Ekonometrika adalah jantung dari ilmu ekonomi empiris. Ia adalah jembatan yang menghubungkan teori ekonomi yang abstrak dengan realitas dunia yang terukur, memungkinkan para ekonom untuk tidak hanya merumuskan hipotesis tentang bagaimana dunia bekerja, tetapi juga menguji hipotesis tersebut secara rigorous menggunakan data yang tersedia. Dalam lebih dari satu abad perkembangannya sejak Ragnar Frisch menciptakan istilah “ekonometrika” dan mendirikan Econometric Society pada tahun 1930, disiplin ini telah berkembang dari sekumpulan teknik sederhana untuk mengestimasi hubungan linear menjadi salah satu bidang metodologis yang paling kaya, paling dinamis, dan paling berpengaruh dalam seluruh ilmu sosial.
Buku ini ditulis untuk memenuhi kebutuhan akan sebuah referensi yang komprehensif dan mendalam yang mampu mengantarkan pembaca dari fondasi-fondasi paling dasar ekonometrika hingga ke batas-batas terdepan perkembangan metodologis kontemporer dalam satu kesatuan yang koheren dan sistematis. Perjalanan intelektual yang ditawarkan dalam buku ini dimulai dari konsep-konsep statistika dan aljabar linear yang menopang seluruh bangunan ekonometrika, kemudian bergerak melalui regresi linear sederhana dan berganda yang membentuk inti dari hampir semua analisis empiris, menuju pemahaman yang mendalam atas berbagai pelanggaran asumsi klasik dan cara-cara mengatasinya, hingga topik-topik lanjutan yang semakin penting dalam penelitian ekonomi kontemporer.
Dalam perjalanan tersebut, buku ini membahas secara mendalam metode-metode untuk menangani berbagai jenis variabel dependen yang terbatas—mulai dari model logit dan probit untuk pilihan biner, model multinomial dan ordered untuk pilihan berlapis, model Tobit untuk data tersensor, hingga model Heckman untuk masalah seleksi sampel dan model durasi untuk analisis survival. Estimasi efek kausal—yang merupakan cita-cita tertinggi dalam penelitian ekonometrika empiris—mendapat perhatian yang sangat besar, mencakup variabel instrumental dan interpretasi LATE yang dikembangkan oleh Imbens dan Angrist, berbagai desain kausal quasi-eksperimental termasuk Difference-in-Differences, Regression Discontinuity Design, dan Synthetic Control Method, serta perkembangan terkini dalam DiD dengan staggered treatment yang telah merevolusi cara para peneliti mengestimasi efek kausal dari kebijakan yang diterapkan secara bertahap.
Ekonometrika data panel mendapat pembahasan yang sangat komprehensif, mencakup model Fixed Effects dan Random Effects beserta uji Hausman untuk pemilihan di antara keduanya, estimator First Difference, masalah clustered standard errors dan solusinya, model panel dinamis Arellano-Bond dan Blundell-Bond, model panel nonlinear yang menghadapi masalah incidental parameters, serta topik-topik lanjutan seperti panel heterogen dengan Mean Group Estimator dan penanganan missing data dalam panel yang tidak seimbang. Analisis deret waktu dibahas secara sangat mendalam mulai dari konsep stasionaritas dan uji akar unit, model ARIMA dan metodologi Box-Jenkins, model volatilitas ARCH dan GARCH beserta berbagai ekstensinya, hingga analisis multivariat menggunakan VAR, VECM, dan identifikasi shock struktural dalam SVAR. Nonlinearitas dalam deret waktu mendapat perhatian khusus melalui model TAR, STAR, dan model Markov Switching yang dikembangkan oleh Hamilton.
Bagian yang membahas topik-topik lanjutan mencerminkan perkembangan ekonometrika yang paling dinamis dalam beberapa dekade terakhir. Maximum Likelihood Estimation dibahas secara mendalam termasuk sifat-sifat asimptotik estimator MLE, trinitas uji LR-Wald-LM, dan algoritma EM yang menjadi tulang punggung estimasi model dengan variabel laten. Generalized Method of Moments yang dikembangkan oleh Lars Peter Hansen—pemenang Nobel Ekonomi 2013—mendapat perhatian yang sangat serius mencakup kondisi momen, matriks bobot optimal, uji overidentifying restrictions, dan aplikasinya dalam pengujian model asset pricing. Ekonometrika Bayesian dibahas mulai dari Teorema Bayes hingga implementasi MCMC modern menggunakan algoritma Gibbs Sampling, Metropolis-Hastings, dan Hamiltonian Monte Carlo, termasuk penggunaan BVAR dengan Minnesota prior yang kini menjadi alat standar bank sentral di seluruh dunia.
Metode nonparametrik dan semiparametrik—yang memberikan fleksibilitas modelistik tanpa mengorbankan validitas inferensial—mendapat pembahasan mendalam mencakup kernel density estimation, regresi nonparametrik dengan local polynomial, additive models, partially linear models, single index models, dan regresi kuantil Koenker-Bassett. Persimpangan antara machine learning dan ekonometrika—yang merupakan salah satu perkembangan paling menarik dalam satu dekade terakhir—dibahas secara komprehensif, termasuk Double Selection LASSO, Double/Debiased Machine Learning yang dikembangkan oleh Chernozhukov dan rekan-rekannya, Causal Forest dan estimasi heterogeneous treatment effects. Ekonometrika spasial melengkapi pembahasan dengan mencakup model SAR, SEM, dan SDM beserta pentingnya matriks bobot spasial dan interpretasi efek langsung versus tidak langsung.
Buku ini juga memperhatikan aspek-aspek praktis dari penelitian ekonometrika yang sering diabaikan namun sangat penting: alur kerja penelitian yang baik dan reproducible, implementasi menggunakan berbagai perangkat lunak termasuk R, Stata, Python, dan EViews, simulasi Monte Carlo untuk evaluasi estimator, teknik bootstrap untuk inferensi yang robust, visualisasi hasil yang efektif, serta pentingnya pre-registration dan Open Science dalam membangun kredibilitas penelitian empiris.
16 Comments
Misalkan jika membangun model VAR struktural (SVAR) dengan identifikasi rekursif Cholesky. Lalu reviewer menyatakan bahwa urutan variabel yang kamu pilih secara implisit mengandung asumsi kausalitas yang tidak dapat diuji secara statistik murni. Bagaimana kamu mempertahankan atau merevisi identifikasi tersebut tanpa keluar dari kerangka data yang ada dan apakah ada kondisi di mana tidak ada satu pun ordering yang valid secara epistemis?
ReplyDeleteRevan Dany Hermawan_240503110089
103_Aurelia Putri
ReplyDeleteBagaimana cara melakukan Cross-Validation pada model Machine Learning (Bab 19) yang menggunakan data Time Series (Bab 11) atau Spasial (Bab 20) tanpa menyebabkan Data Leakage (kebocoran data masa depan ke masa lalu/kebocoran batas geografis), mengingat Cross-Validation standar mengasumsikan data bersifat independen (i.i.d)?
Ketika melakukan estimasi parameter OLS pada regresi berganda, apa dampak utama yang terjadi pada pemodelan jika terdapat pelanggaran asumsi multikolinieritas yang sempurna (perfect multicollinearity)?
ReplyDelete240503110175_Ria anggraeni
ReplyDeleteKenapa dalam ekonometrika kita tidak cukup hanya melihat hasil regresi, tetapi juga harus melakukan berbagai uji asumsi?
240503110115_Moh Zaky Fadillah
ReplyDeleteApa perbedaan antara variabel dependen (terikat) dengan variabel independen (bebas), dan bagaimana cara menentukannya dalam kasus ekonomi?
116_Lazar Abdillah Asyafiqi
ReplyDeleteJika hasil penelitian menunjukkan adanya hubungan yang signifikan secara statistik, apakah kita boleh langsung menyimpulkan bahwa hubungan tersebut bersifat kausal?
088_Melinda tria
ReplyDeletebagaimana metode seperti Difference-in-Differences, Regression Discontinuity, atau propensity score matching dapat menjawab pertanyaan kausalitas yang tidak terjawab oleh regresi OLS biasa?
097_Abdur Rahman As-Syauqy
ReplyDeleteApa kelemahan terbesar dari metode Regression Discontinuity Design yang sering diabaikan oleh peneliti?
This comment has been removed by the author.
ReplyDelete083_Ghoni Ghulam Yahya
ReplyDeleteBagaimana integrasi metode Machine Learning mengubah standar etika dalam pelaporan data, khususnya ketika algoritma black-box membuat transparansi kausalitas menjadi lebih sulit dipahami dibandingkan dengan model ekonometrika klasik?
092_ Nur Gita Fatma Melati
ReplyDeleteBagaimana cara mengestimasi dampak kausal jika asumsi Parallel Trends pada metode Difference-in-Differences (DiD) dilanggar, namun unit kontrol yang tersedia terlalu sedikit untuk menggunakan Synthetic Control Method (SCM) secara murni?
This comment has been removed by the author.
ReplyDeleteThis comment has been removed by the author.
ReplyDeleteTerkait materi Double Machine Learning (Bab 19) dan Difference-in-Differences (Bab 9). Di dunia nyata, kebijakan ekonomi sering kali diterapkan secara bertahap (staggered treatment). Pertanyaan saya, bagaimana cara menggabungkan algoritma Causal Forest atau Machine Learning ke dalam model DiD yang staggered ini kalau ada efek kebijakan yang berubah-ubah seiring waktu (time-varying treatment effects)?
ReplyDelete0090_Syahril Martha Gunawan
ReplyDeleteJika algoritma machine learning lebih akurat dalam prediksi, mengapa ekonom masih membutuhkan model ekonometrika?
093_Binti Awalul Mubayyanin
ReplyDeleteDi dunia nyata, terkadang kita hanya memiliki sampel data yang sangat sedikit (kurang dari 30 observasi). Seberapa andal uji t dan uji F jika asumsi normalitas sulit dipenuhi pada sampel sekecil itu?