dimana: K
= total peubah
dalam model peubah
endogen dan
peubah predetermined
M = jumlah peubah endogen dan eksogen yang dimasukkan ke dalam
suatu persamaan tertentu dalam model G
= total persamaan jumlah peubah endogen. Kriteria
identifikasi model
dengan menggunakan
order condition
dinyatakan: Jika K-M=G-1, maka persamaan dalam model dinyatakan teridentifikasi
secara tepat exactly identified Jika K-MG-1, maka persamaan dalam model dikatakan tidak teridentifikasi
unidentified Jika K-MG-1, maka persamaan
dalam model dikatakan teridentifikasi berlebih overidentified.
Dalam studi ini, pada Model Konsumsi dan Penyediaan Energi Indonesia terdapat 63 persamaan G, yang terdiri dari 40 persamaan struktural dan 23
persamaan identitas. Dalam model ini terdapat 63 peubah endogen dan 71 peubah predetermined
, sehingga total peubah dalam model K adalah 134 peubah. Jumlah peubah endogen dan eksogen terbanyak yang dimasukkan dalam suatu
persamaan tertentu M adalah 7 peubah. Dengan demikian, berdasarkan kriteria order
condition, maka model konsumsi dan penyediaan energi dalam
perekonomian Indonesia adalah over identified karena setiap persamaan struktural dalam model over identified.
4.2.2. Metode Pendugaan Model
Untuk model persamaan simultan dengan kondisi setiap persamaannya yang teridentifikasi berlebih over identified, maka pendugaan parameter dapat
menggunakan beberapa metode yang ada seperti Two Stage Least Squares
2SLS, 3SLS Three Stage Least Squares, LIML Limited Information Maximum Likelihood
atau FIML Full Information Maximum Likehood. Dalam penelitian ini metode pendugaan model yang digunakan adalah
2SLS, dengan beberapa pertimbangan, yaitu penerapan 2SLS menghasilkan taksiran yang konsisten, lebih sederhana dan lebih mudah, sedangkan metode
3SLS dan FIML menggunakan informasi yang lebih banyak dan lebih sensitif terhadap kesalahan pengukuran maupun kesalahan spesifikasi model Gujarati,
1999; Sumodiningrat, 1999. Untuk menguji apakah peubah-peubah penjelas secara bersama-sama
berpengaruh nyata atau tidak terhadap peubah endogen pada masing-masing persamaan digunakan uji statistik F. Kemudian untuk menguji apakah masing-
masing peubah penjelas secara individual berpengaruh nyata atau tidak terhadap peubah endogen pada masing-masing persamaan digunakan uji statistik t.
Selanjutnya karena model mengandung persamaan simultan dan peubah bedakala
lag endogenous
variable ,
maka uji
serial korelasi
dengan menggunakan statistik d
w
Durbin-Waston Statistics tidak valid untuk digunakan. Sebagai penggantinya untuk mengetahui apakah terdapat serial korelasi
autocorelation atau tidak dalam setiap persamaan maka digunakan statistik d
h
Durbin-h statistics:
] [var
1 2
1 1
n
n d
h
.………………………………………….90
dimana: d
= d
w
statistik,
n = jumlah observasi
var = varians koefisien regresi untuk lagged dependent variable.
Jika ditetapkan taraf α = 0.05 maka nilai h
hitung
berkisar antara -1.96 h
hitun
g 1.96 tidak mengalami serial korelasi. Apabila h
hitung
-1.96 maka terdapat outokorelasi negatif. Apabila h
hitung
1.96 maka terdapat outokorelasi positif Pindyck dan Rubinfeld, 1998
4.2.3. Validasi Model
Validasi model dilakukan dengan tujuan untuk mengetahui apakah suatu model cukup baik valid digunakan untuk analisis simulasi. Validasi model yang
dilakukan dalam studi ini menggunakan kriteria statistik, yaitu RMSPE Root Mean Squares Percent Error
dan U- Theil’s Theil’s Inequality Coefficient. Kriteria-kriteria tersebut dirumuskan Pindyck and Rubinfeld, 1998:
RMSPE =
] {
1 100
2
Ai Ai
Pi n
.................................................... 91
U =
2 2
1 1
1 Ai
n P i
n Ai
P i n
................................................... 92
dimana: n
= jumlah observasi P
i
= nilai pendugaan model predicted A
i
= nilai pengamatan contoh actual Statistik RMSPE digunakan untuk mengukur tingkat penyimpangan nilai
hasil pendugaan peubah-peubah endogen dari nilai aktual masing-masing peubah endogen tersebut dalam ukuran relatif persen, atau mengukur kedekatan nilai
dugaan tersebut dengan nilai aktualnya. Sementara itu, statistik U digunakan untuk mengetahui kemampuan model untuk analisis simulasi peramalan. Nilai
koefisien Theil’s U berkisar antara 1 dan 0. Jika U = 0 maka pendugaan model sempurna, jika U =1 maka pendugaan model naif.
Untuk melihat keeratan arah slope antara aktual dengan hasil yang disimulasi dilihat dari nilai koefisien determinasinya R². Pada dasarnya makin
kecil nilai RMSPE dan U-Theil’s dan makin besar nilai R², maka pendugaan model semakin baik.
4.2.4. Simulasi Model dan Peramalan
