Apa Itu Endogeneity (OVB, Simultaneity, Measurement Error)

Seorang peneliti menemukan satu pola yang mengejutkan: orang yang lebih sering ke pusat kebugaran ternyata lebih sering jatuh sakit. Ditarik garis lurus lewat datanya, kemiringannya positif dan meyakinkan. Haruskah ia menyimpulkan bahwa olahraga membuat orang sakit?

Tentu tidak. Yang sebenarnya terjadi: orang yang merasa kondisinya menurun justru terdorong pergi berolahraga untuk memperbaiki diri. Arah sebabnya terbalik — bukan gym yang membuat sakit, melainkan rasa kurang sehat yang mendorong orang ke gym. Garis regresi yang ditarik begitu saja menangkap kebalikan dari cerita yang benar.

Inilah endogenitas: penyakit paling berbahaya di ekonometrika. Bahayanya bukan karena galat bakunya keliru — itu masih bisa ditambal. Bahayanya karena angka koefisiennya sendiri salah, dan tidak ada jumlah data sebanyak apa pun yang bisa memperbaikinya. Artikel ini menjelaskan dari nol apa itu endogenitas, dari mana ia datang, dan apa obatnya.

Sekilas Istilah: Galat, Eksogen, Endogen

Sebelum masuk rumus, kita sepakati tiga kata yang akan dipakai berulang.

Galat (gangguan) adalah bagian dari $Y$ yang tidak dijelaskan oleh variabel penjelas dalam model — semua hal lain yang ikut menggerakkan $Y$ tetapi tak kita masukkan. Lambangnya $u$ (besaran teoretis sejati yang tak teramati); versi yang bisa kita hitung dari data adalah sisa $e = y - \hat{y}$ (nilai aktual dikurangi prediksi).

Eksogen berasal dari kata Yunani yang berarti “lahir dari luar”. Sebuah variabel penjelas $X$ disebut eksogen kalau ia datang dari luar sistem dan tidak terkontaminasi galat — tidak ada kaitan apa pun antara $X$ dan $u$. Inilah keadaan yang kita harapkan.

Endogen artinya “lahir dari dalam”. Variabel $X$ disebut endogen kalau ia ikut terbentuk oleh hal-hal yang sama yang ada di dalam galat — sehingga $X$ dan $u$ saling berkaitan. Inilah keadaan yang merusak.

Jadi endogenitas = keadaan saat satu (atau lebih) variabel penjelas endogen. Seluruh artikel ini membahas tiga cara hal itu bisa terjadi dan cara mengatasinya.

Definisi: Eksogenitas dan Pelanggarannya

Asumsi eksogenitas (Asumsi 4 Gauss-Markov) menuntut rata-rata galat nol pada setiap nilai $X$:

$$ E(u_i \mid X_i) = 0 \quad \Longleftrightarrow \quad \text{Cov}(X_i, u_i) = 0 $$

Penjelasan tiap lambang:

• $E(\cdot \mid X_i)$ = nilai harapan (rata-rata teoretis jangka panjang) diketahui nilai $X_i$ tertentu.
• $u_i$ = galat pengamatan ke-$i$.
• $\text{Cov}(X_i, u_i)$ = kovarians antara $X$ dan galat — ukuran sejauh mana keduanya bergerak bersama. Nol berarti tak ada keterkaitan linear.

Maknanya polos: tidak ada informasi apa pun di dalam $X$ yang bisa membantu menebak galat. Kalau $X$ besar, galat tidak cenderung besar atau kecil; keduanya bebas. Itulah eksogenitas.

Endogenitas adalah pelanggarannya:

$$ \text{Cov}(X_i, u_i) \neq 0 $$

Variabel $X$ berkorelasi dengan galat. Akibatnya OLS tak bisa lagi memisahkan efek murni $X$ dari hal-hal di dalam galat yang kebetulan ikut bergerak bersama $X$. Saat OLS “mengira” semua pergerakan $Y$ yang sejalan dengan $X$ adalah jasa $X$, sebagian dari pergerakan itu sebenarnya milik galat — dan koefisien jadi tercemar.

Akibat: Bias dan Tak Konsisten

Kalau eksogenitas dilanggar, taksiran OLS jadi bias (rata-ratanya meleset dari nilai sejati) dan tak konsisten (tidak membaik walau sampel diperbesar). Inilah rumus yang merangkum keduanya, dalam batas sampel besar:

$$ \operatorname{plim} \hat{\beta}_{\text{OLS}} = \beta + \frac{\text{Cov}(X, u)}{\text{Var}(X)} $$

Penjelasan tiap lambang:

• $\hat{\beta}_{\text{OLS}}$ = koefisien yang dihasilkan OLS dari data.
• $\beta$ = nilai sejati yang sebenarnya ingin kita ukur.
• $\operatorname{plim}$ (dibaca “probability limit”) = nilai yang dituju $\hat{\beta}$ saat banyak data $n \to \infty$. Bayangkan sebagai “ke mana taksiran ini menetap kalau datanya tak terhingga banyaknya”.
• $\text{Var}(X)$ = ragam $X$ (selalu positif), $\text{Cov}(X, u)$ = kovarians $X$ dengan galat.

Suku kedua, $\dfrac{\text{Cov}(X, u)}{\text{Var}(X)}$, adalah bias asimtotik. Ia nol — dan OLS sehat — hanya kalau $\text{Cov}(X, u) = 0$, yaitu kalau $X$ eksogen. Kalau tidak, suku itu tidak pernah lenyap betapa pun besar $n$. Itu sebabnya menambah data tidak menolong: bias bukan soal kekurangan sampel, melainkan soal cacat struktur.

Bandingkan dengan masalah yang “ramah”: heteroskedastisitas hanya merusak galat baku, dan koefisien tetap takbias (lihat BLUE). Endogenitas beda kelas — ia merusak koefisiennya langsung.

Tiga Sumber Endogenitas

Endogenitas masuk lewat tiga pintu. Mengenali pintu mana yang terbuka menentukan obat mana yang dipakai.

Sumber 1 — Variabel Terhilang (OVB)

Ini sumber paling lazim. Omitted Variable Bias (OVB) — bias akibat variabel terhilang — muncul saat ada variabel yang (a) memengaruhi $Y$, dan (b) berkorelasi dengan $X$, tetapi tidak dimasukkan ke model. Karena tak dimasukkan, ia “bersembunyi” di dalam galat — dan begitu ia berkorelasi dengan $X$, jadilah $\text{Cov}(X, u) \neq 0$.

Contoh klasik: meregresikan upah terhadap lama pendidikan, tanpa mengontrol kemampuan bawaan. Orang berkemampuan tinggi cenderung sekolah lebih lama (berkorelasi dengan $X$) sekaligus berupah lebih tinggi (memengaruhi $Y$). Karena kemampuan tak dimasukkan, koefisien pendidikan menyerap sebagian efek kemampuan — angkanya membengkak (overestimate). Kita seakan memuji pendidikan atas jasa yang sebagian milik kemampuan.

Arah dan besar bias OVB bisa diramalkan. Misalkan model sejati $Y = \beta_0 + \beta_X X + \beta_U U + \varepsilon$, tetapi kita malah menjalankan $Y = b_0 + b_X X + e$ tanpa $U$. Maka, dalam batas sampel besar:

$$ b_X \;\longrightarrow\; \beta_X + \beta_U \cdot \delta, \qquad \text{dengan } \delta = \frac{\text{Cov}(X, U)}{\text{Var}(X)} $$

Penjelasan tiap lambang:

• $\beta_X$ = efek sejati $X$ terhadap $Y$ (yang ingin kita ukur).
• $\beta_U$ = efek variabel terhilang $U$ terhadap $Y$.
• $\delta$ (dibaca “delta”) = kemiringan regresi $U$ terhadap $X$ — seberapa kuat $U$ ikut bergerak saat $X$ naik. Inilah jembatan yang membawa pengaruh $U$ “merembes” ke koefisien $X$.
• Suku $\beta_U \cdot \delta$ = besar bias-nya.

Aturan praktis membaca tanda bias: kalikan tanda $\beta_U$ dengan tanda $\delta$. Pada contoh upah, kemampuan menaikkan upah ($\beta_U > 0$) dan berkorelasi positif dengan pendidikan ($\delta > 0$), jadi biasnya positif — koefisien pendidikan terlalu besar, persis seperti dugaan kita.

Sumber 2 — Simultanitas (Sebab Membalik)

Pada simultanitas, $X$ memengaruhi $Y$ dan $Y$ balik memengaruhi $X$ — keduanya ditentukan bersama. Karena $Y$ mengandung galat, dan $Y$ membentuk $X$, maka $X$ pun ikut mengandung galat: $\text{Cov}(X, u) \neq 0$.

Contoh paku: harga dan kuantitas di pasar ditentukan serentak oleh penawaran dan permintaan — harga menggeser kuantitas, kuantitas menggeser harga. Meregresikan kuantitas pada harga begitu saja mencampur kedua kurva; koefisiennya bukan kemiringan permintaan, bukan pula kemiringan penawaran, melainkan campuran tak bermakna keduanya. Contoh lain: anggaran polisi dan tingkat kejahatan — lebih banyak polisi menekan kejahatan, tetapi kejahatan tinggi juga memicu penambahan polisi. Regresi tunggal mengaduk dua arah sebab itu.

Kasus pembuka — gym dan sakit — adalah bentuk ekstrem simultanitas yang disebut sebab membalik (reverse causality): yang kita kira “$X$ menyebabkan $Y$” sebenarnya “$Y$ menyebabkan $X$”.

Sumber 3 — Galat Pengukuran

Kalau $X$ yang sebenarnya ($X^{*}$) diukur dengan galat acak — kita hanya punya $X = X^{*} + \text{galat}$ — maka koefisien OLS tertarik menuju nol. Gejala ini disebut peredaman (attenuation bias): efek yang sebenarnya ada teredam seakan lebih lemah.

Contoh: pendapatan yang dilaporkan dalam survei sering tidak persis (orang lupa, membulatkan, atau enggan jujur). Efek pendapatan yang sebenarnya kuat bisa tampil lemah karena pengukurannya berisik. Besarnya peredaman, dalam batas sampel besar:

$$ \operatorname{plim} \hat{\beta} = \beta \cdot \underbrace{\frac{\sigma^2_{X^{*}}}{\sigma^2_{X^{*}} + \sigma^2_{\text{galat}}}}_{\text{faktor peredaman}} \; < \; \beta $$

Penjelasan tiap lambang:

• $\sigma^2_{X^{*}}$ = ragam nilai $X$ yang sebenarnya (sinyal sejati).
• $\sigma^2_{\text{galat}}$ = ragam galat pengukuran (kebisingan).
• Faktor peredaman selalu antara 0 dan 1, jadi $\hat{\beta}$ selalu lebih dekat ke nol daripada $\beta$. Makin berisik pengukuran (galat besar), makin kecil faktornya — makin teredam.

Contoh angka: kalau sinyal sejati punya ragam $\sigma^2_{X^{*}} = 4$ dan galat pengukuran berragam $\sigma^2_{\text{galat}} = 1$, faktor peredaman $= \tfrac{4}{4+1} = 0{,}8$. Efek sejati $\beta = 3$ akan tampil sebagai $3 \times 0{,}8 = 2{,}4$ — teredam sekitar seperlima. (Angka ini diverifikasi dengan simulasi 200.000 ulangan: kemiringan terukur 2,40.)

Contoh Hitung Bias dari Nol

Mari buktikan rumus OVB dengan dataset kecil yang bisa Anda periksa sendiri dengan tangan. Delapan pekerja; kita amati pendidikan $X$ (tahun) dan upah $Y$ (juta rupiah), tetapi kemampuan $U$ (skor 1–4) sebenarnya juga berperan dan berkorelasi dengan pendidikan.

Anggap kebenaran sejatinya — yang dalam riil tak pernah kita lihat utuh — adalah:

$$ Y = 20 + \underbrace{3}_{\beta_X}\,X + \underbrace{4}_{\beta_U}\,U $$

Jadi efek sejati satu tahun pendidikan adalah $\beta_X = 3$ juta. Berikut datanya (dibuat tanpa galat acak supaya hasil hitung tangan dan komputer identik):

Langkah 1 — hitung $\delta$, kemiringan $U$ terhadap $X$. Rata-rata $\bar{x} = 4{,}5$ dan $\bar{u} = 2{,}25$. Pakai rumus kemiringan biasa:

$$ \delta = \frac{\sum (x_i - \bar{x})(u_i - \bar{u})}{\sum (x_i - \bar{x})^2} = \frac{21}{42} = 0{,}5 $$

Artinya tiap tambahan satu tahun pendidikan disertai kenaikan kemampuan sebesar 0,5 satuan rata-rata — pendidikan dan kemampuan memang menempel erat.

Langkah 2 — ramalkan bias. Menurut rumus OVB, koefisien pendidikan dari regresi naif (tanpa $U$) seharusnya:

$$ b_X \to \beta_X + \beta_U \cdot \delta = 3 + 4 \times 0{,}5 = 3 + 2 = 5 $$

Jadi kita meramalkan bias = +2, dan koefisien naif = 5.

Langkah 3 — jalankan kedua regresi dan bandingkan. Hasil (terverifikasi dengan Python, statsmodels):

Persis seperti ramalan. Regresi naif melaporkan 5 juta per tahun pendidikan; angka itu bias 2 juta ke atas, karena diam-diam memuji pendidikan atas jasa yang sebenarnya milik kemampuan. Begitu kemampuan dimasukkan sebagai kontrol, koefisien pendidikan turun ke nilai sejatinya, 3,0 — endogenitasnya sembuh.

Inilah inti OVB dalam satu kalimat: variabel terhilang yang berkorelasi dengan $X$ membocorkan efeknya ke dalam koefisien $X$. Tutup kebocorannya (masukkan variabelnya), dan koefisien kembali jujur.

Bereksperimen Sendiri

Geser kekuatan korelasi perancu dengan $X$, lalu lihat koefisien OLS menyimpang dari nilai benar. Perhatikan bahwa memperbesar sampel tidak menyembuhkan penyimpangan (itulah ketakkonsistenan), dan bandingkan estimasi “naif” dengan estimasi “benar” saat perancu dikontrol.

Cara Mengatasinya

Endogenitas tak bisa diuji langsung — galat $u$ tak teramati, jadi $\text{Cov}(X, u)$ tak bisa dihitung dari data. Karena itu obatnya bukan uji statistik, melainkan desain identifikasi: cara cerdik menata data atau memanfaatkan sumber variasi yang bersih. Lima jalur utama:

Catatan modern, supaya tidak mengajarkan praktik usang:

• Variabel instrumen. Instrumen yang lemah lebih buruk daripada tidak pakai instrumen. Patokan lama “F-statistik tahap pertama > 10” sudah ketinggalan zaman; rujukan modern Lee–McCrary–Moreira–Porter (2022) menuntut ambang jauh lebih tinggi atau prosedur tF, dan menyarankan uji Anderson–Rubin yang kukuh terhadap instrumen lemah. Detail di Variabel Instrumen dan Instrumen Lemah.
• Beda-dalam-beda. Untuk perlakuan yang menyebar bertahap (waktu mulai berbeda antar unit), estimator DiD dua-arah klasik bisa bias. Praktik kini memakai estimator generasi baru seperti Callaway–Sant’Anna. Lihat DiD Modern.

Cara Berpikir tentang Endogenitas

Sebelum menjalankan regresi apa pun yang ingin Anda tafsirkan sebagai sebab-akibat, ajukan tiga pertanyaan:

1. Adakah variabel penting yang tidak saya punya? (OVB) Kalau ada, apakah ia berkorelasi dengan $X$? Kalau ya, koefisien $X$ akan bias.
2. Mungkinkah $Y$ balik memengaruhi $X$? (simultanitas) Apakah arah sebabnya benar-benar jelas, atau bisa dua arah?
3. Seberapa akurat $X$ diukur? (galat pengukuran) Kalau $X$ adalah hasil survei atau perkiraan kasar, efeknya mungkin teredam.

Kalau salah satu jawaban mengkhawatirkan, OLS biasa tidak cukup — Anda butuh salah satu strategi identifikasi di atas.

Cek Pemahaman

1. Sebuah model sejati adalah $Y = 10 + 2X + 5U$, dengan $U$ variabel terhilang. Kemiringan regresi $U$ terhadap $X$ adalah $\delta = 0{,}4$. Berapa nilai yang akan dituju koefisien $X$ kalau Anda menjalankan regresi naif $Y$ pada $X$ saja, dan ke arah mana biasnya?

Lihat jawaban

Pakai rumus OVB: $b_X \to \beta_X + \beta_U \cdot \delta = 2 + 5 \times 0{,}4 = 2 + 2 = 4$. Jadi koefisien naif akan menuju 4, dengan bias +2 (terlalu besar). Tandanya positif karena $\beta_U = 5 > 0$ dan $\delta = 0{,}4 > 0$ — keduanya positif, hasil kalinya positif.

2. Rekan Anda bilang: “Datanya endogen, tapi saya punya 500.000 observasi, jadi masalahnya beres.” Apakah ia benar? Jelaskan.

Lihat jawaban

Tidak benar. Endogenitas membuat OLS tak konsisten: bias asimtotik $\dfrac{\text{Cov}(X,u)}{\text{Var}(X)}$ tidak hilang walau $n \to \infty$. Menambah data memang menyempitkan galat baku (taksiran makin presisi), tetapi ia presisi ke arah nilai yang salah. Banyak data justru berbahaya: ia membuat angka yang bias terlihat sangat meyakinkan. Yang dibutuhkan adalah strategi identifikasi, bukan tambahan sampel.

3. (Transfer) Pemerintah ingin menaksir apakah Program Keluarga Harapan (PKH) menaikkan konsumsi rumah tangga. Penerima PKH bukan dipilih acak — yang dapat justru rumah tangga paling miskin. Sumber endogenitas mana yang muncul, kenapa koefisien “dapat PKH” akan bias, dan strategi mana yang masuk akal?

Lihat jawaban

Sumbernya variabel terhilang (OVB) lewat seleksi yang tidak acak: tingkat kemiskinan awal (dan ciri-ciri yang menyertainya) memengaruhi konsumsi dan berkorelasi dengan status penerima PKH — tetapi sulit diukur lengkap, jadi bersembunyi di galat. Karena penerima cenderung lebih miskin (konsumsi awal rendah), koefisien “dapat PKH” akan bias ke bawah — efek program tampak lebih kecil, bahkan bisa terlihat negatif. Strategi yang masuk akal: beda-dalam-beda (bandingkan perubahan konsumsi penerima vs bukan-penerima sebelum dan sesudah program) atau RDD kalau ada ambang kepesertaan yang tegas (mis. garis skor kemiskinan). Detail: DiD Klasik, RDD.

Excel Pendamping

/excel/endogeneity-konsep.xlsx berisi: contoh hitung bias OVB dengan formula hidup (dataset delapan pekerja di atas, kolom $\delta$ dan dekomposisi bias $\beta_U \times \delta$), kalkulator faktor peredaman untuk galat pengukuran, daftar periksa tiga pertanyaan endogenitas, dan lembar acuan kode R/Stata/Python untuk tiap strategi obat.

⬇ Unduh endogeneity-konsep.xlsx

Kesalahan Umum

Mengira galat baku kukuh menyembuhkan endogenitas. Tidak. Galat baku kukuh (robust) memperbaiki inferensi saat ragam galat tak seragam — ia membenahi galat baku, bukan koefisien. Endogenitas merusak koefisiennya; obatnya strategi identifikasi, bukan penggantian galat baku.

Menambah data untuk mengurangi bias. Endogenitas membuat taksiran tak konsisten: bias tetap ada walau $n \to \infty$. Sampel besar hanya membuat angka yang salah terlihat lebih meyakinkan.

Menambah kontrol sembarangan. Mengontrol variabel yang justru dipengaruhi oleh $X$ (disebut collider atau “kontrol buruk”) malah menambah bias, bukan menguranginya. Pikirkan struktur sebab-akibat lebih dulu sebelum memasukkan variabel; tidak semua kontrol menolong.

Menyebut korelasi sebagai kausalitas. Tanpa menangani endogenitas, koefisien regresi hanya asosiasi, bukan efek sebab. “Naik satu satuan $X$ disertai naiknya $Y$” tidak sama dengan “$X$ menyebabkan $Y$ naik”.

Lupa memeriksa arah sebab. Banyak hubungan ekonomi berjalan dua arah (harga–kuantitas, polisi–kejahatan, kondisi sehat–olahraga). Selalu tanyakan apakah $Y$ bisa balik memengaruhi $X$.

Dipakai di Dunia Nyata

Imbal hasil pendidikan. Studi klasik di Indonesia memakai data panel rumah tangga IFLS (Indonesia Family Life Survey) untuk menaksir efek sekolah terhadap pendapatan. Bias kemampuan ditangani dengan variabel instrumen (mis. jarak ke sekolah, aturan wajib belajar) atau efek tetap pada data panel — tepat untuk menumpas OVB seperti pada contoh upah di artikel ini.

Evaluasi program pemerintah. Pertanyaan seperti “Apakah PKH menaikkan konsumsi?” atau “Apakah subsidi pupuk menaikkan hasil panen?” selalu menghadapi seleksi tak acak: penerima berbeda sistematis dari bukan-penerima. Bappenas, BPS, dan lembaga evaluasi memakai DiD atau RDD agar angka dampaknya layak jadi dasar kebijakan — angka yang bias bisa salah arah dan memboroskan anggaran negara.

Kebijakan moneter. Suku bunga dan inflasi saling memengaruhi (simultanitas murni): Bank Indonesia menaikkan suku bunga karena inflasi tinggi, sementara suku bunga balik menekan inflasi. Ekonom memakai model VAR atau variabel instrumen untuk memisahkan kedua arah sebab itu. Lihat Vector Autoregression.

Keuangan perusahaan. Hubungan antara utang dan kinerja perusahaan endogen: utang memengaruhi kinerja, tetapi perusahaan berkinerja baik juga lebih mudah berutang. Riset pasar modal IDX rutin memakai variabel instrumen, panel efek tetap, atau guncangan regulasi (natural experiment) untuk mengisolasi arah sebabnya.

Lanjutan

Setelah memahami akar masalahnya, lanjut ke strategi obat satu per satu:

• Variabel Instrumen: F-stat dan tF — obat paling serbaguna untuk endogenitas
• 2SLS Manual Langkah demi Langkah — mekanika dua tahap dari nol
• Instrumen Lemah (Lee 2022) — kenapa instrumen lemah berbahaya
• Panel Data: Efek Tetap vs Efek Acak — menyerap perancu tak teramati yang menetap
• Beda-dalam-Beda Modern (Callaway–Sant’Anna) — evaluasi kebijakan generasi baru

Fondasi yang dibutuhkan, kalau perlu disegarkan dulu:

• Asumsi Klasik Gauss-Markov (BLUE) — tempat asumsi eksogenitas (A4) berasal
• Asumsi OLS — pengantar polos kelima asumsi
• Regresi Linear Berganda — cara memasukkan variabel kontrol

Referensi

• Wooldridge, J. M. (2019). Introductory Econometrics: A Modern Approach, Bab 15.
• Angrist, J. D., & Pischke, J.-S. (2009). Mostly Harmless Econometrics, Bab 3–4.
• Greene, W. H. (2018). Econometric Analysis, Bab 8.
• Lee, D. S., McCrary, J., Moreira, M. J., & Porter, J. (2022). “Valid t-ratio Inference for IV.” American Economic Review, 112(10).