analiss statistika lanjutan dalam kajian di bidang ... · bj-ipb-apbn merupakan wujud dari...

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

https://bbjuanda.wordpress.com/

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


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


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


b4-b3 : rata-rata perbedaan gaji karyawan lulusan PT dgn lulusan SL, jika


b1 : rata-rata gaji karyawan berpendidika SD yg belum berpengalaman

b2 : rata-rata kenaikan gaji karyawan jika pengalamannya bertambah 1 th,

cet-par



iii XbbbbXbbY 22143221 )0()0(ˆ

BJ-IPB


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


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



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


*Ln PDRB Perkapita : Signifikan pada uji satu arah (P-val / 2)


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.


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


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,


• Dugalah pers S-D dgn metode 3SLS,


• 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


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


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)


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


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.


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


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.


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

analiss statistika lanjutan dalam kajian di bidang ... · bj-ipb-apbn merupakan wujud dari...

Documents