Estimasi parameter model Arellano dan Bond pada regresi data panel dinamis

INDONESIA: Data panel merupakan gabungan dari cross section dan time series. Terdapat dua model data panel yaitu data panel statis dan dinamis. Karena melihat keunggulan model data panel dinamis yang sanggup mengatasi masalah endogenitas terkait penggunaan lag variabel dependen dimana pada model data panel statis penggunaan lag variabel dependen menyebabkan hasil estimasi menjadi bias dan tidak konsisten sehingga penulis meneliti tentang model regresi data panel dinamis. Sebagai langkah awal untuk mengestimasi parameter yang tidak diketahui pada model regresi data panel dinamis yaitu dengan hanya memanfaatkan kondisi ortogonalitas yang ada di antara nilai-nilai lag dan error-nya maka model regresi data panel dinamis tersebut menjadi model Arellano dan Bond. Untuk mengestimasi model Arellano dan Bond maka dilakukan beda pertama pada model tersebut, kemudian mencari matriks varians-kovarians dan mendefinisikan matriks instrumen dari model tersebut. Setelah itu, estimasi parameter model Arellano dan Bond menggunakan metode Generalized Least square(GLS). Berdasarkan pembahasan diperoleh rumus estimasi parameter model Arellano dan Bond adalah sebagai berikut: δ ̂gls = (∇y_(-1)’W(W’(I_N⊗G)〖W)〗^(-1) W∆y_(-1))^-1 ∆y_(-1)’W(W’(I_N⊗G)W)-1 ∆y ENGLISH: Panel Data is a combination of cross section and time series. There are two models of panel data namely static panel data and dynamic panel data. Because of seeing the advantage of dynamic panel data model is able to handle the problem of endogeneity related to the using of the dependent variable lag when static panel data used the dependent variable for causing the estimation result be biased and inconsistent. It makes the writer research the model of dynamic panel data regression. For the first step to estimate unknown parameters of the regression dynamic panel data model by using orthogonality conditions that existed among Lag and an error values, so the regression dynamic panel data becomes Arellano and Bond model. For estimating Arellano and Bond model, we differ that model for the first time, then we seek a matrix variance-covarriance and define matrix instruments of the model. Then, estimating of the Arellano and Bond model parameters using Generalized Least Square methods ( GLS ). According to the mater we get the estimation formula parameters Arellano and Bond model as follow: δ ̂gls = (∇y_(-1)’W(W’(I_N⊗G)〖W)〗^(-1) W∆y_(-1))^-1 ∆y_(-1)’W(W’(I_N⊗G)W)-1 ∆