III.
3.1.
METODE PENELITIAN
Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini merupakan data sekunder yang
diperoleh dari beberapa sumber. Adapun data diperoleh dari badan statistik dunia World Development Indicator (WDI), World Bank, CEIC, serta beberapa jurnal dan literatur yang relevan dengan penelitian ini. Tabel 3.1. Variabel-variabel yang Digunakan dalam Penelitian No. 1.
Variabel Y
Keterangan
Sumber
GDP Riil
Satuan
World
Milyar LCU
Development
Konstan 2005
Indicator 2011 2.
GEXP
General
Government
Consumption (GGFCE)
Final World
Expenditure Development sebagai
4.
M2
OPNESS
Konstan 2005
proksi Indicator
kebijakan fiskal 3.
Milyar LCU
2011
Broad Money, sebagai proksi CEIC
Milyar LCU
kebijakan moneter
Konstant 2005
Keterbukaan (Trade)
Perdagangan
, World
Persentase
Development
( share ekspor
Indicator
and impor of
2010
GDP)
38
Data-data yang diperlukan dalam permodelan penelitian ini yaitu GDP (Gross Domestik Product), General Government Final Consumption Expenditure (GEXP), Broad Money (M2), dan keterbukaan perdagangan (OPNESS). Data yang dikumpulkan merupakan data panel dengan time series 2000-2010 dan cross section 11 negara ASEAN+6, yaitu Indonesia, Malaysia, Singapura, Philipina, Thailand, Jepang, Korea Selatan, China, India, Australia, dan New Zealand.
3.2.
Model Penelitian Metode yang digunakan untuk melihat dampak relatif antara kebijakan fiskal
dan kebijakan moneter terhadap output riil di negara kawasan ASEAN+6 diukur dengan menggunakan model yang merupakan gabungan dari model Ali et al. (2008), Adefeso dan Mobolaji (2010), dan Jawaid et al. (2011) Ali et all (2008)
meneliti efektivitas relatif antara kebijakan fiskal dan
kebijakan moneter terhadap pertumbuhan ekonomi di Negara-Negara Asia Selatan dengan menggunakan metode estimasi OLS, Panel data, Autoregressive Distributed Lag model ARDL a co integration (panel) test dan Error Correction Method (ECM). Ali et all membangun model penelitian tersebut sebagai berikut: Yit 0 FBit 1M 2it it ……………….…….………………………..(3.1)
dimana, Yit
= GDP growth rate
FBit
= Fiscal Balance (defisit fiskal)
M2it
= Broad Money
39
μit
= Error term Adefeso dan Mobolaji (2010) meneliti efektivitas relatif kebijakan fiskal dan
kebijakan moneter terhadap pertumbuhan ekonomi di Nigeria menggunakan metode estimasi Error Correction Mecahanism dan kointegrasi. Adapun model penelitian yang dibangun dalam Adefoso dan Mobolaji (2010) adalah sebagai berikut: Yt f ( DOPNESSt , M 2t , GEXPt ) ……………………………………………(3.2)
Persamaan (3.2) diatas diturunkan dengan menggunakan log linear, didapat persamaan baru sebagai beriut: ln Yt b0 b1 ln M 2t b3 ln GEXPt b4 ln DOPNESSt et …………...………...(3.3)
dimana, Yt
= GDP
M2t
= Broad Money
GEXPt
= Government Expenditure
DOPNESSt
= Degree of Openness
ln
= logaritma natural
et
= error term Sedangkan Jawaid et al. (2011) meneliti secara empirik dampak kebijakan
moneter, kebijakan fiskal, dan kebijakan perdagangan terhadap pertumbuhan ekonomi di Pakistan dengan data time series dari 1981-2009. Dengan menggunakan metode estimasi kointegrasi dan Error Correction Model (ECM). Model penelitiannya adalah GDPt 0 1MSt 2GEt 3TOt t ……………………..……….………(3.4)
40
dimana, GDPt = Pertumbuhan ekonomi pada tahun ke t MSt
= Money Supply tahun ke t sebagai proksi dari kebijakan moneter
GEt
= Government Expenditure tahun ke t sebagai proksi kebijakan fiskal
TOt
= Share ekspor dan impor terhadap GDP pada tahun ke t sebagai proksi kebijakan perdagangan
t
= Error term Berdasarkan persamaan-persamaan diatas berikut adalah persamaan baru yang
dimodifikasi, yang selanjutnya akan digunakan dalam penelitian ini: ln Yit b1 ln GEXPit b2 ln M 2it b3 OPNESSit it …………..……………....(3.5)
dimana, lnYit
= GDP Riil negara i pada tahun ke t
lnGEXPit
= Pengeluaran Pemerintah (Government Expenditure) sebagai proksi kebijakan fiskal negara i pada tahun ke t
lnM2it
= Jumlah uang beredar (Broad Money) sebagai proksi kebijakan moneter negara i pada tahun ke t
DOPNESSit
= Keterbukaan Ekonomi (Degree of Openness) sebagai proksi kebijakan perdagangan negara i pada tahun ke t
εit
= Error term
41
3.3.
Metode Analisis Data Metode analisis data yang digunakan dalam penelitian ini adalah metode
panel data dinamis dengan teknik estimasi model menggunakan pendekatan GMM (Generalized method of moments) yang mengacu pada metodologi Verbeek (2004). Tujuan menggunakan metode panel dinamis dengan pendekatan GMM bertujuan untuk mengontrol bias yang berkaitan dengan simultanitas dan individual special effect setiap negara.
3.3.1. Data Panel Menurut Gujarati (2003), data panel (pooled data) merupakan gabungan antara data cross section dan data time series. Data cross section adalah data yang dikumpulkan dalam satu waktu terhadap banyak individu sedangkan data time series merupakan data yang dikumpulkan dari waktu ke waktu terhadap suatu individu. Kriteria data panel yang baik adalah ketika N cross section relatif lebih besar bila dibandingkan dengan jumlah T time series. Dalam data panel, data cross section yang sama di observasi menurut waktu. Jika setiap unit cross section memiliki jumlah observasi time series yang sama maka disebut balanced panel. Sebaliknya jika jumlah observasi berbeda untuk setiap unit cross section, maka disebut unbalanced panel. Terdapat dua keuntungan penggunaan data panel dibandingkan data time series atau cross section saja (Verbeek 2004). Pertama, dengan mengombinasikan data time series dan cross section dalam data panel membuat jumlah observasi
42
menjadi lebih besar. Dengan menggunakan model data panel marginal effect dari peubah penjelas dilihat dari dua dimensi (individu dan waktu) sehingga parameter yang diestimasi akan lebih akurat dibandingkan dengan model lain. Secara teknis menurut Hsio (2004), data panel dapat memberikan data yang informatif, mengurangi kolinieritas antarpeubah serta meningkatkan derajat kebebasan yang artinya meningkatkan efisiensi. Kedua, keuntungan yang lebih penting dari penggunaan data panel adalah mengurangi masalah identifikasi. Data panel lebih baik dalam mengidentifikasi dan mengukur efek yang secara sederhana tidak dapat diatasi dalam cross section atau time series murni. Data panel mampu mengontrol heterogenitas individu. Dengan metode ini estimasi yang dilakukan dapat secra eksplisit memasukkan unsur heterogenitas individu. Data panel juga lebih baik untuk studi dynamics of adjustment. Hal ini berkaitan dengan observasi pada cross section yang sama secara berulang, sehingga data panel lebih baik dalam mempelajari perubahan dinamis. Baltagi (2005), penggunaan data panel memberikan banyak kelebihan, yaitu: 1. Mampu mengontrol heterogenitas individu atau unit cross section. 2. Dapat memberikan informasi lebih banyak, mengurangi kolinieritas antar variabel, meningkatkan degree of freedom, dan lebih efisien. 3. Panel data lebih baik untuk studi yang bersifat dinamis atau dynamics of adjustment. 4. Dapat mengidentifikasi dan mengukur efek yang sederhana yang tidak dapat dideteksi dalam model data cross section maupun time series murni.
43
5. Mampu menguji dan membangun model prilaku (behavioral models) yang lebih kompleks.
3.3.1.1 Data Panel dinamis Firdaus (2011), Sejak awal tahun 1990-an, perkembangan metode data panel memasuki babak baru dengan dipublikasikannya tulisan Arellano dan Bond (1991). Seiring dengan populernya model time series pada saat itu, muncul pula pemikiran untuk merumuskan model data panel yang memasukkan lag dari peubah dependen sebagai regresor dalam regresi. Hal ini berakibat munculnya masalah endogeneity, sehingga bila model diestimasi dengan pendekatan fixed effect maupun random effects akan menghasilkan penduga yang bias dan tidak konsisten (Verbeek 2008). Untuk memecahkan masalah ini, Arellano dan Bond mengusulkan pendekatan method of moments atau yang biasa disebut dengan Generalized Method of Moments (GMM). Indra (2009), relasi antara variabel-variabel ekonomi pada kenyataannya banyak yang bersifat dinamis. Analisis dapat digunakan sebagai model yang bersifat dinamis dalam kaitannya dengan analisis penyesuaian dinamis (dynamic of adjustment). Hubungan dinamis ini dicirikan oleh keberadaan lag variabel dependen diantara variabel-variabel regresor. Sebagai ilustrasi, perhatikan model data panel dinamis sebagai berikut: yit = δyi,t-1 + X’itβ + uit : i = 1, …, N ; t = 1, …, T..............................................(3.6)
44
dengan δ menyatakan suatu skalar, x' it menyatakan matriks berukuran 1 x K dan β matriks berukuran K x 1. Dalam hal ini, uit diasumsikan mengikuti model one way error component sebagai berikut uit = μi + υit .........................................................................................................(3.7) dengan μi ~ IID 0, 2
menyatakan pengaruh individu dan υit ~ IID 0, 2
menyatakan gangguan yang saling bebas satu sama lain atau dalam beberapa literature disebut transient error. Dalam model data panel statis, dapat ditunjukkan adanya konsistensi dan efisiensi baik pada Fixed Effect Model (FEM) maupun Random Effect Model (REM) terkait perlakuan terhadap μi. Dalam model dinamis, situasi ini secara substansi sangat berbeda, karena yit merupakan fungsi dari μi maka yi,t-1 juga merupakan fungsi dari μi. Karena μi adalah fungsi dari μit, hal ini akan menyebabkan penduga least squares (sebagaimana digunakan pada model data panel statis) menjadi bias dan inkonsisten, bahkan bila υit tidak berkorelasi serial sekalipun. Untuk mengilustrasikan kasus tersebut diberikan data panel Autoregresive (AR (1)) tanpa menyertakan variabel eksogen yit yi ,t 1 uit ; |δ| < 1 ; t =1, …, T ................................................................(3.8)
dengan uit = μi + υit dimana μi ~ IID (0, σ2μ) dan υit ~ IID (0, σ2υ) saling bebas satu sama lain. Penduga fixed effect bagi δ diberikan oleh N
FE
T
( yit y i )( yi ,t 1 y i ,t 1 )
i 1 t 1
N
T
yi ,t 1 y i ,1
i 1 t 1
2
………………..……(3.9)
45
T
T
t 1
t 1
dengan y t 1/ T yit dan yi ,1 1/ T yi ,t 1 . Untuk menganalisis sifat dari FE , dapat disubstitusi persamaan (3.8) ke (3.9) untuk memperoleh:
FE
1 N T it i yi ,t 1 y i , 1 NT i 1 t 1 ………(3.10) N T 1/ NT yi ,t 1 y i ,1
i 1 t 1
Penduga ini bersifat bias dan inkonsisten untuk N dan T tetap, bentuk pembagian pada persamaan diatas tidak memiliki nilai harapan nol dan tidak konvergen menuju nol bila N . Secara khusus, hal ini dapat ditunjukkan (Nickel (1981) dalam Verbeek (2004) bahwa
p lim N
1 N T vit v i NT i 1 t 1
yi ,t 1 y i ,1
v2 T 1 T T 0 ...(3.11) 2 T2 1
Sehingga, untuk T tetap, akan dihasilkan penduga yang inkonsisten. Untuk mengatasi masalah ini, pendekatan method of moments dapat digunakan. Arellano dan Bond (1991) dalam Verbeek menyarankan suatu pendekatan generalized method of moments (GMM). Pendekatan GMM merupakan salah satu yang popular. Setidaknya ada dua alasan yang mendasari, pertama, GMM merupakan common estimator dan memberikan kerangka yang lebih bermanfaat untuk perbandingan dan penilaian. Kedua, GMM memberikan alternatif yang sederhana terhadap estimator lainnya, terutama terhadap maximum likelihood. Namun demikian, penduga GMM juga tidak terlepas dari kelemahan. Adapun beberapa kelemahan metode ini, yaitu: (i) GMM estimator adalah asymptotically efficient dalam ukuran contoh besar tetapi kurang efisien dalam ukuran contoh yang
46
terbatas (finite); dan (ii) estimator ini terkadang memerlukan sejumlah implementasi pemrograman sehingga dibutuhkan suatu perangkat lunak (software) yang mendukung aplikasi pendekatan GMM. Terdapat dua prosedur estimasi yang lazim digunakan dalam kerangka GMM untuk mengakomodir permasalah di atas, yaitu: First-Differences GMM (FD-GMM) dan System GMM (SYS-GMM) 1.
First Differences GMM (AB-GMM)
|α| yit = αyi,t-1 + ηi + υt Misalkan terdapat persamaan autoregressive dengan satu beda kala atau AR (1) disertai dengan unobserved individual-spesific effects yaitu dengan < 1 E [υit] = 0, E [ηi] = 0, E [υitηi] = 0 pada persamaan diatas untuk i = 1, ..., N dan t = 2, ..., T serta ηi + υit = uit mempunyai struktur standard error components sebagai berikut Untuk i = 1, ..., N dan t = 2, ..., T Asumsikan transient errors tidak berkorelasi antar waktu E [υit υis] = 0 untuk i = 1,..., N dan s ≠ t dan kondisi semula y i1 adalah predetermined E [y i1 υi] = 0 untuk i = 1, ..., N dan t = 2, …, T Secara bersama-sama asumsi tersebut berimplikasi adanya m = 0.5 (T-1) x (T-2) moment restrictions E [y i,t-s∆υi] = 0 untuk t = 3,...,T dan s ≥ 2 E﴾Zi∆υi ﴿ = 0 yang dapat ditulis sebagai, dimana Zi adalah (T-2) x m matriks yaitu:
47
yi1 0 Zi . 0
0 yi1 . 0
0 yi 2 . 0
... ... ... ...
0 ... 0 ... . . yi1 ...
yi ,T 2 0 0 .
dan ∆υi adalah (T - 2) vektor (∆υi 3, ∆υi 4, ..., ∆υi T)„. Ini merupakan kerangka GMM, dimana digunakan lag dari peubah dependen mulai dari t-2, atau disebut FD-GMM. Pendekatan ini akan menghasilkan estimator yang konsisten dari α manakala N → ∞ dengan T relatif kecil. Terdapat keterbatasan dari FD-GMM estimator, terutama bila terjadi korelasi antar lag dari pembeda pertama, sehingga instrumen yang digunakan lemah (Blundell dan Bond 1998). FD-GMM estimator bahkan akan lebih bias ke bawah daripada fixed-effects, terutama bila jumlah periode waktu terbatas. Untuk itu, penggunaan baik nilai sekarang maupun lag dari regresor sebagai instrumen akan dapat memperbaiki FD-GMM estimator. Dalam praktik, keterbatasan FD-GMM tersebut dapat dideteksi dengan membandingkan koefisien dari peubah lag yang diperoleh dari pendekatan pooled least squares, fixed-effects dan FD-GMM. Diketahui bahwa model panel data dengan AR (1) bila diestimasi dengan teknik pooled least squares akan menghasilkan koefisien yang bias ke atas, sedangkan bila diestimasi dengan pendekatan fixedeffects atau within group akan menghasilkan koefisien yang bias ke bawah. Dengan demikian koefisien yang konsisten akan diperoleh bila nilainya berada antara keduanya.
48
2.
System GMM (SYS-GMM) Ide dasar dari penggunaan metode System GMM adalah untuk mengestimasi
sistem persamaan baik pada pembedaan pertama maupun pada level, dimana instrumen yang digunakan pada level adalah lag first-differences dari deret (Indra, 2009). Blundell dan Bond (1998) menyatakan pentingnya pemanfaatan initial condition dalam menghasilkan penduga yang efisien dari model data panel dinamis ketika T berukuran kecil. Misalkan diberikan model autoregresif data panel dinamis tanpa regresor eksogenus sebagai berikut:
yit yi ,t 1 i it
.................................................................................(3.12)
dengan E (μi) = 0, E (νit) = 0, dan E (μi νit) = 0 untuk i = 1,2,...,N ; t = 1,2,...,T Matriks instrumen untuk SYS-GMM adalah sebagai berikut:
....................................................(3.13)
dengan kondisi momen (moment conditions) derajat kedua dapat dinyatakan sebagai: E Zi*'ui* 0 ..................................................................................................(3.14)
dimana ui* (vi 3 ,..., viT , ui 3 ,..., uiT ) . Dalam hal ini, Blundel dan Bond (1998) memfokuskan pada T = 3, oleh karenanya hanya terdapat satu kondisi ortogonal yang diberikan oleh E (yi1∆νi3) sedemikian sehingga δ tepat teridentifikasi (just identified).
49
Dalam kasus ini, tahap pertama dari regresi variabel instrumen diperoleh dengan meregresikan ∆yi2 pada yi1. Perhatikan bahwa regresi ini dapat diperoleh dari (3.12) yang dievaluasi pada saat t = 2 dengan mengurangi kedua sisi persamaan ini, menjadi
yi 2 1 yi,1 i i 2
…………………......………………………....…(3.15)
Dikarenakan ekspektasi E (yi,1 μi) > 0, maka, maka (δ – 1) akan bias ke atas (upward biased) dengan
plim 1 1
c 2 c 2 u …………………………………………..(3.16)
dengan c 1 / 1 . Bias dapat menyebabkan koefisien estimasi dari variabel instrument yi1 mendekati nol. Selain itu, nilai F-statistik dari regresi variabel instrumen tahap pertama akan konvergen ke 12 dengan parameter non-centrality
c 2 u
2
2 u2c
0 ,dengan δ → 1......................................................................(3.17)
Karena 0 maka penduga variabel instrument menjadi lemah. Di sisni, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari penduga firstdifference GMM dengan masalah lemahnya instrument yang mana hal ini dicirikan dari parameter konsentrasi . Dengan
demikian,
SYS-GMM
estimator
mengkombinasikan
gugus
persamaan first-difference dengan nilai level sebagai instrumennya ditambah gugus persamaan level dengan first-difference sebagai instrumen. Validitas dari tambahan
50
instrumen dapat diketahui dengan menggunakan uji-Sargan untuk over-identifying instrument. 3.3.2. Prosedur Analisis dengan Metode Panel Dinamis Untuk menduga parameter model data panel dinamis pada persamaan akan digunakan meode Arellano-Bond Generalized Method of Moments (AB-GMM). Dari hasil estimasi AB-GMM, kemudian dilihat apakah instrumen yang digunakan valid. Apabila tidak, kemudian digunakan pendekatan SYS-GMM untuk mengatasi validitas instrumen pada pendekatan AB-GMM. Untuk menguji validitas instrumen pada pendekatan AB-GMM, dapat digunakan uji Sargan.
Uji Sargan untuk
overidentyfing restriction merupakan suatu pendekatan untuk mendeteksi apakah ada masalah dengan validitas instrumen. Hipotesis untuk uji ini menyatakn bahwa tidak ada masalah dengan validitas instrumen dalam artian bahwa instrumen tersebut tidak berkorelasi dengan error pada persamaan AB-GMM. Nilai statistik Sargan dihitung sebagai ……………………...(3.18)
Pada kondisi kondisi hipotesis nol, nilai statistik di atas memiliki sebaran , dengan q menyatakan jumlah instrumen dikurangi jumlah parameter yang digunakan dalam model. Untuk melihat konsistensi dari hasil estimasi yang dihasilkan dari model ABGMM akan dilakukan uji autokorelasi dengan menggunakan statistik Arellano-Bond dan
. Konsistensi ini ditunjukkan oleh nilai statistik
yang signifikan dan
51
nilai statistik
yang tidak signifikan (Arellano, 2003). Hal yang sama juga akan
dilakukan uji validitas instrumen dengan menggunakan uji Sargan serta uji ArellanoBond
dan
untuk melihat konsistensi estimator yang diperoleh. Pada tahap
berikutnya, model yang lebih valid di antara ketiga pendekatan dalam model data panel statis, selanjutnya hasil estimasi akan dikomparasi dengan hasil estimasi model data panel dinamis untuk kemudiaan ditelaah dan dianalisis lebih lanjut. Selain pemilihan dan komparasi model, dari hasil yang diperoleh juga akan diuji tingkat signifikansi serta tanda setiap koefisien estimasi yang diperoleh. Tanda koefisien estimasi ini kemudian dianalisis apakah relevan dengan teori yang ada. Dari hasil estimasi kedua pendekatan tersebut selanjutnya akan dilakukan telaah dan analisis untuk menjawab dan hipotesis penelitian. Firdaus (2011), Secara ringkas, beberapa kriteria yang digunakan untuk menemukan model dinamis atau GMM terbaik adalah: 1. Tidak Bias. Estimator dari pooled least squares bersifat biased upwards dan estimator dari fixed-effects bersifat biased downward. Estimator yang tidak bias berada di antara keduanya. 2. Instrumen Valid. Validitas ini diperiksa dengan menggunakan Uji Sargan. Instrumen akan valid bila uji Sargan tidak dapat menolak hipotesis nol. 3. Konsisten. Sifat konsistensi dari estimator yang diperoleh dapat diperiksa dari sttistik Arellano-Bond m1 dan m2, yang dihitung secara otomatis pada beberapa perangkat lunak. Estimator akan konsisten bila statistic m1 menunjukkan hipotesis nol ditolak dan m2 menunjukkan hipotesis nol tidak ditolak.
52
3.3.3.Granger Causality Test pada Data Panel Hubungan kausalitas (causality) adalah hubungan jangka pendek antara kelompok tertentu dengan menggunakan pendekatan ekonometrik yang mencakup juga hubungan timbal balik dan fungsi-fungsi yang muncul dari analisis spektrum, khususnya hubungan penuh antar spektrum dan hubungan partial antar spektrum. Dari pandangan ekonomtrik, ide utama dari kausalitas adalah sebagai berikut. Pertama, jika X memengaruhi Y, berarti informasi masa lalu X dapat membantu dalam memprediksikan Y. Dengan kata lain, dengan menambah data masa lalu X ke regresi Y dengan data Y masa lalu maka dapat meningkatkan kekuatan penjelas (explanatory power) dari regresi. Kedua, data masa lalu Y tidak dapat membantu dalam memprediksikan X, karena jika X dapat membantu dalam memprediksikan Y dan Y dapat membantu memprediksikan X, maka kemungkinan besar variabel lain, katakan Z, yang memengaruhi X dan Y (Fauzi, 2007) Pada tahun 1969, Granger memperkenalkan hubungan sebab akibat antara dua variabel yang saling berkaitan. Hubungan kausalitas dapat dibagi atas tiga kategori, yaitu hubungan kausalitas satu arah, hubungan kausalitas dua arah, dan hubungan timbal balik.
Dengan panjang lag optimal, p, maka prinsip kerja dari Granger
Causality Test pada data panel didasarkan pada regresi model pooled sebagaimana diuraikan sebagai berikut: …(3.19) …(3.20)
53
Pada persamaan regresi model pooled pertama (3.19), X memengaruhi Y atau hubungan kausalitas satu arah dari X ke Y apabila koefisien
tidak sama dengan nol
(0). Hal yang sama juga untuk persamaan regresi model pooled kedua (3.20), Y memengaruhi X atau terdapat hubungan kausalitas satu arah dari Y ke X jika koefisien
tidak sama dengan nol (0). Sementara apabila keduanya terjadi maka
dapat dikatakan terdapat hubungan timbal balik (feedback relationship) antara X dan Y atau terdapat hubungan kausalitas dua arah (bidirectional causality) antara X dan Y. Dalam penelitian ini, Granger Causality Test dilakukan untuk menganalisis hubungan pertumbuhan ekonomi dengan variabel-variabel lain pada penelitian. Dengan menggunakan software eviews 6, hipotesis nol yang digunakan untuk hubungan dua variabel adalah X tidak memengaruhi Y dan Y tidak memengaruhi X. Dasar penolakan hipotesis nol dengan menggunakan kriteria probabilitas < 0.1 atau 10 persen.
