analiss statistika lanjutan dalam kajian di bidang ... · bj-ipb-apbn merupakan wujud dari...
TRANSCRIPT
ANALISS STATISTIKA LANJUTAN DALAM KAJIAN DI BIDANG
PENGANGGARAN
OlehBambang Juanda
https://bbjuanda.wordpress.com/
https://bambangjuanda.com/
Pelatihan Metode Kajian Penganggaran Tingkat lanjutanBPPK, 9-13 September 2019
BJ-IPB
BJ-IPB
- APBN merupakan wujud dari pengelolaan keuangan
negara yang dilaksanakan secara terbuka dan
bertanggung jawab untuk sebesar-besarnya
kemakmuran rakyat (UU 12/2018 tentang APBN).
- Keuangan negara dikelola secara tertib, taat pada
peraturan perundang-undangan, efisien, ekonomis,
efektif, transparan, dan bertanggung jawab dengan
memperhatikan rasa keadilan dan kepatutan (UU No
17/2003 Pasal 3).
- “Keuangan daerah dikelola secara tertib, taat pada
peraturan perundang-undangan, efisien, ekonomis,
efektif, transparan, dan bertanggung jawab dengan
memperhatikan asas keadilan, kepatutan, dan
manfaat untuk masyarakat” (PP 58/2005, Pasal 4(1)
Referensi APBN Berkualitas: (Juanda, 2019)
BJ-IPB
Berdasarkan Asas keuangan di tingkat pusat dan daerah,
dapat disimpulkan bahwa pengelolaan keuangan yang
berkualitas serta bertanggung jawab bukan saja dilakukan
secara makro di pusat saja (APBN), melainkan juga
diterapkan secara mikro di daerah provinsi, dan
kabupaten/kota serta di Desa (APBD dan APBDes ).
pengelolaan keuangan :-efisien-ekonomis-efektif-transparan-bertanggung jawab
-APBN berkualitas-APBD berkualitas-APBDes berkualitas
Perumusan Masalah
Perumusan (Pengembangan) Model
Pengumpulan Data
Pendugaan Model
Model Layak? Interpretasi Model
Implikasi Kebijakan
Uji Hipotesis
Teori Ekonomi,
Pengalaman Lalu,
Studi Lainnya
yatidak
BJ-IPB
Tahapan Studi Empiris dgn Model Ekonometrika
Peramalan
(Evidence Based Policy)
What is Ekonometrics?
• Unification of economic theory, mathematical tools & statistical methodology (Ramanathan)
• science & art of building and using models
• Science consists of set of quantitative tools, used to
construct & test mathematical representations of reality.
• Art consists of intuitive judgments that occur during
modeling process by examples & discussions
Pindyck & Rubinfeld:
Ekonometrika Membahas (Juanda, 2012):
• Penggunaan model statistik dalam menjelaskan sistem-
sistem (masalah, perilaku, fenomena) ekonomi.BJ-IPB
Tujuan Pemodelan
1. menduga hubungan-hubungan ekonomi. Misal, Bagaimana dampak DAU Terhadap Ketimpangan Pendapatan?
2. mengkonfrontasi teori ekonomi dengan
fakta, dan menguji hipotesis yg berkaitan
dengan perilaku ekonomi. Misal Apakah
pelaksanaan DesFis dan pemekaran wilayah dapat meningkatkan
pendapatan per kapita dan pengeluaran pemerintah untuk belanja modal
serta menurunkan tingkat pengangguran dan tingkat kemiskinan?
3. peramalan perilaku peubah-peubah
ekonomi. Misal, meramal pendapatan dan belanja negara, inflasi,
dan pengangguran, serta defisit anggaran.
BJ-IPB
Contoh Pendugaan Hubungan Ekonomi :
a) Menduga dampak DAU Terhadap KetimpanganPendapatan?
b) Mengkaji dampak Pengeluaran Infrastruktur, Kesehatan danPendidikan Terhadap Ketimpangan pendapatan?
c) Menduga pengaruh periklanan thd penjualan dankeuntungan
d) Mencari hubungan harga saham dgn karakteristikperusahaan yg mengeluarkan saham, dan juga dgn keadaanumum perekonomian.
e) Menduga permintaan/penawaran berbagai produk dan jasa; atau ingin tahu elastisitas permintaan suatu barang thdperubahan harga.
f) Mengevaluasi dampak kebijakan fiskal dan moneter terhadapjumlah pengangguran, pendapatan, impor dan ekspor, sukubunga, tingkat inflasi, dan defisit anggaran; atau ingin tahu
g) Mengkaji hubungan antara pendapatan dengan berbagaifaktor yg menentukan pendapatan tsb, e.g.: tingkat pajak danpopulasi.
BJ-IPB
Contoh Pengujian Hipotesis :
a) Apakah pelaksanaan desentralisasi fiskal dan pemekaran wilayah dapat meningkatkan pendapatan per kapita dan pengeluaran pemerintah untuk belanja modal serta menurunkan tingkat pengangguran dan tingkat kemiskinan?
b) Keefektifan berbagai kebijakan pemerintah.
Contoh Peramalan:• Meramal total penjualan, keuntungan, biaya
produksi, dan persediaan yg dibutuhkan.
• Meramal pendapatan dan belanja negara,
inflasi, pengangguran, serta defisit anggaran
dan perdagangan.
BJ-IPB
Karena ketiga aspek di atas umumnya berdasarkan data contoh (sample), bukan data sensus lengkap, maka akan ada ketidakpastian dalam kajian standar ini, misalnya:
1.Dugaan Hubungan tidak tepat
2.Kesimpulan dari pengujian hipotesis mengandung risiko kesalahan dalam menerima suatu hipotesis yang salah atau pun menolak suatu hipotesis yang benar.
3.Peramalan berdasarkan dugaan hubungan (model) jarang sekali tepat sama dengan nilai sebenarnya.
Untuk mengurangi tingkat ketidakpastian, ahli ekonometrik biasanya menduga beberapa hubungan yang berbeda diantara peubah-peubah yang dikaji. Kemudian melakukan beberapa pengujian untuk menentukan dugaan hubungan yang mana yang paling mendekati gambaran perilaku dari peubah-peubah yang dikaji.
Ketidakpastian ini membuat metodologi statistika sangat penting dalam ekonometrika.
BJ-IPB
1. Langsung (direct relationship): P Qd
2. Tidak Langsung (indirect relationship):
bunga(i) Investasi (I) GDP (Y)
3. Aditif: 𝑄 = 𝛽0 + 𝛽1𝐾 + 𝛽2𝐿
4. Mutiplikatif: 𝑄 = 𝜷𝟎𝐾𝜷𝟏𝐿𝜷𝟐,𝛽2: elastisitas
5. Saling ketergantungan
(interdependent):
6. Semu (spurious relationship): A ? B
Beberapa Pola Hubungan
BJ-IPB
Analisis Korelasi ( ρ atau r = ρ )
Mengukur keeratan hubungan linier antara dua peubah metrik (berskala interval).
Tidak harus menggambarkan hubungan sebab akibat
-1 r 1
r mendekati 1 atau -1 : semakin erat hubungan liniernya
r = 1 , data tepat pada garis lurus dgn kemiringngan positif
r =-1 , data tepat pada garis lurus dgn slope negatif
r = 0 Tidak ada hubungan linier.
Kelemahan Koef Korelasi:• Sangat peka terhadap nilai pencilan (outlier)
• Tidak dapat mendeteksi hubungan non linear
^
rS
S S
xy
x y
2 2
11
n
yyxx
S
n
iii
xy
1
2
2
n
xx
S
n
ii
x
BJ-IPB
Beberapa Pola hubungan
Gambar (b). r < 0Gambar (a). r >0
Gambar (c). r =0 Gambar (c). r =0
*
(outlier)
(non linear)
BJ-IPB
BJ-IPB
| POV UNEMP IPM BP BB BM L.BM BBS
-------------+---------------------------------------------------------------
UNEMP | 0.9847 1.0000
| 0.0000
|
IPM | -0.9379 -0.9482 1.0000
| 0.0000 0.0000
|
BP | -0.9386 -0.9493 0.9981 1.0000
| 0.0000 0.0000 0.0000
|
BB | -0.8994 -0.8988 0.9884 0.9876 1.0000
| 0.0000 0.0000 0.0000 0.0000
|
BM | -0.8996 -0.9157 0.9514 0.9555 0.9455 1.0000
| 0.0000 0.0000 0.0000 0.0000 0.0000
|
L.BM | -0.8829 -0.8982 0.9430 0.9462 0.9130 0.8514 1.0000
| 0.0001 0.0001 0.0000 0.0000 0.0000 0.0004
|
BBS | -0.6252 -0.6830 0.5213 0.5263 0.4192 0.6112 0.3772 1.000
| 0.0223 0.0101 0.0677 0.0647 0.1539 0.0264 0.2267
|
STotal | -0.5125 -0.5546 0.3291 0.3356 0.2147 0.3857 0.3268 0.687
| 0.0733 0.0492 0.2722 0.2623 0.4812 0.1931 0.2998 0.0095
Korelasi Antara Berbagai Jenis Belanja dengan Indikator Prioritas Nasional(Jelaskan hasil analisis korelasi ini, Data 2005-2017)
Hipotesis statistik: H0: ρ = 0 (tdk ada korelasi)
H1: ρ ≠ 0 (ada korelasi)
Pengertian Model & Tujuan Pemodelan
• Perumusan masalah Model
• Model: Abstraksi realitas dlm pers matematika
• Model ekonometrika: model statistik yg mencakup error
Y = f(X1, X2, ..., Xp) + error (2.1)
data aktual = dugaan + sisaan (simpangan)
data = komp. sistematik + komp. non-sistematik
dugaan Y = f(X1, X2, ..., Xp) (2.2)
diharapkan unsur-unsur ketidak-teraturan nilai Y dapat
dijelaskan oleh nilai-nilai dari peubah X1, X2, ..., dan Xp
berdasarkan model dugaan dalam persamaan (2.2). Oleh
karena itu, komponen sisaan diusahakan menjadi relatif kecil
dibandingkan komponen dugaannya.
BJ-IPB
Deskripsi komponen error :
1. Kesalahan pengukuran dan proxy dari peubah responsY maupun peubah penjelas X1, X2, ..., dan Xp.
2. Asumsi bentuk fungsi f yang salah. Mungkin adabentuk fungsi lainnya yang lebih cocok, linear maupunnon-linear.
3. Omitted relevant variables. Peubah (variable) yang seharusnya dimasukkan ke dalam model, dikeluarkankarena alasan-alasan tertentu (misalnyapenyederhanaan, atau data sulit diperoleh dan lain-lain).
4. Pengaruh faktor-faktor lain yang belum terpikirkan atau tidak dapat diramalkan (unpredictable effects).
Digunakan Seni dalam Memodifikasi (Mengembangkan) Model
BJ-IPB
Model Regresi Berganda
ipipiii XXXY 22110
Hubungan linear (dlm parameter) antara 1 peubah
tak bebas dgn 2 atau lebih peubah bebas
Intersep-Y
PopulasiSlope Populasi
Peubah tak bebas (Respons;
Akibat; Sulit/mahal diukur)
Peubah bebas (Explanatory;
Penyebab; Mudah/Murah diukur)
Random Error
ipipiii eXbXbXbbY 22110
Model Populasi:
Model Sampel:
BJ-IPB
Metode (Jumlah) Kuadrat (Sisaan) Terkecil:
MKT atau Ordinary Least Squares. Y=a+bX+e
shg e=q minimumkandan , ˆˆ1=i
2i iiii YYe
Mencari dugaan koefisien yg menghasilkan jumlah kuadrat
simpangan antara data aktual dgn data dugaan MINIMUM
XbYa
XXn
YXYiXn
XX
YYXX
bn
i
n
iii
n
i
n
i
n
iiii
n
ii
n
iii
2
1 1
2
1 1 1
1
2
1
Simple Linear Model : Yi =a + b Xi + ei
BJ-IPB
0 ei
(i) ei ~ N(0;2 )
0 + 1Xi
μY/X
Y/X1
Y/Xi ~ N(0+1Xi;2 )Yi
i
^
^
^
~ N(0+1Xi;2 )^μY/X i μYi
Asumsi Model Regresi Linear: Peubah acak εi
menyebar Normal, bebas dan identik utk i=1,.. ,n.
Bebas: Cov(εt, εs)= E(εtεs)=0 untuk t≠s.
Homoskedastisitas: Var(εi)= E(εi2)=2.
(ii) X fixed variable
Dugaan Koefisien i dengan OLS bersifat TAK BIAS dgn RAGAM
MINIMUM (Best Linear Unbiased Estimator), dan menyebar Normal.
Dugaan Rata2 Y utk
Xi tertentu menyebar
Normal
Dugaan Individu Y utk Xi
ttt sama dgn dugaan
rata2nya, juga
menyebar Normal, dgn
ragam lebih besar
Simple Linear ModelYi =b0 + b1 Xi + ei
BJ-IPB
80757065605550
B
C
IPM2018
PEFA
ad
j
Dotplot of IPM2018
BJ-IPB
PraWorkshop II Public Financial Management (PFM)Hotel Santika, 5 September 2019
Untuk PEFA yang lebih baik (B), Kinerja IPM relatif lebih tinggi
3.43.23.02.82.62.42.22.0
85
80
75
70
65
60
55
50
S_PEFA
IPM
20
18
S 5.53295
R-Sq 4.3%
R-Sq(adj) 2.7%
Regression
95% CI
95% PI
Fitted Line PlotIPM2018 = 60.22 + 3.363 S_PEFA
BJ-IPB
PraWorkshop II Public Financial Management (PFM)Hotel Santika, 5 September 2019
Jika PEFA naik maka IPM akan naik (tanpa memperhatikan faktor2 lain)
4.3% keragaman IPM dapat dijelaskan PEFA
Potesi SD yg
baik jika
dikelola
(PEFA) lebih
baik akan
menghasilkan
outcome yg
lebih baik
BJ-IPB
Minggu
Ke (i)
Demand
(unit), Y
Harga
($), X2
Harga
Kompetitor,X3
Biaya
Iklan, X4
Income
($), X5
Periode
(X6)
1 1290 137 94 814 42498 1
2 1177 147 81 896 41399 2
3 1155 149 89 852 39905 3
4 1299 117 92 854 34871 4
5 1166 135 86 810 34239 5
6 1186 143 79 768 44452 6
7 1293 113 91 978 30367 7
8 1322 111 82 821 37757 8
9 1338 109 81 843 40130 9
10 1160 129 82 849 31264 10
11 1293 124 91 797 34610 11
12 1413 117 76 988 41033 12
13 1299 106 90 914 30674 13
14 1238 135 88 913 31578 14
15 1467 117 99 867 41201 15
16 1089 147 76 785 30247 16
17 1203 124 83 817 33177 17
18 1474 103 98 846 37330 18
19 1235 140 78 768 44671 19
20 1367 115 83 856 37950 20
21 1310 119 76 771 43478 21
22 1331 138 100 947 36053 22
23 1293 122 90 831 35333 23
24 1437 105 86 905 44304 24
25 1165 145 96 996 30925 25
26 1328 138 97 929 36867 26
27 1515 116 97 1000 41799 27
28 1223 148 84 951 40684 28
29 1293 134 88 848 43637 29
30 1215 127 87 891 30468 30
Data permintaan
produk detergent
baru selama 30
minggu terakhir
setelah dipasarkan
pertama kali,
beserta faktor-
faktor yang
diperkirakan
mempengaruhinya.
Buatlah dugaan
model permintaan
Ilustrasi:
Jika Selang Kepercayaan tidak mencakup 0, maka terima H1: j 0
BJ-IPB
Contoh Output STATA (Bgm Interpretasinya?)
F(5,24)
0 2.62
= 0.05
I. Uji Model Secara Keseluruhan
•Apakah Model dapat menjelaskan keragaman Y?
•Hipotesis Statistik:
H0: Model tdk dpt menjelaskan keragaman Y
2regresi = 2
ε atau 2regresi/
2ε = 1
1 = 2 = … = p = 0 (tidak dapat menjelaskan)
H1: Model dpt menjelaskan keragaman Y
2regresi > 2
ε atau 2regresi/
2ε > 1
Minimal ada i 0 (ada peubahbebas yg mempengaruhi Y)
•Statistik uji-F = KTR/KTS ~ F(p, n-1-p)
Yi = 0 + 1 X1 + 2 X2 +…+ p Xp + εi
BJ-IPB
F0 2.62
H0: 1 = 2 = … = p = 0
H1: Minimal ada j 0 = .05
db = 5 dan 24
Nilai Kritis:
Statistik Uji:
Keputusan:
Kesimpulan:
H1 pada = 0.05
• Model dpt menjelaskan keragaman Y
• Minimal ada satu peubah bebas yg
mempengaruhi Y = 0.05
F
Uji Model Secara Keseluruhan
51.49 ; p=0.00(Output software)
Gunakan kriteria p-value !
BJ-IPB
ANOVA: Analisis Ragam (simple Liner Model)
Apakah Keragaman Y dapat dijelaskan oleh
(peubah X dlm) Model ?
Yi = b0 + b1 Xi + ei
Yi = (Y - b1 X) + b1 Xi + ei
(Yi – Y) = b1 (Xi – X) + ei
(Yi – Y)2 = { b1 (Xi – X) + ei }2
(Yi – Y)2 = { b1 (Xi – X) + ei }2
(Yi – Y)2 = b12 (Xi – X)2 + ei
2
JKT = JKR + JKSBJ-IPB
db JK
Regresi 5 291364
Sisa 24 27159
Total 29 318523
Tabel
ANOVA
JKR JKS JKT
JKT = Jumlah Kuadrat Total•mengukur keragaman nilai-nilai Yi sekitar rataan Y
JKR = Jumlah Kuadrat Regresi•Menjelaskan keragaman yg dpt dianggap berasal
dari hubungan antara X dgn Y (model regresi)
JKS = Jumlah Kuadrat Sisa (error)•Keragaman yg dpt dianggap berasal dari
faktor-faktor selain hubungan antara X dgn Y
JKT = (Yi - Y)2
JKR = (Yi - Y)2
JKS =(Yi - Yi )2
_
_
BJ-IPB
Koefisien
Determinasi:JKR Jumlah Kuadrat Regresi
JKT Jumlah Kuadrat Totalr2 = =
• Mengukur “proporsi keragaman” yg dijelaskan oleh (peubah
bebas X dlm) model regresi
• Sering secara “informal” sbg ukuran goodness-of-fit utk
membandingkan validitas bbrp spesifikasi model
• 91.5% keragaman permintaan dpt dijelaskan oleh model
S = 33.6398 R-Sq = 91.5% R-Sq(adj) = 89.7%
Analysis of Variance
Source DF SS MS F P
Regression 5 291364 58273 51.49 0.000
Residual Error 24 27159 1132
Total 29 318523BJ-IPB
H0: 1 = 0
H1: 1 0
db = 24
Nilai Kritis:
Statistik Uji:
Keputusan:
Kesimpulan:
Tolak H0 pada = 0.05
Terbukti nyata, pengaruh harga
pada permintaan detergen.
t0 2.064-2.064
.025
Tolak H0 Tolak H0
.025
Apakah harga berpengaruh nyata terhadap
permintaan Detergen? Ujilah pada = 0.05.
t = -11.45 , p=0.000
Gunakan kriteria p-value !
II. Uji Signifikansi Masing2 Peubah Bebas
BJ-IPB
Nilai-p (p-value, sign.): peluang (risiko) kesalahan
dlm menyimpulkan H1. Artinya, meskipun kita
menyimpulkan H1, tapi mungkin saja H0 yg benar.
Alternatif kriteria uji menggunakan taraf nyata
(mis 1%, 5%, 10%) adalah sbb:
• Jika p > maka terima H0 (kesalahannya
melebihi batas taraf nyata jika terima H1)
• Jika p < maka terima H1 (kesalahannya kurang
dari taraf nyata jika terima H1).
taraf nyata : peluang (risiko) kesalahan maks yg
dpt ditolerir dlm menyimpulkan H1.
Jelaskan korelasi antara tingkat kemiskinan dan dana utk
penanggulangan kemiskinan, apakah positif atau negatif?
BJ-IPB
Interpretasi Koefisien
β1 = -5.0326
Interpretasi Nilai slope -5.03 (‘umumnya’): utk kenaikan
1 unit dlm X, diduga Y akan menurun 5.03 unit,
ceteris paribus
Implikasi dari dugaan slope (data time series):
• Jika harga naik 1 dolar, model tsb memprediksi bahwa
permintaan yg diharapkan akan turun 5.03 unit, jika
faktor lainnya tetap
Hati2 Interpretasi untuk Data Cross Section:
• Rata2 perbedaan permintaan antara toko yg harganya
berbeda 1 dolar adalah 5.03 unit
BJ-IPB
BJ-IPB
Taraf Nyata, dan Daerah Penolakan
H0: 1 k
H1: 1 < k
0
0
0
H0: 1 k
H1: 1 > k
H0: 1 k
H1: 1 k
/2
Daerah
Penolakan
(ttk kritis)
1 b1
t
t
t
b1 ~ N(I;2 )b1
Untuk uji eka-arah, misalnya H1: >0,
nilai-p sebenarnya adalah P(│t│> thit) = ½ p-value output komputer
Hipotesis statistika (yg mana?)
Hipotesis Penelitian
Analisis Sisaan (Residual)
• Tujuan
– Mengkaji Linearitas
– Evaluasi pelanggaran asumsi
• Analisis Sisaan dgn Grafik
– Plot sisaan Vs. nilai-nilai Xi atau Yi
• (ei,Xi) atau (ei2 ,Xi) atau (ei /se ,Xi)
– Studentized residuals: = ei/se
• Memungkinkan mempertimbangkan besaran
sisaan (sisaan-baku spt Normal baku)
BJ-IPB
Perbedaan Pendekatan Regresi Klasik dengan
Ekonometrika Deret Waktu
1. Pendekatan Regressi klasik: Menduga model dulu, kemudiandilihat (diuji) apakah asumsi tentang error (ε) dipenuhi (ragamhomogen/sama, dan tidak ada autokorelasi). Dalam konteks data deret waktu, error tsb bersifat Stasioner.
2. Pendekatan (terkini) Regressi Deret Waktu: Data harus stasionerdulu, kemudian baru diduga modelnya. Penentuan ordo/lag, jugadugaan parameternya, dari data yang sudah stasioner.
Jika dipaksakan pada data deret waktu yg belum stasioner, analisisnya “dapat” menyesatkan. Namun jika errornya memenuhiasumsi klasik atau stasioner, model tsb tetap valid.
• Faktanya, hampir semua data deret waktu bersifat tidak stasioner.
• Ekonometrika menggunakan data deret waktu perlu ditangani dan dianalisis secara berbeda
© Bambang Juanda & Junaidi:
Ekonometrika Deret Waktu BJ-IPB
Analisis Sisaan utk Linearitas
Not Linear Linear
X
e e
X
BJ-IPB
Analisis Sisaan utk
Homoskedastisitas
Heteroskedastisitas Homoscedasticity
Menggunakan Standardized Residuals (SR)
SR
X
SR
X
BJ-IPB
Analisis Sisaan utk
Kebebasan e
Tidak Bebas Bebas
X
SR
X
SR
BJ-IPB
Statistik Durbin-Watson
•Digunakan utk data time series guna mendeteksi
autokorelasi (Sisaan dlm suatu periode
berhubungan dgn sisaan dlm periode lain)
•Mengukur Pelanggaran asumsi kebebasan e
n
ii
n
iii
e
)ee(D
1
2
2
21 Seharusnya mendekati 2.
Jika tidak, kaji model utk
autokorelasi.
BJ-IPB
BJ-IPB
Koefisien Baku dan Elastisitas
Koefisien regresi j dlm model regresi gandamenggambarkan berapa perubahan Y jikapeubah bebas ke-j berubah 1 unit.
Koefisien j yg paling besar bukan berartipengaruh peubah bebas ke-j paling besar karena satuan koefisien regresi tergantungsatuan peubah respons Y dan satuan peubahbebas ke-j.
Untuk mengkaji relatif pentingnya masing-masing peubah bebas, dapat menggunakankoefisien baku (standardized coefficients), elastisitas atau korelasi parsial.
Koefisien baku menggambarkan relatif pentingnya peubah bebas Xj dlm model regresi berganda.
Utk menghitung koefisien baku, kita hanya melakukan suatu regresi linear, yg mana didalamnya, masing-masing peubah di-normal-kan dgn cara dikurangi dengan rata-ratanya dan dibagi dengan simpangan bakunya.
Model regresi yg di-normal-kan adalah sbb:
**33*3
22*2 ...
32
i
X
kikk
X
i
X
i
Y
i
k
S
XX
S
XX
S
XX
S
YY
atauS
S
jX
Yjj
*ˆˆ kjS
S
Y
X
jj
j,..,3,2;ˆˆ*
perubahan 1 simpangan (skor) baku dlm peubah bebas X
akan menyebabkan perubahan 0.8 simpangan baku dalam
peubah respons Y.
8.0ˆ* j
BJ-IPB
Elastisitas (Ej)mengukur pengaruh 1 persen perubahan dlm peubah bebas X terhadap persentase perubahan peubah respons Y.
Secara umum, nilai elastisitas tidak konstan tapi berubah jika diukur pada titik yang berbeda sepanjang jaris regresi.
Elastisitas kadangkala dikeluarkan oleh paket program komputer yg dihitung pd titik rata-rata masing-masing peubah.
Untuk koefisien ke-j, elastisitas dihitung sbb :
Y
X
Y
X
X
Y
X
X
Y
YE
j
jjj
/
BJ-IPB
Koef Regresi, Koefisien Baku, dan Elastisitas
PeubahKoefisien
j
Koef bakuj
*
ElastisitasEj=j Mean
Std. Deviation
Y1285.8000 104.80241
X2_P-5.033 -.688
-0.49712127.0000 14.31903
X3_Pr4.744 .327
0.3222287.3333 7.22702
X4_Advertise.277 .184
0.18746870.1667 69.50717
X5_Income.011 .498
0.3202137430.0333 4898.18285
X6_T1.309 .110
0.0157815.5000 8.80341
Peubah bebas yg kontribusinya paling besar dalam mempengaruhi
permintaan produk, secara berurutan, adalah harga produk tsb (X2), daya
beli masyarakat (X5), dan harga produk pesaing (X3)
BJ-IPB
BJ-IPB
R2 dan R2 Terkoreksi
R2 sensitif terhadap jumlah peubah bebas dlm model.
Penambahan peubah bebas baru ke dalam
persamaan regresi tidak pernah mengurangi R2,
bahkan cenderung menaikkan R2 (karena tidak
menambah JKT tapi cenderung menaikkan JKR).
Jadi, kita tambahkan lebih banyak peubah bebas saja
jika ingin memaksimumkan R2.
R2 terkoreksi mempunyai karakteristik yang diinginkan
sebagai ukuran goodness of fit daripada R2 . Jika
peubah baru ditambahkan, R2 selalu naik, tapi R2 -
terkoreksi dapat naik atau turun. Penggunaan R2
menghindari dorongan peneliti untuk memasukkan
sebanyak mungkin peubah bebas tanpa pertimbangan
yang logis.
R2 Terkoreksi
Dari persamaan di atas terlihat bahwa :
• Jika k=1 maka R2 sama dengan R2
terkoreksi.
• Jika k>1 maka R2 R2 terkoreksi.
kn
n
YY
ei
YraV
raVRterkoreksiR
i
1
)(1
)(ˆ
)(ˆ1
2
222
kn
nRR
1)1(1 22
BJ-IPB
BJ-IPB
Tahapan Pemodelan Empiris
untuk menguji hipotesis, perlu diperiksa dulu apakah modelnya sudah
“terspesifikasi dengan benar dengan melihat asumsi error”
Pemilihan Model “Terbaik”:
1. Asumsi Model regresi dipenuhi
2. R2 tinggi dan signifikan;
3. Banyak koefisien signifikan;
4. Interpretasi (arah) Koefisien logis
Perlu diingat bahwa, jika hasil statistik-uji menunjukkan
bahwa hipotesis utama ditolak, ini belum cukup bukti untuk
menyimpulkan bahwa hipotesis tersebut benar-benar ditolak,
karena kerangka pengujian hipotesis tersebut tergantung dari
cara bagaimana peneliti memformulasikan hipotesis tersebut
ke dalam koefisien parameter (model). Jadi kurang layak
kalau menyimpulkan penolakan hipotesis pada pengujian
pertama terhadap hipotesis tersebut
BJ-IPB
Seorang peneliti mempunyai hipotesis bahwa produksi sektor industri
atau non-pertanian (Q) dipengaruhi oleh banyaknya modal (K), tenaga
kerja (L), dan bahan baku impor (M) yang digunakan. Berdasarkan data
berkala selama 40 tahun terakhir, diperoleh dugaan model regresinya di
bawah ini. Angka di dalam tanda kurung adalah nilai-p dari statistik-uji t
yang digunakan untuk menguji apakah masing-masing faktor
berpengaruh nyata. Selain itu dapat dilihat juga nilai R2 dan statistik
Durbin-Watson dari model dugaan tersebut.
log Qt = 12.103 + 0.5284 log Kt + 0.9382 log Lt + 0.0691 log Mt + t
(0.091) (0.064) (0.034) (0.597)
R2 = 0.9583; statistik-DW=2.024
Pertanyaan:
a) Dari hasil analisis regresi diatas, apakah hipotesis peneliti tsb
didukung oleh dugaan model empiris tersebut? Jelaskan.
b) Jelaskan, jika Anda menghadapi masalah ini, Apakah Anda puas
dengan hasil dugaan model ini? Jika tidak puas, apa yang akan Anda
lakukan untuk memperbaiki model yang menggambarkan faktor-faktor
apa saja yang berpengaruh terhadap produksi sektor industri tersebut.
Bagaimana memasukkan technological improvement (omitted relevant variable)?
BJ-IPB
Model dgn Peubah-Dummy
• Peubah Kategori memerlukan (peubah
dummy) dgn 2 Taraf:
– Ya atau Tidak, Pria atau Wanita,
– Dikodekan 1 atau 0
• Perbedaan Intersep
• Asumsi Slope Sama
• Model Regresi punya Bentuk Sama:
ipipiii XXXY 33221
BJ-IPB
BJ-IPB
Asumsi Model dgn Peubah-DummyModel:
Y = Perkiraan Nilai Rumah
X2 = Ukuran Rumah (Square footage)
X3 = Lingkungan Rumah= D
“Baik” (X3 = 1)
“Biasa” (X3 = 0)
iii XbbbbXbbY 22313221 )()1(ˆ
0 jika “biasa”
1 jika “baik”
iii XbbbXbbY 2213221 )0(ˆ
iii XbXbbY 33221ˆ
Slope
Sama
b3: rata-rata perbedaan nilai rumah antara kelompok rumah di lingkungan
“baik” dgn di lingkungan “biasa”, yg ukurannya sama.
• Pengaruh perubahan ukuran rumah sama saja utk kedua lingkungan tsb
(slope sama)
• Tdk ada pengaruh interaksi antara ukuran dgn lingkungan thd nilai rumah
X2 (Square footage)
Y (Nilai Perkiraan)
b1 + b3
b1
Slope
Sama
Intersep
berbeda
Asumsi Model dgn Peubah-Dummy
b3: rata-rata perbedaan nilai rumah antara kelompok rumah di lingkungan
“baik” dgn di lingkungan “biasa”, yg ukurannya sama.
• Pengaruh perubahan ukuran rumah sama saja utk kedua lingkungan tsb
(slope sama)
• Tdk ada pengaruh interaksi antara ukuran dgn lingkungan thd nilai rumahBJ-IPB
Evaluasi Adanya Interaksi (Perbedaan Slope)
• Interaksi: Pengaruh X2 thd Y tergantung Lokasi (X3)
• Berisi Perkalian 2 Peubah
• Hipotesis:
H0: 4 = 0 (Tdk ada interaksi antara X2 dgn X3)
H1: 4 0 (X2 berinteraksi dgn X3)
iiiiii XXXXY 32433221
iiii XbbbbXbbXbbY 24231243221 )()()1()1(ˆ
iiii XbbXbbXbbY 221243221 )0()0(ˆ
Slope
tdkSama
Lingkungan “baik” (X3=1)
Lingkungan “biasa” (X3=0)
• Pengaruh perubahan ukuran rumah tidak sama utk kedua lingkungan tsb
• Ada pengaruh interaksi antara ukuran dgn lingkungan thd nilai rumah
BJ-IPB
iiii XbbXbbXbbY 221243221 )0()0(ˆ
iiii XbbbbXbbXbbY 24231243221 )()()1()1(ˆ
Slope
tdkSama
Lingkungan “baik” (X3=1)
Lingkungan “biasa” (X3=0)
b3 : rata-rata perbedaan nilai rumah lingkungan “baik” dgn “biasa”, jika
X2= 0 ???
b2 : rata-rata perbedaan nilai rumah di lingkungan “biasa” yg
ukurannya berbeda 1 feet2. (pengaruh ukuran thd nilai rumah utk
lingkungan “biasa”)
(b2+ b4): rata-rata perbedaan nilai rumah di lingkungan “baik” yg
ukurannya berbeda 1 feet2. (pengaruh ukuran thd nilai rumah utk
lingkungan “baik”)
b4 : perbedaan pengaruh ukuran thd nilai rumah antara kedua
lingkungan.
Pengaruh ukuran thd nilai rumah tergantung lingkungannyaBJ-IPB
Contoh Output STATA (Bgm Interpretasinya?)
BJ-IPB
iii XbbbbXbbY 22143221 )0()0(ˆ
Jika ada k kategori ada k-1 peubah Dummy
iii XbbbbbXbbY 224143221 )()1()0(ˆ
Pendidikan D1_sl D2_pt
SD 0 0
SL 1 0
PT 0 1
iii XbbbbbXbbY 223143221 )()0()1(ˆ
Model:
“PT” (D1=0; D2 = 1)
“SL” (D1=1; D2=0)
“SD” (D1=0; D2 = 0)
iiii DbDbXbbY 2413221ˆ
Slope
Sama
Note: Perbedaan gaji tiap jenjang pendidikan dapat BERBEDA,
jika pengalamannya sama
Yi = Gaji karyawan ke-i (ribu rupiah)
X2i = Pengalaman kerja karyawan ke-i (th)
X3i = Pendidikan karyawan ke-i (D)
BJ-IPB
Model utk“PT” (D1=0; D2 = 1)
“SL” (D1=1; D2=0)
“SD” (D1=0; D2 = 0)
Slope
Sama
b3 : rata-rata perbedaan gaji karyawan lulusan SL dgn lulusan SD, jika
pengalamannya (X2) sama
b4 : rata-rata perbedaan gaji karyawan lulusan PT dgn lulusan SD, jika
pengalamannya (X2) sama
b4-b3 : rata-rata perbedaan gaji karyawan lulusan PT dgn lulusan SL, jika
pengalamannya (X2) sama
b1 : rata-rata gaji karyawan berpendidika SD yg belum berpengalaman
b2 : rata-rata kenaikan gaji karyawan jika pengalamannya bertambah 1 th,
cet-par
iii XbbbbbXbbY 124143221 )()1()0(ˆ
iii XbbbbbXbbY 223143221 )()0()1(ˆ
iii XbbbbXbbY 22143221 )0()0(ˆ
BJ-IPB
Contoh Output STATA (Bgm Interpretasinya?)
BJ-IPB
Faktor yang Mempengaruhi PDRB Perkapita
(Hasoloan & Juanda, 2019)
Koef = elastisitas Prob>T Koef Prob>T
ln konsumsi 1.117 0.074 1.117 0.074
ln PMTB 0.235 0.221 0.235 0.221
ln KUR 0.145 0.003 0.0359 0.062
ln PKH 0.056*-0.022 0.202 0.0569 0.016
ln Danadesa 0.0007 0.738 0.0007 0.738
R-square 0.2349
Prob> F 0
ln PDRB Perkapita
Variabeljawa non jawa
BJ-IPB
Kajian Inclusive Growth
Faktor yang Mempengaruhi Ketenagakerjaan
(Hasoloan & Juanda, 2019)
Elastisitas Prob>T Elastisitas Prob>T
ln PDRB Perkapita 0.22-0.034* 0.778 0.22 0.005
ln UMP -0.068 0.071 -0.068 0.071
Inflasi (%) -0.16 0.603 -0.16 0.603
Lapangan Kerja Informal (%) 0.35 0.015 0.35 0.015
ln KUR 0.076 0 0.076 0
R-square 0.4346
Prob> F 0
Jawa Variabel
non Jawa
ln Jumlah Pekerja Usia Produktif
BJ-IPB
Faktor yang Mempengaruhi Tingkat Kemiskinan
(Hasoloan & Juanda, 2019)
Elastisitas Prob>T Elastisitas Prob>T
ln PDRB Perkapita -0.045 0.054 -0.0134 0.183
Inflasi (%) 0.06 0.089 0.06 0.089
ln UMP -0.0053 0.54 -0.0053 0.54
ln GINI 0.0067 0.548 0.0067 0.548
Ln Dana Desa -0.00082 0.019 -0.00082 0.019
Ln PKH -0.0044 0.003 -0.0044 0.003
R-square 0.4658
Prob> F 0
jawa
Tingkat Kemiskinan (%)
Variabelnon jawa
*Ln PDRB Perkapita : Signifikan pada uji satu arah (P-val / 2)
BJ-IPB
Faktor yang Mempengaruhi Indeks Gini
(Hasoloan & Juanda, 2019)
*Ln PDRB Perkapita : Signifikan pada uji satu arah (P-val / 2)
Elastisitas Prob>T Elastisitas Prob>T
ln PDRB Perkapita -0.1465* + 0.089 0.846 -0.1465 0.154
ln APS -0.0344 0.094 -0.0344 0.094
ln UMP -0.0601 0.34 -0.0601 0.34
TPT (%) 1.69 0.083 1.69 0.083
ln PMA -0.012 0.009 -0.012 0.009
ln PMDN -0.019 0.058 0.002 0.69
R-square 0.035
Prob> F 0.2128
ln Gini
Variabeljawa non jawa
BJ-IPB
MODEL PERSAMAAN SIMULTAN
Oleh
Bambang Juanda
BJ-IPB
Korelasi antar Peubah Bebas & Galat (ε)
Jika peubah bebas berkorelasi dengan ε, maka
metode OLS tidak menghasilkan penduga
parameter koefisien yg tak bias & konsisten.
1. Kesalahan pengukuran dalam peubah bebas.
2. Nilai peubah bebas dipengaruhi oleh peubah tak
bebas (pers simultan)
Penyebab:
Dlm praktek, tidak ada jaminan bahwa x dan
tidak berkorelasi.
MODEL PERSAMAAN SIMULTAN
BJ-IPB
Contoh MODEL Supply-Demand
Persamaan Struktural:
Supply: qt = 2 pt + εt
Demand: qt = 2 pt + 3 yt + ut
Persamaan bentuk Sederhana (reduced form):
qt = 23 / (2-2) yt + (2 ut-3εt)/(2-2)
qt = 12 yt + v1t
pt = 3 / (2-2) yt + (ut-εt)/(2-2)
qt = 22 yt + v2t
22
122
Metode Indirect Least Squares:
BJ-IPB
MODEL PERSAMAAN SIMULTAN
Persamaan Struktural: bentuknya berasal dari teori ekonomi
yg mendasarinya.
Persamaan bentuk Sederhana (reduced form): diperoleh dgn
memecahkan sistem persamaan struktural sedemikian
rupa sehingga setiap peubah endogen dlm model dpt
dinyatakan sebagai fungsi dari peubah eksogen atau
lagged endogenous variables
Endogenous Variables: ditentukan dlm sistem pers.
Predetermined Variables: ditentukan di luar model.
- exogenous variables
- lagged endogenous variables
BJ-IPB
Masalah Identifikasi• Utk mengetahui apakah kita dapat menduga pers
struktural jika pers bentuk sederhana (reduced
form) sdh diketahui.
• Dipertimbangkan sebelum menentukan masalah
pendugaan
1. Unidentified: tdk ada cara menduga parameter dari
pers reduced form.
2. Identified: dpt menduga parameter dari pers
reduced form.
- exactly identified: diperoleh dugaan yg khas ILS
- over identified: diperoleh dugaan yg tidak khas 2SLS
Suatu pers struktural dikatakan:
BJ-IPB
Contoh Persamaan Struktural:
Supply: qt = 2 pt + εt
Demand: qt = 2 pt + 3 yt + 4 wt + ut
Persamaan reduced form:
qt = 12 yt + 13 wt + v1t (i)
pt = 22 yt + 23 wt + v1t (ii)
Tahapan Metode Two-Stage Least Squares (2SLS):
1. Pers reduced form pt (ii) diduga menggunakan OLS. Dugaan pt
akan bebas dgn εt dan ut (dlm contoh besar) peubah instrumental
2. Pers struktural supply diduga dgn mengganti pt dgn dugaan pt dari
tahap pertama. Penggunaan OLS dlm tahap kedua ini
menghasilkan penduga parameter supply 2 yg konsisten
Note: Dugaan pt merupakan peubah instrumen utk
menggantikan pt dlm pers supplyBJ-IPB
Contoh Aplikasi Model Persamaan Simultan
Berikut ini 3 persamaan model makroekonometrik Klein (1950).
Model ini mendeskripsikan karakteristik Model Permintaan
Agregat Keynessian. Persamaan pertama merupakan fungsi
konsumsi yang menghubungkan konsumsi (Ct) dengan total
upah atau gaji yang diperoleh pegawai (Wt), serta pendapatan
bukan-upah atau profit sekarang (Πt) dan tahun sebelumnya
(Πt-1). Total upah Wt merupakan penjumlahan dari upah
pegawai swasta (W1) dan gaji pegawai pemerintah (W2t).
Ct = 0 + 1 (W1t + W2t) + 2 Πt + 3 Πt-1 + 1t (i)
Persamaan kedua merupakan fungsi investasi yg
menspesifikasikan suatu karakteristik aliran kas yang
menghubungkan investasi bersih I dengan profit sekarang (Πt)
dan tahun sebelumnya (Πt-1) , serta stok kapital tahun
sebelumnya (Kt-1).
It = 0 + 1 Πt + 2 Πt-1 + 3 Kt-1 + 2t (ii)
BJ-IPB
Persamaan ketiga mendeskripsikan fungsi permintaan
tenaga kerja yang menghubungkan upah pegawai swasta
(W1t) dengan Produksi Swasta sekarang (Et) dan tahun
sebelumnya (Et-1), serta periode waktu yang diukur dengan
Tahun (T) dikurangi 1931. Produksi swasta diukur dengan
pendapatan nasional (Y) ditambah pajak perusahaan tak
langsung (TX) dan dikurangi dengan upah pegawai
pemerintah. Periode waktu
W1t = 0 + 1 Et + 2 Et-1 + 3 (T-1931) + 3t (iii)
Meskipun peubah waktu dalam persamaan (iii) dapat
dianggap merepresentasikan perbaikan tiap tahun dalam
rata-rata produktifitas tenaga kerja, Klein sendiri dalam
bukunya menyatakan sebagai gambaran fenomena institusi
yaitu peningkatan kekuatan tawar-menawar dari tenaga
kerja.
BJ-IPB
Selain 3 persamaan stokastik di atas, Klein menetapkan 5 persamaan identitas,
yang beberapa diantaranya sudah dijelaskan, yaitu:
Total Produksi: Yt + TXt = Ct + It + Gt
Pendapatan: Yt = Πt + Wt
Kapital: Kt = It + Kt-1
Total Upah (Gaji): Wt = W1t + W2t
Produksi Swasta: Et = Yt + TXt - W2t
Dengan keterangan sebagai berikut:
Ct : Konsumsi pada tahun t (Milyar $, Harga Konstan 1934)
Πt : Keuntungan atau Profits (Milyar $, Harga Konstan 1934)
W1t: Upah Sektor Swasta (Milyar $, Harga Konstan 1934)
It : Investasi Bersih (Milyar $, Harga Konstan 1934)
Kt-1: Stok Kapital akhir tahun pada tahun sebelumnya (Milyar $, Harga Konstan
1934)
Et : Produksi Swasta (Milyar $, Harga Konstan 1934)
=GNP(Y)+Pajak Tak Langsung(TX)-Gaji Pegawai Pemerintah(W2)
Wt2: Gaji Pegawai Pemerintah (Milyar $, Harga Konstan 1934)
Gt : Belanja Pemerintah, termasuk Gaji Pegawai Pemerintah (Milyar $, Harga
Konstan 1934)
TXt : Pajak Tak Langsung (Milyar $, Harga Konstan 1934)
t : Periode Tahun dari 1920 sampai dengan 1941 BJ-IPB
Dalam sistem persamaan ini, Klein menetapkan bahwa Ct, It, W1t,
Yt, Πt, Kt, Wt, dan Et merupakan peubah endogen; sedangkan
peubah eksogennya adalah konstanta, Gt, W2t, TXt, dan (T-
1931). Peubah endogen yang nilainya diketahui pada periode
tahun sebelumnya (lagged endogenous variables) adalah Kt-1, Πt-
1, dan Et-1.
Dalam tiap persamaan stokastik (i,ii,iii), syarat perlu untuk
identifikasi dipenuhi. Dalam kasus ini, teridentifikasi berlebih
(overidentification) karena jumlah peubah predetermined
(eksogen dan lag endogen) diluar persamaan lebih besar dari
jumlah peubah endogen sebagai regressors dalam tiap
persamaan. Sebagai ilustrasi, untuk fungsi konsumsi, peubah
predetermined diluar persaman (i) adalah konstanta, Gt, TXt, (T-
1931), Kt-1, dan Et-1, sehingga jumlahnya 6. Sedangkan peubah
endogen yang sebagai regressor dalam persaman (i) adalah W1t,
Πt, sehingga jumlahnya 2. Oleh karena itu, persamaan (i)
teridentifikasi berlebih (overidentified) dan disarankan
menggunakan metode pendugaan 2-SLS. Begitu juga dengan
persamaan (ii) dan (iii)BJ-IPB
StructuralParameter
Prosedur PendugaanOLS 2SLS 3SLS FIML I3SLS OLS-AR(1) 2SLS-AR(1)
0 16.237 16.555 16.441 17.165 16.559 26.438 21.584(1.303) (1.468) (1.304) 97.363) (1.224) (4.069) (2.380)
1 0.796 0.810 0.790 0.791 0.766 0.478 0.644(0.040) (0.045) (0.038) (0.066) (0.035) 0.116) (0.079)
2 0.193 0.017 0.125 -0.062 0.164 0.419 0.301(0.091) (0.131) (0.108) (1.09) (0.096) (0.118) (0.123)
3 0.090 0.216 0.163 0.310 0.176 0.165 0.066(0.091) (0.119) (0.100) (0.629) (0.090) (0.103) (0.096)
0.868 0.599(0.111) (0.184)
R2 0.981 0.977 0.980 0.980 0.916 0.950DW 1.368 1.485 1.425 1.483 1.335 2.023 2.0590 10.126 20.278 28.178 29.837 42.716 10.196 12.981
(5.466) (8.383) (6.79) (23.77) 10.56) 7.399) (8.618)
1 0.480 0.150 -0.013 -0.625 -0.353 0.490 0.425(0.097) (0.193) (0.162) (1.48) (0.259) (0.111) (0.134)
2 0.333 0.616 0.756 1.020 1.009 0.324 0.375(0.101) (0.181) (0.153) (0.999) (0.248) (0.108) (0.126)
3 -0.112 -0.158 -0.195 -0.173 -0.259 -0.112 -0.125(0.027) (0.040) (0.033) (0.106) (0.051) (0.035) (0.041)
0.094 0.043(0.223) (0.229)
R2 0.931 0.885 0.826 0.644 0.921 0.925DW 1.810 2.085 1.996 1.427 1.786 1.960 1.8870 1.497 1.500 1.797 4.790 2.614 2.097 2.210
(1.270) (1.276) (1.12) (4.82) (1.19) (1.06) (1.10)
1 0.439 0.439 0.400 0.278 0.375 0.430 0.433(0.032) (0.040) (0.032) (0.084) (0.031) (0.028) (0.030)
2 0.146 0.147 0.181 0.257 0.194 0.147 0.142(0.037) (0.043) (0.034) (0.052) (0.032) (0.032) (0.035)
3 0.130 0.130 0.150 0.213 0.168 0.118 0.114(0.032) (0.032) (0.028) (0.078) (0.029) (0.026) (0.028)
-0.141 -0.181(0.221) (0.226)
R2 0.987 0.987 0.986 0.985 0.991 0.990DW 1.958 1.963 2.155 1.669 2.109 2.083 1.825
• Dugalah pers S-D dgn metode OLS,
Bahas hasilnya, apakah logis? Kenapa?
• Dugalah pers S-D dgn metode 2SLS,
Bahas hasilnya, apakah logis? Kenapa?
• Dugalah pers S-D dgn metode 3SLS,
Bahas hasilnya, apakah logis? Kenapa?
• Model mana yg terbaik
File supDem.dta berisi data yg dibangkitkan dari system pers simultan berikut:
Equilibrium condition: quantity = qDemand = qSupply
BJ-IPB
Latihan Soal
Diketahui Model sederhana Keynes sebagai berikut:
ct = yt + t,
yt = ct + it + gt .
Pertanyaan:
1. Jelaskan apakah persamaan struktural di atas
dapat teridentifikasi?
2. Tentukan seberapa besar pengaruh jangka
panjang investasi (it) terhadap output?
3. Bagaimana cara menduga parameter koefisien
persamaan struktural di atas.
BJ-IPB
Contoh Kerangka Model Simultan
KinerjaPelayanan
Dasar Publik
Ekonomi danKesejahteraan:Pertumbuhan
Ekonomi, Pengangguran
dan Kemiskinan
Faktor –faktorLainnya
Belanjauntuk
PelayananDasar Publik
BelanjaLainnya
Faktor –faktorLainnya
PAD: Pajak, Retribusi, Hasil Pengelolaan
Kekayaan Daerah danLain-lain PAD yang Sah
1. TKDD: Dana Perimbangan (DAU,
DBH, DAK Rinci) dan 2. Lain-lain Pendapatan
yang Sah (termasuk DD dan DID)
Ketimpangan:Pendapatandan AntarWilayah
Faktor –faktorLainnya
BJ-IPB
Dampak Dana Transfer thd beberapa Indikator Kinerja Pembangunan
(Kerangka Model Simultan Lebih sederhana)
BJ-IPB
Model Dugaan in First Stage Regression
Explanatory Variables
Dependent Variables
Ln_BelModal Ln_BelAdm
Ln_DAU 0.125 0.535***
(0.187) (0.000)
Ln_DBH 0.349*** 0.144***
(0.000) (0.000)
Ln_DAK 0.396*** 0.002
(0.000) (0.953)
Ln_Oth-TF -0.047 0.119***
(0.276) (0.000)
Ln_PAD 0.192*** 0.186***
(0.000) (0.000)
Constant 0.540 1.186***
(0.525) (0.000)
Observations 160 160
P-Values in parentheses
R-squared 0.902 0.977
*** p<0.001, ** p<0.01, * p<0.05
Source: CBS and DGFB. Province as observational unit in 2011-2015
DBH, DAK & PAD
mempunyai pengaruh positif
signifikan thd belanja modal,
sedangkan utk respons
belanja administratif, faktor
yg berpengaruh positif
signifikan adalah DAU, DBH,
dana transfer lainnya & PAD.
Pentingnya DAK yg
dialokasikan ke daerah
tertentu utk mendanai
kegiatan tertentu sesuai
priorits nasioanal.
DAK untuk belanja
infrastrukturharus diarahkan
ke daerah prioritas shg akan
mendorong pertumbuhan
output daerahnya dan
akhirnya mengurangi
ketimpangan wilayah.
(Tim DJPK, 2017) BJ-IPB
Model Dugaan in Second Stage Regression
Explanatory Variables
Alt_Model Model Dugaan
Ln_PDRB Ln_PDRB
Ln_Belanja Adm -1.584***
(0.000)
Ln_Belanja Modal 1.231*** 0.285***
(0.000) (0.000)
APMsma 0.022*** 0.009***
(0.000) (0.000)
Ln_PMTB 0.556*** 0.711***
(0.000) (0.000)
Ln TK 0.831*** 0.129***
(0.000) (0.000)
_constant 9.763* -5.285***
(0.013) (0.000)
N 160 160
R-sq 0.919 0.967
p-values in parentheses
Sumber: BPS dan DJPK. Provinsi sebagai unit observasi dlm 2011-2015
Semua variabel determinan
mempengaruhi pertumbuhan
ekonomi. Variabel Pembentukan
Modal tetap merupakan factor
dengan elastisitas yang tinggi,
dimana kenaikan 1% dalam
PMTB dpt menaikkan
pertumbuhan ekonomi 0,711%.
Sedangkan kenaikan 1% dlm
belanja modal dpt menaikkan
pertumbuhan ekonomi 0.285%,
masih lebih besar dari elastisitas
TK.
Menariknya, model ini
menunjukkan bhw pendidikan
(APMsma) merupakan factor yg
pentinguntuk meningkatkan
output nasional (e=0.9)
(Tim DJPK, 2017) BJ-IPB
Faktor-faktor yang mempengaruhi belanja modal
menurut wilayah Barat dan Timur
Nasional KBI KTI
Peubah Penjelas LBelModal LBelModal LBelModal
Ldausp 0.125 0.371** -0.169
Ldbhsp 0.349*** 0.293*** 0.429***
Ldaksp 0.396*** 0.181* 0.524***
Lgablainsp -0.047 -0.011 -0.041
Lpadsp 0.192*** 0.188*** 0.261***
Constant 0.540 -0.304 1.511
Observations 160 79 81
P-Values in parentheses
R-squared 0.902 0.910 0.941
*** p<0.01, ** p<0.05, * p<0.1
Pengaruh DAK, DBH dan PAD terhadap Belanja Modal lebih tinggi di wilayahtimur (daerah prioritas).Pengaruh DAU signifikan positif terhadap belanja modal di wilayah barat.
(Tim DJPK, 2017) BJ-IPB
Faktor-faktor yang mempengaruhi PDRB
menurut wilayah Barat dan Timur
Nasional KBI KTI
Variabel Penjelas LPDRB LPDRB LPDRB
Lbmodalsp 0.341*** 0.369** 0.409***
Lpmtb 0.666*** 0.606*** 0.694***
Ltkag 0.135*** 0.157* -0.044
Lipm 0.009 0.018* -0.006
Constant -5.393 -4.752 -4.869
Observations 160 79 81
P-Values in parentheses
R-squared 0.962 0.969 0.946
*** p<0.01, ** p<0.05, * p<0.1
Pengaruh Belanja modal dan PMTB terhadap PDRB lebih tinggi di wilayah timur (daerah prioritas).Pengaruh TK signifikan positif terhadap PDRB di wilayah barat.
(Tim DJPK, 2017) BJ-IPB
Pengaruh dana transfer dengan belanja modal dan belanja Barang dan Jasa
Model Belanja modal sebelum Dana Otsus
LN_BMODALit = 4.289 + 0.194 LN_DAKit+ 0.332 LN_DAU
it+ 0.073 LN_DBH
it+ 0.073 LN_PAD
it+ e
it
Model Belanja Modal setelah ada dana OtsusLN_BMODALit = 0.740 + 0.488LN_DAKit + 0.339LN_DAUit − 0.073 LN_DBHit + 0.122 LN_PADit + 0.072 LN_OTSUSit + 𝑒𝑖𝑡Model Belanja barang dan jasa sebelum Dana Otsus
LN_BBJit = 8.523 + 0.024 LN_DAKit+ 0.167 LN_DAU
it+ 0.023 LN_DBH
it+ 0.003 LN_PAD
it+ e
it
Model Belanja barang dan jasa sebelum Dana Otsus
LN_BBJit= 0.3643 + 0.164LN_DAKit + 0.485LN_DAUit − 0.232 LN_DBHit + 0.210 LN_PADit + 0.016 LN_OTSUSit + 𝑒𝑖𝑡
INDEPENDENVARIABEL
DEPENDEN VARIABEL
LN_BM P_Value LN_BBJ P_Value
Constanta 4.289*** 0.0003 8.523*** 0.0000
DAK 0.194*** 0.0000 0.024 0.2531
DAU 0.332*** 0.0078 0.167** 0.0111
DBH 0.073 0.1154 0.023 0.3166
PAD 0.073*** 0.0000 0.003 0.6741
OTSUS 0.072 0.5953 0.017 0.7915
D -3.549** 0.0772 -4.879*** 0.0000
DAK*D 0.294*** 0.0002 0.139*** 0.0006
DAU*D 0.007 0.9691 0.318*** 0.0018
DBH*D -0.145** 0.0242 -0.25*** 0.0000
PAD*D 0.049 0.4618 0.207*** 0.0000
Observations 391 391
R-squared 0.834 0.874
IndependenVariabel
Belanja Modal Belanja Barang danJasa
SebelumOtsus
SetelahOtsus
SebelumOtsus
SetelahOtsus
Dana Otsus
0.072 0.017
DAK0.194**) 0.448**) 0.024 0.164**)
DAU0.332**) 0.339 0.167** 0.485**)
DBH0.073 -0.072 0.023 -0.233*)
PAD0.073**) 0.123 0.003 0.210**)
Elastisitas Dana transfer terhadap belanjamodal dan belanja barang dan jasa
Model Pengaruh Dana Transfer di Prov Aceh
(Abrar, Juanda, Firdaus, Hakim, 2018) BJ-IPB
INDEPENDEN VARIABEL
DEPENDEN VARIABEL
LN_PDRBK P_Value
CONSTANTA 7.677 0.000
BMODAL 0.082** 0.000
BBARANGJASA 0.002 0.866
PMTB 0.133*** 0.000
TKERJA 0.302*** 0.000
D -0.944*** 0.000
BMODAL*D 0.049*** 0.000
BBARANGJASA*D 0.036*** 0.002
Observations391
R-squared0.991
Pengaruh belanja modal dan belanja barang dan jasa terhadap PDRBK
Model PDRBK sebelum Dana Otsus𝑳𝑵_𝑷𝑫𝑹𝑩𝑲𝒊𝒕 = 𝟕. 𝟔𝟕𝟕 + 𝟎. 𝟎𝟖𝟐𝑳𝑵_𝑩𝑴𝑶𝑫𝑨𝑳𝒊𝒕 + 𝟎. 𝟎𝟎𝟐𝑳𝑵_𝑩𝑩𝑨𝑹𝑨𝑵𝑮𝑱𝑨𝑺𝑨𝒊𝒕 + 𝟎. 𝟏𝟑𝟑𝑳𝑵_𝑷𝑴𝑻𝑩𝒊𝒕 + 𝟎. 𝟑𝟎𝟐𝑳𝑵_𝑻𝑲𝑬𝑹𝑱𝑨𝒊𝒕 + 𝒆𝒊𝒋
Model PDRBK setelah Dana Otsus𝑳𝑵_𝑷𝑫𝑹𝑩𝑲𝒊𝒕 = 𝟔. 𝟕𝟑𝟑 + 𝟎. 𝟏𝟑𝟏𝑳𝑵_𝑩𝑴𝑶𝑫𝑨𝑳𝒊𝒕 + 𝟎. 𝟎𝟑𝟖𝑳𝑵_𝑩𝑩𝑨𝑹𝑨𝑵𝑮𝑱𝑨𝑺𝑨𝒊𝒕 + 𝟎. 𝟏𝟑𝟑𝑳𝑵_𝑷𝑴𝑻𝑩𝒊𝒕 + 𝟎. 𝟑𝟎𝟐𝑳𝑵_𝑻𝑲𝑬𝑹𝑱𝑨𝒊𝒕 + 𝒆𝒊𝒋
Independen Variabel
Belanja Modal Belanja Barang danJasa
Sebelum Otsus
SetelahOtsus
SebelumOtsus
SetelahOtsus
Dana Otsus
0.009 0.001
DAK
0.00619** 0.064** 0.00005 0.006
DAU
0.02722** 0.044** 0.00033 0.018**
DBH
0.00599 -0.009 0.00005 -0.009
PAD
0.00599** 0.016** 0.00001 0.008
Elastisitas pengaruh dana transfer melalui belanjamodal dan belanja Barang dan Jasa terhadap PDRBK
Model Pengaruh Dana Transfer di Prov Aceh
(Abrar, Juanda, Firdaus, Hakim, 2018) BJ-IPB
Tepat waktu realisasi
belanja2
Tepat waktu
penetapan APBD1
Tepat waktu realisasi
pendapatan3
Ketepatan Waktu
Akuntabilitas & Transparansi
Opini BPK5Dapat Dipertang-
gungjawabkan6Dapat diakses
publik/Transparansi7
Disiplin
Prioritas
Daerah
4Alokasi
belanja modal8
Alokasi blj
pegawai10
Alokasi belanja
subsidi, Hibah,
Bansos9
Ketepatan Alokasi Belanja
Ekonomis/
Efisiensi11 Efektivitas12
Cost Efficient & Effectiveness
Belanja Berkualitas adalah belanja yang dialokasikan berdasarkan prioritas pembangunan daerah yang dilakukan
secara efisien dan efektif, tepat waktu, transparan dan akuntabel (Juanda et al, 2014)
Structural Equation Model
KualitasBelanja Daerah
A. PRIORITAS
A1 = Konsistensi prioritas
A2 = Implementasi SPM
A3 = Prioritas Renja SKPD
A4 = Prioritas RKA SKPD
A5 = Prioritas DPA SKPD
B. ALOKASI
B1 = Proporsi bel. pegawai
B2 = Proporsi bel. barang dan jasa
B3 = Proporsi bel. modal
B4 = Proporsi bel. subsidi, hibah dan bansos
B5 = Serapan bel. pendidikan
B6 = Serapan bel. kesehatan
B7 = Serapan bel. pekerjaan umum
B8 = Serapan bel. ekonomi
C. WAKTU
C1 = Perda APBD
C2 = Laporan Keuangan
C3 = Laporan LPPD
C4 = Perda Standar Pel. Publik
C5 = Keberadaan SOP
D. AKUNTABILITAS
D1 = Media informasi
D2 = Opini BPK
D3 = Rasio temuan BPK RI
D4 = E-procurement
D5 = Survey kepuasan
E. EFEKTIVITAS
E1 = Kinerja pendidikan
E2 = Kinerja kesehatan
E3 = Kinerja pekerjaan umum
E4 = Kinerja lingkungan hidup
E5 = Kinerja prc. pembanguna
F1 = Kemiskinan
F2 = Pengangguran
F3 = Indeks Gini
F4 = Pertumbuhan Ek.
F5 = IPM
F6 = IKLH
G1 = Listrik
G2 = Buta Huruf
G3 = APM SD
G4 = Imunisasi
G5 = Sanitasi
G6 = Air Minum
(Heriwibowo, Juanda, Hadi, Supono, 2014)
BJ-IPB
IDENTIFIKASI INDIKATOR KUALITAS BELANJA DAERAH
MODEL Kualitas Belanjadi Provinsi Lampung
(Ramadhan dan Juanda, 2018)
BJ-IPB
KERAGAAN KUALITAS BELANJA DI PROVINSI LAMPUNG
a) 2011 b) 2015
Sangat Tinggi
Tinggi
Sedang
Rendah
(Ramadhan dan Juanda, 2018)
BJ-IPB
Pengaruh Utang Pemerintah Terhadap Belanja Pegawai, Modal dan Transfer Ke Daerah serta Dana Desa
(Hutaria, Juanda, Purnamadewi, 2019)
BJ-IPB
Variabel LnPegawai LnModal LnTKDD
Elastisitas Elastisitas Elastisitas
GDP 0.6 1.49 0.37
𝑈𝑡𝑎𝑛𝑔𝑡−1 0.10 -1.26*** 0.53
𝑈𝑡𝑎𝑛𝑔𝑡−1.Djk 0.83 5.92*** 6.44***
LnFDI -0.10** -0.22* 0.35***
LnPMTB 0.13 -0.42* -0.37
LnPNBP 0.05 0.22* 0.51***
LnPNP 0.51* 0.66 0.66***
Konstata 0.04 0.025 2.02
R-squared 0.72 0.42 0.99
Prob (F-Statistic) 0.000 0.000 0.000 Sumber : Data diolah oleh penulis menggunakan STATA 13.
Keterangan : ***Signifikan pada taraf nyata 1%, **Signifikan pada taraf nyata 5%, *Signifikan pada taraf nyata
10%
Pengaruh Belanja Pemerintah Terhadap Pertumbuhan(Hutaria, Juanda, Purnamadewi, 2019)
BJ-IPB