Dynamic Panel (Arellano-Bond GMM)

Seorang analis riset keuangan korporat ingin tahu seberapa “lengket” tingkat utang sebuah perusahaan. Dugaannya masuk akal: perusahaan tidak melompat ke struktur modal idealnya dalam semalam. Tahun ini, tingkat utangnya sebagian besar adalah warisan tahun lalu — bergeser sedikit-sedikit menuju target. Pola seperti ini punya nama sehari-hari: inersia. Yang tahun lalu tinggi cenderung tetap tinggi tahun ini.

Untuk memodelkan inersia, ada satu langkah yang tampak sepele: masukkan nilai utang tahun lalu sebagai salah satu penjelas utang tahun ini. Sekilas ini hanya menambah satu kolom ke regresi panel biasa. Tetapi begitu kolom itu masuk, alat andalan untuk data panel — efek tetap, yang biasanya jadi pilihan default — diam-diam memberi jawaban yang keliru, bahkan ketika datanya banyak. Analis yang tidak menyadarinya akan melaporkan kecepatan penyesuaian utang yang salah, dan tidak ada peringatan apa pun di layar.

Materi ini menjelaskan kenapa hal itu terjadi dan bagaimana mengatasinya. Masalahnya bernama bias Nickell; solusinya adalah keluarga estimator yang dikembangkan Arellano-Bond dan Blundell-Bond.

Intuisi: Variabel Terikat yang Mengejar Dirinya Sendiri

Mulai dari gambaran datanya. Data panel adalah kisi: tiap baris sebuah unit (perusahaan, negara, provinsi), tiap kolom sebuah titik waktu. Tiap sel adalah satu pengamatan, ditentukan oleh pasangan (unit, waktu).

Pada model panel biasa, kita menjelaskan tiap titik dengan variabel penjelas dari luar (ukuran perusahaan, profitabilitas, dan sebagainya). Pada model dinamis, kita menambahkan satu penjelas yang istimewa: nilai variabel terikat itu sendiri satu periode lebih dulu — titik di sebelah kirinya pada baris yang sama. Utang tahun ini dijelaskan, antara lain, oleh utang tahun lalu.

Penjelas berlag ini disebut variabel terikat berlag (lagged dependent variable) — “berlag” berarti digeser mundur satu periode. Ia berguna karena menangkap inersia. Tetapi ia juga membawa masalah tersembunyi, dan untuk melihatnya kita perlu menuliskan modelnya.

Model Panel Dinamis

Bentuk paling sederhana, satu penjelas berlag ditambah satu penjelas biasa:

$$ Y_{it} = \rho\, Y_{i,t-1} + \beta X_{it} + \alpha_i + \varepsilon_{it} $$

Tiap lambang, polos:

• $Y_{it}$ = nilai variabel terikat untuk unit $i$ pada waktu $t$ (mis. tingkat utang perusahaan $i$ di tahun $t$).
• $Y_{i,t-1}$ = nilai unit yang sama satu periode sebelumnya — inilah variabel terikat berlag.
• $\rho$ (dibaca “rho”) = koefisien persistensi. Ia mengukur seberapa “lengket” deret: kalau $\rho = 0{,}6$, sekitar 60% dari nilai tahun lalu terbawa ke tahun ini. Makin dekat ke 1, makin lengket; $\rho = 0$ berarti tidak ada inersia sama sekali. Inilah angka yang biasanya paling ingin kita taksir dengan tepat.
• $X_{it}$ = penjelas biasa; $\beta$ = pengaruhnya.
• $\alpha_i$ = efek tetap unit $i$ — karakter yang menempel dan tak teramati (gaya manajemen, kualitas tata kelola), sama untuk semua tahun unit itu.
• $\varepsilon_{it}$ = galat acak: bagian $Y_{it}$ yang tak dijelaskan model pada waktu $t$.

Untuk menyederhanakan cerita, di bawah ini kita fokus pada $\rho$ dan sementara mengabaikan $X_{it}$ (anggap $\beta = 0$). Pertanyaan intinya: bagaimana cara menaksir $\rho$ tanpa bias?

Masalah: Bias Nickell

Cara baku menangani $\alpha_i$ pada panel adalah efek tetap — kita “membersihkan” $\alpha_i$ dengan transformasi within: dari tiap nilai dikurangi rata-rata unitnya sendiri. Pada model statis (tanpa $Y_{i,t-1}$), ini bekerja sempurna. Pada model dinamis, ia bocor. Alasannya satu kalimat:

$Y_{i,t-1}$ pasti berkorelasi dengan $\alpha_i$, karena $\alpha_i$ ikut membentuk semua nilai $Y$ unit itu — termasuk nilai yang berlag.

Saat transformasi within mengurangi rata-rata unit, rata-rata itu mengandung $Y_{i,t-1}$ juga. Pengurangan ini menyeret galat dan penjelas berlag menjadi saling berkorelasi secara mekanis. Hasilnya: taksiran $\rho$ dari efek tetap bias ke bawah — terlalu kecil.

Steven Nickell (1981) menurunkan besar bias ini. Suku utamanya, untuk model AR(1) sederhana, kira-kira:

$$ \text{bias}(\hat{\rho}_{FE}) \;\approx\; -\,\frac{1 + \rho}{T - 1} $$

di sini $T$ adalah banyak periode waktu per unit. Yang penting dari rumus ini bukan angka persisnya, melainkan bentuknya: bias berorde $1/T$. Artinya:

• Bias tidak hilang kalau kita hanya menambah jumlah unit ($N$). Menambah perusahaan tidak menolong sama sekali — biasnya tetap.
• Bias hanya mengecil kalau periode waktu memanjang ($T$ besar).

Itulah kenapa bias ini paling berbahaya pada panel “lebar dan pendek” — banyak unit, sedikit tahun — yang justru paling umum di data mikro keuangan dan ekonomi. Mari lihat besarannya, sudah diverifikasi:

Dengan hanya 5 periode, biasnya bisa menggeser taksiran $\rho$ sampai 0,40 ke bawah — sangat besar dibanding nilai $\rho = 0{,}6$ yang ingin kita ukur. Dengan 20 periode, biasnya tinggal seperlima-nya.

Ada satu petunjuk praktis yang berguna. Bias OLS terapung (pooled OLS) dan bias efek tetap berlawanan arah:

Karena keduanya menjepit dari dua sisi, estimasi $\rho$ yang benar harus berada di antara taksiran OLS (batas atas) dan efek tetap (batas bawah). Ini pagar pemeriksa yang sederhana: kalau hasil GMM Anda jatuh di luar rentang [FE, OLS], hampir pasti ada yang salah.

Difference GMM (Arellano-Bond 1991)

Jika efek tetap bocor, kita butuh cara lain menghapus $\alpha_i$. Arellano dan Bond memakai selisih pertama (first difference): kurangi tiap nilai dengan nilai periode sebelumnya.

$$ \Delta Y_{it} = \rho\, \Delta Y_{i,t-1} + \Delta \varepsilon_{it} $$

di sini $\Delta Y_{it} = Y_{it} - Y_{i,t-1}$ (selisih antar dua tahun berurutan). Perhatikan: $\alpha_i$ hilang dengan sendirinya — karena ia sama di kedua tahun, selisihnya nol. Inilah keuntungan menyelisihkan ketimbang men-within-kan.

Tetapi satu masalah baru muncul. Penjelasnya sekarang $\Delta Y_{i,t-1} = Y_{i,t-1} - Y_{i,t-2}$, dan galatnya $\Delta \varepsilon_{it} = \varepsilon_{it} - \varepsilon_{i,t-1}$. Keduanya berbagi suku $\varepsilon_{i,t-1}$ (yang ikut membentuk $Y_{i,t-1}$). Penjelas dan galat berkorelasi — persis definisi endogenitas. Regresi langsung atas persamaan selisih ini tetap bias.

Di sinilah instrumen masuk. Kita butuh sesuatu yang (a) berkorelasi dengan penjelas $\Delta Y_{i,t-1}$, tetapi (b) tidak berkorelasi dengan galat $\Delta \varepsilon_{it}$. Kandidatnya: level lag yang lebih dalam, yaitu $Y_{i,t-2}$.

$$ \underbrace{Y_{i,t-2}}_{\text{instrumen}} \;\to\; \underbrace{\Delta Y_{i,t-1}}_{\text{penjelas berlag}} $$

Kenapa $Y_{i,t-2}$ valid? Ia jelas berkorelasi dengan $\Delta Y_{i,t-1}$ (deret yang sama, periode bersebelahan), memenuhi syarat (a). Dan asalkan galat $\varepsilon$ tak berkorelasi antar-waktu, $Y_{i,t-2}$ — yang terbentuk dari $\varepsilon$ sampai periode $t-2$ — tidak berkorelasi dengan $\Delta \varepsilon_{it} = \varepsilon_{it} - \varepsilon_{i,t-1}$, memenuhi syarat (b). Untuk periode berikutnya, lag yang lebih jauh lagi ($Y_{i,t-3}$, $Y_{i,t-4}$, dst) juga valid, sehingga makin ke kanan makin banyak instrumen tersedia. Estimator GMM (Generalized Method of Moments) menggabungkan semua kondisi momen ini sekaligus.

Versi paling sederhana: Anderson-Hsiao

Bentuk paling telanjang dari ide ini — memakai satu instrumen $Y_{i,t-2}$ saja untuk satu penjelas $\Delta Y_{i,t-1}$ — adalah estimator variabel instrumen (IV) Anderson-Hsiao. Karena jumlah instrumen sama dengan jumlah penjelas (just-identified), taksirannya berbentuk rasio sederhana:

$$ \hat{\rho}_{IV} = \frac{\sum (Y_{i,t-2}\cdot \Delta Y_{it})}{\sum (Y_{i,t-2}\cdot \Delta Y_{i,t-1})} $$

Inilah jantung Arellano-Bond. GMM penuh hanyalah versi yang lebih efisien: ia memakai banyak instrumen lag sekaligus dan membobotinya secara optimal, bukan hanya satu.

Demonstrasi Angka: Tiga Estimator, Satu Kebenaran

Cara paling meyakinkan melihat bias adalah membuat data buatan dengan nilai $\rho$ yang kita tetapkan sendiri, lalu memeriksa estimator mana yang mengembalikannya. Karena bias Nickell adalah gejala asimtotik (soal rata-rata banyak sampel, bukan aritmetika satu sampel), kita bangkitkan banyak panel buatan dan rata-ratakan hasilnya.

Resep datanya (semua angka di bawah diverifikasi dengan Python):

• $N = 200$ unit, $T = 5$ periode (6 titik waktu) — panel “lebar dan pendek”, khas data mikro.
• $\rho$ sebenarnya $= 0{,}6$ (kita yang menetapkan; ini “jawaban kunci”).
• Tiap unit punya efek tetap $\alpha_i$ acaknya sendiri; galat $\varepsilon_{it}$ acak tanpa korelasi antar-waktu.
• 500 panel dibangkitkan; tiap panel ditaksir dengan tiga estimator; hasilnya dirata-ratakan.

Hasilnya:

Tiga hal yang langsung terbaca:

1. OLS terbang ke atas sampai 0,919 — hampir menyentuh 1, seolah deretnya jauh lebih lengket daripada sebenarnya. Ia salah karena membiarkan $\alpha_i$ tercampur ke koefisien lag.
2. Efek tetap jatuh ke bawah ke 0,237 — kurang dari separuh nilai benar. Biasnya −0,363, sangat dekat dengan suku utama Nickell −0,40 yang kita hitung di tabel sebelumnya untuk $T = 5$. Rumusnya bukan teori kosong.
3. GMM mengurung kebenaran: 0,591 dengan bias hanya −0,009, dan ia jatuh persis di antara 0,237 dan 0,919 — sesuai pagar pemeriksa “FE < GMM < OLS”.

Anda bisa memeriksa hal yang sama pada satu tarikan data tunggal: OLS = 0,900, FE = 0,202, GMM = 0,583 — pola yang sama, dengan GMM paling dekat ke 0,6.

Coba sendiri lewat alat di bawah: geser $\rho$ sebenarnya dan periode $T$, lalu amati OLS naik, FE turun, dan GMM bertahan di tengah — dan perhatikan jurang FE melebar saat $T$ mengecil.

System GMM (Blundell-Bond 1998)

Difference GMM punya satu titik lemah. Saat deret sangat persisten ($\rho$ mendekati 1), level masa lalu hampir tak berubah dari satu tahun ke tahun berikutnya. Akibatnya $Y_{i,t-2}$ menjadi instrumen lemah untuk $\Delta Y_{i,t-1}$ — ia tak cukup menjelaskan penjelas yang ingin di-instrumen, dan taksirannya jadi tak stabil. (Persoalan instrumen lemah dibahas tersendiri di Weak Instruments.)

Blundell dan Bond menambahkan persamaan kedua untuk menambal kelemahan ini. Selain persamaan dalam selisih (diinstrumen dengan level lag, seperti tadi), mereka menambahkan persamaan dalam level (diinstrumen dengan selisih lag, $\Delta Y_{i,t-1}$). Kedua persamaan ini digabung jadi satu sistem — dari sinilah nama “System GMM”. Tambahan persamaan level mengembalikan kekuatan instrumen pada deret persisten, sehingga System GMM lebih efisien dan lebih tahan. Untuk deret yang lengket — dan banyak deret keuangan memang lengket — System GMM kini lebih sering dipakai daripada Difference GMM.

Dua Diagnostik Wajib

Estimator GMM menukar bias dengan asumsi — dan dua asumsi itu harus diuji dan dilaporkan. Tanpa keduanya, hasil GMM tidak bisa dipercaya. Reviewer jurnal akan menolak naskah yang tidak menampilkannya.

Kenapa AR(2), bukan AR(1)? Setelah menyelisihkan, galat $\Delta \varepsilon_{it} = \varepsilon_{it} - \varepsilon_{i,t-1}$ secara mekanis akan menunjukkan korelasi orde-1 — dua selisih berurutan berbagi suku $\varepsilon_{i,t-1}$. Jadi AR(1) memang diharapkan ada dan tidak masalah. Yang menjadi alarm adalah AR(2): kalau galat asli $\varepsilon$ benar-benar tak berkorelasi antar-waktu, korelasi orde-2 pada selisih harus nol — dan instrumen $Y_{i,t-2}$ tetap valid. Diverifikasi pada simulasi galat murni acak: korelasi selisih lag-1 = −0,50 (ada, wajar), korelasi selisih lag-2 = 0,00 (tidak ada). Kalau AR(2) signifikan, itu tanda lag yang dipakai sebagai instrumen ternyata berkorelasi dengan galat — instrumennya gugur, dan Anda perlu memakai lag yang lebih dalam.

Jebakan uji Hansen. Uji Hansen memeriksa apakah seluruh instrumen valid bersama-sama. Hasil tidak signifikan itu bagus — tetapi $p$ yang terlalu tinggi (mendekati 1,00) justru pertanda buruk, bukan baik. Itu gejala terlalu banyak instrumen (instrument proliferation): GMM gampang sekali memuntahkan ratusan instrumen lag, yang melemahkan uji Hansen sampai ia kehilangan daya membedakan. Pegangan: $p$ Hansen yang sehat ada di kisaran 0,25–0,80, bukan 0,99. Roodman (2009) menekankan dua obat: collapse instrumen (gabungkan jadi satu set ringkas) dan batasi kedalaman lag. Jaga jumlah instrumen tetap di bawah jumlah unit.

Cek Pemahaman

1. Seorang peneliti menaksir model utang dinamis pada panel 300 perusahaan selama 6 tahun. Pooled OLS memberi $\hat{\rho} = 0{,}88$ dan Fixed Effects memberi $\hat{\rho} = 0{,}41$. Estimator GMM-nya keluar $\hat{\rho} = 0{,}95$. Apa yang harus ia simpulkan?

Lihat jawaban

Ada yang salah dengan hasil GMM-nya. Taksiran $\rho$ yang benar harus terjepit di antara Fixed Effects (batas bawah, 0,41) dan Pooled OLS (batas atas, 0,88) — itulah pagar pemeriksa dari arah bias yang berlawanan. Nilai GMM 0,95 jatuh di luar rentang [0,41; 0,88], malah lebih tinggi dari OLS. Kemungkinan penyebab: instrumen lemah, terlalu banyak instrumen yang membuat overfit, atau spesifikasi yang keliru. Ia harus memeriksa jumlah instrumen, men-collapse-nya, dan membaca ulang uji AR(2) serta Hansen sebelum mempercayai angka itu.

2. (transfer) Sebuah studi pertumbuhan ekonomi memakai panel 33 provinsi Indonesia selama 4 tahun, dengan PDRB per kapita berlag sebagai penjelas. Penulis memakai Fixed Effects dan melaporkan koefisien persistensi 0,52. Kenapa angka ini patut dicurigai, dan apa saran Anda?

Lihat jawaban

Patut dicurigai karena ini panel pendek ($T = 4$) dengan variabel terikat berlag — kondisi paling rawan bias Nickell. Dengan $T = 4$, suku utama bias kira-kira $-(1+\rho)/(T-1) = -(1+0{,}52)/3 \approx -0{,}51$ — sangat besar. Artinya koefisien sebenarnya bisa jauh lebih tinggi dari 0,52 yang dilaporkan; persistensi pertumbuhan ditaksir terlalu rendah. Saran: jangan pakai Fixed Effects untuk model ini; gunakan System GMM (Blundell-Bond) karena deret pertumbuhan biasanya persisten, lalu laporkan uji AR(2), uji Hansen, dan jumlah instrumen — dengan hanya 33 provinsi, jumlah instrumen harus dijaga sangat ketat (di bawah 33), kemungkinan besar perlu di-collapse.

Kesalahan Umum

Memakai Fixed Effects dengan variabel terikat berlag. Ini kesalahan paling sering. Bias Nickell membuat $\hat{\rho}$ terlalu kecil, terutama pada panel pendek. Begitu ada $Y_{i,t-1}$ di ruas kanan, beralihlah ke GMM.

Lupa melaporkan AR(2) dan Hansen. Keduanya bukan hiasan, melainkan syarat lolos. Tanpa keduanya, hasil GMM tidak bisa diverifikasi siapa pun dan akan ditolak penelaah.

Mengira $p$ Hansen yang tinggi itu bagus. $p$ mendekati 1,00 justru alarm terlalu banyak instrumen, bukan tanda instrumen valid. Kisaran sehat 0,25–0,80. Collapse instrumen dan batasi lag (Roodman).

Membiarkan instrumen beranak-pinak. GMM gampang menghasilkan ratusan instrumen lag yang melemahkan uji over-identification dan meng-overfit variabel endogen. Jaga jumlah instrumen di bawah jumlah unit.

Memaksakan Difference GMM untuk deret sangat persisten. Saat $\rho$ mendekati 1, level lag jadi instrumen lemah untuk selisih. Pakai System GMM (Blundell-Bond).

Dipakai di Dunia Nyata

Struktur modal perusahaan (BEI). Tingkat utang menyesuaikan perlahan ke target (model penyesuaian parsial). Utang berlag wajib masuk model, sehingga GMM menjadi estimator baku di riset keuangan korporat — termasuk studi struktur modal atas perusahaan tercatat di Bursa Efek Indonesia, yang panelnya lebar (ratusan emiten) dan relatif pendek.

Pertumbuhan ekonomi lintas daerah. Konvergensi pertumbuhan punya inersia kuat. Studi pertumbuhan empiris atas panel negara maupun panel provinsi/kabupaten Indonesia banyak memakai System GMM — meski di sini jumlah unit yang sedikit (mis. 34 provinsi) menuntut kehati-hatian ekstra pada jumlah instrumen.

Persistensi profitabilitas. Apakah keunggulan laba sebuah perusahaan bertahan atau cepat tergerus pesaing? ROA berlag yang ditaksir dengan GMM mengukur kecepatan erosi keunggulan kompetitif — koefisien $\rho$ di sini langsung bermakna sebagai daya tahan keunggulan.

Lanjutan

• Pendamping: Clustered SE untuk Panel — setelah koefisien GMM benar, galat bakunya pun butuh perlakuan yang sesuai struktur panel.
• Fondasi langsung: Fixed Effect Model (estimator yang ternyata bias di sini) dan Variabel Instrumen (mesin di balik solusinya).
• Kerangka pemilihan: Panel Method Selection dan Data Panel: FE vs RE.
• Saat instrumen lemah: Weak Instruments — masalah yang melatarbelakangi lahirnya System GMM.

Reference

• Nickell, S. (1981), “Biases in Dynamic Models with Fixed Effects”, Econometrica.
• Arellano, M. & Bond, S. (1991), “Some Tests of Specification for Panel Data: Monte Carlo Evidence and an Application to Employment Equations”, Review of Economic Studies.
• Blundell, R. & Bond, S. (1998), “Initial Conditions and Moment Restrictions in Dynamic Panel Data Models”, Journal of Econometrics.
• Anderson, T. W. & Hsiao, C. (1981), “Estimation of Dynamic Models with Error Components”, Journal of the American Statistical Association.
• Roodman, D. (2009), “How to Do xtabond2: An Introduction to Difference and System GMM in Stata”, Stata Journal.