Perbedaan System GMM vs Difference GMM: Konsep Teori dan Alur yang Benar

Dalam analisis ekonometrika data panel dinamis menggunakan Stata, pemahaman mendalam tentang Perbedaan System GMM vs Difference GMM: Panduan Memilih Model sangat menentukan keabsahan estimasi parameter. Para peneliti sering dihadapkan pada hasil estimasi Generalized Method of Moments (GMM) yang bias di mana koefisien variabel terikat lag (lagged dependent variable) hasil Difference GMM jatuh mendekati estimasi Fixed Effects (FE) atau bahkan berharga negatif tidak rasional. Masalah ini diperparah saat uji korelasi serial Arellano-Bond AR(2) menghasilkan p-value < 0,05 atau uji validitas instrumen Hansen test bernilai p-value = 1,000 yang mengindikasikan masalah instrument proliferation.

Gejala kegagalan model Difference GMM umumnya terjadi ketika data memiliki tingkat persistensi yang sangat tinggi (mendekati random walk) atau ketika rasio varians efek individu terhadap varians galat sangat besar. Dalam kondisi tersebut, instrumen berupa nilai lag level menjadi instrumen yang sangat lemah (weak instruments) untuk persamaan diferensiasi pertama. Mengabaikan gejala ini menyebabkan koefisien regresi mengalami bias sampel terbatas (finite sample bias) yang fatal dan menghasilkan kesimpulan penelitian yang menyesatkan.

Konsep Teori Data Panel Dinamis: Difference GMM vs System GMM

Model data panel dinamis ditandai dengan hadirnya variabel terikat lag (y_{i,t-1}) di sisi kanan persamaan sebagai prediktor. Keberadaan lag ini menimbulkan masalah endogenitas yang dikenal sebagai Nickell bias (Nickell, 1981), di mana y_{i,t-1} berkorelasi dengan komponen efek individu unobserved (eta ke i). Akibatnya, metode regresi konvensional seperti Ordinary Least Squares (OLS) akan menghasilkan estimasi yang bias ke atas (upward biased), sedangkan estimator Fixed Effects (Within Group) akan menghasilkan estimasi yang bias ke bawah (downward biased).

Untuk memahami landasan teori regresi data panel statis, asumsi dasar efek individu, serta perbedaan model Fixed Effects dan Random Effects secara mendalam, Anda dapat mempelajari ulasan lengkap mengenai teori dasar regresi data panel di www.statistikian.com. Pemahaman dasar regresi panel statis sangat diperlukan sebelum melangkah ke estimator dinamis GMM.

First-Difference GMM (Diff-GMM), yang diperkenalkan oleh Holtz-Eakin, Newey, dan Rosen (1988) serta dipopulerkan oleh Arellano dan Bond (1991), mengatasi bias efek individu dengan melakukan diferensiasi pertama pada persamaan regresi. Dengan mengurangkan nilai variabel periode t dengan t-1, komponen efek individu atau eta ke-i tereliminasi. Nilai lag level dari variabel terikat (y_{i,t-2} dan seterusnya) kemudian digunakan sebagai variabel instrumen yang valid karena berkorelasi dengan delta y_{i,t-1} tetapi orthoganal terhadap galat diferensiasi Delta epsilon_{it}.

Namun, Arellano dan Bover (1995) serta Blundell dan Bond (1998) menemukan kelemahan mendasar dari Difference GMM. Ketika variabel terikat sangat kontinu dari waktu ke waktu (persistensi tinggi dengan koefisien autoregresif mendekati 1), korelasi antara lag level dan nilai diferensiasi pertama menjadi sangat lemah. Untuk mengatasi masalah weak instruments ini, mereka mengusulkan System GMM (Sys-GMM). System GMM menggabungkan persamaan diferensiasi pertama (yang diinstrumenkan oleh lag level) dan persamaan level asli (yang diinstrumenkan oleh lag diferensiasi pertama) ke dalam satu sistem estimasi terpadu.

Langkah-Langkah Teknis Memilih Model dan Menjalankan Sintaks Stata xtabond2

Berikut adalah panduan praktis dan ilmiah langkah demi langkah dalam menentukan estimator GMM yang tepat beserta sintaks perintah Stata menggunakan package `xtabond2` (Roodman, 2009):

Langkah 1: Menentukan Batas Atas dan Batas Bawah Koefisien (OLS vs FE Bounds)
Estimasi model penelitian Anda terlebih dahulu menggunakan OLS dan Fixed Effects. Catat koefisien lag variabel terikat (y_{i,t-1}). Koefisien OLS merupakan batas atas (upper bound) dan koefisien FE merupakan batas bawah (lower bound). Estimasi GMM yang konsisten harus berada di antara kedua nilai batas ini (Bond, 2002).

Langkah 2: Menjalankan Difference GMM Awal di Stata
Jalankan perintah Difference GMM menggunakan paket `xtabond2` dengan opsi `nolevel` pada data panel Anda:

xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 .)) ivstyle(x1 x2) nolevel robust twostep
    

Langkah 3: Evaluasi Bias Difference GMM
Perhatikan koefisien `L.y` pada output Difference GMM. Jika nilai koefisien `L.y` berada sangat dekat atau bahkan di bawah koefisien Fixed Effects, ini mengindikasikan bahwa Difference GMM mengalami bias instrumen lemah. Anda harus beralih ke System GMM.

Langkah 4: Menjalankan System GMM dengan Penanganan Proliferasi Instrumen
Sistem GMM mengeksekusi dua persamaan sekaligus. Untuk mencegah ledakan jumlah instrumen (instrument proliferation) yang melebihi jumlah entitas (Instruments > N), gunakan opsi `collapse` dan batasi `laglimits` (Roodman, 2009):

xtabond2 y L.y x1 x2, gmmstyle(y, laglimits(2 3) collapse) ivstyle(x1 x2) robust twostep
    

Langkah 5: Pengujian Korelasi Serial Arellano-Bond (AR(1) dan AR(2))
Buka bagian output diagnostic. Pengujian korelasi serial mewajibkan p-value AR(1) < 0,05 (menunjukkan adanya autokorelasi tingkat pertama akibat diferensiasi) dan p-value AR(2)> 0,05 (menunjukkan tidak ada autokorelasi tingkat kedua pada galat asli) (Arellano & Bond, 1991).

Langkah 6: Pengujian Validitas Instrumen (Hansen Test dan Sargan Test)
Evaluasi p-value uji overidentifikasi *Hansen test*. Rentang p-value Hansen test yang ideal dan valid adalah antara 0,10 hingga 0,25. Nilai p-value yang terlalu tinggi (p = 1,000) menandakan bahwa instrumen terlalu banyak dan mengalami *overfitting* data.

Langkah 7: Menjalankan Uji Difference-in-Hansen untuk Instrumen Level Tambahan
System GMM menambah instrumen persamaan level. Periksa baris *Difference-in-Hansen tests for exogeneity of instrument subsets*. Pastikan p-value dari subset instrumen level bernilai > 0,05 agar asumsi stasioneritas awal terpenuhi.

Langkah 8: Menangani Endogenitas Variabel Bebas Penjelas
Jika variabel independen (x1) bersifat endogen atau predetermined, masukkan x1 ke dalam bagian `gmmstyle()`, bukan `ivstyle()`. Gunakan spesifikasi `gmmstyle(x1, laglimits(1 2) collapse)`.

Langkah 9: Menggunakan Koreksi Windmeijer pada Estimator Two-Step
Gunakan selalu opsi `twostep` bersama dengan opsi `robust`. Opsi `robust` pada `xtabond2` otomatis menerapkan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) pada matriks kovarians agar *standard error* tidak *underestimated*.

Pembahasan Ilmiah: Formulasi Momen dan Bahaya Proliferasi Instrumen

Secara matematis, estimasi Difference GMM didasarkan pada kondisi momen ortogonalitas. Kondisi momen ini memanfaatkan nilai level historis sebagai instrumen bagi galat diferensiasi pertama. Namun, ketika parameter autoregresif alpha mendekati 1, turunan kondisi momen tersebut mendekati nol, yang secara teoritis membuktikan melemahnya instrumen diferensiasi (Blundell & Bond, 1998).

System GMM menambah kondisi momen persilangan baru untuk persamaan level. Asumsi tambahan yang mendasari kondisi momen ini adalah bahwa perubahan variabel terikat (delta y_{i,t}) tidak berkorelasi dengan efek individu unobserved (eta ke-i), suatu kondisi yang dikenal sebagai stationarity of initial conditions (Arellano & Bover, 1995).

Salah satu bahaya terbesar dalam penggunaan System GMM adalah instrument proliferation (Roodman, 2009). Karena instrumen dibuat untuk setiap periode waktu dan setiap lag, jumlah instrumen tumbuh secara kuadratik terhadap periode waktu T. Proliferasi instrumen ini membiaskan koefisien regresi mendekati OLS, memperkecil *standard error* secara tidak wajar, serta merusak kemampuan *Hansen test* dalam mendeteksi instrumen yang tidak valid (ditandai dengan p-value = 1,000).

Untuk membendung proliferasi instrumen, Roodman (2009) menyarankan dua strategi utama: membatasi kedalaman lag (`laglimits`) dan menggabungkan vektor instrumen (`collapse`). Teknik `collapse` membuat instrumen tunggal untuk setiap lag di seluruh periode waktu, sehingga jumlah instrumen tumbuh secara linier terhadap T, bukan kuadratik.

Mengenai pilihan estimator *One-Step* vs *Two-Step*, estimator *Two-Step* secara teoritis lebih efisien karena menggunakan matriks bobot optimal yang dihitung dari residual *One-Step*. Namun, pada sampel terbatas, *standard error Two-Step* yang tidak dikoreksi akan sangat membias ke bawah. Penggunaan koreksi sampel terbatas Windmeijer (Windmeijer, 2005) wajib diterapkan untuk menghasilkan *standard error* yang akurat.

Perbandingan dengan estimator koreksi bias alternatif seperti *Corrected Least Squares Dummy Variable* (LSDVC) yang dikembangkan Kiviet (1995) menunjukkan bahwa LSDVC sangat unggul ketika ukuran sampel kecil (N < 30). Namun, LSDVC mengasumsikan seluruh regressor bersifat eksogen. Jika model mengandung variabel bebas endogen, System GMM tetap menjadi pilihan terbaik (Bond, 2002).

Dalam publikasi jurnal internasional, peneliti diwajibkan menyajikan tabel komparasi empat estimator secara berdampingan: OLS, Fixed Effects, Difference GMM, dan System GMM. Komparasi ini memberikan bukti transparansi metodologis bahwa koefisien System GMM yang dipilih benar-benar berada di antara batas OLS dan Fixed Effects serta bebas dari bias instrumen lemah.

Kesimpulan

Memilih antara Difference GMM dan System GMM harus didasarkan pada evaluasi tingkat persistensi data dan posisi koefisien lag relatif terhadap OLS dan Fixed Effects bounds. Jika data memiliki persistensi tinggi dan koefisien Difference GMM jatuh mendekati Fixed Effects, System GMM merupakan pilihan yang harus digunakan untuk mengatasi bias instrumen lemah. Dalam mengeksekusi System GMM pada Stata `xtabond2`, peneliti wajib membatasi jumlah instrumen agar tidak melebihi jumlah kelompok (Instruments > N) melalui opsi `collapse`, menggunakan estimator *Two-Step* dengan koreksi Windmeijer, serta memastikan terpenuhinya uji diagnostic Arellano-Bond AR(2) > 0,05 dan Hansen Test p-value pada rentang ideal 0,10 hingga 0,25.

Daftar Pustaka