Evaluasi dan Perbandingan Metode Estimasi Persamaan Simultan dalam Ekonometrika Menggunakan Pendekatan OLS, ILS, TSLS, 3SLS, dan FIML

 

Evaluasi dan Perbandingan Metode Estimasi Persamaan Simultan dalam Ekonometrika Menggunakan Pendekatan OLS, ILS, TSLS, 3SLS, dan FIML

 Riller Katipana

Email|IDEAS/RePEc|EconPapers|EconAcademics

PENDAHULUAN

Dalam analisis ekonometrika, banyak variabel ekonomi memiliki hubungan timbal balik atau hubungan simultan, seperti inflasi, konsumsi, investasi, distribusi, dan harga barang. Kondisi tersebut menyebabkan penggunaan metode regresi biasa seperti Ordinary Least Squares (OLS) sering menghasilkan estimasi yang bias dan tidak konsisten karena adanya masalah endogenitas dan hubungan dua arah antar variabel. Oleh karena itu, berkembang berbagai metode estimasi persamaan simultan seperti Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) yang dianggap mampu menghasilkan estimasi yang lebih akurat dan efisien.

     Menurut Lawrence Klein (1950), model persamaan simultan diperlukan karena variabel ekonomi saling memengaruhi secara bersamaan sehingga tidak dapat dianalisis menggunakan regresi tunggal biasa. Selanjutnya, Henri Theil (1971) menjelaskan bahwa metode Two Stage Least Squares (TSLS) dan Three Stage Least Squares (3SLS) lebih mampu mengatasi masalah simultanitas dan korelasi antar error dibanding metode Ordinary Least Squares (OLS).

       Selain itu, Gujarati (2004) menyatakan bahwa penggunaan OLS pada model simultan dapat menghasilkan estimasi yang bias dan inkonsisten akibat adanya endogenitas. Sementara itu, Wooldridge (2016) menegaskan bahwa pemilihan metode estimasi yang tepat sangat penting untuk menghasilkan model ekonometrika yang efisien dan valid.

Namun, dalam praktik penelitian masih banyak studi yang menggunakan metode estimasi tanpa mempertimbangkan karakteristik model simultan yang digunakan. Perbedaan hasil estimasi antar metode sering menimbulkan ketidakpastian dalam menentukan metode yang paling tepat untuk menghasilkan model ekonometrika yang valid, konsisten, dan efisien.

Penelitian terdahulu mengenai persamaan simultan umumnya hanya berfokus pada penggunaan satu metode estimasi tertentu, seperti Ordinary Least Squares (OLS) atau Two Stage Least Squares (TSLS), tanpa melakukan evaluasi dan perbandingan secara menyeluruh terhadap metode Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML). Selain itu, masih terbatas penelitian yang membandingkan tingkat bias, konsistensi, efisiensi, dan akurasi estimasi dari masing-masing metode dalam satu model ekonometrika simultan.

Menurut Stock dan Watson (2019), metode estimasi simultan memiliki tingkat efisiensi yang berbeda tergantung pada struktur model dan kualitas instrumen yang digunakan. Penelitian Greene (2018) juga menunjukkan bahwa metode Full Information Maximum Likelihood (FIML) cenderung lebih efisien pada sistem persamaan besar, tetapi lebih sensitif terhadap kesalahan spesifikasi model.

Gap lainnya adalah belum banyak kajian yang menjelaskan metode estimasi mana yang paling sesuai digunakan berdasarkan kondisi data, tingkat endogenitas, serta kompleksitas hubungan antar variabel ekonomi. Oleh karena itu, diperlukan penelitian yang mengevaluasi dan membandingkan metode Ordinary Least Squares (OLS), Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) secara komprehensif agar diperoleh metode estimasi yang paling tepat dalam analisis ekonometrika simultan.

Dari uraian fenomena dan resecarh gap yang telah dipaparkan, maka dapat dibuat beberapa rumusan masalah untuk dibahas selanjutnya yaitu sebagai berikut :

1. Apakah metode Ordinary Least Squares (OLS) menghasilkan estimasi yang bias pada model persamaan simultan dalam ekonometrika?
2. Bagaimana perbedaan hasil estimasi antara metode Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) dalam model persamaan simultan?
3. Metode estimasi manakah yang paling efisien, konsisten, dan akurat dalam mengatasi masalah simultanitas dan endogenitas pada model ekonometrika?
4. Bagaimana pengaruh tingkat endogenitas dan kompleksitas hubungan antar variabel terhadap hasil estimasi metode OLS, ILS, TSLS, 3SLS, dan FIML?
5. Apakah metode Three Stage Least Squares (3SLS) dan Full Information Maximum Likelihood (FIML) memberikan hasil estimasi yang lebih baik dibandingkan metode Ordinary Least Squares (OLS) dan Two Stage Least Squares (TSLS)?

PEMBAHASAN :

I. Metode OLS (Ordinary Least Squares)

Metode regresi paling dasar untuk mengestimasi hubungan antara variabel independen dan dependen. Tujuannya untuk mencari garis regresi terbaik dengan meminimalkan jumlah kuadrat error.

Gambar.1

Gambar.2

Pada tampilan persamaan OLS pada gambar. 1-2, maka dapat dijelaskan Metode Ordinary Least Squares (OLS) merupakan metode estimasi regresi yang paling umum digunakan dalam analisis ekonometrika karena memiliki sifat Best Linear Unbiased Estimator (BLUE) apabila asumsi klasik terpenuhi. Namun, pada model persamaan simultan, penggunaan OLS sering menghasilkan estimasi yang bias dan tidak konsisten akibat adanya masalah simultanitas dan endogenitas antar variabel.

Dalam model persamaan simultan, variabel dependen dan independen saling memengaruhi secara bersamaan. Artinya, suatu variabel tidak hanya berperan sebagai variabel penjelas, tetapi juga dipengaruhi oleh variabel lain dalam sistem persamaan yang sama. Kondisi ini menyebabkan variabel independen berkorelasi dengan error term, sehingga melanggar asumsi dasar OLS bahwa:

Cov(X,e)=0

Jika kovarians antara variabel independen dan error tidak sama dengan nol, maka estimator OLS menjadi bias dan inkonsisten.

Menurut Gujarati (2004), bias pada OLS dalam model simultan muncul karena adanya hubungan dua arah (simultaneity bias) antara variabel ekonomi. Sebagai contoh, dalam sistem ekonomi:

• inflasi memengaruhi harga barang,
• tetapi harga barang juga memengaruhi inflasi.

Hubungan tersebut dapat dituliskan sebagai:

1. Y₁ = β₀ + β₁Y₂ + e₁.   …...........…............  2. Y₂ = α₀ + α₁Y₁ + e₂

Pada kondisi tersebut, variabel (Y_1) dan (Y_2) saling memengaruhi sehingga OLS tidak mampu memisahkan pengaruh murni antar variabel. Akibatnya, koefisien regresi yang dihasilkan menjadi tidak akurat.

Menurut Wooldridge (2016), masalah utama pada model simultan adalah endogenitas, yaitu ketika variabel penjelas berkorelasi dengan error. Dalam kondisi ini, estimasi OLS tidak lagi memenuhi sifat BLUE karena:

• nilai estimasi menjadi bias,
• varians estimator meningkat,
• dan hasil inferensi statistik menjadi tidak valid.

Secara matematis, estimator OLS dinyatakan sebagai:

β̂ = (X'X)⁻¹X'Y

Namun pada model simultan:

Cov(X,e) ≠ 0

sehingga:

E(β̂) ≠ β

Artinya, nilai harapan estimator tidak sama dengan parameter sebenarnya sehingga estimator menjadi bias.

Sebagai contoh kasus ekonomi di Maluku, harga pangan dan inflasi daerah memiliki hubungan simultan. Ketika inflasi meningkat, harga pangan naik. Namun di sisi lain, kenaikan harga pangan juga mendorong inflasi daerah. Jika hubungan tersebut diestimasi menggunakan OLS biasa, maka hasil estimasi pengaruh inflasi terhadap harga pangan dapat mengalami bias karena kedua variabel saling memengaruhi secara simultan.

Untuk mengatasi masalah tersebut, dikembangkan metode estimasi persamaan simultan seperti:

• Indirect Least Squares (ILS),
• Two Stage Least Squares (TSLS),
• Three Stage Least Squares (3SLS),
• dan Full Information Maximum Likelihood (FIML).

Metode-metode tersebut dirancang untuk mengatasi endogenitas melalui penggunaan variabel instrumental dan estimasi sistem persamaan secara simultan sehingga menghasilkan estimator yang lebih konsisten dan efisien dibanding OLS.

Dengan demikian, secara ilmiah dapat disimpulkan bahwa metode Ordinary Least Squares (OLS) cenderung menghasilkan estimasi yang bias pada model persamaan simultan karena adanya hubungan dua arah dan korelasi antara variabel independen dengan error term. Oleh sebab itu, penggunaan metode estimasi simultan menjadi lebih tepat dalam analisis ekonometrika yang melibatkan hubungan antar variabel ekonomi secara simultan.

Ii. Perbedaan hasil estimasi antara metode Indirect Least Squares (ILS), Two Stage Least       Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum     Likelihood (FIML) dalam model persamaan simultan.

1. Metode Indirect Least Square (ILS)

Metode Indirect Least Squares (ILS) digunakan pada persamaan simultan yang berstatus exactly identified. ILS bekerja dengan mengestimasi persamaan bentuk tereduksi (reduced form) terlebih dahulu, kemudian parameter struktural diperoleh secara tidak langsung.

Gambar. 3

Gambar. 4

Metode  (ILS) memiliki karakteristik estimasi yang relatif sederhana dan mudah dihitung sehingga cocok digunakan pada model persamaan simultan berukuran kecil. Menurut Gujarati (2004), ILS merupakan metode awal dalam estimasi persamaan simultan yang digunakan untuk memperoleh parameter struktural melalui bentuk tereduksi (reduced form). Kelebihan metode ini adalah proses perhitungannya lebih sederhana dibanding metode simultan lainnya, namun kelemahannya tidak dapat digunakan pada model overidentified dan tingkat efisiensinya relatif lebih rendah dibanding metode lanjutan seperti Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML). Selain itu, Koutsoyiannis (1977) menjelaskan bahwa ILS hanya efektif digunakan pada sistem exactly identified karena parameter struktural diperoleh secara tidak langsung dari koefisien bentuk tereduksi. Meskipun demikian, hasil estimasi ILS tetap bersifat konsisten apabila asumsi model terpenuhi dan spesifikasi model dilakukan dengan benar.

2. Metode Two Stage Least Square (2SLS)

Metode Two Stage Least Squares (TSLS) merupakan pengembangan dari metode Indirect Least Squares (ILS) yang digunakan untuk mengatasi masalah endogenitas dalam model persamaan simultan melalui penggunaan variabel instrumental. Menurut Theil (1971), TSLS mampu menghasilkan estimator yang lebih konsisten dibanding Ordinary Least Squares (OLS) ketika terjadi hubungan simultan antar variabel ekonomi. Proses estimasi TSLS dilakukan dalam dua tahap, yaitu pada tahap pertama variabel endogen diestimasi menggunakan seluruh variabel eksogen dalam model untuk memperoleh nilai prediksi yang bebas dari korelasi dengan error, kemudian pada tahap kedua nilai prediksi hasil tahap pertama digunakan dalam persamaan struktural untuk mengestimasi parameter regresi. Selain itu, Wooldridge (2016) menjelaskan bahwa TSLS menjadi salah satu metode paling umum digunakan dalam ekonometrika simultan karena mampu mengurangi bias akibat endogenitas dan menghasilkan estimasi yang konsisten pada model overidentified.

Gambat.5

Gambar.6

Gambat.7

TSLS dikembangkan sebagai penyempurnaan dari metode Indirect Least Squares (ILS) dengan memanfaatkan variabel instrumental agar estimator yang dihasilkan menjadi konsisten dan tidak bias secara asimtotik.

Karakteristik utama TSLS adalah proses estimasi dilakukan melalui dua tahap (two stage estimation). Pada tahap pertama, variabel endogen diproyeksikan menggunakan seluruh variabel eksogen atau instrumen untuk memperoleh nilai prediksi yang bebas dari korelasi dengan error. Pada tahap kedua, nilai prediksi tersebut digunakan dalam persamaan struktural untuk mengestimasi parameter regresi.

Secara matematis, masalah utama pada model simultan terjadi ketika:

Cov(X,e) ≠ 0

yang menyebabkan estimator Ordinary Least Squares (OLS) menjadi bias dan tidak konsisten. Oleh karena itu, TSLS menggunakan variabel instrumental Z yang memenuhi syarat:

• berkorelasi dengan variabel endogen X,

• tetapi tidak berkorelasi dengan error e.

Menurut Gujarati (2004), TSLS merupakan metode yang paling umum digunakan dalam estimasi persamaan simultan karena mampu menghasilkan estimator yang konsisten pada model overidentified. Selain itu, Wooldridge (2016) menjelaskan bahwa kualitas estimator TSLS sangat bergantung pada validitas dan kekuatan variabel instrumental yang digunakan.

Karakteristik lain dari TSLS adalah:

• dapat digunakan pada model exactly identified maupun overidentified,

• mampu mengurangi simultaneity bias,

• menghasilkan estimator konsisten dalam sampel besar,

• menggunakan pendekatan instrumental variable,

• dan lebih efisien dibanding ILS.

Namun demikian, TSLS juga memiliki beberapa kelemahan, seperti:

• sensitif terhadap instrumen lemah (weak instruments),

• varians estimator bisa besar jika instrumen kurang relevan,

• dan efisiensinya masih lebih rendah dibanding Three Stage Least Squares (3SLS) dan Full Information Maximum Likelihood (FIML).

Dalam bentuk matriks, estimator TSLS dituliskan sebagai:

β̂TSLS = (X'PZX)^−1 X'PZY

dengan matriks proyeksi instrumen:

PZ = Z(Z'Z)^−1 Z'

Persamaan tersebut menunjukkan bahwa TSLS memproyeksikan variabel endogen ke ruang variabel instrumental sebelum dilakukan estimasi parameter struktural.

Sebagai contoh dalam bidang ekonomi, TSLS dapat digunakan untuk menganalisis hubungan antara inflasi dan harga pangan di Maluku, di mana inflasi bersifat endogen karena dipengaruhi oleh harga pangan itu sendiri. Dalam kondisi tersebut, biaya distribusi atau harga BBM dapat digunakan sebagai variabel instrumental untuk memperoleh estimasi pengaruh inflasi terhadap harga pangan yang lebih konsisten.

Dengan demikian, secara karakteristik TSLS merupakan metode estimasi simultan yang dirancang untuk mengatasi endogenitas melalui pendekatan variabel instrumental sehingga menghasilkan estimator yang lebih valid dibanding OLS pada model persamaan simultan.

3. Metode Three Stage Least Square (3SLS)

Metode Three Stage Least Squares (3SLS) merupakan metode estimasi persamaan simultan yang mengembangkan TSLS dengan menambahkan pendekatan Generalized Least Squares (GLS) untuk mempertimbangkan korelasi error antar persamaan. Metode ini menghasilkan estimator yang lebih efisien dibanding TSLS karena memanfaatkan seluruh informasi dalam sistem simultan. Oleh sebab itu, 3SLS sangat cocok digunakan pada model ekonomi yang memiliki hubungan simultan kompleks dan keterkaitan error antar persamaan.

Karakteristik utama metode 3SLS adalah:

• mengestimasi seluruh sistem persamaan secara simultan,
• menggunakan variabel instrumental,
• mempertimbangkan korelasi error antar persamaan,
• menghasilkan estimator lebih efisien dibanding TSLS,
• cocok digunakan pada model simultan berukuran besar.

Namun demikian, metode ini juga memiliki kelemahan:

• perhitungan lebih kompleks,
• sensitif terhadap kesalahan spesifikasi model,
• membutuhkan asumsi struktur error yang benar.

Menurut Greene (2018), jika spesifikasi salah pada satu persamaan, maka bias dapat menyebar ke seluruh sistem karena estimasi dilakukan secara simultan.

Gambar.8

Gambar. 9

Kriteria utama penggunaan 3SLS adalah model harus memenuhi kondisi identified (exactly identified atau overidentified), memiliki variabel instrumental yang valid, serta terdapat keterkaitan sistem persamaan yang diestimasi secara simultan. Selain itu, 3SLS mengasumsikan bahwa error antar persamaan dapat saling berkorelasi sehingga metode ini menggabungkan pendekatan Two Stage Least Squares (TSLS) dan Generalized Least Squares (GLS) untuk meningkatkan efisiensi estimator. Menurut Theil (1971), 3SLS menghasilkan estimator yang lebih efisien dibanding TSLS karena menggunakan seluruh informasi dalam sistem persamaan simultan. Namun, menurut Greene (2018), metode ini sangat sensitif terhadap kesalahan spesifikasi model sehingga seluruh persamaan dalam sistem harus dirumuskan secara tepat agar estimator tetap konsisten dan efisien.

4. Metode Full Information Maximum Likelihood (FIML)

Metode Full Information Maximum Likelihood (FIML) merupakan metode estimasi dalam ekonometrika yang digunakan untuk mengestimasi seluruh sistem persamaan simultan secara bersamaan dengan menggunakan seluruh informasi yang tersedia dalam model. FIML dikembangkan berdasarkan pendekatan Maximum Likelihood Estimation (MLE) sehingga estimator diperoleh dengan memaksimalkan fungsi likelihood dari keseluruhan sistem persamaan simultan.

Menurut Klein (1950), metode FIML sangat cocok digunakan pada model ekonomi makro yang kompleks karena mampu mengestimasi hubungan simultan antar variabel secara menyeluruh. Selain itu, Greene (2018) menjelaskan bahwa FIML merupakan salah satu metode estimasi simultan yang paling efisien karena menggunakan seluruh informasi dalam sistem persamaan, baik struktur model maupun kovarians error antar persamaan.

Gambar. 10

Karakteristik utama FIML adalah estimasi dilakukan secara simultan terhadap seluruh persamaan dalam sistem, bukan per persamaan secara terpisah seperti pada Two Stage Least Squares (TSLS). Oleh karena itu, FIML mempertimbangkan:

• hubungan antar variabel endogen,
• korelasi error antar persamaan,
• serta seluruh restriksi struktural dalam model.

Menurut Klein (1950), FIML sangat cocok digunakan pada model ekonomi simultan yang kompleks karena mampu menggunakan seluruh informasi sistem secara menyeluruh. Selain itu, Greene (2018) menjelaskan bahwa FIML merupakan metode estimasi simultan yang paling efisien secara asimtotik apabila spesifikasi model dan asumsi distribusi error terpenuhi.

Karakteristik lain metode FIML adalah:

• menggunakan pendekatan Maximum Likelihood,
• mengestimasi parameter struktural dan kovarians error secara simultan
• dapat digunakan pada model overidentified,
• menghasilkan estimator sangat efisien,
• cocok untuk model simultan berskala besar dan kompleks.

Secara matematis, model FIML umumnya ditulis:

BY + ΓX = u

dengan asumsi error:

u ~ N(0, Σ)

Parameter diperoleh dengan memaksimalkan fungsi likelihood:

θ̂ = arg max L(θ)

Karena menggunakan seluruh informasi dalam sistem, FIML memiliki efisiensi lebih tinggi dibanding Indirect Least Squares (ILS), TSLS, maupun Three Stage Least Squares (3SLS). Namun demikian, metode ini juga memiliki beberapa kelemahan, seperti:

• perhitungan matematis sangat kompleks,
• membutuhkan asumsi distribusi normal multivariat
• sangat sensitif terhadap kesalahan spesifikasi model,
• dan jika satu persamaan salah spesifikasi maka seluruh sistem estimasi dapat menjadi bias.

Menurut Gujarati (2004), keunggulan efisiensi FIML harus diimbangi dengan spesifikasi model yang benar karena kesalahan kecil dalam sistem dapat memengaruhi seluruh hasil estimasi.

Sebagai contoh dalam bidang ekonomi, FIML dapat digunakan untuk menganalisis hubungan simultan antara inflasi, harga pangan, distribusi barang, dan suku bunga, di mana seluruh variabel ekonomi tersebut saling memengaruhi secara simultan dan error antar persamaan cenderung berkorelasi.

Dengan demikian, secara karakteristik FIML merupakan metode estimasi simultan yang paling komprehensif dan efisien karena menggunakan seluruh informasi sistem persamaan secara bersama-sama melalui pendekatan Maximum Likelihood.

Gambar. 11

Dari tabel dapat dijelaskan bahwa metode Ordinary Least Squares (OLS), Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) memiliki perbedaan pada tingkat konsistensi, efisiensi, dan kompleksitas estimasi dalam model persamaan simultan. OLS merupakan metode paling sederhana dan mudah digunakan, tetapi menghasilkan estimator bias pada model simultan karena adanya endogenitas dengan kondisi Cov(X,e) ≠ 0. ILS digunakan pada model exactly identified dengan estimasi melalui bentuk reduced form sehingga menghasilkan estimator konsisten, namun efisiensinya masih rendah. TSLS merupakan pengembangan ILS dengan pendekatan variabel instrumental untuk mengatasi endogenitas dan dapat digunakan pada model overidentified dengan efisiensi lebih baik. Selanjutnya, 3SLS mengembangkan TSLS dengan mempertimbangkan korelasi error antar persamaan menggunakan pendekatan Generalized Least Squares (GLS), sehingga menghasilkan estimator yang lebih efisien pada sistem simultan besar. Sementara itu, FIML merupakan metode paling kompleks tetapi paling efisien karena menggunakan seluruh informasi dalam sistem persamaan melalui pendekatan Maximum Likelihood, sehingga sangat cocok digunakan pada model simultan yang kompleks dan berskala besar.

III. Metode estimasi  yang paling efisien, konsisten, dan akurat dalam mengatasi masalah simultanitas dan endogenitas pada model ekonometrika.

Dalam pandangan para ahli ekonometrika, metode estimasi yang digunakan pada model persamaan simultan harus mampu mengatasi permasalahan simultanitas dan endogenitas agar estimator yang dihasilkan tetap konsisten, efisien, dan akurat. Gujarati (2004) menjelaskan bahwa penggunaan metode Ordinary Least Squares (OLS) pada model simultan cenderung menghasilkan estimator yang bias akibat adanya korelasi antara variabel endogen dan error. Oleh karena itu, metode Two Stage Least Squares (TSLS) dikembangkan dengan pendekatan variabel instrumental untuk menghasilkan estimator yang lebih konsisten.

Selanjutnya, Theil (1971) menyatakan bahwa metode Three Stage Least Squares (3SLS) memiliki tingkat efisiensi yang lebih tinggi dibanding TSLS karena mampu mengestimasi seluruh sistem persamaan secara simultan sekaligus mempertimbangkan korelasi error antar persamaan melalui pendekatan Generalized Least Squares (GLS). Di sisi lain, Greene (2018) menegaskan bahwa metode Full Information Maximum Likelihood (FIML) merupakan metode estimasi simultan yang paling efisien secara asimtotik karena menggunakan seluruh informasi dalam sistem persamaan melalui pendekatan Maximum Likelihood.

Selain itu, Wooldridge (2016) menyebutkan bahwa efektivitas metode estimasi sangat dipengaruhi oleh struktur model, tingkat endogenitas, validitas variabel instrumental, serta kompleksitas hubungan antar variabel ekonomi. Dengan demikian, metode TSLS, 3SLS, dan FIML dinilai lebih tepat digunakan dalam model persamaan simultan dibanding OLS karena lebih mampu menghasilkan estimator yang konsisten dan efisien dalam analisis ekonometrika.

Berdasarkan pandangan para ahli ekonometrika, dapat disimpulkan bahwa pemilihan metode estimasi pada model persamaan simultan sangat menentukan kualitas hasil analisis karena adanya masalah simultanitas dan endogenitas yang dapat menyebabkan estimator menjadi bias dan tidak konsisten. Dalam konteks ini, perbedaan karakteristik setiap metode estimasi menunjukkan adanya trade-off antara tingkat efisiensi, konsistensi, dan kompleksitas perhitungan. Metode Ordinary Least Squares (OLS) memang memiliki prosedur estimasi yang sederhana, namun tidak mampu mengatasi korelasi antara variabel endogen dan error sehingga menghasilkan estimator yang bias pada sistem simultan. Oleh sebab itu, metode estimasi lanjutan seperti Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) dikembangkan untuk memperbaiki kelemahan tersebut melalui pendekatan variabel instrumental, estimasi sistem simultan, dan penggunaan seluruh informasi dalam model.

Secara analitis, metode TSLS menjadi solusi awal dalam mengatasi endogenitas karena mampu menghasilkan estimator yang konsisten melalui penggunaan variabel instrumental yang valid. Namun, efisiensi TSLS masih terbatas karena estimasi dilakukan per persamaan secara terpisah tanpa mempertimbangkan korelasi error antar persamaan. Dalam kondisi model simultan yang lebih kompleks dan memiliki keterkaitan error antar persamaan, metode 3SLS memberikan hasil estimasi yang lebih efisien karena mengombinasikan pendekatan TSLS dan Generalized Least Squares (GLS). Di sisi lain, FIML dianggap sebagai metode paling komprehensif karena mengestimasi seluruh sistem persamaan secara simultan dengan pendekatan Maximum Likelihood, sehingga secara teoritis menghasilkan estimator paling efisien dan paling akurat apabila spesifikasi model terpenuhi.

Namun demikian, peningkatan efisiensi metode estimasi juga diikuti oleh meningkatnya sensitivitas terhadap kesalahan spesifikasi model. Semakin kompleks metode yang digunakan, maka semakin tinggi pula kebutuhan terhadap validitas instrumen, ketepatan identifikasi model, serta pemenuhan asumsi distribusi error. Kesalahan kecil dalam spesifikasi model pada metode seperti 3SLS dan FIML dapat menyebabkan bias menyebar ke seluruh sistem persamaan. Oleh karena itu, efektivitas suatu metode estimasi tidak hanya ditentukan oleh tingkat efisiensinya secara teoritis, tetapi juga oleh kesesuaian metode dengan struktur data, kualitas instrumen, ukuran sampel, dan kompleksitas hubungan antar variabel ekonomi yang dianalisis.

Dengan demikian, pemilihan metode estimasi dalam ekonometrika simultan harus dilakukan secara hati-hati dan disesuaikan dengan karakteristik model penelitian. Dalam praktik empiris, TSLS cenderung lebih stabil dan banyak digunakan karena relatif lebih sederhana dan robust terhadap kesalahan spesifikasi, sedangkan 3SLS dan FIML lebih tepat digunakan pada model simultan yang besar dan kompleks dengan asumsi model yang kuat. Hal ini menunjukkan bahwa tidak terdapat satu metode estimasi yang mutlak terbaik untuk semua kondisi, melainkan setiap metode memiliki keunggulan dan keterbatasan yang bergantung pada konteks analisis ekonometrika yang digunakan.

IV. Pengaruh tingkat endogenitas dan kompleksitas hubungan antar variabel terhadap hasil estimasi metode OLS, ILS, TSLS, 3SLS, dan FIML.

Tingkat endogenitas dan kompleksitas hubungan antar variabel sangat memengaruhi hasil estimasi metode Ordinary Least Squares (OLS), Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML). Semakin tinggi tingkat endogenitas, maka kemungkinan terjadinya korelasi antara variabel independen dan error semakin besar sehingga metode OLS menghasilkan estimator yang bias dan tidak konsisten. Dalam kondisi tersebut, metode simultan seperti ILS dan TSLS lebih mampu menghasilkan estimator yang konsisten karena menggunakan pendekatan bentuk reduced form dan variabel instrumental untuk mengatasi simultanitas.

Selain itu, semakin kompleks hubungan antar variabel dan semakin besar keterkaitan antar persamaan dalam sistem simultan, maka metode 3SLS dan FIML menjadi lebih efisien dibanding TSLS. Hal ini disebabkan karena 3SLS mempertimbangkan korelasi error antar persamaan melalui pendekatan Generalized Least Squares (GLS), sedangkan FIML menggunakan seluruh informasi dalam sistem persamaan melalui pendekatan Maximum Likelihood. Namun, peningkatan kompleksitas model juga meningkatkan sensitivitas terhadap kesalahan spesifikasi model dan validitas instrumen. Oleh karena itu, pemilihan metode estimasi harus disesuaikan dengan tingkat endogenitas, struktur data, dan kompleksitas hubungan antar variabel agar estimator yang dihasilkan tetap konsisten, efisien, dan akurat.

V. Apakah metode Three Stage Least Squares (3SLS) dan Full Information Maximum Likelihood (FIML) memberikan hasil estimasi yang lebih baik dibandingkan metode Ordinary Least Squares (OLS) dan Two Stage Least Squares (TSLS)?

Jawabanya, Ya, metode Three Stage Least Squares (3SLS) dan Full Information Maximum Likelihood (FIML) umumnya memberikan hasil estimasi yang lebih baik dibandingkan Ordinary Least Squares (OLS) dan Two Stage Least Squares (TSLS) pada model persamaan simultan. Alasannya, 3SLS dan FIML mampu mengestimasi seluruh sistem persamaan secara simultan serta mempertimbangkan korelasi error antar persamaan sehingga menghasilkan estimator yang lebih efisien dan lebih akurat.

Metode OLS tidak mampu mengatasi masalah endogenitas karena terdapat korelasi antara variabel independen dan error (Cov(X,e) ≠ 0), sehingga estimator menjadi bias dan tidak konsisten. Sementara itu, TSLS memang mampu mengatasi endogenitas melalui variabel instrumental, tetapi estimasi masih dilakukan per persamaan secara terpisah sehingga tingkat efisiensinya lebih rendah dibanding 3SLS dan FIML.

Metode 3SLS meningkatkan efisiensi TSLS dengan menggunakan pendekatan Generalized Least Squares (GLS) untuk memperhitungkan hubungan error antar persamaan. Adapun FIML menjadi metode paling efisien karena menggunakan seluruh informasi dalam sistem persamaan melalui pendekatan Maximum Likelihood. Namun, keunggulan 3SLS dan FIML hanya berlaku apabila model terspesifikasi dengan benar, instrumen valid, dan asumsi statistik terpenuhi.

KESIMPULAN :

Kesimpulan dari kajian Evaluasi dan Perbandingan Metode Estimasi Persamaan Simultan dalam Ekonometrika Menggunakan Pendekatan OLS, ILS, TSLS, 3SLS, dan FIML menunjukkan bahwa pemilihan metode estimasi sangat memengaruhi kualitas hasil analisis ekonometrika, terutama pada model yang mengandung simultanitas dan endogenitas. Metode Ordinary Least Squares (OLS) cenderung menghasilkan estimator yang bias dan tidak konsisten pada model simultan karena adanya korelasi antara variabel endogen dan error. Sementara itu, metode Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML) dikembangkan untuk mengatasi permasalahan tersebut dengan tingkat efisiensi dan kompleksitas yang berbeda.

Hasil evaluasi menunjukkan bahwa TSLS mampu menghasilkan estimator yang konsisten melalui pendekatan variabel instrumental, sedangkan 3SLS memberikan efisiensi yang lebih tinggi karena mempertimbangkan korelasi error antar persamaan. Adapun FIML menjadi metode yang paling efisien dan paling akurat secara asimtotik karena menggunakan seluruh informasi dalam sistem persamaan simultan melalui pendekatan Maximum Likelihood. Namun, semakin tinggi tingkat efisiensi metode estimasi, maka semakin besar pula kebutuhan terhadap validitas instrumen, ketepatan spesifikasi model, dan pemenuhan asumsi statistik.

Dengan demikian, tidak terdapat satu metode estimasi yang mutlak terbaik untuk seluruh kondisi model ekonometrika. Pemilihan metode harus disesuaikan dengan tingkat endogenitas, struktur persamaan simultan, kompleksitas hubungan antar variabel, serta karakteristik data penelitian agar estimator yang dihasilkan tetap konsisten, efisien, dan akurat.

RUANG LINGKUP DAN BATASAN :

Pembahasan ini berfokus pada evaluasi dan perbandingan metode estimasi persamaan simultan dalam ekonometrika menggunakan pendekatan Ordinary Least Squares (OLS), Indirect Least Squares (ILS), Two Stage Least Squares (TSLS), Three Stage Least Squares (3SLS), dan Full Information Maximum Likelihood (FIML). Kajian difokuskan pada analisis tingkat bias, konsistensi, efisiensi, dan akurasi estimator dalam mengatasi masalah simultanitas dan endogenitas pada model ekonometrika simultan. Penelitian juga mencakup analisis bentuk struktural, reduced form, identifikasi model (exactly identified dan overidentified), penggunaan variabel instrumental, serta perbandingan estimasi berdasarkan kompleksitas hubungan antar variabel ekonomi. 

     Selain itu pembahasan dalam topik ini dibatasi hanya pada metode estimasi persamaan simultan yaitu OLS, ILS, TSLS, 3SLS, dan FIML tanpa membahas metode estimasi ekonometrika lainnya seperti Generalized Method of Moments (GMM) atau Panel Data Estimation. Analisis difokuskan pada model persamaan simultan linear dengan asumsi klasik ekonometrika dan distribusi error tertentu sesuai karakteristik masing-masing metode. Selain itu, penelitian hanya membandingkan aspek bias, konsistensi, efisiensi, dan sensitivitas spesifikasi model tanpa membahas pengembangan algoritma komputasi atau pendekatan non-linear yang lebih kompleks.

REKOMENDASI :

Berdasarkan hasil evaluasi dan perbandingan metode estimasi persamaan simultan, direkomendasikan agar pemilihan metode ekonometrika disesuaikan dengan tingkat endogenitas, struktur model, serta kompleksitas hubungan antar variabel. Metode Ordinary Least Squares (OLS) sebaiknya hanya digunakan pada model regresi yang tidak mengandung simultanitas karena cenderung menghasilkan estimator bias pada sistem persamaan simultan. Untuk model exactly identified, metode Indirect Least Squares (ILS) dapat digunakan karena menghasilkan estimator yang konsisten dengan prosedur estimasi yang relatif sederhana. Namun, pada model yang lebih kompleks dan mengandung masalah endogenitas, metode Two Stage Least Squares (TSLS) lebih direkomendasikan karena mampu menghasilkan estimator yang konsisten melalui pendekatan variabel instrumental.

       Kemudian untuk sistem persamaan simultan yang besar dan memiliki korelasi error antar persamaan, metode Three Stage Least Squares (3SLS) lebih tepat digunakan karena memiliki tingkat efisiensi yang lebih tinggi dibanding TSLS. Sementara itu, metode Full Information Maximum Likelihood (FIML) direkomendasikan pada model simultan yang kompleks dan memiliki spesifikasi yang kuat karena mampu menghasilkan estimator paling efisien dan paling akurat melalui penggunaan seluruh informasi dalam sistem persamaan. Namun, penggunaan 3SLS dan FIML harus disertai pengujian spesifikasi model, validitas instrumen, serta pemenuhan asumsi statistik agar hasil estimasi tetap konsisten dan tidak bias.

Dengan demikian, untuk topik pembahasan maupun berupa penelitian selanjutnya disarankan untuk mempertimbangkan karakteristik data, ukuran sampel, validitas instrumen, serta tingkat simultanitas sebelum menentukan metode estimasi yang digunakan. Pendekatan tersebut penting agar model ekonometrika yang dihasilkan memiliki tingkat akurasi, efisiensi, dan validitas yang lebih baik dalam menjelaskan fenomena ekonomi yang dianalisis.

 DAFTAR PUSTAKA :

1. Gujarati. 2004. Basic Econometrics. 4th Edition. New York: McGraw-Hill.
2. Wooldridge. 2016. Introductory Econometrics: A Modern Approach. 6th Edition. Boston: Cengage Learning.
3. Greene. 2018. Econometric Analysis. 8th Edition. New York: Pearson Education.
4. Theil. 1971. Principles of Econometrics. New York: Wiley.
5. Klein. 1950. Economic Fluctuations in the United States 1921–1941. New York: Wiley.
6. Koutsoyiannis. 1977. Theory of Econometrics. 2nd Edition. London: Macmillan Press.