programs?. hythey were intocorporatebrand licensing ?.
4.How does eachHarleyDavidsondiIIerentiate itselIIrom the others :
Coca-Cola,eep,Chrysler ,Pillsbury ,McDonald`sto corporate brand ?
5.hotmarketing recommendations would you make to Harley Davidson
and Coca-Cola ?. 28 Ujian khir Semester( US )Magister Management
Universitas Muhammadiyahakarta MataKuliah: Manajemen Pemasaran
Hari/tgl : Saptu ,8 Nopember 2008 Dosen: Yahya Hamja MM PhD SiIat :
Open Book. Petunjuk 1.Kerjakan semua soal yang disediakan2. awaban
soal dikerjakan pada kertas yang disediakan,dengan tulis tangan3.
awaban selambat-lambatnya dikumpulkanpada tgl 15 Nopember 2008 .
Essay . 1.Berikanlah penjelasanketerkaitan antarakekuatan
merekdengan kemampuan Perusahaan berkompetisi dipasar ?. 2.Mengapa
untuk mencapai equitas merek diperlukan positioning dan
diIIerensiasi produk ? 3.. pa Iungsi darimarketingterhadap
pencarian ,pertumbuhan pasar sasaran ?. jelaskan pendapat sdr !
4.Business Franchise sangat subur dan cepat perkembangannya di
ndonesia , baikanjamur yang tumbuh di musim hujan . Kharakteristik
ini terlihat sejaktahun 1980 an hingga sekarang . Coba sdr
jelaskandan terangkan( bisa dilengkapi dengan suporting data )bahwa
tipe segmen apa yang berpengaruhsehingga sasaran ( aim )business
tersebutbisa tepat bidikannya , yaitu ndonesia ,yaitu
ndonesiakhususnya business retail 5.pa perlunyasuatu company
melakukan Line Extention , dan persyaratan apayang harus
diperlukanuntuk programline extention tersebut . jelaskan. 29 Ujian
%engah Semester( U%S ) Magister Manajemen Universitas Muhammadiyah
Mata kuliah: Riset Marketing Program : Marketing consentration
Dosen : Yahya Hamja MM PhD Hari/tgl ; Saptu, 21 Nopember 2008
SiIat: %ake home. Petunjuk ; 1. Kerjakan semua soal yang disediakan
2. awaban ditulis tangan dan tidak diketik. 3. awabandikumpulkan
selambat-lambatnyasatu minggu setelah ujian. . Soal 1. Berikanlah
perbedaanantaramarketing research dengan marketingsttrategy! 2. pa
perbedaan antaradata primer dan data sekunder ?. berikan
contohpenggunaannyamasing masing !.3. %eknik pengambilan
sampelberupa convenience sampling hanya didasarkan pada kenyamanan
periset belaka sehingga sering kali tidak representatiI .Oleh
karena itu teknik ini jarang digunakandalam pemasaran,tapi dalam
hal tertentubisa diguna kan . berika alasan
sdr,kenapabisamenggunakannya .4.Semakin besar jumlah sampelyang
digunakan ,hasil riset juga dapat semakin dipercaya . Setujukah
sdrdengan pernyataan ini ?. berikan penjelasan ! 5. Berapakah
jumlah sampel yangideal untuk riset yang bertujuan
mengukurloyalitas pelanggan ?. berikan alasannya !. B.
Kasus1.Persepsimasyarakat terhadap suatulokasi perbelanjaan
Masyarakat merupakan pasar sasaran bagi pengecer yang berada
didaerahnya . Kecenderungan masyarakat berbelanja di suatu lokasi
bisa disebabkanoleh berbagai Iaktor seperti ; kedekatan,nyaman,jam
buka,kelengkapan barang,dan sebagainya. Harga murah yang ditawarkan
para pengecer juga bisa menjadi daya tarik tersendiri bagi
pelanggan. Sebagai contoh di akarta bisa di jumpai I%C angga dua
dan Pasar Pagi yang selalu dipadatipengunjung yang datang .
Kemampuan menawar dari pengunjung ,harga murah yang ditawarkan ,dan
ragam barangyang beraneka macam merupakan Iaktor yang membentuk
persepsi pelanggan terhadap pusat perbelanjaan tersebut .
Sebaliknya suatu pusat perbelanjaan yang sepih pengunjungkarena
persepsi buruk yang dimilikinya ,misalnya tidak aman ,produk yang
dijual gampang rusak ,penjualnya tidak jujur ,dan sebagainya.
Karena persepsiyang 30 membentuk orangberbelanja,perlu dilakukan
riset terhadap persepsi dimaksud pada lokasi perbelanjaan
.Pertanyaan ;a. pa jenis riset yang sdr lakukanuntuk kasus di atas.
?b. enis datadan teknik pengumpulan data nya ? c. Metode analisa
data yang sdr perlukan ? d. Rumusan hipotesa? e. Standar uji yang
di perlukan ?. I.Buatlah daItar pertanyaanuntuk menjaring data yang
sdr perlukan pada kasus di atas. 2.Manfaat Iklan 1elevisi Salah
satu upaya perusahaan untuk berkomunikasi dengan para pelanggannya
adalah melalui iklan . Dalam melakukan kegiatan pengiklanan
,perusahaan memiliki berbagai alternatiI media seprtimedia cetak,(
surat kabar,majalah,brosur ),media elektronik( televisi ,radio )
,dan media lain seperti internet ,spanduk . Beriklan melalui media
televisi sangat populer dilakukan oleh perusahaan karena cakupan
geograIis yang luas dan kemampuan iklan televisi menampilkanpaduan
audio dan visual yang baik . Namun demikian ,beayanya besar bagi
perusahaan. Oleh karena itu , beaya ini harus diimbangi dengan
manIaat iklan televisi yang mampu mempengaruhipara calon konsumen .
Riset ini memberikan penekananpada pengukuran manIaaat yang
diterima oleh para pemirsa iklan televisi. ika para pemirsa
memberikan tanggapan yang baikterhadap manIaat iklan televisi, maka
perusahaan akanmenjadi lebih tertarik menggunakan media televisi
dalam iklan walaupun biayanya besar bagi perusahaan. Pertanyaan .
a. pa judul risetyang tepat padakasus tersebut di atas. b. Manakah
variabel bebas ( X ) dan variabel terikat ( Y ) pada kasus di atas
?. c. andaikata hasil analisa menggambarkan sbb: ( data 50 respoden
) Y 13303,4850,11 X1 3,046 X2 0, 235 X3 u . Se( 2816,414) ( 0,262 )
( 0,157 )( 0,785 ) t(11,3 3 )( 1,141 ) ( 1,37 )( 1,98) R 0,672 .
Berikanlah interpretasi dari hasil analisa tersebut di atas , da
posisikan X1,X2, dan X3dan Y itu adalah variabel yang sdr maksud
dari kasus di atas . oooooooooooooooooooooooooooo 31 Session ix
Model Regresi Panel data Panel data adalahdata time series
,cross-section. Nama lain dari panel data adalah: 1.Pooled data;
kumpulan data time seriesdan cross-section. 2.micropanel data (
longitudinal ); kombinasi studi atas dasar waktu dari
berbagaivariabel atau kelompok subyek , 3.event historis analysis;
studi perubahan suatu subyek dengan syarat waktu4.cohort analysis ;
studi jalur perkembangan karir dari kelompok manajer . Pengumpulan
data panel pada bidang ekonomi semakin berkembang ,misalnya data
yang dibentuk oleh Biro Pusat Statistik ( BPS ) ,Laporan
KeuanganBank dan sumber sumber lainnya. . Data Panel Beberapa
keuntungandata panel ,dibanding data time series atau cross-section
: 1. Bila data panel berhubungan dengan individu, perusahaan
,negara,daerah dan lain lain pada waktu tertentu ,maka data
tersebut adalah homogen,sehingga penaksiran data dapat di
pertimbangkan dalam perhitungkan . 2. Kombinasi data time series
dan cross-section akan memberikan inIormasi yanglebih lengkap
,beragam,kurang berkorelasi antar variabel ,derajat bebas lebih
besardan lebih eIisien . 3. Studi data panel lebih memuaskan untuk
menentukan perubahan dinamis dibandingdengan studi berulang dari
cros-section. 4. Data panel lebih baik mendeteksi dan mengukur eIek
yang secara sederhana tidakdapat diukur oleh data time series atau
cross-section ,misalnyaeIek dari upahminimum,penurunan penjualan,
penurunan beaya iklan , kualitas produksi dll. 5. Data panel
membantu study untuk menganalisis perilaku yang lebih kompleks ,
misalnyaIenomena skala ekonomi dan perubahan teknoliogi 6. Data
panel dapat meminimalkan bias yang dihasilkan oleh agregasi
individu atauperusahaan karena unit data yang lebih banyak . Contoh
data panel dapat dilihat pada tabel1. , yaitu studi yangberhubungan
dengan investasi bruto rill(NV ) tergantung pada nilai riil
perusahaan ( Val) datamodal riil( Cap),.datainvestasi bruto riil
adalah investasi bruto nominal dibagi dengan deIlator produsen
barang tahan lama. Sedangkan nilai riil perusahaan adalah nilai
nominalperusahaan dibagi dengan deIlator PDB ,dan nilai stok modal
riil adalah nilai stok modal nominal dibagi dengan deIlator biaya
penyusutan . Untuk tujuan tersebut dikumpulkan data 20 tahun da
empat perusahaan; 1.General Electric Company ( G ) 2.General Motor
Corpotation ( G ) 3.Univacs Company( Us ) , pioneer yg
gagal4.rigley`s House company ( WH) 5. 32 Kombinasi atau pooling
penghasilan 80 observasi dengan Iungsi instalasibruto riil : NVit o
1 CPit 2VL2t c it-----------( 1 ) Dimana i 1,2,3,4 dant
1,2,3,,4,.... 20 tahun , diasumsikan variabel CP dan VL adalah
nonstochastic daE ( cit) ~ N (0,o ) ika setiap data unit
cross-section sama dengan jumlah observasi time series maka data
panel disebut balance panel , seperti pada tabel 1., karena setiap
perusahaan mempunyai data time series yang sama,20 periode .ika
jumlah observasi berbeda pada masingmasing anggota panel disebut
unbalance panel . B. PenaksiranModel Regresi Data Panel ( Iixed
eIIect ) Penaksiran tabel 1 , tergantung pada asumsi tentang titik
potong,koeIisen slope,dan error term.. Beberapa kemunkinan dari
Iixed eIIect; 1. Semua koeIisien kostan antar waktu dan anggota
panel 2KeIisien slope konstan tetapi titik potong bervariasi antar
anggota panel 3. KeIisien slope konstan tetapi titik potong
bervariasi antar anggota panel dan waktu 4. Semua koeIisien
bervariasi antar angota panel 5. Semus koeIisien bervariasi antar
anggota paneldan waktu . 1.Semua koefisien konstan antar anggota
panel dan waktu. Model; INVit o+1 CAP it + 2 VAL2t + cit , adalah
merupaka model pooled regression model. Hasil taksiran ordinary
leastSquares estimator ( OLSE ) dan persamaan di atas di tunjukkan
pada tabel2. ( hasil regressi pooled OLSE. ). . Koefisien slope
konstan tetapi titik potong bervariasi antar anggota panel (
least-squares Dummy variableSDJ ). Secara Iaktual walaupun titik
potong berbeda antar anggota panel tetapi antar waktu tidak berbeda
,disebut time invariant. Model regregsi LSDV adalah:
INV it o + GDG+ USDUS+ WH D WH+ 1 CAP it+ 2 VAL2t +cit ---(2) (
covariance model ) Di manaD GM ,D US DHmasing masing variabel
boneka D 1 untuk perusahaan G dan 0 perusahaan lainnya D 1 untuk
perusahaanUS dan 0 perusahaan lainnya D 1 untuk perusahaan WH dan 0
perusahaan lainnya CP dan VLjuga disebut covariate. nalisis
regresi(2) menunjukkan bahwa koeIisien variabel boneka tidak ada
yang signiIkansehingga model ( 1 ) lebih baik dan pilihan adalah
model ( 1 ) . Untuk mengetest model terbaik anatara (1) dan (2),
dgn restricted F test, 33 F ( R -R) ' 3--------- (3) ( 1 - R/ 74
umlah restriksi model (2) adala 3, yaitu D D dan D . ika uji
restriksiF menunjukkan tingkat signiIikansi yang lebih tinggi ,maka
model restriksilebih valid . nalisis eIek waktu dari model (2)
menggunakan variabel boneka untuk menjelaskanberbagai perubahan (
teknologi, regulasi pemerintah,pengaruh eksternal lainnya ),
sehingga persamaan modelnya mengalami perubaha sbb : INV it 2oo4 +
1985 D1985 + 1986 D1986+ ..... + 2003 D2003 +1 CAPit+ B2 VAL2t +c
it .......... (4) dimanaD 1985 1 untuk tahun 1935D 1986 1 untuk
tahun 1936 D 1987 1 untuk tahun 1937 dstsampaitahun 1953. 3.
Koefisien slope konstan tetapi titik potong bervariasi antar
anggota panel & Waktu . Model ini adalah kombinasi dari model
(2 dan (4) ; INV oo + o GD G+o US D US + oWH DWH + 2004 + 1985
D1985 + 1986D1986+ ...+ 2003 D2003 + 1 CAP it + 2 CAP 2t + c it
----- (5) nterpretasi koeIisien variabel boneka tersebut dapat
dijelaskan melalui perbedaan titik potong apabila signiIikan secara
statistik . ika koeIisien variabel boneka dari waktu tidak
signiIikan secara statistik maka model kembali ke pada pers. (1 ).
4. Semua koefisien bervariasi antar anggota Panel. Model
inimenunjukkan perbedaan titik potong dan koeIisien slope dengan
variabel boneka. Model (2 ) dapat ditulis sbb: Yit oo + o G DG+ o
US D US + o WHD WH + G1 ( DGCAP it )+ G2( DGVal 2t ) + U1( DUS CAP
it ) + U2 ( DUS VAL2t ) + W1( DWH CAP it ) + W2 ( D WH Val 2t) +
1Val it+ c it nterpretasi koeIisien variabel boneka tersebut dapat
dijelaskan melalui perbedaan titik potong dan koeIisien slope
apabila signiIikan secara statistik . Misalnya perbedaan koeIisien
slope perusahaan G ( 1) terhadap variabel CP dengan perusahaan G,US
dan WH masing- masing adalah : ( 1 G1 ) untuk perusahaan G ; ( 1
U1) perusahaan US; dan (1 1 ) untuk perusahaan WH., demikian
seterusnya untuk penjelasan koeIisienslope VL ika koeIisien slope
variabel boneka tersebut tidak signiIikan secara statistik,
makakembali ke model (1). 34 Semua koefisien bervariasi antar
anggota panel dan waktu . ni merupakan pengembangan dari model (4 )
dan (5 ) dengan cara interaksi variabel boneka waktudan perusahaan
ke variabel CP dan VL . Penulisan model lebih panjang( dijelaska
kemudian ) . Penggunaan model Iixed eIect atau LSDV harus hati-hati
karena model mengandung beberapa masalah seperti : 1.ika pengenalan
variabelterlau banyakseperti model (4 ) maka masalah derajat bebas
akan muncul2.ika metrix variabel X relatiI banyak makamasalah
multikolinieritas akan muncul dan penaksiran lebih sulit . 3.Dala
Iixed eIIect model ( FEM ) juga dicakup variabelseperti ; sex,warna
kulit,suku,agama dan lain-lain sehingga pendekatan LSDV tidak dapat
mengindentiIkasi dampak variabel time variant 4.sumsi (c it ) ~N
(0,o ) dapat dimodiIkasi dengan beberapa kemungkinan ,antara lain
dengan asumsi homoskedastisitas atau autokorelasi R (1 ).
C. Penaksiran Model Regresi Data Panel ( Random eIIect )
Penggunaan model LSDV relatiI mahal terhadap derajat bebas jika
data cross-section terbatas . Pengetahuan yang terbatas terhadap
makna variabel boneka mendorong penggunaan eror component model(ECM
) atau random eIIect model ( REM ). de dasar dari model ini adalah
: INV it oi + 1 CAP it + VAL2t + c it------ (7 ) Dimana oi o cii 1,
2, 3 ....., N.Substitusi persamaann ; INV it o + 1 CAP it + 2 VAL
2t +ci + c it INV it o + 1 CAP it + c2VAL 2t +it.------ (8 ) Error
term pada ( 8 ) terdiri dari dua komponen,yaitu komponen cross
section spesiIik perusahaan (ci ) dan komponen error ( c it ).
Komponen error ( Eit ) merupakan kombinasi time series error dan
cross-section error . ssumsi ECM terdiri dari:c ~ N(0,oe); cit ~ N(
0,ot ) E( ci, c it ) 0 E ( ci,cj ) 0 ( i = j ) E(citcis ) E(cit cjt
) E(cit cjs) 0 (i=j ), (t = s ) 35 rtinya ; komponen error tidak
berkorelasi satu sama lain dan tidak berkorelasi antara
cross-section dan time series . Perbedaan penting antara FEM dan
ECMadalah ; padaFEMsetiap unitcross-section mempunyai nilai titik
potong tetap dari semua observasi N,sedangkan pada ECM nilai titik
potong omenjelaskan nilai rata-rata semua titik potong
cross-section dan komponen error (ci) menjelaskan deviasi titik
potong anggota panel dari rata-rata . Komponen error ini tidak
dapat diamatiatau unobservable . Oleh karena itu asumsi di atas
harus mengikuti : E (Eit ) 0 dan var Eit ) o / oe oc ,dan o0 pada
model( 1 ). Bagaimanapun asumsi homoskedastisitas dari E it
menunjukkan korelasi antara E(cit,cjs), yaitu ; Corr (it,is ) oe /
oe + oc ------- (9 ) da dua siIat dari koeIisien korelasi ini :
1.pada unit time series tertentu,nilai korelasi antara error pada
dua waktu yang berbeda tetap sama ,tidak masalah berapa besar jarak
antaradua periodewaktu tersebut, 2.struktur korelasi (8 ) tetap
sama untuk semua unit cross-section dan identik untuk semua anggota
panel.Hasil analisis regresidengan eviewsdari ECM Iungsi
investasiseperti pada tabelberkutyang terdiri dari beberapa asIek.
; yakni ; 1.ika random eIIect empat perusahaan dijumlahkan ,maka
hasilnya adalah nol karena komponen error (Eit ) merupakan
kombinasi time series error dan sross-section error. 2.Nilai R
diperoleh dari transIormasi regresi GLSE. 3.Rata-rata nilai
komponen random error cross-section spesiIik perusahaan (ci )
adalah -73.0353.Nilai random eIIect dari GE adalah-169,9282
menjelaskanbesar perbedaan komponen random error GE dari nilai
titik potong bersama keempat perusahaan. Menurut udge ,ada empat
pertimbangan pokok untuk memilih FEM dan ECM ; 1.ika jumlah time
series( % ) besar dan jumlah cross-secton (N) kecilmaka nilai
taksiranpara meter berbeda kecil sehingga pilihan didasarkan pada
kemudahan perhitungan ,yaitu FEM. 2.Bila N besar dan % kecil ,
penaksiran dengan FEM dan ECM menghasilkan perbedaan yang
signiIikan. PadaECM dketahui bahwaoi o ci, dimanaci adalah komponen
acak cross-section,pada FEM diperlukano adalah tetap atau tidak
acak . Bila diyakinibahwa individu atau crosssectiontidak acak ,
maka FEM lebih tepat, sebaliknyajika crosssection acak maka ECM
lebih tepat. 3.jika komponen errorciindividu berkorelasimaka
penaksir ECM adalah bias dan penaksir FEM tidak bias. 4.ika N besar
dan % kecilserta asumsi ECM dipenuhi maka penaksir ECM lebih
eIisien dari penaksir FEM 36 Inter;ening Variabel ntervening
variabel adalahvariabel antara ,atau penengah sehinggavariabel
eksplanatorisdaya pengaruhnyalebih kuat terhadap variabel dependent
Misalnya udul Penelitian ; 1.Pengaruh komitmen proIesionaldan
komitmen organisasiterhadap intensi keluar ( turn over ); variabel
motivasisebagai intevening .
Hipotesa 1. Y1 a b1X1 e 1--------1 ) Y2 a b1X1 b2X2 e2---- 2 )
Hipotesa 2. Y1 a b3X3 e1 -------1 ) Y2 a b3X3 b2X2 e2 Dimana : Y1 ;
motivasi b1X1; komitmen proIesional b2X2; motivasi Y2; ntensi
keluar a ; konstanta e ; error term 2.Pengaruhmage dan beneIit,
terhadapkeputusan pembelianVariabelekuitas merek sebagai
intervening . Hipotesa 1.Y1 a b3X3 e1-----------1) Y2 a b1X1 b2X2
e2---- 2 ) Hipotesa 2 Y1 a b3X3 e1-----------1 ) Y2 a b3X3 b2X2 e2
----- 2 ) Y1 equitas merek b1X1 mage b2X2 equitas merek Y2
keputusan pembelian b3X3 beneIit a konstanta e error term . 37
Session 10 odel konometrik Dinamis Pada analisis regressi data time
series,model regressi tidak hanya mencakup nilai sekarangdari
variabel tetapi dapat mencakup nilai sebelumnyaatau lagged. Model
regressi seperti ini disebut distributed lag model. ika model
mencakup satu atau lebih nilai variabel eksplanatoris sebelumnya
maka modelnya disebut autoregresivemodel sbb ; odel distributed -
lag Yt u o oXt 1Xt-1 2Xt-2 ... i Xt-k c t------- 1). odel
autoregresi;e ( dynamic model) Yt uo o Xt Y t-1 c t --------- 2).
yang menjelaskan gambaran jalur atau timepath nilai regressan dan
hubungannyadengan nilai sebelumnya atau dengan kata lain hubungan
antara variabel terikat dan variabel bebas yang menggunakan
periode/waktu berbeda. Biasanya variabel terikat merujuk pada saat
sekarang (t),sedangkanvariebel bebas merujuk pada waktu lalu ( t-s
). Sebagai contoh bahwa pengeluaran konsumsi suatu keluarga tidak
hanya tergantung pada pendapatan keluarga saat ini ( waktu t )
,melainkan tergantung juga pada pendapatan beberapa periode lalu (
t-s ) , demikian juga tentang banyaknyabarang yang ada
digudangtergantungpada tingkat produksi saat ini ( waktu t ) dan
juga pada tingkat persediaan yang ada digudangpada masa lalu (
waktu t-s) adi variabel terikat (Y) tidak hnaya akan
dipengaruhivariabel X pada saat t,tetapi juga besaran X pada saat
t-1,t-2 .......,t-s . dan ukuran waktu yang digunakan
tergantungpenggunaan analisisnya ( hari,minggu,bulan,tahun, lima
tahun,sepuluh tahun ). Model distributed lag dan
autoregresivesecara intensiI banyak digunakan dalam analisis
ekonometrik yang berkaitan dengan : 1.peran lagdalam ekonomi
2.alasan menggunakan lag 3.penjelasan teoritis penggunaan model
lagpada penelitian ekonometrik 4.hubungan model distributed lagdan
autoregressive 5.statistika yang digunakan untuk menaksir model
6.hubungan antara lag variebel bersiIat kausalitas. Peranan waktu
Lag dalamkonomi. Dala ekonomi regressan selain ditentukan oleh
nilai sekarang dari regressor ,juga ditentukan nilai sebelumnya
dari regressor . Secara umummodel distributed lag , dirumuskan
seperti persamaan(1)dmanak adalahperiode waktu lag . KoeIisien o
disebutangka penganda jangka pendek ( short -run multiplier )
karena menjelaskan perubahannilai sekarang Y akibat perubahan nilai
sekarang X. ika38 perubahan X sama denganperubahan sebelumnyamaka (
o 1 )adalah perubahanilai rata-rataY satu periode berikutnya atau
disebut angka pengganda antara atau interim or intermediate
multiplier . Penjumlahano 1 ... k 39 Session 11 lmon atau
Polynomial Distributed Lag ( PDL ) KoeIisien i pada awalnya dapat
naikkemudianposisi maksimum dan turun( kecenderungan untuk naik
turun . Shirley lmonmenyarankan model distributed Lag berhingga
sbb: Yt u _iXt-i ct ----------- 1) Dalam matematik, persamaan di
atasdikenal dengan persamaan Welerstrass %heorem . lmon
mengasumsikan bahwa i dapat ditaksir denganderajat polinomial,
dimana i ao a1i a2i ..... am i . Sehingga model persamaan1) di atas
bisadituliskan sbb : Yt u _ ( ao a1i a2i ) Xt-i ct------ 2) Yt u ao
_Xt-1 a1_iXt-i a2_i Xt-1 ct Dan dalam elerstrasspersamaan tersebut
dideIinisikansb : Zot ao_Xt-i;Z1t a1_iXt-i ; Z2t a2_iXt-iSehingga
dapat dituliskan menjadi : Yt uo ao Zot a1Z1t a2Z2t ct----3) Skema
lmon menunjukkan bahwa Y diregresikan pada variabel Z bukan pada
variabel awal X.Pada persaman3) di atas biasanya ditaksirdengan OLS
dan asumsi dari term errordiharapkan dapat terpenuhi , yang menjadi
kelebihan PDL dibanding dengan model oyck . Oleh karena itu sebelum
menggunakan model lmon ,mak masalah praktisharus
diselesaikanterlebih dahulu yang berupa1.Maksimum panjang lag k
terlebih dahulu harus disepakatidengan menggunakan Akaike or Schwa:
information criteria 2.Setelah memperoleh k ,baru menentukan
derajat polinomial m. 3.derajat polinomialditentukanlebih besar
dari jumlah titik belok ( inIlection point )darikurva hubungani dan
i. 4.umlah m yang disarankanadalah m 2 atau m 3 Bila m 3 (
third-degree plynomial )adalah : Yt uo aoZot a1Z1t a2Z2t a3Z3t ct
---- 4) 5.Sesudah k dan m di sIesiIikasi , nila Z dapat ditentukan
. Contoh .bila k 4 dan m 2 Zot Xt Xt-1 Xt-2 Xt-3 Xt-4 Z1t Xt-1
2Xt-2 3Xt-3 4Xt-4---5) Z2t Xt-1 4Xt-2 9Xt-3 16Xt-4 40 Dari model
indeks hargaumum danjumlah uang kasmisalnya k 1: Yt u aoZot a1Z1t c
t------ 6) Dimana Zot ln M0t lnM0t-1 danZ1t lnM0t-1. Misalnya hasil
model regresi PDL Yt -0,626683 0,289125Zot0,018414Z1t ni
dikonIersike model pertama ( awal ) dengan menghitung: o ao
0,289125 dan .t ( ao at ) 0,2891250,018414 0,270711
SiIatsiIatkhusus dari PDL1.dapat langsung ditaksir dengan OLS
2.penaIsiran koeIisiennya disebut unrestricted estimates3.jumlah
koeIisien lagadalah derajat polinomial 4.penaIsiran koeIisien
disebut restricted least-squares . Kausalitas Ekonomi ( Granger
Causality %est ) Beberapa variabel yang sudah ditentukan ,tidak
mampumenjelaskan kausalitasnya , atau eksistensi hubungan antara
variabel,tidak bisa membuktikankausalitasnya yang menyangkut arah
pengaruh .Oleh karena itumasalah kausalitasdilakuka oleh Granger(
Granger Quality %est )Grangermelihat data time series berhubungan
dengan suatu substansi bahwaapakah PDB menyebabkan penawranuang (
PDB M ) atau penawaran yang menyebabkanPDB ( M PDB ) UjiGranger
test :PDBt _ jPDB t-j c 1t------ 7) Mt _oiMt-i _j PDBt-j c 2t -----
8) Diasumsikan bahwa disturbance term errormasing masingc1t dan c
2t tidak berkorelasi. Dua variabel kemingkinan bilateral causality
dan pengembangan kausalitasnyauntuk variabel disebut;ector
autoregression (VR ) Disini beberapa kasus yang perlu
dibedakanadalah : 1.Kausalitas tidak langsung dari M PDB ,bisa ada
jika koeIisien lag MSigniIikan ( berbeda denmgan nol ); _ui = 0 ,
dan perlu ditentukanbahwa koeIisien lag PDB tidak berbeda dengan
nol ; _j 0. 2.Bila kausalitas dari PDB M bisa ada jika koeIisien
lag M tidak signiIikan ( tidak berbeda dengan nl ); _ ui 0 dan
koeIisien lag PDB adalah signiIikan( berbeda dengan nol ) ; _ j = 0
41 3.Bilateral causalityterjadi bila koeIisien PDB dan M
seigniIikan( berbeda dengannol pada kedua model regresi 4.Variabel
independenditemukan jika koeIisienPDB dan M tidak signiIikan (
tidak berbeda dengan nol ) pada kedua model regresi tau secara umum
dari modelGranger test bahwa jika variabel X menyebabkan variabel Y
maka perubahan X akan mendahului atau precedeperubahan Y .Oleh
karena itu implementasiGranger causality test dilakukan beberapa
tahap : 1.Regregsikan PDB pada semua lag PDB dan variabel lainnya
,namun tidak meliputi variabel lag pada M,dan hasil regresinya
adalah RSSR2.Regresikan PDB denga semua lag PDBdan M ,hasil regresi
diperoleh RSSUR 3.Hipotesa nol nya adalahHo ;_ui 0yang berarti
koeIisien lagtidak tercakup dalam model--7 ) 4.Uji hipotesa nol
dengan statistik F( lihat rumusnya ) ( RSSRRSSUR ) / mF
---------------- RSSUR/ ( N-k ) Dimana m jumlah bentuk dari lagM K
para meter yang ditaksirpada regresi restriksi . ikaF lebih
besardari nilai kritisF, maka menolak Ho atau koeIisien lagM
tercakup dalam model . ( M yang menyebablan PDB ) 5.Langkah ( 1-5 )
di ulangi untuk menguji PDB menyebabka M Perhatian penting dalam
menggunakanGC test1.Diasumsika bahwa kedua PDB dan Madalah
stationer2.jimlah lag yangperkenankanpada uji causalitybatas m
1s/dm 3: 3.Diasumsikan bahwa disturbance term error tidak
berkorelasi4.ika errorterm berkorelasi harus ditrasIormasi( cek
pembahasan autokerelasi )
42 Session 12
Model Persamaan Simultan %eori ekonomipada umumnya
vaiabelindependen dan spdependen saling mempengaruhi . sumsi model
persamaan simultanbahwa variabel independen adalah sebabsedangkan
variabel dependen adalah akibat. Kondisi inimenunjukka dua cara
pengaruh antar variabel ekonomiyaitu : 1.satu vatriabelyang
mempengaruhi variabel lain2.variabel tersebutkembali dipengaruhi
oleh variabel lainmis. Variabel Ytergantung pada variabel X
,kemudian variabel X tergantungkepada variabel Y.Masalah
identiIikasi dalam persamaan simultan yang mencakup dua atau lebih
persamaanadlah penting untuk menunjukkan jumlah variabel
independenadan variabel dependenMis. Quantitas ( Q ) tergantung
pada harga( P ),persamaan Iungsi permintaan& penawaran. Data
yang diperoleh hanya harga ( P )dan Quantitas ( Q ) ,inIormasi lain
tidak ada.dentiIikasi model akan lebih sulit untuk menentukan
apakah data yang diperolehapakah Iungsi permintaan ataukah penawara
. SiIat Model Persamaan Simultan . da suatu kondisi yang bisa
terjadi bahwa Y ditentukan X,kemudian X di tentukan oleh Y,
sehingga hubungan antara Y & X akan menentukanvariabel dependen
dan variabel independen . Model yang demikian terdiri darilebih
satu persamaan dan sslah satu variabeladalah mutually atau
jointly,dependent atau endogenousvariabels.Variabel lain yangnon
stochastic disebutexogenous atau predetermined ;ariables .
Penaksiran dengan OLS. sumsinya : 1.non stochastic dari variabel
independen ( eksplanatoris X ) 2.jika stochastocmaka OLS tidakbias
dan juga tidak konsisten . 3.bila observasi
bertambahtakberhinggapenaksirtidak konvergens atau( pemusatan
)terhadap nilai populasiyang sebenarnya . perhatikan model : Y1 o +
1 Y2 + 2 X + c1 ----------- 1) Y2 oo + o1 Y1 + o2 X + c 2
-----------2) Dimana : Y1 dan Y2 mutually dependent atau endogenX
variabel eksogen ( independen ) c1 , c2 stochastic disturbance 43
Model di atas dapat seperti ; model permintaan & penawaran ,
dimana quantitas Qdan harga Padalah jointly dependentvariabelsModel
lain seperti teori M..Keynes konsumsiCditentukan oleh pendapatan Y
dan pendapatan adalah identitas darikonsumsi dan investasi Model
perubahan upah ( A),dan perubaha harga (AP )Perubahan
upahditentukanoleh perubahan hargada perubaha harga ditentukan
olehperubahan upah . Model ekonomi makro ,dan liqudity money( LM
)Permintaan uang (M ) dan pendapatan (Y ) juga adalah jointly
dependent variables . nkonsistensi ( bias persamaan OLS ) Bila
terjadi satuatau lebih variabeleksplanatoris berkorelasi dengan
disturbance termerror berartiaplkasipelaksanaan OLS tidak oknsisten
. Contoh dari model Keynes ; C o + 1Y + c ------- 3) Y C + I
---------- 4) Dimana C konsumsi Y pendapatan investasipabila para
meter konsumsi yang ingin ditaksir makadiasumsikan bahwa : E ( c )
0, E ( c o, E ( ct ct-1) 0untul j= 0,dan cov ( i ,c ) 0 Dari
persamaan 3 dan 4 di atasbahwa Y danc berkorelasi , yakni ; Y o 1Y
c Y o /1-1+ 1/ 1-1 I +1/ 1-1c------ 5) (Y) o /1-1 + 1/1-1 I--------
6) Dari persamaan 5) dan ,6) ditunjukan bahwa cE(c ) c dan
covarians Ydan c adalah : Cov( Y,c ) E | YE(Y)| | cE(c)| (c ) /1-1
o / 1-1---------------------7). 44 Diketahui
bahwaadalahpositipsehinggakovariansY dan cberbedadari nolsehingga
keduanya diharapkan berkorelasi . Untuk membuktikan bahwa OLS
adalah penaksir yang tidak konsisten,misal ; model Keynes ; y Y X
c. y | YX | | | c . y Z +c-----------8) dimana Z (Y), ( y C ),c
koeIisien variabel eksogen . koeIisien variabel endogen Metode
OLSdari persamaan 8)adalaho (Z`Z ) Z` y sehinga rata-rata vektor
acakE() : E(o) ( Z`Z) Z`y E|Z`Z)Z`(Zo c ) | E|(z`Z)Z`Zo | E|(Z`Z)
Z` c | + (Z`Z)Z` c ] ------------ 9) Maatrix Z mencakup variabel
endogen Y dan tidak independen dari csehinggaE(o ) = o atau bias ,
yang berarti peningkatan observasi akan meningkatkan taksirano dan
tidak konIergen ( pemusatan ) terhadap nilai populasio.Suatu
penaksirandari os.adala konsisten bila probabilitylimit (plim )
adalah sama dengan nilai populasi yang sebenarnya yaitu ;
Plim s+ plim% Z`Z]plim % Z`c / --------10) Dari modelKeynesdi
atas mengambarka bahwa peningkatancakan meningkatkan konsumsiC
sehingga pendapatan Y naik. Oleh sebab itupeningkatanc akan
meningkatkan pendapatandan berakibat E | (Z`Z )Z` c | semakin
tinggi . Bias seperti inibias atas ( over estimatesehinggaos ~
o.
45 Session 13 Masalah dentiIikasi Model Masalah identiIikasi
model adalahbagaimana menjamintentang Iungsi yang ditaksir apakah
variabel eksplanatoris ataukah dependen variabel . Misalnya pada
harga P dan kuantitas Q tertentu, bagaimana mengetahuibahwa yang
ditaksiradalah Iungsi permintaan ataukah penawaran ?. Bagaimana
menjamin bahwaIungsi yang ditaksiradalah Iungsi
permintaanbukanIungsi penawaran ?. Suatu persaman simultanakan
ditunjukkanapakah satu atau lebihpersamaan teridentiIikasiatrau
tidak sama sekali . Notasi dan DeIinisiikaadapersamaan dalam suatu
persamaansimultan , maka ada sebanyakvariabelendogen atau jointly
dependentvariables. Persamaan simultan dapat dituliskan sbb :
dimana Variabel yang termasukpersamaan simultan ada dua tipe
:a.variabel endogenyang nilainya ditentukandalam model (
stochastic) b.variabelpredeterminyang nilainya diluar model (non
stochastic ) Variabel predetermindibagi dalam dua kategori :
a.variabeleksogentermasuk lagb.lagged endogenous 46 Variabel
eksogen,lag eksogendan lag endogennilainya tidak ditentukanoleh
model tetapi ditentukanterlebih dahulu. Contohnya : DimanaCt
pengeluarankonsumsipersonalperiode t Yt pendapatan nasional periode
t t total kekayaan periode t tpengeluaran investasi periode t Rt
tingkat bunga pinjamanperiode t. Sistim persamaan 1) di atasadalah
structuralatau behavioralkarena persamaan tersebutmerupakan suatu
strukturperekonomian . KoeIisien s` dan os` disebut structural
parameteratau koeIisien struktural. Dari persamaanstruktural ,
adalah satu dari M variabelendogen diselesaikan denganreduced-Iorm
equation ( adalah bentuk persamaansemua variabel endogen adalah
Iungsi dari semua variabelpredetermin dan disturbanceterm erro.).
Untuk menentukan jumlah variabelendogen digunakan Iormulabanyaknya
persamaan ,yang terdiri dari 3 persamanatau 3 variabel endogen (
C,Y dan) dan variabel lainnya merupakan variabelpredetermin(dan R )
Reduced Iorm equation adalah :
Dengan cara substitusiketiga persamaanreduced-Iorm,kemungkinan
koeIisienreduced-Iorm lainnya dapat ditentukan( substitusi antar
persamaan ),penaIsiranyamenghasilka persaman struktural( model
ndirect Least Squares EstimatorOLSE ). 47 Masalah dentiIikasi .
Masalah identiIikasidimaksudkanapakah penaksiran numerisparameter
persamaan struktural dapat diperoleh dari taksiran
koeIisienreduced-Iorm. ika taksiran koeIisien
persamaanstrukturaldapat dihasilkandari
taksirankoeIisienreduced-Iormmaka persamaandikatakan
teridentiIikasiatau identified,jika tidakpersamaanya dikatakan
unidentified ( underidentified ). Persamaan teridentiIikasiada
duatipe : a.exactlyidentiIied; nilai numeris parameterstruktural
yang diperoleh dari reduced-Iormequation b.overidentiIied; bila
numeris para meter struktural lebi dari satuyang diperoleh dari
reduced Iorm ecuation. c.Diketahui bahwa satu reduced-Iormequation
tertentudapat dibandingkandenga satu persamaan struktural atau
hipotetis . UnderidentiIied. Pada model ppermintaan&
penawaransuatu komoditas : Daripersamaan 3a) dan 3b)ditunjukkan
bahwa tdanvtadalah linier kombinasi. ReducedIorm equationterdiri
dari empat parameterstrukturaltetapiada cara untuk menaksirke empat
para meterdarikeduareduced-Iormequationtersebut. ika reduced-Iorm
equation ( persamaan 3a &3b )diregresikan,maka variabel
predetermin tidak ada ,hanya ada konstantayang menggambarkanharga P
dan quantitas Q secara rata-rata. Salah satu alternatiIuntuk
mengatasimasalah identiIikasi ini adalah mengalikan
keseimbanganpermintaandengandan penawaran(1-), yaitu ; 48
Penjumlahanpersamaan 4a) dan 4b) akan
menghasilkankombinasilinierpersamaan permintaandan penawaranawal :
Pada persamaan 50 dapat diobservasidan sudah berbeda dengan
persamaan penawarandan permintaansemula ( awal )karena
modelregrasiQ telah mencakup variabel predetermin P. ust, or exact
identiIication . Pertimbangan model permintaandan penawarandi atas
,Iungsi permintaan dan penawarannya adalah : Dt o1 u11 Pt 12 Yt
c1t6a) St o u 12 Pt c2t6b) Di mana Ytadalah variabel predetermin (
penda|patan konsume ) . Keseimbangan pasaratau market clearing
menjelaskan bahwa : .o1 u11 Pt 12 Yt c1t o2 u21 Pt c2t Pt ao a1 Yt
ut 7a) Qt a2 a3 Yt vt7b) Untuk persamaan 7a) dan 7b) ,adalah empat
para meter sedangkan persamaan 6a) dan 6b) adalah lima para
metersehinggga sulit untuk dihitung . Para meter6b)dapat ditaksir(
diidentiIikasi )dengan terlebih dahilu menentukanbesaran
koeIisienao,a1,a2 dan a3 yaitu: .o a2u 21 aodanu 21 a3 / a1 8).
Sebaliknyapara meter model permintaantidaksulit,sederhanasehinga
persamaan 6a) unidentiIied . Perkalian 6a) dengandan 6b)dengan( 1
)dan penjumlahan keduanyaakan menghasilkankombinasi
linierpersamanpermintaandan penawaranawalyaitu :
Qt a 4 a5 Pt a6 Yt t9). 49 alaupun persamaan9) dapat
dibedakandengan 6a) dan 6b) ,Iungsi permintaannyatetap
unidentiIiedkarena model penawarantidak mencakupvariabelpredetemin
Y.adi adanya variabeltambahandari Iungsi
permintaanmengakibatkanIungsipenawaranmenjadi identiIied .
PenambahaninIormasipendapatanpada Iungsi
permintaanmerupakantambahaninIormasivariabelIungsi. dapunmodel
permintaan dan penawaran sbb : . Dari10)dan 10b) ada enam para
meterstrukturaldan reduced-Iorm equationjuga enam para meter .
Karena jumlahpara meter samamaka penaksiranreducedIorm equationakan
menghasilkan solusi yang unik ( sulit ), sehingga
modelpermintaandan penawaranadalah identiIied. OveridentiIied. Pada
persamaan model 10a dan 10bdikembangkan menjadimodelpermintaan dan
penawaranberikut : Dt to1 u11 Pt 12 t c1t12a) St to2 u 2t Pt 22
Pt-1 c 2t12b) Dimana tadalah kekayaan konsumen . Keseimbangan
permintaandan penawaran( market
clearingmenghasilkanreducedIormequation ,yaitu : Pt a0 a1Yt a2 t a3
Pt-1 ut13a) Qt a4 a5 Yt a6 t a7 Pt-1 vt 13b) Dari 12a) dan
12b)terdapat tuju parameterstruktural,sedangkanpada 13a) dan
13b)terdapat delapan para meterreduced- Iormequation . Oleh sebab
itujumlah persamaanlebihdari jumlah yang tidak
diketahuisehinggataksiran dari semua para meter terdapat lebih dari
satu nilai para meter struktural( o;ersufficiencyof information ).
ni diperlukan restriksi yang banyakuntuk menaksir para meter
struktural . ika besaran koeIisien reducedIormequationditentukan
,maka nilai 21 ada dua yaitu : o 21 n6/n2 dan o 21 n5 /n1 . ( model
penawaran overidentiIied ) 50 Kaidah dentiIikasi
