Interpretasi Uji Sargan dan Hansen untuk Mengevaluasi Overidentifying Restrictions dan Solusinya pada STATA

Kepanikan terbesar saat merunning model Generalized Method of Moments (GMM) atau Instrumental Variable (IV) di STATA seringkali dipicu oleh satu baris output: p-value uji Sargan atau Hansen J yang jatuh di bawah ambang batas 0.05. Pesan error implisit ini adalah vonis analitik yang menyatakan bahwa instrumen yang Anda gunakan tidak valid karena berkorelasi dengan error term (sisaan). Gejala penolakan hipotesis nol pada pengujian overidentifying restrictions ini membuat seluruh parameter estimasi Anda kehilangan kredibilitasnya, menghasilkan bias asimtotik, dan membuat model tersebut tidak layak untuk dipresentasikan dalam ujian sidang maupun publikasi jurnal.

Ilustrasi Output Masalah: Sargan/Hansen Signifikan pada STATA

Secara esensial, kondisi overidentified terjadi ketika jumlah instrumen (Z) yang digunakan dalam model lebih banyak daripada jumlah variabel endogen (X) yang diestimasi. Uji Sargan dan Hansen dirancang khusus untuk menguji hipotesis bersama (joint hypothesis) bahwa seluruh instrumen tersebut terdistribusi secara eksogen secara silang (ortogonal terhadap error). Menurut Hansen (1982), estimator GMM hanya dapat mencapai konsistensi dan efisiensi asimtotik jika momen populasi dari instrumen bernilai nol.

Perbedaan fundamental antara kedua uji ini terletak pada asumsi varians residualnya. Uji Sargan mengasumsikan homoskedastisitas pada error term, sehingga statistik ini sangat rentan menolak hipotesis nol secara keliru (over-rejection) jika data Anda menderita heteroskedastisitas. Sebaliknya, uji Hansen J didesain lebih robust terhadap heteroskedastisitas dan autokorelasi arbitrer, menjadikannya standar utama untuk pengujian eksogenitas pada panel dinamis (Roodman, 2009).

Bagi peneliti yang ingin memperkuat tinjauan pustaka di bab 3 mengenai pembuktian matematis eksogenitas instrumen, perbedaan System GMM vs Difference GMM, dan landasan ortogonalitas, Anda dapat mempelajari penjelasan teoritis dasarnya secara komprehensif di statistikian.com. Pemahaman teori yang kokoh sangat krusial sebelum Anda melakukan restrukturisasi kode di STATA.

Masalah Overidentifying Restriction & Konsekuensinya pada GMM

Langkah Teknis Resolusi Mandiri di STATA

1. Gunakan Opsi "Collapse" pada xtabond2: Penyebab utama uji Hansen menolak H0 (atau memberikan nilai p-value yang aneh) adalah jumlah instrumen yang meledak (instrument proliferation) karena STATA menghasilkan satu instrumen per periode waktu per lag. Tambahkan sintaks collapse pada perintah xtabond2 Anda. Langkah ini akan menekan matriks instrumen menjadi satu kolom per lag, menyelamatkan derajat kebebasan, dan mengembalikan kekuatan pengujian statistik (Roodman, 2009).

2. Batasi Kedalaman Lag (Lag Limits): Memasukkan seluruh sejarah data (lag 2 hingga T) sebagai instrumen seringkali menjebak model ke dalam masalah overidentifikasi. Di dalam sintaks gmmstyle STATA, berikan batasan eksplisit pada lag, misalnya gmmstyle(y, lag(2 3)). Mengurangi rentang waktu instrumen ini akan memangkas instrumen yang berkorelasi lemah, sehingga membersihkan noise dari uji Hansen.

3. Beralih ke Estimasi Two-Step Robust: Jika Anda menggunakan estimator one-step, p-value Sargan sangat mungkin merah muda (signifikan) hanya karena data panel menderita heteroskedastisitas natural, bukan karena instrumennya cacat. Ubah perintah Anda dengan menambahkan opsi twostep robust. Pada mode ini, STATA akan otomatis mengabaikan statistik Sargan yang tidak robust dan meminta Anda hanya mengevaluasi p-value dari statistik Hansen J.

4. Evaluasi Difference-in-Hansen Test: Terkadang, tidak semua instrumen bersifat buruk; hanya sebagian kecil yang merusak seluruh matriks. STATA menampilkan output "Difference-in-Hansen" untuk memisahkan instrumen GMM-style (panel dinamis) dan IV-style (variabel eksogen murni). Periksa bagian mana yang memiliki p-value di bawah 0.05. Jika instrumen level yang bermasalah, Anda mungkin harus meninggalkan System GMM dan kembali menggunakan Difference GMM (Arellano-Bond murni).

5. Re-spesifikasi Variabel Kontrol: Uji Hansen yang terus gagal meskipun jumlah instrumen sudah diciutkan sering kali menjadi indikator omitted variable bias. Instrumen Anda mungkin sebenarnya berkorelasi dengan efek yang tidak dimasukkan ke persamaan. Tinjau ulang kerangka konseptual Anda; cobalah untuk memasukkan variabel dummy waktu (time dummies) menggunakan i.year pada regresi, yang terbukti secara empiris dapat menghilangkan korelasi silang antar entitas dan menyembuhkan p-value Hansen (Blundell & Bond, 1998).

Pembahasan Ilmiah: Paradoks Jumlah Instrumen dan Jebakan P-Value 1.000

Dalam dinamika regresi panel GMM, masalah instrumen bagaikan pedang bermata dua. Di satu sisi, literatur ekonometrika klasik menekankan bahwa memiliki banyak instrumen akan meningkatkan efisiensi estimasi (standard error mengecil). Namun, Roodman (2009) melalui makalah seminalnya membongkar paradoks ini yang dikenal dengan istilah "instrument proliferation". Ketika rentang waktu (T) memanjang, jumlah instrumen GMM yang dihasilkan secara otomatis meningkat secara kuadratik, dengan cepat melebihi jumlah unit pengamatan silang (N).

Konsekuensi langsung dari proliferasi instrumen adalah melemahnya kekuatan uji Hansen (weakness of the test power). Salah satu gejala paling berbahaya di STATA, yang sering kali dikira peneliti awam sebagai "kabar baik", adalah ketika p-value uji Hansen menunjukkan angka 1.000 secara presisi. Angka absolut 1.000 bukanlah bukti bahwa model Anda sempurna; sebaliknya, itu adalah tanda bahwa uji Hansen telah rusak dan kehilangan kemampuannya secara matematis untuk mendeteksi instrumen yang cacat. Rasio instrumen terhadap ukuran sampel yang terlalu besar membuat matriks pembobotan optimal di GMM menjadi singular atau nyaris singular.

Sebagai *Rule of Thumb* yang diakui secara akademis, jumlah instrumen (instrument count) pada bagian bawah output STATA Anda tidak boleh melebihi jumlah entitas observasi (N, atau Number of Groups). Jika jumlah kelompok Anda adalah 35 perusahaan, maka pastikan instrumen Anda ditekan ke bawah angka 35 menggunakan kombinasi teknik collapse dan pembatasan lag. Melewati batas rasio ini akan mengarah pada overfitting parameter endogen ke dalam sampel spesifik, sehingga model gagal untuk digeneralisasi.

Di samping itu, perbedaan uji Sargan dan Hansen juga merefleksikan cara sistem menangani matriks varians-kovarians residual. Statistik Sargan bertumpu pada matriks homoskedastik. Di era data makro dan keuangan modern, asumsi homoskedastisitas sangat jarang terpenuhi. Memaksakan pembacaan p-value Sargan pada kondisi heteroskedastik hanya akan menuntun pada penolakan validitas instrumen secara keliru. Oleh sebab itu, eksekutor STATA kontemporer diinstruksikan untuk menggunakan penaksir twostep, melakukan koreksi Windmeijer untuk standard error bias di sampel kecil, dan menjadikan statistik Hansen sebagai pedoman absolut eksogenitas (Arellano & Bond, 1991).

Tantangan berikutnya sering muncul pada System GMM. Teknik yang dipopulerkan oleh Blundell dan Bond (1998) ini memperkenalkan instrumen tambahan pada tingkat level untuk menyembuhkan masalah instrumen lemah (weak instruments) pada data dengan koefisien autokorelatif mendekati 1 (highly persistent). Namun, instrumen level ini menuntut asumsi super kuat: deviasi stasioneritas kondisi awal tidak boleh berkorelasi dengan efek spesifik individu. Jika uji Difference-in-Hansen menunjukkan p-value < 0.05 pada bagian "GMM instruments for levels", Anda harus menerima kenyataan empiris bahwa asumsi stasioneritas awal tersebut gagal terpenuhi dalam data Anda.

Solusi final jika rentetan resolusi sintaks gagal adalah mengevaluasi ulang arsitektur variabel instrumental eksternal (IV-style). Tidak semua variabel eksogen dari teori bisa langsung ditempelkan ke persamaan GMM. Jika p-value tetap menolak H0, instrumen IV eksternal yang Anda sangka murni ternyata mengandung interaksi balik tak terduga dengan variabel endogen yang tersisa dalam sistem error. Melakukan eliminasi variabel eksperimental secara selektif adalah satu-satunya jalan akademis yang sah untuk memulihkan validitas sistem identifikasi Anda.

Kesimpulan

Output pengujian Sargan dan Hansen yang ditandai dengan p-value di bawah 0.05 merupakan peringatan keras dari STATA bahwa asumsi overidentifying restrictions model GMM Anda berantakan. Jangan pernah mengabaikan atau menyembunyikan hasil uji ini. Pendekatan perbaikan teknis berfokus pada rasionalisasi jumlah instrumen, terutama melalui penerapan opsi collapse, restriksi kedalaman lag, dan penggunaan prosedur twostep robust untuk menetralkan ancaman heteroskedastisitas silang. Pastikan instrumen yang diloloskan selalu berjumlah lebih sedikit dibandingkan total unit observasi panel Anda agar statistik Hansen tidak melemah secara keliru (p-value = 1.000) dan estimasi beta Anda mampu mempertahankan sifat tak bias yang konsisten.

Daftar Pustaka

• Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.
• Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.
• Hansen, L. P. (1982). Large sample properties of generalized method of moments estimators. Econometrica: Journal of the Econometric Society, 50(4), 1029-1054.
• Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.
• Roodman, D. (2009). A note on the theme of too many instruments. Oxford Bulletin of Economics and Statistics, 71(1), 135-158.