Ekonometrika Terapan S3

 

“Ekonometrika Terapan (Mahasiswa S3)”. Isinya menggambarkan roadmap pembelajaran ekonometrika tingkat lanjut, mulai dari konsep dasar sampai penelitian dan publikasi ilmiah.

Secara keseluruhan, alurnya adalah:

$$\boxed{ Konsep \rightarrow Teori \rightarrow OLS \rightarrow Diagnostik \rightarrow Panel \rightarrow Time\ Series \rightarrow Endogeneity \rightarrow Metode\ Lanjut \rightarrow Penelitian }$$

Berikut penjelasan setiap bagian.

---

🎯 Tujuan utama

Di tengah gambar tertulis “TUJUAN MK”.

Tujuannya adalah agar mahasiswa mampu:

memahami, menerapkan, dan mengembangkan metode ekonometrika lanjut untuk menganalisis data ekonomi secara rigor, kritis, dan menghasilkan penelitian yang orisinal serta berkualitas tinggi.

Jadi mata kuliah ini bukan hanya mengajarkan cara menjalankan software, tetapi bagaimana:

masalah ekonomi → model → data → estimasi → interpretasi → penelitian ilmiah.

---

1. Konsep Dasar & Kerangka Berpikir

Bagian pertama merupakan fondasi.

Materinya:

• Peran ekonometrika dalam penelitian ekonomi
• Karakteristik penelitian ilmiah
• Model ekonomi dan spesifikasi model
• Variabel, skala, dan transformasi
• Data cross-section, time series, panel, dan big data
• Proses penelitian:

$$Masalah \rightarrow Teori \rightarrow Model \rightarrow Data \rightarrow Estimasi \rightarrow Interpretasi$$

Intinya

Sebelum melakukan regresi, peneliti harus memahami masalah ekonominya terlebih dahulu.

Jangan dimulai dari:

“Saya punya data, regresinya pakai apa?”

Tetapi:

“Apa pertanyaan ekonomi yang ingin saya jawab?”

---

2. Teori Asimtotik & Sifat Penaksir

Ini merupakan fondasi matematis/statistis untuk memahami mengapa estimator ekonometrika dapat dipercaya.

Materinya:

• Probabilitas & distribusi asimtotik
• Hukum Bilangan Besar
• Teorema Limit Pusat
• Konsistensi
• Asimtotik normalitas
• Efisiensi
• Sifat OLS
• BLUE theorem
• Matriks, vektor, dan aljabar linear

Konsep pentingnya adalah properties of estimators.

Misalnya kita memperoleh:

$$\hat{\beta}$$

Kita ingin mengetahui apakah estimator tersebut:

• unbiased,
• consistent,
• efficient,
• asymptotically normal.

Mengapa penting?

Karena dalam ekonometrika kita tidak hanya bertanya:

“Berapa nilai koefisiennya?”

Tetapi:

“Apakah estimator tersebut memiliki sifat statistik yang baik?”

---

3. Regresi Linear Klasik — OLS

Ini merupakan inti ekonometrika dasar.

Model:

$$Y=X\beta+\varepsilon$$

atau secara sederhana:

$$Y_i=\beta_0+\beta_1X_i+\varepsilon_i$$

Kemudian berkembang menjadi multiple regression:

$$Y_i= \beta_0+ \beta_1X_{1i}+ \beta_2X_{2i} +\cdots+ \beta_kX_{ki} +\varepsilon_i$$

Materi dalam gambar:

• Model regresi linear berganda
• Estimasi OLS
• Inferensi: $t$, $F$, $R^2$, Adjusted $R^2$
• Goodness of fit
• Prediksi
• Dummy variable
• Interaction
• Transformasi model:
  • Log
  • Semi-log
  • Box-Cox

Contoh sesuai riset AI:

$$Productivity_{it} = \beta_0+ \beta_1AI_{it}+ \beta_2Capital_{it}+ \beta_3Labor_{it} +\epsilon_{it}$$

Pertanyaan:

Apakah AI berhubungan dengan peningkatan produktivitas setelah memperhitungkan capital dan labor?

---

4. Asumsi Klasik & Diagnostik Model

Setelah menjalankan OLS, jangan langsung melihat p-value.

Kita harus memeriksa apakah model mengalami masalah.

Gambar mencantumkan:

Multikolinearitas

Variabel independen terlalu berkorelasi.

Contoh:

$$Capital \leftrightarrow Investment$$

Dapat diperiksa dengan:

• VIF
• Condition Number

---

Heteroskedastisitas

Varians error tidak konstan:

$$Var(\epsilon_i|X_i)\neq\sigma^2$$

Pengujian:

• Breusch–Pagan
• White
• Glejser

---

Autokorelasi

Error antarperiode saling berkorelasi.

Pengujian:

• Durbin–Watson
• Breusch–Godfrey

Sangat penting pada time series dan panel data.

---

Normalitas residual

Gambar mencantumkan:

Jarque–Bera

---

Spesifikasi model

Apakah model yang kita bentuk sudah benar?

Gambar mencantumkan:

Ramsey RESET

---

Outlier dan influential point

Peneliti harus mengetahui apakah beberapa observasi tertentu terlalu kuat memengaruhi hasil regresi.

---

5. Regresi dengan Variabel Dependen Terbatas

Ini digunakan ketika $Y$ tidak berupa angka kontinu biasa.

Gambar mencantumkan:

Logit

Probit

Multinomial Logit

Tobit

Heckman Two-Stage Selection Model

Count Data

• Poisson
• Negative Binomial

---

Contoh: AI Adoption

Misalnya:

$$AI_i= \begin{cases} 1 & \text{perusahaan mengadopsi AI}\\ 0 & \text{tidak} \end{cases}$$

Kita ingin mengetahui:

Apa yang menentukan probabilitas perusahaan mengadopsi AI?

Maka:

$$P(AI_i=1) = f(Size_i,Skill_i,Capital_i,Digitalization_i)$$

→ Logit/Probit

Ini berbeda dari OLS karena dependent variable hanya 0/1.

---

6. Data Panel

Ini salah satu bagian paling penting untuk penelitian perusahaan.

Data panel menggabungkan:

cross-section + time series

Misalnya:

1.000 perusahaan × 10 tahun.

Strukturnya:

$$i=\text{perusahaan}$$ $$t=\text{tahun}$$

Model:

$$Y_{it} = \beta_0+ \beta_1X_{it} +\mu_i+\lambda_t+\epsilon_{it}$$

Gambar mencantumkan:

Model

• Pooled OLS
• Fixed Effect
• Random Effect

Pemilihan model

• Chow test
• Hausman test
• LM test

Isu lanjutan

• Heteroskedastisitas
• Autokorelasi
• Cross-section dependence

---

Mengapa panel sangat menarik untuk riset AI?

Misalnya:

AI adoption perusahaan A meningkat dari 2020 → 2024.

Kita dapat mengamati:

$$AI_{it}\rightarrow Productivity_{it}$$

pada perusahaan yang sama sepanjang waktu.

Ini biasanya jauh lebih informatif daripada hanya membandingkan perusahaan AI vs non-AI pada satu tahun.

---

7. Time Series Analysis

Bagian ini khusus untuk data yang memiliki dimensi waktu.

Misalnya:

• GDP
• inflasi
• suku bunga
• nilai tukar
• unemployment

Gambar mencantumkan:

Komponen time series

• Trend
• Seasonality
• Cycle
• Irregular

---

Stationarity

Metode:

• ADF
• PP
• KPSS

Ini penting karena regresi antara dua seri yang memiliki trend tertentu dapat menghasilkan spurious regression jika struktur datanya tidak ditangani dengan benar.

---

ARIMA

$$ARIMA(p,d,q)$$

Untuk pemodelan dan forecasting time series.

ARIMAX

ARIMA dengan variabel eksogen.

---

ARCH/GARCH

Digunakan untuk memodelkan volatility.

Ini sangat relevan dengan penelitian:

Inflation uncertainty

karena volatility inflasi dapat dimodelkan menggunakan keluarga ARCH/GARCH.

---

Structural Break

Mendeteksi perubahan struktur dalam data.

Contohnya:

COVID-19

dapat menjadi structural break pada berbagai variabel ekonomi.

---

8. Sistem Persamaan Simultan — Endogeneity

Ini merupakan bagian yang sangat penting untuk memahami causal inference.

Masalah:

$$X\rightarrow Y$$

tetapi:

$$Y\rightarrow X$$

Contoh penelitian AI:

$$AI\rightarrow Productivity$$

tetapi perusahaan yang produktif juga mungkin lebih mampu mengadopsi AI:

$$Productivity\rightarrow AI$$

Ini menghasilkan masalah endogeneity.

---

Metode yang disebutkan dalam gambar:

Instrumental Variables

2SLS

3SLS

LIML

FIML

Kemudian:

• Order condition
• Rank condition
• Overidentification test

Intinya adalah mencari strategi identifikasi yang memungkinkan kita mendapatkan estimasi yang lebih dapat dipercaya ketika $X$ berkorelasi dengan error term.

---

9. Metode Lanjut

Setelah menguasai OLS, panel, time series, dan endogeneity, kita masuk ke metode yang lebih maju.

GMM

Generalized Method of Moments

Berguna untuk berbagai model dengan moment conditions tertentu dan banyak digunakan dalam ekonometrika lanjutan.

---

Dynamic Panel

Misalnya:

$$Y_{it} = \alpha Y_{i,t-1} + \beta X_{it} + \mu_i+ \epsilon_{it}$$

Gambar mencantumkan:

• Arellano–Bond
• System GMM

---

Quantile Regression

Berbeda dengan regresi biasa yang berfokus pada conditional mean.

Quantile regression memungkinkan kita bertanya:

Apakah pengaruh AI berbeda antara perusahaan produktivitas rendah dan perusahaan produktivitas tinggi?

Ini sangat menarik untuk penelitian AI.

---

Nonparametric & Semiparametric Regression

Digunakan ketika kita tidak ingin terlalu membatasi bentuk hubungan fungsional.

---

Machine Learning untuk Ekonometrika

Gambar mencantumkan:

• LASSO
• Ridge
• Random Forest
• XGBoost

Ini membawa ekonometrika ke arah:

prediction + high-dimensional data + causal inference modern.

---

10. Topik Khusus & Terapan

Di sini mulai masuk ke penelitian empiris yang lebih serius.

Difference-in-Differences

Digunakan untuk mengevaluasi efek kebijakan/intervensi.

Misalnya:

Apakah kebijakan insentif digital menyebabkan perusahaan meningkatkan AI adoption?

---

Regression Discontinuity Design

Digunakan ketika treatment ditentukan berdasarkan threshold/cutoff.

---

Cointegration & ECM

Digunakan ketika beberapa time series memiliki hubungan jangka panjang.

---

Structural Equation Modeling

Untuk hubungan struktural yang lebih kompleks.

---

Big Data & High-Dimensional Econometrics

Untuk dataset dengan:

• observasi besar,
• banyak variabel,
• dimensi tinggi.

---

11. Penelitian & Publikasi Ilmiah

Ini merupakan ujung dari seluruh roadmap.

Gambar menekankan:

Perumusan masalah

↓

Kebaruan / novelty

↓

Strategi penelitian

↓

Desain empiris

↓

Analisis

↓

Robustness check

↓

Replikasi

↓

Publikasi

Jadi kemampuan akhir bukan:

“Bisa menggunakan Stata.”

Tetapi:

Bisa menghasilkan penelitian empiris yang dapat dipertanggungjawabkan secara ilmiah.

---

💻 Software yang tercantum

Gambar menyebut:

• EViews
• Stata
• R
• Python

Masing-masing dapat digunakan untuk bagian yang berbeda.

Software	Kegunaan utama
EViews	Time series & macroeconometrics
Stata	Econometrics & panel
R	Statistik, econometrics & visualization
Python	Data analysis, ML & high-dimensional data

---

🧠 Cara memahami seluruh concept map

Jangan melihatnya sebagai 11 mata kuliah yang terpisah. Lebih tepat melihatnya sebagai satu proses penelitian:

MASALAH EKONOMI
       ↓
TEORI
       ↓
HIPOTESIS
       ↓
MODEL
       ↓
DATA
       ↓
ESTIMATOR
       ↓
UJI ASUMSI
       ↓
PEMILIHAN MODEL
       ↓
IDENTIFIKASI
       ↓
ESTIMASI
       ↓
ROBUSTNESS CHECK
       ↓
INTERPRETASI EKONOMI
       ↓
KESIMPULAN
       ↓
PUBLIKASI

---

🔥 Jika dikaitkan dengan riset AI Anda

Concept map ini sebenarnya sangat cocok untuk membangun penelitian:

AI Adoption → Productivity → Employment → Wage → Inequality

Contohnya:

Tahap 1 — Descriptive

Berapa banyak perusahaan yang mengadopsi AI?

↓

Tahap 2 — Logit

Apa yang menentukan AI adoption?

$$P(AI=1)=f(Size,Skill,Capital,Digitalization)$$

↓

Tahap 3 — Panel Regression

Apakah AI meningkatkan productivity?

$$TFP_{it} = \beta_1AI_{it} +\beta_2Capital_{it} +\beta_3Labor_{it} +\mu_i+\lambda_t+\epsilon_{it}$$

↓

Tahap 4 — Dynamic Panel

Apakah efek AI terhadap produktivitas berlangsung secara dinamis?

$$TFP_{it} = \alpha TFP_{i,t-1} +\beta AI_{it} +\cdots$$

↓

Tahap 5 — Quantile Regression

Apakah efek AI berbeda antara perusahaan produktivitas rendah dan tinggi?

↓

Tahap 6 — Causal Inference

Apakah AI benar-benar menyebabkan produktivitas meningkat?

→ IV / DiD / strategi identifikasi lain.

↓

Tahap 7 — Distributional Effect

Apakah manfaat AI diteruskan ke:

employment → wage → inequality?

↓

Tahap 8 — Macro

Bagaimana efek agregatnya terhadap:

$$Productivity \rightarrow Output \rightarrow Employment \rightarrow Wage \rightarrow Demand \rightarrow Inflation \rightarrow Growth$$

---

🎯 Kesimpulan

Gambar ini pada dasarnya adalah roadmap dari mahasiswa yang belajar “cara menjalankan regresi” menuju peneliti yang mampu menjawab pertanyaan ekonomi secara ilmiah.

Tiga tingkatan terpentingnya adalah:

$$\boxed{\text{STATISTIKA}}$$

memahami data dan ketidakpastian

↓

$$\boxed{\text{EKONOMETRIKA}}$$

mengestimasi hubungan ekonomi dan mengatasi masalah model

↓

$$\boxed{\text{CAUSAL \& EMPIRICAL RESEARCH}}$$

membangun identifikasi yang kuat dan menghasilkan bukti yang dapat dipertanggungjawabkan.

Untuk target penelitian AI dan ekonomi, bagian yang paling strategis untuk Anda kuasai adalah OLS → Panel Data → Endogeneity/IV → DiD → Dynamic Panel/GMM → Quantile Regression → Macro Econometrics, kemudian baru memperluas ke HANK dan AI-driven macroeconomic growth.

“Software Utama” yang dapat digunakan dalam penelitian ekonometrika, statistik, ekonomi, dan analisis spasial/GIS. Ada lima kelompok software yang disebutkan:

1. Stata

Sangat populer dalam ekonometrika terapan.

Cocok untuk:

• OLS dan regresi
• Panel data
• Fixed Effect & Random Effect
• Logit/Probit
• IV/2SLS
• Difference-in-Differences
• GMM
• Data cleaning dan pengolahan data

Untuk penelitian AI → Productivity, Stata sangat cocok untuk mengestimasi:

$$Productivity_{it} = \beta_0+\beta_1AI_{it} +\beta_2Capital_{it} +\beta_3Labor_{it} +\mu_i+\lambda_t+\epsilon_{it}$$

---

2. R

R adalah software/programming language yang sangat kuat untuk statistika dan visualisasi data.

Cocok untuk:

• Statistical analysis
• Regression
• Time series
• Panel data
• Visualization
• Machine learning
• Econometrics
• Reproducible research

Keunggulan utamanya adalah ekosistem paket yang sangat luas.

---

3. Python

Python sangat berguna jika penelitian mulai melibatkan big data, AI, machine learning, dan automation.

Cocok untuk:

• Data cleaning
• Data analysis
• Machine learning
• AI
• Natural Language Processing
• Forecasting
• Big data
• Econometrics
• Visualisasi

Untuk agenda riset Anda, Python menjadi sangat menarik ketika:

$$\text{AI Data} \rightarrow \text{Big Data} \rightarrow \text{Machine Learning} \rightarrow \text{Economic Analysis}$$

---

4. EViews

EViews banyak digunakan untuk ekonometrika dan analisis time series, terutama dalam ekonomi makro.

Cocok untuk:

• GDP
• Inflasi
• Suku bunga
• Pengangguran
• Nilai tukar
• ARIMA
• VAR
• VECM
• Cointegration
• Forecasting
• ARCH/GARCH

Contoh:

$$GDP_t \leftrightarrow Inflation_t \leftrightarrow InterestRate_t$$

Untuk macroeconomics, EViews cukup relevan.

---

5. MATLAB

MATLAB sangat kuat untuk perhitungan numerik, matematika, simulasi, dan computational economics.

Sangat berguna ketika masuk ke:

• Numerical methods
• Matrix computation
• Optimization
• Simulation
• Dynamic models
• DSGE
• Heterogeneous-agent models
• HANK

Misalnya model ekonomi yang membutuhkan penyelesaian numerik:

$$V(a)=\max_{c,a'} \left\{ u(c)+\beta E[V(a')] \right\}$$

MATLAB dapat digunakan untuk menyelesaikan model semacam ini secara komputasional.

---

6. GIS — QGIS / ArcGIS

Ini berbeda dari software sebelumnya karena fokus pada data spasial/geografis.

Digunakan untuk menganalisis:

• lokasi perusahaan
• kemiskinan berdasarkan wilayah
• pengangguran
• pembangunan daerah
• akses internet
• infrastruktur
• produktivitas regional
• persebaran AI/digitalisasi

Contohnya:

AI Adoption
     ↓
Produktivitas
     ↓
Perusahaan
     ↓
Lokasi geografis
     ↓
Analisis spasial
     ↓
Peta ekonomi

Ini membuka bidang Spatial Econometrics.

---

🎯 Mana yang harus dipelajari terlebih dahulu?

Untuk jalur penelitian yang sedang Anda bangun, saya sarankan jangan belajar semuanya sekaligus.

Tahap 1 — Statistik

R

↓

Tahap 2 — Ekonometrika

Stata

↓

Tahap 3 — Makro & Time Series

EViews

↓

Tahap 4 — AI & Big Data

Python

↓

Tahap 5 — Computational Economics

MATLAB

↓

Tahap 6 — Ekonomi Spasial

QGIS

---

🧠 Peta kemampuan

STATISTIKA
     │
     ↓
     R
     │
     ↓
EKONOMETRIKA
     │
     ↓
   STATA
     │
     ├───────────────┐
     ↓               ↓
TIME SERIES       PANEL DATA
     │               │
     ↓               ↓
  EViews            Stata
     │
     └───────┬───────┘
             ↓
      CAUSAL INFERENCE
             │
             ↓
           PYTHON
             │
       ┌─────┴─────┐
       ↓           ↓
   BIG DATA       AI/ML
       │           │
       └─────┬─────┘
             ↓
   COMPUTATIONAL ECONOMICS
             │
             ↓
          MATLAB
             │
             ↓
       DSGE / HANK
             │
             ↓
     SPATIAL ECONOMICS
             │
             ↓
           QGIS

Kalau target akhirnya adalah riset AI & makroekonomi, kombinasi paling strategis:

$$\boxed{\text{R + Stata + Python}}$$

sebagai core skill, kemudian:

$$\boxed{\text{EViews + MATLAB}}$$

untuk macroeconometrics dan computational economics, serta:

$$\boxed{\text{QGIS}}$$

jika penelitian memasukkan dimensi wilayah/spasial.

Dengan kombinasi ini, Anda dapat bergerak dari data perusahaan → ekonometrika → causal inference → AI/big data → makroekonomi → HANK → spatial economics.