00414 - Ekonometrika Dasar dan Lanjutan: Kajian Komprehensif Metodologi, Penerapan, dan Perkembangan Terkini

Abstrak

Artikel ini menyajikan kajian komprehensif mengenai ekonometrika dasar dan lanjutan, mencakup fondasi konseptual, metodologi estimasi, serta berbagai aplikasinya dalam penelitian ekonomi empiris. Ekonometrika merupakan disiplin ilmu yang memadukan teori ekonomi, matematika, dan statistika untuk menganalisis fenomena ekonomi secara kuantitatif. Kajian ini mengulas secara sistematis berbagai metode estimasi, mulai dari Ordinary Least Squares (OLS) sebagai metode dasar, hingga model-model lanjutan seperti ARIMA, ARCH/GARCH, ARDL, Error Correction Model (ECM), Vector Autoregressive (VAR), Vector Error Correction Model (VECM), analisis data panel, model persamaan simultan, serta ekonometrika spasial. Setiap metode dibahas meliputi prinsip dasar, asumsi yang mendasarinya, prosedur pengujian, dan penerapannya dalam berbagai bidang ekonomi. Artikel ini juga mengulas perkembangan perangkat lunak ekonometrika seperti EViews, STATA, R, dan SPSS, serta tantangan dan inovasi metodologis dalam menghadapi kompleksitas data ekonomi modern. Hasil kajian menunjukkan bahwa pemilihan metode yang tepat bergantung pada karakteristik data, tujuan penelitian, dan pertanyaan empiris yang ingin dijawab, serta bahwa perkembangan model-model hybrid dan pendekatan non-linear menjadi tren penting dalam ekonometrika kontemporer.

Kata Kunci: Ekonometrika, OLS, ARIMA, GARCH, VECM, Data Panel, Kointegrasi, Model Koreksi Kesalahan

Abstract

This article presents a comprehensive review of basic and advanced econometrics, covering conceptual foundations, estimation methodologies, and various applications in empirical economic research. Econometrics is a discipline that integrates economic theory, mathematics, and statistics to quantitatively analyze economic phenomena. This review systematically examines various estimation methods, ranging from Ordinary Least Squares (OLS) as the fundamental method, to advanced models such as ARIMA, ARCH/GARCH, ARDL, Error Correction Model (ECM), Vector Autoregressive (VAR), Vector Error Correction Model (VECM), panel data analysis, simultaneous equation models, and spatial econometrics. Each method is discussed in terms of its basic principles, underlying assumptions, testing procedures, and applications across various economic fields. This article also reviews the development of econometric software such as EViews, STATA, R, and SPSS, as well as the challenges and methodological innovations in addressing the complexity of modern economic data. The review findings indicate that the selection of appropriate methods depends on data characteristics, research objectives, and the empirical questions to be answered, and that the development of hybrid models and non-linear approaches has become an important trend in contemporary econometrics.

Keywords: Econometrics, OLS, ARIMA, GARCH, VECM, Panel Data, Cointegration, Error Correction Model

1. Pendahuluan: Hakikat dan Definisi Ekonometrika

Ekonometrika merupakan suatu disiplin ilmu yang lahir dari perpaduan tiga bidang keilmuan utama, yaitu teori ekonomi, matematika, dan statistika. Secara definitif, ekonometrika dapat dipahami sebagai analisis kuantitatif dari fenomena ekonomi yang sebenarnya (aktual), yang didasarkan pada pengembangan yang berbarengan dari teori dan pengamatan, dihubungkan dengan metode inferensi yang sesuai (Sitepu, 2022). Dengan demikian, ekonometrika bukan sekadar penerapan statistika pada data ekonomi, melainkan merupakan suatu sintesis metodologis yang memungkinkan peneliti untuk menguji, mengkuantifikasi, dan meramalkan hubungan-hubungan ekonomi yang telah dirumuskan secara teoritis.

Dalam konteks yang lebih luas, ekonometrika merupakan campuran dari teori ekonomi, ekonomi matematis, statistika ekonomi, dan statistika matematis (Husna & Prakoso, 2022). Teori ekonomi berperan dalam memberikan landasan konseptual dan hipotesis mengenai hubungan antarvariabel, matematika ekonomi digunakan untuk memformulasikan model ekonomi dalam bentuk persamaan, sementara statistika dan ekonometrika kemudian menerapkan peralatan statistik—terutama analisis regresi—pada data dunia nyata untuk mengestimasi model yang dipostulatkan oleh teori ekonomi dan digunakan untuk peramalan (forecasting) (Meydian & Machmud, 2022). Teknik ekonometrika, secara teoritis, merupakan gabungan antara teori ekonomi, matematika ekonomi, statistik ekonomi, matematika statistik, dan teknik komputasi, sehingga analisis ekonometrika memerlukan pemahaman dan pendekatan multidisipliner (Suwedayana et al., 2016).

Manfaat utama ekonometrika mencakup beberapa aspek penting: pertama, untuk mengetahui hubungan sebagaimana diharapkan dalam teori ekonomi; kedua, untuk melakukan uji hipotesis; dan ketiga, untuk peramalan (Nazwirman, 2019). Selain itu, model ekonometrika merupakan ukuran kuantitatif dari fenomena ekonomi aktual yang didasarkan pada pengembangan teori dan pengamatan, serta dapat dihubungkan dengan metode inferensia yang sesuai (Ariyanto & Tamam, 2020). Dalam konteks manajerial, matematika dan ekonometrika atau statistik dapat digunakan sebagai model keputusan yang bertujuan untuk menentukan langkah optimal perusahaan atau bisnis untuk mencapai tujuan (Meydian & Machmud, 2022).

Secara historis, perkembangan ekonometrika ditandai oleh berbagai kontribusi penting. Peran statistika cukup besar dalam ekonometrika terutama dalam hal metode estimasi parameter model ekonometrika yang pada umumnya terdiri dari beberapa persamaan yang saling terkait (sistem persamaan simultan dan seemingly unrelated regression). Untuk mengestimasi parameter sistem persamaan simultan, Hendri Theil pada tahun 1956 menemukan suatu metode 2SLS (two stage least squares). Model ekonometrika pada umumnya dibangun berdasarkan data yang bersifat time series, sehingga memunculkan model distribusi lag maupun autoregressive yang dikembangkan oleh Nerlove pada tahun 1972. Pada umumnya model-model tersebut terjadi pelanggaran asumsi klasik (autocorrelation, heteroscedasticity), sehingga belakangan muncul suatu model yang dikenal dengan ARCH (autoregressive and conditional heteroscedasticity) (Sinay, 2014).

2. Tahapan Umum dalam Analisis Ekonometrika

Proses analisis ekonometrika mengikuti serangkaian tahapan yang sistematis dan terstruktur. Secara umum, ada beberapa tahapan dalam ekonometrika, yaitu: merumuskan hipotesis, menentukan model matematika, menentukan model statistik atau ekonometrika, mengumpulkan data dan estimasi parameter, uji hipotesis, peramalan, dan kemudian menggunakan model sebagai kontrol kebijakan (Erlita et al., 2022). Tahapan-tahapan ini mencerminkan siklus penelitian empiris yang komprehensif, mulai dari perumusan teori hingga aplikasi kebijakan.

Dalam pemilihan model ekonometrika, terdapat tiga kriteria evaluasi yang lazim digunakan. Menurut Koutsoyiannis (1977), setelah melakukan estimasi model maka harus dilakukan evaluasi parameter atau koefisien hasil estimasi model dengan tiga kriteria, yaitu ekonomi, statistika, dan ekonometrika. Kriteria ekonomi ditunjukkan oleh tanda koefisien parameter estimasi variabel penjelas pada persamaan yang harus sesuai dengan hipotesis yang berdasarkan teori ekonomi dan kelogisan. Indikator kriteria statistika dapat dilihat dari koefisien determinasi (R²), nilai uji-F, dan nilai uji-t. Sementara itu, kriteria ekonometrika terkait dengan pengujian asumsi klasik untuk menguji hasil estimasi parameter yang diperoleh dengan metode OLS apakah bersifat BLUE (Best Linear Unbiased Estimator) atau tidak, dengan indikator adalah multikolinearitas, autokorelasi, dan heteroskedastisitas (Azizah & Sundaya, 2022).

Dalam analisis ekonometrika, pemilihan model merupakan fase penting selain konstruksi model teoritis dan prediktif, estimasi pengujian hipotesis, peramalan, dan analisis implikasi kebijakan model (Astuti & Prasetyanto, 2022). Model ekonometrika merupakan gambaran dari hubungan masing-masing variabel penjelas (explanatory variables) terhadap peubah endogen (dependent variables) khususnya yang menyangkut tanda dan besaran (magnitude and sign) dari penduga parameter sesuai dengan harapan teoritis secara apriori (Aulia et al., 2019).

3. Metode Estimasi Dasar: Ordinary Least Squares (OLS)

3.1 Prinsip Dasar OLS

Metode Ordinary Least Squares (OLS) merupakan salah satu metode estimasi paling fundamental dalam ekonometrika. Metode OLS digunakan sebagai pengestimasi garis lurus yang mampu melewati titik-titik observasi antara variabel terikat dan variabel penjelas dengan selisih minimal antara data aktual dengan prediksi yang diberikan oleh garis lurus tersebut (Rahmasari et al., 2019). Keuntungan utama dari analisis regresi adalah memungkinkan untuk mengembangkan hubungan statistik antara variabel dependen dan independen (Rahmasari et al., 2019). Untuk mempelajari hubungan antara sekumpulan variabel (baik dependen maupun independen), analisis regresi menggunakan estimasi OLS untuk menghasilkan parameter ramalan (Rahmasari et al., 2019).

Metode OLS menghasilkan estimator yang bersifat BLUE (Best Linear Unbiased Estimator) apabila asumsi-asumsi klasik terpenuhi. Model regresi yang diperoleh dari metode OLS merupakan model regresi yang menghasilkan Best Linear Unbiased Estimator (BLUE) (Agdifianti & Sundaya, 2024). Dalam konteks ini, analisis regresi dalam ekonometrika merupakan instrumen kunci dalam pemahaman hubungan antarvariabel ekonomi, dengan asumsi-asumsi klasik seperti homoskedastisitas, normalitas, dan tidak adanya multikolinearitas menjadi fondasi utama dalam model regresi menggunakan metode OLS (Buhaerah, 2017).

3.2 Uji Asumsi Klasik

Pengujian asumsi klasik merupakan langkah krusial dalam analisis ekonometrika untuk memastikan validitas hasil estimasi. Terdapat beberapa uji asumsi klasik yang perlu dilakukan, antara lain uji normalitas, uji multikolinearitas, uji heteroskedastisitas, dan uji autokorelasi (Rahayu et al., 2022).

Uji Normalitas bertujuan untuk menguji apakah dalam model regresi yang digunakan, variabel dependen dan variabel independen memiliki distribusi yang normal atau tidak normal (Putri et al., 2022). Salah satu indikator yang digunakan adalah statistik Jarque-Bera; semakin kecil nilai probabilitas JB (mendekati 0,000) maka kita dapat menolak hipotesis bahwa residual berdistribusi normal (E. I. K. Putri et al., 2013).

Uji Multikolinearitas terjadi ketika antara variabel bebas yang terdapat dalam model memiliki hubungan yang mendekati sempurna atau sempurna, yaitu koefisien korelasinya mendekati 1. Konsekuensinya, kesalahan standar estimasi cenderung meningkat dengan bertambahnya variabel bebas, tingkat signifikan untuk menolak hipotesis nol semakin besar, dan probabilitas menerima hipotesis yang salah juga akan semakin besar, sehingga model regresi tidak valid untuk menaksir nilai variabel terikat (Agdifianti & Sundaya, 2024). Multikolinearitas tidak akan mengubah sifat parameter dalam persamaan regresi yang dibentuk sebagai Best Linear Unbiased Estimator, sehingga parameter yang diperoleh tetap valid mencerminkan kondisi populasi (Rahmasari et al., 2019).

Uji Heteroskedastisitas dilakukan untuk menguji bahwa error peramalan tidak sama untuk semua pengamatan (Lamazi, 2018). Dalam ekonometrika modern, berbagai metode deteksi pelanggaran asumsi klasik telah dikembangkan, termasuk penggunaan teknik bootstrap, uji-uji robust, dan pendekatan non-parametrik (Buhaerah, 2017). Metode-metode berbasis teknologi tinggi seperti teknik resampling dan pendekatan robust dapat memberikan hasil yang lebih andal dalam menghadapi kompleksitas data modern (Buhaerah, 2017).

Uji Autokorelasi merupakan pengujian untuk mendeteksi adanya korelasi antara residual pada satu periode dengan residual pada periode sebelumnya. Jika ada permasalahan yang berhubungan dengan variabel non-stasioner maka hasil estimasi mengalami apa yang disebut regresi lancung (spurious regression atau spurious correlation problem). Dampak yang ditimbulkan oleh suatu regresi lancung antara lain: koefisien regresi penaksir tidak efisien, peramalan berdasarkan regresi tersebut akan meleset, dan uji baku yang umum menjadi tidak sahih (Nazwirman, 2019).

3.3 Uji Hipotesis dalam Regresi

Dalam pengujian hipotesis regresi, terdapat beberapa uji statistik yang lazim digunakan. Uji F (simultan) adalah suatu pengujian untuk melihat bagaimana pengaruh dari seluruh variabel independen secara bersama-sama terhadap variabel dependennya atau menguji apakah model regresi yang digunakan baik (signifikan) atau tidak baik (tidak signifikan). Jika model yang digunakan signifikan, maka model regresi dapat digunakan untuk prediksi atau peramalan dalam penelitian (K. S. Putri et al., 2022). Uji t (parsial) digunakan untuk menguji pengaruh masing-masing variabel independen secara individual terhadap variabel dependen (Rahayu et al., 2022). Koefisien Determinasi (R²) sering diartikan sebagai seberapa baik garis regresi menjelaskan datanya (goodness of fit) (K. S. Putri et al., 2022).

4. Analisis Data Time Series

4.1 Konsep Stasioneritas

Salah satu konsep paling fundamental dalam analisis data time series adalah stasioneritas. Semua teori ekonometri mengasumsikan bahwa data digambarkan dengan distribusi yang stasioner; dengan kata lain, data runtun waktu (time series) dikatakan non-stasioner jika rata-rata (mean), variance, dan covariance tidak konsisten sepanjang waktu (Nazwirman, 2019). Dalam menganalisis perilaku data time series agar tidak ada periode waktu yang spesifik serta memungkinkan untuk menggeneralisir perilaku pada periode-periode berikutnya, maka digunakan deteksi yang bernama stasioneritas (Desvina & Nuraziza, 2022).

Regresi palsu (spurious regression) muncul ketika data runtun waktu yang digunakan dalam model regresi tidak stasioner. Data dikatakan tidak stasioner apabila nilai rata-rata dan varian dari data runtun waktu tersebut tidak mengalami perubahan secara sistematis (Permatasari, 2018). Adanya regresi palsu akan menyebabkan nilai R² dan t-stat variabel bebas ke level yang terbilang cukup tinggi dari yang seharusnya, terutama jika dibandingkan dengan nilai Durbin Watson-Stat yang dihasilkan estimasi, sehingga spesifikasi model menjadi tidak valid lagi (Permatasari, 2018). Hasil regresi palsu akan menjadi tidak valid meskipun hasil estimasi tersebut memberikan angka-angka statistik yang baik seperti nilai t, F, dan R² yang tinggi (Friera et al., 2024).

Metode yang belakangan banyak digunakan oleh ahli ekonometrika untuk menguji terkait masalah stasioner data time series adalah uji akar-akar unit (unit root test) (Desvina & Nuraziza, 2022). Uji stasioneritas data atau uji unit root mengalami perkembangan pesat (Friera et al., 2024). Uji Augmented Dickey-Fuller (ADF) merupakan salah satu metode yang paling umum digunakan; apabila nilai t-statistic dalam uji ADF memiliki angka lebih kecil dari nilai kritis MacKinnon maka data tidak stasioner dan perlu differencing (Loupatty, 2007). Selain ADF, terdapat pula metode Phillips-Perron (PP) dan berbagai pendekatan lainnya (Ermawati & Kaluge, 2018).

4.2 Model ARIMA (Autoregressive Integrated Moving Average)

Model ARIMA merupakan salah satu model time series yang paling terkenal dan banyak digunakan. Model time series ARIMA dikembangkan oleh George E. P. Box dan Gwilym M. Jenkins, sehingga sering disebut pula sebagai model Box-Jenkins (Sari et al., 2017). Model ARIMA merupakan model yang sangat populer dan sering digunakan dalam pemodelan data runtun waktu, menghasilkan ramalan-ramalan berdasarkan sintesis dari pola data secara historis (Damayanti, 2014). Dalam membuat peramalan, model ARIMA tidak menggunakan variabel independen tetapi menggunakan nilai-nilai sekarang dan nilai-nilai lampau dari variabel dependen untuk menghasilkan peramalan jangka pendek yang akurat (Damayanti, 2014).

Prosedur Box-Jenkins terdiri dari beberapa tahapan yaitu identifikasi model, estimasi model, evaluasi model, dan peramalan (Marsono, 2022). Identifikasi model bisa dilihat dari ACF (Autocorrelation Function) dan PACF (Partial Autocorrelation Function) suatu deret waktu (Sari et al., 2017). Nilai koefisien ACF yang melebihi interval batas penerimaan maka digunakan untuk model dari MA, sedangkan nilai PACF yang melebihi batas interval pada lag p maka digunakan untuk menentukan AR (Loupatty, 2007). Dalam ekonometrika ada dua jenis model time series yaitu univariat dan multivariat. Model univariat adalah model yang mengamati satu variabel dan model multivariat adalah model yang mengamati lebih dari satu variabel (Limanto & Ahmad, 2023).

Model ARIMA telah banyak digunakan untuk berbagai macam peramalan, seperti peramalan konsumsi listrik, peramalan konsumsi energi, peramalan permintaan, dan termasuk juga peramalan tentang inflasi di Indonesia (Aklimawati & Wahyudi, 2013). Dalam banyak kasus, peramalan jangka pendek dengan model ARIMA lebih baik dibandingkan metode peramalan ekonometrika tradisional (Marsono, 2022). Untuk memudahkan penggunaan model ARIMA, ada beberapa program komputer yang bisa digunakan, seperti EViews, Minitab, dan juga SPSS (Aklimawati & Wahyudi, 2013).

Untuk mengukur akurasi model peramalan, digunakan beberapa ukuran kesalahan seperti MAPE (Mean Absolute Percentage Error), MAD (Mean Absolute Deviation), dan MSE (Mean Squared Error) (G. N. Sari et al., 2019). Model ARIMA terbaik untuk peramalan adalah model yang memenuhi syarat signifikansi parameter, white noise, dan memiliki nilai MAPE yang terkecil (Damayanti, 2014).

4.3 Model ARCH dan GARCH

Dalam analisis data keuangan dan ekonomi yang memiliki karakteristik volatilitas, model ARCH (Autoregressive Conditional Heteroscedasticity) dan GARCH (Generalized Autoregressive Conditional Heteroscedasticity) menjadi sangat relevan. Teori terdepan yang digunakan dalam mengukur volatilitas adalah yang dikemukakan oleh Engle (1982), yang menulis teori ARCH yang digunakan untuk mengukur estimasi means dan variance inflasi di UK karena munculnya volatility clustering atau heteroskedastisitas (Novethesia et al., 2020). Salah satu kelemahan dari ARCH adalah keterbatasan order yang dapat digunakan; semakin tinggi order maka model tidak layak untuk digunakan (Novethesia et al., 2020).

Model GARCH merupakan generalisasi dari model ARCH yang mengatasi keterbatasan tersebut. Pemilihan model GARCH sebagai model terbaik untuk menganalisis volatilitas harga komoditas pertanian juga dikemukakan oleh berbagai peneliti (Saputri & Wibowo, 2018). Model GARCH yang diperoleh dapat digunakan untuk meminimalkan risiko harga dan usaha, serta bahan pertimbangan dalam pengambilan keputusan terkait masalah usaha (Saputri & Wibowo, 2018). Perolehan informasi tersebut dapat dilakukan melalui analisis ekonometrika (Saputri & Wibowo, 2018).

Selain model GARCH simetris, terdapat pula model GARCH asimetris yang mampu menangkap efek asimetris dalam data keuangan. Model asimetris GARCH yang umum digunakan antara lain model Exponential-GARCH (EGARCH), periodic GARCH (PGARCH), dan Threshold-GARCH (TGARCH) (Susanto et al., 2019). Hasil dari fitting model terbaik untuk pasar saham menunjukkan bahwa model asimetris GARCH menunjukkan estimasi yang lebih baik dalam menggambarkan volatilitas return saham, dan model tersebut mengungkapkan keberadaan efek asimetris pada pasar saham (Susanto et al., 2019). Hal ini dapat dilihat dari nilai AIC model asimetris GARCH terbaik yang lebih kecil dibandingkan AIC model simetris (Susanto et al., 2019).

Tahapan dalam pemodelan ARCH/GARCH meliputi: (1) estimasi model mean dengan ARIMA; (2) pengujian efek ARCH pada residual; (3) estimasi model GARCH; dan (4) pengujian diagnostik yang mencakup uji ARCH-LM, uji autokorelasi residual, dan uji normalitas residual (Saputri & Wibowo, 2018). Penggunaan GARCH Model pada inflasi dan IHK mampu mengatasi permasalahan heteroskedastisitas (Sembel et al., 2019).

4.4 Model Autoregressive Distributed Lag (ARDL)

Model ARDL (Autoregressive Distributed Lag) merupakan metode regresi yang memasukkan lag dari kedua variabel dependen dan independen secara bersamaan (Sugiharto & Kurnia, 2016). Model AR adalah model yang menggunakan satu atau lebih data masa lampau dari variabel dependen di antara variabel penjelas, sedangkan model DL adalah model regresi yang melibatkan data pada waktu sekarang dan waktu masa lampau (lagged) dari variabel penjelas (Sugiharto & Kurnia, 2016). Model ARDL sangat berguna dalam ekonometrik empiris, karena membuat teori ekonomi yang bersifat statis menjadi dinamis dengan memperhitungkan peranan waktu secara eksplisit (Sugiharto & Kurnia, 2016).

Salah satu keunggulan model ARDL adalah kemampuannya untuk membedakan reaksi jangka pendek dan jangka panjang terhadap variabel yang diteliti (Siallagan, 2019). Penggunaan metode ARDL memiliki koefisien estimasi yang tidak bias dan efisien terlepas dari jumlah sampel; ARDL dapat memberikan estimasi, baik jangka panjang maupun jangka pendek secara bersamaan, dan dapat menghindari terjadinya masalah autokorelasi (Siallagan, 2019). Model ARDL mengasumsikan data stasioner bahkan jika variabel dependen dan independen tidak stasioner atau tidak terkointegrasi (Siallagan, 2019).

Dalam penerapannya, model ARDL telah digunakan untuk menganalisis berbagai fenomena ekonomi, seperti pengaruh inflasi, pertumbuhan ekonomi, dan FDI terhadap pengangguran di Indonesia (Busyra, 2019). Melalui model ARDL, penelitian mampu membuktikan bahwa variabel-variabel tersebut memiliki kointegrasi jangka panjang atau bergerak bersama dalam jangka panjang, serta memiliki hubungan dinamis jangka pendek dengan kecepatan penyesuaian menuju keseimbangan yang cukup tinggi per tahun (Busyra, 2019).

5. Model Koreksi Kesalahan (Error Correction Model/ECM)

5.1 Konsep Dasar ECM

Model Koreksi Kesalahan (Error Correction Model/ECM) merupakan salah satu model ekonometrika yang paling penting dalam analisis data time series. Pendekatan atau model koreksi kesalahan (ECM) telah diterapkan secara luas dalam analisis ekonometrika untuk data runtun waktu (time series) sejak tahun 1960-an (Herlina, 2013). Hal ini disebabkan karena kemampuan yang dimiliki oleh ECM dalam meliput lebih banyak variabel untuk menganalisis fenomena ekonomi jangka pendek dan jangka panjang, mengkaji konsisten tidaknya model empirik dengan teori ekonomika, serta dalam usaha mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak stasioner (non-stationary) dan regresi lancung (spurious regression) dalam analisis ekonometrika (Herlina, 2013).

ECM biasanya diterapkan pada analisis ekonometrika untuk data yang bersifat deret waktu (time series) karena kemampuan ECM tersebut dalam meliputi banyak peubah untuk menganalisis fenomena ekonomi jangka panjang dan mengkaji kekonsistenan model empirik dengan teori ekonometrika, serta dalam usaha mencari pemecahan terhadap persoalan peubah runtun waktu yang bersifat tidak stasioner dan regresi lancung dalam analisis ekonometrika (Hierdawati, 2022).

5.2 Kointegrasi

Konsep kointegrasi merupakan prasyarat penting dalam penerapan ECM. Uji kointegrasi dilakukan untuk mengetahui apakah terdapat hubungan jangka panjang antar peubah penjelas (Irawan, 2016). Hasil uji kointegrasi menunjukkan bahwa terdapat hubungan jangka panjang antara indikator-indikator yang terpilih dan variabel dependen (Permatasari, 2018). Pada kondisi tidak stasioner, sering ditemukan dua atau lebih peubah deret waktu yang bergerak searah, tetapi pergerakan tersebut terjadi secara kebetulan dan tidak memiliki dasar teori atau logika (K. S. Putri et al., 2022).

Analisis dengan menggunakan ECM meliputi tiga tahapan analisis data, yaitu: (1) uji stasioner data; (2) uji kointegrasi untuk mengetahui apakah terdapat hubungan jangka panjang antar peubah penjelas; dan (3) menyusun model ECM (Irawan, 2016). Estimasi dua langkah ini ternyata memberikan hasil yang lebih memuaskan dibanding estimasi OLS secara langsung (Nazwirman, 2019).

5.3 Penerapan ECM

ECM telah banyak diterapkan dalam berbagai konteks penelitian ekonomi. Dalam analisis pembangunan keuangan dan pertumbuhan ekonomi di Indonesia, berbagai prosedur ekonometrika runtun waktu seperti Dickey Fuller-Generalized Least Square (DF-GLS), uji Kausalitas Granger, uji kointegrasi Engle Granger-Augmented Dickey Fuller (EG-ADF), dan ECM telah digunakan (Permatasari, 2018). Dalam jangka pendek, total kredit ke sektor swasta non-keuangan memiliki efek negatif pada pertumbuhan ekonomi di Indonesia, sementara uji kausalitas Granger berdasarkan model koreksi kesalahan menunjukkan bahwa hanya suku bunga pasar uang, harga saham, dan jumlah kredit untuk rumah tangga yang memiliki hubungan kausalitas dengan pertumbuhan ekonomi (Permatasari, 2018).

Dalam analisis kebijakan fiskal terhadap pertumbuhan ekonomi Indonesia, model persamaan simultan dengan metode ECM menunjukkan bahwa kebijakan fiskal yang diukur oleh penerimaan negara, belanja negara, dan pembiayaan baik dalam jangka pendek maupun jangka panjang berpengaruh signifikan terhadap pertumbuhan ekonomi Indonesia (Kusuma, 2019). Dalam analisis permintaan ekspor udang olahan Indonesia, ECM diterapkan untuk menganalisis faktor-faktor yang mempengaruhi permintaan ekspor dalam jangka pendek dan jangka panjang (Irawan, 2016).

6. Model Vector Autoregressive (VAR) dan Vector Error Correction Model (VECM)

6.1 Model VAR

Pada tahun 1980, Christopher A. Sims memperkenalkan model VAR sebagai alternatif dalam analisis ekonomi makro. Model VAR merupakan model non-struktural karena bersifat ateori. Model VAR memiliki struktur model yang lebih sederhana dengan jumlah variabel yang minimalis, di mana semua variabelnya adalah variabel endogen dengan variabel independennya adalah lag (Yongki et al., 2021). Dalam model VAR, diasumsikan bahwa seluruh variabel sebagai endogen. Untuk dapat membangun suatu fenomena ekonomi dengan meminimalisirkan teori, maka model VAR merupakan opsi yang dapat digunakan (Desvina & Nuraziza, 2022).

Metode VAR merupakan salah satu bentuk model makro-ekonometrika yang sering digunakan untuk melihat permasalahan fluktuasi ekonomi (Ihsan et al., 2023). Model terakhir yang telah banyak dikembangkan adalah model VAR dan Structural Vector Autoregressive (SVAR). Pendekatan ini mampu mengatasi kritik Lucas yang ditujukan pada analisis kebijakan untuk model-model makro ekonomi dinamik dan stokastik (Ihsan et al., 2023).

6.2 Model VECM

Jika model VAR mensyaratkan seluruh variabel harus stasioner pada level, tidak dengan model VECM yang mensyaratkan variabel tidak stasioner pada level namun terjadi kointegrasi di antara variabelnya (Desvina & Nuraziza, 2022). Model VECM merupakan model VAR yang terestriksi, di mana variabel-variabel terestriksi pada hubungan jangka panjang (kointegrasi) dengan tetap memperhatikan dinamisasi hubungan jangka pendek (Fitriana, 2019). Penggunaan dari model VECM ini dapat menganalisis fenomena ekonomi yang terjadi serta digunakan untuk menguji kekonsistensian model empiris dengan teori ekonomi (Desvina & Nuraziza, 2022).

Secara model ekonometrika, terdapat beberapa tahapan yang dilakukan pada estimasi data untuk model VECM: (1) uji stasioneritas; (2) penentuan lag optimal; (3) uji kointegrasi; (4) estimasi VECM; (5) analisis kausalitas Granger; dan (6) peramalan dan analisis struktural (Fitriana, 2019). Analisis peramalan dan struktural dari VECM memiliki kemiripan dengan analisis peramalan dan analisis struktural dari model VAR, yang dapat menggunakan analisis impulse response dan dekomposisi variansi (Yongki et al., 2021).

6.3 Impulse Response Function (IRF) dan Variance Decomposition (VD)

Untuk memeriksa tindakan atas kejutan dari suatu standar deviasi variabel terhadap variabel tersebut atau variabel lainnya, maka dilakukan estimasi terhadap fungsi impulse response (IRF). Analisis IRF meramalkan tentang bagaimana variabel-variabel bergerak dalam jangka panjang (Desvina & Nuraziza, 2022). Sims (1980) memperkenalkan statistik yang merespons terhadap guncangan yaitu IRF ini, dan kemudian menjadi suatu analisis yang penting dalam penggunaan model VAR dan VECM (Desvina & Nuraziza, 2022).

IRF digunakan untuk memperkirakan bagaimana guncangan yang disebabkan salah satu variabel terhadap variabel yang lain. Dengan menggunakan IRF kita juga dapat melihat seberapa lama pengaruh terjadi akibat guncangan tersebut sampai hilang dan terjadi keseimbangan kembali (Fitriana, 2019). Pada peramalan dengan menggunakan Variance Decomposition (VD) dapat diketahui seberapa besar kontribusi pada semua variabel (Fitriana, 2019). Metode FEVD (Forecast Error Variance Decomposition) merinci ragam dari peramalan galat menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model (Rahimallah, 2022).

6.4 Uji Kausalitas Granger

Uji kausalitas Granger merupakan alat analisis penting dalam model VAR dan VECM. Pendekatan Granger untuk kausalitas berdasarkan pemikiran bahwa kemungkinan peramalan adalah sejalan dengan kausalitas, dan bahwa hubungan antara sebab dan akibat adalah sedemikian rupa di mana sebuah akibat tidak dapat terjadi sebelum ada sebab (Friera et al., 2024). Tujuan dilakukannya uji kausalitas adalah untuk melihat gambaran dari variabel endogen apakah juga dapat berperan menjadi variabel eksogen, atau dengan kata lain apakah dari kedua variabel tersebut saling mempengaruhi (Fitriana, 2019).

Dalam analisis hubungan inflasi, BI rate, dan kurs dolar Amerika Serikat, hasil analisis model mengatakan bahwa ada hubungan kausalitas jangka panjang dan jangka pendek antara tingkat inflasi dengan BI rate dan nilai tukar USD terhadap IDR (Yongki et al., 2021). Dalam analisis mekanisme transmisi kebijakan moneter di Indonesia, hasil uji kausalitas Granger menunjukkan bahwa SBI memiliki hubungan satu arah dengan PUAB dan DEP, sementara PUAB tidak memiliki hubungan dengan KIBK (Friera et al., 2024).

7. Analisis Data Panel

7.1 Konsep Data Panel

Data panel merupakan gabungan antara data cross section dan data time series (Rakhmawan, 2022). Penggunaan data panel akan meningkatkan derajat kebebasan, mengurangi kolinearitas antara variabel penjelas, dan memperbaiki efisiensi estimasi (Sarah et al., 2024). Data panel seringkali digunakan untuk mengetahui perbedaan antarindividu (Sarah et al., 2024). Model panel data ini memiliki ruang dan dimensi waktu, sehingga estimasi variabel dan hasil perhitungan akan memberikan analisis empiris yang lebih luas (Mardesci et al., 2023).

7.2 Model-Model Estimasi Data Panel

Dalam analisis data panel, terdapat tiga model pendekatan dalam teknik estimasi, yaitu: (1) Common Effect Model (CEM/OLS); (2) Fixed Effect Model (FEM); dan (3) Random Effect Model (REM) (Faizin, 2021).

Common Effect Model (CEM) mengasumsikan tidak ada perbedaan efek sektor maupun waktu, sehingga dalam pemodelannya hanya terdapat satu model untuk seluruh pengamatan. Teknik estimasi CEM yaitu OLS (Raneo & Muthia, 2019).

Fixed Effect Model (FEM) mengasumsikan bahwa antarunit sektor ataupun antarunit waktu memberikan efek yang berbeda terhadap model. Efek yang berbeda tersebut diperlihatkan pada nilai koefisien intersep (Raneo & Muthia, 2019). Dalam model efek tetap, rata-rata setiap grup adalah nilai tetap spesifik grup (Suryani et al., 2021).

Random Effect Model (REM) mengasumsikan bahwa terdapat efek sektor ataupun efek waktu yang dimasukkan dalam komponen residual model REM. Residual tersebut tidak berkorelasi dengan variabel dependen (Raneo & Muthia, 2019). Pertimbangan bahwa REM mempunyai parameter lebih sedikit yang mengakibatkan derajat bebasnya lebih besar dibandingkan FEM (Rantebua et al., 2020).

7.3 Pemilihan Model Data Panel

Pemilihan model terbaik dalam analisis data panel dilakukan melalui serangkaian pengujian statistik. Pemilihan teknik estimasi akan ditentukan melalui suatu pengujian statistik yaitu restricted F statistic, uji LM, dan uji Hausman (Faizin, 2021). Uji Chow digunakan untuk menentukan apakah menggunakan CEM atau FEM. Uji Hausman digunakan untuk menentukan pilihan teknik estimasi apakah menggunakan FEM ataukah REM (Faizin, 2021). Uji Lagrange Multiplier (LM) digunakan untuk menentukan apakah menggunakan CEM atau REM (Hasnanda & Ratna, 2020).

Beberapa pakar ekonometrika membuat pembuktian untuk menentukan model apa yang paling sesuai untuk digunakan dalam data panel. Jika pada data panel jumlah data time series lebih besar dibandingkan jumlah data cross section, maka disarankan untuk menggunakan model FEM. Jika pada data panel jumlah data time series lebih sedikit dibandingkan jumlah data cross section, maka disarankan untuk menggunakan model REM (Rantebua et al., 2020).

7.4 Data Panel Dinamis dan GMM

Dalam model regresi dinamis, lag dari variabel dependen dimasukkan sebagai salah satu regressor. Model regresi data panel dinamis diestimasi dengan menggunakan metode Arellano Bond first difference GMM untuk mendapatkan estimasi yang konsisten dan efisien (Ananda, 2020). Metode GMM (Generalized Method of Moments) diperlukan untuk mengatasi masalah ketika satu atau beberapa variabel independen tidak betul-betul bersifat eksogen (Jumhur, 2020). Untuk melihat apakah terdapat otokorelasi pada model data panel dinamis, digunakan uji autokorelasi Arellano-Bond (Jumhur, 2020).

8. Model Persamaan Simultan

8.1 Konsep Persamaan Simultan

Model persamaan simultan merupakan sistem persamaan yang saling terkait, di mana variabel dalam model simultan dapat berperan ganda, baik sebagai variabel eksogen maupun endogen (Mirdad & Akhbar, 2018). Identifikasi struktur model merupakan langkah awal dalam menyusun model simultan yang menentukan apakah estimasi parameter dapat diselesaikan atau tidak (Mirdad & Akhbar, 2018). Identifikasi model ditentukan atas dasar "order condition" sebagai syarat keharusan dan "rank condition" sebagai syarat kecukupan (M et al., 2024).

8.2 Metode Two Stage Least Squares (2SLS)

Metode 2SLS (Two Stage Least Squares) lebih efisien dibandingkan OLS, cocok digunakan pada contoh yang jumlahnya sedikit, konsisten, dan dapat menghindari estimasi yang bias (Ariyanto & Tamam, 2020). Metode 2SLS cocok untuk persamaan simultan yang over identified, dapat digunakan pada jumlah sampel yang relatif sedikit, dan tidak sensitif terhadap modifikasi (respesifikasi) model baik untuk analisis struktural maupun untuk analisis simulasi dan peramalan (Fauzan & Arif, 2023). Model Makro-Ekonometrika Postur APBN Indonesia menggunakan sistem persamaan simultan yang diestimasi dengan menggunakan metode 2SLS (M et al., 2024).

8.3 Validasi Model Simultan

Untuk mengetahui apakah model cukup valid untuk membuat suatu simulasi alternatif kebijakan, maka perlu dilakukan suatu validasi model dengan tujuan untuk menganalisis sejauh mana model tersebut dapat mewakili dunia nyata (Mirdad & Akhbar, 2018). Kriteria statistik yang digunakan untuk validasi nilai pendugaan model ekonometrika adalah Root Mean Squares Percent Error (RMSPE) dan Theil's Inequality Coefficient (U) (Layla et al., 2021). Statistik RMSPE berguna untuk mengukur seberapa jauh nilai-nilai variabel endogen hasil estimasi yang menyimpang dari alur nilai-nilai aktualnya dalam ukuran relatif (persen). Nilai statistik U bermanfaat untuk mengetahui kemampuan model untuk analisis simulasi historis maupun peramalan; semakin kecil nilai RMSPE dan U semakin baik estimasi model, dengan nilai U berkisar antara 0 dan 1 (Layla et al., 2021).

9. Ekonometrika Spasial

9.1 Konsep Ekonometrika Spasial

Ekonometrika spasial adalah sebuah teknik estimasi inferensi guna mengetahui hubungan kausalitas antara satu variabel dengan variabel lain setelah memperhitungkan aspek kewilayahan/spasial (Setyawan, 2019). Terdapat dua jenis model ekonometrika spasial yang umum digunakan, terdiri dari Spatial Autoregressive Model (SAR), Spatial Error Model (SEM), dan model campuran antara SAR dan SEM (Setyawan, 2019). Model SAR memiliki dependensi nilai respons antarlokai (Setyawan, 2019).

9.2 Model-Model Spasial

Dalam pemodelan spasial pertumbuhan ekonomi Indonesia, berbagai model spasial data panel telah dibangun, yaitu model spasial lag (SAR), model spasial error (SEM), model spasial lag independent variable (SLX), Spatial Durbin Model (SDM), Spatial Durbin Error Model (SDEM), Model Spasial Autoregressive Combine (SAC), dan Generating Nesting Spatial (GNS). Estimasi parameter menggunakan metode Maximum Likelihood (Ariefianto & Warjiyo, 2010). Hasil penelitian menunjukkan bahwa model spasial terbaik adalah model SDM karena memiliki nilai tertinggi, memiliki Mean Square Error (MSE) yang minimum, dan memenuhi seluruh asumsi regresi linier (Ariefianto & Warjiyo, 2010).

Pola efek interaksi spasial di dalam model ekonometrika data panel spasial hakikatnya sama dengan yang terjadi pada model cross section, dengan perbedaan pada pengestimasian dengan Fixed Effect Model dan Random Effect Model dengan metode estimasi Maximum Likelihood (Laraswati & Fauzan, 2023). Berdasarkan hasil analisis ekonometrika data panel spasial, interaksi antardaerah dapat meningkatkan pertumbuhan ekonomi, yang ditunjukkan oleh keterkaitan yang erat antardaerah dalam aktivitas ekonomi (Laraswati & Fauzan, 2023).

10. Model Ekonometrika Lanjutan Lainnya

10.1 Model Time Varying Parameter (TVP)

Model TVP (Time Varying Parameter) merupakan suatu model ekonometrika yang ditetapkan ke dalam suatu model state space dan diduga dengan algoritma Kalman filter. Model state space ini mampu merepresentasikan variabel yang tidak teramati untuk ikut masuk ke dalam model dan diperkirakan bersama dengan model yang tampak (Muslim, 2017). Penggunaan metode Kalman filter memberikan estimasi dengan cara yang dapat meminimumkan mean squared error sehingga memungkinkan mendapatkan hasil estimasi yang optimal (Muslim, 2017). Model TVP tidak hanya dapat digunakan untuk memodelkan fenomena-fenomena ekonomi semata, namun juga dapat digunakan sebagai metode alternatif dalam memodelkan kunjungan wisatawan dan menghasilkan ramalan yang lebih akurat dibandingkan metode lainnya seperti Engle-Granger ECM, Johansen VECM, ADLM, VAR, dan no-change model (Muslim, 2017).

10.2 Model Logit dan Probit (QLDV)

Metode QLDV (Qualitative Limited Dependent Variable) umumnya digunakan ketika variabel dependen bersifat kualitatif, sehingga tidak dapat diestimasi secara langsung (Idaman & Ardana, 2022). Metode ini digunakan untuk menggali informasi mengenai faktor yang memengaruhi pilihan atau keputusan yang bersifat kualitatif (Prasetyo, 2020). Estimasi model ordered logit permintaan kesehatan di Indonesia melibatkan respesifikasi model secara berulang, dengan mempertimbangkan logika ekonomi teoritis, statistik, dan ekonometrika (Widiarsih et al., 2021).

Estimasi logit untuk data kelompok adalah dengan estimasi metode OLS, sedangkan jika datanya individual digunakan estimasi metode maximum likelihood (Hasanah, 2023). Dalam model logit, digunakan McFadden R-Squared sebagai ukuran kelayakan model (Hasanah, 2023). Metode multinomial logit digunakan untuk menggali informasi mengenai faktor yang memengaruhi pilihan jenis pekerjaan pada pekerja migran Indonesia, dengan estimasi model ekonometrika diperoleh menggunakan kriteria teori pasar tenaga kerja, statistik, dan ekonometrika (Prasetyo, 2020).

10.3 Model Hybrid dan Pendekatan Terkini

Perkembangan terkini dalam ekonometrika mencakup pengembangan model-model hybrid yang menggabungkan berbagai pendekatan. Model hybrid yang memadukan metodologi mikrostruktur dan ekonomi makro dengan pendekatan model ARDL telah digunakan untuk menganalisis pergerakan nilai tukar (Hubbansyah et al., 2020). Hasil yang diperoleh menunjukkan bahwa terdapat hubungan jangka panjang dan jangka pendek model hybrid terhadap pergerakan nilai tukar, dan variabel mikrostruktur memiliki pengaruh yang signifikan dalam menjelaskan nilai tukar (Hubbansyah et al., 2020).

Model nonlinier seperti ESTAR (Exponential Smooth Transition Autoregressive) juga merupakan perkembangan penting dalam ekonometrika lanjutan. Tidak semua runtun waktu finansial adalah linier, sehingga model nonlinier diperlukan untuk menangkap dinamika yang lebih kompleks (Utomo, 2012). Model ESTAR(1,1) yang diperoleh berdasarkan estimasi parameter menunjukkan nilai MAPE yang cukup kecil, mengindikasikan akurasi peramalan yang baik (Utomo, 2012).

11. Perangkat Lunak Ekonometrika

11.1 EViews

EViews (Econometric Views) merupakan aplikasi pengolahan data statistika dan ekonometrika yang berjalan di atas sistem operasi Windows (Raneo & Muthia, 2019). Tidak heran jika aplikasi ini kebanyakan berisi alat perhitungan untuk ekonometrika, seperti regresi linear, regresi data panel, dan berbagai jenis regresi berbasis runtun waktu (Handayani, 2023). Kemampuan EViews meliputi analisis dan evaluasi data saintifik, analisis keuangan, peramalan makro atau mikro ekonomi, simulasi dan analisis biaya dan peramalannya (Handayani, 2023). EViews juga mempunyai kemampuan untuk melakukan analisis eksplorasi data, simulasi konstruk grafik maupun uji-uji hipotesis sederhana, baik berupa parametrik maupun non-parametrik (Handayani, 2023).

Kekurangan EViews adalah lebih condong atau lebih spesifik untuk analisis ekonometrik, sedangkan untuk non-ekonometrik fiturnya sangat terbatas. Untuk software ekonometrika, tingkat kemampuannya masih tidak seluas pesaingnya yaitu STATA dan SAS (Handayani, 2023). Dalam software EViews, estimasi model/persamaan (Equation Estimation) dilakukan dengan cara memunculkan jendela Equation Estimation, lalu menuliskan persamaan/model yang akan diestimasi (Raneo & Muthia, 2019).

11.2 Perangkat Lunak Lainnya

Selain EViews, terdapat berbagai perangkat lunak lain yang digunakan dalam analisis ekonometrika. STATA merupakan salah satu alternatif yang lebih luas kemampuannya, terutama untuk analisis data panel dan model-model lanjutan (Prasetyo, 2020). SPSS digunakan secara luas untuk analisis regresi dasar dan pengujian statistik (Muzaki & Agustina, 2024). R merupakan perangkat lunak open source yang digunakan untuk identifikasi model ekonometrika, terutama untuk model-model GARCH dan analisis time series lanjutan (Susanto et al., 2019). SAS digunakan untuk estimasi model persamaan simultan dengan metode 2SLS (Analisis Pengaruh Faktor Fundamental Ekonomi Makro dan Harga Minyak terhadap Saham LQ45 dalam Jangka Pendek dan Jangka Panjang, 2010).

12. Aplikasi Ekonometrika dalam Berbagai Bidang

12.1 Ekonomi Makro dan Kebijakan Fiskal-Moneter

Ekonometrika telah banyak diterapkan dalam analisis ekonomi makro dan kebijakan. Model Makro-Ekonometrika Postur APBN Indonesia merupakan sistem persamaan simultan yang diestimasi menggunakan metode 2SLS, dengan solusi sistem persamaan menggunakan metode Newton. Hasil analisis menunjukkan bahwa pertumbuhan ekonomi pada tahun 2020 adalah sebesar 2,11 persen dengan skenario business as usual, sementara defisit anggaran pada tahun 2020 diperkirakan sebesar 6,41 persen dari PDB (M et al., 2024).

Dalam analisis efektivitas fiskal-moneter untuk pemulihan ekonomi Provinsi Riau, metode VECM digunakan untuk menguji keseimbangan jangka panjang dan kointegrasi antara variabel makroekonomi. Hasil penelitian menunjukkan bahwa kebijakan yang paling efektif untuk mengubah pertumbuhan ekonomi di Provinsi Riau adalah kebijakan fiskal, yaitu pengeluaran pemerintah (Rahimallah, 2022).

12.2 Ekonomi Keuangan dan Pasar Modal

Dalam analisis pasar modal, berbagai metode ekonometrika telah diterapkan. Penggunaan metode-metode ekonometrika ditujukan untuk menemukan pola data seperti tren dan volatilitas untuk menganalisis struktur hubungan antarvariabel-variabel ekonomi (Wijoyo, 2016). Dalam analisis pengaruh variabel-variabel makroekonomi terhadap tingkat pengembalian di pasar modal, tiga metode estimasi berbeda—OLS, GLS, dan MLE—digunakan untuk membandingkan akurasi estimasi (Wijoyo, 2016). Hasil empiris menunjukkan bahwa terdapat hubungan yang signifikan antara return saham komposit BEI dan tiga variabel makroekonomi: indeks harga konsumen (tingkat inflasi), nilai tukar, dan suku bunga SBI (Wijoyo, 2016).

12.3 Ekonomi Pertanian dan Perdagangan

Dalam ekonomi pertanian, model persamaan simultan dengan metode 2SLS telah banyak digunakan. Studi dampak kebijakan HPP terhadap kesejahteraan petani menggunakan 2SLS dengan data time series periode 1971–2009 untuk simulasi peramalan. Secara ekonomi, respons harga riil gabah petani terhadap perubahan HPP dan produksi padi bersifat elastis dalam jangka panjang (Ariyanto & Tamam, 2020). Dalam analisis dampak kebijakan impor bawang merah, model perdagangan diestimasi dengan metode 2SLS, dan validasi model dilakukan menggunakan RMSPE dan Theil's Inequality Coefficient (U) (Layla et al., 2021).

12.4 Ekonomi Kesehatan

Dalam ekonomi kesehatan, metode QLDV telah digunakan untuk mengestimasi fungsi permintaan kesehatan. Penelitian ini menggunakan teori permintaan untuk mengidentifikasi variabel yang perlu diteliti, dan mengaplikasikan metode ekonometrika QLDV untuk mengestimasinya (Idaman & Ardana, 2022). Hasil simulasi dengan efek marjinal memprediksi bahwa peluang permintaan kesehatan akan bertambah 2,71 persen dalam kondisi inflasi makanan 6 persen, inflasi kesehatan 7 persen, cakupan imunisasi balita 84,43 persen, pendidikan rata-rata rumah tangga SMP, dan pendapatan per kapita mendekati 10 juta per tahun (Widiarsih et al., 2021).

13. Peramalan dalam Ekonometrika

Peramalan (forecasting) merupakan bagian yang penting dalam analisis ekonometrika (S et al., 2022). Peramalan adalah kegiatan untuk memprediksikan kemungkinan yang akan terjadi pada waktu yang akan datang (Loupatty, 2007). Ada tiga model yang dikenal untuk menganalisis peramalan, yaitu model ekonometrika, model deret berkala (time series), dan model ramalan kualitatif (L. K. Sari et al., 2017). Model peramalan time series merupakan alternatif peramalan yang banyak digunakan dalam penelitian (R. Permatasari et al., 2022).

Penetapan metode peramalan tergantung pada model datanya (Limanto & Ahmad, 2023). Dalam banyak kasus, peramalan jangka pendek dengan model ARIMA lebih baik dibandingkan metode peramalan ekonometrika tradisional (Marsono, 2022). Untuk melihat tingkat akurasi model dalam meramalkan data, maka dihitung MAPE (Mean Absolute Percentage Error) (Marsono, 2022). Walaupun model ARIMA adalah pemodelan non-theoritic (tidak dilandaskan kepada teori), namun dapat diterima apabila tujuan penggunaannya untuk peramalan, karena secara intrinsik dalam sebuah variabel sudah terkandung informasi variabel lainnya sehingga model univariat dapat diterima untuk peramalan (R. Permatasari et al., 2022).

Perkembangan terkini dalam peramalan mencakup pengembangan model hybrid yang menggabungkan ARIMA dengan metode kecerdasan buatan seperti ANFIS (Adaptive Neuro-Fuzzy Inference System). Hasil penelitian menunjukkan bahwa model Hybrid ARIMA-ANFIS menghasilkan nilai Theil's Inequality sebesar 0,13 dan MAPE sebesar 1,36%, yang jauh lebih baik dibandingkan model ARIMA konvensional dengan nilai Theil's Inequality sebesar 0,20 dan MAPE sebesar 29% (R. Permatasari et al., 2022).

14. Tantangan dan Perkembangan Ekonometrika Modern

Ekonometrika modern menghadapi berbagai tantangan seiring dengan semakin kompleksnya data ekonomi. Ekonometrika modern yang dihadapkan pada data yang semakin kompleks dan heterogen sering kali menghadapi pelanggaran terhadap asumsi-asumsi klasik (Buhaerah, 2017). Berbagai metode deteksi pelanggaran asumsi klasik berbasis teknologi tinggi, seperti teknik resampling dan pendekatan robust, dapat memberikan hasil yang lebih andal dalam menghadapi kompleksitas data modern (Buhaerah, 2017).

Perkembangan penting lainnya adalah pengembangan model-model yang mampu menangkap dinamika non-linear dalam data ekonomi. Tidak semua runtun waktu finansial adalah linier, sehingga model nonlinier seperti STAR (Smooth Transition Autoregressive) dan ESTAR diperlukan (Utomo, 2012). Selain itu, perkembangan ekonometrika spasial yang mempertimbangkan aspek kewilayahan dalam analisis ekonomi juga merupakan kontribusi penting dalam perkembangan disiplin ini (Ariefianto & Warjiyo, 2010; Setyawan, 2019).

Dalam konteks pendidikan, mata kuliah ekonometrika merupakan salah satu mata kuliah keahlian yang wajib ditempuh oleh mahasiswa program studi Pendidikan Ekonomi, mengandung sekitar 90% materi yang membahas analisis statistik yang ditujukan untuk menguji atau memperbaiki teori-teori ekonomi (Parimin et al., 2017). Pengembangan media pembelajaran seperti video tutorial analisis regresi berbasis Excel dan SPSS telah terbukti dapat membantu mahasiswa dalam memahami materi ekonometrika yang kompleks (Parimin et al., 2017).

15. Kesimpulan

Ekonometrika, baik dasar maupun lanjutan, merupakan disiplin ilmu yang sangat penting dalam analisis ekonomi modern. Dari metode estimasi dasar seperti OLS hingga model-model lanjutan seperti VECM, GARCH, ARDL, dan ekonometrika spasial, setiap metode memiliki keunggulan dan keterbatasan masing-masing yang perlu dipahami oleh peneliti dan praktisi. Pemilihan metode yang tepat bergantung pada karakteristik data, tujuan penelitian, dan pertanyaan empiris yang ingin dijawab.

Perkembangan perangkat lunak seperti EViews, STATA, R, dan SPSS telah sangat memudahkan penerapan berbagai metode ekonometrika dalam penelitian empiris. Namun demikian, pemahaman konseptual yang mendalam tentang asumsi-asumsi yang mendasari setiap metode tetap menjadi prasyarat utama untuk menghasilkan analisis yang valid dan dapat diandalkan. Ke depan, perkembangan ekonometrika akan terus diwarnai oleh inovasi metodologis yang mampu menghadapi tantangan data yang semakin kompleks dan heterogen dalam era modern.

Daftar Referensi

Agdifianti, S., & Sundaya, Y. (2024). Analisis Ekonomi Pekerja Migran Indonesia dalam Memilih Jenis Pekerjaan pada BP3MI Provinsi Jawa Barat. Dinamika Ekonomi, 31–38. https://doi.org/10.29313/jde.v15i1.3082

Aklimawati, L., & Wahyudi, T. (2013). Estimating the Volatility of Cocoa Price Return with ARCH and GARCH Models. Pelita Perkebunan (A Coffee and Cocoa Research Journal), 29(2). https://doi.org/10.22302/iccri.jur.pelitaperkebunan.v29i2.61

Ananda, R. F. (2020). Pengaruh Capital Adequacy Ratio dan Non Performing Financing terhadap Profitabilitas Bank Umum Syariah di Indonesia. At-Tawassuth Jurnal Ekonomi Islam, 5(2), 423. https://doi.org/10.30829/ajei.v5i2.8485

Analisis Pengaruh Faktor Fundamental Ekonomi Makro dan Harga Minyak terhadap Saham LQ45 dalam Jangka Pendek dan Jangka Panjang. (2010). Journal of Indonesian Applied Economics, 4(1), 11–25. https://doi.org/10.21776/ub.jiae.004.01.2

Ariefianto, Moch. D., & Warjiyo, P. (2010). Pergerakan Bersama Mata Uang ASEAN 4 Periode 1997–2005: Suatu Aplikasi Teori Optimal Currency Area dengan Menggunakan Model Vector Error Correction. Bulletin of Monetary Economics and Banking, 12(4). https://doi.org/10.21098/bemp.v12i4.250

Ariyanto, F., & Tamam, Moh. B. (2020). Analisis Time Series dengan Metode ARIMA dan Aplikasinya. Jurnal Aplikasi Teknologi Informasi dan Manajemen (JATIM), 1(2), 26–36. https://doi.org/10.31102/jatim.v1i2.972

Astuti, C. P., & Prasetyanto, P. K. (2022). Analisis Pengaruh Jumlah Penduduk, Inflasi, dan Nilai Tukar terhadap Pertumbuhan Ekonomi Pendekatan VECM. Transekonomika Akuntansi Bisnis dan Keuangan, 2(6), 225–244. https://doi.org/10.55047/transekonomika.v2i6.288

Aulia, R. U., Harianto, H., & Novianti, T. (2019). Comparation of Market Position between Indonesia and Malaysia in the Refined Palm Oil (RPO's) Market United States of America. Jurnal Ilmu Pertanian Indonesia, 24(1), 48–57. https://doi.org/10.18343/jipi.24.1.48

Azizah, A., & Sundaya, Y. (2022). Estimasi Model Permintaan Kesehatan Rumah Tangga di Indonesia pada Masa Pandemi Covid-19. Jurnal Riset Ilmu Ekonomi dan Bisnis, 73–80. https://doi.org/10.29313/jrieb.vi.1164

Buhaerah, P. (2017). Pembangunan Keuangan dan Pertumbuhan Ekonomi: Studi Kasus Indonesia. Kajian Ekonomi dan Keuangan, 1(2), 165–180. https://doi.org/10.31685/kek.v1i2.203

Busyra, R. G. (2019). Dampak Penerapan Teknologi Budidaya terhadap Kesejahteraan Petani Padi. Jurnal MEA (Media Agribisnis), 4(2), 53. https://doi.org/10.33087/mea.v4i2.50

Damayanti, S. M. (2014). Analisis Pengaruh Variabel-Variabel Makroekonomi terhadap Tingkat Pengembalian di Pasar Modal Periode 2000–2011 dengan Membandingkan Hasil Estimasi OLS, GLS dan MLE. Binus Business Review, 5(1), 267. https://doi.org/10.21512/bbr.v5i1.1215

Desvina, A. P., & Nuraziza, D. (2022). Peramalan Metode Box-Jenkins untuk Memprediksi Banyaknya Air Bersih yang Disalurkan PDAM di Pekanbaru. Jurnal Sains Matematika dan Statistika, 8(2), 146. https://doi.org/10.24014/jsms.v8i2.18775

Erlita, D. I., Azizah, A. N., & Sundaya, Y. (2022). Analisis Ekonomi Kesehatan Rumah Tangga Indonesia pada Masa Pandemi Covid-19. Jurnal Ekonomi Pembangunan, 11(2), 95–106. https://doi.org/10.23960/jep.v11i2.486

Ermawati, D. W., & Kaluge, D. (2018). Analisa Pengaruh Investasi dan GDP Riil terhadap Pemakaian Konsumsi Energi Listrik. Ekuitas (Jurnal Ekonomi dan Keuangan), 9(4), 565–584. https://doi.org/10.24034/j25485024.y2005.v9.i4.311

Faizin, Moh. (2021). Penerapan Vector Error Correction Model pada Hubungan Kurs, Inflasi dan Suku Bunga. E-Journal Ekonomi Bisnis dan Akuntansi, 8(1), 33. https://doi.org/10.19184/ejeba.v8i1.18810

Fauzan, N., & Arif, M. (2023). Pengaruh Rata Lama Sekolah, Pengeluaran Perkapita, Pendapatan Asli Daerah, Investasi, Tingkat Pengangguran Terbuka terhadap Tingkat Kemiskinan di Nusa Tenggara Barat Tahun 2012–2021. Komitmen Jurnal Ilmiah Manajemen, 4(1), 48–58. https://doi.org/10.15575/jim.v4i1.23599

Fitriana, B. M. S. A. (2019). Dampak Kebijakan Impor dan Faktor Eksternal terhadap Kesejahteraan Produsen dan Konsumen Bawang Merah di Indonesia. Journal of Agriculture Resource and Environmental Economics, 2(1), 38–53. https://doi.org/10.29244/jaree.v2i1.25963

Friera, A., Sitanggang, D. M., Indriani, S., & Silaban, P. S. M. J. (2024). Konsep Dasar dan Penerapan Pengolahan Data Menggunakan Aplikasi Eviews 10. MANTAP Journal of Management Accounting Tax and Production, 2(1), 52–60. https://doi.org/10.57235/mantap.v2i1.1521

Handayani, F. (2023). Model Hybrid dalam Penentuan Nilai Tukar Rupiah: Pendekatan Mikrostruktur dan Makroekonomi. Jurnal Ekonomi Indonesia, 11(3), 235–250. https://doi.org/10.52813/jei.v11i3.231

Hasanah, U. (2023). Peramalan BI Rate di Indonesia dengan Metode Time Series Model ARIMA. Ihtiyath Jurnal Manajemen Keuangan Syariah, 7(2), 141–151. https://doi.org/10.32505/ihtiyath.v7i2.7318

Hasnanda, S., & Ratna, R. (2020). The Generalized Autoregressive Conditional Heteroscedasticity Model Application on Inflation and Consumers Price Index in Aceh. Journal of Malikussaleh Public Economics, 3(1), 8–16. https://doi.org/10.29103/jmpe.v3i1.3191

Herlina, D. (2013). Identifikasi Mekanisme Transmisi Kebijakan Moneter di Indonesia Tahun 2000–2011. Kinerja, 17(2). https://doi.org/10.24002/kinerja.v17i2.377

Hierdawati, T. (2022). Analisis Penyerapan Tenaga Kerja UMKM di Provinsi Jambi. Jurnal Riset Rumpun Ilmu Ekonomi, 1(2), 014–028. https://doi.org/10.55606/jurrie.v1i2.173

Hubbansyah, A. K., Sudarmadji, E., & Astuti, S. B. (2020). Dampak Kualitas Institusi terhadap Perekonomian Indonesia. Jurnal Visionida, 6(2), 1. https://doi.org/10.30997/jvs.v6i2.3504

Husna, M. N., & Prakoso, J. A. (2022). Peramalan Harga Cabai Merah di Kota Semarang dengan Pendekatan Model ARCH GARCH. JISMA Jurnal Ilmu Sosial Manajemen dan Akuntansi, 1(4), 607–614. https://doi.org/10.59004/jisma.v1i4.206

Idaman, N., & Ardana, Y. (2022). Analisis Panel Data dalam Mengukur Determinasi Faktor-Faktor yang Mempengaruhi Nilai Perusahaan (Studi pada Perusahaan Sektor Pertanian di Indonesia). Jurnal Bisnis Darmajaya, 8(1), 77–90. https://doi.org/10.30873/jbd.v8i1.3165

Ihsan, I., Yaqutunnafis, L., & Salkiah, B. (2023). Pengembangan Video Tutorial Sebagai Media Pembelajaran Analisis Regresi pada Perkuliahan Ekonometrika. JPEK (Jurnal Pendidikan Ekonomi dan Kewirausahaan), 7(2). https://doi.org/10.29408/jpek.v7i2.23526

Irawan, A. (2016). Analisis Perilaku Instabilitas, Pergerakan Harga, Kesempatan Kerja dan Investasi di Sektor Pertanian Indonesia: Aplikasi Vector Error Correction Model. Jurnal Agro Ekonomi, 24(1), 59. https://doi.org/10.21082/jae.v24n1.2006.59-94

Jumhur, J. (2020). Penerapan Autoregressive Distributed Lag dalam Memodelkan Pengaruh Inflasi, Pertumbuhan Ekonomi, dan FDI terhadap Pengangguran di Indonesia. Jurnal Ekonomi Bisnis dan Kewirausahaan, 9(3), 250. https://doi.org/10.26418/jebik.v9i3.41332

Kusuma, W. D. (2019). Pengaruh Infrastruktur Ekonomi dan Sosial dalam Pembangunan Daerah. Jurnal Anggaran dan Keuangan Negara Indonesia (AKURASI), 1(2), 114. https://doi.org/10.33827/akurasi2019.vol1.iss2.art55

Lamazi, L. (2018). Analisis Faktor-Faktor yang Mempengaruhi Upah Pekerja Wanita Pedesaan di Sumatera Selatan. Jurnal Ecoment Global, 3(2), 109–118. https://doi.org/10.35908/jeg.v3i2.479

Laraswati, D. W., & Fauzan, A. (2023). Implementasi Metode Runtun Waktu dalam Pemodelan Total Harga Alat Kedokteran dan Kesehatan. Jambura Journal of Probability and Statistics, 4(1), 30–38. https://doi.org/10.34312/jjps.v4i1.17873

Layla, N. N., Kurniati, E., & Suhaedi, D. (2021). Peramalan Indeks Harga Saham dengan Autoregressive Moving Average Generalized Autoregressive Conditional Heteroscedasticity (ARMA-GARCH). Jurnal Riset Matematika, 1(1), 7–12. https://doi.org/10.29313/jrm.v1i1.103

Limanto, R., & Ahmad, I. S. (2023). Analisis Faktor Mempengaruhi Harga Rajungan Menggunakan Metode ECM (Error Correction Model). Jurnal Sains dan Seni ITS, 11(6). https://doi.org/10.12962/j23373520.v11i6.91306

Loupatty, G. (2007). Prakiraan Curah Hujan Kecamatan Kairatu Kabupaten Seram Bagian Barat dengan Model Autoregressive Integrated Moving Average (ARIMA). Barekeng Jurnal Ilmu Matematika dan Terapan, 1(2), 40–48. https://doi.org/10.30598/barekengvol1iss2pp40-48

M, A. R., Hidayah, Y. T., & A., F. N. (2024). Perbandingan Metode Deteksi Pelanggaran Asumsi Klasik dalam Ekonometrika Modern. National Conference on Applied Business Education & Technology (NCABET), 3(1), 101–112. https://doi.org/10.46306/ncabet.v3i1.109

Mardesci, H., Maryam, M., & Ihwan, K. (2023). Forecasting Coconut Production in Indragiri Hilir with Autoregressive Integrated Moving Average Model. Sistemasi, 12(1), 219. https://doi.org/10.32520/stmsi.v12i1.2531

Marsono, M. (2022). Pemodelan Spasial pada Pertumbuhan Ekonomi Indonesia dengan Pendekatan Ekonometrika Spasial Data Panel. Saintifik, 8(2), 176–187. https://doi.org/10.31605/saintifik.v8i2.354

Meydian, A., & Machmud, T. (2022). Kebijakan Low Cost Green Car dalam Industri Otomotif Nasional. Jurnal Ekonomi Indonesia, 10(3), 257–279. https://doi.org/10.52813/jei.v10i3.149

Mirdad, A. J., & Akhbar, R. T. (2018). Analisis Elastisitas Kesempatan Kerja pada Sektor Industri Pengolahan di Provinsi Jawa Barat. Jurnal REP (Riset Ekonomi Pembangunan), 3(1), 1–14. https://doi.org/10.31002/rep.v3i1.786

Muslim, A. (2017). Peramalan Ekspor dengan Hibrida ARIMA-ANFIS. Kajian Ekonomi dan Keuangan, 1(2), 127–142. https://doi.org/10.31685/kek.v1i2.282

Muzaki, F., & Agustina, N. (2024). Peramalan Nilai Tukar Petani Subsektor Tanaman Pangan di Nusa Tenggara Timur Menggunakan Metode SARIMA. Seminar Nasional Official Statistics, 2024(1), 143–152. https://doi.org/10.34123/semnasoffstat.v2024i1.2064

Nazwirman, N. (2019). Analysis of Employee Performance: A Case Study in Port Corporation. Jurnal Organisasi dan Manajemen, 15(1), 24. https://doi.org/10.33830/jom.v15i1.812.2019

Novethesia, M., Sanjaya, R., & Margaretha, F. (2020). Kendala Keuangan dan Saling Ketergantungan dalam Keputusan Keuangan pada Sektor Consumer Goods di Indonesia. Jurnal Muara Ilmu Ekonomi dan Bisnis, 4(2), 216. https://doi.org/10.24912/jmieb.v4i2.7797

Parimin, P., Yusuf, M., & Putra, M. U. M. (2017). Analisis Faktor-Faktor yang Mempengaruhi Permintaan Air Minum Isi Ulang di Kota Binjai. Jurnal Wira Ekonomi Mikroskil, 6(2), 103–112. https://doi.org/10.55601/jwem.v6i2.317

Permatasari, I. D. (2018). Demographic Bonus in East Java: Blessing or Disaster? East Java Economic Journal, 2(1), 95–109. https://doi.org/10.53572/ejavec.v2i1.14

Permatasari, R., Mariani, S., & Sugiman, S. (2022). Pemodelan dan Peramalan Runtun Waktu Nonlinier dengan Metode Exponential Smooth Transition Autoregressive (ESTAR). Indonesian Journal of Mathematics and Natural Sciences, 45(1), 20–29. https://doi.org/10.15294/ijmns.v45i1.36371

Prasetyo, T. U. (2020). Determinan Risiko Sistematis pada Perusahaan Rokok di Indonesia. Wahana Jurnal Ekonomi Manajemen dan Akuntansi, 23(2), 211–223. https://doi.org/10.35591/wahana.v23i2.190

Putri, E. I. K., Novindra, N., & Nuva, N. (2013). Dampak Kebijakan Harga Pembelian Petani Gabah terhadap Kesejahteraan Petani: Suatu Simulasi. Jurnal Ekonomi dan Pembangunan Indonesia, 13(2), 125–142. https://doi.org/10.21002/jepi.v13i2.490

Putri, K. S., Nurhakim, N., Novianti, Y. S., & Safitri, N. (2022). Kebutuhan Energi Listrik Guna Menggerakkan Sektor Ekonomi Strategis di Provinsi Kalimantan Selatan. Jurnal Geosapta, 8(2), 133. https://doi.org/10.20527/jg.v8i2.14358

Rahayu, Y. R., Hodijah, S., & Mustika, C. (2022). Determinan Utang Luar Negeri Indonesia dengan Pendekatan Error Correction Model (ECM). E-Journal Perdagangan Industri dan Moneter, 10(1), 71–84. https://doi.org/10.22437/pim.v10i1.13090

Rahimallah, M. T. A. (2022). Dasar-Dasar Statistik Sosial. https://doi.org/10.31219/osf.io/z2yjw

Rahmasari, A., Sunani, E. H., Jannah, M., Fathulaili, F., Kurnia, L., & Satria, A. (2019). ARDL Method: Forecasting Data Kemiskinan di NTB. JTAM (Jurnal Teori dan Aplikasi Matematika), 3(1), 52. https://doi.org/10.31764/jtam.v3i1.767

Rakhmawan, S. (2022). Forecasting the Export Value of Iron and Steel during the Covid-19 Pandemic. Jurnal Dinamika Ekonomi Pembangunan, 4(3), 196–210. https://doi.org/10.14710/jdep.4.3.196-210

Raneo, A. P., & Muthia, F. (2019). Penerapan Model GARCH dalam Peramalan Volatilitas di Bursa Efek Indonesia. Jurnal Manajemen dan Bisnis Sriwijaya, 16(3), 194–202. https://doi.org/10.29259/jmbs.v16i3.7462

Rantebua, S., Rosnawintang, R., & Suriadi, L. O. (2020). Analisis Pengaruh Kebijakan Fiskal terhadap Pertumbuhan Ekonomi Indonesia. Jurnal Progres Ekonomi Pembangunan (JPEP), 5(1). https://doi.org/10.33772/jpep.v5i1.11671

S, Y. D., Pramusintho, B., Firmansyah, F., & Hoesni, F. (2022). Model Peramalan Harga Telur Ayam Ras di Pasar Tradisional dan Modern Kota Jambi. Ekonomis Journal of Economics and Business, 6(1), 372. https://doi.org/10.33087/ekonomis.v6i1.521

Saputri, S., & Wibowo, M. G. (2018). Determinan Pembiayaan UMKM di Indonesia Tahun 2011–2015: Pendekatan Generalized Method of Moment (GMM). Al-Amwal Jurnal Ekonomi dan Perbankan Syariah, 10(1), 32. https://doi.org/10.24235/amwal.v10i1.2809

Sarah, H. M., Siregar, M. A. P., & Widyasari, R. (2024). Penerapan Metode ADL Pengaruh Harga BBM dan Jumlah Uang Beredar terhadap Inflasi di Kota Medan. Proximal Jurnal Penelitian Matematika dan Pendidikan Matematika, 7(1), 259–266. https://doi.org/10.30605/proximal.v7i1.3412

Sari, G. N., Kindangen, P., & Rotinsulu, T. O. (2019). Pengaruh Kinerja Keuangan terhadap Pertumbuhan Ekonomi Perkotaan di Sulawesi Utara Tahun 2004–2014. Jurnal Pembangunan Ekonomi dan Keuangan Daerah, 18(2). https://doi.org/10.35794/jpekd.12789.18.2.2016

Sari, L. K., Achsani, N. A., & Sartono, B. (2017). Pemodelan Volatilitas Return Saham: Studi Kasus Pasar Saham Asia. Jurnal Ekonomi dan Pembangunan Indonesia, 18(1), 35–52. https://doi.org/10.21002/jepi.v18i1.717

Sembel, A. M. A., Rumate, V. A., & Rotinsulu, D. Ch. (2019). Pengaruh PAD dan Dana Perimbangan terhadap Belanja Daerah serta Analisis Flypaper Effect Provinsi Sulawesi Utara Tahun 2005–2016. Jurnal Pembangunan Ekonomi dan Keuangan Daerah, 19(5). https://doi.org/10.35794/jpekd.19384.19.5.2018

Setyawan, I. R. (2019). Model Perilaku Net Buying Selling (NBS) untuk Saham HMSP Selama Periode Akuisisi dari Philip Morris. Jurnal Muara Ilmu Ekonomi dan Bisnis, 3(2), 240. https://doi.org/10.24912/jmieb.v3i2.3453

Siallagan, W. A. (2019). Tinjau Ulang Konsep dan Praktik KPJM: Pendekatan Bibliografi. Indonesian Treasury Review Jurnal Perbendaharaan Keuangan Negara dan Kebijakan Publik, 4(2), 177–194. https://doi.org/10.33105/itrev.v4i2.134

Sinay, L. J. (2014). Pendekatan Vector Error Correction Model untuk Analisis Hubungan Inflasi, BI Rate dan Kurs Dolar Amerika Serikat. Barekeng Jurnal Ilmu Matematika dan Terapan, 8(2), 9–18. https://doi.org/10.30598/barekengvol8iss2pp9-18

Sitepu, R. K. K. (2022). Model Makro-Ekonometrika Postur Anggaran Pendapatan dan Belanja Negara (APBN) Indonesia. Kajian Ekonomi dan Keuangan, 5(3), 190–216. https://doi.org/10.31685/kek.v5i3.959

Sugiharto, L. W., & Kurnia, A. S. (2016). Dinamika PMA dan PMDN di Indonesia sebagai Dampak dari Upah Minimum, Inflasi dan PDRB Tahun 2004–2012: Pendekatan Dynamic Panel Data Model. Jurnal Ekonomi dan Bisnis, 17(3), 119. https://doi.org/10.24914/jeb.v17i3.305

Suryani, L., Sentosa, S. H., & Sari, D. Y. (2021). Pengaruh Faktor Makro Ekonomi dan Sektor Keuangan terhadap Permintaan Energi di Indonesia. Jurnal Ekuilibrium, 5(2), 1. https://doi.org/10.19184/jek.v5i2.19379

Susanto, A., Rotinsulu, T. O., & Kawung, G. M. V. (2019). Analisis Faktor-Faktor yang Mempengaruhi Keberhasilan Lelang Eksekusi Hak Tanggungan pada Kantor Pelayanan Kekayaan Negara dan Lelang Palu (2015–September 2016). Jurnal Pembangunan Ekonomi dan Keuangan Daerah, 19(1). https://doi.org/10.35794/jpekd.15776.19.1.2017

Suwedayana, I. P. G. D. G., Sumarjaya, I. W., & Suciptawati, N. L. P. (2016). Peramalan Jumlah Kunjungan Wisatawan Australia yang Berkunjung ke Bali Menggunakan Model Time Varying Parameter (TVP). E-Jurnal Matematika, 5(3), 117. https://doi.org/10.24843/mtk.2016.v05.i03.p130

Utomo, S. (2012). Dampak Impor dan Ekspor Jagung terhadap Produktivitas Jagung di Indonesia. Etikonomi. https://doi.org/10.15408/etk.v11i2.1891

Widiarsih, D., Darwin, R., & Murdy, K. (2021). Efektivitas Fiskal-Moneter: Strategi Pemulihan Ekonomi Provinsi Riau dalam Menghadapi Era New Normal. Jurnal Inovasi Pendidikan Ekonomi (JIPE), 11(1), 67. https://doi.org/10.24036/011122490

Wijoyo, N. A. (2016). Peramalan Nilai Tukar Rupiah terhadap USD dengan Menggunakan Model GARCH. Kajian Ekonomi dan Keuangan, 20(2), 169–189. https://doi.org/10.31685/kek.v20i2.187

Yongki, Y., Panjaitan, R., & Leon, F. M. (2021). Dampak Manajemen Modal Kerja terhadap Cash Holding pada Industri Consumer Goods Indonesia. Jurnal Keuangan dan Bisnis, 19(1), 68–78. https://doi.org/10.32524/jkb.v19i1.110