Metode Estimasi METODOLOGI PENELITIAN

memberikan lag optimum. Langkah selanjutnya adalah membandingkan t-statistik dengan nilai kritis misalnya 85. Jika nilai t-statistik lebih besar dari nilai kritis berarti data tersebut bersifat stationer I0. Yang berarti pula analis VAR dapat langsung dilakukan. Bila yang terjadi sebaliknya, nilai t-statistik lebih kecil daripada nilai kritis maka data tersebut bersifat tidak stationer. Berarti pula data mengandung unit root. Untuk menghilangkan unit root diperlukan langkah lanjutan yaitu dengan membuat first difference ∆Y t = Yt –Yt-1. Kemudian menarik diferensiasi dari variabel endogennya. Tindakan ini akan menjadikan data stationer pada kondisi awal yang selanjutnya dilakukan koreksi terhadap error term. Tindakan ini disebut dengan analisis Error Correction Model. Variabel pada sistem persamaan simultan teknik ekonometrika seperti ini disebut Vector Error Correction Model VECM. Setelah langkah-langkah tersebut dilakukan maka perlu dilakukan pengujian unit root ulangan untuk memastikan bahwa data runtut waktu yang digunakan bersifat stationer. Estimasi model dilakukan dengan menggunakan TSLS two stage least squares dan OLS ordinary least squares. Hasil estimasi disajikan dalam bentuk tabel yang mencantumkan nilai koefisien regresi, standard error, t-statistik dan nilai p. Selain itu dalam tabel juga disajikan nilai R-squared, R-squared adjustment dan Durbin-Watson DW test. Koefisien diterminan atau R 2 disajikan untuk menunjukan estimasi kekuatan hubungan antara variabel endogen dan variabel eksogen. Angka yang dihasilkan mewakili proporsi satu set data eksogen variabel dalam menentukan data set lainnya yang disebut endogen variabel. Pada akhirnya angka yang dihasilkan juga menunjukan sebuah ukuran seberapa baik variabel endogen ditentukan oleh variasi data variabel eksogen. Misalnya Nilai R-squared sebesar 0.800 berarti 80 perubahan variabel endogen dapat dijelaskan oleh perubahan variabel eksogen, sisanya sebesar 20 dipengaruhi oleh variabel-variabel lain . Pada umumnya estimasi data rutut waktu akan menghadapi persoalan multikolineriatas, heteroskedastisitas dan autokorelasi. Multikolineritas adalah kondisi adanya hubungan linier antar variabel eksogen yang umumnya memiliki ciri-ciri R 2 tinggi tetapi koefisien variabel eksogen tidak signifikan. Jika hal ini terjadi maka beberapa alternatif tindakan yang dapat diambil adalah: 1. Dibiarkan saja model mengandung multikolineritas, karena estimator masih bisa bersifat BLUE best linear unbiased estimator. Dengan kata lain sifat model, sistem persamaan atau suatu persamaan bersifat BLUE tidak semata- mata dipengaruhi oleh ada tidaknya multikolineritas, hanya standar error yang dihasilkan cukup besar. 2. Menambah variabel atau mengurangi variabel eksogen 3. Mentransformasikan salah satu atau beberapa variabel termasuk melakukan diferensi. Kedua, heteroskedastisitas terjadi apabila, residual e memiliki rataan nol, residual memiliki varian konstan atau var e = δ2 atau residual suatu observasi tidak saling berhubungan dengan residual lainnya. Untuk mengetahui ada tidaknya heteroskedastisitas dilakukan uji white yang juga disebut dengan metode varian heteroskadastisitas terkoreksi. Ketiga, autokorelasi berarti terdapat hubungan antara residual suatu observasi dengan variabel yang lain. Hal ini umum terjadi pada data runtut waktu yang dapat dikenali dengan melihat nilai Uji DW. Berikut ini adalah daftar nilai DW untuk menentukan ada tidaknya autokorelasi: DW = 0 – 1.10 : Tolak Ho, berarti ada autokorelasi DW = 1.10 -1.54 : Tidak dapat ditentukan DW = 1.54 – 2.46 : Menerima Ho, berarti tidak ada autokorelasi DW = 2.46 – 2.90 : Tidak dapat ditentukan d = 2.90 – 4 : Tolak Ho, berarti ada autokorelasi Jika terdapat autokorelasi maka perlu dilakukan transformasi persamaan dengan terlebih dahulu mengetahui struktur ρ. Aplikasi Eviews memberikan fasilitas untuk melakukan hal tersebut dengan memilih tombol atau meng-click pilihan autocorrelation pada tampilan interface pada layar komputer, ketika akan melalakukan estimasi. Selanjutnya aplikasi dengan sendirinya akan menghitung dan melakukan transformasi sehingga hasil akhir yang diperoleh merupakan nilai yang terbaik dari seluruh kemungkinan yang ada. Koefisien regresi menunjukan tingkat perubahan variabel endogen ketika variabel eksogen berubah satu satuan. Koefisien regresi bisa bertanda positif atau negatif. Tanda positif manandakan bahwa jika variabel eksogen ditambah satu satuan maka variabel endogen akan bertambah sebesar nilai koefisien regresi tersebut. Sedangkan jika koefisien regresi bertanda negatif maka setiap terjadi penambahan satu satuan variabel eksogen maka nilai endogen variabel akan turun sebesar nilai koefisien regresi tersebut. Standard error yang disajikan dalam hasil estimasi adalah standard error dari koefisien regresi. Standard error ini mengukur statistic reability dari koefisien regresi. Standard error yang semakin tinggi menunjukan bahwa secara statistik koefisien regresi memiliki gangguan yang besar statistical noise. Rasio dari koefisien regresi terhadap standard error-nya akan menghasilkan nilai t-statistik. Selanjutnya untuk menginterpertasikan nilai t-statistik harus menggunakan nilai probabilitas probability value atau p-value nilai p. Berdasarkan nilai nilai p akan dapat segera disimpulkan apakah hipotesis bahwa koefisien regresi tersebut sama dengan nol akan diterima atau ditolak. Sebagai contoh jika digunakan taraf nyata sebesar 5, maka sebuah nilai p yang lebih rendah dibandingkan 0,05 dapat diartikan bahwa hipotesis koefisien regresi tersebut sama dengan nol ditolak. Dengan kata lain koefisien regresi tersebut layak untuk dipergunakan. Dalam penelitian ini menggunakan taraf nyata atau taraf nyata sebesar 15 yang berarti tingkat kesalahan yang dapat ditoleransi sebesar 0.15. Jika dikaitkan dengan nilai p maka koefisien regresi dengan nilai p lebih kecil dari 0,15 berarti tersebut menolak hipotesis koefisien sama dengan nol atau koefisien tersebut layak untuk dipergunakan. DW test adalah angka yang dipergunakan untuk melakukan mengukur besarnya autokorelasi suatu analisis regresi. Angka DW selalu berada diantara 0 dan 4. Angka yang mendekati 0 mengidikasikan positif autokorelasi sedangkan angka yang mendekati 4 manunjukan negatif autokorelasi. Hasil estimasi persamaan struktural divalidasi menggunakan Root Mean Squares Error RMSE. Hasil validasi menunjukan akurasi suatu model, dengan cara mengukur perbedaan antara hasil estimasi dengan nilai aktualnya. RMSE dirumuskan sebagai berikut: RMSE Ô= √ MSE Ô dimana: MSEÔ= 1n Σ[Ô - Ɵ 2 ] Mean Squares Error MSE adalah penjumlahan dari rata-rata dari perbedaan nilai antara angka sesungguhnya dengan hasil estimasi. Nilai RMSE yang kecil menunjukan tingkat perbedaan yang kecil antara nilai estimasi dan nilai aktual. Sedangkan nilai RMSE yang besar berarti model menghasilkan nilai estimasi yang memiliki perbedaan yang besar dengan dengan nilai sesungguhnya. Model memiliki nilai RMSE sebesar 0.010 lebih bagus dibandingksan dengan model yang memiliki nilai RMSE sebesar 0.600. Nilai RMSE sebesar 0.010 mengandung arti, sebesar 1 dari hasil estimasi memiliki perbedaan dengan nilai sesungguhnya. Perangkat lunak yang digunakan dalam penelitian ini adalah Econometric views Eviews yang memiliki fasilitas untuk mengkalkulasi regresi dengan memperhitungkan uji white dan sekaligus memberikan perbaikan. Sehingga hasil yang diperoleh merupakan hasil akhir yang telah mempertimbangkan uji white dan perbaikannya.

4.3. Spesifikasi Model Migas dan Perekonomian Riau

Model MPR adalah model ekonometrika dalam bentuk sistem persamaan simultan yang terdiri dari 35 persamaan dengan rincian 22 persamaan struktural dan 13 persamaan identitas. Sebanyak 12 persamaan struktural diestimasi menggunakan Two Stage Least Squares 12 persamaan dan 10 persamaan diestimasi menggunakan Ordinaryr Least Squares. Model MPR dikelompokan dalam empat blok. Pembagian ini mempertimbangkan pada aliran perekonomian Provinsi Riau dan untuk Gambar 12. Hubungan antar Variabel Model MPR mempermudah pengendalian pada saat melakukan estimasi dan simulasi. Berikut ini adalah pembagian blok tersebut: 1. Blok 1: Blok Investasi dan Migas terdiri dari 6 enam persamaan, dengan rincian 4 empat persamaan struktural dan 2 dua persamaan identitas 2. Blok 2 : Blok Fiskal terdiri dari 13 empat belas, dengan rincian 7 tujuh persamaan struktural dan 6 tujuh persamaan identitas. 3. Blok 3 : Blok Gaji dan Upah terdiri dari 4 empat persamaan, dengan rincian 3 tiga persamaan struktural dan 1 satu persamaan identitas. 4. Blok 4 : Blok Output dan Indikator Perekonomian terdiri dari 12 tigabelas persamaan, dengan rincian 8 sembilan persamaan struktural dan 4 empat persamaan identitas. Sektor-sektor dalam Model MPR dikelompokan menjadi tiga sektor, yaitu sektor migas, sektor pertanian dan sektor lainnya sektor non migas dan non pertanian. Oleh karena itu investasi swasta dikelompokan ke dalam investasi swasta sektor migas, investasi swasta sektor pertanian dan investasi swasta sektor lainnya. Tidak hanya variabel investasi, namun beberapa variabel lainnya seperti output perekonomian, upah dan gaji, dan ketenagakerjaan dikelompokan ke dalam tiga sektor tersebut. Pembagian menjadi tiga sektor tersebut dimaksudkan untuk melihat sensitifitas dari masing-masing sektor terhadap perubahan yang terjadi di sektor hulu migas ataupun dampaknya terhadap kebijakan fiskal. Gambar 12 adalah diagram hubungan antar variabel dari Model MPR, yang seluruhnya terdiri dari 45 variabel dimana 10 variabel diantaranya merupakan variabel eksogen murni. Peramalan menggunakan aplikasi Eviews mengharuskan 10 variabel eksogen murni tersebut diramalkan diluar aplikasi, dan