BAB: SISTEM PERSAMAAN SIMULTAN DAN METODE ESTIMASI TWO-STAGE LEAST SQUARES (2SLS)
Posisi Teoretis Sistem Simultan dalam Ekonometrika Dalam hierarki analisis ekonometrika, metode Ordinary Least Squares (OLS) atau Kuadrat Terkecil Terbiasa merupakan fondasi utama yang mensyaratkan satu asumsi mutlak: hubungan kausalitas bersifat searah. OLS mengasumsikan bahwa variabel penjelas (independen) memengaruhi variabel terikat (dependen), tetapi tidak berlaku sebaliknya. Namun, realitas ekonomi jarang sekali bergerak dalam koridor linear searah seperti itu. Di sinilah Sistem Persamaan Simultan (Simultaneous Equation Models/SEM) hadir sebagai lompatan paradigma penting dalam ekonometrika lanjutan.
Posisinya berada di ranah estimasi persamaan struktural multimediasi atau multikausalitas, menjembatani keterbatasan OLS dalam menangani hubungan timbal balik (feedback loops). Ketika OLS gagal karena pelanggaran asumsi eksogenitas—di mana variabel penjelas berkorelasi dengan error term akibat adanya hubungan dua arah—sistem simultan masuk sebagai solusi metodologis untuk menghasilkan estimator yang tetap konsisten dan tidak bias. Sistem ini menempatkan fenomena ekonomi bukan sebagai potret tunggal yang terisolasi, melainkan sebagai sebuah ekosistem di mana beberapa variabel dependen ditentukan secara bersama-sama oleh sekumpulan variabel lain di dalam sistem.
Esensi Simultanitas dan Masalah EksogenitasSimultanitas (Simultaneity) terjadi ketika satu atau lebih variabel penjelas ditentukan secara bersamaan dengan variabel dependen yang sedang diuji. Dalam model persamaan tunggal standar, kita menuliskan \(Y = \beta_0 + \beta_1 X + u\), dengan asumsi bahwa \(X\) memengaruhi \(Y\). Namun, jika terjadi simultanitas, pada saat yang sama \(Y\) juga memengaruhi \(X\) melalui hubungan kausalitas sekunder. Hubungan timbal balik ini menciptakan bias yang sangat fatal dalam ekonometrika, yang dikenal sebagai Bias Simultanitas (Simultaneity Bias).
Secara matematis, bias ini berakar dari pelanggaran asumsi Eksogenitas (Exogeneity). Sebuah variabel dikatakan eksogen jika variansinya ditentukan di luar sistem persamaan dan nilai harapannya tidak berkorelasi dengan gangguan acak (error term), atau \(E(X|u) = 0\). Sebaliknya, jika terjadi hubungan timbal balik, pergerakan pada error term (\(u\)) yang langsung memengaruhi \(Y\) otomatis akan ikut menggerakkan \(X\) (karena \(Y\) memengaruhi \(X\)). Akibatnya, \(X\) menjadi Variabel Endogen (Endogenous Variable) yang berkorelasi kuat dengan error term (\(E(X|u) \neq 0\)).
Jika kita memaksakan penggunaan OLS dalam kondisi endogenitas ini, estimator yang dihasilkan akan mengalami bias dan bersifat tidak konsisten, bahkan dalam sampel yang sangat besar sekalipun. Pengaruh nyata dari variabel \(X\) terhadap \(Y\) akan bercampur aduk dengan pengaruh dari \(u\) ke \(X\), sehingga kesimpulan ilmiah yang diambil dari model tersebut menjadi tidak valid.
Identifikasi Sistem Simultan: Kondisi Order dan Rank Sebelum sebuah sistem persamaan simultan dapat diestimasi, kita harus menjawab sebuah pertanyaan fundamental: apakah parameter-parameter struktural dari persamaan tersebut dapat dilacak kembali dari data empiris? Proses menjawab pertanyaan ini disebut dengan Identifikasi (Identification). Masalah identifikasi muncul karena sekumpulan data pasar yang sama (misalnya data harga dan kuantitas ekilibrium) bisa mencerminkan kurva permintaan, kurva penawaran, atau kombinasi aneh dari keduanya.
Secara umum, status identifikasi suatu persamaan dalam sistem simultan dapat dikategorikan menjadi tiga:
1.Unidentified (Underidentified): Parameter struktural tidak dapat diestimasi karena kekurangan informasi atau variabel penjelas yang unik.
Exactly Identified (Just Identified): Parameter struktural dapat diestimasi dengan tepat, di mana jumlah informasi struktural pas dengan parameter yang dicari.
3.Overidentified: Parameter struktural dapat diestimasi, namun kita memiliki informasi atau variabel instrumen yang lebih dari cukup (berlebih), sehingga ada beberapa cara untuk menghitung nilai parameter tersebut.
Untuk menguji status identifikasi ini secara formal, ekonometrika menyediakan dua syarat utama, yaitu Kondisi Order (Order Condition) dan Kondisi Rank (Rank Condition).
Kondisi Order (Syarat Perlu / Necessary Condition)Kondisi order adalah syarat matematis berbasis hitungan jumlah variabel yang relatif mudah diterapkan. Misalkan \(M\) adalah jumlah total persamaan endogen dalam sistem (yang berarti ada \(M\) variabel endogen), dan \(K\) adalah jumlah total variabel eksogen di seluruh sistem. Untuk sebuah persamaan spesifik dalam sistem tersebut, misalkan \(m\) adalah jumlah variabel endogen yang dimasukkan ke dalam persamaan tersebut, dan \(k\) adalah jumlah variabel eksogen yang dimasukkan ke dalam persamaan tersebut. Rumus kondisi order dapat dinyatakan sebagai: \[(K - k) \geq (m - 1)\] Di mana:\((K - k)\) adalah jumlah variabel eksogen yang dikeluarkan dari persamaan yang sedang diuji.\((m - 1)\) adalah jumlah variabel endogen yang dimasukkan ke dalam persamaan dikurangi satu.Jika \((K - k) < (m - 1)\), maka persamaan tersebut berstatus Unidentified dan tidak bisa diestimasi. Jika \((K - k) = (m - 1)\), persamaan berstatus Exactly Identified. Jika \((K - k) > (m - 1)\), persamaan berstatus Overidentified.
Kondisi Rank (Syarat Cukup / Sufficient Condition)Meskipun kondisi order terpenuhi, suatu persamaan secara teoretis masih bisa tidak teridentifikasi jika variabel-variabel yang dikeluarkan ternyata tidak memiliki kekuatan linier yang independen. Oleh karena itu, kita membutuhkan Kondisi Rank. Kondisi rank menyatakan bahwa sebuah persamaan dalam sistem bernilai identified jika dan hanya jika kita dapat membentuk matriks koefisien dari variabel-variabel yang mengeksklusi persamaan tersebut, dan matriks tersebut memiliki rank (jumlah baris atau kolom yang independen secara linier) minimal sebesar \(M - 1\). Kondisi rank memastikan bahwa informasi eksklusi yang kita miliki benar-benar efektif secara matematis untuk membedakan satu persamaan dengan persamaan lainnya dalam sistem.
Kriteria Instrumen yang Valid dan Uji OveridentificationKetika sebuah persamaan teridentifikasi sebagai overidentified atau exactly identified akibat adanya masalah endogenitas, kita membutuhkan variabel bantuan yang disebut Variabel Instrumen (\(Z\)). Variabel instrumen bertindak sebagai tuas pengungkit yang mengekstrak bagian variasi dari variabel endogen \(X\) yang murni bersih dari gangguan error term. Untuk dapat dikatakan sebagai instrumen yang valid, variabel tersebut wajib memenuhi dua kriteria mutlak: .Relevansi Instrumen (Instrument Relevance): Variabel instrumen \(Z\) harus berkorelasi kuat dengan variabel endogen \(X\). Secara formal, \(Cov(Z, X) \neq 0\). Jika korelasi ini sangat lemah, instrumen tersebut dikategorikan sebagai weak instrument, yang dapat menyebabkan standar error dari estimasi melonjak sangat tinggi dan membuat uji t-statistik kehilangan kekuatannya.
.Eksogenitas Instrumen (Instrument Exogeneity / Inclusion Restriction): Variabel instrumen \(Z\) sama sekali tidak boleh berkorelasi dengan error term struktural (\(u\)), atau \(Cov(Z, u) = 0\). Artinya, \(Z\) hanya boleh memengaruhi variabel dependen \(Y\) secara tidak langsung, yaitu hanya melalui perantaranya terhadap variabel endogen \(X\). \(Z\) tidak boleh memiliki jalur kausalitas langsung ke \(Y\), dan tidak boleh bertindak sebagai variabel yang tertinggal (omitted variable) di dalam persamaan struktural utama.
Sementara relevansi instrumen dapat diuji dengan mudah melihat nilai \(F\)-statistik pada regresi tahap pertama (regresi antara \(X\) dan \(Z\)), kriteria eksogenitas instrumen lebih sulit diuji karena \(u\) pada dasarnya tidak terobservasi. Namun, jika model kita berstatus Overidentified (jumlah instrumen lebih banyak daripada jumlah variabel endogen), kita dapat melakukan uji formal yang disebut Uji Overidentifikasi (Overidentification Test), salah satunya adalah Uji J Sargan atau Uji Basmann.
Mekanisme Uji Overidentifikasi ini bekerja dengan cara mengekstrak nilai sisa (residual atau \(\hat{u}\)) dari hasil estimasi akhir model simultan. Nilai residual \(\hat{u}\) ini kemudian diregresikan terhadap seluruh variabel instogen/eksogen (\(Z\)) yang ada dalam sistem. Jika instrumen kita benar-benar eksogen, maka seluruh instrumen tersebut seharusnya tidak mampu menjelaskan variasi dari residual \(\hat{u}\). Nilai \(R^2\) dari regresi auxilary ini kemudian dikalikan dengan jumlah sampel (\(N\)), menghasilkan statistik uji \(N \times R^2\) yang berdistribusi Chi-Square (\(\chi^2\)) dengan derajat bebas sebesar jumlah instrumen dikurangi jumlah variabel endogen. Jika nilai p-value dari uji ini signifikan (menolak hipotesis nol), berarti minimal ada satu instrumen yang tidak valid karena berkorelasi dengan error term. Sebaliknya, jika gagal menolak hipotesis nol, instrumen dinyatakan memenuhi syarat overidentifikasi dan valid digunakan.
Metode Estimasi Two-Stage Least Squares (2SLS) Metode yang paling populer, tangguh, dan efisien untuk mengestimasi persamaan tunggal di dalam sistem simultan yang overidentified adalah Two-Stage Least Squares (2SLS) atau Kuadrat Terkecil Dua Tahap. Sesuai namanya, metode ini membersihkan bias simultanitas dengan membagi proses regresi ke dalam dua tahapan linier terpisah: Tahap Pertama (Stage 1): Pembersihan EndogenitasPada tahap awal, perhatian kita berfokus pada variabel penjelas yang bersifat endogen (\(X\)). Kita meregresikan variabel endogen \(X\) terhadap semua variabel eksogen yang ada di dalam seluruh sistem persamaan, termasuk variabel-variabel instrumen (\(Z\)) yang sengaja dimasukkan sebagai pembeda. Persamaan regresi pada tahap ini disebut sebagai Reduced Form Equation. Tujuan utama dari tahap pertama ini adalah memisahkan variasi variabel \(X\) menjadi dua komponen: bagian yang diprediksi oleh variabel eksogen (bersih dari endogenitas) dan bagian sisa acak (yang membawa virus endogenitas). Setelah estimasi dilakukan dengan OLS, kita mengonstruksi nilai prediksi atau nilai fit dari variabel tersebut, yang disimbolkan dengan \(\hat{X}\). Nilai \(\hat{X}\) ini secara matematis dijamin bersih dan tidak lagi berkorelasi dengan error term persamaan struktural utama. Tahap Kedua (Stage 2): Estimasi Struktural AsliPada tahap kedua, kita kembali ke persamaan struktural awal yang ingin kita analisis. Kita mengganti variabel endogen yang asli (\(X\)) dengan nilai prediksi yang telah dibersihkan (\(\hat{X}\)) dari tahap pertama. Selanjutnya, kita melakukan estimasi persamaan struktural tersebut menggunakan OLS biasa. Karena \(\hat{X}\) kini bersifat eksogen terhadap error term, bias simultanitas berhasil dieliminasi. Nilai koefisien yang dihasilkan pada tahap kedua ini adalah estimator 2SLS yang bersifat konsisten dan tidak bias secara asimtotik, memberikan estimasi dampak kausalitas yang murni dari variabel penjelas terhadap variabel terikat.
Kapan Sistem Simultan Harus Digunakan? Keputusan untuk menggunakan model simultan tidak boleh diambil secara sembarangan, mengingat kompleksitas pengumpulan variabel instrumen yang valid. Model simultan wajib digunakan ketika teori ekonomi dengan tegas menyatakan adanya hubungan kausalitas dua arah antara dua fenomena, atau ketika terdapat dinamika sistemik di mana variabel-variabel saling menentukan secara interdependent.
Secara praktis, sebelum menggunakan 2SLS, peneliti biasanya melakukan uji diagnostik formal yang disebut Uji Endogenitas Durbin-Wu-Hausman (DWH). Uji Hausman membandingkan estimator OLS dengan estimator 2SLS. Hipotesis nol menyatakan bahwa OLS sudah konsisten dan efisien (tidak ada masalah endogenitas). Jika hasil uji Hausman menolak hipotesis nol (artinya ada perbedaan signifikan antara hasil OLS dan 2SLS), ini menjadi lampu hijau konfirmasi empiris bahwa masalah endogenitas atau simultanitas nyata terjadi di dalam data, dan penggunaan metode simultan (2SLS) mutlak diperlukan untuk menghindari kesimpulan yang menyesatkan.
Implementasi dalam Ekonomi Makro dan Ekonomi Mikro Fleksibilitas model persamaan simultan membuatnya menjadi alat analisis yang sangat perkasa, baik di ranah kebijakan ekonomi agregat maupun perilaku agen ekonomi individual. Implementasi dalam Ekonomi MakroDalam ekonomi makro, pemikiran Keynesian mengenai pendapatan nasional adalah contoh klasik dari sistem simultan. Pendapatan Nasional (\(Y\)) ditentukan oleh Konsumsi (\(C\)), Investasi (\(I\)), dan Pengeluaran Pemerintah (\(G\)). Namun, di saat yang sama, Konsumsi masyarakat (\(C\)) juga ditentukan secara langsung oleh besarnya Pendapatan Nasional (\(Y\)). Hubungan ini menciptakan lingkaran simultanitas: \[C_t = \beta_0 + \beta_1 Y_t + u_{1t}\]\[Y_t = C_t + I_t + G_t\]
Di sini, \(Y_t\) dan \(C_t\) adalah variabel endogen yang saling memengaruhi pada titik waktu yang sama. Jika kita hanya meregresikan persamaan konsumsi menggunakan OLS, nilai \(\beta_1\) (Marginal Propensity to Consume) akan bias ke atas karena peningkatan acak pada sisaan konsumsi (\(u_{1t}\)) akan langsung mendongkrak \(Y_t\) melalui identitas pendapatan nasional, melanggar prinsip eksogenitas. Kebijakan fiskal makro membutuhkan estimasi 2SLS dengan memanfaatkan instrumen eksogen seperti pengeluaran pemerintah (\(G_t\)) atau pajak untuk mengetahui multiplier efek yang sebenarnya.
..Implementasi dalam Ekonomi Mikro Di ranah ekonomi mikro, analisis pasar untuk menentukan harga (\(P\)) dan kuantitas (\(Q\)) barang merupakan bentuk sistem simultan paling fundamental. Kurva permintaan menyatakan bahwa kuantitas yang diminta dipengaruhi oleh harga, sementara kurva penawaran menyatakan kuantitas yang ditawarkan juga dipengaruhi oleh harga. Di titik keseimbangan, harga dan kuantitas ditentukan secara bersamaan oleh interaksi kedua kurva tersebut: \[\text{Permintaan: } Q_t = \alpha_0 + \alpha_1 P_t + \alpha_2 Im_t + u_{1t}\]\[\text{Penawaran: } Q_t = \beta_0 + \beta_1 P_t + \beta_2 Cu_t + u_{2t}\]
Di mana \(Im\) adalah pendapatan konsumen (shifter permintaan) dan \(Cu\) adalah biaya bahan baku/cuaca (shifter penawaran). Harga (\(P_t\)) di sini bersifat endogen. Untuk mengestimasi elastisitas permintaan (\(\alpha_1\)), kita tidak bisa menggunakan OLS biasa. Kita harus menggunakan kerangka simultan di mana variabel biaya bahan baku (\(Cu\)) bertindak sebagai variabel instrumen eksogen yang menggeser kurva penawaran, sehingga kita bisa mengidentifikasi bentuk asli dari kurva permintaan masyarakat tanpa bias interaksi pasar.
