Model dan Alat Analisis

D. Model dan Alat Analisis

Dalam penelitian ini analisis yang digunakan adalah analisis regresi dengan model dinamis Partial Adjustment Model (PAM). Dalam analisis regresi, kadang pengaruh variabel penjelas terhadap variabel dependennya tidak terjadi pada waktu yang sama. Hal ini berarti pengaruh variabel penjelas terhadap variabel dependen memerlukan waktu. Suatu kebijakan ekonomi dalam bekerja untuk mempengaruhi variabel ekonomi juga memerlukan waktu.

Secara garis besar, hal-hal yang menyebabkan variabel satu berpengaruh terhadap variabel lainnya antara lain karena faktor psikologi, teknis dan institusional. Hal-hal tersebut dalam berpengaruh terhadap suatu variabel membutuhkan peranan waktu yang pada akhirnya nanti akan menimbulkan suatu kondisi / keadaan yang baru.

commit to user

beberapa model, salah satu diantaranya adalah Partial Adjustment Model (PAM) / model penyesuaian parsial.

Inti dari model penyesuaian disini adalah pada masalah estimasi model jangka panjang dan jangka pendek. Sehingga disini akan terdapat parameter jangka panjang dan jangka pendek. Secara umum model penyesuaian parsial dirumuskan sebagai berikut:

Adapun model yang digunakan adalah model autoregresif Partial Adjustment Model (PAM) yang dituliskan dalam bentuk:

Ln Y = d b 0 +db 1 (ln X 1 )+db 2 (ln X 2 )+db 3 (ln X 3 )+db 4 (ln X 4 ) + (1-d) ln Y t-1 +dU t

Dimana : Y

= Ekspor produk tekstil (rupiah)

X 1 = Produksi tekstil (rupiah)

X 2 = Harga tekstil luar negeri (rupiah)

X 3 = Investasi pada industri tekstil (rupiah)

X 4 = Kurs valuta asing (rupiah)

d = Koefisien penyesuaian

b 0 = Konstanta

b 1 …b 4 = Koefisien variabel

ln

= logaritma natural U t = Variabel gangguan yang terdapat di luar model

a. Koefisien regresi dalam jangka pendek Arti dari model jangka pendek disini adalah pengaruh variabel penjelas terhadap variabel dependen terjadi pada waktu yang sama. Dalam model penyesuaian ini dapat pula menggunakan model penyesuaian parsial logaritma natural dimana parameter yang diperoleh merupakan parameter elastisitasnya.

commit to user

Untuk penyederhanaan diasumsikan bahwa Y yang diinginkan merupakan Y* dari fungsi linier variabel independen (Gujarati, 242- 243) sebagai berikut:

Y* t = bo +b 1 X t1 +U t ……………………………………………………. (3.1) Karena Y yang diinginkan tidak bisa diamati secara langsung, NerLove mendalilkan hipotesisi berikut ini, yang dikenal sebagai hipotesis penyesuain parsial atau penyesuaian stok : Y t –Y t-1 = δ (Y* t -Y t-1 ) …………………………….. (3.2) Dimana δ, sedemikian rupa sehingga o< δ <1, dikenal sebagai koefisien penyesuain (Coefficient of Adjusment) dan dimana Y t –Y t-1 = perubahan sebenarnya dan ( Y tx –Y t-1 ) = perubahan yang diingkan .

Persamaan 3.2 mendalilkan bahwa perubahan sebenarnya Y dalam suatu periode waktu tertentu t adalah satu fraksi δ dari perubahan yang diinginkan untuk periode itu. Jika δ =1, ini berarti bahwa Y yang sebenarnya sama dengan Y yang diharapkan secara seketika (dalam periode waktu sama).Tetapi jika δ=0 ini berarti bahwa tidak ada perubahan apapun karena Y yang sebenarnya pada saat t sama seperti yang diamati dalam periode waktu sebelumnya. Khususnya δ diharapkan untuk terletak antara kedua ekstrim ini karena penyesuaian terhadap Y yang diharap, nampaknya akan tidak sempurna karena kekakuan (riqidity), kelambanan, kewajiban yang

commit to user

penyesuaian parsial. Secara alternatif dapat ditulis sebagai berikut: Y t = δ Y* t + ( 1- δ) Y t-1 ………………………………………………… (3.3) Dengan mensubtitusikan persamaan (3.1) ke dalam persamaan (3.3) maka dapat disusun kembali persamaan:

Y =db 0 +db 1 (X 1 )+db 2 (X 2 )+db 3 (X 3 )+db 4 (X 4 ) + (1 - d) Y t-1 +dU t

b. Koefisien regresi dalam jangka panjang Model jangka panjang pengaruh variabel penjelas terhadap variabel dependennya terjadi dalam jangka panjang. Dari hasil estimasi jangka pendek, kemudian diturunkan model jangka panjangnya dengan mencari parameter jangka panjangnya (ai) dari parameter jangka pendek dengan koefisien penyesuaian (1 - d).

Y t = d.b 0 + d.b 1 (X 1 ) + d.b 2 (X 2 ) + d.b 3 (X 3 )+db 4 (X 4 )