1. Inersia
Salah
satu ciri menonjol dari sebagian deretan waktu ekonomi adalah inersia
atau kelembaman. Seperti telah dikenal dengan baik, deretan waktu
seperti GNP. Indeks Harga, produksi, kesempatan kerja dan pengangguran
menunjukkan pola siklus. Dalam kasus-kasus tersebut observasi yang
berurutan nampaknya saling bergantungan.
2. Bias spesisifikasi mengeluarkan variabel yang relevan dari model
3. Bias spesifikasi karena bentuk fungsional yang tidak benar
4. Fenomena Cobweb
Penawaran
banyak komoditi pertanian mencerminkan apa yang disebut “Fenomena
Cobweb” di mana penawaran bereaksi terhadap harga dengan
keterlambatannya satu periode waktu karena keputusan penawaran
memerlukan waktu untuk penawarannya (periode persiapan) jadi pada awal
musim tanam tahun ini pertanian dipengaruhi oleh harga yang terjadi
tahun lalu.
5. Manipulasi data
Dalam
analisis empiris, data kasar seringkali “dimanipulasikan”. Sebagai
contoh, dalam regresi daretan waktu yang melibatkan data kuartalan, data
seperti itu biasanya diperoleh dari data bulanan dengan hanya
marata-ratakan 3 observasi 3 bulanan. Pemerataan-rataan ini meratakan
fluktuasi dalam data bulanan dan dengan sendirinya mengakibatkan pola
sistematis dalam error sehingga menyababkan autokorelasi.
Apa akibatnya jika terjadi Autokorelasi ???
- Penduga tetap tak bias, konsisten tetapi tidak lagi efisien (variansnya tidak lagi minimum). Oleh karena itu selang keyakinannya menjadi lebar dan pengujian arti (signifikan) kurang kuat.
- Varians dan kesalahan standar penduga OLS akan menaksir varians dan kesalahan sebenarnya terlalu rendah.
- Pengujian arti t dan F tidak lagi valid sehingga menghasilkan kesimpulan yang tidak valid.
- Memberikan gambaran yang menyimpang dari nilai populasi sebenarnya.
- Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Biasa disebut spourious regression. Hal ini terlihat dari R2.
0 komentar:
Posting Komentar