MODEL PERSAMAAN SIMULTAN

DR. UNGGUL HERIQBALDI

DEPARTEMEN ILMU EKONOMI – UNIVERSITAS AIRLANGGA
LATAR BELAKANG

 𝑌1𝑖 = 𝛽10 + 𝛽12 𝑌2𝑖 + 𝛾11 𝑋1𝑖 + 𝑢1𝑖 ….. (1)

 𝑌2𝑖 = 𝛽20 + 𝛽21 𝑌1𝑖 + 𝛾21 𝑋1𝑖 + 𝑢2𝑖 …..(2)
 Dalam analisis ekonomi, tidak jarang kita menemui pola hubungan variabel seperti ditunjukkan oleh kedua
persamaan di atas.
 𝑌1 dan 𝑌2 adalah variabel endogen yang masing-masing nilai rata-rata ditentukan oleh variabel eksogen 𝑋1 namun pada saat
yang sama 𝑌1 mempengaruhi 𝑌2 dan sebaliknya. Kondisi ini artinya ada hubungan dua arah atau simultan antara 𝑌1 dan 𝑌2 .
 Bagaimana jika semua parameter dalam kedua persamaan tersebut diestimasi dengan menggunakan OLS?
 OLS mengasumsikan variabel penjelas dapat nonstochastic atau stochastic dan faktor pengganggu (error) independent.
 Jika kedua kondisi di atas tidak dapat dipenuhi maka OLS tidak hanya biased namun juga tidak konsisten.
ASUMSI KLASIK OLS

1. Linier dalam parameter

2. Nilai X independent terhadap error term, cov (Xi, ui) = 0
3. Nilai rata-rata 𝑢𝑖 sama dengan nol, 𝐸 𝑢𝑖 𝑋𝑖 = 0
4. Homoskedasitas 𝑢𝑖 atau variance 𝑢𝑖 konstan, 𝑣𝑎𝑟 𝑢𝑖 = 𝜎 2
5. Tidak ada autokorelasi antar 𝑢𝑖 , 𝑐𝑜𝑣 𝑢𝑖 , 𝑢𝑗 |𝑋𝑖 𝑋𝑗 = 0
6. Jumlah observasi (n) harus lebih banyak dibandingkan parameter yang akan diestimasi
7. Variabilitas nilai X atau 𝑣𝑎𝑟 𝑋 harus positif.
8. Tidak ada kolinieritas antar X
9. Tidak ada bias spesifikasi dalam model
10. 𝑢𝑖 terdistribusi secara normal
MENGAPA OLS TIDAK BISA DIGUNAKAN SECARA LANGSUNG?

 Fungsi konsumsi:
 𝐶𝑡 = 𝛽0 + 𝛽1 𝑌𝑡 + 𝑢𝑡 , 0 < 𝛽1 < 1 …………. (1)
 Ct pengeluaran konsumsi,Yt income
 Persamaan identitas income:
 𝑌𝑡 = 𝐶𝑡 + 𝐼𝑡 = 𝑆𝑡 …………... (2)
 St tabungan
 Contoh kita akan mencari nilai parameter 𝛽0 dan 𝛽1 dengan menggunakan OLS. OLS mensyaratkan:
 𝐸 𝑢𝑡 = 0, 𝐸 𝑢𝑡2 = 𝜎 2 , 𝐸 𝑢𝑡 𝑢𝑡+𝑗 = 0 (𝑓𝑜𝑟 𝑗 ≠ 0), 𝑐𝑜𝑣 𝑋𝑡 𝑢𝑡 = 0
 Substitusikan (1) ke (2)
 𝑌𝑡 = 𝛽0 + 𝛽1 𝑌𝑡 + 𝑢𝑡 + 𝐼𝑡
MENGAPA OLS TIDAK BISA DIGUNAKAN SECARA LANGSUNG?
𝛽0 1 1
 𝑌𝑡 = + 𝐼 + 𝑢 ………… (3)
1−𝛽1 1−𝛽1 𝑡 1−𝛽1 𝑡

𝛽0 1
 𝐸 𝑌𝑡 = + 𝐼 …………….(4) karena berdasarkan asumsi 𝐸 𝑢𝑡 = 0
1−𝛽1 1−𝛽1 𝑡

 𝐼𝑡 menjadi variabel eksogen

 Dengan mengurangkan (4) pada (3), maka diperoleh:
𝑢𝑡
 𝑌𝑡 − 𝐸 𝑌𝑡 = di mana 𝑢𝑡 − 𝐸 𝑢𝑡 = 𝑢𝑡
1−𝛽1

 Jika kita cari covarian antara Y dengan u

 𝑐𝑜𝑣 𝑌𝑡 , 𝑢𝑡 = 𝐸 𝑌𝑡 − 𝐸 𝑌𝑡 𝑢𝑡 − 𝐸 𝑢𝑡
𝐸 𝑢𝑡2 𝜎2
 𝑐𝑜𝑣 𝑌𝑡 , 𝑢𝑡 = =
1 −𝛽1 1 −𝛽1

 Karena 𝜎 2 positif, maka covarian antara Y dan u lebih besar dari 0. Ini artinya asumsi klasik tidak terpenuhi untuk aspek
covarian antara variabel penjelas dan faktor penganggu. Dampaknya adalah parameter yang diperoleh tidak hanya bias namun
juga tidak konsisten.
NOTASI DAN DEFINISI (1)

 𝑌1𝑡 = 𝛽10 + 𝛽12 𝑌2𝑖 + 𝛾11 𝑋1𝑡 + 𝑢1𝑡 ….. (1)

 𝑌2𝑡 = 𝛽20 + 𝛽21 𝑌1𝑖 + 𝛾21 𝑋1𝑖 + 𝑢2𝑡 …..(2)
 Dalam model persamaan simultan, Persamaan (1) dan (2) disebut dengan PERSAMAAN STRUCTURAL
ATAU BEHAVIORAL. Mengapa? Karena persamaan tersebut memperlihatkan struktur ekonomi (melalui model
ekonomi) atau menunjukkan perilaku agen ekonomi (misalkan produsen atau konsumen).
 Dalam persamaan simultan, variabel dibagi 2 kelompok yaitu endogeneous variable yaitu variabel yang nilainya akan
diestimasi dalam model dan predetermined variable yaitu variabel yang nilainya sudah ditentukan di luar model.
 Predetermined variable dibagi menjadi 2 kategori yaitu exogeneous (baik current maupun lagged) dan lagged
endogeneous.
 Contoh 𝑋1𝑡 adalah current exogeneous variable; 𝑋1(𝑡−1) adalah lagged exogeneous variable; 𝑌1(𝑡−1) adalah lagged
endogeneous variable
 𝛽 dan 𝛾 disebut dengan structural parameter atau coefficient
NOTASI DAN DEFINISI (2)

 Dari structural equations dapat diperoleh persamaan endogeneous variable (in terms of the predetermined
variables and the stochastic disturbances). Persamaan endogeneous variable ini disebut dengan REDUCED-
FORM EQUATIONS, dan koefisiennya disebut dengan reduced-form coefficient.
 Contoh dari fungsi konsumsi agregat dan identitas income:
 Fungsi konsumsi:
 𝐶𝑡 = 𝛽0 + 𝛽1 𝑌𝑡 + 𝑢𝑡 , 0 < 𝛽1 < 1 …………. (1)
 Ct pengeluaran konsumsi,Yt income
 Persamaan identitas income:
 𝑌𝑡 = 𝐶𝑡 + 𝐼𝑡 = 𝑆𝑡 …………... (2)
 St tabungan
NOTASI DAN DEFINISI (3)

 Dari persamaan structural di atas dapat diperoleh persamaan berikut (merujuk pada proses di slide sebelumnya):
𝛽0 1 1
 𝑌𝑡 = + 𝐼 + 𝑢 ………… (3) atau juga bisa disederhankan menjadi:
1−𝛽1 1−𝛽1 𝑡 1−𝛽1 𝑡

 𝑌𝑡 = Π0 + Π1 𝐼𝑡 + 𝑤𝑡 …………. (4)
𝛽0 1 𝑢𝑡
 Π0 = Π1 = 𝑤𝑡 =
1−𝛽1 1−𝛽1 1−𝛽1

 Persamaan (4) adalah reduced-form equation, yaitu menunjukkan endogeneous variable (Y) sebagai fungsi dari
predetermined variable yaitu I dan faktor pengganggu u. Sedangkan Π0 dan Π1 adalah reduced-form coefficient.
 Jika kita lanjutkan untuk persamaan konsumsi (subtitusikan (4) ke (2)) , kita bisa dapatkan:
 𝐶𝑡 = Π2 + Π3 𝐼𝑡 + 𝑤𝑡 , dimana
𝛽0 𝛽1 𝑢𝑡
 Π2 = Π3 = 𝑤𝑡 =
1−𝛽1 1−𝛽1 1−𝛽1
NOTASI DAN DEFINISI (4)

 Reduce form coefficient seperti Π1 dan Π3 dikenal dengan impact atau short-run multiplier, karena koefisien ini
mengukur dampak langsung satu unit perubahan exogeneous variable pada endogeneous variable.
 Dalam konteks Model Konsumsi Kenyesian di atas, katakanlah pengeluaran investasi meningkat $1 dan MPC
sebesar 0.8 maka berdasarkan Π1 maka nilai Π1 adalah 5. Ini artinya meningkatkan investasi sebesar $1 akan
meningkatkan pendapatan pada saat itu juga (pada periode yang sama) sebesar $5.
 Dengan menggunakan asumsi yang sama jika kita terapkan pada Π3 akan diperoleh Π3 sebesar 4. ini artinya
peningkatan pengeluaran investasi $1 akan menyebabkan peningkatan pengeluaran konsumsi $4 pada periode yang
sama.
 Dalam konteks model ekonometrik, persamaan identitas (2) merupakan equilibrium condition. Ini artinya ketika
kesimbangan tercapai, maka endogeneous variable berada pada nilai equlibriumnya.
NOTASI DAN DEFINISI (5)

 Jika kita lihat pada reduced-form equation, pada sisi sebelah kanan persamaan hanya ada predetermined variables
dan faktor penganggu yang bersifat stochastic.
 Jika diasumsikan bahwa predetermined variable dan faktor pengganggu tidak berkorelasi, maka metode OLS dapat
digunakan untuk mengestimasi reduced-form coefficient (Π).
 Dari reduced-form coefficient tersebut, kita dapat menghitung structural coefficient nya (𝛽).
 Prosedur ini disebut dengan Indirect Least Square (ILS) dan structural coefficient nya dinamakan dengan ILS
estimates.
MASALAH IDENTIFIKASI (1)

 Yang dimaksud dengan identification problem adalah apakah hasil estimasi parameter pada structural
equation dapat kita peroleh dari hasil estimasi koefisien pada reduced-form.
 Jika ini bisa dilakukan, maka persamaan tersebut dinyatakan IDENTIFIED. Jika tidak dapat diperoleh
nilai koefisien dari structural equation maka persamaannya kita nyatakan sebagai UNIDENTIFIED
atau UNDERIDENTIFIED.
 Pada persamaan yang identified dapat terbagi 2 yaitu EXACTLY IDENTIFY atau
OVERIDENTIFIED.
 Exactly identified artinya: jika kita mendapatkan satu angka untuk setiap parameter di structural equation.
 Overidentified artinya: jika kita mendapatkan lebih dari satu angka/nilai untuk satu parameter di structural
equation.
MASALAH IDENTIFIKASI (2): UNDERIDENTIFICATION

 Demand function: 𝑄𝑡𝑑 = 𝛼0 + 𝛼1 𝑃𝑡 + 𝑢1𝑡

 Supply function: 𝑄𝑡𝑠 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝑢2𝑡
 Equilibrium: 𝑄𝑡𝑑 = 𝑄𝑡𝑠
 𝛼0 + 𝛼1 𝑃𝑡 + 𝑢1𝑡 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝑢2𝑡
 Disederhanakan menjadi : 𝑃𝑡 = Π0 + 𝑣𝑡 (Persamaan reduced-form #1)
𝛽0 −𝛼0 𝑢2𝑡 −𝑢1𝑡
 di mana Π0 = dan 𝑣𝑡 =
𝛼1 −𝛽1 𝛼1 −𝛽1

 Subtitusikan Pt ke demand atau supply function.

 𝑄𝑡 = Π1 + 𝑤𝑡 (Persamaan reduced-form #2)
𝛼1 𝛽0 −𝛼0 𝛽1 𝛼1 𝑢2𝑡 −𝛽1 𝑢1𝑡
 Di mana Π1 = dan 𝑤𝑡 =
𝛼1 −𝛽1 𝛼1 −𝛽1
MASALAH IDENTIFIKASI (3): UNDERIDENTIFICATION

 Dalam model structural, kita memiliki 4 structural coefficient: 𝛼0 , 𝛼1 , 𝛽0 , 𝛽1 .

 Namun demikian kita hanya memiliki 2 reduced-form coefficient, sehingga tidak memungkinkan 4 structural
coefficients dapat diestimasi dengan hanya 2 reduced-form coefficient.
 Untuk mengestimasi 4 parameter diperlukan 4 persamaan.
 Dalam contoh di atas, reduced form regression tidak ada unsur predetermined vairables, hanya konstanta saja. Ini
artinya konstanta ini hanya memberikan informasi nilai rata-rata P dan Q saja.
 Kesimpulannya jika informasi yang tersedia hanya data P dan Q saja, maka sulit bagi kita untuk menjamin apakah
hasil estimasi adalah fungsi permintaan atau penawaran.
MASALAH IDENTIFIKASI (4): JUST/EXACT IDENTIFICATION

 Alasan kita tidak dapat mengidentifikasi fungsi permintaan dan penawaran di atas karena P dan Q ada dalam kedua
fungsi dan tidak ada tambahan informasi lainnya.
 Misalkan fungsi permintaan berubah menjadi: 𝑄𝑡 = 𝛼0 + 𝛼1 𝑃𝑡 + 𝛼2 𝐼𝑡 + 𝑢1𝑡 di mana I = income.
 Market clearing terjadi ketika:
𝛼0 + 𝛼1 𝑃𝑡 + 𝛼2 𝐼𝑡 + 𝑢1𝑡 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝑢2𝑡 …. (1)
 Solving untuk memperoleh nilai Pt:
𝑃𝑡 = Π0 + Π1 𝐼𝑡 + 𝑣𝑡 ……..(2)
 Reduced-form coefficient nya adalah
𝛽0 − 𝛼0
Π0 =
𝛼1 − 𝛽1
𝛼2
Π1 = −
𝛼1 − 𝛽1
MASALAH IDENTIFIKASI (5): JUST/EXACT IDENTIFICATION

𝑢2𝑡 −𝑢1𝑡
 𝑣𝑡 =
𝛼1 −𝛽1

 Mensubtitusikan Pt pada fungsi permintaan atau penawaran, maka didapat

 𝑄𝑡 = Π2 + Π3 𝐼𝑡 + 𝑤𝑡 …….. (3)
𝛼1 𝛽0 −𝛼0 𝛽1
 Π2 =
𝛼1 −𝛽1

𝛼2 𝛽1
 Π3 = −
𝛼1 −𝛽1

𝛼1 𝑢2𝑡 −𝛽1 𝑢1𝑡

 𝑤𝑡 =
𝛼1 −𝛽1
MASALAH IDENTIFIKASI (6): JUST/EXACT IDENTIFICATION

 Persamaan (2) dan (3) adalah persamaan reduced-form, di mana OLS bisa digunakan untuk mengestimasi
parameter
 Structural equation memiliki 5 structural coefficients. Pada persamaan reduced-form ada 4 koefisien.
 Karena hanya ada 4 persamaan untuk mengestimasi 5 koefisien tidak dimungkinkan.
 Namun supply function dapat diidentifikasi karena:
 𝛽0 = Π2 −𝛽1 Π0
Π3
 𝛽1 =
Π1

 Untuk persamaan permintaan underidentified

MASALAH IDENTIFIKASI (5): OVER IDENTIFICATION

 Demand function: 𝑄𝑡 = 𝛼0 + 𝛼1 𝑃𝑡 + 𝛼2 𝐼𝑡 + 𝛼3 𝑅𝑡 + 𝑢1𝑡 di mana R adalah kekayaan

 Supply function: 𝑄𝑡 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝛽2 𝑃𝑡−1 + 𝑢2𝑡
 Market equilibrium, harga dan kuantitas equilibrium sbb:
 𝑃𝑡 = Π0 + Π1 𝐼𝑡 + Π2 𝑅𝑡 + Π3 𝑃𝑡−1 + 𝑣𝑡
 𝑄𝑡 = Π4 + Π5 𝐼𝑡 + Π6 𝑅𝑡 + Π7 𝑃𝑡−1 + 𝑤𝑡
 Structural coefficient nya ada 7, reduced-form coefficient nya ada 8.
 Ini artinya estimasi yang unik pada koefisien structural tidak memungkinkan. Contohnya ada 2 hasil untuk 𝛽1
Π6 Π5
 𝛽1 = 𝛽1 =
Π2 Π1
ALTERNATIF CARA IDENTIFIKASI (1)

 Proses pembentukan reduced-form untuk melakukan identifikasi suatu persamaan simultan memiliki kelemahan
dalam hal waktu yang dibutuhkan panjang.
 Ada aturan yang bisa digunakan sebagai alternative yaitu ORDER AND RANK CONDITION OF
IDENTIFICATION.
 Notasi:
 M = jumlah variabel endogen dalam model
 m = jumlah variabel endogen dalam satu persamaan
 K = jumlah predetermined variable dalam model termasuk intercept
 k = jumlah predetermined variables dalam satu persamaan
ALTERNATIF CARA IDENTIFIKASI (2)

 Syarat untuk identifikasi adalah order condition. Ada 2 keadaan yang keduanya mengahasilkan kondisi yang sama:
 Dalam model dengan sejumlah M persamaan simultan, maka harus ada minimal M-1 variabel (endogen maupun
predetermined).
 Dalam model dengan sejumlah M persamaan simultan, maka jumlah predetermined variable yang dikeluarkan dari persamaan
tidak boleh kurang dari jumlah endogeneous variable di persamaan tersebut kurang dari 1, atau K – k ≥ m – 1. Jika K – k =
m – 1 maka persamaan just identified, namun jika K – k > m – 1 maka overidentified.
 Contoh:

 Demand function: 𝑄𝑡 = 𝛼0 + 𝛼1 𝑃𝑡 + 𝛼2 𝐼𝑡 + 𝑢1𝑡 (1)

 Supply function: 𝑄𝑡 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝛽2 𝑃𝑡−1 + 𝑢2𝑡 (2)
 Jumlah variabel endogen 2 (P dan Q); jumlah predetermined 2 (𝐼𝑡 dan 𝑃𝑡−1 )
 Persamaan (1) exclude 1 variabel yaitu 𝑃𝑡−1 sedangkan Persamaan (2) exclude 1 variabel yaitu 𝐼𝑡
 Oleh karena itu, kedua persamaan di atas identified.
ALTERNATIF CARA IDENTIFIKASI (3)

 Demand function: 𝑄𝑡 = 𝛼0 + 𝛼1 𝑃𝑡 + 𝛼2 𝐼𝑡 + 𝛼3 𝑅𝑡 + 𝑢1𝑡 (3)

 Supply function: 𝑄𝑡 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝛽2 𝑃𝑡−1 + 𝑢2𝑡 (4)
 Jumlah variabel endogen 2 (P dan Q); jumlah predetermined 3 (𝐼𝑡 , 𝑅𝑡 dan 𝑃𝑡−1 )
 Persamaan (3) exclude 1 variabel yaitu 𝑃𝑡−1 sehingga persamaan ini exactly identified
 sedangkan Persamaan (4) exclude 2 variabel yaitu 𝐼𝑡 dan 𝑅𝑡 , sehingga persamaan 2 overidentified. Terdapat 2
formula untuk mendapatkan nilai 𝛽1
 Meskipun Persamaan (3) identified, namun parameter yang diestimasi juga tidak unik karena ada unsur 𝛽1 nya.
 Oleh karena itu, dalam kasus overidentifikasi, penggunaan ILS tidak tepat. Alternatif yang baik untuk mengatasinya
adalah dengan menggunakan TWO-STAGE LEAST SQUARE.
 Order condition adalah necessary ketika kita ingin melihat identification, namun tidak sufficient. Agar sufficient
maka gunakan rank condition. Penjelasan detail lihat Gujarati (hal. 702). Dalam praktik, order condition sudah
mencukupi
SIMULTANEITY TEST (1)

 Jika ada sifat simultaneity dalam model ekonometrik maka OLS estimator tidak consistent.
 Metode yang paling tepat ketika ada simultaneity adalah TWO-STAGE LEAST SQUARES (2SLS) dan
INSTRUMENTAL VARIABLES (IV).
 Namun jika tidak ada simultaneity dan kita menggunakan 2SLS atau IV, maka hasil estimasi kita akan consistent tapi
not efficient (variance tidak minimum).
 Oleh karena itu, kita harus menguji apakah ada simultaneity atau tidak sebelum kita menggunakan metode di luar
OLS.
 Simultaneity terjadi jika salah satu regressor adalah endogeneous variable dan karenanya akan correlated dengan
faktor penganggu.
 Karena itu, simultaneity test pada dasarnya menguji apakah endogeneous regressor berkorelasi dengan error term
atau tidak.
 Jika simultaneity hadir, maka dapat menggunakan 2SLS atau IV, jika tidak ada simultaneity maka gunakan OLS
SIMULTANEITY TEST (2)

 Tes yang dapat digunakan adalah HAUSMAN’S SPECIFICATION ERROR TEST.

 Demand function: 𝑄𝑡 = 𝛼0 + 𝛼1 𝑃𝑡 + 𝛼2 𝐼𝑡 + 𝛼3 𝑅𝑡 + 𝑢1𝑡 (3)

 Supply function: 𝑄𝑡 = 𝛽0 + 𝛽1 𝑃𝑡 + 𝛽2 𝑃𝑡−1 + 𝑢2𝑡 (4)
 𝑃𝑡 = Π0 + Π1 𝐼𝑡 + Π2 𝑅𝑡 + Π3 𝑃𝑡−1 + 𝑣𝑡
 𝑄𝑡 = Π4 + Π5 𝐼𝑡 + Π6 𝑅𝑡 + Π7 𝑃𝑡−1 + 𝑤𝑡
 Langkah pengujian:
 Regres 𝑃𝑡 terhadap 𝐼𝑡 dan 𝑅𝑡 untuk mendapatkan 𝑣ො𝑡
 Regres 𝑄𝑡 terhadap 𝑃෠𝑡 dan 𝑣ො𝑡 dan lakukan tes koefisien untuk 𝑣ො𝑡 . Jika signifikan maka tidak menolak hipotesis adanya
simultaneity.
 Untuk efisiensi, Pyndick dan Rubinfeld menyarankan 𝑄𝑡 diregres terhadap𝑃𝑡 dan 𝑣ො𝑡
TEST FOR EXOGENEITY

 Hausman test bisa digunakan untuk melakukan exogeneity test.

 Misalkan kita memiliki 3 variabel endogen: 𝑌1 , 𝑌2 , 𝑌3 dan 3 variabel eksogen 𝑋1 , 𝑋2 , 𝑋3 .
 Misalkan persamaan pertama adalah:
 𝑌1𝑖 = 𝛽0 + 𝛽2 𝑌2𝑖 + 𝛽3 𝑌3𝑖 + 𝛼1 𝑋1𝑖 + 𝑢1𝑖
 Estimasi reduced-form 𝑌2 dan 𝑌3 (sisi sebelah kanan adalah predetermined variabel: 𝑋1 , 𝑋2 , 𝑋3 )
 Dapatkan 𝑌෠2𝑖 dan 𝑌෠3𝑖 , Kemudian lakukan regresi pada model berikut:
 𝑌1𝑖 = 𝛽0 + 𝛽2 𝑌2𝑖 + 𝛽3 𝑌3𝑖 + 𝛼1 𝑋1𝑖 + 𝜆2 𝑌෠2𝑖 + 𝜆3 𝑌෠3𝑖 + 𝑢1𝑖
 Dengan menggunakan F test, lakukan uji hipotesis 𝜆2 = 𝜆3 . Jika hipotesis ditolak, maka 𝑌2 dan 𝑌3 adalah variabel
endogen.
ESTIMATION APPROACH: RECURSIVE OLS (1)
ESTIMATION APPROACH: RECURSIVE OLS (2)

 Pada persamaan pertama di 20.2.1 sisi sebelah kanan hanya berisi variabel eksogen. Dengan asumsi tidak ada
covarian antara X dan u, maka OLS dapat langsung digunakan.
 Pada persamaan 2, sisi sebelah kana diisi dengan variabel non stochastic X dan variabel endogen Y1. OLS bisa
digunakan dengan syarat covarian Y1t dan u2t = 0. jika terpenuhi maka Y1 adalah predetermined variable dalam
konteks persamaan Y2.
 Untuk alasan yang sama persamaan Y3 dapat diestimasi dengan OLS jika Y1 dan Y2 tidak berkorelasi dengan u3.
ESTIMATION APPROACH: INDIRECT LEAST SQUARE

 Untuk persamaan structural yang just atau exactly identified, maka kita dapat mengestimasi koefisien structural
melalui reduced-form coefficient dengan metode ILS.
 Langkah:
 Buat persamaan reduced form. Endogeneous variable fungsi dari predetermined variables (exogenous atau lagged
endogeneous)
 Gunakan OLS untuk mengestimasi parameter pada reduced-form.
 Dapatkan estimasi koefisien structural dari hasil estimasi reduced-form.
ESTIMATION APPROACH: 2SLS (1)
ESTIMATION APPROACH: 2SLS (2)

 Hybrid Keynesian quantity teory menyatakan income dipengaruhi oleh money supplu, pengeluaran investasi dan
pengeluaran pemerintah.
 Fungsi money supplu menyakan bahwa jumlah uang beredar ditentutak oleh bank sentral berdasarkan
pertimbangan tingkat income.
 Sehingga terjadi kasus simultaneity.
 Jika menggunakan order condition, persamaan income bersifat underidentified dan persamaan money supply
bersifat overidentified.
 OLS tidak dapat digunakan karena tidak consistent.
 Kita dapat menggunakan metode INSTRUMENTAL VARIABLE melalui 2SLS
ESTIMATION APPROACH: 2SLS (3)

 Dengan menggunakan persamaan simultan di depan, kita dapat melakukan prosedur berikut:
 PERTAMA. Regres Y1 terhadap semua predetermined variables di semua persamaan.
෡0 + Π
 𝑌1𝑡 = Π ෡ 1 𝑋1𝑡 + Π
෡ 2 𝑋2𝑡 + 𝑢ො 𝑡 di mana 𝑢ො 𝑡 adalah residual OLS. Dari hasil estimasi ini diperoleh:

 𝑌෠1𝑡 = Π
෡0 + Π
෡ 1 𝑋1𝑡 + Π
෡ 2 𝑋2𝑡
 𝑌1𝑡 = 𝑌෠1𝑡 + 𝑢
ො𝑡
 KEDUA. Regres persamaan money supply. Persamaan money supply dapat ditulis sbb:

 𝑌2𝑡 = 𝛽20 + 𝛽21 𝑌෠1𝑡 + 𝑢

ො 𝑡 + 𝑢2𝑡
 𝑌2𝑡 = 𝛽20 + 𝛽21 𝑌෠1𝑡 + 𝑢2𝑡 + 𝛽21 𝑢
ො𝑡
 𝑌2𝑡 = 𝛽20 + 𝛽21 𝑌෠1𝑡 + 𝑢𝑡∗
ESTIMATION APPROACH: 2SLS (4)

 Ide dasar 2SLS adalah untuk memurnikan stochastic explanatory variable 𝑌1 dari pengaruh faktor penganggu 𝑢2 .
 Ini dapat dilakukan dengan cara meregres reduced-form 𝑌1 pada semua predetermined [Link] ada dalam
sistem persamaan simultan.
 Dengan didapatkannya 𝑌෠1𝑡 maka 𝑌1𝑡 bisa digantikan oleh 𝑌෠1𝑡 (Instrumental variable).
 Kemudian regresi tahap 2 dilakukan pada persamaan kedua.
FEATURES 2SLS

 Dapat diterapkan pada individual equation dalam sistem persamaan simultan.

 Berbeda dengan ILS yang dapat saja menghasilkan beberapa nilai koefisien untuk satu parameter ketika ada
overidentifikasi, 2SLS hanya menyediakan satu estimate untuk satu parameter.
 Lebih mudah diterapkan karena kita hanya perlu tahu jumlah variabel eksogen di seluruh sistem untuk regresi
tahap pertama.
 Meskipun 2SLS didesain untuk mengatasi overidentified system, 2SLS juga dapat digunakan pada exactly identified
equations.
 Jika R2 dari regresi tahap pertama sangat tinggi, maka hasil estimasi antara OLS dan 2SLS akan sangat mirip.
 Kita dapat menyatakan standar error dari koefisien yang kita estimasi melalui 2SLS, berbeda dengan ILS. Namun di
regresi tahap 2, standard error harus dimodifikasi karena ada unsur 𝛽21 𝑢ො 𝑡
 Justifikasi penggunaan 2SLS adalah large-sample type