M = Jumlah variabel endogen dan eksogen dalam persamaan yang diidentifikasi.
Model yang dibangun terdiri dari 25 persamaan struktural, 3 persamaan teknis produksi dan 11 persamaan identitas. Menggunakan pengujian model
struktural order condition menghasilkan bahwa model Produk Industri
Pengolahan Kayu Primer Indonesia over identified.
4.3. Metode Pendugaan Model
Secara umum metode 3 SLS akan memberikan parameter dugaan yang lebih efisien secara asimtotik dari pada metode 2 SLS, tetapi metode 3 SLS lebih
sensitif terhadap jumlah sampel dan kesalahan spesifikasi. Jika ada satu perubahan spesifikasi pada salah satu persamaan dalam sistem dapat mempengaruhi nilai
dugaan parameter lainnya. Disamping itu metode 3 SLS memerlukan data sampel yang lebih besar dari pada metode 2 SLS, jika semua parameter persamaan
strukturalnya diduga pada waktu yang sama Koutsiyannis, 1978. Johnston 1972 dalam Sinaga 1989, menyebutkan bahwa berbagai tipe studi Monte Carlo
menunjukkan bahwa metode yang konsisten dan efisien secara asimtotis adalah metode 2SLS, karena memberikan parameter dugaan yang paling mantap robust.
Disamping itu telah diterima sebagai pendekatan persamaan tunggal yang paling penting untuk menduga model yang over identified dan menggambarkan
pemakaian yang lebih umum. Karena model Produk Industri Pengolahan Kayu Primer Indonesia over
identified maka digunakan metode 2 SLS untuk menduga parameter persamaan
struktural. Hal ini juga dilakukan dengan pertimbangan ketersediaan data sampel
dan kemungkinan perubahan spesifikasi model untuk alternatif analisis simulasi kebijakan.
4.4. Validasi Model
Untuk mengetahui apakah model yang dibangun cukup baik digunakan untuk simulasi, evaluasi dan peramalan dampak alternatif kebijakan, maka
terlebih dahulu dilakukan validasi model melalui simulasi dasar dinamik dengan metode Gauss-Seidel. Suatu model valid apabila nilai-nilai dugaan peubah
endogen yang diperoleh tidak jauh berbeda dengan nilai- nilai aktualnya. Ukuran yang digunakan untuk mengetahui baik atau tidaknya suatu model
adalah Mean Percentage Error MPE, Root Mean Square Percentage Error RMSPE dan koefisien U-Theil, dimana semakin kecil nilai MPE, RMSPE dan
U-Theil maka model semakin baik. Ketiga ukuran tersebut dapat dituliskan dalam rumus sebagai berikut:
T MPE = 1T
Y
s t
- Y
a t
Y
a t
t=1 T
RMSPE = [ 1T { Y
s t
- Y
a t
Y
a t
}
2
]
0.5
t=1 dimana: T = Jumlah periode tahun simulasi
Y
s t
= Nilai estimasi pengamatan pada periode ke-t Y
a t
= Nilai pengamatan aktual pada periode ke-t Koefisien U-Theil digunakan untuk uji statistik dan berhubungan dengan
error simulasi. Disamping itu juga digunakan untuk mengevaluasi hasil simulasi historis Pindyck dan Rubinfeld, 1981. Proporsi bias U
M
, U
S
dan U
C
merupakan
indikator bias berdasarkan sumbernya. U
M
menunjukkan indikasi terjadinya error sistem karena hanya mengukur deviasi nilai rata-rata hasil simulasi dari data
aktualnya. Dengan demikian diharapkan nilai U
M
mendekati nol, berapapun nilai U-Theil yang diperoleh. U
S
mencerminkan kemampuan model untuk mengikuti perilaku data aktual dari peubah yang diamati, dimana semakin kecil nilai U
S
maka akan semakin baik daya prediksi model yang dibangun. U
C
merupakan bias residu dari U
M
dan U
S
, dan sering disebut sebagai error yang bukan berasal dari sistem nonsystematic error serta nilainya harus mendekati satu.
T [ 1T
Y
s t
- Y
a t
2
]
0.5
t=1 U-Theil =
T T [1T
Y
s t
2
]
0.5
+ [1T Y
a t
2
]
0.5
t=1 t=1
Y
s t
- Y
a t
2
U
M
= 1T
Y
s t
- Y
a t
2
s
-
a 2
U
S
= 1T
Y
s t
- Y
a t
2
21 -
s
a
U
C
= 1T
Y
s t
- Y
a t
2
dimana : Y
s t
, Y
a t
,
s
, dan
a
masing- masing merupakan rata-rata dan standar deviasi dari Y
s t
dan Y
a t
. Hubungan antara ketiga proporsi bias tersebut adalah : U
M
+ U
S
+ U
C
= 1. Untuk setiap nilai U 0, seharusnya U
M =
U
S
= 0 dan U
C
= 1. Namun demikian hal itu sulit dipenuhi, oleh karena itu untuk memperoleh nilai prediksi yang baik, nilai
U
M
dan U
S
adalah mendekati 0 dan nilai U
C
mendekati 1.
4.5. Simulasi Kebijakan
