Identifikasi dan Estimasi Model

CONS = Konsumsi ISWA = Investasi Swasta IPEM = Investasi Pemerintah GEXP = Pengeluaran Pemerintah EXPO = Ekspor IMPO = Impor PENDAPATAN DISPOSIBEL YD YD = PDBI – TAX ……..………………………………………………………...…. 22 dimana : YD = Disposable Income PDBI = Pendapatan Domestik Bruto Indonesia TAX = Pajak

4.2. Identifikasi dan Estimasi Model

Untuk memilih metode yang digunakan dalam menduga parameter-parameter suatu model, maka model perlu diidentifikasikan terlebih dahulu. Identifikasi dilakukan dengan menggunakan order condition sebagai syarat keharusan, dan metode rank condition sebagai syarat kecukupan. Berdasarkan kriteria rank condition, maka suatu persamaan akan teridentifikasi jika dan hanya jika dimungkinkan untuk membentuk paling sedikit satu determinan bukan nol pada order G - 1 dari parameter struktural, pada variabel yang tidak termasuk dalam persamaan yang bersangkutan. Sementara itu berdasarkan kriteria order condition, agar setiap persamaan dapat teridentfikasikan, maka harus dipenuhi persyaratan sebagai berikut Koutsoyianis, 1977 : K – M G – 1 Dimana : K = Jumlah total variabel didalam model endogen dan eksogen M = Jumlah variabel dalam suatu persamaan endogen dan eksogen yang sedang diuji dan diidentifikasi G = Jumlah persamaan atau jumlah total variabel endogen Identifikasi terhadap model seperti diatas menggunakan rumus yang memenuhi syarat keharusan necessary condition atau order condition yaitu Koutsoyiannis, 1977: K - M G – 1 unidentified K - M = G – 1 exacly identified K - M G – 1 over identified Model yang dikembangkan dalam penelitian ini merupakan model yang tersusun dari 22 persamaan, yang terdiri dari 18 persamaan struktural dan 4 persamaan identitas serta memiliki 22 variabel endogen G, dengan variabel predetermined sebanyak 24 variabel yang terdiri atas variabel-variabel eksogen dan lag endogen, dengan demikian total variabel didalam model K adalah sebanyak 46 variabel. Pada Tabel 4 kelihatan bahwa mulai dari persamaan [1] sampai dengan persamaan [22] semuanya ternyata teridentifikasi dengan kriteria over identified dan dengan mempertimbangkan ketersediaan data sampel yang terbatas n =18 dan adanya respesifikasi model yang dibangun ketika dilakukan analisis simulasi maka digunakan metode 2SLS two stage least squares method untuk mengestimasi parameter struktural Sinaga, 1989. 4.3. Validasi Model Model ”makroekonometrika mekanisme transmisi moneter perekonomian Indonesia” perlu diuji tentang validitasnya bila digunakan untuk simulasi kebijakan nonkebijakan dan guna peruntukan peramalan. Untuk tujuan tersebut, maka digunakan beberapa kriteria statistik seperti yang ditunjukkan pada Tabel 4: Tabel 4 : Identifikasi Persamaan Model Dampak Instrumen Kebijakan Moneter Terhadap Perekonomian Indonesia berdasarkan Order Condition No. Persamaan K - M G – 1 Identifikasi 1. Nilai Tukar 37 21 Over identified 2. Tingkat Sukubunga 36 21 Over identified 3. Permintaan Uang 40 21 Over identified 4. Indeks Harga Umum 37 21 Over identified 5. Ekspor 39 21 Over identified 6. Impor 40 21 Over identified 7 Investasi Swasta 39 21 Over identified 8 Investasi Pemerintah 39 21 Over identified 9 Uang Khartal 40 21 Over identified 10 Uang Giral 40 21 Over identified 11 Tabungan dan Deposito 40 21 Over identified 12 Total Penawaran Uang 35 21 Over identified 13 Uang Primer 34 21 Over identified 14 Konsumsi 40 21 Over identified 15 Pengeluaran Pemerintah 39 21 Over identified 16 Penerimaan Pemerintah 42 21 Over identified 17 Pajak 41 21 Over identified 18 Kredit 40 21 Over identified Root Mean Squares Error RMSE dan Root Mean Squares Percentage Error RMSPE Statistik RMSE dan RMSPE menggambarkan seberapa jauh nilai-nilai dugaan variabel endogen tersebut menyimpang dari nilai-nilai aktual, baik itu dalam angka nominal RMSE maupun persentase RMSPE. 0.5 T 1 t 2 t t A P T 1 RMSE ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = ∑ = 0.5 T 1 t 2 t t t A A P T 1 100 RMSPE ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − = ∑ = DImana RMSE = Root Mean Square Error RMSPE = Root Mean Square Percentage Error T = Jumlah pengamatan dalam simulasi P = Nilai dugaan model predict value A = Nilai pengamatan actual value Theil Inequality U Suatu statistik yang menggambarkan besarnya penyimpangan dari nilai-nilai dugaan tersebut prediksi error, dimana ukuran statistik ini digunakan dalam rangka menilai kemampuan model untuk menganalisis peramalan ex-ante. Sebenarnya U-Theil ini memiliki kelemahan, karena merupakan fungsi dari prediktor itu sendiri yang merupakan salah satu unsur didalam penyebutnya, sehingga tidak dapat digunakan sebagai kriteria untuk membandingkan serta me-ranking model alternatif. Untuk mengatasi hal ini sering kali digunakan juga U1 yang merupakan modifikasi dari U-Theil. Nilai koefisien U berkisar antara 0 dan 1, sedangkan U1 diantara 0 dan ∼ tak terhingga. Makin kecil nilai U ataupun U1, termasuk juga RMSPE, menunjukkan kualitas model yang makin baik. Adapun untuk mengukur U-Theil dan UI adalah sebagai berikut : tara itu Mean Squares Error dapat juga didekomposisi atas 3 komponen atau Biased proportion, mengindikasikan systematic error merupakan deviasi 2. n deviasi slope regresi dari nilai- 3. ng menangkap unsystematic error. gan satu. Nilai nisme Transmisi Moneter atif kebijakan dan non ∑ = ∑ = + ∑ = − = − T 1 t 2 t A T 1 T 1 t 2 t P T 1 T 1 t 2 t A t P T 1 Theil U ∑ = ∑ = + ∑ = − = − T 1 t 2 t A T 1 T 1 t 2 t P T 1 T 1 t 2 t A t P T 1 Theil U Semen yaitu : 1. UM antara rata-rata nilai prediksi dengan nilai aktual. UR atau Regression Component, mengindikasika nilai aktual dengan nilai prediksi. UD atau Residual Componen, ya Jumlah koefisien dari ketiga komponen tersebut adalah sama den UM dan UR yang makin kecil menunjukkan bahwa model makin baik, sedangkan untuk UD bila nilainya makin besar mendekati 1 berarti model makin baik.

4.4. Skenario Simulasi Jalur Meka