TAJUK HUBUNGAN JANGKA PANJANG ANTARA PEN
TAJUK: HUBUNGAN JANGKA PANJANG ANTARA PENGANGGURAN,
INFLASI DAN PELABURAN LANGSUNG ASING DI SINGAPURA
ABSTRAK
Kajian ini dijalankan bertujuan mengenalpasti hubungan inflasi dan pelaburan
langsung asing terhadap pengangguran dalam jangka panjang di Singapura. Tempoh
kajian ini meliputi 1983 hingga 2012. Pengujian empirikal dibuat menggunakan
kaedah ekonometrik siri masa iaitu “Autoregressive Distributed lag” (ARDL) yang
dicadangkan oleh Pesaran dan Shin(1996). Keputusan daripada penganggaran yang
dibuat mendapati pengangguran di Singapura siginifikan dipengaruhi oleh inflasi dan
pelaburan langsung asing bagi tempoh jangka pendek dan jangka panjang. Keputusan
hubungan antara inflasi dan pengangguran mendapati keluk Philip wujud di Singapura
dan wujudnya hubungan sonsang antara pelaburan langsung asing dan pengangguran
di Singapura dalam jangka pendek dan jangka panjang.
1.0
PENGENALAN
Ekonomi Singapura merupakan ekonomi pasaran bebas yang amat maju
dan berjaya. Singapura mempunyai sebuah persekitaran perniagaan yang terbuka,
nyata dan agak bebas daripada amalan rasuah. Keluaran dalam Negara kasar(KDNK)
perkapitanya adalah yang tertinggi di dunia. Di Singapura, dasar monetari dikawal
selia oleh “Monetary Authority of Singapore”(MAS). Pengurusan dasar monetari
banyak dipengaruhi oleh “ Nominal Effective Exchange Rate”(NEER) yang
diperkanal pada tahun 1981. Singapura lebih mementingkan perdangangan untuk
meningkatkan pertumbuhan ekonomi negaranya. Singapura tidak menitikberat kadar
inflasi kerana kekuatan daripada penggunaan dollar.
Pengangguran merupakan masalah ekonomi utama bagi sebuah negara
tidak kira sama ada negara membangun ataupun negara maju. Bagi negara yang ingin
berada dalam keadaan ekonomi yang baik, memerlukan pengangguran pada tahap
rendah. Sesebuah negara dikatakan mempunyai pertumbuhan yang mampan jika
kadar
penganggurannya rendah. Sebaliknya jika kadar pengangguran tinggi,
bermakna berlakunya pembaziran
sumber manusia. Masalah pengangguran terus
merupakan satu daripada masalah ekonomi yang sangat penting dan harus ditangani
1
dalam pasaran buruh. Peningkatan dan pengurangan pengangguran dikaitkan dengan
inflasi.
Inflasi
dan
pengangguran
merupakan
isu
ekonomi
asas,
yang
menghubungkan antara dasar dan program kerajaan. Jadi kerajaan akan membuat
pembaharuan program-program ekonomi untuk mengatasi masalah tersebut supaya
berada
pada kadar pengangguran yang rendah dan menjadikan harga stabil.
Hubungan antara inflasi dan pengangguran boleh diperjelaskan dalam dua tempoh
iaitu jangka pendek dan jangka penjang. Dalam jangka pendek, Terdapat hubungan
songsang antara dua pembolehubah. Berdasarkan hubungan ini, apabila kadar
pengangguran adalah tinggi kadar inflasi adalah rendah dan begitulah sebaliknya.
Manakala untuk jangka panjang apabila ekonomi berkembang, pengangguran
menurun menyebabkan inflasi meningkat. Keadaan ini mendorong para pekerja
menuntut upah yang lebih tinggi. Keuntungan firma merosot dan ada yang rugi dan
pekerja terpaksa diberhentikan. Ini menyebabkan pengangguran meningkat semula.
Jadi dalam jangka panjang, hubungan sonsang tiada.
Walaubagaimanapun,
inflasi
dikatakan
bukanlah
satu-satunya
pembolehubah yang boleh mempengaruhi pengangguran. Terdapat beberapa kajian
lepas yang menyatakan pengangguran juga boleh dipengaruhi oleh pembolehubah
yang lain contohnya pelaburan langsung asing. Tujuan kajian ini akan mengkaji
hubungan jangka panjang antara pengangguran, inflasi dan aliran masuk pelaburan
langsung asing di Singapura.
2.0
Kajian Literatur
Kajian oleh Philips (1958) telah membuka kepada kajian hubungan
antara pengangguran dan kadar inflasi. Pada awal kajian Philips (1958) telah
menemui
hubungan yang songsang antara perubahan kadar upah dengan
pengangguran di British. Friedman (1968) mempersoalkan hubungan keluk Philips
apabila data inflasi dan pengangguran bagi Amerika Syarikat selepas tahun 1970
tidak menunjukkan hubungan yang jelas. Kajian Friedman (1968) dan Edmund
(1967) menyatakan bahawa hubungan negatif yang stabil antara pengangguran
dengan
kadar
inflasi
hanya wujud dalam jangka masa pendek apabila inflasi
dijangka tidak berubah. Manakala keluk philips dalam jangka masa panjang berlaku
2
apabila inflasi dijangka berubah dan sama dengan kadar inflasi sebenar. Friedman
mengesyorkan hubungan yang positif boleh wujud dimana kadar inflasi dan
kadar pengangguran
sama-sama
meningkat.
Keadaan
ini
dikenali
sebagai
stagflasi. Keluk Philips jangka panjang juga boleh berbentuk menegak apabila
tidak wujud tukar ganti antara inflasi dengan pengangguran.
Walaubagaimanapun pengangguran juga boleh di pengaruhi oleh
pembolehubah lain iaitu pelaburan langsung asing(FDI). Kebanyakan kajian lepas
menunjukkan FDI sebagai sumber penting modal, pelengkap kepada pelaburan
domestik swasta, menjana lebih banyak peluang pekerjaan, pemindahan teknologi
dan
seterusnya
merancakkan
pertumbuhan
ekonomi
dinegara
tuan
rumah
(Chowdhury & Mavrotas, 2006). Ini dibuktikan daripada hasil kajian Marian ,Dinga
dan Daniel Münich (2007), dalam kajian impak daripada pelaburan asing dalam
projek Toyota-Peugeot Citoёn Automobile (TPCA) terhadap pasaran tenaga kerja
di daerah Kolin, Republik Czech anatara tahun 1993 -2006 yang menggunakan
kaedah OLS, mendapati FDI mempunyai kesan yang signifikan. Kemasukan FDI telah
mengurangkan jumlah pengangguran sebanyak 1.7% dan meningkatkan guna
tenaga 3.7%.
Norhayati Baharin, Ishak Yussof dan Rahmah Ismail (2012) kajian yang
bertajuk faktor yang mempengaruhi kadar pengangguran di Malaysia. Kajian ini
memfokuskan empat pembolehubah makroekonomi yang mempengaruhi kadar
pengangguran iaitu KNDK, FDI, keterbukaan ekonomi dan kadar inflasi .
Keputusan mendapati kadar pengangguran di Malaysia adalah dipengaruhi oleh
keterbukaan ekonomi dan KDNK dalam jangka panjang dan jangka pendek.
Sebaliknya
pembolehubah
kadar pertumbuhan
pelaburan
langsung
asing
mempengaruhi kadar pengangguran dalam jangka masa pendek sahaja. Kadar
inflasi tidak signifikan kedua-dua tempoh jangka masa
Mohsen Bahmani-Oskooe dan Raymond Chi Wing Ng(2002). Kajian ini telah
menggunakan model kaedah
ekonometrik
siri
masa
iaitu
Autoregressive
Distributed lag (ARDL) untuk mengkaji permintaan wang jangka panjang di Hong
Kong. Penemuan kajian adalah mendapati kewujudan hubungan jangka panjang antara
wang agregat benar, pendapatan benar, kaedah faedah nominal, kadar faedah asing
dan kadar pertukaran asing.
3
3.0
OBJEKTIF KAJIAN
1. Melihat kewujudan keluk Philip antara inflasi dan pengangguran di Singapura
dimana dalam jangka pendek wujud hubungan sonsang manakala jangka panjang
wujudnya hubungan positif.
2. Melihat faktor penentu lain dengan pengangguran dimana faktor tersebut pelaburan
langsung asing dimana adakah faktor juga boleh mempengaruhi pengangguran di
Singapura.
4.0
METODOLOGI DAN PEMBENTUKAN MODEL KAJIAN
Analisis kajian adalah menggunakan kaedah Autoregressive Distributed lag (ARDL)
yang dicadangkan oleh Pesaran & Shin (1996) .
Data yang digunakan dalam kajian ini diperolehi daripada data sekunder
yang dikeluarkan oleh World Bank dan Data Stream. Data siri masa yang
dikumpulkan adalah meliputi tempoh 1983 hingga 2012 iaitu selama tempoh 30 tahun.
Model kajian pula dibentuk berdasarkan kajian-kajian yang lepas untuk mengkaji
hubungan pengangguran dengan pembolehubah-pembolehubah lain. Pengangguran
adalah merupakan pembolehubah bersandar manakala faktor-faktor lain yang
menentukan pengangguran sebagai pembolehubah-pembolehubah tidak bersandar.
Oleh kerana objektif kajian ialah untuk melihat hubungan pengangguran
dan pembolehubah lain di Singapura. Maka dengan itu, fungsi tersebut boleh ditulis
dalam bentuk model fungsi log linear yang ditulis seperti berikut:
In UNEt = α0 + β0 INFt + β1 In FDIt + εt
yang mana UNEt, INFt, FDIt dan εt masing-masing ialah pengangguran, kadar inflasi,
pelaburan langsung asing dan ralat rawak.
Kemudian, pendekatan versi ARDL untuk melihatkan kointegrasi yang
diperkenalkan oleh Pesaran, Shin dan Smith (2001) adalah untuk melihat kewujudan
hubungan jangka panjang. Dengan lebih khususnya, persamaan tersebut adalah
4
p
∑b
∆ In UNEt = a0 +
p
0
∑b
∆ In UNEt-j +
j=1
p
∆ INFt-j +
1
j=0
∑b
2
∆ In FDIt-j + n1
j=0
In UNEt-1 + n2 INFt-1 + n3 In FDIt-1 + εt
yang mana ni pekali bagi jangka masa panjang, ao ialah pintasan, ∆ ialah
pembezaan pertama pembolehubah dan p ialah lat optimum.
Langkah pertama dalam ARDL ialah melakukan kaedah
ujian batas
dengan menganggarkan persamaan di atas melalui OLS bagi menguji kewujudan
hubungan jangka panjang antara pembolehubah pembolehubah dengan melakukan
ujian kesignifikanan terhadap pembolehubah dalam model pembetulan ralat . Ini
dapat dilakukan dengan menggunakan statistik-F. Hipotesis nul yang mengatakan
tidak wujud hubungan jangka masa panjang antara pembolehubah ialah Ho : n 1= n2 =
n3 =n4 = 0. Manakala hipotesis alternatif mengatakan wujud hubungan jangka masa
panjang ialah H1 : n1≠ n2 ≠n3 ≠ n4 ≠ 0. Merujuk kepada Pesaran et al (2001), batas
nilai kritikal terbawah
(lower bound critical) mengandaikan
pembolehubah-
pembolehubah penerang berintegrasi pada aras I(0) dan batas nilai kritikal
teratas
(upper
bound
critical)
mengandaikan
pembolehubah-pembolehubah
penerang berintegrasi pada aras I(1). Jika nilai statistik F yang dikira (hasil daripada
regrasi) berada diatas batas kritikal teratas, maka hipotesis null yang mengatakan
tidak wujud hubungan jangka panjang akan ditolak. Sebaliknya jika nilai statistikF berada di bawah batas nilai kritikal terbawah, maka hipoteis null tidak dapat
ditolak. Sekiranya nilai statistik-F berada diantara dua batas nilai kritikal
tersebut, maka tidak dapat dipastikan apakah wujud hubungan jangka panjang atau
tidak.
Langkah kedua pendekatan ARDL ialah sekiranya terdapat hubungan
jangka masa panjang antara pembolehubah-pembolehubah yang diuji, model jangka
masa panjang akan dianggarkan seperti berikut:
p
In UNEt = a0 +
∑b
n
0
In UNEt-j +
j=1
∑b
j=0
n
1
INFt-j +
∑b
2
In FDIt-j + εt
j=0
Langkah ketiga dan yang terakhir ialah menganggar hubungan dinamik
jangka masa pendek dengan menerbitkan model terma pembetulan ralat kepada
pengangguran. Fungsi tersebut adalah
5
a
∆In UNEt = c0 +
∑ φ∆
ϕ ∆∈¿
b
InUNEt-j +
j=1
∑ϖ∆
j=0
INFt-j +
c
∑¿
FDIt-j + ψ ECTt-1
j=0
+ εt
yang mana φ, ϖ, dan ϕ adalah pekali dinamik jangka masa pendek dan ψ
ialah pekali bagi kecepatan penyesuaian menuju keseimbangan jangka masa panjang.
5.0
KEPUTUSAN DAN PERBINCANGAN
Sebelum menguji kewujudan berkointegrasi antara semua pembolehubah makro
yang diuji, terlebih dahulu dijalankan ujian punca unit yang menggunakan ujian
PHILLIP-PERRON. Walaupun kaedah ARDL tidak memerlukan
pra ujian untuk
mengetahui darjah integrasi terhadap pembolehubah bebas tersebut sama ada I(0) atau
I(1), ujian punca unit masih diperlukan untuk memastikan kesemua pembolehubah
bebas tidak pegun pada peringkat I(2) yang mengundang kepada keputusan yang
palsu. Menurut Fosu & Magnus (2006), sekiranya pembolehubah yang diuji pegun
pada pada I(2), kiraan F statistik yang terhasil adalah tidak sah kerana kaedah ujian
batasan berdasarkan andaian bahawa pembolehubah pegun pada aras I(0) atau
I(1). Maka ujian punca unit juga akan memastikan sama ada kaedah ARDL
perlu digunakan atau sebaliknya. Jadual 1 menunjukkan hasil keputusan ujian
punca unit yang dijalankan ke atas data siri masa bagi semua pembolehubah
berkenaan melalui ujian Phillip-Perron. Bilangan lat ditentukan dengan Bandwidth.
Ujian yang dilakukan mengambil kira ujian yang memasukkan pembolehubah
pintasan dan tren.
JADUAL 1: KEPUTUSAN UJIAN KEPEGUNAN MENGGUNAKAN UJIAN PHILLIPPERRON
Aras
Tahap Pembezaan Pertama
Pintasan
Pintasan dan
In UNEt
-1.579299
INFt
In FDIt
Pembolehubah
Pintasan
Pintasan dan
-2.293831
-7.412147***
-6.270487***
1.747960
-2.709268*
-0.367105
-3.465221*
-1.052881
-4.207690**
-17.10979***
-17.32698***
Tren
6
Tren
( ***) signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%, (*) signifikan
pada aras keertian 10%
Berdasarkan jadual 1, keputusan ujian kepegunan yang menggunakan
regrasi pintasan tanpa tren didapati semua pembolehubah siri masa tidak pegun pada
aras 1(0). Ujian yang menggunakan regrasi dengan pintasan dan tren pula didapati
hanya 2 pembolehubah iaitu INFt yang pegun pada aras keertian 1% manakala
pembolehubah In FDIt pegun pada aras keertian 5% . Ujian seterusnya dijalankan
dengan melakukan tahap pembezaan pertama , I(1). Melalui keputusan tersebut
didapati semua pembolehubah adalah pegun pada tahap keertiaan 1% melalui
regrasi dengan pintasan tanpa tren kecuali INFt. Manakala ujian regrasi dengan
menggunakan pintasan dan tren juga didapati kesemua pembolehubah adalah pegun
pada tahap keertian 1% iaitu In UNEt dan In FDIt `manakala INFt pula pegun pada
aras keertiaan 1%.
Ini bermakna ujian kepegunan pada tahap pembezaan
pertama melalui regrasi pintasan dan tren adalah model yang terbaik kerana semua
pembolehubah siri masa adalah pegun iaitu mempunyai tren stokastik secara bersama
mengikut masa.
Langkah seterusnya adalah melakukan ujian batasan kepada kointegrasi.
Kajian ini memerlukan memilih tempoh lag yang signifikan. Dalam kajian ini lag 2,3
dan 4 telah dilakukan ujian. Dalam jadual menunjukkan hasil ujian tersebut dimana
ujian statistic F dilakukan. Hasil keputusan kajian, lag 2 dan lag 3 adalah signifikan.
Penentuan lag 2 telah dipilih untuk membuat kajian seterusnya. Mengikut
Pesaran(2001) untuk data tahunan, lag optimum adalah 2 dan menurut BahmaniOskooee, penentuan lag panjang berdasarkan pada nilai pertama siginifikan. Oleh itu,
hipotesis null yang menyatakan tidak wujud hubungan jangka panjang di tolak.
JADUAL 2: UJIAN BATASAN KOINTEGRASI
LAT
F-STATISTIK
2
3
4
30.4783***
29.7189***
35.4955***
( ***) signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%, (*) signifikan pada aras
keertian 10%
7
NotaNilai kritikal batas diberi dalam jadual C1(iii) oleh M.H. Pesaran, Y. Shin dan R.J Smith
dirujuk. Nilai bagi 2 pembolehubah tidak bersandar adalah 3.717- 4.14 pada aras keyakinan
90% dan 3.79 – 4.85 pada aras keyakinan 95%.
Langkah
seterusnya,
penganggaran
pekali
jangka
panjang
dilakukan.Penganggaran ini dilakukan dengan menggunakan 3 model iaitu AIC, SIC
dan R2 terlaras (adjusted R2). Keputusan mendapati hasil ketiga-tiga model tersebut
adalah sama. Dalam kajian di Singapura mendapati inflasi dan pelaburan langsung
asing mempunyai hubungan dalam jangka panjang dengan pengangguran. Buktinya
adalah inflasi dan pelaburan langsung asing signifikan pada aras keertian 1%
ditunjukkan dalam jadual 3. Daripada nilai koefisien inflasi menunjukkan hubungan
jangka panjang adalah positif manakala nilai koefisien pelaburan langsung asing
menunjukan nilai negatif. Hal ini menunjukkan hubungan positif antara inflasi dan
pengangguran dalam jangka panjang di Singapura. Manakala hubungan antara
pelaburan langsung asing dan pengangguran menunjukkan negatif.
Hasil keputusan jangka panjang inflasi ini menyokong Friedman(1968)
yang mendapati peningkatan inflasi meningkatkan pengangguran dalam jangka
masa panjang . Terbukti keluk Philip yang mewujudkan kesatuan pekerja telah
wujud
bagi negara
Singapura. Dapatan kajian juga
menyokong
kajian
Thirunaukarasu (2008) yang mendapati dalam jangka masa panjang peningkatan
pelaburan langsung asing akan
mengurangkan
pengangguran. Pertambahan
pelaburan langsung asing sebanyak 1% telah mengurangkan pengangguran sebanyak
0.65%.
JADUAL 3: PENGANGGARAN PEKALI
PENDEKATAN ARDL
ARDL (1,1,0)
PEMBOLEHUBAH
MODEL
JANGKA
PANJANG
MODEL
SINGAPURAMODEL
(R BAR SQUARE)
(SBC)
(AIC)
INF
0.090839***
0.090839***
0.090839***
In FDI
-0.65478*
-0.65478*
-0.65478*
Pintasan
18.0524***
18.0524***
18.0524***
( ***) signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%, (*) signifikan
pada aras keertian 10%
Dalam Keputusan penganggaran dinamik pekali jangka pendek yang
diperolehi daripada persamaan terma pembetulan ralat (ECT) ditunjukkan dalam
8
jadual 4. Hasil kajian menunjukkan dalam jangka masa pendek, hubungan
pembolehubah-pembolehubah makro yang diuji terhadap kadar pengangguran di
Singapura berbeza seperti yang ditunjukkan dalam jangka masa panjang. Inflasi
merupakan pembolehubah yang signifikan mempengaruhi kadar pengangguran
iaitu pada aras keertian 1%. Ini menunjukkan, pembolehubah inflasi signifikan
dalam mempengaruhi kadar pengangguran bagi tempoh jangka masa panjang dan
jangka masa pendek. Hal ini membuktikan hubungan sonsang wujud di Negara
Singapura dan membuktikan keluk Philip wujud di Negara Singapura. Pembolehubah
pelaburan langsung asing menunjukkan nilai yang signifikan pada aras keertiaan 1%.
Nilai koefisien pelaburan langsung asing menunjukan nilai negatif. Ini bermaksud
dalam jangka pendek juga mendapati hubungan pelaburan langsung asing dan inflasi
menujukkan terdapatnya hubungan sonsang. Keputusan ini adalah sama kajian
daripada Marian ,Dinga dan Daniel Münich (2007) yang membuktikan pertambahan
pelaburan langsung asing dapat menggurangkan pengangguran.
JADUAL 4: MODEL TERMA PEMBETULAN RALAT (KADAR PENGANGGURAN)
ARDL (1,1,0)
CRITERIA : “ SCWARZ BAYESIAN CRITERION(SBC)”
PEMBOLEHUBAH
TIDAK BERSANDAR
∆ INF
-0.069210*** [-3.0440 ]
∆InFDI
-0.23307*** [ -2.9239]
PINTASAN
ECTt-1
R2
ADJUSTED R2
F-STATISTIK
DW-STATISTIK
6.4258*** [ 4.6820 ]
-0.35595*** [-3.1017 ]
0.58220
0.50954
10.6835***
1.9745
( ***)signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%
Pekali bagi terma pembetulan ralat (ECT) didapati signifikan pada
aras keertian 1%. Ini bermaksud wujudnya pelarasan dalam jangka masa pendek
untuk menuju keseimbangan dalam jangka masa panjang dalam model tersebut.
Kira-kira 35% (pekali ECT = -0.35) daripada ketakseimbangan dari kejutan tahun
sebelumnya diselaraskan kembali kepada keseimbangan jangka panjang dalam
tahun semasa. Model regrasi ARDL menunjukkan nilai R 2 yang tinggi iaitu 58%. Ini
bermakna
pembolehubah
-pembolehubah tak bersandar
9
dapat
menerangkan
pembolehubah pengangguran sebanyak 58%. Keputusan ujian diagnostik juga
menunjukkan bahawa model tersebut lulus semua ujian bagi ujian korelasi bersiri,
ujian kenormalan dan ujian hetrokedastisiti. Ujian CUSUM dan CUSUM(of squares)
menunjukkan data yang digunakan adalah stabil kerana plot statistic CUSUM dan
CUSUM(of squares) berada sekitar sifar dan tidak melebihi garisan 5 peratus
selang keyakinan.Keputusan ujian kestabilan CUSUM dan CUSUM(of squares)
dapat dilihat dalam gambarajah 1.
6.0
KESIMPULAN
Kajian yang dijalankan ini bertujuan mengenalpasti pembolehubah
makroekonomi sebagai faktor yang
mempengaruhi
kadar
pengangguran
di
Singapura bagi tempoh kajian yang meliputi tahun 1983 hingga 2012 dengan
menggunakan data siri masa. Kajian ini telah memfokuskan kepada dua
pembolehubah makroekonomi yang mempengaruhi kadar pengangguran iaitu
kadar inflasi dan kadar pertumbuhan FDI. Pemilihan pembolehubah-pembolehubah
makroekonomi ini adalah berdasarkan kajian-kajian lepas yang telah dijalankan.
Pengujian empirikal dibuat menggunakan kaedah ekonometrik siri masa iaitu
Autoregressive Distributed Lag (ARDL) yang dicadangkan oleh Pesaran dan
Shin (1996) untuk melihat hubungan faktor penentu dengan kadar pengangguran.
Keputusan daripada penganggaran yang dibuat mendapati kadar pengangguran di
Singapura adalah sangat signifikan dipengaruhi oleh inflasi. Pembolehubah ini
mempengaruhi kadar pengangguran dalam jangka masa panjang dan jangka masa
pendek. Dalam jangka pendek menunjukkan hubungan negatif manakala dalam jangka
panjang menunjukkan hubungan positif. Hal ini menunjukkan terbuktinya
keluk
Philip wujud bagi negara Singapura. Daripada hubungan ini mendapati, polisi yang
digunakan oleh Singapura iaitu polisi kadar pertukaran atau “ exchange rate targeting”
yang diperkenalkan pada tahun 1981 tidak memberikan kesan buruk kepada hubungan
antara inflasi dengan pengangguran. Mata wang
dollar yang digunakan oleh
Singapura telah menyebabkan keluk Philip wujud di Singapura.
Hasil
kajian
juga
mendapati
pembolehubah kadar
pertumbuhan
pelaburan langsung asing signifikan mempengaruhi kadar pengangguran bagi keduadua tempoh jangka masa. Hubungan antara inflasi dengan pengangguran
10
menunjukkan hubungan
jangka panjang.,ianya
negatif atau songsang wujud dalam jangka pendek dan
secara
tidak langsung
menyokong
kajian-kajian
lepas
dilakukan oleh Chowdhury & Mavrotas, 2006 yang menyatakan peningkatan FDI
akan menggurangkan pengangguran iaitu melibatkan hubungan negatif. Hasil
daripada polisi kadar pertukaran telah menyebabkan pelaburan langsung asing telah
meningkat di Singapura. Hal ini dapat mengurangkan pengangguran di Singapura.
11
Plot of Cumulative Sum of Recursive
Residuals
15
10
5
0
-5
-10
-15
1985
1990
1995
2000
2005
2012
2010
The straight lines represent critical bounds at 5% significance level
Plot of Cumulative Sum of Squares
of Recursive Residuals
1.5
1.0
0.5
0.0
-0.5
1985
1990
1995
2000
2005
2012
2010
The straight lines represent critical bounds at 5% significance level
GAMBAR RAJAH 1: PLOT UJIAN KESTABILAN CUSUM DAN
CUSUM(SQUARES)
Orthogonalised Impulse Responses to
one SE shock in the equation for DLUNE
0.4
0.2
DLUNE
0.0
-0.2
DINF
-0.4
-0.6
-0.8
0
2
4
6
8
10
Horizon
GAMBARAJAH 2: FUNGSI IMPULS RESPON
12
12
1414
DLFDI
LAMPIRAN
Ujian kepegunan
Null Hypothesis: LUNE has a unit root
Exogenous: Constant
Bandwidth: 4 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-1.579299
-3.679322
-2.967767
-2.622989
0.4801
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LUNE) has a unit root
Exogenous: Constant
Bandwidth: 16 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-7.412147
-3.689194
-2.971853
-2.625121
0.0000
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LUNE has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 5 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-2.293831
-4.309824
-3.574244
-3.221728
0.4239
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LUNE) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 14 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
13
Adj. t-Stat
Prob.*
-6.270487
0.0001
Test critical values:
1% level
5% level
10% level
-4.323979
-3.580623
-3.225334
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: INF has a unit root
Exogenous: Constant
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
1.747960
-3.679322
-2.967767
-2.622989
0.9995
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(INF) has a unit root
Exogenous: Constant
Bandwidth: 2 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-2.709268
-3.689194
-2.971853
-2.625121
0.0851
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: INF has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-0.367105
-4.309824
-3.574244
-3.221728
0.9841
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(INF) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
14
Adj. t-Stat
Prob.*
-3.465221
-4.323979
0.0630
5% level
10% level
-3.580623
-3.225334
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LGDP has a unit root
Exogenous: Constant
Bandwidth: 2 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-0.958785
-3.679322
-2.967767
-2.622989
0.7542
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LGDP) has a unit root
Exogenous: Constant
Bandwidth: 0 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-4.675090
-3.689194
-2.971853
-2.625121
0.0009
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LGDP has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-1.651744
-4.309824
-3.574244
-3.221728
0.7465
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LGDP) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
15
Adj. t-Stat
Prob.*
-4.659800
-4.323979
-3.580623
-3.225334
0.0046
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LFDI has a unit root
Exogenous: Constant
Bandwidth: 10 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-1.052881
-3.679322
-2.967767
-2.622989
0.7203
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LFDI) has a unit root
Exogenous: Constant
Bandwidth: 27 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-17.10979
-3.689194
-2.971853
-2.625121
0.0001
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LFDI has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 8 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-4.207690
-4.309824
-3.574244
-3.221728
0.0126
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LFDI) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 27 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
16
Adj. t-Stat
Prob.*
-17.32698
-4.323979
-3.580623
-3.225334
0.0000
*MacKinnon (1996) one-sided p-values.
Variable Deletion Test (OLS case)
*******************************************************************************
Dependent variable is DLUNE
List of the variables deleted from the regression:
LUNE(-1)
INF(-1)
LFDI(-1)
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
C
.11610
.084768
1.3696[.187]
DLUNE(-1)
.091004
.21581
.42168[.678]
DLUNE(-2)
-.16453
.20208
-.81415[.426]
DINF
-.060538
.031709
-1.9092[.071]
DINF(-1)
.067315
.036977
1.8205[.084]
DINF(-2)
-.015917
.040642
-.39163[.700]
DLFDI
-.18936
.097634
-1.9395[.067]
DLFDI(-1)
-.11065
.11397
-.97088[.344]
DLFDI(-2)
-.15874
.10517
-1.5093[.148]
*******************************************************************************
Joint test of zero restrictions on the coefficients of deleted variables:
Lagrange Multiplier Statistic
CHSQ( 3)= 13.3015[.004]
Likelihood Ratio Statistic
CHSQ( 3)= 18.0449[.000]
F Statistic
F( 3, 16)=
4.8264[.014]
*******************************************************************************
Variable Deletion Test (OLS case)
*******************************************************************************
Dependent variable is DLUNE
List of the variables deleted from the regression:
LUNE(-1)
INF(-1)
LFDI(-1)
27 observations used for estimation from 1986 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
C
.10408
.088869
1.1711[.260]
DLUNE(-1)
-.7317E-3
.21329
-.0034305[.997]
DLUNE(-2)
-.33101
.20744
-1.5957[.131]
DLUNE(-3)
-.17951
.20152
-.89075[.387]
DINF
-.092487
.032856
-2.8149[.013]
DINF(-1)
.060567
.034358
1.7628[.098]
DINF(-2)
-.014977
.040395
-.37077[.716]
DINF(-3)
.073202
.040286
1.8171[.089]
DLFDI
-.22267
.094456
-2.3574[.032]
DLFDI(-1)
-.12309
.11605
-1.0606[.306]
DLFDI(-2)
-.13489
.11836
-1.1396[.272]
DLFDI(-3)
-.067126
.10325
-.65014[.525]
*******************************************************************************
Joint test of zero restrictions on the coefficients of deleted variables:
Lagrange Multiplier Statistic
CHSQ( 3)= 11.0356[.012]
Likelihood Ratio Statistic
CHSQ( 3)= 14.1879[.003]
F Statistic
F( 3, 12)=
2.7651[.088]
*******************************************************************************
Variable Deletion Test (OLS case)
*******************************************************************************
Dependent variable is DLUNE
List of the variables deleted from the regression:
LUNE(-1)
INF(-1)
LFDI(-1)
26 observations used for estimation from 1987 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
C
.15926
.10001
1.5924[.140]
DLUNE(-1)
-.24234
.23605
-1.0267[.327]
DLUNE(-2)
-.41948
.21179
-1.9806[.073]
DLUNE(-3)
-.31894
.20696
-1.5411[.152]
DLUNE(-4)
.085618
.21532
.39763[.699]
DINF
-.085086
.031100
-2.7359[.019]
DINF(-1)
.027311
.041787
.65358[.527]
DINF(-2)
-.022996
.035736
-.64348[.533]
DINF(-3)
.080997
.036722
2.2057[.050]
17
DINF(-4)
.049085
.041292
1.1887[.260]
DLFDI
-.26767
.084755
-3.1581[.009]
DLFDI(-1)
-.24920
.11414
-2.1834[.052]
DLFDI(-2)
-.29949
.12318
-2.4313[.033]
DLFDI(-3)
-.19991
.11223
-1.7813[.102]
DLFDI(-4)
-.18053
.10723
-1.6836[.120]
*******************************************************************************
Joint test of zero restrictions on the coefficients of deleted variables:
Lagrange Multiplier Statistic
CHSQ( 3)=
7.5414[.057]
Likelihood Ratio Statistic
CHSQ( 3)=
8.9067[.031]
F Statistic
F( 3,
8)=
1.0895[.408]
*******************************************************************************
Diagnostic Tests
*******************************************************************************
*
Test Statistics *
LM Version
*
F Version
*
*******************************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ(
1)=
.92905[.335]*F(
1, 15)=
.51479[.484]*
*
*
*
*
* B:Functional Form
*CHSQ(
1)=
.56748[.451]*F(
1, 15)=
.31030[.586]*
*
*
*
*
* C:Normality
*CHSQ(
2)=
1.1100[.574]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ(
1)=
.11764[.732]*F(
1, 26)=
.10970[.743]*
*******************************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,1,0) selected based on R-BAR Squared Criterion
*******************************************************************************
Dependent variable is LUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
INF
.090839
.032385
2.8050[.010]
LFDI
-.65478
.34988
-1.8714[.074]
C
18.0524
5.3217
3.3922[.003]
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,1,0) selected based on Akaike Information Criterion
*******************************************************************************
Dependent variable is LUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
INF
.090839
.032385
2.8050[.010]
LFDI
-.65478
.34988
-1.8714[.074]
C
18.0524
5.3217
3.3922[.003]
*******************************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,1,0) selected based on Schwarz Bayesian Criterion
*******************************************************************************
Dependent variable is LUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
INF
.090839
.032385
2.8050[.010]
LFDI
-.65478
.34988
-1.8714[.074]
C
18.0524
5.3217
3.3922[.003]
*******************************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,1,0) selected based on Schwarz Bayesian Criterion
*******************************************************************************
Dependent variable is dLUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dINF
-.069210
.022737
-3.0440[.006]
18
dLFDI
-.23307
.079712
-2.9239[.007]
dC
6.4258
1.3724
4.6820[.000]
ecm(-1)
-.35595
.11476
-3.1017[.005]
*******************************************************************************
List of additional temporary variables created:
dLUNE = LUNE-LUNE(-1)
dINF = INF-INF(-1)
dLFDI = LFDI-LFDI(-1)
dC = C-C(-1)
ecm = LUNE -.090839*INF +
.65478*LFDI -18.0524*C
*******************************************************************************
R-Squared
.58220
R-Bar-Squared
.50954
S.E. of Regression
.18548
F-stat.
F( 3, 24)
10.6835[.000]
Mean of Dependent Variable
.032358
S.D. of Dependent Variable
.26485
Residual Sum of Squares
.79125
Equation Log-likelihood
10.1985
Akaike Info. Criterion
5.1985
Schwarz Bayesian Criterion
1.8680
DW-statistic
1.9745
*******************************************************************************
R-Squared and R-Bar-Squared measures refer to the dependent variable
dLUNE and in cases where the error correction model is highly
restricted, these measures could become negative.
19
RUJUKAN
Agbola, F.W. and Damoense, M.Y. (2005) Time-series estimation of import demand
functions for pulse in India, Journal of Economic Studies, Vol. 32, No. 2, pp.
146-157
Akaike, H. (1974). “A New Look at the Statistical Model Identification”, IEEE
Transaction on Automatic Control, Vol.19, pp.716-723.
Bahmani-Oskooee, M. and Bohl, M. (2000) German monetary unification and the
stability of the German M3 money demand function. Economics Letters, 66, pp.
Dickey, D. and Fuller, W. (1979). “Distribution of the Estimators for
Autoregressive Time Series with a Unit Root”, Journal of the American
Statistical Association, Vol. 74, No.366, pp. 427-431.
Dickey, D. and Fuller, W. (1981). “Likelihood Ratio Tests for Autoregressive Time
Series with a Unit Root”, Econometrica, Vol.49, No. 4, pp.057-1072.
Narayan, P.K. (2005) The saving and investment nexus for China: Evidence from
cointegration tests. Applied Economics, 37, pp. 1979-1990.
Norhayati Baharin, Ishak Yussof dan Rahmah Ismail (2012). Faktor-faktor yang
Mempengaruhi Pengangguran di Malaysia
Okun, A.M. (1975) Inflation: Its mechanics and welfare costs. Brookings papers on
Economic Activity, 2, pp. 351-390
Okun, A.M. (1980) Postwar Macroeconomic Performance, in M.S. Feldstein (ed.) The
American Economy in Transitory, Chicago: University of Chicago Press
Pesaran, M.H., Shin, Y. and Smith, R.J. (2001) Bounds testing approaches to the
analysis of level relationships. Journal of Applied Econometrics, 16, pp. 289326.
Pesaran, M.H. and Pesaran, B. (2002) Working with Microfit 4.0 Interactive
Econometric Analysis. Great Britain, Oxford University Press.
Phillips, A.W.H. (1958) The relationship between unemployment and the rate of
change of money wages in United Kingdom, 1861 – 1957. Economica, 15, pp.
283-300.
20
Phillips, P.C.B. and Hansen, B.E. (1990) Statistical inference in instrumental
variables regression with I(1) processes. Reviews of Economic Studies, 57, pp.
99-125
Phelps, E. (1967) Phillips curves, expectations of inflation and optimal unemployment
over time. Economica, 34, pp. 254-281.
Turner, P. (1997) The Phillips curve, parameter instability and the Lucas critique.
Applied Economics, 29(1), pp. 7-10.
Yusuff, M. (1988) Unanticipated money, price level and output in Malaysia. Analisis,
3(1&2), pp. 65-80.
21
INFLASI DAN PELABURAN LANGSUNG ASING DI SINGAPURA
ABSTRAK
Kajian ini dijalankan bertujuan mengenalpasti hubungan inflasi dan pelaburan
langsung asing terhadap pengangguran dalam jangka panjang di Singapura. Tempoh
kajian ini meliputi 1983 hingga 2012. Pengujian empirikal dibuat menggunakan
kaedah ekonometrik siri masa iaitu “Autoregressive Distributed lag” (ARDL) yang
dicadangkan oleh Pesaran dan Shin(1996). Keputusan daripada penganggaran yang
dibuat mendapati pengangguran di Singapura siginifikan dipengaruhi oleh inflasi dan
pelaburan langsung asing bagi tempoh jangka pendek dan jangka panjang. Keputusan
hubungan antara inflasi dan pengangguran mendapati keluk Philip wujud di Singapura
dan wujudnya hubungan sonsang antara pelaburan langsung asing dan pengangguran
di Singapura dalam jangka pendek dan jangka panjang.
1.0
PENGENALAN
Ekonomi Singapura merupakan ekonomi pasaran bebas yang amat maju
dan berjaya. Singapura mempunyai sebuah persekitaran perniagaan yang terbuka,
nyata dan agak bebas daripada amalan rasuah. Keluaran dalam Negara kasar(KDNK)
perkapitanya adalah yang tertinggi di dunia. Di Singapura, dasar monetari dikawal
selia oleh “Monetary Authority of Singapore”(MAS). Pengurusan dasar monetari
banyak dipengaruhi oleh “ Nominal Effective Exchange Rate”(NEER) yang
diperkanal pada tahun 1981. Singapura lebih mementingkan perdangangan untuk
meningkatkan pertumbuhan ekonomi negaranya. Singapura tidak menitikberat kadar
inflasi kerana kekuatan daripada penggunaan dollar.
Pengangguran merupakan masalah ekonomi utama bagi sebuah negara
tidak kira sama ada negara membangun ataupun negara maju. Bagi negara yang ingin
berada dalam keadaan ekonomi yang baik, memerlukan pengangguran pada tahap
rendah. Sesebuah negara dikatakan mempunyai pertumbuhan yang mampan jika
kadar
penganggurannya rendah. Sebaliknya jika kadar pengangguran tinggi,
bermakna berlakunya pembaziran
sumber manusia. Masalah pengangguran terus
merupakan satu daripada masalah ekonomi yang sangat penting dan harus ditangani
1
dalam pasaran buruh. Peningkatan dan pengurangan pengangguran dikaitkan dengan
inflasi.
Inflasi
dan
pengangguran
merupakan
isu
ekonomi
asas,
yang
menghubungkan antara dasar dan program kerajaan. Jadi kerajaan akan membuat
pembaharuan program-program ekonomi untuk mengatasi masalah tersebut supaya
berada
pada kadar pengangguran yang rendah dan menjadikan harga stabil.
Hubungan antara inflasi dan pengangguran boleh diperjelaskan dalam dua tempoh
iaitu jangka pendek dan jangka penjang. Dalam jangka pendek, Terdapat hubungan
songsang antara dua pembolehubah. Berdasarkan hubungan ini, apabila kadar
pengangguran adalah tinggi kadar inflasi adalah rendah dan begitulah sebaliknya.
Manakala untuk jangka panjang apabila ekonomi berkembang, pengangguran
menurun menyebabkan inflasi meningkat. Keadaan ini mendorong para pekerja
menuntut upah yang lebih tinggi. Keuntungan firma merosot dan ada yang rugi dan
pekerja terpaksa diberhentikan. Ini menyebabkan pengangguran meningkat semula.
Jadi dalam jangka panjang, hubungan sonsang tiada.
Walaubagaimanapun,
inflasi
dikatakan
bukanlah
satu-satunya
pembolehubah yang boleh mempengaruhi pengangguran. Terdapat beberapa kajian
lepas yang menyatakan pengangguran juga boleh dipengaruhi oleh pembolehubah
yang lain contohnya pelaburan langsung asing. Tujuan kajian ini akan mengkaji
hubungan jangka panjang antara pengangguran, inflasi dan aliran masuk pelaburan
langsung asing di Singapura.
2.0
Kajian Literatur
Kajian oleh Philips (1958) telah membuka kepada kajian hubungan
antara pengangguran dan kadar inflasi. Pada awal kajian Philips (1958) telah
menemui
hubungan yang songsang antara perubahan kadar upah dengan
pengangguran di British. Friedman (1968) mempersoalkan hubungan keluk Philips
apabila data inflasi dan pengangguran bagi Amerika Syarikat selepas tahun 1970
tidak menunjukkan hubungan yang jelas. Kajian Friedman (1968) dan Edmund
(1967) menyatakan bahawa hubungan negatif yang stabil antara pengangguran
dengan
kadar
inflasi
hanya wujud dalam jangka masa pendek apabila inflasi
dijangka tidak berubah. Manakala keluk philips dalam jangka masa panjang berlaku
2
apabila inflasi dijangka berubah dan sama dengan kadar inflasi sebenar. Friedman
mengesyorkan hubungan yang positif boleh wujud dimana kadar inflasi dan
kadar pengangguran
sama-sama
meningkat.
Keadaan
ini
dikenali
sebagai
stagflasi. Keluk Philips jangka panjang juga boleh berbentuk menegak apabila
tidak wujud tukar ganti antara inflasi dengan pengangguran.
Walaubagaimanapun pengangguran juga boleh di pengaruhi oleh
pembolehubah lain iaitu pelaburan langsung asing(FDI). Kebanyakan kajian lepas
menunjukkan FDI sebagai sumber penting modal, pelengkap kepada pelaburan
domestik swasta, menjana lebih banyak peluang pekerjaan, pemindahan teknologi
dan
seterusnya
merancakkan
pertumbuhan
ekonomi
dinegara
tuan
rumah
(Chowdhury & Mavrotas, 2006). Ini dibuktikan daripada hasil kajian Marian ,Dinga
dan Daniel Münich (2007), dalam kajian impak daripada pelaburan asing dalam
projek Toyota-Peugeot Citoёn Automobile (TPCA) terhadap pasaran tenaga kerja
di daerah Kolin, Republik Czech anatara tahun 1993 -2006 yang menggunakan
kaedah OLS, mendapati FDI mempunyai kesan yang signifikan. Kemasukan FDI telah
mengurangkan jumlah pengangguran sebanyak 1.7% dan meningkatkan guna
tenaga 3.7%.
Norhayati Baharin, Ishak Yussof dan Rahmah Ismail (2012) kajian yang
bertajuk faktor yang mempengaruhi kadar pengangguran di Malaysia. Kajian ini
memfokuskan empat pembolehubah makroekonomi yang mempengaruhi kadar
pengangguran iaitu KNDK, FDI, keterbukaan ekonomi dan kadar inflasi .
Keputusan mendapati kadar pengangguran di Malaysia adalah dipengaruhi oleh
keterbukaan ekonomi dan KDNK dalam jangka panjang dan jangka pendek.
Sebaliknya
pembolehubah
kadar pertumbuhan
pelaburan
langsung
asing
mempengaruhi kadar pengangguran dalam jangka masa pendek sahaja. Kadar
inflasi tidak signifikan kedua-dua tempoh jangka masa
Mohsen Bahmani-Oskooe dan Raymond Chi Wing Ng(2002). Kajian ini telah
menggunakan model kaedah
ekonometrik
siri
masa
iaitu
Autoregressive
Distributed lag (ARDL) untuk mengkaji permintaan wang jangka panjang di Hong
Kong. Penemuan kajian adalah mendapati kewujudan hubungan jangka panjang antara
wang agregat benar, pendapatan benar, kaedah faedah nominal, kadar faedah asing
dan kadar pertukaran asing.
3
3.0
OBJEKTIF KAJIAN
1. Melihat kewujudan keluk Philip antara inflasi dan pengangguran di Singapura
dimana dalam jangka pendek wujud hubungan sonsang manakala jangka panjang
wujudnya hubungan positif.
2. Melihat faktor penentu lain dengan pengangguran dimana faktor tersebut pelaburan
langsung asing dimana adakah faktor juga boleh mempengaruhi pengangguran di
Singapura.
4.0
METODOLOGI DAN PEMBENTUKAN MODEL KAJIAN
Analisis kajian adalah menggunakan kaedah Autoregressive Distributed lag (ARDL)
yang dicadangkan oleh Pesaran & Shin (1996) .
Data yang digunakan dalam kajian ini diperolehi daripada data sekunder
yang dikeluarkan oleh World Bank dan Data Stream. Data siri masa yang
dikumpulkan adalah meliputi tempoh 1983 hingga 2012 iaitu selama tempoh 30 tahun.
Model kajian pula dibentuk berdasarkan kajian-kajian yang lepas untuk mengkaji
hubungan pengangguran dengan pembolehubah-pembolehubah lain. Pengangguran
adalah merupakan pembolehubah bersandar manakala faktor-faktor lain yang
menentukan pengangguran sebagai pembolehubah-pembolehubah tidak bersandar.
Oleh kerana objektif kajian ialah untuk melihat hubungan pengangguran
dan pembolehubah lain di Singapura. Maka dengan itu, fungsi tersebut boleh ditulis
dalam bentuk model fungsi log linear yang ditulis seperti berikut:
In UNEt = α0 + β0 INFt + β1 In FDIt + εt
yang mana UNEt, INFt, FDIt dan εt masing-masing ialah pengangguran, kadar inflasi,
pelaburan langsung asing dan ralat rawak.
Kemudian, pendekatan versi ARDL untuk melihatkan kointegrasi yang
diperkenalkan oleh Pesaran, Shin dan Smith (2001) adalah untuk melihat kewujudan
hubungan jangka panjang. Dengan lebih khususnya, persamaan tersebut adalah
4
p
∑b
∆ In UNEt = a0 +
p
0
∑b
∆ In UNEt-j +
j=1
p
∆ INFt-j +
1
j=0
∑b
2
∆ In FDIt-j + n1
j=0
In UNEt-1 + n2 INFt-1 + n3 In FDIt-1 + εt
yang mana ni pekali bagi jangka masa panjang, ao ialah pintasan, ∆ ialah
pembezaan pertama pembolehubah dan p ialah lat optimum.
Langkah pertama dalam ARDL ialah melakukan kaedah
ujian batas
dengan menganggarkan persamaan di atas melalui OLS bagi menguji kewujudan
hubungan jangka panjang antara pembolehubah pembolehubah dengan melakukan
ujian kesignifikanan terhadap pembolehubah dalam model pembetulan ralat . Ini
dapat dilakukan dengan menggunakan statistik-F. Hipotesis nul yang mengatakan
tidak wujud hubungan jangka masa panjang antara pembolehubah ialah Ho : n 1= n2 =
n3 =n4 = 0. Manakala hipotesis alternatif mengatakan wujud hubungan jangka masa
panjang ialah H1 : n1≠ n2 ≠n3 ≠ n4 ≠ 0. Merujuk kepada Pesaran et al (2001), batas
nilai kritikal terbawah
(lower bound critical) mengandaikan
pembolehubah-
pembolehubah penerang berintegrasi pada aras I(0) dan batas nilai kritikal
teratas
(upper
bound
critical)
mengandaikan
pembolehubah-pembolehubah
penerang berintegrasi pada aras I(1). Jika nilai statistik F yang dikira (hasil daripada
regrasi) berada diatas batas kritikal teratas, maka hipotesis null yang mengatakan
tidak wujud hubungan jangka panjang akan ditolak. Sebaliknya jika nilai statistikF berada di bawah batas nilai kritikal terbawah, maka hipoteis null tidak dapat
ditolak. Sekiranya nilai statistik-F berada diantara dua batas nilai kritikal
tersebut, maka tidak dapat dipastikan apakah wujud hubungan jangka panjang atau
tidak.
Langkah kedua pendekatan ARDL ialah sekiranya terdapat hubungan
jangka masa panjang antara pembolehubah-pembolehubah yang diuji, model jangka
masa panjang akan dianggarkan seperti berikut:
p
In UNEt = a0 +
∑b
n
0
In UNEt-j +
j=1
∑b
j=0
n
1
INFt-j +
∑b
2
In FDIt-j + εt
j=0
Langkah ketiga dan yang terakhir ialah menganggar hubungan dinamik
jangka masa pendek dengan menerbitkan model terma pembetulan ralat kepada
pengangguran. Fungsi tersebut adalah
5
a
∆In UNEt = c0 +
∑ φ∆
ϕ ∆∈¿
b
InUNEt-j +
j=1
∑ϖ∆
j=0
INFt-j +
c
∑¿
FDIt-j + ψ ECTt-1
j=0
+ εt
yang mana φ, ϖ, dan ϕ adalah pekali dinamik jangka masa pendek dan ψ
ialah pekali bagi kecepatan penyesuaian menuju keseimbangan jangka masa panjang.
5.0
KEPUTUSAN DAN PERBINCANGAN
Sebelum menguji kewujudan berkointegrasi antara semua pembolehubah makro
yang diuji, terlebih dahulu dijalankan ujian punca unit yang menggunakan ujian
PHILLIP-PERRON. Walaupun kaedah ARDL tidak memerlukan
pra ujian untuk
mengetahui darjah integrasi terhadap pembolehubah bebas tersebut sama ada I(0) atau
I(1), ujian punca unit masih diperlukan untuk memastikan kesemua pembolehubah
bebas tidak pegun pada peringkat I(2) yang mengundang kepada keputusan yang
palsu. Menurut Fosu & Magnus (2006), sekiranya pembolehubah yang diuji pegun
pada pada I(2), kiraan F statistik yang terhasil adalah tidak sah kerana kaedah ujian
batasan berdasarkan andaian bahawa pembolehubah pegun pada aras I(0) atau
I(1). Maka ujian punca unit juga akan memastikan sama ada kaedah ARDL
perlu digunakan atau sebaliknya. Jadual 1 menunjukkan hasil keputusan ujian
punca unit yang dijalankan ke atas data siri masa bagi semua pembolehubah
berkenaan melalui ujian Phillip-Perron. Bilangan lat ditentukan dengan Bandwidth.
Ujian yang dilakukan mengambil kira ujian yang memasukkan pembolehubah
pintasan dan tren.
JADUAL 1: KEPUTUSAN UJIAN KEPEGUNAN MENGGUNAKAN UJIAN PHILLIPPERRON
Aras
Tahap Pembezaan Pertama
Pintasan
Pintasan dan
In UNEt
-1.579299
INFt
In FDIt
Pembolehubah
Pintasan
Pintasan dan
-2.293831
-7.412147***
-6.270487***
1.747960
-2.709268*
-0.367105
-3.465221*
-1.052881
-4.207690**
-17.10979***
-17.32698***
Tren
6
Tren
( ***) signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%, (*) signifikan
pada aras keertian 10%
Berdasarkan jadual 1, keputusan ujian kepegunan yang menggunakan
regrasi pintasan tanpa tren didapati semua pembolehubah siri masa tidak pegun pada
aras 1(0). Ujian yang menggunakan regrasi dengan pintasan dan tren pula didapati
hanya 2 pembolehubah iaitu INFt yang pegun pada aras keertian 1% manakala
pembolehubah In FDIt pegun pada aras keertian 5% . Ujian seterusnya dijalankan
dengan melakukan tahap pembezaan pertama , I(1). Melalui keputusan tersebut
didapati semua pembolehubah adalah pegun pada tahap keertiaan 1% melalui
regrasi dengan pintasan tanpa tren kecuali INFt. Manakala ujian regrasi dengan
menggunakan pintasan dan tren juga didapati kesemua pembolehubah adalah pegun
pada tahap keertian 1% iaitu In UNEt dan In FDIt `manakala INFt pula pegun pada
aras keertiaan 1%.
Ini bermakna ujian kepegunan pada tahap pembezaan
pertama melalui regrasi pintasan dan tren adalah model yang terbaik kerana semua
pembolehubah siri masa adalah pegun iaitu mempunyai tren stokastik secara bersama
mengikut masa.
Langkah seterusnya adalah melakukan ujian batasan kepada kointegrasi.
Kajian ini memerlukan memilih tempoh lag yang signifikan. Dalam kajian ini lag 2,3
dan 4 telah dilakukan ujian. Dalam jadual menunjukkan hasil ujian tersebut dimana
ujian statistic F dilakukan. Hasil keputusan kajian, lag 2 dan lag 3 adalah signifikan.
Penentuan lag 2 telah dipilih untuk membuat kajian seterusnya. Mengikut
Pesaran(2001) untuk data tahunan, lag optimum adalah 2 dan menurut BahmaniOskooee, penentuan lag panjang berdasarkan pada nilai pertama siginifikan. Oleh itu,
hipotesis null yang menyatakan tidak wujud hubungan jangka panjang di tolak.
JADUAL 2: UJIAN BATASAN KOINTEGRASI
LAT
F-STATISTIK
2
3
4
30.4783***
29.7189***
35.4955***
( ***) signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%, (*) signifikan pada aras
keertian 10%
7
NotaNilai kritikal batas diberi dalam jadual C1(iii) oleh M.H. Pesaran, Y. Shin dan R.J Smith
dirujuk. Nilai bagi 2 pembolehubah tidak bersandar adalah 3.717- 4.14 pada aras keyakinan
90% dan 3.79 – 4.85 pada aras keyakinan 95%.
Langkah
seterusnya,
penganggaran
pekali
jangka
panjang
dilakukan.Penganggaran ini dilakukan dengan menggunakan 3 model iaitu AIC, SIC
dan R2 terlaras (adjusted R2). Keputusan mendapati hasil ketiga-tiga model tersebut
adalah sama. Dalam kajian di Singapura mendapati inflasi dan pelaburan langsung
asing mempunyai hubungan dalam jangka panjang dengan pengangguran. Buktinya
adalah inflasi dan pelaburan langsung asing signifikan pada aras keertian 1%
ditunjukkan dalam jadual 3. Daripada nilai koefisien inflasi menunjukkan hubungan
jangka panjang adalah positif manakala nilai koefisien pelaburan langsung asing
menunjukan nilai negatif. Hal ini menunjukkan hubungan positif antara inflasi dan
pengangguran dalam jangka panjang di Singapura. Manakala hubungan antara
pelaburan langsung asing dan pengangguran menunjukkan negatif.
Hasil keputusan jangka panjang inflasi ini menyokong Friedman(1968)
yang mendapati peningkatan inflasi meningkatkan pengangguran dalam jangka
masa panjang . Terbukti keluk Philip yang mewujudkan kesatuan pekerja telah
wujud
bagi negara
Singapura. Dapatan kajian juga
menyokong
kajian
Thirunaukarasu (2008) yang mendapati dalam jangka masa panjang peningkatan
pelaburan langsung asing akan
mengurangkan
pengangguran. Pertambahan
pelaburan langsung asing sebanyak 1% telah mengurangkan pengangguran sebanyak
0.65%.
JADUAL 3: PENGANGGARAN PEKALI
PENDEKATAN ARDL
ARDL (1,1,0)
PEMBOLEHUBAH
MODEL
JANGKA
PANJANG
MODEL
SINGAPURAMODEL
(R BAR SQUARE)
(SBC)
(AIC)
INF
0.090839***
0.090839***
0.090839***
In FDI
-0.65478*
-0.65478*
-0.65478*
Pintasan
18.0524***
18.0524***
18.0524***
( ***) signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%, (*) signifikan
pada aras keertian 10%
Dalam Keputusan penganggaran dinamik pekali jangka pendek yang
diperolehi daripada persamaan terma pembetulan ralat (ECT) ditunjukkan dalam
8
jadual 4. Hasil kajian menunjukkan dalam jangka masa pendek, hubungan
pembolehubah-pembolehubah makro yang diuji terhadap kadar pengangguran di
Singapura berbeza seperti yang ditunjukkan dalam jangka masa panjang. Inflasi
merupakan pembolehubah yang signifikan mempengaruhi kadar pengangguran
iaitu pada aras keertian 1%. Ini menunjukkan, pembolehubah inflasi signifikan
dalam mempengaruhi kadar pengangguran bagi tempoh jangka masa panjang dan
jangka masa pendek. Hal ini membuktikan hubungan sonsang wujud di Negara
Singapura dan membuktikan keluk Philip wujud di Negara Singapura. Pembolehubah
pelaburan langsung asing menunjukkan nilai yang signifikan pada aras keertiaan 1%.
Nilai koefisien pelaburan langsung asing menunjukan nilai negatif. Ini bermaksud
dalam jangka pendek juga mendapati hubungan pelaburan langsung asing dan inflasi
menujukkan terdapatnya hubungan sonsang. Keputusan ini adalah sama kajian
daripada Marian ,Dinga dan Daniel Münich (2007) yang membuktikan pertambahan
pelaburan langsung asing dapat menggurangkan pengangguran.
JADUAL 4: MODEL TERMA PEMBETULAN RALAT (KADAR PENGANGGURAN)
ARDL (1,1,0)
CRITERIA : “ SCWARZ BAYESIAN CRITERION(SBC)”
PEMBOLEHUBAH
TIDAK BERSANDAR
∆ INF
-0.069210*** [-3.0440 ]
∆InFDI
-0.23307*** [ -2.9239]
PINTASAN
ECTt-1
R2
ADJUSTED R2
F-STATISTIK
DW-STATISTIK
6.4258*** [ 4.6820 ]
-0.35595*** [-3.1017 ]
0.58220
0.50954
10.6835***
1.9745
( ***)signifikan pada aras keertian 1%, (**) signifikan pada aras keertian 5%
Pekali bagi terma pembetulan ralat (ECT) didapati signifikan pada
aras keertian 1%. Ini bermaksud wujudnya pelarasan dalam jangka masa pendek
untuk menuju keseimbangan dalam jangka masa panjang dalam model tersebut.
Kira-kira 35% (pekali ECT = -0.35) daripada ketakseimbangan dari kejutan tahun
sebelumnya diselaraskan kembali kepada keseimbangan jangka panjang dalam
tahun semasa. Model regrasi ARDL menunjukkan nilai R 2 yang tinggi iaitu 58%. Ini
bermakna
pembolehubah
-pembolehubah tak bersandar
9
dapat
menerangkan
pembolehubah pengangguran sebanyak 58%. Keputusan ujian diagnostik juga
menunjukkan bahawa model tersebut lulus semua ujian bagi ujian korelasi bersiri,
ujian kenormalan dan ujian hetrokedastisiti. Ujian CUSUM dan CUSUM(of squares)
menunjukkan data yang digunakan adalah stabil kerana plot statistic CUSUM dan
CUSUM(of squares) berada sekitar sifar dan tidak melebihi garisan 5 peratus
selang keyakinan.Keputusan ujian kestabilan CUSUM dan CUSUM(of squares)
dapat dilihat dalam gambarajah 1.
6.0
KESIMPULAN
Kajian yang dijalankan ini bertujuan mengenalpasti pembolehubah
makroekonomi sebagai faktor yang
mempengaruhi
kadar
pengangguran
di
Singapura bagi tempoh kajian yang meliputi tahun 1983 hingga 2012 dengan
menggunakan data siri masa. Kajian ini telah memfokuskan kepada dua
pembolehubah makroekonomi yang mempengaruhi kadar pengangguran iaitu
kadar inflasi dan kadar pertumbuhan FDI. Pemilihan pembolehubah-pembolehubah
makroekonomi ini adalah berdasarkan kajian-kajian lepas yang telah dijalankan.
Pengujian empirikal dibuat menggunakan kaedah ekonometrik siri masa iaitu
Autoregressive Distributed Lag (ARDL) yang dicadangkan oleh Pesaran dan
Shin (1996) untuk melihat hubungan faktor penentu dengan kadar pengangguran.
Keputusan daripada penganggaran yang dibuat mendapati kadar pengangguran di
Singapura adalah sangat signifikan dipengaruhi oleh inflasi. Pembolehubah ini
mempengaruhi kadar pengangguran dalam jangka masa panjang dan jangka masa
pendek. Dalam jangka pendek menunjukkan hubungan negatif manakala dalam jangka
panjang menunjukkan hubungan positif. Hal ini menunjukkan terbuktinya
keluk
Philip wujud bagi negara Singapura. Daripada hubungan ini mendapati, polisi yang
digunakan oleh Singapura iaitu polisi kadar pertukaran atau “ exchange rate targeting”
yang diperkenalkan pada tahun 1981 tidak memberikan kesan buruk kepada hubungan
antara inflasi dengan pengangguran. Mata wang
dollar yang digunakan oleh
Singapura telah menyebabkan keluk Philip wujud di Singapura.
Hasil
kajian
juga
mendapati
pembolehubah kadar
pertumbuhan
pelaburan langsung asing signifikan mempengaruhi kadar pengangguran bagi keduadua tempoh jangka masa. Hubungan antara inflasi dengan pengangguran
10
menunjukkan hubungan
jangka panjang.,ianya
negatif atau songsang wujud dalam jangka pendek dan
secara
tidak langsung
menyokong
kajian-kajian
lepas
dilakukan oleh Chowdhury & Mavrotas, 2006 yang menyatakan peningkatan FDI
akan menggurangkan pengangguran iaitu melibatkan hubungan negatif. Hasil
daripada polisi kadar pertukaran telah menyebabkan pelaburan langsung asing telah
meningkat di Singapura. Hal ini dapat mengurangkan pengangguran di Singapura.
11
Plot of Cumulative Sum of Recursive
Residuals
15
10
5
0
-5
-10
-15
1985
1990
1995
2000
2005
2012
2010
The straight lines represent critical bounds at 5% significance level
Plot of Cumulative Sum of Squares
of Recursive Residuals
1.5
1.0
0.5
0.0
-0.5
1985
1990
1995
2000
2005
2012
2010
The straight lines represent critical bounds at 5% significance level
GAMBAR RAJAH 1: PLOT UJIAN KESTABILAN CUSUM DAN
CUSUM(SQUARES)
Orthogonalised Impulse Responses to
one SE shock in the equation for DLUNE
0.4
0.2
DLUNE
0.0
-0.2
DINF
-0.4
-0.6
-0.8
0
2
4
6
8
10
Horizon
GAMBARAJAH 2: FUNGSI IMPULS RESPON
12
12
1414
DLFDI
LAMPIRAN
Ujian kepegunan
Null Hypothesis: LUNE has a unit root
Exogenous: Constant
Bandwidth: 4 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-1.579299
-3.679322
-2.967767
-2.622989
0.4801
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LUNE) has a unit root
Exogenous: Constant
Bandwidth: 16 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-7.412147
-3.689194
-2.971853
-2.625121
0.0000
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LUNE has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 5 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-2.293831
-4.309824
-3.574244
-3.221728
0.4239
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LUNE) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 14 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
13
Adj. t-Stat
Prob.*
-6.270487
0.0001
Test critical values:
1% level
5% level
10% level
-4.323979
-3.580623
-3.225334
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: INF has a unit root
Exogenous: Constant
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
1.747960
-3.679322
-2.967767
-2.622989
0.9995
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(INF) has a unit root
Exogenous: Constant
Bandwidth: 2 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-2.709268
-3.689194
-2.971853
-2.625121
0.0851
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: INF has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-0.367105
-4.309824
-3.574244
-3.221728
0.9841
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(INF) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 3 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
14
Adj. t-Stat
Prob.*
-3.465221
-4.323979
0.0630
5% level
10% level
-3.580623
-3.225334
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LGDP has a unit root
Exogenous: Constant
Bandwidth: 2 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-0.958785
-3.679322
-2.967767
-2.622989
0.7542
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LGDP) has a unit root
Exogenous: Constant
Bandwidth: 0 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-4.675090
-3.689194
-2.971853
-2.625121
0.0009
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LGDP has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-1.651744
-4.309824
-3.574244
-3.221728
0.7465
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LGDP) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
15
Adj. t-Stat
Prob.*
-4.659800
-4.323979
-3.580623
-3.225334
0.0046
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LFDI has a unit root
Exogenous: Constant
Bandwidth: 10 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-1.052881
-3.679322
-2.967767
-2.622989
0.7203
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LFDI) has a unit root
Exogenous: Constant
Bandwidth: 27 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-17.10979
-3.689194
-2.971853
-2.625121
0.0001
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: LFDI has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 8 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
Adj. t-Stat
Prob.*
-4.207690
-4.309824
-3.574244
-3.221728
0.0126
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LFDI) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 27 (Newey-West automatic) using Bartlett kernel
Phillips-Perron test statistic
Test critical values:
1% level
5% level
10% level
16
Adj. t-Stat
Prob.*
-17.32698
-4.323979
-3.580623
-3.225334
0.0000
*MacKinnon (1996) one-sided p-values.
Variable Deletion Test (OLS case)
*******************************************************************************
Dependent variable is DLUNE
List of the variables deleted from the regression:
LUNE(-1)
INF(-1)
LFDI(-1)
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
C
.11610
.084768
1.3696[.187]
DLUNE(-1)
.091004
.21581
.42168[.678]
DLUNE(-2)
-.16453
.20208
-.81415[.426]
DINF
-.060538
.031709
-1.9092[.071]
DINF(-1)
.067315
.036977
1.8205[.084]
DINF(-2)
-.015917
.040642
-.39163[.700]
DLFDI
-.18936
.097634
-1.9395[.067]
DLFDI(-1)
-.11065
.11397
-.97088[.344]
DLFDI(-2)
-.15874
.10517
-1.5093[.148]
*******************************************************************************
Joint test of zero restrictions on the coefficients of deleted variables:
Lagrange Multiplier Statistic
CHSQ( 3)= 13.3015[.004]
Likelihood Ratio Statistic
CHSQ( 3)= 18.0449[.000]
F Statistic
F( 3, 16)=
4.8264[.014]
*******************************************************************************
Variable Deletion Test (OLS case)
*******************************************************************************
Dependent variable is DLUNE
List of the variables deleted from the regression:
LUNE(-1)
INF(-1)
LFDI(-1)
27 observations used for estimation from 1986 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
C
.10408
.088869
1.1711[.260]
DLUNE(-1)
-.7317E-3
.21329
-.0034305[.997]
DLUNE(-2)
-.33101
.20744
-1.5957[.131]
DLUNE(-3)
-.17951
.20152
-.89075[.387]
DINF
-.092487
.032856
-2.8149[.013]
DINF(-1)
.060567
.034358
1.7628[.098]
DINF(-2)
-.014977
.040395
-.37077[.716]
DINF(-3)
.073202
.040286
1.8171[.089]
DLFDI
-.22267
.094456
-2.3574[.032]
DLFDI(-1)
-.12309
.11605
-1.0606[.306]
DLFDI(-2)
-.13489
.11836
-1.1396[.272]
DLFDI(-3)
-.067126
.10325
-.65014[.525]
*******************************************************************************
Joint test of zero restrictions on the coefficients of deleted variables:
Lagrange Multiplier Statistic
CHSQ( 3)= 11.0356[.012]
Likelihood Ratio Statistic
CHSQ( 3)= 14.1879[.003]
F Statistic
F( 3, 12)=
2.7651[.088]
*******************************************************************************
Variable Deletion Test (OLS case)
*******************************************************************************
Dependent variable is DLUNE
List of the variables deleted from the regression:
LUNE(-1)
INF(-1)
LFDI(-1)
26 observations used for estimation from 1987 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
C
.15926
.10001
1.5924[.140]
DLUNE(-1)
-.24234
.23605
-1.0267[.327]
DLUNE(-2)
-.41948
.21179
-1.9806[.073]
DLUNE(-3)
-.31894
.20696
-1.5411[.152]
DLUNE(-4)
.085618
.21532
.39763[.699]
DINF
-.085086
.031100
-2.7359[.019]
DINF(-1)
.027311
.041787
.65358[.527]
DINF(-2)
-.022996
.035736
-.64348[.533]
DINF(-3)
.080997
.036722
2.2057[.050]
17
DINF(-4)
.049085
.041292
1.1887[.260]
DLFDI
-.26767
.084755
-3.1581[.009]
DLFDI(-1)
-.24920
.11414
-2.1834[.052]
DLFDI(-2)
-.29949
.12318
-2.4313[.033]
DLFDI(-3)
-.19991
.11223
-1.7813[.102]
DLFDI(-4)
-.18053
.10723
-1.6836[.120]
*******************************************************************************
Joint test of zero restrictions on the coefficients of deleted variables:
Lagrange Multiplier Statistic
CHSQ( 3)=
7.5414[.057]
Likelihood Ratio Statistic
CHSQ( 3)=
8.9067[.031]
F Statistic
F( 3,
8)=
1.0895[.408]
*******************************************************************************
Diagnostic Tests
*******************************************************************************
*
Test Statistics *
LM Version
*
F Version
*
*******************************************************************************
*
*
*
*
* A:Serial Correlation*CHSQ(
1)=
.92905[.335]*F(
1, 15)=
.51479[.484]*
*
*
*
*
* B:Functional Form
*CHSQ(
1)=
.56748[.451]*F(
1, 15)=
.31030[.586]*
*
*
*
*
* C:Normality
*CHSQ(
2)=
1.1100[.574]*
Not applicable
*
*
*
*
*
* D:Heteroscedasticity*CHSQ(
1)=
.11764[.732]*F(
1, 26)=
.10970[.743]*
*******************************************************************************
A:Lagrange multiplier test of residual serial correlation
B:Ramsey's RESET test using the square of the fitted values
C:Based on a test of skewness and kurtosis of residuals
D:Based on the regression of squared residuals on squared fitted values
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,1,0) selected based on R-BAR Squared Criterion
*******************************************************************************
Dependent variable is LUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
INF
.090839
.032385
2.8050[.010]
LFDI
-.65478
.34988
-1.8714[.074]
C
18.0524
5.3217
3.3922[.003]
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,1,0) selected based on Akaike Information Criterion
*******************************************************************************
Dependent variable is LUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
INF
.090839
.032385
2.8050[.010]
LFDI
-.65478
.34988
-1.8714[.074]
C
18.0524
5.3217
3.3922[.003]
*******************************************************************************
Estimated Long Run Coefficients using the ARDL Approach
ARDL(1,1,0) selected based on Schwarz Bayesian Criterion
*******************************************************************************
Dependent variable is LUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
INF
.090839
.032385
2.8050[.010]
LFDI
-.65478
.34988
-1.8714[.074]
C
18.0524
5.3217
3.3922[.003]
*******************************************************************************
Error Correction Representation for the Selected ARDL Model
ARDL(1,1,0) selected based on Schwarz Bayesian Criterion
*******************************************************************************
Dependent variable is dLUNE
28 observations used for estimation from 1985 to 2012
*******************************************************************************
Regressor
Coefficient
Standard Error
T-Ratio[Prob]
dINF
-.069210
.022737
-3.0440[.006]
18
dLFDI
-.23307
.079712
-2.9239[.007]
dC
6.4258
1.3724
4.6820[.000]
ecm(-1)
-.35595
.11476
-3.1017[.005]
*******************************************************************************
List of additional temporary variables created:
dLUNE = LUNE-LUNE(-1)
dINF = INF-INF(-1)
dLFDI = LFDI-LFDI(-1)
dC = C-C(-1)
ecm = LUNE -.090839*INF +
.65478*LFDI -18.0524*C
*******************************************************************************
R-Squared
.58220
R-Bar-Squared
.50954
S.E. of Regression
.18548
F-stat.
F( 3, 24)
10.6835[.000]
Mean of Dependent Variable
.032358
S.D. of Dependent Variable
.26485
Residual Sum of Squares
.79125
Equation Log-likelihood
10.1985
Akaike Info. Criterion
5.1985
Schwarz Bayesian Criterion
1.8680
DW-statistic
1.9745
*******************************************************************************
R-Squared and R-Bar-Squared measures refer to the dependent variable
dLUNE and in cases where the error correction model is highly
restricted, these measures could become negative.
19
RUJUKAN
Agbola, F.W. and Damoense, M.Y. (2005) Time-series estimation of import demand
functions for pulse in India, Journal of Economic Studies, Vol. 32, No. 2, pp.
146-157
Akaike, H. (1974). “A New Look at the Statistical Model Identification”, IEEE
Transaction on Automatic Control, Vol.19, pp.716-723.
Bahmani-Oskooee, M. and Bohl, M. (2000) German monetary unification and the
stability of the German M3 money demand function. Economics Letters, 66, pp.
Dickey, D. and Fuller, W. (1979). “Distribution of the Estimators for
Autoregressive Time Series with a Unit Root”, Journal of the American
Statistical Association, Vol. 74, No.366, pp. 427-431.
Dickey, D. and Fuller, W. (1981). “Likelihood Ratio Tests for Autoregressive Time
Series with a Unit Root”, Econometrica, Vol.49, No. 4, pp.057-1072.
Narayan, P.K. (2005) The saving and investment nexus for China: Evidence from
cointegration tests. Applied Economics, 37, pp. 1979-1990.
Norhayati Baharin, Ishak Yussof dan Rahmah Ismail (2012). Faktor-faktor yang
Mempengaruhi Pengangguran di Malaysia
Okun, A.M. (1975) Inflation: Its mechanics and welfare costs. Brookings papers on
Economic Activity, 2, pp. 351-390
Okun, A.M. (1980) Postwar Macroeconomic Performance, in M.S. Feldstein (ed.) The
American Economy in Transitory, Chicago: University of Chicago Press
Pesaran, M.H., Shin, Y. and Smith, R.J. (2001) Bounds testing approaches to the
analysis of level relationships. Journal of Applied Econometrics, 16, pp. 289326.
Pesaran, M.H. and Pesaran, B. (2002) Working with Microfit 4.0 Interactive
Econometric Analysis. Great Britain, Oxford University Press.
Phillips, A.W.H. (1958) The relationship between unemployment and the rate of
change of money wages in United Kingdom, 1861 – 1957. Economica, 15, pp.
283-300.
20
Phillips, P.C.B. and Hansen, B.E. (1990) Statistical inference in instrumental
variables regression with I(1) processes. Reviews of Economic Studies, 57, pp.
99-125
Phelps, E. (1967) Phillips curves, expectations of inflation and optimal unemployment
over time. Economica, 34, pp. 254-281.
Turner, P. (1997) The Phillips curve, parameter instability and the Lucas critique.
Applied Economics, 29(1), pp. 7-10.
Yusuff, M. (1988) Unanticipated money, price level and output in Malaysia. Analisis,
3(1&2), pp. 65-80.
21