Model Panel Data

Model Panel data digunakan untuk menganalisi data yang mengandung series dan crossection. Misalnya kita akan menganalisis produksi otomotif (Toyota, Daihatsu, Nissan, Mercedes, BMW) selama 10 tahun. Sehingga struktur data tersebut adalah data panel (crossection=banyak persahaan mobil, series=banyak data series 10 tahun).

Model sederhana adalah bahwa produksi = f(kapital, labor). Dengan menggunakan model Panel Data kita dapat mengestimasi koefisien model produksi tersebut.

Namun, adakalanya estimasi model produksi tersebut tidak signifikan karena ada missing variabel misalnya faktor manajerial yang juga menentukan produksi dalam model tersebut. Faktor manajerial adalah unobserve variabel (variabel yang sulit untuk diobservasi/ diukur).

Dengan Model Panel data dapat mengluarkan unobserve variabel tersebut yang kita sebut sebagai individual effect sehingga model produksi tersebut menjadi lebih baik.

Individual effect tersebut dikategorikan dua macam yaitu Fixed Effect dan Random Effect. Secara hipotesis bahwa jika sumber data berasal dari sample maka dugaan model panel adalah random effect, namum bila sumber data adalah data aggregate maka kecenderungan adalah fixed effect.

Namun demikian, dengan Hausman Test kita dapat memutuskan adalah model Panel Data tersebut Random Effect atau Fixed Effect.

Download materi lengkap klik disini.

Model VAR & VECM

Dalam suatu modelling bila kita tidak yakin apakah suatu variabel eksogen atau endogen, maka utk pembentukan model yg melibatkan banyak variabel sebaiknya memperlakukan semua variabel menjadi variabel endogen (Sim, 1980).

Vector Auto Regression (VAR) adalah model yg memperlakukan setiap variabel dlm model secara simetris, artinya: variabel yg ada di RHS juga ada di LHS

Estimasi model VAR mengharus data series harus stasioner. Namun, bagaimana jika data series tersebut non-stasioner? apakah persoalan spurius akan muncul?

Dengan Model VECM (vector error corection model) dapat digunakan walupun data series tersebut non-stasioner asal ter-kointegrasi (punya hubungan jangka panjang atau terjadi ekulibrium).

Materi lebih lengkap klik disini.

Persamaan Simultan

Hubungan antar variabel ekonomi adalah suatu yang komplek.  Model makroekonomi (Keynesian) misalnya aggregate demand (IS-LM) dan aggregate suplly (Phillips curve) merupakan hubungan yang simultan.

Persamaan simultan apabila digunakan model regresi (OLS) satu per satu akan mendapatkan kofisien estimasi yang bias. Oleh karena itu, perlu dilakukan dengan regresi  simultan untuk menghindari bias tersebut. Salah satu estimator untuk persamaan simultan adalah two stage least square.

Materi lebih lanjut (klik disini)

Estimation Non Linier Model with Genetic Algoritma

Pada umumnya estimasi dalam Model Non Linier mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood) dengan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Metoda Algoritma tersebut tidak akan menghasilkan global minimum/ maksimum. Dalam paper ini akan menjelaskan pendekatan baru yaitu Genetic Algoritma yang lebih menjamin global Maksimal/ minimal. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap : Genetic Algoritma.pdf

Silahkan “Comment” di bawah ini.

Linier Model Estimation using Ordinary Least Square and Maximum Likelihood

Estimasi dalam Model Linier pada umumnya mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood). Dalam Paper ini menjelaskan secara teoritis bagaimana metoda estimasi tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap: (1)cover.pdf; (2)daftar-isi.pdf; (3)isi.pdf

NonLinier Estimation using OLS and Max Likelihood

Paper akan melaporkan hasil ekperimen model nonlinier
untuk menaksir fungsi produksi Cobb-Douglas dan CES dengan mengunakan
metoda Nonlinier Least Square dan Non-Linier Maksimum Likelihood. Metoda estimasi model non linier dengan pendekatan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Dalam paper ini akan menjelaskan pendekatan tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

File download klik di sini nonlinier.pdf dan lampiran.pdf.