Identifikasi dan Estimasi Model

keharusan dan rank condition sebagai syarat kecukupan. Identifikasi model struktural berdasarkan order condition menurut Koutsoyiannis 1977 adalah: K-M G-1 ……………………………………………...………… 4.36 dimana: K = total peubah dalam model peubah endogen dan peubah predeterminan M = jumlah peubah endogen dan eksogen yang termasuk dalam satu persamaan tertentu dalam model G = total persamaan dalam model, banyaknya jumlah peubah endogen dalam model Berdasarkan hasil perhitungan order condition diatas, akan ditentukan metode pendugaan model untuk mendapatkan seluruh nilai dan koefisien- koefisien model. Bila hasil perhitungan order condition ternyata model over- identified atau K-M G-1, maka untuk mendapatkan nilai penduga-penduga estimator yang unbiased, consistent, dan valid, lebih efisien bila menggunakan metode Two Stage Least Squares 2 SLS . Sedangkan bila model ternyata model ditemukan under identified K-M G-1 atau exackly identified K-M = G- 1 maka metode pendugaan yang dipergunakan adalah Three Stage Least Squares 3 SLS. Kedua metode pendugaan ini merupakan metode pendugaan yang relatif baik untuk model simultan yang bersifat linear. Setelah model diidentifikasi maka tahap selanjutnya adalah melakukan pendugaan model dengan menggunakan prosedur SYSLIN sehingga diperoleh hasil apakah seluruh parameter memberikan koefisien parameter pendugaan yang sesuai dengan harapan yang didasarkan pada konsep teori, fenomena dan pengalaman empiris. Untuk menguji apakah ada autocorrelation dalam model dilakukan dengan menggunakan Durbin-Watson, tetapi karena seluruh persamaan struktural mengandung peubah beda kala lag maka uji statistik yang dapat digunakan adalah uji statistik durbin-h. Bila statistik h lebih besar dari nilai kritis distribusi normal, maka model tidak mengalami autocorrelation. [ ] { } 5 . 1 5 . 1 ⎥ ⎦ ⎤ ⎢ ⎣ ⎡ − − = VarBarth T T DW h ............................................... 4.37 dimana: h = angka statistik durbin-h T = jumlah pengamatan contoh Var Barth = varian dari koefisien peubah bedakala endogen DW = nilai statistik Durbin Watson Untuk mengetahui dan menguji apakah peubah bebas independent variable secara bersama-sama berpengaruh signifikan atau tidak terhadap peubah tak bebas dependent variable, maka pada setiap persamaan digunakan uji statistik F. Sedangkan untuk menguji apakah masing-masing peubah bebas berpengaruh signifikan atau tidak terhadap peubah tak bebas dilakukan uji statistik t. Penggunaan program SAS atau program aplikasi lain, hasil uji statistik t bisa dilihat dari nilai nilai probabilitas Pr. Nilai probabilitas Pr ini merupakan probabilitas Pr untuk uji dua sisi two tails test, sementara pada penelitian ini hipotesis parameter pendugaan yang diharapkan searah maka probabilitas Pr menggunakan uji satu sisi one tail test. Untuk itu, jika ingin melakukan uji hipotesis satu sisi dan arah parameter pendugaan yang dihasilkan sesuai dengan hipotesis maka nilai probabilitas Pr dibagi dua. Sebaliknya bila arah yang dihasilkan berlawanan dengan hipotesis, maka hasil uji hipotesis satu sisi adalah satu dikurangi dengan nilai probabilitas ρ yang telah dibagi dua UCLA Academic Technology Services, 2009; Widarjono, 2007.

4.5. Validasi Model

Hal penting lain yang diperhitungkan dalam melakukan proyeksi ini adalah menghitung keakuratan model dalam menghasilkan proyeksi peubah endogenus. Beberapa nilai ukuran statistik yang tersedia untuk menilai kemampuan suatu model dalam melakukan simulasi Sitepu, 2006. Tingkat keakuratan ini diukur berdasarkan kriteria-kriteria nilai-nilai Mean Error ME, Mean Percent Error MPE, Mean Absolute Error MAE, Mean Absolute Percent Error MAPE, Mean Squares Error MSE, Root Mean Squares Error RMSE dan Root Mean Percentage Squares Error RMPSE. Apabila nilai-nilai di atas mendekati nol maka dimulasi model mengikuti nilai-nilai aktualnya. Nilai-nilai ini akan secara langsung dihitung dengan menggunakan program komputer dan tidak dijelaskan secara lebih rinci dalam penjelasan penelitian ini. Tingkat absolut dari peubah tidak terlalu menjadi perhatian utama dalam simulasi kebijakan, sebab yang lebih penting adalah bagaimana dampak perubahan eksogen atau instrumen terhadap varibel endogen di dalam sistem. Untuk mengetahui kemampuan model dalam peramalan maka ketepatan peramalan untuk model ekonometrika diukur dengan koefisien U-Theil atau Theils inequality. Statistik U-Theil selalu bernilai antara 0 dan 1. Jika U=0 maka model secara historis adalah sempurna atau mencapai kesempurnaan peramalan. Sebaliknya jika U=1, maka model adalah tidak lebih baik dari peramalan perubahan nol atau naif dalam peramalan. Statistik U dihasilkan dari nilai regresi aktual dan dari nilai simulasi, dan dapat diuraikan ke dalam komponen bias, regresi serta disturban yang apabila dijumlahkan sama dengan satu. Pindyck dan Rubenfeld 1991 mengatakan bahwa proporsi bias adalah indikator kesalahan sistematik yang ditunjukkan oleh penyimpangan nilai simulasi dari nilai aktualnya, proporsi regresi adalah indikator kesalahan dari komponen regresi yang menunjukkan penyimpangan kemiringan slope regresi dengan nilai aktualnya, dan proporsi disturban adalah komponen bias residual sebagai kesalahan yang tidak sistematik. Optimalnya komponen bias dan regresi adalah mendekati nol dan komponen disturban mendekati satu. Dalam melakukan proyeksi dengan model simultan ini, dalam prakteknya secara langsung nilai proyeksi untuk peubah- peubah endogen yang ditentukan secara langsung diperoleh dari hasil program pengolahan model dengan menggunakan programaplikasi komputer SASETS Statistical Analysis System Econometric Times Series version 9.1 Seluruh besaran dan nilai dalam proyeksi ini didapat sebagai output pengolahan SASETS.

4.6. Simulasi Dampak Kebijakan Perberasan terhadap Ekonomi Perberasan Indonesia

Simulasi yang dilakukan bertujuan untuk menganalisis dan meramalkan kondisi ketepatan waktu timing intervention, sehingga simulasi di disagregasi menurut periode masa panen raya, di luar masa panen raya dan agregasi tahunan nasional. Perbedaan pola panen antar wilayah menyebabkan periode panen raya masing-masing wilayah berbeda-beda. Simulasi dampak kebijakan menurut waktu implementasi kebijakan, sehingga simulasi kebijakan yang akan dilakukan dibagi menjadi 3 tiga periode yang berbeda yaitu: periode I, periode II dan periode aggregat. Periode I adalah