ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL FLIGHT DENGAN PENDEKATAN REGRESI DATA PANEL
YOVITA CHANDRA
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
RINGKASAN YOVITA CHANDRA. Analisis Faktor-Faktor yang Mempengaruhi Capital flight dengan Pendekatan Regresi Data Panel. Dibimbing oleh YENNI ANGRAINI dan INDAHWATI. Capital flight merupakan semua arus modal yang keluar (capital outflow) dari negara sedang berkembang yang tidak memperhatikan latar belakang terjadinya arus modal tersebut dari dalam negeri dan jenis modal tersebut. Hampir tidak mungkin memastikan jumlah capital flight dari suatu negara, terutama bagi negara-negara yang menganut sistem devisa bebas. Oleh karena itu, metode yang lebih tepat untuk memperkirakan besarnya capital flight dari suatu negara adalah dengan melakukan estimasi. Penelitian ini dilakukan untuk mengetahui peubah-peubah yang mempengaruhi capital flight dengan pendekatan regresi data panel, karena data yang digunakan merupakan gabungan dari data time series dan data cross section. Model akhir yang digunakan dalam penelitian ini adalah model efek tetap terboboti dengan penambahan komponen autoregresif ordo 2. Peubah-peubah yang mempengaruhi capital flight adalah hutang luar negeri, investasi asing langsung, dan laju GDP dengan nilai koefisien determinasi (R2) sebesar 74.43%. Kata kunci : Capital flight, Regresi Data Panel, Model Efek Tetap
ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI CAPITAL FLIGHT DENGAN PENDEKATAN REGRESI DATA PANEL
YOVITA CHANDRA
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Statistika pada Departemen Statistika
DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010
Judul : Analisis Faktor-Faktor yang Mempengaruhi Capital Flight dengan Pendekatan Regresi Data Panel Nama : Yovita Chandra NRP : G14060104
Menyetujui :
Pembimbing I,
Pembimbing II,
Yenni Angraini, S.Si, M.Si NIP : 197805112007012001
Ir. Indahwati, M.Si NIP : 196507121990032002
Mengetahui : Ketua Departemen Statistika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor
Dr. Ir. Hari Wijayanto, M.Si NIP : 196504211990021001
Tanggal Lulus :
KATA PENGANTAR Puji syukur penulis panjatkan kehadirat Tuhan Yang Maha Esa atas segala berkat dan anugrahNya sehingga penulis dapat menyelesaikan karya ilmiah ini. Karya ilmiah ini berjudul ”Analisis Faktor-Faktor yang Mempengaruhi Capital flight dengan Pendekatan Regresi Data Panel”. Karya ilmiah ini penulis susun sebagai salah satu syarat untuk mendapatkan gelar Sarjana Statistika pada Departemen Statistika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Penulis menyampaikan terimakasih kepada Ibu Yenni Angraini, S.Si, M.Si dan Ibu Ir. Indahwati, M.Si selaku dosen pembimbing yang telah memberikan bimbingan, masukan dan arahan selama penulisan karya ilmiah ini. Penulis juga mengucapkan terima kasih untuk Anita Kumala Sari, Tiara Kencana Ayu, dan Dewi Sartika atas diskusi yang telah dilakukan selama penulisan karya ilmiah ini. Dan juga, tidak lupa penulis mengucapkan terima kasih kepada temanteman STK 43 atas kebersamaannya selama ini. Disamping itu, penulis juga mengucapkan terimakasih kepada seluruh dosen dan staf pengajar Departemen Statistika yang telah memberikan ilmu dan wawasan selama penulis menuntut ilmu di Departemen Statistika serta seluruh staf Departemen Statistika yang telah banyak membantu penulis. Ungkapan terimakasih juga disampaikan kepada kedua orang tua dan seluruh keluarga yang telah memberikan doa, kasih sayang serta dorongan yang tulus baik moril maupun materil. Semoga karya ilmiah ini dapat memberikan manfaat.
Bogor, Desember 2010
Yovita Chandra
RIWAYAT HIDUP Penulis dilahirkan di Rembang pada tanggal 24 Desember 1988 dari pasangan Bapak Djati Utomo dan Ibu Lauw Keng Nio. Penulis merupakan anak kedua dari tiga bersaudara. Tahun 2000 penulis lulus dari SDK Santa Maria Rembang, kemudian melanjutkan studi di SLTP ov Slamet Riyadi Rembang hingga tahun 2003. Selanjutnya, penulis menyelesaikan pendidikannya di SMA N 1 Rembang dan lulus pada tahun 2006. Pada tahun yang sama penulis lulus seleksi masuk Institut Pertanian Bogor melalui jalur USMI (Undangan Seleksi Masuk IPB). Setelah satu tahun menjalani perkuliahan di TPB (Tingkat Persiapan Bersama), pada tahun 2007 penulis diterima sebagai mahasiswa Departemen Statistika, FMIPA IPB dengan mayor Statistika dan minor Ekonomi dan Studi Pembangunan. Selama mengikuti perkuliahan, penulis aktif dalam kegiatan kepanitiaan seperti Statistika Ria 2008, Welcome Ceremony Statistics (WCS) 2009, MUKERNAS 2009, serta Pesta Sains 2009. Pada Februari – April 2010, penulis melaksanakan kegiatan praktik lapang di Perusahaan Swadaya Pandu Artha, Jakarta Utara.
DAFTAR ISI Halaman DAFTAR GAMBAR ................................................................................................................ vii DAFTAR TABEL ..................................................................................................................... vii DAFTAR LAMPIRAN ............................................................................................................. vii PENDAHULUAN .................................................................................................................... Latar Belakang .................................................................................................................... Tujuan ..................................................................................................................................
1 1 1
TINJAUAN PUSTAKA ............................................................................................................ Capital flight ........................................................................................................................ Data Panel ............................................................................................................................ Model Umum Data Panel .................................................................................................... Model Efek Tetap (Fixed Effect Model) .............................................................................. Model Efek Acak (Random Effect Model) .......................................................................... Uji Kausalitas Granger pada Data Panel ............................................................................. Uji Chow ............................................................................................................................. Uji Hausman ........................................................................................................................ Uji Durbin Watson pada Data Panel ....................................................................................
1 1 1 2 2 3 3 4 4 4
METODOLOGI ........................................................................................................................ Data ..................................................................................................................................... Metode .................................................................................................................................
4 4 5
HASIL DAN PEMBAHASAN ................................................................................................. Penelitian Terkait ................................................................................................................. Eksplorasi Data .................................................................................................................... Pengujian Kausalitas Granger ............................................................................................. Uji Chow ............................................................................................................................. Uji Hausman ........................................................................................................................ Pendugaan Model Efek Tetap .............................................................................................. Interpretasi Koefisien ........................................................................................................... Diagnostik Sisaan .................................................................................................................
5 5 6 7 7 7 8 9 9
SIMPULAN DAN SARAN ...................................................................................................... Simpulan .............................................................................................................................. Saran ....................................................................................................................................
9 9 10
DAFTAR PUSTAKA ...............................................................................................................
10
LAMPIRAN ..............................................................................................................................
11
vii
DAFTAR GAMBAR Halaman 1 Capital flight semua negara ................................................................................................. 6 2 Capital flight Indonesia, Thailand, Malaysia, Philipina ...................................................... 6 3 Plot sisaan ............................................................................................................................ 9
DAFTAR TABEL Halaman Kriteria identifikasi autokorelasi ......................................................................................... 4 Hasil uji kausalitas Granger ................................................................................................. 7 Hasil uji Chow ..................................................................................................................... 7 Hasil uji Hausman .............................................................................................................. 7 Hasil pendugaan model efek tetap ....................................................................................... 8 Hasil pendugaan dengan GLS dan White Heteroskedasticity .............................................. 8 Hasil pendugaan dengan GLS dan White Heteroskedasticity, serta penambahan AR(2) ........................................................... 8 8 Koefisien regresi data panel .................................................................................................. 9 1 2 3 4 5 6 7
DAFTAR LAMPIRAN 1 2 3 4 5 6 7 8 9 10 11 12
Halaman Struktur data panel .............................................................................................................. 12 Grafik pergerakan capital flight dan hutang luar negeri ........................................................ 13 Grafik pergerakan capital flight dan investasi asing langsung ............................................ 14 Grafik pergerakan capital flight dan pertumbuhan GDP (%) .............................................. 15 Grafik pergerakan capital flight dan real effective exchange rate (REER) ......................... 16 Grafik pergerakan capital flight dan perbedaan suku bunga ................................................. 18 Grafik pergerakan capital flight dan tingkat inflasi ............................................................. 19 Tabel korelasi antara Y dengan peubah bebas ..................................................................... 21 Hasil uji kausalitas Granger ................................................................................................. 21 Pendugaan menggunakan model pool ................................................................................. 22 Pendugaan menggunakan model efek acak ......................................................................... 22 Efek Individu pada GLS ...................................................................................................... 22
1
PENDAHULUAN
TINJAUAN PUSTAKA
Latar belakang Krisis ekonomi di Asia yang bermula dari krisis mata uang dan finansial pada bulan Juli 1997 menyebar ke Indonesia, Filipina, Malaysia, Korea Selatan, dan Hongkong. Krisis ini memberikan dampak yang sangat besar bagi stabilitas keamanan domestik masing-masing negara dan kawasan. Hal ini menunjukkan betapa lemahnya sistem ekonomi dan keuangan negara-negara tersebut yang sangat tergantung pada modal asing untuk mencapai pertumbuhan ekonomi yang sangat tinggi. Aliran keluar modal asing tersebut erat kaitannya dengan kepercayaan investor terhadap stabilitas kondisi di dalam negeri (Istikomah 2003). Aliran modal keluar dari suatu negara dipengaruhi antara lain oleh tinggi rendahnya suku bunga aset finansial luar negeri, tingkat inflasi domestik, dan perubahan nilai tukar mata uang domestik. Dengan mengembangkan penelitian dari beberapa studi empiris, faktor-faktor yang mempengaruhi pelarian modal di suatu negara yaitu nilai tukar (REER), perbedaan tingkat suku bunga negara tertentu terhadap Amerika, hutang luar negeri, tingkat pertumbuhan GDP, inflasi dalam negeri, investasi asing langsung, dan unsur ketidakpastian (Istikomah 2003). Dengan mengetahui peubah-peubah yang mempengaruhi pelarian modal (capital flight) maka dapat diduga besarnya jumlah pelarian modal yang keluar dari suatu negara. Karena data yang akan digunakan merupakan data dari beberapa negara berkembang di Asia (Indonesia, Malaysia, Philipina, Thailand, Kamboja, Korea Selatan, Hongkong, Taiwan, dan Pakistan) dalam beberapa kurun waktu (1998-2006) maka analisis yang digunakan adalah analisis regresi data panel. Model data panel merupakan gabungan dari data time series dan data cross section. Regresi dengan menggunakan data panel memberikan beberapa keunggulan dibandingkan dengan pendekatan standar cross section dan time series (Baltagi 2005). Dengan menggunakan model regresi data panel diharapkan jumlah capital flight suatu negara berkembang dapat diduga dengan baik.
Capital flight Menurut Mohsin Khan Ulhaque dalam Istikomah (2003), capital flight merupakan semua arus modal yang keluar (capital outflow) dari negara sedang berkembang yang tidak memperhatikan latar belakang terjadinya arus modal tersebut dari dalam negeri dan jenis modal tersebut. Pada umumnya modal di negara sedang berkembang kurang maka arus modal yang keluar akan menghilangkan potensi sumber daya modal yang tersedia, serta pada gilirannya menghilangkan pula potensi pertumbuhan ekonomi. Sementara itu, Cuddington dalam Istikomah (2003) mengartikan capital flight sebagai semua arus modal keluar jangka pendek (short term capital outflow) baik yang tercatat maupun yang tidak tercatat. Arus modal keluar jangka pendek ini dapat disebabkan oleh adanya ketidakpastian situasi ekonomi atau politik di dalam negeri maupun untuk tujuan spekulasi. Hampir tidak mungkin memastikan jumlah capital flight dari suatu negara, terutama bagi negara-negara yang menganut sistem devisa bebas. Salah satu pendekatan yang digunakan untuk menduga capital flight adalah pendekatan Boyce dan Ndikumana (2002) dimana pelarian modal didefinisikan sebagai perbedaan antara aliran modal masuk dengan aliran modal keluar atau residual. Rumus penghitungannya adalah sebagai berikut:
Tujuan Menerapkan model regresi data panel untuk mengetahui faktor-faktor yang berpengaruh terhadap capital flight.
=
+
−( + )
(1.1)
dimana, CF = Capital flight, H = Perubahan hutang luar negeri, B = Investasi asing langsung, A = Current Account Deficit, F = Perubahan cadangan devisa. Nilai CF yang negatif menunjukan besarnya pelarian modal yang terjadi. Data Panel Data panel adalah gabungan dari data time series (antar waktu) dan data cross section (antar individu/ruang). Untuk menggambarkan data panel secara singkat, misalkan pada data cross section, nilai dari satu peubah atau lebih dikumpulkan untuk beberapa unit sampel pada suatu waktu. Dalam data panel, unit cross section yang sama disurvei dalam beberapa waktu (Gujarati 2004). Struktur datanya dapat dilihat pada Lampiran 1.
2
Model Umum Data Panel Model regresi data panel didefinisikan sebagai berikut (Baltagi 2005) : = α+
+
(2.1)
dimana i = 1, 2, … , N ; t = 1, 2, … , T Indeks i menunjukkan dimensi cross section dimana i merupakan rumah tangga, individu, perusahaan, negara, dll. Dan indeks t merupakan waktu yang menunjukan dimensi times series. yit adalah pengamatan ke-it, α adalah skalar, β adalah vektor berukuran K×1, dan Xit adalah objek ke-it pada peubah penjelas ke K. Model regresi data panel dibedakan menurut komponen errornya. Komponen errorn satu arah dapat didefinisikan sebagai berikut: =
+
(2.2)
dimana µi merupakan pengaruh khusus dari individu yang tidak teramati, dan vit merupakan reminder stochastic disturbance. Ketika nilai µi = 0 maka model yang terbentuk adalah model pooled. Model regresi (2.1) dapat juga dituliskan dalam persamaan sebagai berikut: =
⎡ ⎤ ⎢ ⋮ ⎥ ⎢ ⎥ ⎢ ⎥ =⎢ ⎥ ⎢ ⎥ ⎢ ⋮ ⎥ ⎢ ⎥ ⎢ ⋮ ⎥ ⎣ ⎦
+
+
=
1 ⎡1 ⎤ ⎢ ⎥ ⎢1 ⎥ = ⎢1 ⎥ ⎢1 ⎥ ⎢⋮⎥ ⎣1 ⎦ ⎡ ⎢ ⎢⋮ ⎢ ⎢ ⎢ = ⎢⋮ ⎢ ⎢ ⎢⋮ ⎢ ⎢ ⎢⋮ ⎣
+
(2.3)
Sebanyak N x T
berdimensi NT. Persamaan (2.2) juga dapat dinyatakan sebagai berikut: =
+
(2.4)
dimana u’=(u11,…u1T, u21,…u2T,…uN1,…uNT), = ⨂ dimana IN adalah matriks identitas berdimensi N, 1T adalah vektor satuan berdimensi T dan ⨂ merupakan hasil kali kronecker. Zµ adalah matriks seleksi dari satuan dan nol atau matriks sederhana dari dummy individu yang dapat dimasukkan dalam regresi untuk menduga µ, jika asumsi parameternya tetap (fixed). P= Zµ (Z’µ Zµ )-1 Z’µ merupakan matriks proyeksi pada Zµ . P merupakan matriks yang merata-ratakan pengamatan lintas waktu untuk setiap individu, dan Q = INT – P adalah matriks yang mengandung penyimpangan dari rata-rata individu. P dan Q merupakan: (i) matriks yang simetrik dan idempotent, (ii) P dan Q saling orthogonal, (iii) Penjumlahan matriks P + Q = INT. Model Efek Tetap (Fixed Effect Model) Pada model efek tetap, individu yang digunakan (N) biasanya merupakan individu agregat atau misalnya jika kita hanya fokus terhadap N individu saja. Asumsi : (1) µ i diasumsikan tetap sehingga dapat diduga, (2) vit menyebar Normal (0, ) bebas stokastik identik, (3) E(Xit,vit)=0, Xit saling bebas dengan vit untuk setiap i dan t. Pendugaan parameter pada model efek tetap diduga dengan menggunakan penduga ‘Within’. Pada regresi sederhana = α+
⋮ ⋮ ⋮ ⋮
… … ⋮ … … … ⋮ … ⋮ … … ⋮ …
⎤ ⎥ ⋮⎥ ⎥ ⎥ ⎥ ⋮⎥ ⎥ ⎥ ⋮⎥ ⎥ ⎥ ⋮⎥ ⎦
dimana dimensi vektor y adalah NT×1, dimensi matriks X adalah NT×K, ’=(α’,β’), Z=( 1NT, X ) dan 1NT adalah vektor satuan
+
+
(2.5)
Between transformation didapatkan dengan cara merata-ratakan persamaan (2.5) untuk keseluruhan waktu. .
=α+
−
.
.
+
+
(2.6)
.
Within transformation didapatkan dengan cara mengurangkan persamaan (2.5) dengan persamaan (2.6). Transformasi ini digunakan untuk menghilangkan pengaruh waktu. = (
−
.)
+(
−
.)
(2.7)
Model di atas dapat diduga dengan menggunakan metode kuadrat terkecil (penduga model efek tetap). Pada kenyataannya hanya β dan (α+µi) yang estimable. Hal ini dikarenakan terdapatnya batasan Σμ = 0. didapatkan dengan menyelesaikan persamaan (2.7) melalui metode kuadrat terkecil (MKT), yaitu:
3
=( ’ )
’
(2.8)
dimana = ( , − ., ) ; =( , − ). Dengan var = σ ( ’ ) . Nilai ., dan dapat dicari dengan menggunakan formula di bawah ini. α=
=
..
− .
(2.9)
..
−α−
(2.10)
.
Penduga within juga dikenal sebagai least square dummy variable (LSDV), karena nilai pengamatan pada koefisien peubah µi bentuknya seperti peubah dummy. Jika persamaan (2.5) merupakan model yang sebenarnya, maka LSDV adalah best linier unbiased estimator (BLUE) sepanjang vit menyebar bsi Normal (0,σ ) . Model Efek Acak (Random Effect Model) Pada model efek acak, individu yang digunakan biasanya merupakan individu yang dipilih secara acak dari populasi yang besar. Asumsi : (1) µi menyebar bsi Normal (0,σ ), vit menyebar bsi Normal (0,σ ), (2) E(Xit,µi)=0 dan E(Xit,vit)=0, Xit saling bebas dengan µi dan vit untuk setiap i dan t. Model regresi data panel seperti pada persamaan (2.1) dan komponen error seperti pada persamaan (2.2) mempunyai matriks ragamperagam sebagai berikut: = ( ’) = E( ’) ’ + E( = σ ( ⊗ )+σ ( ⊗ )
’) (2.11)
Hal ini berimplikasi pada kehomogenan ragam var( ) = σ + σ untuk semua i dan t. cov( , ) = σ untuk i=j≠s Sehingga korelasi antar uij dan ujs adalah Corr(
,
)=
μ
μ
(2.12)
Pendugaan yang konsisten didapatkan dengan menggunakan metode kuadrat terkecil. Akan tetapi hal ini membuat vit mengalami korelasi serial dan galat baku berbias. Sehingga lebih baik menggunakan pendugaan dengan Generalized Least Square (GLS). Penduga pada model efek acak diperoleh dengan mengaplikasikan metode kuadrat terkecil terhadap data yang telah ditransformasi seperti di bawah ini ( − θ . ) = (1 − θ) + ( {(1 − θ) + ( − θ . )} Dimana
θ=1−
μ
−θ
.)
+ (2.13)
Pada umumnya nilai θ akan berada diantara 0 dan 1. Jika E(Xit,µi)=0 hal ini akan meningkatkan efisiensi. Tapi, jika E(Xit,µi)≠0 maka hasil dari penduga model efek acak akan berbias. Derajat kebiasannya tergantung dari besarnya θ. Jika σμ ≫ σ maka θ akan mendekati 1 sehingga bias dari penduga model efek acak akan kecil. Uji Kausalitas Granger pada Data Panel Uji kausalitas Granger digunakan untuk mengetahui apakah terdapat hubungan kausalitas antara peubah bebas dan tak bebas. Uji kausalitas Granger dilakukan bermula dari ketidaktahuan keterpengaruhan antar peubah. Jika terdapat dua peubah X dan Y, maka terdapat pertanyaan yaitu apakah X menyebabkan Y, atau Y menyebabkan X, atau berlaku keduanya, atau tidak ada hubungan keduanya. Jika peubah X menyebabkan peubah Y berarti bahwa berapa banyak nilai Y pada periode sekarang dapat dijelaskan oleh nilai Y pada periode sebelumnya dan nilai X pada periode sebelumnya Uji kausalitas Granger hanya menguji hubungan diantara peubah dan tidak melakukan pendugaan terhadap model (Granger 1969). Penerapan Uji kausalitas Granger pada data panel dengan lag optimal p menurut Hurlin dan Venet (2003) dapat diuraikan sebagai berikut: = (
= (
+ ( ) + ⋯+
+ ( ) +⋯+
) )
+ ⋯+ ( )+
+ ⋯+ ( )+
(
)
+
(2.14)
(
)
+
(2.15)
Adapun hipotesis yang diuji adalah sebagai berikut: Ho : β1 = β2 = ….….= βp = 0 H1 : minimal ada satu βj ≠ 0 Dimana statistik ujinya sebagai berikut: ℎ
=
(
− )/[ ( − 1)] /[ ( − 2 − 1)]
Dimana RSS0 merupakan Restricted Sum of Square Residual yang didapatkan dari hipotesis H0 dan RSS1 merupakan Restricted Sum of Square tanpa batasan apapun. Statistik uji kausalitas Granger mengikuti sebaran F dengan derajat bebas (P(N-1), NT-2NP-N), dimana P menunjukkan banyaknya lag, N menunjukkan banyaknya cross section, dan T menunjukkan banyaknya time series. Jika Fhitung lebih besar dari F-tabel, maka hipotesis nol ditolak.
4
Uji Chow Uji Chow digunakan untuk mengetahui mana yang lebih baik antara intersep dan slope yang konstan (MKT) atau slope saja yang konstan (model efek tetap). Berikut adalah pengujian hipotesis menurut Baltagi (2005), yaitu: H0 : μ1 = μ2 = μ3 = … = μN-1= 0 (model pooled) H1 : minimal terdapat satu μi ≠ 0 (model efek tetap) Dimana statistik ujinya sebagai berikut: ℎ
=
(
− /(
)/( − 1) − − )
Dimana RRSS = Restricted Residual Sums of Square, URSS = Unrestricted Residual Sums of Square Nilai RRSS merupakan SSE pada model pooled sedangkan nilai URSS merupakan SSE pada model efek tetap. Statistik Chow Test mengikuti sebaran F dengan derajat bebas (N-1,NT-N-K). Jika nilai statistik uji F lebih besar dari F-tabel, maka hipotesis nol ditolak sehingga model yang digunakan adalah model efek tetap, begitu pula sebaliknya.
pada data panel (Born dan Breitung 2010) yaitu: H0 : ρ = 0 (tidak terdapat autokorelasi) H1 : ρ ≠ 0 (terdapat autokorelasi) Dimana statistik ujinya sebagai berikut: DW =
∑
∑
∑
∑
(
,
(
− ,
,(
− ̅)
))
Kriteria identifikasi terdapatnya autokorelasi dapat dilihat pada Tabel 1. Tabel 1 Kriteria identifikasi autokorelasi Nilai Durbin Watson Kesimpulan Tolak H0, terdapat 4-dL < DW < 4 autokorelasi negatif Hasil tidak dapat 4-dL < DW < 4-dU disimpulkan Terima H0, tidak ada dU < DW < 4-dU autokorelasi Hasil tidak dapat dL < DW < dU disimpulkan Tolak H0, terdapat 0 < DW < dL autokorelasi positif
METODOLOGI Uji Hausman Uji Hausman digunakan untuk memeriksa model mana yang lebih efisien antara model yang kurang efisien namun konsisten (model efek tetap) dengan model yang efisien dan konsisten (model efek acak). Berikut ini adalah hipotesis yang diuji pada uji Hausman (Baltagi 2005) : H0 : E(uit | Xit) = 0 (model efek acak) H1 : E(uit | Xit) ≠ 0 (model efek tetap) Dimana statistik ujinya sebagai berikut = ( − )’
( − ) ( − )
Dimana: β = vektor koefisien peubah model efek tetap b = vektor koefisien peubah model efek acak Jika nilai statistik uji X2 lebih besar dari 2 X -tabel dengan derajat bebas = K, dimana K menunjukkan banyaknya peubah bebas, maka hipotesis nol ditolak sehingga model yang lebih baik digunakan adalah model efek tetap, begitu pula sebaliknya. Uji Durbin Watson pada Data Panel Uji Durbin Watson digunakan untuk mendeteksi terjadinya pelanggaran asumsi autokorelasi (Gujarati 2004). Berikut ini adalah pengujian hipotesis Durbin Watson
Data Data yang digunakan dalam penelitian ini merupakan data sekunder yang dikumpulkan dari beberapa sumber. Data diperoleh dari Asian Development Bank (www.adb.org), Bank Dunia (www.worldbank.org), www.federalreserve.gov, dan www.index mundi.com/malaysia/inflation_rate_%28cons umer_prices%29.html. Data yang digunakan adalah data dari 9 negara asia yaitu: Indonesia, Malaysia, Philipina, Thailand, Kamboja, Korea Selatan, Taiwan, Hongkong, dan Pakistan dari tahun 1998 sampai tahun 2006. Adapun peubah yang digunakan: 1. Real effective exchange rate (REER) 2. Tingkat suku bunga dalam negeri 3. Tingkat suku bunga US 4. Hutang luar negeri 5. Pertumbuhan ekonomi 6. Tingkat inflasi 7. Investasi asing langsung (FDI) 8. Cadangan devisa 9. Current account defisit Sedangkan pendefinisian peubah yang digunakan: Y = Capital flight pendekatan Boyce dan Ndikumana X1 = Hutang luar negeri
5
X2 = Investasi asing langsung X3 = Tingkat pertumbuhan GDP X4 = REER X5 = Perbedaan suku bunga dalam negeri dan US X6 = Tingkat Inflasi Pendefinisian peubah Y dengan pendekatan Boyce dan Ndikumana (2002) adalah sebagai berikut: =
+
−(
+
)
Dimana Z1, Z2, Z3, dan Z4 adalah sebagai berikut: Z1 = Perubahan hutang luar negeri Z2 = Investasi asing langsung Z3 = Perubahan cadangan devisa Z4 = Current account defisit Metode Langkah-langkah yang dilakukan dalam penelitian ini adalah: 1. Melakukan eksplorasi data 2. Melakukan uji kausalitas Granger Uji kausalitas Granger dalam penelitian ini digunakan sebagai penyaringan peubah yang akan dimasukkan pada regresi data panel. 3. Melakukan regresi data panel : 1. Pendugaan dengan model efek tetap. 2. Uji Chow (Pool vs model efek tetap). (a). Jika Ho diterima, maka model pool (MKT). (selesai sampai disini). (b). Jika Ho ditolak, maka model efek tetap. (teruskan langkah 3) 3. Pendugaan dengan model efek acak. 4. Uji Hausman (model efek acak vs model efek tetap). (a). Jika Ho: diterima, maka model efek acak (selesai sampai disini). (b). Jika Ho: ditolak, maka model efek tetap (lanjutkan langkah 5) 5. Uji asumsi : Heteroskedastisitas. Melakukan GLS. Indikasi terjadinya heteroskedastisitas adalah dengan membandingkan Sum Square Residual pada Weighted Statistics dengan Sum Squared Residual Unweighted Statistics. Jika Sum Square Residual pada Weighted Statistics < Sum Squared Residual Unweighted Statistics, maka telah terjadi heteroskedastisitas. Hal ini dikarenakan model yang telah diboboti memberikan hasil yang lebih baik daripada model yang tidak diboboti. Perlakuan untuk pelanggaran tersebut adalah dengan mengestimasi
6.
7. 8.
GLS menggunakan White Heteroscedaticity. Uji asumsi : Autokorelasi. Untuk mendeteksi ada tidaknya autokorelasi dapat dilakukan uji Durbin Watson (DW), yaitu dengan membandingkan nilai Durbin Watson dari model dengan tabel Durbin Watson. Perlakuan untuk pelanggaran tersebut adalah dengan menambahkan peubah AR pada model. Intepretasi model Diagnostik sisaan
HASIL DAN PEMBAHASAN Penelitian Terkait Spesifikasi model menurut Istikomah (2003) adalah sebagai berikut: = (
,
,
,
,
,
,
)
Berdasarkan spesifikasi model di atas, peubah hutang luar negeri (X1) dapat berpengaruh secara positif atau negatif terhadap capital flight dan dinyatakan dalam juta dollar AS. Arah hubungan investasi asing langsung (X2) terhadap capital flight dapat berhubungan secara positif atau negatif. Laju GDP (X3) merefleksikan kinerja ekonomi dari tahun ke tahun dan dinyatakan dalam persen. Semakin tinggi laju GDP semakin rendah tingkat capital flight. REER (X4) berpengaruh secara negatif terhadap capital flight dan dinyatakan dalam indeks persentase. Jika perbedaan suku bunga dalam dan luar negeri (X5) makin membesar diperkirakan akan mampu menarik arus modal masuk sehingga nilai capital flight akan berkurang. Tingkat Inflasi (X6) memberikan pengaruh yang searah terhadap capital flight, semakin tinggi tingkat inflasi maka makin besar capital flight yang terjadi. Serta, dummy kestabilan politik (d1) digunakan sebagai penilai kondisi kestabilan politik. Istikomah (2003) melakukan penelitian mengenai analisis faktor-faktor yang mempengaruhi capital flight di Indonesia (periode kuartal I 1990 s.d. kuartal IV 2000). Dari ke-7 peubah bebas diatas, yang berpengaruh nyata terhadap capital flight pada taraf nyata 10% adalah investasi asing langsung (FDI), laju GDP, REER, inflasi dalam negeri, perbedaan suku bunga Indonesia-Amerika, serta dummy kondisi politik. Selama periode yang diamati tingkat inflasi dan investasi asing langsung
6
mempunyai pengaruh yang positif terhadap capital flight, sedangkan peubah REER, perbedaan suku bunga Indonesia-Amerika, hutang luar negeri, laju GDP, dan dummy kondisi politik berpengaruh secara negatif terhadap capital flight di Indonesia. Hutasoit (2006) melakukan penelitian mengenai analisis faktor-faktor yang mempengaruhi capital flight di Indonesia dalam periode 1990 s.d. 2004. Dalam penelitiannya, Hutasoit (2003) memasukkan peubah kurs, tingkat inflasi, suku bunga SBI, dan dummy kondisi kestabilan politik. Semua peubah yang dimasukkan ke dalam model berpengaruh nyata pada taraf nyata 10%. Selama periode yang diamati kurs, tingkat inflasi dan dummy kondisi kestabilan politik mempunyai pengaruh yang positif terhadap capital flight, sedangkan suku bunga SBI berpengaruh secara negatif terhadap capital flight di Indonesia. Eksplorasi Data Eksplorasi data dapat dilihat pada Gambar 1 dan Gambar 2. Pada Gambar 1 dapat dilihat capital flight dari 9 negara. Pelarian modal terbesar pada tahun 1998 terjadi pada negara Korea Selatan sebesar 69.221 juta dollar AS. Pada Gambar 2 dapat dilihat capital flight dari negara Indonesia, Malaysia, Thailand, dan Philipina.
Gambar 1 Capital Flight semua negara Empat negara tersebut merupakan negara yang terkena dampak pada saat terjadinya krisis ekonomi pada tahun 1997. Dapat dilihat pada Gambar 2 bahwa negara yang mengalami capital flight terbesar pada tahun 1998 adalah Malaysia. Meskipun demikian, Malaysia merupakan negara tercepat yang pulih dari krisis ekonomi dengan menolak bantuan dari IMF.
Gambar 2 Capital Flight Indonesia, Thailand, Malaysia, dan Philipina. Negara yang mengalami pelarian modal terbesar sampai tahun 2001 adalah Thailand. Thailand merupakan penyebab terjadinya krisis ekonomi tahun 1997. Hal ini terjadi karena jatuhnya nilai Bath yang terpukul oleh serangan spekulasi besar. Besarnya capital flight yang terjadi adalah 68.751 juta dollar AS. Capital flight terbesar kedua (setelah Thailand) terjadi pada Indonesia dengan pelarian modal sebesar 47.526 juta dollar AS Faktor-faktor yang mempengaruhi terjadinya capital flight dapat dilihat secara deskriptif pada Lampiran 2 sampai Lampiran 7. Pada Lampiran 2 dapat dilihat dengan jelas bahwa cenderung terdapat hubungan yang positif antara pergerakan capital flight dengan pergerakan hutang luar negeri. Nilai capital flight yang negatif menunjukan besarnya modal yang keluar. Hampir pada semua negara pergerakan capital flight memiliki hubungan yang positif dengan hutang luar negeri. Pergerakan capital flight mempunyai pola yang sama dengan pergerakan hutang luar negeri (Lampiran 2). Hal tersebut dapat dilihat juga dari tabel korelasi pada Lampiran 8. Dengan kata lain, ketika hutang luar negeri bertambah, maka jumlah modal yang keluar akan semakin rendah. Menurut Istikomah (2003), besarnya hutang luar negeri akan berpengaruh secara negatif maupun positif terhadap capital flight. Sehingga gambaran awal melalui eksplorasi data ini masih relevan dengan teori yang ada. Akan tetapi hubungan kedua peubah tersebut perlu dikaji lebih lanjut. Lampiran 3 merupakan gambaran awal hubungan antara pergerakan capital flight dan investasi asing langsung (FDI). Hampir keseluruhan negara cenderung mempunyai hubungan yang positif antara capital flight dengan FDI kecuali negara Hongkong, Philipina, dan Korea Selatan. Dengan kata lain,ketika investasi asing langsung
7
bertambah, maka jumlah modal yang keluar akan semakin rendah. Menurut Istikomah (2003), aliran masuk dari investasi asing langsung akan mempengaruhi secara positif atau negatif terhadap capital flight. Pada Lampiran 4, dapat dilihat bahwa pada kebanyakan negara, capital flight cenderung mempunyai hubungan yang positif dengan pertumbuhan GDP. Semakin tinggi pertumbuhan GDP akan menyebabkan jumlah modal yang keluar semakin rendah. Pada kebanyakan negara, capital flight cenderung mempunyai hubungan yang negatif dengan REER (Lampiran 5). Apabila indeks REER meningkat, maka dapat memacu pelarian modal dari dalam negeri. Pada negara Indonesia, Hongkong, Malaysia, dan Philipina perbedaan suku bunga dalam dan luar negeri cenderung mempunyai hubungan yang positif dengan tingkat capital flight dan sebaliknya untuk negara lainnya. Hal ini dapat dilihat pada Lampiran 6. Sedangkan pada Lampiran 7 dapat dilihat bahwa sebagian besar negara cenderung mempunyai hubungan yang positif antara tingkat inflasi dan capital flight. Jadi dapat dikatakan bahwa semakin besar tingkat inflasi maka akan semakin kecil pelarian modal dari dalam negeri. Dari hasil eksplorasi data terlihat gambaran awal hubungan antara capital flight dengan peubah-peubah yang dicurigai mempunyai pengaruh. Akan tetapi hasil tersebut perlu dikaji lebih lanjut dengan menggunakan analisis formal. Pengujian Kausalitas Granger Pentingnya melakukan uji kausalitas Granger ini adalah untuk menganalisis peubah mana yang terlebih dahulu mempengaruhi peubah lainnya (hubungan kausalitas antara dua peubah). Dari Tabel 2 dapat dilihat bahwa pada lag = 2 terdapat hubungan kausalitas satu arah antara peubah Y (capital flight) dengan peubah X3 (laju GDP) dimana capital flight secara signifikan memiliki pengaruh terhadap laju GDP. Sedangkan untuk hubungan kausalitas dua arah pada lag = 2 terdapat antara capital flight dengan peubah hutang luar negeri (X1) dan peubah investasi asing langsung (X2). Hal ini menunjukkan bahwa capital flight dipengaruhi oleh hutang luar negeri dan jumlah investasi asing langsung dan sebaliknya. Pada lag = 4 dapat dilihat bahwa peubah X1 (hutang luar negeri) dan X2 mempunyai hubungan kausalitas dua arah dengan Y.
Sehingga dapat dikatakan bahwa kedua peubah tersebut mempunyai hubungan timbal balik dengan peubah Y. Tabel 2 Hasil uji kausalitas Granger Lag Hipotesis nol 2 Y → X1 v X1 → Y v Y → X2 v X2 → Y v Y → X3 X3 → Y v Y → X4 X4 → Y Y → X5 X5 → Y Y → X6 X6 → Y -
4 v v v v v -
*`v`: nyata pada taraf nyata 10%
Selain itu, dapat dilihat juga bahwa peubah Y mempunyai hubungan kausalitas satu arah dengan peubah X4, dimana REER secara signifikan mempunyai pengaruh terhadap jumlah pelarian modal. Dari hasil uji kausalitas Granger pada lag 2 dan lag 4 maka peubah yang akan dimasukkan kedalam model adalah peubah X1, X2, X3, dan X4. Uji Chow Sebagai dasar pertimbangan dalam pemilihan model efek tetap atau model pooled, maka dilakukan pengujian statistik melalui uji Chow. Hasil uji Chow dapat dilihat pada Tabel 3. Pada Tabel 3 diperoleh nilai F hitung sebesar 1.76 dengan nilai p sebesar 0.0999 < α = 10%. Dengan demikian, untuk sementara dapat disimpulkan model pada penelitian ini adalah model efek tetap. Pendugaan dengan menggunakan model pooled dapat dilihat pada Lampiran 10. Tabel 3 Hasil uji Chow Effects Test F-hit Cross-section F 1.76
db nilai p (8,68) 0.0999
Uji Hausman Dalam menentukan pilihan antara model efek tetap atau model efek acak maka perlu dilakukan pengujian statistik melalui uji Hausman. Hasil uji Hausman dapat dilihat pada Tabel 4. Tabel 4 Hasil uji Hausman Test Summary X2hit db Cross-section Random 9.93 4
nilai p 0.0416
8
Pada hasil uji Hausman, diperoleh nilai X2 hitung sebesar 9.93 dengan nilai p sebesar 0.0416 < α = 10%. Dengan demikian, model yang digunakan pada penelitian ini adalah model efek tetap. Pendugaan dengan menggunakan model efek acak dapat dilihat pada Lampiran 11. Pendugaan Model Efek Tetap Hasil pendugaan dengan menggunakan model efek tetap dapat dilihat pada Tabel 5. Menurut hasil dugaan persamaan dengan menggunakan metode efek tetap diperoleh nilai R2 sebesar 33.73%. Dari hasil ini berarti tidak semua peubah bebas yang terdapat dalam persamaan mampu menjelaskan keragaman capital flight dari negara-negara berkembang. Sehingga dimungkinkan terdapat peubah-peubah lain yang lebih berpengaruh. Dari hasil pendugaan terdapat 2 peubah yang signifikan pada α 5%, yaitu hutang luar negeri (X1) dan laju GDP (X3). Tabel 5 Hasil pendugaan model efek tetap Peubah Koefisien Std.Error t-hit nilai p C 54826.45 56487.87 0.97 0.34 X1 0.34 0.11 3.21 0.00 X2 -0.48 1.57 -0.31 0.76 X3 -2570.24 1157.76 -2.22 0.03 X4 -824.56 537.02 -1.54 0.13 F-hitung 2.884697 nilai p 0002856 R2 33.73% R2adj 22.04% Sum Squared Residual 1.10E+11 S.E. of regression 40268.09 Durbin Watson 1.778525 Dalam penelitian dengan menggunakan data cross section, dimungkinkan kecenderungan terdapatnya heteroskedastisitas dalam data penelitian. Untuk mengatasi terjadinya heteroskedastisitas maka perlu dilakukan tehnik pendugaan menggunakan model efek tetap dengan Weighted Least Square (WLS) atau sering disebut juga sebagai Generalized Least Square (GLS). Indikasi terjadinya heteroskedastisitas adalah dengan membandingkan Sum Square Residual pada Weighted Statistics dengan Sum Squared Residual pada Unweighted Statistics. Pada Tabel 6, dapat dilihat bahwa Sum Square Residual pada Weighted Statistics lebih kecil dibandingkan dengan Sum Squared Residual Unweighted Statistics, maka dapat disimpulkan telah terjadi heteroskedastisitas. Untuk mengatasinya maka model yang
digunakan adalah model efek tetap yang telah diboboti dan white heteroskedasticity. Tabel 6 Hasil pendugaan dengan GLS dan White Heteroskedasticity Weighted Statistic F-hitung 7.00912 nilai p 0.000 R2 55.30% R2adj 47.46% Sum Squared Residual 5.59 E+10 S.E. of regression 28683.46 Durbin Watson 1.16208 Unweighted Statistic R2 27.32% Sum squared residual 1.21E+11 Durbin Watson 1.701160 Setelah menguji masalah heteroskedastisitas, asumsi lain yang harus dipenuhi adalah tidak adanya autokorelasi dalam model. Dengan jumlah observasi 81 dan peubah penjelas di luar konstanta sebanyak 4, didapatkan nilai dL 1.5372 dan dU 1.7438. Nilai Durbin Watson hasil pendugaan sebesar 1.16208 berada pada ( 0 < DW < dL) yaitu ( 0 < 1.16208 < 1.5372 ) yang berarti terdapat autokorelasi positif. Tabel 7 Hasil pendugaan dengan GLS dengan White Heteroskedasticity, serta penambahan AR(2) Weighted Statistic F-hitung 9.978458 nilai p 0.000 R2 74.43% R2adj 66.97% Sum Squared Residual 1.83E+10 S.E. of regression 19539.44 Durbin Watson 1.913123 Unweighted Statistic R2 59.31% Sum Squared Residual 2.61E+10 Durbin Watson 2.360682 Untuk mengatasi terjadinya autokorelasi maka perlu ditambahkan peubah AR (autoregresif). Penambahan AR(2) telah mengatasi terjadinya autokorelasi. Hal ini dapat dilihat dari nilai Durbin Watson hasil pendugaan sebesar 1.913123 berada pada ( dU < DW < 4-dU ) yaitu (1.729 < 1.913123 < 2.254). Untuk lebih jelasnya dapat dilihat pada Tabel 7. Menurut hasil dugaan yang diperoleh nilai R2 sebesar 74.43%. Dengan kata lain, sebesar 74.43% keragaman capital flight dapat dijelaskan oleh model, sedangkan sisanya
9
dijelaskan oleh peubah lain di luar model. Hal ini diperkuat dengan peluang F hitung yang nyata pada α=10% yaitu sebesar 0.000 yang berarti minimal terdapat satu peubah bebas yang berpengaruh nyata terhadap peubah tak bebas sehingga model penduga sudah layak untuk menduga parameter yang ada dalam model. Intepretasi Koefisien Berdasarkan hasil perhitungan pendugaan dengan white heteroskedasticity, serta penambahan AR(2) tesebut diperoleh hasil persamaan untuk capital flight sebagai berikut: = (−43275.91 + ) + 0.33 + 2.47 − 50.93 + 10.95 + ,
Sedangkan berikut: ,
komponen
= 0.57
,
errornya
− 0.23
,
+
sebagai ,
Persamaan di atas memiliki nilai berbeda pada konstanta yang dipengaruhi oleh efek individu ( ) yang dapat dilihat pada Lampiran 12. Koefisien regresi data panel dapat dilihat pada Tabel 8. Peubah yang secara statistik mempengaruhi peubah capital flight dengan taraf nyata 10% adalah hutang luar negeri, investasi asing langsung, dan pertumbuhan GDP. Tabel 8 Koefisien regresi data panel Peubah Koefisien Std.Error t-hit C -43275.91 15120.4 -2.86 X1 0.330 0.144 2.30 X2 2.471 0.344 7.18 X3 -50.926 27.224 -1.87 X4 10.948 43.564 0.251 Vi,t-1 0.573 0.120 4.768 Vi,t-2 -0.235 0.087 -2.69
pelarian modal. Nilai koefisien regresi dari peubah investasi asing langsung sebesar 2.47 dengan nilai p sebesar 0.000. Artinya jika terjadi kenaikan investasi asing langsung sebesar 1 juta dollar AS maka jumlah pelarian modal akan berkurang sebesar 2.47 juta dollar AS. Semakin tinggi jumlah investasi asing langsung, maka akan semakin rendah tingkat pelarian modal. Peubah pertumbuhan GDP berpengaruh secara signifikan terhadap pelarian modal. Nilai koefisien regresi dari peubah pertumbuhan GDP sebesar -50.926 dengan nilai p sebesar 0.0675. Artinya secara ratarata, jumlah pelarian modal mengalami kenaikan sebesar 50.926 juta dollar AS seiring dengan peningkatan pertumbuhan GDP sebesar 1 persen, asumsi ceteris paribus. Dengan kata lain, sejalan dengan peningkatan pertumbuhan GDP yang terjadi, pelarian modal justru semakin meningkat. Diagnostik Sisaan Diagnostik sisaan dapat dilihat dari plot sisaan pada Gambar 3. Dalam plot tersebut dapat dilihat bahwa sisaan cenderung tidak berpola dan cenderung membentuk garis lurus. Meskipun demikian pada negara ke 8 (Hongkong) simpangan sisaannya terlihat lebih besar dibandingkan negara yang lainnya. Hal ini diduga karena capital flight Hongkong cenderung berfluktuatif dan jauh lebih besar dibandingkan negara-negara yang lain.
nilai p 0.006 0.026 0.000 0.068 0.803 0.000 0.009
Peubah hutang luar negeri mempunyai pengaruh yang positif terhadap capital flight. Nilai koefisien regresi dari peubah hutang luar negeri sebesar 0.33 dengan nilai p sebesar 0.026. Artinya secara rata-rata, jumlah pelarian modal mengalami penurunan sebesar 0.33 juta dollar AS seiring dengan peningkatan hutang luar negeri sebesar 1 juta dollar AS, asumsi ceteris paribus. Hubungan yang yang positif mengindikasikan bahwa sejalan dengan peningkatan jumlah hutang luar negeri yang terjadi, pelarian modal justru semakin menurun. Peubah investasi asing langsung berpengaruh secara signifikan terhadap
Gambar 3 Plot sisaan
SIMPULAN DAN SARAN Simpulan Model akhir regresi data panel untuk pemodelan capital flight adalah model efek tetap terboboti dengan penambahan komponen autoregresif ordo 2. Model ini
10
memiliki R2 sebesar 74.43%. Peubah bebas yang berpengaruh nyata terhadap capital flight adalah hutang luar negeri, investasi asing langsung (FDI), dan laju GDP.
Bruderl J. 2005. Panel data analyse. www.sowi.uni-mannheim.de/isssm/ verans/panelanalyse.pdf. [20 Januari 2010]
Saran Untuk mendapatkan model yang valid dan hasil peramalan yang lebih akurat perlu dilakukan validasi model. Selain itu dapat pula dikaji model regresi data panel dengan komponen error dua arah.
Granger CWJ. 1969. Investigating causal relations by econometric models and cross spectral methods. Econometrica, 37: 424-438.
DAFTAR PUSTAKA
Gujarati D. 2004. Basic Econometrics.Ed ke4. New York: The MacGraw-Hill Companies.
Baltagi BH. 2005. Econometric Analysis of Panel Data. Ed ke-3. Chichester: John Wiley & Sons Ltd.
Hurlin C dan Baptiste V. 2003. Granger causality tests in panel data models with fixed coefficients. http://www.dauphine.fr /eurisco/Granger_v1.pdf. [15 November 2010]
Born B dan Jorg B. 2010. Testing for serial correlation in fixed effects panel data models. http://www.econstor.eu/ dspace/bitstream/10419/37346/3/VfS_20 10_pid_512.pdf [15 November 2010]
Hutasoit VM. 2006. Analisis faktor-faktor yang mempengaruhi capital flight di Indonesia [skripsi]. Medan: Fakultas Ekonomi, Universitas Sumatera Utara.
Boyce JK dan Leonce N. 2002. Is Africa a net creditore? New estimate of capital flight from severely indebted Sub-Saharan african countries, 1970-1996. http://www.umass.edu/economics /publications/econ2000-01.pdf.[20 September 2010]
Istikomah N. 2003. Analisis faktor-faktor yang mempengaruhi capital flight. Buletin Ekonomi Moneter dan Perbankan.Volume:6. Hal 12-31.
LAMPIRAN
12
Lampiran 1 Struktur data panel
i=1
i=2
i=3
t=1 t=2 t=3 . . t=T t=1 t=2 t=3 . . t=T t=1 t=2 t=3 . . t=T
Y Y11 Y12 Y13
X1 X111 X121 X131
X2 X112 X122 X132
X3 X113 X123 X133
…
Xk X11k X12k X13k
Y1T Y21 Y22 Y23
X1T1 X211 X221 X231
X1T2 X212 X222 X232
X1T3 X213 X223 X233
X1Tk X21k X22k X23k
Y2T Y31 Y32 Y33
X2T1 X311 X321 X331
X2T2 X312 X322 X332
X2T3 X313 X323 X333
X2Tk X31k X32k X33k
Y3T
X3T1
X3T2
X3T3
X3Tk
YN1 YN2 YN3
XN11 XN21 XN31
XN12 XN22 XN32
XN13 XN23 XN33
XN1k XN2k XN3k
YNT
XNT1
XNT2
XNT3
XNTk
. .
i=N
t=1 t=2 t=3 . . t=T
13
Lampiran 2 Grafik pergerakan capital flight dan hutang luar negeri Indonesia
Taiwan
Malaysia
Hongkong
Thailand
Philipina
Korea Selatan
Pakistan
14
Kamboja
Lampiran 3 Grafik pergerakan capital flight dan investasi asing langsung (FDI) Indonesia
Philipina
Malaysia
Hongkong
Thailand
Korea Selatan
15
Taiwan
Kamboja
Pakistan
Lampiran 4 Grafik pergerakan capital flight dan pertumbuhan GDP (%) Indonesia
Thailand
Malaysia
Philipina
16
Hongkong
Pakistan
Korea Selatan
Kamboja
Taiwan
Lampiran 5 Grafik pergerakan capital flight dan real effective exchange rate (REER) Indonesia
Malaysia
17
Thailand
Taiwan
Philipina
Pakistan
Hongkong
Kamboja
Korea Selatan
18
Lampiran 6 Grafik pergerakan capital flight dan perbedaan suku bunga Indonesia
Hongkong
Malaysia
Korea Selatan
Thailand
Taiwan
Philipina
Pakistan
19
Kamboja
Lampiran 7 Grafik pergerakan capital flight dan tingkat inflasi Indonesia
Philipina
Malaysia
Hongkong
Thailand
Korea Selatan
20
Taiwan
Pakistan
Kamboja
21
Lampiran 8 Tabel arah hubungan korelasi antara Y dengan peubah bebas X1
X2
X3
X4
X5
X6
Indonesia
+
+
-
-
+
+
Malaysia
-
+
-
+
+
-
Thailand
-
+
+
+
-
+
Philipina
-
-
-
+
+
-
Korea Selatan
+
-
+
-
-
-
Taiwan
-
+
+
-
-
+
Pakistan
+
+
+
+
-
+
Hongkong
+
-
-
-
+
+
Kamboja
+
+
+
-
-
+
Lampiran 9 Hasil uji kausalitas Granger Lag = 2; Obs = 63 hipotesis nol F-hitung X1 does not Granger Cause Y 2.78042 Y does not Granger Cause X1 3.57760 X2 does not Granger Cause Y 10.6923 Y does not Granger Cause X2 4.19398 X3 does not Granger Cause Y 0.08280 Y does not Granger Cause X3 4.28480 X4 does not Granger Cause Y 3.26192 Y does not Granger Cause X4 0.35754 X5 does not Granger Cause Y 0.11289 Y does not Granger Cause X5 0.01732 X6 does not Granger Cause Y 0.12834 Y does not Granger Cause X6 0.22528
nilai p 0.0703 0.0343 0.0001 0.0199 0.9206 0.0184 0.0454 0.7009 0.8934 0.9828 0.8798 0.7990
Lag = 4; Obs = 45 hipotesis nol X1 does not Granger Cause Y Y does not Granger Cause X1 X2 does not Granger Cause Y Y does not Granger Cause X2 X3 does not Granger Cause Y Y does not Granger Cause X3 X4 does not Granger Cause Y Y does not Granger Cause X4 X5 does not Granger Cause Y Y does not Granger Cause X5 X6 does not Granger Cause Y Y does not Granger Cause X6
nilai p 0.0010 0.0164 7.E-06 0.0003 0.7065 0.1246 0.0005 0.8108 0.9703 0.8905 0.8733 0.5961
F-hitung 5.80482 3.49839 10.8652 7.07204 0.54116 1.94159 6.40743 0.39514 0.13039 0.27765 0.30407 0.70139
22
Lampiran 10 Pendugaan menggunakan model pool variabel
koefisien
std. error
t-hit
nilai p
C X1 X2 X3 X4
87228.80 0.098151 -0.281687 -1585.637 -946.7092
40637.74 0.049217 1.298462 1108.571 361.0004
2.146498 1.994272 -0.216939 -1.430342 -2.622460
0.0350 0.0497 0.8288 0.1567 0.0105
R2 R2adj F-hitung nilai p S.E. of regression Sum Squared Residual Durbin Watson
0.199924 0.157815 4.747744 0.001792 41853.15 1.33E+11 1.662666
Lampiran 11 Pendugaan menggunakan model efek acak variabel
koefisien
std.error
t-hit
nilai p
C X1 X2 X3 X4
86768.20 0.099198 -0.293342 -1595.238 -942.6795
39306.20 0.047714 1.253988 1068.003 349.3441
2.207494 2.079011 -0.233927 -1.493664 -2.698427
0.0303 0.0410 0.8157 0.1394 0.0086
R2 R2adj F-hitung nilai p S.E. of regression Sum Squared Residual Durbin Watson
Lampiran 12 Efek Individu pada GLS Negara Cross Section Effect Indonesia Malaysia Thailand Philipina Korea Selatan Taiwan
-13722.19 4262.247
Pakistan
28126.95
Hongkong
-35583.19
Kamboja
41385.89
495.2646 18127.01 -30428.88 -12663.09
0.198423 0.156235 4.703278 0.001912 41809.68 1.33E+11 1.665496
