48
satu persamaan tertentu maksimal adalah tujuh variabel, sehingga diperoleh hasil K-M G-1. Oleh karena itu, dapat disimpulkan bahwa persamaan struktural yang
terdapat dalam penelitian ini adalah overidentified.
4.5. Metode Estimasi Model
Hasil identifikasi yang menghasilkan kesimpulan overidentified memungkinkan persamaan untuk diestimasi dengan metode Two-Stages Least
Squares 2SLS, Three-Stages Least Squares 3SLS, Limited Information
Maximum Likelihood LIML atau Full Information Maximum Likelihood
FIML. Metode yang akan digunakan dalam penelitian ini adalah Two-Stages Least Squares
2SLS. Beberapa alasan digunakan metode 2SLS ini adalah Koutsoyiannis,
1977: 1.
Metode ini lebih cocok digunakan jika jumlah contoh kecil. 2.
Metode ini menghindari estimasi yang bias dan tidak konsisten.
3. Metode ini merupakan salah satu metode yang cocok untuk digunakan
dalam estimasi parameter model ekonometrika simultan, terutama untuk persamaan simultan.
4. Metode ini lebih efisien digunakan pada kondisi tidak semua persamaan
dalam sistem akan diestimasi parameternya.
4.5.1. Uji Kesesuaian Model
Pengujian terhadap estimasi persamaan secara keseluruhan dapat dilakukan dengan menggunakan uji statistik-F. Uji Statistik-F adalah uji statistik
yang digunakan untuk mengetahui dan menguji apakah variabel penjelas secara
49
bersama-sama mampu menjelaskan keragaman variabel endogennya dengan baik Koutsoyiannis, 1977.
Hipotesis: H
:
1
=
2
…… = i = 0 H
1
: minimal ada satu i ≠ 0
dimana: i = banyaknya variabel bebas dalam suatu persamaan
Apabila P-value uji statistik-F taraf α sebesar 10 persen maka tolak H
. Tolak H
berarti seluruh variabel penjelas dalam satu persamaan secara bersama- sama mampu menjelaskan variabel endogennya dengan baik.
4.5.2. Uji Estimasi Variabel Secara Individu
Uji statistik-t adalah uji statistik yang digunakan untuk mengatahui dan menguji apakah masing-masing variabel penjelas berpengaruh nyata terhadap
variabel endogen Koutsoyiannis, 1977. Hipotesis:
H : i = 0
H
1
: uji satu arah → i 0; i 0
uji dua arah → i ≠ 0 Kriteria uji :
Jika H
1
: i 0, bila P-value uji statistik-t α maka tolak H H
1
: i 0, bila P-value uji statistik-t α maka tolak H H
1
: i ≠ 0, bila P-value uji statistik-t αβ maka tolak H Penelitian ini menggunakan uji satu
arah dengan taraf α sebesar 10 persen, sehingga apabila P-value uji statistik-
t taraf α sebesar 10 persen maka tolak H .
50
Tolak H berarti suatu variabel penjelas berpengaruh nyata terhadap variabel
endogen.
4.5.3. Uji Autocorrelation
Autocorrelation adalah adanya korelasihubungan antara kesalahan error
term pada tahun sekarang dengan kesalahan pada tahun sebelumnya. Guna
mengetahui ada atau tidaknya masalah autocorrelation pada setiap persamaan maka perlu dilakukan uji autocorrelation dengan menggunakan statistik DW
Durbin-Watson statistic.
Tabel 7. Range Statistik Durbin Watson
Nilai DW Hasil
4 – d
l
DW 4 Tolak H0, terjadi masalah autocorrelation negatif
4 – d
u
DW 4 – d
l
masalah autocorrelation tidak dapat disimpulkan 2 DW 4
– d
u
Terima H0, tidak terjadi masalah autocorrelation d
u
DW 2 Terima H0, tidak terjadi masalah autocorrelation
d
l
DW d
u
masalah autocorrelation tidak dapat disimpulkan 0 DW d
l
Tolak H0, terjadi masalah autocorrelation positif
Sumber: Pindyck dan Rubinfeld 1998
Apabila model mengandung persamaan simultan dan variabel lag, maka untuk mengetahui apakah terdapat autocorrelation atau tidak dalam persamaan
digunakan statistik dh durbin-h statistic. Nilai Durbin-h diperoleh dari perhitungan sebagai berikut Pindyck dan Rubinfeld, 1998:
√ ……………………………………….4.11
dimana: h
= Angka durbin h statistik T
= Jumlah periode pengamatan sampel var = Kuadrat dari standar error koefisien “lagged endogenous variabel”
DW = Nilai statistik durbin Watson
51
Suatu persamaan tidak mengalami masalah autokorelasi pada kondisi normal yaitu taraf 5 persen, bila nilai h hitung berada diantara -1.96 sampai 1.96.
Namun, nilai durbin-h statistic tidak akan diperoleh hasilnya jika hasil kali T var lebih besar dari satu. Hal ini berarti terdapat angka negatif sehingga
tidak dapat dihitung nilai akarnya.
4.5.4. Uji Multicollinearity
