Breaking News

Mampukah Fiskal Indonesia Mengurangi Ketimpangan Pendapatan? (Bagian 2)


Data dan Metodologi


Penelitian ini menggunakan data time series tahunan mulai dari 1984 – 2015. Untuk melihat secara empiris dampak kebijakan fiskal terhadap ketimpangan pendapatan digunakan proksi untuk mewakili variabel kebijakan fiskal dan ketimpangan pendapatan. Proksi dalam penelitian ini sendiri mengacu pada proksi jurnal acuan utama yang digunakan penulis yaitu (Clifton, Diaz-Fuentez, & Revuelta, 2017). Dalam prosesnya, penulis melakukan penyesuaian terhadap beberapa proksi untuk menyesuaikan terhadap apa yang ingin dicapai dalam penelitian dan ketersediaan data. Berikut proksi yang digunakan sebagai variabel kebijakan fiskal dan ketimpangan pendapatan seperti yang dijelaskan dalam tabel identitas variabel di bawah ini.


Selanjutnya, untuk meneliti lebih jauh pengaruh antara variabel kebijakan fiskal terhadap ketimpangan pendapatan di Indonesia maka peneliti memilih untuk menggunakan model Autoregressive Distributed Lag (ARDL) untuk melakukan estimasi. Model ARDL merupakan gabungan antara model AR dan DL dimana model AR itu sendiri merupakan model yang menggunakan satu atau lebih data masa lampu dari variabel dependen di antara variabel independen sedangkan DL merupakan model regresi yang melibatkan data pada waktu sekarang dan waktu masa lampau dari variabel independen. (Gujarati, & Porter, 2009).

Variabel makro dengan data time series umumnya mempunyai masalah stasioneritas, sehingga analisis kointegrasi digunakan untuk mengantisipasi hal tersebut. Bounds Testing Cointegration dengan pendekatan ARDL memberikan keunggulan bahwa metode ini tidak mempermasalahkan variabel-variabel yang terdapat pada model bersifat I (0) atau I (1). Uji yang dilakukan (Pesaran, 2001) memperlihatkan bahwa pendekatan ARDL akan menghasilkan estimasi yang konsisten dengan koefisien jangka panjang yang secara asimtotik normal walaupun variable-variabel independennya atau regresornya bersifat I (0) ataupun I (1). Estimasi dan identifikasi model ARDL dapat menggunakan OLS apabila ordo ARDL telah ditentukan (Pesaran, Shin, & Smith, 2001). Lebih lanjut, OLS dapat digunakan apabila beberapa asumsi OLS mengikat pada estimasi ekonometri terkait terpenuhi. Estimator BLUE merupakan syarat sebuah model estimasi OLS dapat dijadikan landasan analisis, sedangkan beberapa masalah dalam pelanggaran asumsi OLS, meliputi: multikolinieritas, heteroskedastisitas, autokorelasi, dan kesalahan spesifikasi fungsional.

Adapun tahap yang harus dilalui untuk mengestimasi menggunakan model ARDL. Masih berdasarkan (Nkoro, & Uko 2016), terdapat tiga tahap yang harus dilakukan, yaitu.

Langkah 1: Penentuan Keberadaan Hubungan Jangka Panjang Variabel

Langkah 2: Memilih Durasi Lag yang Tepat untuk Model ARDL / Estimasi. Lalu Estimasi Jangka Panjang Model ARDL yang Dipilih

Langkah 3: Reparameterisasi Model ARDL menjadi Model Koreksi Kesalahan

Selanjutnya adalah membuat model persamaan ekonometrika. Dalam penelitian ini, model ekonometrika yang diajukan adalah sebagai berikut:




Dimana, IndexGini: Ketimpangan pendapatan, GDP: Gross Domestic Product, EduExp: Pengeluaran untuk sektor pendidikan, TransReg: Transfer ke daerah, IncTax: Pajak penghasilan, EmpSal: Pendapatan pegawai negeri sipil.

Hasil Estimasi



Uji unit root digunakan untuk melihat stasioneritas data yang digunakan dalam model. Hal ini untuk memastikan bahwa estimasi yang dilakukan terhindar dari masalah spurious regression. Sebagaimana dikemukakan oleh (Gujarati, & Porter, 2009) bahwa regresi dari variabel-variabel yang tidak stasioner akan menghasilkan regresi yang lancung. Berdasarkan hal tersebut, uji ini merupakan hal pertama yang harus dilakukan sebelum masuk ke dalam tahap estimasi. Menurut hasil uji unit root di atas, terlihat bahwa semua variabel terletak pada first-difference, kemudian bisa dilanjutkan untuk masuk ke tahap berikutnya, yaitu melihat kointegrasi variabel menggunakan model ARDL.




Dari hasil estimasi jangka pendek dapat dilihat bahwa nilai ect/CointEq = -1,686,524 dengan probabilitas 0,0001. Hal ini menunjukkan terjadi kointegrasi di dalam model tersebut. Nilai betha CointEq yang negarif menujukkan bahwa model akan menuju keseimbangan dengan kcepatan 168,65% per bulan.


Dari hasil estimasi jangka panjang menunjukkan bahwa GDP dan penghasilan pegawai berpengaruh positif terhadap variabel dependen. Sedangkan sisanya yaitu pengeluaran sektor pendidikan, pajak penghasilan, dan transfer daerah berpengaruh negatif terhadap variabel dependen. Ada beberapa hal yang menurut penulis bisa diargumentasikan terkait tanda hubungan koefisien. Selantunya hal tersebut akan didiskusikan pada bagian diskusi dan pembahasan.


Berdasarkan Uji Bound, dapat memperkuat uji kointegrasi sebelumnya bahwa variabel dalam penelitian memiliki hubungan jangka panjang. Ini bisa dilihat dari nilai F-statistik yang lebih besar dari I1 Bound pada semua level signifikasi.


Baik pada uji autokorelasi maupun heteroskedastisitas menujukkan bahwa tidak terjadi permasalahan. Hal ini bisa dilihat dari masing-masing nilai probabilitas chi-square yang lebih besar dari 0,05. Dengan demikian, error pada model tidak mengandung serial korelasi dan memiliki varian yang konstan.


Untuk melihat stabilitas model yang digunakan, maka uji CUSUM dan CUSUM of Square harus dilakukan. Berdasarkan uji tersebut terlihat bahwa model yang digunakan stabil. Hal ini berdasarkan garis CUSUM maupun CUSUM of Square yang masih berada di dalam garis signifikansi 5%. 

Bersambung: Mampukah Fiskal Indonesia Mengurangi Ketimpangan Pendapatan? (Bagian 3, habis)
loading...