Identifikasi Persamaan Teknik Analisis Data

3.6.1 Identifikasi Persamaan

Ada tiga masalah identifikasi pada persamaan simultan, dimana dari masing- masing permasalahan identifikasi tersebut kita dapat mengetahui metode apa yang tepat menyelesaikan suatu sistem persamaan simultan yang kita temui. Ketiga masalah tersebut adalah: 1. Under identified. Pada kasus ini kita tidak dapat menyelesaikan sistem persamaan simultan yang ada, karena kita kekurangan informasi yang menyangkut tentang variabel predetermine. 2. Exactly identified. Pada kasus ini sistem persamaan simultan yang ada dapat diselesaikan dengan metode OLS. 3. Over identified. Pada kasus ini sistem persamaan simultan yang ada justru kelebihan informasi yang menyangkut variabel predetermine. Jika metode OLS digunakan untuk permasalahan ini, maka nilai parameter yang didapat mungkin tidak akan bersifat tunggal. Oleh karena itu, metode seperti TSLS Two Stage Least Square dapat digunakan menyelesaikan masalah ini. Identifikasi sistem persamaan simultan dapat menggunakan prosedur pengujian order condition . Mekanisme prosedur pengujian ini dapat dijelaskan sebagai berikut: K – k = m – 1 : exactly identified K – k m – 1 : over identified K – k m – 1 : under identified Dimana : Universitas Sumatera Utara K = Jumlah predetermined variables meliputi current exogenous variables dan lagged endogenous variables dalam model k = Jumlah predetermined variables dalam persamaan struktural tertentu M = Jumlah current endogenous variables dalam model m = Jumlah current endogenous variables dalam persamaan tertentu Model yang dirumuskan terdiri dari dua persamaan yaitu: Model Permintaan  L d = � 10 + � 11 �� � + � 13 ��� � + � 1� 3 – 1 2 - 1 2 1 over identified Model Penawaran  Ls = � 20 + � 21 �� � + � 22 ��� � + � 24 ��� � + � 2� 3 – 2 2 - 1 1 1 exactly identified Dari model di atas kita bisa melihat bahwa model penawaran adalah exactly identified, sedangkan model permintaan adalah over identified. Karena model permintaan yang over identified tidak dapat diestimasi dengan ILS maka metode two- stage least square 2SLS kita gunakan untuk mengestimasi model-model diatas. Universitas Sumatera Utara Keistimewaan dari 2SLS Gujarat dan Dawn, 2012: 1. Dapat diaplikasikan pada persamaan individu dalam sistem tanpa secara langsung mempertimbangkan persamaan lain apapun dalam sistem. 2. Menyediakan hanya satu estimasi per parameter 3. Cukup mudah untuk digunakan karena yang perlu diketahui adalah jumlah total dari variabel eksogen atau predetermined dalam sistem tanpa mengetahui variabel lainnya dalam sistem 4. Walaupun didesain secara khusus untuk mengatasi persamaan yang over identified, metode ini juga dapat digunakan pada persamaan yang secara tepat diidentifikasi. 5. Jika nilai R 2 dalam regresi reduced-form regresi tahap I sangat tinggi, katakanlah lebih dari 0,8, estimasi ols klasik dan estimasi 2SLS akan menjadi sangat dekat. Universitas Sumatera Utara

BAB IV HASIL DAN PEMBAHASAN