digunakan pada pemodelan gravity model ini adalah nilai tukar riil yang merupakan nilai tukar nominal yang sudah dikoreksi dengan harga relatif, yaitu
harga-harga di dalam negeri dibandingkan dengan harga-harga di luar negeri. Nilai Tukar Riil = Nilai Tukar Nominal x
IHK AS
IHK negara tujuan ekspor
Kondisi nilai tukar seperti terapresiasinya mata uang domestik negara tujuan ekspor terhadap Dollar Amerika membuat harga suatu produk relatif lebih
murah. Hal ini mendorong terjadinya peningkatan nilai impor dari negara tujuan karena negara tujuan membutuhkan sedikit uang untuk membeli barang impor.
3. Populasi
Jumlah penduduk menjadi salah satu faktor penentu dalam permintaan ekspor. Semakin banyaknya jumlah penduduk suatu negara, maka semakin
banyak juga permintaan negara tersebut terhadap suatu barang untuk memenuhi kebutuhan masyarakatnya cateris paribus. Kenaikan jumlah penduduk akan
menggeser kurva permintaan ke kanan atas dan memperlihatkan bahwa dengan naiknya jumlah penduduk maka jumlah komoditi yang diminta pada setiap tingkat
harga akan lebih banyak Lipsey, 1995.
4. Jarak Ekonomi
Jarak adalah faktor geografi yang menjadi variabel utama dalam gravity model
untuk analisis aliran perdagangan bilateral. Variabel jarak ini merupakan indikasi dari biaya transportasi yang dihadapi oleh suatu negara dalam melakukan
ekspor. Semakin jauh jarak, semakin besar biaya transportasi dan semakin rendah nilai ekspornya. Jika biaya transportasi terlalu mahal maka nilai perdagangan akan
menurun bersamaan dengan penurunan keuntungan. Adapun jarak yang digunakan adalah jarak ekonomi dengan perhitungan sebagai berikut:
Jarak Ekonomi =
Jarak geografis antar negara X GDP negara j
n 1
GDP negara j
2.6 Teori Model Data Panel
Metode data panel merupakan model ekonometrika yang menggabungkan informasi yang diperoleh dari data time series dan data cross section. Penggunaan
data panel ini memiliki dua keuntungan Firdaus, 2011, diantaranya:
1. Jumlah observasi menjadi lebih besar. Marginal effect dari peubah penjelas dilihat dari dua dimensi individu dan waktu sehingga parameter yang
diestimasi akan lebih akurat dibandingkan dengan model lain. Secara teknis menurut Hsiao 2004, data panel dapat memberikan data yang informatif,
mengurangi kolinearitas antarpeubah serta meningkatkan derajat kebebasan yang artinya meningkatkan efisiensi.
2. Keuntungan yang lebih penting dari penggunaan data panel adalah mengurangi
masalah identifikasi.
Data panel
lebih baik
dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi
dalam data cross section saja atau time series saja. Data panel mampu mengontrol heterogenitas individu. Dengan metode ini estimasi yang
dilakukan dapat secara eksplisit memasukkan unsur heterogenitas individu. Data panel juga lebih baik untuk studi dynamics of adjustment. Hal ini
berkaitan dengan observasi pada cross section yang sama secara berulang, sehingga data panel lebih baik dalam mempelajari perubahan dinamis.
Dalam analisis data panel, terdapat tiga pendekatan yang terdiri dari pendekatan kuadrat terkecil pooled least squre, model efek tetap fixed effects
model , dan model efek acak random effects model. Pada pendekatan Fixed
Effects Model FEM dan Random Effects Model REM dibedakan berdasarkan
ada atau tidaknya korelasi antara komponen error dengan peubah bebas regresor.
Misalkan: y
it
= α
i
+ X
it
β + ε
it
Pada one way error components model, komponen error dispesifikasikan dalam bentuk:
ε
it
= λ
i
+ u
it
Untuk two way error components model, komponen error dispesifikasikan dalam bentuk:
ε
it
= λ
i
+µ
t
+ u
it
Pada pendekatan one way, error term hanya memasukkan komponen error yang merupakan efek dari individu
i
. Pada two way, dimasukkan efek dari waktu µ
t
ke dalam komponen error. Jadi perbedaan antara FEM dan REM terletak pada ada atau tidaknya korelasi antara
i
dan µ
t
dengan X
it
.
1. Pooled Least Square PLS
Pada prinsipnya, pendekatan ini menggunakan gabungan dari seluruh data pooled, sehingga terdapat N x T observasi, di mana N menunjukkan jumlah unit
cross section dan T menunjukkan jumlah time series yang digunakan.
Model yang digunakan yaitu : y
it
= α
i
+ X
it
β + u
it
Dengan mengumpulkan semua data cross section dan time series, dapat meningkatkan derajat kebebasan sehingga dapat memberikan hasil estimasi yang
lebih efisien. Akan tetapi, pendekatan ini memiliki kelemahan yaitu dugaan parameter
β akan bias. Hal ini ditunjukkan dari arah kemiringan PLS yang tidak sejajar dengan garis regresi dari masing-masing individu. Parameter yang bias ini
disebabkan karena PLS tidak dapat membedakan observasi yang berbeda pada periode yang sama, atau tidak dapat membedakan observasi yang sama pada
periode yang berbeda.
2. Fixed Effects Model FEM
FEM muncul ketika antara efek individu dan peubah penjelas memiliki korelasi dengan X
it
atau memiliki pola yang sifatnya tidak acak. Asumsi ini membuat komponen error dari efek individu dan waktu dapat menjadi bagian dari
intersep, yaitu: Untuk one way komponen error :
y
it
= α
i
+
i
+ X
it
β + u
it
Untuk two way komponen error : y
it
= α
i
+
i
+ µ
t
+ X
it
β + u
it
Penduga pada FEM dapat dihitung dengan teknik : Pooled Least Square PLS,
Within Group WG, Least Square Dummy Variable LSDV, Two Way Error Components Fixed Effect Model.
3. Random Effects Model REM
REM muncul ketika antara efek individu dan regresor tidak ada korelasi. Asumsi ini membuat komponen error dari efek individu dan waktu dimasukkan
ke dalam error. Untuk one way error component :
y
it
= α
i
+ X
it
β + u
it
+
i
Untuk two way error component : y
it
= α
i
+ X
it
β + u
it
+
i
+
t
Terdapat dua jenis pendekatan yang digunakan untuk menghitung estimator REM, yaitu between estimator dan Generalized Least Square GLS.
2.7 Tinjauan Penelitian Terdahulu
