Tutorial Dynamic Panel Data (GMM Arellano-Bond & System GMM) di EViews
Tutorial Dynamic Panel Data (GMM Arellano-Bond & System GMM) di EViews merupakan prosedur ekonometrika tingkat lanjut yang dirancang khusus untuk mengatasi masalah endogenitas sistematis dalam estimasi data panel. Masalah endogenitas ini umumnya timbul ketika variabel dependen terikat pada nilai masa lalunya sendiri (lagged dependent variable) sebagai variabel independen, atau ketika terdapat hubungan simultan antara regresor dengan penggalat atau error term. Namun, saat mengestimasi model panel dinamis di EViews, peneliti sering menghadapi kendala teknis berupa kegagalan uji overidentifikasi Sargan dengan nilai probabilitas yang bernilai satu tepat atau di bawah batas signifikansi, serta munculnya autokorelasi tingkat kedua pada penggalat diferensiasi.
Gejala operasional dari kesalahan estimasi ini terlihat jelas saat EViews menampilkan peringatan matriks mendekati singularitas (near singular matrix) atau menghasilkan matriks varians-kovarians yang tidak valid. Peneliti kerap kali terjebak dalam kondisi proliferasi instrumen (instrument proliferation), di mana jumlah instrumen yang digunakan melebihi jumlah unit observasi silang (cross-section). Kondisi tersebut menyebabkan koefisien regresi menjadi sangat bias, standar eror terdistorsi secara tidak wajar, dan kesimpulan statistik mengenai hubungan kausalitas antarvariabel menjadi sama sekali tidak sahih.
Landasan teoretis analisis panel dinamis pertama kali diformulasikan oleh Holtz-Eakin, Newey, dan Rosen (1988) untuk mengakomodasi struktur data yang memiliki dinamika waktu sekaligus efek individu tidak terobservasi. Dalam metode regresi data panel konvensional seperti Fixed Effects atau Random Effects, keberadaan lag variabel dependen akan memunculkan korelasi antara variabel tersebut dengan komponen galat individu. Bagi pembaca yang ingin memahami konsep dasar dan struktur pemodelan non-dinamis secara menyeluruh, pembahasan lengkap mengenai dasar teori regresi data panel dapat dipelajari pada domain utama statistikian.com.
Untuk mengatasi bias yang ditimbulkan oleh korelasi tersebut, Arellano dan Bond (1991) mengembangkan estimasi Generalized Method of Moments berbasis diferensiasi pertama (Difference GMM). Metode ini menghilangkan efek spesifik individu melalui transformasi beda pertama dan menggunakan nilai-nilai lag dari variabel level sebagai instrumen internal yang valid bagi variabel yang mengalami masalah endogenitas.
Meskipun Difference GMM terbukti efektif pada sampel dengan jumlah observasi silang yang besar, Blundell dan Bond (1998) mengidentifikasi adanya kelemahan berupa instrumen yang lemah (weak instruments) apabila data memiliki sifat persistensi yang sangat tinggi atau mendekati proses unit root. Dalam kondisi ini, instrumen lag level hanya memiliki korelasi yang sangat kecil terhadap diferensiasi pertamanya, sehingga estimasi beda pertama menjadi tidak efisien.
Sebagai solusinya, Blundell dan Bond (1998) merumuskan metode System GMM yang menggabungkan sistem persamaan diferensiasi pertama dengan sistem persamaan dalam tingkat level. Pada sistem level, variabel diuji menggunakan instrumen diferensiasi pertamanya, sehingga menghasilkan peningkatkan efisiensi statistik dan menurunkan bias pada sampel terbatas secara signifikan.
Bond (2002) menekankan bahwa batas atas dan batas bawah nilai koefisien lag variabel dependen dapat dievaluasi melalui estimasi Ordinary Least Squares dan Fixed Effects. Nilai koefisien estimasi GMM yang sahih harus berada di antara nilai estimasi Fixed Effects sebagai batas bawah dan nilai estimasi OLS sebagai batas atas.
Untuk mempraktikkan analisis data panel dinamis secara mandiri di EViews, langkah teknis pertama adalah memastikan struktur data panel telah terdefinisi secara rapi dengan format dated panel atau balanced panel melalui menu Proc, lalu memilih Structure/Resize Current Page.
Langkah kedua adalah membuka jendela estimasi persamaan dengan memilih menu Quick, kemudian mengklik Estimate Equation. Pada opsi metode estimasi (Method), ubah pilihan dari OLS menjadi DPD - Dynamic Panel Data atau GMM/3SLS khusus untuk objek panel EViews.
Langkah ketiga adalah menentukan bentuk spesifikasi transformasi. Pilih opsi First Differences jika memilih pendekatan Arellano-Bond Difference GMM, atau pilih opsi System GMM jika variabel-variabel penelitian terindikasi memiliki tingkat persistensi waktu yang tinggi.
Langkah keempat adalah menyusun bagian Instrument Specification. Masukkan variabel lag dependen beserta variabel independen endogen ke dalam kotak spesifikasi instrumen dinamik dengan membatasi kedalaman lag (lag limit) untuk mencegah terjadinya eksplosivitas jumlah instrumen.
Langkah kelima adalah menetapkan matriks pembobot (weighting matrix). Pilih opsi 2-Step GMM untuk memperoleh efisiensi estimasi yang lebih tinggi dibanding 1-Step GMM, namun pastikan untuk mengaktifkan koreksi sampel terbatas Windmeijer agar nilai standar eror tidak terbias ke bawah.
Langkah keenam adalah menjalankan pengujian dan mengevaluasi statistik diagnostic melalui menu View, kemudian memilih Instrument Diagnostics, dan mengklik Sargan/Hansen Test. Hipotesis nol menyatakan bahwa instrumen bersifat valid atau tidak berkorelasi dengan galat.
Langkah ketujuh adalah menguji keberadaan autokorelasi pada sisaan dengan mengklik Serial Correlation Test. Peneliti harus memastikan bahwa uji AR(1) signifikan secara statistik, sedangkan uji AR(2) wajib tidak signifikan secara statistik.
Jika statistik AR(2) menunjukkan p-value kurang dari 0,05, hal tersebut menandakan adanya autokorelasi tingkat kedua pada residual, yang membatalkan validitas lag instrumen yang digunakan dalam model.
Langkah kedelapan untuk mengatasi masalah AR(2) yang signifikan adalah dengan menggeser awal penggunaan lag instrumen ke periode yang lebih lampau, misalnya dari lag kedua menjadi lag ketiga atau lag keempat.
Langkah kesembilan untuk mengatasi kegagalan uji Sargan akibat proliferasi instrumen adalah dengan menerapkan fungsi pemicatan instrumen (collapse instruments) atau membatasi jumlah lag instrumen maksimum agar tidak melebihi jumlah unit cross-section.
Contoh Tabel/Diagram Output Regresi Dynamic Panel Data GMM
Berdasarkan gambar output EViews di atas, pembacaan hasil estimasi System GMM diawali dengan mengevaluasi signifikansi variabel lag dependen. Nilai koefisien lag variabel dependen adalah sebesar 0,654210 dengan probabilitas 0,0000, yang membuktikan adanya penyesuaian dinamis yang signifikan dari variabel dependen terhadap nilai masa lalunya.
Langkah pembacaan berikutnya difokuskan pada pengujian validitas instrumen dan syarat konsistensi estimasi. Nilai uji Arellano-Bond AR(1) menghasilkan probabilitas sebesar 0,0006 yang kurang dari 0,05, mengonfirmasi keberadaan autokorelasi tingkat pertama pada residual diferensiasi sebagai syarat alami transformasi beda pertama.
Sebaliknya, statistik uji Arellano-Bond AR(2) menghasilkan nilai probabilitas sebesar 0,3930 yang secara tegas lebih besar dari 0,05. Hasil ini membuktikan bahwa tidak terdapat autokorelasi tingkat kedua pada penggalat, sehingga asumsi dasar instrumen GMM terpenuhi secara valid.
Pengujian kelayakan instrumen secara menyeluruh ditunjukkan oleh hasil uji overidentifikasi Sargan Test yang menghasilkan nilai probabilitas sebesar 0,2514. Karena nilai ini berada di atas 0,05 dan tidak bernilai satu tepat, instrumen yang digunakan dinyatakan valid dan tidak berkorelasi dengan galat pemodelan.
Terakhir, evaluasi rasio instrumen terhadap jumlah individu dilakukan dengan membandingkan jumlah instrumen sebanyak 16 instrumen terhadap 30 unit cross-section. Karena jumlah instrumen lebih kecil dari jumlah unit cross-section, model ini dinyatakan terbebas dari masalah proliferasi instrumen.
Pembahasan ilmiah mengenai regresi panel dinamis sangat menekankan penanganan endogenitas akibat simultanitas dan variabel laten. Menurut Greene (2012), ketika variabel independen ditentukan secara bersamaan dengan variabel dependen dalam satu sistem perekonomian, estimasi kuadrat terkecil akan menghasilkan koefisien yang tidak konsisten dan bias secara persisten.
Metode GMM memecahkan masalah ini dengan memanfaatkan kondisi ortogonalitas (orthogonality conditions) antara instrumen lag dengan galat pemodelan. Roodman (2009) menegaskan bahwa kekuatan metode GMM terletak pada kemampuannya menghasilkan instrumen internal tanpa perlu mencari variabel eksogen dari luar sistem data.
Namun, Roodman (2009) juga memberikan peringatan keras mengenai fenomena pembanyakan instrumen (instrument proliferation). Menggunakan instrumen lag yang terlalu banyak dapat membuat matriks bobot GMM menjadi sangat cembung, memperkecil standar eror secara artifisial, dan merusak daya uji Sargan hingga menghasilkan p-value mendekati satu.
Dalam perspektif perbandingan metode, Baltagi (2021) menjelaskan bahwa System GMM terbukti secara empiris lebih unggul daripada Difference GMM ketika periode waktu pengamatan relatif pendek sedangkan variabel penelitian memiliki tingkat autokorelasi yang tinggi.
Untuk memastikan keandalan estimasi dua tahap, Windmeijer (2005) membuktikan secara matematis bahwa standar eror pada Two-Step GMM cenderung terbias ke bawah pada sampel terbatas. Penggunaan koreksi matriks varians Windmeijer menjadi kewajiban metodologis agar nilai t-statistik tidak over-signifikan.
Mileva (2007) menambahkan bahwa penataan lag instrumen harus didasarkan pada asumsi struktur variabel, di mana variabel dapat diklasifikasikan sebagai eksogen murni, prediktabil/endogen lemah, atau endogen murni.
Secara eksplisit, variabel yang bersifat endogen murni memerlukan instrumen lag mulai periode kedua dan sebelumnya, sedangkan variabel endogen lemah dapat diinstrumenkan mulai periode kesatu.
Pemahaman yang mendalam mengenai kombinasi pengujian statistik ini memungkinkan peneliti menyusun model estimasi panel dinamis yang tangguh, teoretis, dan teruji secara ekonometrika empiris.
Kesimpulan
Tutorial regresi dynamic panel data GMM, baik pendekatan Arellano-Bond Difference GMM maupun Blundell-Bond System GMM di EViews, merupakan solusi terbaik untuk mengatasi masalah endogenitas dan bias lag variabel dependen. Keberhasilan estimasi mensyaratkan pemenuhan uji diagnostik secara ketat, yaitu nilai uji AR(1) yang signifikan, AR(2) yang tidak signifikan, serta uji overidentifikasi Sargan/Hansen yang valid. Peneliti harus membatasi jumlah instrumen agar tidak melebihi jumlah unit cross-section dan menerapkan koreksi Windmeijer untuk memastikan simpangan baku dan p-value yang dihasilkan akurat secara ilmiah.
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.
- Baltagi, B. H. (2021). Econometric Analysis of Panel Data (6th ed.). Springer.
- 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.
- Greene, W. H. (2012). Econometric Analysis (7th ed.). Pearson Education.
- Holtz-Eakin, D., Newey, W., & Rosen, H. S. (1988). Estimating vector autoregressions with panel data. Econometrica, 56(6), 1371-1395.
- Mileva, E. (2007). Using Arellano-Bond dynamic panel GMM estimators in Stata. ECB Working Paper, 1-10.
- 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 two-step GMM estimators. Journal of Econometrics, 126(1), 25-51.