1

  • Uploaded by: Yoga Riantara
  • 0
  • 0
  • August 2019
  • PDF

This document was uploaded by user and they confirmed that they have the permission to share it. If you are author or own the copyright of this book, please report to us by using this DMCA report form. Report DMCA


Overview

Download & View 1 as PDF for free.

More details

  • Words: 1,923
  • Pages: 10
3.2. Hasil Estimasi VAR Dalam kajian VAR ini digunakan lag 2, karena lebih efisien dan efektif. Efisien karena cukup menggunakan 2 periode waktu yang akan datang, efektif karena tetap dapat menunjukkan dampak perubahan suatu instrumen terhadap perekonomian secara makro. Hasil estimasi ditunjukkan baik berupa simbol, koefisien, maupun matriks. a.Tampilan Estimasi Berupa Simbol Estimation Proc: =============================== LS 1 2 Y P M R E @ C VAR Model: =============================== Y = C(1,1)*Y(-1) + C(1,2)*Y(-2) + C(1,3)*P(-1) + C(1,4)*P(-2) + C(1,5)*M(-1) + C(1,6)*M(-2) + C(1,7)*R(-1) + C(1,8)*R(-2) + C(1,9)*E(-1) + C(1,10)*E(-2) + C(1,11) P = C(2,1)*Y(-1) + C(2,2)*Y(-2) + C(2,3)*P(-1) + C(2,4)*P(-2) + C(2,5)*M(-1) + C(2,6)*M(-2) + C(2,7)*R(-1) + C(2,8)*R(-2) + C(2,9)*E(-1) + C(2,10)*E(-2) + C(2,11) M = C(3,1)*Y(-1) + C(3,2)*Y(-2) + C(3,3)*P(-1) + C(3,4)*P(-2) + C(3,5)*M(-1) + C(3,6)*M(-2) + C(3,7)*R(-1) + C(3,8)*R(-2) + C(3,9)*E(-1) + C(3,10)*E(-2) + C(3,11) R = C(4,1)*Y(-1) + C(4,2)*Y(-2) + C(4,3)*P(-1) + C(4,4)*P(-2) + C(4,5)*M(-1) + C(4,6)*M(-2) + C(4,7)*R(-1) + C(4,8)*R(-2) + C(4,9)*E(-1) + C(4,10)*E(-2) + C(4,11) E = C(5,1)*Y(-1) + C(5,2)*Y(-2) + C(5,3)*P(-1) + C(5,4)*P(-2) + C(5,5)*M(-1) + C(5,6)*M(-2) + C(5,7)*R(-1) + C(5,8)*R(-2) + C(5,9)*E(-1) + C(5,10)*E(-2) + C(5,11) b.Tampilan VAR Lag 2 Berupa Koefisien VAR Model – Substituted Coefficients: =============================== Y = 0.8757945521*Y(-1) + 0.02671489246*Y(-2) – 1.425514087*P(-1) + 0.8100282835*P(-2) – 0.3395564012*M(-1) + 1.063531408*M(-2) + 0.02934851156*R(-1) + 0.1314842698*R(-2) – 0.0002862086436*E(-1) – 0.001551540781*E(-2) + 30.96460818 P = – 0.020198669*Y(-1) + 0.04546276205*Y(-2) + 0.7611094899*P(-1) – 0.0637938657*P(-2) + 0.1011042322*M(-1) – 0.02296019482*M(-2) – 0.1344723065*R(-1) + 0.118624752*R(-2) + 0.001685997572*E(-1) + 1.615096422e-005*E(-2) – 1.382284814 M = 0.1254988439*Y(-1) – 0.01561600657*Y(-2) – 1.123179647*P(-1) + 1.215551101*P(-2) + 0.8658221451*M(-1) – 0.1212863533*M(-2) – 0.1336737432*R(-1) + 0.1307470657*R(-2) + 0.002486505773*E(-1) – 0.0001427459943*E(-2) – 29.74282527 R = – 0.1047896571*Y(-1) + 0.1694115645*Y(-2) + 0.3213719874*P(-1) – 0.6716347008*P(-2) – 0.002334828961*M(-1) – 0.01670964356*M(-2) + 0.02345419108*R(-1) + 0.3935058396*R(-2) + 0.00465172967*E(-1) – 0.001847065936*E(-2) – 2.384118383 E = – 22.39709951*Y(-1) + 24.17942775*Y(-2) + 85.95522287*P(-1) – 133.5206866*P(-2) + 44.82929932*M(-1) – 30.14977692*M(-2) – 156.0591332*R(-1) + 88.42786944*R(-2) + 1.100895947*E(-1) + 0.00372188908*E(-2) + 2037.351855 Bedasarkan tampilan VAR (lag 2) dalam bentuk koefisien, dapat dijelaskan hal-hal berikut ini. Output dalam model VAR ini disebabkan oleh 0.88 Y(-1), 0.03 Y(-2), -1,43 P(-1), 0,81 P(-2), – 0,34 M(-1), 1,06 M(-2), 0,03 R(-1), 0,13 R(-2) , -0,0003 E(-1), dan -0,002 E(-2). Artinya pengaruh terbesar terhadap kestabilan ekonomi makro Indonesia disebabkan oleh variabel harga (P) dan dampaknya dapat dirasakan pada 1 (satu) periode yang akan datang. c.Tampilan Berupa Matrik Dalam bentuk matriks, hasil pengolahan data ditunjukkan pada Tabel 2 berikut ini.

Tabel 2. Matriks Hasil Pengolahan VAR Vector Autoregression Estimates Date: 09/27/07

Time: 23:22

Sample (adjusted): 1994Q3 2006Q4 Included observations: 50 after adjustments Standard errors in ( ) & t-statistics in [ ]

Y(-1)

Y(-2)

P(-1)

P(-2)

M(-1)

M(-2)

R(-1)

Y

P

M

R

E

0.875795

-0.020199

0.125499

-0.104790

-22.39710

(0.17323)

(0.02234)

(0.06412)

(0.03885)

(14.4739)

[ 5.05575]

[-0.90430]

[ 1.95733]

[-2.69716]

[-1.54741]

0.026715

0.045463

-0.015616

0.169412

24.17943

(0.19502)

(0.02515)

(0.07218)

(0.04374)

(16.2950)

[ 0.13698]

[ 1.80792]

[-0.21633]

[ 3.87314]

[ 1.48386]

-1.425514

0.761109

-1.123180

0.321372

85.95522

(1.24951)

(0.16111)

(0.46249)

(0.28024)

(104.402)

[-1.14086]

[ 4.72407]

[-2.42857]

[ 1.14676]

[ 0.82331]

0.810028

-0.063794

1.215551

-0.671635

-133.5207

(1.06487)

(0.13731)

(0.39414)

(0.23883)

(88.9745)

[ 0.76068]

[-0.46461]

[ 3.08402]

[-2.81217]

[-1.50066]

-0.339556

0.101104

0.865822

-0.002335

44.82930

(0.43891)

(0.05659)

(0.16246)

(0.09844)

(36.6728)

[-0.77364]

[ 1.78650]

[ 5.32959]

[-0.02372]

[ 1.22241]

1.063531

-0.022960

-0.121286

-0.016710

-30.14978

(0.45304)

(0.05841)

(0.16768)

(0.10161)

(37.8531)

[ 2.34757]

[-0.39305]

[-0.72330]

[-0.16445]

[-0.79649]

0.029349

-0.134472

-0.133674

0.023454

-156.0591

(0.64502)

(0.08317)

(0.23875)

(0.14467)

(53.8946)

[ 0.04550]

[-1.61683]

[-0.55990]

[ 0.16212]

[-2.89564]

R(-2)

0.131484

0.118625

0.130747

0.393506

88.42787

(0.48358)

(0.06235)

(0.17899)

(0.10846)

(40.4048)

[ 0.27190]

[ 1.90248]

[ 0.73048]

[ 3.62821]

[ 2.18855]

-0.000286

0.001686

0.002487

0.004652

1.100896

(0.00259)

(0.00033)

(0.00096)

(0.00058)

(0.21676)

[-0.11033]

[ 5.04037]

[ 2.58957]

[ 7.99497]

[ 5.07896]

-0.001552

1.62E-05

-0.000143

-0.001847

0.003722

(0.00296)

(0.00038)

(0.00109)

(0.00066)

(0.24710)

[-0.52463]

[ 0.04235]

[-0.13041]

[-2.78471]

[ 0.01506]

30.96461

-1.382285

-29.74283

-2.384118

2037.352

(27.3957)

(3.53243)

(10.1401)

(6.14436)

(2289.03)

[ 1.13027]

[-0.39131]

[-2.93319]

[-0.38802]

[ 0.89005]

R-squared

0.992285

0.998312

0.996295

0.929015

0.873115

Adj. R-squared

0.990307

0.997879

0.995345

0.910814

0.840580

Sum sq. resides

9467.461

157.4044

1297.034

476.2363

66095399

S.E. equation

15.58061

2.008982

5.766914

3.494451

1301.827

F-statistic

501.6069

2306.390

1048.698

51.04126

26.83641

Log likelihood

-202.0368

-99.61681

-152.3422

-127.2942

-423.3116

Akaike AIC

8.521470

4.424672

6.533690

5.531768

17.37246

Schwarz SC

8.942115

4.845317

6.954335

5.952413

17.79311

Mean dependent

459.6615

102.6385

150.7082

16.12400

7357.680

S.D. dependent

158.2523

43.62258

84.52336

11.70120

3260.482

E(-1)

E(-2)

C

Determinant resid covariance (dof adj.)

1.92E+11

Determinant resid covariance

5.53E+10

Log likelihood

-973.1566

Akaike information criterion

41.12626

Schwarz criterion

43.22949

Koefisien determinasi (R2) menunjukkan peran masing-masing variabel dalam menjelaskan pengaruh variabel eksogen tersebut dalam menjelaskan variasi variabel endogen. R2 terbesar adalah R2 dari variabel P, artinya 99.8% stabilitas ekonomi makro Indonesia sebagai small open economy dapat dijelaskan oleh variabel harga. Standar error variabel ini adalah 2,009 artinya kemungkinan

kesalahan variabel ini sebagai variabel untuk memprediksi ketidakstabilan perekonomian Indonesia adalah sebesar 2,009 persen (dapat naik atau turun sebesar 2,009%).

1. MODEL PERSAMAAN NON-LINIER (LOG ATAU IN). DERIVASI: PERSAMAAN NON-LINIER (LOG ATAU IN). Bila regresi dengan variabel bebas (X) berupa variabel dummy, maka dikatagorikan sebagai regresi dummy. Regresi logistik digunakan jika variabel terikatnya (Y) berupa variabel masuk katagori klasifikasi. Misalnya, variabel Y berupa dua respon yakni gagal (dilambangkan dengan nilai 0) dan berhasil (dilambangkan dengan nilai 1). Kondisi demikian juga sering dikatagorikan sebagai regresi dengan respon biner. Seperti pada analisis regresi berganda, untuk regresi logistik variabel bebas (X) bisa juga terdiri lebih dari satu variabel. Regresi logistik merupakan suatu model persamaan yang digunakan untuk menganalisis data kategorik dengan variabel respon berupa data kategori dan variabel bebasnya berupa variabel kategori dan kontinyu (Hosmer dan Lemeshow, 1989). Nilai dari variabel respon (Y) dapat dibedakan dalam dua kategori yaitu sehat atau tidak sehat yang dinotasikan dengan Y = 1 (sehat) dan Y = 0 (tidak sehat) dan akan mengikuti distribusi Bernoulli untuk setiap observasi. Dugaan dari hubungan variabel respon (Y) dan variabel bebas (X) dinyatakan dengan E(y|x) yang memiliki probabilita antara 0 dan 1, atau 0≤E(y|x)≤1. Menurut Agresti (1990), variabel respon dalam regresi logistik biner merupakan variabel dengan nilai 0 dan 1 yang merupakan random variable yang mengikuti sebaran Bernoulli. Menurut Hosmer dan Lemeshow (1989), model regresi logistik dapat diuraikan dalam uraian penjelasan di bawah ini. Bentuk umum model peluang regresi logistik dengan p faktor (variabel bebas) diformulasikan sebagai berikut: Nilai p(x) adalah peluang kejadian ‘sehat’ (y=1), sedangkan bj ; j=0,1,…,p adalah nilai parameter. Model regresi logistik ini merupakan model nonlinier sehingga perlu dilakukan tranformasi logit untuk memperoleh model linier agar dapat dilihat hubungan antara variabel respon dengan variabel bebas. Hasil transformasi logit dari adalah sebagai berikut: dan g(x)= β0 + β1x1 + β2x2 +…+ βpxp Formulasi di atas merupakan fungsi linier dalam parameter-parameternya atau g(x) telah linier dalam parameternya. Semua variabel bebas bersifat diskrit dan berskala nominal, maka variabel tersebut hanya sebagai identifikasi saja dan tidak mempunyai nilai numerik sehingga diperlukan dummy variable. Jika terdapat variabel bebas ke-j yang berskala kategorik (nominal) dengan k kategori, maka diperlukan dummy variable sebanyak kj-1 yang dinamakan Dju dengan koefisien βju, u = 1,2,…,kj-1. Sehingga model transformasi logit : Dalam model regresi logistik, variabel respon diekspresikan sebagai berikut: yi = π(x) + εi i = 1,2,3,…,n Dimana εi mempunyai salah satu dari kemungkinan dua nilai, yaitu: εi = 1- π(x), jika y=1 dengan peluang π(x) dan εi = – π(x), jika y=0 dengan peluang [1- π(x)] Dalam hal ini error (εi) mengikuti distribusi Binomial dengan rataan nol dan ragam π(x) [1- π(x)]. Analisis regresi logistik tersebut dapat diaplikasikan pada PKL 2009-2010, dimana variabel Y merupakan peubah acak yang menyatakan status kesehatan wanita usia subur dengan dua kategori, yaitu sehat dan tidak sehat. Sedangkan variabel X terdiri dari 12 variabel yaitu kebiasaan merokok, aktifitisas fisik, kebiasaan makan makanan berserat, kebiasaan menggosok gigi, kebiasaan cuci tangan, perilaku buang air besar,kebiasaan tidur di malam hari, sumber air minum, kondisi jamban, kondisi tempat tinggal, status pekerjaan, dan umur. Berikut daftar variabel dan kategorinya dapat dilihat pada Tabel 1. Tabel 1. Daftar Variabel non Pendidikan dan Kategori Variabel

Nama Variabel

Kategori (1)

(2)

(3)

Y

Status kesehatan wanita usia subur

Sehat Tidak Sehat

1 0

Kebiasaan Merokok

Setiap hari Kadang-kadang

1 0

0 1

0 0

Mantan perokok

0

0

1

Bukan perokok

0

0

0

Aktifitas olahraga

Ada Tidak ada

1 0

Konsumsi buah dan sayur

Baik Kurang

1 0

Kebiasaan menggosok gigi

Sehat Tidak sehat

1 0

Kebiasaan mencuci tangan

Sehat Tidak sehat

1 0

Perilaku buang air besar

Jamban Bukan jamban

1 0

Kebiasaan tidur di malam hari

Sehat Tidak sehat

1 0

X8

Sumber air minum

Bersih Tidak bersih

1 0

X9

Kondisi jamban

Baik Tidak baik

1 0

X10

Kondisi tempat tinggal

Rumah sehat Rumah kurang sehat

1 0

0 1

Rumah tidak sehat

0

0

1 0

X1

X2

X3

X4

X5

X6

X7

X11

Status pekerjaan

Bekerja Tidak bekerja

X12

Umur

Kuantitatif

Terdapat satu model lagi, dimana Y adalah peubah acak yang menyatakan status kesehatan wanita usia subur. X adalah tingkat pendidikan wanita usia subur dan pengetahuan wanita usia subur tentang kesehatan. Tabel 2 Daftar Variabel Pendidikan dan Kategori

Variabel

Nama Variabel

Kategori

Parameter Coding (1)

(2)

(3)

(4)

(5)

(6)

(7)

Y

Status kesehatan wanita usia subur

Sehat Tidak Sehat

1 0

X1

Tingkat pendidikan tertinggi wanita usia subur

Tidak pernah sekolah Belum lulus SD

0 1

0 0

0 0

0 0

0 0

0 0

0 0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

0

0

0

0

0

0

0

1

SD/Sederajat SMP/Sederajat SMA/Sederajat DI/D3 DIV/S1 S2/S3 ESTIMASI: PERSAMAAN NON-LINIER (LOG ATAU IN). 1. MODEL PERSAMAAN SIMULTAN. DERIVASI: PERSAMAAN SIMULTAN. Model Persamaan Simultan

ESTIMASI: PERSAMAAN SIMULTAN. “PENGARUH ZAKAT TERHADAP VARIABEL MAKRO EKONOMI INDONESIA” Latar Belakang Penelitian

– Lahirnya Undang-undang Pajak No.17/2000 yang memungkinkan pembayaran pajak bias terkurangi dengan pembayaran zakat. Dan juga kehadiran Undang-undang No. 38 tahun 1999 tentang pengelolaan zakat. – Dalam kondisi krisis ekonomi yang berkelanjutan, sangat sulit mengandalkan pengentasan kemiskinan, pertumbuhan ekonomi, peningkatan pproduksi, peningkatan lapangan kerja dan sebagainya melalui APBN sangatlah terbatas, sehingga pemerintah yang memiliki tanggung jawab untuk memberikan jaminan social kepada rakyatnya tidak mampu. – Menurut konsep Islam, pemerintah dapat melaksanakan suatu aturan yang mendorong orang-orang kaya untuk memberikan bantuan kepada kelompok dhuafa dan mustadh’afin, berupa zakat dan shadaqah. – Zakat juga berartiu pertumbuhan, karena dengan memberikan hak fakir miskin dan lain-lain yang terdapat dalam harta benda kita, maka terjadilah sirkulasi uang dalam masyarakat yang mengakibatkan bertambah berkembangnya fungsi uang itu dalam masyarakat.

Tujuan Penelitian

– Mengetahui pengaruh zakat terhadap variabel makro ekonomi Indonesia (Kemiskinan, pertumbuhan, investasi) – Kebijakan apa yang harus ditempuh untuk meningkatkan pendapatan masyarakat dhuafa (miskin)

Pengguna Hasil penelitian

– Pemerintah, sebagai bahan pertimbangan dan masukan dalam hal pengambilan keputusan – Lembaga pengelola zakat, sebagai bahan masukan tentang pengelolaan zakat

– Masayarakt, sebagi bahan masukan dan laporan empiris tentang manfaat zakat Pelaksanaan dan datadata penelitian

Penelitian ini sebenranya merupakan Tesis pada Program Pascasarjana Universitas Gadjahmada Yogyakarta, tahun 2004. Penelitian ini menggunakan data sekunder berupa laporan zakat tahunan dari forum zakat, jumlah keluarga miskin, pendapatan masyarakat (PDRB), Indeks Harga Konsumen, perolehan Pajak daerah, tingkat investasi, pengelualan pemerintah dan upah minimum propinsi, dan tingakt tabungan masyarakat.

Model Dasar

Model dasar dalam penelitian ini dikembangkan oleh Choudhury dan Malik (1992; 264) dengan model sebagai berikut: Dimana:

Model Penelitian ini

Model Persamaan Simultan

Implikasi Kebijakan Pendayagunaan Zakat – Zakat digunakan untuk produktif 50% – Hasil Penelitian

Zakat digunakan untuk produktif 25%

1. Pengaruh zakat terhadap pengentasan kemiskinan 1. Pengaruh zakat terhadap variable makro ekonomi

Berdasarkan hasil perhitungan di atas, terlihat bahwa: a. Hasil estimasi persamaa I

b. Hasil Estimasi persamaan II

c. Hasil estimasi persamaa III

Related Documents


More Documents from ""