Perbedaan System GMM vs Difference GMM: Panduan Memilih Model (Simulasi pada STATA)
Ketika menganalisis data panel dinamis menggunakan STATA, peneliti sering dihadapkan pada dilema metodologis yang membingungkan terkait perbedaan System GMM vs Difference GMM. Gejala masalah paling umum muncul ketika Anda mengeksekusi Difference GMM (Arellano-Bond), namun STATA menghasilkan koefisien lag variabel dependen yang tidak signifikan, nilai standar error yang membengkak luar biasa, atau peringatan terjadinya weak instruments. Lebih parahnya lagi, jika Anda membandingkannya, nilai koefisien estimator regresi Anda mungkin meleset jauh dari batas kewajaran yang telah ditetapkan oleh model dasar, mengindikasikan bahwa model tersebut gagal menangkap dinamika empiris yang sebenarnya dari data Anda.
Kebingungan dalam memilih antara kedua model ini bukanlah sekadar urusan mengetikkan sintaks program yang berbeda, melainkan isu spesifikasi fatal yang bermuara pada karakteristik persistensi data yang Anda gunakan. Jika variabel observasi Anda memiliki sifat persisten yang tinggi dari waktu ke waktu (seperti data makroekonomi inflasi, tingkat pengangguran, atau pertumbuhan PDB), memaksakan penggunaan Difference GMM sama halnya dengan menghapus sebagian besar variasi informasi berharga. Keputusan metodologis yang keliru ini akan membuahkan hasil regresi yang bias menuju nol (bias asimtotik). Oleh karena itu, mengenali sinyal kegagalan model dan memahami kapan saat yang tepat untuk beralih ke System GMM adalah kunci keselamatan validitas penelitian kuantitatif Anda.
. xtabond2 Y L.Y X1 X2, gmm(L.Y) iv(X1 X2) noleveleq robust
Dynamic panel-data estimation, one-step difference GMM Group variable: id Number of obs = 450 Time variable : year Number of groups = 50 ------------------------------------------------------------------------------ | Robust Y | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- Y | L1. | .1245672 .2584109 0.48 0.630 -.3819088 .6310432 <-- [MASALAH: Lag Y Tidak Signifikan & Std Error Raksasa!] X1 | .4521098 .0845123 5.35 0.000 .2864687 .6177509 X2 | -.0938451 .0412854 -2.27 0.023 -.1747630 -.0129272 ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -2.85 Pr > z = 0.004 Arellano-Bond test for AR(2) in first differences: z = -0.54 Pr > z = 0.589 Sargan test of overid. restrictions: chi2(45) = 58.45 Prob > chi2 = 0.089 Catatan: Gejala Weak Instruments pada data yang sangat persisten.
Kerangka Teoretis Data Panel Dinamis dan GMM
Pemodelan data panel dinamis ditandai dengan hadirnya nilai masa lalu (lag) dari variabel dependen sebagai salah satu variabel independen (penjelas) di sisi kanan persamaan. Keberadaan variabel lag ini secara otomatis melanggar asumsi dasar Ordinary Least Squares (OLS) maupun Fixed Effects (FE) klasik. Sebagaimana dibuktikan oleh Nickell (1981), korelasi alamiah antara lag variabel dependen dengan efek spesifik individu (unobserved heterogenity) menghasilkan bias yang substansial, yang kemudian populer disebut sebagai Nickell Bias. Bias pada FE ini sifatnya menekan nilai koefisien ke bawah (downward bias), sementara estimasi OLS akan menarik koefisien ke atas (upward bias).
Untuk menetralisir bias laten tersebut, Arellano dan Bond (1991) merumuskan sebuah pendekatan revolusioner yang dikenal sebagai Difference GMM. Mekanisme utama metode ini adalah melakukan transformasi diferensiasi tingkat pertama (first-difference) pada seluruh persamaan matematis guna mengeliminasi efek spesifik individu (fixed effects) secara permanen. Setelah efek tetap tersebut dihilangkan, metode ini menggunakan nilai level dari variabel pada periode masa lalu (lagged levels) sebagai variabel instrumen untuk memproksi variabel yang telah didiferensiasi tersebut.
Meskipun elegan secara matematis, Difference GMM memiliki cacat bawaan yang fatal ketika berhadapan dengan runtut waktu (time series) yang mendekati kondisi akar unit (unit root) atau persisten murni. Blundell dan Bond (1998) mendemonstrasikan bahwa ketika variabel sangat persisten, inovasi masa lalunya tidak banyak memberikan informasi mengenai perubahannya di masa depan. Akibatnya, instrumen lagged levels kehilangan daya jelajahnya dan menjadi instrumen yang lemah (weak instruments), menyebabkan standar error yang sangat lebar dan estimasi parameter yang membias ke arah model Fixed Effects.
Sebagai jawaban atas kelemahan tersebut, Arellano dan Bover (1995) serta Blundell dan Bond (1998) memperkenalkan System GMM. Pendekatan hibrida ini merakit dua persamaan secara simultan: persamaan dalam bentuk diferensiasi (diinstrumenkan dengan variabel tingkat level) dan persamaan dalam bentuk level asli (diinstrumenkan dengan variabel dalam bentuk diferensiasi). Bagi Anda yang menginginkan pendalaman derivasi matematis dari matriks instrumen ini dan prasyarat dasar ekonometrikanya, Anda dapat membaca literatur ekstensif kami di laman statistikian.com sebagai otoritas referensi teori statistik Anda.
Panduan Eksekusi dan Pemilihan Model di STATA
1. Bangun Batas Estimasi (Bounding the Coefficient): Langkah paling pertama yang wajib Anda lakukan bukan langsung menjalankan GMM, melainkan membuat batas koridor (bounds) menggunakan OLS dan Fixed Effects. Jalankan regresi OLS standar dan regresi FE pada model dinamis Anda. Menurut Bond (2002), nilai koefisien lag dependen variabel (Y_t-1) dari hasil GMM yang valid secara teoretis harus jatuh tepat di antara estimasi FE (batas bawah) dan OLS (batas atas).
2. Evaluasi Tingkat Persistensi Data: Cek nilai koefisien lag dependen (AR 1) pada hasil regresi OLS Anda. Apabila koefisien AR(1) tersebut menunjukkan angka yang mendekati 1 (biasanya di atas 0.80), itu adalah alarm peringatan bahwa data Anda sangat persisten. Dalam skenario data persisten, Anda harus segera membuang niat menggunakan Difference GMM dan beralih secara definitif menggunakan System GMM.
3. Gunakan Modul Xtabond2: Dibandingkan perintah bawaan STATA (xtabond atau xtdpdsys), komunitas ekonometrika global sangat merekomendasikan instalasi modul xtabond2 yang ditulis oleh David Roodman (2009). Sintaks ini jauh lebih fleksibel dalam mengontrol jumlah instrumen. Untuk Difference GMM, tambahkan opsi noleveleq. Sedangkan untuk mengeksekusi System GMM, cukup biarkan tanpa opsi tersebut dan pastikan Anda menggunakan pembobot twostep berserta koreksi robust.
4. Batasi Instrumen (Collapse Option): Salah satu momok terbesar System GMM adalah ledakan jumlah instrumen (instrument proliferation), khususnya jika jumlah periode waktu (T) Anda cukup panjang. Jumlah instrumen yang melebihi jumlah grup (observasi cross-section) akan melumpuhkan uji Hansen J. Gunakan opsi collapse pada perintah xtabond2 di STATA untuk memampatkan matriks instrumen menjadi satu baris per variabel lag (Roodman, 2009).
5. Evaluasi Diagnostik Mutlak (AR2 dan Hansen): Sebuah model System GMM hanya sah jika lolos dua gerbang uji diagnostik mutlak. Pertama, uji Arellano-Bond untuk autokorelasi orde kedua (AR2) tidak boleh signifikan (p-value > 0.05). Kedua, uji Hansen J untuk overidentifying restrictions juga tidak boleh signifikan (p-value > 0.05), yang membuktikan instrumen Anda tidak berkorelasi dengan galat. Namun berhati-hatilah, nilai Hansen p-value sebesar 1.000 bulat adalah tanda bahaya terjadinya overfitting instrumen.
. xtabond2 Y L.Y X1 X2, gmm(L.Y, collapse) iv(X1 X2) twostep robust
Dynamic panel-data estimation, two-step system GMM Group variable: id Number of obs = 450 Time variable : year Number of groups = 50 Number of instruments = 12 [Instrumen < Jumlah Grup: AMAN] ------------------------------------------------------------------------------ | WC-Robust Y | Coef. Std. Err. z P>|z| [95% Conf. Interval] -------------+---------------------------------------------------------------- Y | L1. | .8541294 .0654128 13.06 0.000 .7259227 .9823361 <-- [SOLUSI: Koefisien Valid & Di Antara OLS-FE] X1 | .3829102 .0521457 7.34 0.000 .2807065 .4851139 X2 | -.1048291 .0210984 -4.97 0.000 -.1461812 -.0634770 ------------------------------------------------------------------------------ Arellano-Bond test for AR(1) in first differences: z = -3.21 Pr > z = 0.001 Arellano-Bond test for AR(2) in first differences: z = 0.42 Pr > z = 0.674 Hansen test of overid. restrictions: chi2(9) = 10.25 Prob > chi2 = 0.330
Pembahasan Ilmiah: Membedah Anatomi Matriks Pembobot dan Spesifikasi GMM
Perdebatan akademik mengenai perbedaan System GMM vs Difference GMM tidak dapat dilepaskan dari pemahaman mendalam tentang struktur pembentukan matriks instrumen. Pada Difference GMM, setiap tambahan satu periode waktu (T) akan menghasilkan set instrumen historis yang semakin panjang. Proses diferensiasi (first difference) sangat superior untuk menghilangkan unobserved heterogeneity, tetapi proses pengurangan variabel t dengan variabel t-1 ini memiliki kelemahan fatal mekanis. Jika variabel respon tersebut berperilaku layaknya *random walk* (di mana nilai hari ini murni merupakan nilai kemarin ditambah kejutan acak), maka transformasinya semata-mata hanya menyisakan derau atau sinyal kejut acak (white noise).
Kondisi *white noise* ini mengakibatkan instrumen yang ditarik dari bentuk level (misalnya Y_t-2) tidak memiliki korelasi yang bermakna dengan persamaan diferensiasi. Dalam ekonometrika, kegagalan menemukan korelasi kuat pada proksi ini disebut krisis instrumen lemah (weak instruments problem). Estimator GMM yang beroperasi di bawah rezim instrumen lemah akan membias parah (Arellano & Bover, 1995). Varians dari koefisien membesar tak terkendali, sehingga pengujian hipotesis t-statistik sering gagal menolak hipotesis nol, menciptakan kesimpulan palsu bahwa variabel tersebut tidak berpengaruh.
System GMM muncul sebagai penyelamat dengan memperkenalkan asumsi fundamental baru. Asumsi tambahan ini mensyaratkan bahwa deviasi awal kondisi variabel tidak berkorelasi dengan efek spesifik invidunya (Blundell & Bond, 1998). Jika asumsi initial condition ini terpenuhi, peneliti secara sah diizinkan untuk membangun set persamaan tambahan yang menggunakan data dalam bentuk level aslinya. Alih-alih menggunakan lag level sebagai instrumen, persamaan kedua ini menggunakan lag dari data diferensiasi (first differences) sebagai proksi.
Penggabungan sistem persamaan diferensiasi dan persamaan level ini menciptakan sistem matriks bertumpuk (stacked). Melalui pendekatan sistem (System GMM), variasi data silang tempat (cross-sectional variance) yang tadinya dibuang habis-habisan oleh Difference GMM berhasil diselamatkan dan didaur ulang menjadi penambah daya ledak instrumen. Hasilnya terbukti secara empiris: System GMM menghasilkan efisiensi asimtotik yang jauh lebih tajam dengan rentang standar error yang lebih menyempit dan parameter penaksir yang lebih stabil (Bond, 2002).
Kendati menawarkan efisiensi tinggi, pengoperasian System GMM sangat rapuh terhadap fenomena instrument proliferation (perkembangbiakan instrumen). Roodman (2009) menegaskan bahwa instrumen pada GMM tumbuh secara kuadratik seiring bertambahnya panel waktu (T). Ketika jumlah instrumen melampaui jumlah observasi cross-section (N), matriks instrumen berisiko melakukan overfitting terhadap variabel endogen. Dampaknya mengerikan: algoritma Hansen J-Test sebagai benteng pertahanan terakhir dari endogenitas kehilangan daya tolaknya (power of test), mendiktekan seolah-olah model tersebut sempurna padahal sejatinya runtuh (ditandai dengan nilai p-value Hansen sebesar 1.00).
Untuk menangkal ledakan instrumen ini, sintaks komputasi masa kini menyediakan dua mekanisme pengereman. Opsi pertama adalah membatasi kedalaman lag limit, misalnya dengan membatasi instrumen maksimal hanya sampai lag ke-2 atau ke-3 (menggunakan fungsi laglimits(2 3) pada STATA). Opsi kedua adalah prosedur collapse, yang memampatkan seluruh blok diagonal matriks instrumen Arellano-Bond menjadi vektor tunggal yang ramping (Roodman, 2009). Implementasi ini memastikan degrees of freedom regresi tetap aman di bawah kendali N individu Anda.
Tantangan teknis berikutnya terletak pada estimasi Two-Step GMM. Secara teori, metode Two-Step jauh lebih superior dibanding One-Step karena menggunakan matriks varians-kovarians residual optimal yang kebal dari heteroskedastisitas struktural. Sayangnya, untuk sampel observasi terbatas (finite samples), taksiran Two-Step standard error cenderung mengalami downward bias yang ekstrem, membuat koefisien terlihat signifikan padahal aslinya tidak. Solusi dari kelemahan asimtotik komputasi ini diselesaikan secara paripurna oleh koreksi derajat bebas dari Windmeijer (2005), yang langsung terintegrasi secara otomatis saat Anda menggunakan opsi robust bersamaan dengan twostep di dalam modul xtabond2 STATA.
Kesimpulan
Keputusan meracik pemodelan data panel dinamis bermuara pada sifat persisten data itu sendiri. Perbedaan System GMM vs Difference GMM terletak pada cara mereka menangani efisiensi hilangnya efek tetap. Difference GMM sangat layak digunakan manakala data Anda memiliki T yang pendek, N besar, dan variabel respon tidak stasioner atau berfluktuasi tajam menjauhi kondisi *random walk*. Namun, tatkala Anda mengelola data makroekonomi atau finansial persisten yang memiliki rekam jejak koefisien AR(1) di atas 0.8, System GMM adalah penangkal mutlak (holy grail) yang wajib Anda gunakan. Pastikan selalu memberlakukan pembatasan instrumen melalui opsi collapse pada STATA untuk mencegah p-value uji Hansen meroket tidak terkendali (overfitting), serta selalu aktifkan koreksi robust Windmeijer untuk mempertahankan keakuratan uji t-statistik Anda.
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.
- Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.
- Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.
- Bond, S. R. (2002). Dynamic panel data models: A guide to micro data methods and practice. Portuguese Economic Journal, 1(2), 141-162.
- Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica: Journal of the Econometric Society, 49(6), 1417-1426.
- Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.
- Windmeijer, F. (2005). A finite sample correction for the variance of linear efficient two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.