35 III. METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian adalah data mikro dari laporan keuangan publikasi triwulanan yang dilaporkan oleh bank kepada Bank Indonesia dan data makroekonomi dari Bank Indonesia dan BPS (Tabel 3). Untuk memecahkan model ekonometrika dalam penelitian ini digunakan software Eviews 6 dan Stata 10. Tabel 4 Jenis dan sumber data yang digunakan dalam penelitian Data Nama Variabel Periode Sumber Data Data mikro Kredit yang diberikan, total aktiva, kas, penempatan di Bank Indonesia, penempatan di bank lain, surat berharga yang dimiliki, Obligasi pemerintah, CAR 2005Q3 – 2011Q3 Laporan keuangan publikasi triwulanan (Bank Indonesia) Data makro Suku bunga BI Rate, inflasi 2005Q3 – 2011Q3 Bank Indonesia PDB atas dasar harga konstan 2005Q3 – 2011Q3 Badan Pusat Statistik (BPS) 3.2 Metode Analisis 3.2.1 Analisis Deskriptif Analisis deskriptif disajikan dalam bentuk tabel dan grafik untuk memudahkan pemahaman dan penafsiran mengenai struktur perbankan di Indonesia. Tabel dan grafik bersumber dari berbagai laporan publikasi Bank Indonesia. Periode yang dianalisis adalah tahun 2001 hingga tahun 2011. 3.2.2 Analisis Regresi Data Panel Data panel adalah bentuk khusus dari data pooled (data dengan elemen time- series dan cross-section) dimana unit cross-section seperti perusahaan ataupun rumah tangga disurvey antar waktu. Jika setiap unit cross-section memiliki jumlah
22
Embed
III.METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data · 35 III.METODOLOGI PENELITIAN 3.1 Jenis dan Sumber Data Data yang digunakan dalam penelitian adalah data mikro dari laporan keuangan
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
35
III.METODOLOGI PENELITIAN
3.1 Jenis dan Sumber Data
Data yang digunakan dalam penelitian adalah data mikro dari laporan
keuangan publikasi triwulanan yang dilaporkan oleh bank kepada Bank Indonesia
dan data makroekonomi dari Bank Indonesia dan BPS (Tabel 3). Untuk
memecahkan model ekonometrika dalam penelitian ini digunakan software
Eviews 6 dan Stata 10.
Tabel 4 Jenis dan sumber data yang digunakan dalam penelitian
Data Nama Variabel Periode Sumber Data
Datamikro
Kredit yang diberikan, totalaktiva, kas, penempatan di BankIndonesia, penempatan di banklain, surat berharga yangdimiliki, Obligasi pemerintah,CAR
Pada System GMM, Blundell dan Bond mengaitkan bias dan lemahnya presisi dari
penduga first-difference GMM dengan masalah lemahnya instrumen yang mana hal ini
dicirikan dari parameter konsentrasi t.
Firdaus (2011) menuliskan bahwa beberapa kriteria yang digunakan untuk
menemukan model dinamis atau GMM terbaik adalah sebagai berikut :
1. Tidak bias. Estimator dari pooled least squares bersifat biased upwards dan
estimator dari fixed-effects bersifat biased downwards. Estimator yang tidak
bias berada di antara keduanya.
2. Instrumen valid. Validitas ini diperiksa dengan menggunakan uji Sargan.
Instrumen akan valid bila uji Sargan tidak dapat menolak hipotesis nol.
3. Konsisten. Sifat konsistensi dari estimator yang diperoleh dapat diperiksa dari
statistik Arellano-Bond m1 dan m2. Estimator akan konsisten bila statistik
Arellano-Bond m1 menunjukkan hipotesis nol ditolak dan statistik Arellano-
Bond m2 menunjukkan hipotesis nol tidak ditolak.
Hipotesis nol dari uji Sargan adalah :
H0 : Over-identifying restriction untuk instrumen valid
H1 : Over-identifying restriction untuk instrumen tidak valid
Sedangkan hipotesis nol dari statistik Arellano-Bond m1 adalah sebagai berikut :
H0 : Tidak terdapat first-order serial correlation dalam first-differenced
residuals
H1 : Terdapat first-order serial correlation dalam first-differenced
residuals
dan hipotesis nol dari statistik Arellano-Bond m2 adalah sebagai berikut :
43
43
H0 : Tidak terdapat second-order serial correlation dalam first-differenced
residuals
H1 : Terdapat second-order serial correlation dalam first-differenced
residuals
Dalam melakukan analisis regresi data panel dinamis, digunakan beberapa
uji diantaranya uji stasioneritas, menentukan panjang lag, nested test dan model
selection criterion. Uji tersebut adalah sebagai berikut :
1. Uji Stasioneritas
Blundell dan Bond (1998) menyebutkan bahwa penggunaan restriksi dalam
estimator GMM akan valid ketika dilakukan dengan asumsi stasioner. Kondisi
stasioner adalah ketika variabel memiliki mean dan varians yang tidak bervariasi
secara sistematis atau konstan antar waktu. Untuk uji stasioneritas digunakan tes
unit root panel yang pada dasarnya serupa dengan tes unit root yang digunakan
dalam series single. Uji unit root yang mengikuti proses AR(1) untuk data panel
menggunakan model sebagai berikut :
yit = ρi yit-1 + Xitδi + eit 3.17
dengan :
i = 1,2, ... ,N unit cross-section atau series
t = 1,2, ... ,Ti periode observasi
Xit = variabel eksogenus dalam model, mencakup fixed effects maupun trend
individual
ρi = koefisien autoregressive
eit = error dengan asumsi mutually independent idiosyncratic
Jika |ρi| < 1 maka yi dikatakan weakly (trend-)stationary sedangkan jika |ρi| = 1
maka yi mengandung unit root. Beberapa tes yang digunakan untuk uji unit root
panel adalah Levin, Lin dan Chu (LLC), Breitung dan Hadri untuk common unit
root dan Im, Pesaran dan Smith (IPS), ADF-Fisher dan PP-Fisher untuk
individual unit root. Dalam penelitian ini akan digunakan tes Levin, Lin dan Chu
(LLC) untuk common unit root dan PP-Fisher untuk individual unit root. Levin,
Lin dan Chu (LLC) mengasumsikan bahwa terdapat proses common unit root
sehingga ρi identik antar cross-section atau ρi = ρ untuk semua i. Hipotesis nol
yang digunakan dalam tes LLC adalah panel tidak mengandung unit root. Tes PP-
44
Fisher yang memperbolehkan adanya proses individual unit root sehingga ρi dapat
bervariasi antar cross-section dilakukan dengan mengkombinasikan tes unit root
individu untuk mendapatkan hasil panel-specific. Hipotesis dari PP-Fisher adalah
sebagai berikut:
H0 : cross-sections mengandung unit root
H1 : beberapa cross-sections tidak mengandung unit root
2. Penentuan Panjang Lag
Permasalahan dari model dinamis dengan lag adalah menentukan panjang
lag. Cara menentukan panjang lag adalah dengan AIC dan SIC (Greene, 2003).
Penelitian ini akan menggunakan AIC untuk menentukan panjang lag. Jika
beberapa lag (P) maksimum diketahui dari tinjauan empiris, maka p < P dapat
dipilih untuk meminimumkan AIC(p) atau SIC(p) dengan rumus :
AIC (p) = ln ( ) + ( ) 3.18
SIC(p) = AIC(p) + ( ) (ln T – 2) 3.19
dengan :
RSS = residual sum square model dengan lag p
T = jumlah waktu ; p = panjang lag
3. Nested test dengan F-test
Model tidak terestriksi adalah model yang memasukkan semua variabel
maupun lag sesuai dengan model empiris. Model tidak terestriksi akan dilihat
apakah dengan tidak memasukkan beberapa variabel dalam model dapat diwakili
oleh model terestriksi. F-test digunakan untuk menguji apakah model terestriksi
dapat digunakan untuk mewakili model tidak terestriksi. F-test didefinisikan
sebagai berikut : = ~ ( ,( )) 3.20
dengan :
RSSR = residual sum square model terestriksi
RSSUR = residual sum square model tidak terestriksi
m = jumlah restriksi linier
k = jumlah parameter di model tidak terestriksi
n = jumlah observasi
45
45
4. Model Selection Criterion
Kriteria seleksi model digunakan untuk melihat bagaimana model terpilih
sesuai (fits) dengan data dalam sampel yang tersedia (Gujarati, 2004). Dua kriteria
yang akan digunakan dalam penelitian ini adalah Akaike information criterion
(AIC) dan Schwarz information criterion (SIC). Definisi AIC dan SIC adalah
sebagai berikut:
ln AIC = ( ) + ln ( ) 3.21
ln SIC = ln n + ln ( ) 3.22
dengan :
RSS = residual sum of squares
k = jumlah regressor termasuk intersep
n = jumlah observasi
Nilai AIC dan SIC yang semakin kecil menyatakan bahwa model yang
digunakan semakin baik. SIC menerapkan penalti yang lebih keras ketika ada
penambahan regressor dalam model. Oleh karena itu, penelitian ini akan
menggunakan AIC sebagai model selection criterion.
3.3 Variabel dan Spesifikasi Model
Untuk membuktikan secara empiris mengenai respon perbankan terhadap
perubahan kebijakan moneter dengan menggunakan data panel, digunakan model
dari Ehrmann et al. (2002). Asumsi dasarnya adalah ekuilibirum antara Deposito
Bank (D) dan Jumlah Uang Beredar (M) yang keduanya merupakan fungis dari
suku bunga (MP) yang ditentukan oleh otoritas moneter. Model tersebut
didefinisikan sebagai berikut :
M=D= -ψMP + χ 3.23
dengan :
M = Jumlah Uang Beredar
D = Deposito Bank
MP = suku bunga kebijakan
Ψ = koefisien suku bunga kebijakan
χ = konstanta
46
Bank i menghadapi permintaan kredit ( )yang tergantung pada aktivitas
perekonomian (y), tingkat inflasi (π) dan suku bunga nominal kredit (rL) dengan
hubungan sebagai berikut :
= φ1y + φ2 π – φ3 rL φ1 > 0 dan φ3 > 0 3.24
Permintaan kredit seharusnya berhubungan positif dengan aktivitas
perekonomian, dan secara negatif berhubungan dengan suku bunga nominal
kredit. Koefisien dari inflasi (φ2) bisa positif ataupun negatif karena berhubungan
erat dengan ekuilibrium steady-state di ekonomi. Penawaran kredit oleh bank ( )adalah fungsi dari jumlah deposito yang tersedia (D), suku bunga nominal kredit
(rL), dan instrumen kebijakan moneter (MP), dimana instrumen kebijakan moneter
bisa suku bunga kebijakan , Giro Wajib Minimum, ataupun keduanya yang
ditentukan oleh bank sentral. Dampak langsung dari suku bunga kebijakan
merepresentasikan opportunity cost bagi bank ketika bank memutuskan untuk
memanfaatkan pasar uang antar bank sebagai sumber likuiditas. Penawaran kredit