TUGAS METODE PENELITIAN OLEH : RIZA ALFIANA (G1D017056) FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS MATARAM 2020/2021 1. Quotasi a. Buku The GMM estimator when the θ parameters are over-identified by the moment conditions. In this case, the equations E (f(xt, θ0)) = 0 represent q equations for p unknowns which solved exactly by θ0. If we now proceed as in the exactly indentified case to obtain an estimator , we would have : FT (θΜT ) = 0 Which is also q equations for p unknowns. Since there are more equations than unknowns, we can not find a vector θΜT that makes fT (θ) as close to zero as possible. This can be done by defining : θΜT = argminθ QT (θ) Where QT (θ) = fT (θ)’ AT fT (θ), and AT is stochastic positive definite OP(1) weighting matrix whose role will be discussed later. Note that QT (θ) ≥ 0 and QT (θ) = 0 only if fT (θ) = 0. Thus QT (θ) can be made exactly zero in the just identified case, but is strictly positive in the over identified case. (Lazlo, 1999) b. Jurnal 1 Model Regresi Data Panel Dinamis Salah satu model yang sering digunakan untuk menggambarkan hubungan antar variabel ekonomi adalah model regresi data panel dinamis. Banyak variabel ekonomi bersifat dinamis artinya nilai suatu variabel dipengaruhi oleh nilai variabel lain dan juga nilai variabel yang bersangkutan di masa lalu. Model panel dinamis digambarkan dalam persamaan (1) di bawah ini π¦π, = πΏπ¦π,−1 + π’π,π‘ π· + π’π,π‘ π = 1,2,…,π; π‘ = 1,2,…π (3) dengan πΏ adalah skalar, π’π,π‘ adalah vektor variabel independen yang berukuran 1 × πΎ , dan π· adalah vektor konstanta yang berukuran πΎ × 1 . Diasumsikan π’ππ‘ merupakan komponen error satu arah. Diasumsikan ππ~πΌπΌ(0,σ2π ) dan π£π,π‘~πΌπΌπ·π(0, σ2π£ )) . Lai, dkk (2008) mengatakan bahwa dalam model regresi panel dinamis koefisian π½ adalah efek jangka pendek dari perubahan π₯π, . π½ β disebut sebagai short run multiplier. Sedangkan ((1−δ) ) adalah efek jangka panjang dari perubahan π₯π, atau disebut pula sebagai long run multiplier. Apabila π¦π, adalah fungsi dari π’π, akibatnya π¦π,π‘−1 juga merupakan fungsi dari π’π,π‘. Dengan kata lain, regressor pada sisi kanan (endogen eksplanatori) π¦π,−1 berkorelasi dengan π’π,π‘ . Penggunakan metode estimasi panel statis seperti OLS pada model persamaan panel dinamis akan bias dan tidak konsisten. (Shina,2019) c. Jurnal 2 Selanjutnya, Arellano dan Bond (1991) dalam Roodman (2006) menyarankan suatu pendekatan generalized method of moments (GMM). Ada dua alasan yang mendasari penggunaan GMM. 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 maximum likelihood. Meskipun model ini memiliki banyak kelebihan, disatu sisi model ini juga memiliki beberapa kelemahan diantaranya yang pertama adalah asymptotically efficient dalam sampelyang besar tetapi kurang efisien jika digunakan dalam sampel yang kecil atau terbatas (infinite). Kedua, seringkali tidak semua aplikasi mendukung model ini dalam perangkat tersebut. Sehingga dibutuhkan software yang benarbenar mampu menjalankan model ini. Ada dua model panel dinamis yang bisa digunakan dalam mengatasi permasalahan inkonsisten dalam data panel dinamis, yaitu : First-Difference GMM (FD – GMM/AB – GMM) dan System GMM (SYS – GMM). Perbedaan kedua model ini terletak pada penambahan informasi level yaitu kondisi momen dan matriks variabel instrumen pada tingkat level di samping first difference dengan cara mengkombinasikan momen kondisi dan matriks variabel instrumen (first difference dan level). (Prasetyo, 2019) d. Jurnal 3 Economic openness is defined as exports plus imports divided by GDP; size of government is defined as logarithm of government consumption of goods and services as a share of GDP; and human capital is defined as logarithm of the life expectancy at birth. Indeed, all variables are log-transformed. The study uses Generalized Method of Moments (GMM) estimation technique. Developed by Arellano and Bond (1991), GMM techniques control for unobserved country-specific effects, first-difference non-stationary variables, overcome the endogeneity of the explanatory variables by using instruments and test for the presence of autocorrelation (Saci et al., 2009). The impact of financial development on economic growth is defined as: Yit= β1 yit-1 + β2Fit +μi +εit (1) Where y is the logarithm of per capita GDP, F represents the explanatory variables,μi +εit represent the unobserved country-level effects and error term respectively. Based on the structure of Equation 1, the lagged dependent variable, yit-1 which define the logarithm of real per capital GDP for country i at time (t-1) correlated with μi, creating an endogeneity problem, which result in inconsistent estimator. To deal with the endogenoty problem from the unobserved country i, the first difference for Equation 1 is conducted, resulting in the following Equation 2: yit-yit-1=β1yit-1- yit-2 + β2(Fit- Fit-1) + (εit- εit-1) (2)m It is evident that after overcoming the endogeneity problem from the unobserved country level effect, μi, a correlation between the lagged dependent variable yit-1 and εit-1 potential correlation between the independent variables, Fit. To address these problems, instrumental variables need to be defined. To this end, the study assumes that there is no serial correlation between error terms, and no correlation between the lagged explanatory variables and future error terms. Making these assumptions, the lagged explanatory variables can be used as instrumental variables. We also use the first-differenced explanatory variables as instrumental variables. (Adusei, 2013) 2. Paraphrase a. Buku Definisi generalized method of moments Misalkan kita memiliki sampel yang diamati {xt , t = 1,….,T}, dari sana kita ingin mengestimasi p x 1 parameter θ dengan niali sebenaranya adalah θ0. Diberikan E (f(xt, θ0)) = 0 sebagai himpunan q, dan fT (θ) sebagain sampel momen yang sesuai, maka didefinisikan criteria fungsinya sebagai berikut : QT (θ) = fT (θ)’ AT fT (θ), dimana AT merupakan stokastik dari OP(1) yang merupakan matrix positif, sehingga estimator GMM untuk θ adalah sebagai berikut : θΜT = argminθ QT (θ) . b. Jurnal 1 GMM atau Generalized Method of Moments merupakan perluasan dari metode momen, dimana konsepnya adalah menyamakan momen kondisis dari populasi dengan momen kondisi dari sampel. Pada model data panel dinamis masalah paling mendasar adalah adanya korelasi antara variabel lag endogen dengan galatnya, sehingga menyebabkan OLS menghasilkan estimasi bias yang tidak konsisten. Oleh karena itu, dengan metode estimasi GMM Arellano-Bond diharapkan dapat menghasilkan estimasi parameter yang tak bias, konsisten, dan efisien. Adapun hasil estimasi parameternya adalah sebagai berikut : c. Jurnal 2 Ada dua jenis model pada GMM yaitu First-Difference GMM dan System GMM. First-Difference GMM terjadi jika ada sampel berukuran kecil estimator GMM mengandung bias serta lag dari deret memiliki korelasi yang lemah sehingga menyebabkan instrumennya menjadi lemah, sehingga diperlukan perhatian khusus dalam mengaplikasikan metode ini agar diperoleh bias yang baik. Sedangkkan pada System GMM, dengan komparasi hasil estimasi dengan estimator alternatif dari parameter autoregresif kita dapat mengetahui/mendeteksi ada atau tidaknya bias. Pada model AR1, least square akan memberikan bias pada estimasi yang sifatnya ke atas. Sedangkan pada fixed effect bekerja sebaliknya. d. Jurnal 3 Teknik estimasi GMM dikembanggkan oleh Arellano dan Bond pada tahun 1991, teknik ini mengontrol efek spesifik yang tidak teramati,variabel nonstasioner,endogenitas variabel, serta menguji keberadaan autokorelasi. DAFTAR PUSTAKA Adusei, Michael. 2013. Finance Growth Nexus in Africa : A Panel Generalized Method of Moments (GMM) Analysis. Jurnal Asian Economic and Financial. 3(10) : 1319. Matyas, Lazlo. 1999. Generalize Method of Moments Estimation. Cambridge : Cambridge University Press. Prasetyo, GA. 2019. Pengaruh Pembangunan Infrastruktur Telekomunikasi Terhadap Pertumbuhan Ekonomi di ASEAN. Jurnal Ekonomi Terapan. 4(1) : 10-11. Shina, AFI. 2019. Pemodelan Kemiskinan di Indonesia denan Generalized Method of Moment Arellando dan Bond. Jurnal of Varian . 2(2) : 64-65. LAMPIRAN A. BUKU B. JURNAL 1 C. JURNAL 2 D. JURNAL 3