Memasang Engine R dan Modul Panel GMM…

Tahap 1: Upload / Simulasi Data

Upload File CSV Panel

⏳ Menunggu Pemetaan Variabel Selesai.

⏳ Membangun Matriks Instrumen & Inversi Model…

'; pW.document.write(h); pW.document.close(); pW.focus(); setTimeout(function(){ pW.print(); }, 800); }); }let isD = false; let c1=false; if(document.readyState==='complete'){c1=true;} if(c1) isD=true; let c2=false; if(document.readyState==='interactive'){c2=true;} if(c2) isD=true; if(isD){runStatGMM();}else{document.addEventListener('DOMContentLoaded',runStatGMM);} /* ]]> */

Dokumentasi Akademik ST-Engine: Generalized Method of Moments (GMM) Dynamic Panel

Dikembangkan & Didesain Oleh:

ANWAR HIDAYAT

Founder dan CEO www.statistikian.com

Coding ini dibangun dan didevelop oleh Anwar Hidayat untuk menghadirkan instrumen ekonometrika panel dinamis berbasis WebAssembly (WASM). Arsitektur ini dirancang untuk mematuhi standar komputasi kelas wahid seperti STATA (xtabond2) dan library R (plm/pgmm), mengeksekusi iterasi ortogonalitas matriks secara riil, serta dioptimalkan agar berjalan tanpa celah pada ekosistem WordPress.

Selamat datang di dokumentasi komprehensif ST-Engine Generalized Method of Moments (GMM). Dalam penelitian ilmu ekonomi, keuangan, dan sosial, fenomena yang kita amati acap kali bersifat dinamis. Artinya, perilaku atau capaian suatu entitas pada hari ini sangat dipengaruhi oleh perilakunya di masa lampau (persistence). Pemodelan regresi data panel statis seperti Fixed Effect atau Random Effect tidak mampu menangani dinamika ini tanpa menghasilkan bias yang fatal. Alat analitik ini dirancang secara spesifik untuk mengeksekusi estimator GMM pada data panel dinamis guna mengatasi masalah endogenitas dan autokorelasi kompleks.

1. Teori Dasar: Definisi, Tujuan, dan Fungsionalitas GMM

Generalized Method of Moments (GMM) merupakan sebuah kerangka kerja estimasi ekonometrika tingkat lanjut yang awalnya diperkenalkan oleh Lars Peter Hansen pada tahun 1982. Namun, dalam konteks struktur data panel dinamis (Dynamic Panel Data), popularitas dan formulasi matematis GMM dimatangkan oleh ahli ekonometrika Manuel Arellano dan Stephen Bond (1991), serta disempurnakan oleh Richard Blundell dan Stephen Bond (1998). Model data panel dinamis ditandai dengan keberadaan lag variabel dependen (nilai variabel terikat di masa lalu, $Y_{i, t-1}$) yang diposisikan sebagai salah satu variabel independen di sisi kanan persamaan regresinya.

Tujuan fundamental digunakannya analisis GMM adalah untuk memecahkan tiga momok utama yang menghantui pemodelan data panel konvensional. Pertama, Unobserved Heterogeneity (Heterogenitas tak teramati), yaitu karakteristik spesifik tiap entitas (individu, perusahaan, atau negara) yang tidak berubah sepanjang waktu namun memengaruhi variabel dependen. Kedua, Autokorelasi Spesifik, yaitu ketika variabel dependen di masa lalu ($Y_{i, t-1}$) secara alamiah berkorelasi dengan komponen galat spesifik individu ($\mu_i$). Ketiga, Endogeneity (Endogenitas), yaitu kondisi di mana satu atau beberapa variabel independen lainnya memiliki korelasi dengan komponen galat (error term) karena adanya kausalitas dua arah (reverse causality) atau variabel yang terlewat (omitted variables).

Banyak peneliti yang belum menyadari bahwa mengaplikasikan pendekatan Ordinary Least Squares (OLS) atau Fixed Effects Model (FEM / Within Transformation) pada persamaan panel dinamis adalah suatu kesalahan yang fatal. Hal ini melahirkan fenomena yang dikenal luas sebagai Nickell Bias (Nickell, 1981). Dalam transformasi Fixed Effects, proses pendemeanan (pengurangan nilai rata-rata) akan menyebabkan lag variabel dependen secara mekanis berkorelasi negatif dengan galat yang telah didemean. Bias ini tidak akan hilang meskipun jumlah entitas (N) yang diteliti diperbesar hingga tak terhingga, asalkan rentang waktu (T) tetap pendek, yang mana merupakan karakteristik lazim dari data panel mikro. Transformasi ini akan menghasilkan estimasi koefisien autokorelatif yang terlalu rendah (downward biased).

GMM hadir meretas masalah tersebut dengan memanfaatkan Instrumental Variables (Variabel Instrumental / IV). Namun, alih-alih memaksa peneliti bersusah payah mencari instrumen dari luar model yang seringkali sulit dikonfirmasi validitasnya, GMM mengeksploitasi instrumen internal yang sudah tersedia di dalam struktur data itu sendiri. GMM menggunakan lag dari variabel itu sendiri (baik dalam bentuk level maupun differensi) sebagai instrumen yang sah, dengan bersandar pada syarat kondisi momen (moment conditions). Kondisi momen ini mengasumsikan bahwa meskipun variabel masa lalu berkorelasi dengan variabel masa kini (relevan), mereka tidak berkorelasi dengan guncangan galat di masa kini atau masa depan (eksogenitas).

Aplikasi ST-Engine ini memfasilitasi dua varian agung dari GMM: Difference GMM (Arellano-Bond) dan System GMM (Blundell-Bond). Difference GMM mengatasi efek spesifik individu dengan melakukan transformasi First-Difference (pembedaan pertama) pada seluruh persamaan, lalu menggunakan lag tingkat (level lags) sebagai instrumen. Sementara System GMM melangkah lebih jauh untuk mengatasi masalah “instrumen lemah” pada data yang sangat persisten (nilai masa lalu sangat lekat dengan masa kini) dengan cara menggabungkan sistem dua persamaan: persamaan first-difference yang diinstrumeni oleh lag level, dan persamaan level yang diinstrumeni oleh lag first-difference.

2. Formula Tiap Tahap Analisis dan Relevansinya

1. Persamaan Dasar Data Panel Dinamis

y_it = α y_{i, t-1} + β X_it + μ_i + ε_it

Penjelasan Anatomi Formula: Ini adalah fondasi mula-mula. Variabel y_it adalah observasi entitas i pada periode t. y_{i, t-1} mewakili nilai lag (periode sebelumnya) yang melahirkan sifat dinamis. μ_i adalah efek individu spesifik yang tak teramati (unobserved heterogeneity) yang bernilai konstan sepanjang waktu. ε_it adalah galat idio sinkratik. Karena y_it dibentuk dari μ_i, secara tak terelakkan y_{i, t-1} juga pasti mengandung μ_i, melahirkan korelasi antara prediktor dengan galat, membunuh validitas OLS. (Baltagi, 2005).

2. Difference GMM (Arellano-Bond)

Δy_it = α Δy_{i, t-1} + β ΔX_it + Δε_it

Syarat Momen (Moment Conditions): E[ y_{i, t-s} Δε_it ] = 0, untuk s ≥ 2

Penjelasan Anatomi Formula: Untuk melenyapkan efek tetap μ_i, persamaan dasar dilakukan Pembedaan Pertama (First-Difference), disimbolkan dengan Δ. Langkah ini sukses menghapus μ_i karena nilainya konstan (dikurangi nilainya sendiri sama dengan nol). Namun, masalah baru muncul: Δy_{i, t-1} (yang berisi ε_{i, t-1}) kini berkorelasi mekanis dengan galat baru Δε_it (yang juga berisi ε_{i, t-1}). Arellano dan Bond merumuskan syarat momen di atas: kita dapat menggunakan lag ke-2 (y_{i, t-2}) dan lag yang lebih dalam sebagai matriks instrumen holger, sebab lag tersebut berkorelasi dengan Δy_{i, t-1} namun dijamin ortogonal (tidak berkorelasi) dengan Δε_it.

“Estimator GMM pembedaan mengeksploitasi seluruh kondisi momen linear yang mengikuti asumsi ketidakhadiran autokorelasi serial pada galat idiosinkratik.” (Arellano & Bond, 1991)

3. System GMM (Blundell-Bond)

E[ Δy_{i, t-1} (μ_i + ε_it) ] = 0

Penjelasan Anatomi Formula: Difference GMM terbukti menderita kelemahan instrumen yang loyo (weak instruments) jika data y sangat persisten (mendekati random walk). Blundell dan Bond menyembuhkan patologi ini dengan membangun sistem estimasi ganda. Mereka mempertahankan persamaan level aslinya, dan menginjeksikan syarat momen baru (seperti tertulis di atas), di mana perbedaan lag (Δy_{i, t-1}) digunakan sebagai instrumen untuk persamaan level. Instrumen ini ortogonal terhadap efek tetap. Matriks instrumen ini melahirkan efisiensi yang dramatis bagi data makroekonomi.

“Keterbatasan instrumen pembedaan pertama diatasi secara superior dengan menyusun sistem persamaan yang membangkitkan batasan momen ekstra, memberikan perbaikan efisiensi asimtotik yang krusial.” (Blundell & Bond, 1998)

4. Uji Diagnostik Overidentifikasi (Sargan / Hansen J-Test)

J = ( 1 / N ) Z’ Δε W Δε’ Z ∼ χ²_{(r – k)}

Penjelasan Anatomi Formula: Karena metode GMM seringkali menggunakan jumlah instrumen (r) yang jauh melebihi jumlah parameter yang diestimasi (k), model diklasifikasikan sebagai over-identified. Uji Sargan mengevaluasi kecocokan seluruh instrumen tersebut. Nilai J dikonstruksi dari kuadrat residual instrumen. Pada uji ini, probabilitas p-value harus lebih dari 0.05 agar kita gagal menolak hipotesis nol, yang mana mendaulat bahwa instrumen-instrumen yang dikerahkan secara totalitas adalah valid dan ortogonal (tidak berkorelasi dengan galat).

“Spesifikasi ortogonalitas absolut harus divalidasi dengan memproyeksikan pembobotan momen yang berlebih; kegagalan melewatinya mengindikasikan kecacatan eksogenitas instrumen.” (Sargan, 1958; Hansen, 1982)

3. Arsitektur Perangkat Lunak (Infrastruktur ST-Engine)

Infrastruktur analitik di dalam alat ini didevelop oleh Anwar Hidayat dengan mengorbankan ketergantungan pada API komputasi awan, beralih pada perakitan “Edge-Client Autonomy” yang berjalan independen:

Inti Logika WebR (R-WASM): Ekonometrika panel dinamis bukanlah operasi matriks sederhana. Aplikasi ini mengunduh pustaka bahasa “R” dalam format WebAssembly langsung ke browser. Modul utama yang dipanggil adalah paket plm (Panel Data Econometrics), secara spesifik mengeksploitasi fungsi pgmm(). Parameter argumen seperti effect="twoways", model="twosteps", hingga pendefinisian gmm.inst disulap melalui *syntax* dinamis di latar belakang. Presisinya terkalibrasi setara dengan fungsi xtabond2 milik David Roodman di perangkat lunak STATA.
Manipulasi DOM Vanilla JS: Segala antarmuka, mulai dari pembacaan parsing sel CSV, konfigurasi pemetaan loket (Tri-Box Mapping), hingga transformasi JSONlite dari R kembali menuju matriks tabel HTML dilapisi murni menggunakan Vanilla JavaScript (ECMAScript 6+). Eliminasi library eksternal (seperti jQuery) digagas demi memberikan imunitas mutlak terhadap kompresi agresif dari LiteSpeed Cache dan keluwesan adaptasi pada tema WordPress Astra.
Dormant State & Memori Terkarantina: Untuk melindungi kapabilitas RAM klien, perhitungan matematis Two-Step GMM yang berat hanya akan dipantik ke *thread* terpisah secara asynchronous (menggunakan sistem Promises) sesaat setelah pengguna memberikan perintah final melalui tombol “Jalankan Analisis”.

4. Panduan Manual Penggunaan Alat Analisis Secara Tuntas

Metodologi GMM teramat peka terhadap susunan anatomi data. Patuhi kronologi taktis berikut guna menjauhkan observasi Anda dari jebakan singularitas matriks instrumen (matrix singularity).

4.1. Pra-Persiapan Matriks dan Unggah Data (Data Entry)

Format Long Data Panel wajib Anda terapkan. Setiap entitas (perusahaan/negara) harus diurutkan dengan rapi melintasi rentang waktu sebelum berpindah ke entitas selanjutnya. Anda wajib memiliki minimal kolom ID (Entitas) dan Time (Tahun/Bulan).

Fungsi Data Simulasi GMM: Tombol interaktif ini dicetuskan untuk mendemonstrasikan arsitektur struktural panel dinamis. Dengan menekan tombol ini, algoritma akan memahat 150 observasi (misal: 10 Perusahaan selama 15 Tahun) di mana nilai Investasi dibangkitkan berdasar regresi terdistribusi autoregressive dari Investasi tahun lampau, diwarnai dengan bias random noise.
Fungsi Ekstraksi Copy-Paste: Buka program lembar kerja Anda (Excel). Sorot blok variabel observasi, salin (Ctrl+C), arahkan kursor bersandar di titik kiri atas tabel Grid ST-Engine, dan eksekusikan perintah tempel (Ctrl+V).
Fungsi Upload Ekstensi CSV: Mekanisme unggulan untuk data masif dengan rentang dimensi (N x T) raksasa. Berkas *.csv* Anda diurai seketika di peramban murni tanpa penundaan (latensi) transfer server rahasia.

Segel penginputan data dengan aktuasi tegas pada tombol “Simpan Data & Lanjut Mapping” guna menstabilkan vektor nama kolom sebelum didelegasikan ke bilik pemetaan.

4.2. Arsitektur Relasi (Mapping Multi-Box Panel)

Fase ini merepresentasikan otak pembentukan persamaan dinamis Anda.

Bilik ID Panel (Entity/Cross-Section) & Bilik Waktu (Time): Masukkan eksklusif satu variabel kode penunjuk subjek (misal: Kode Emiten) ke Bilik ID, dan satu variabel penunjuk waktu kronologis (misal: Tahun) ke Bilik Time.
Bilik Variabel Dependen (Y): Seret satu variabel target absolut yang kelak lag-nya akan diinkorporasi paksa secara internal oleh ST-Engine sebagai prediktor dinamis.
Bilik Independen (X) – Endogen / Predetermined: Ini adalah arena bagi variabel prediktor X yang Anda curigai memiliki korelasi kausal bolak-balik dengan Y (endogen), atau di mana nilai masa depannya dipengaruhi oleh Y hari ini (predetermined). Variabel di bilik ini akan diperlakukan dengan gaya instrumen GMM (lagnya dipakai sebagai instrumen).
Bilik Independen (X) – Eksogen Kuat (Strictly Exogenous): Tempatkan variabel X yang Anda yakini kebal dari kausalitas dua arah dan kebal dari pengaruh galat (misal: variabel boneka makroekonomi, kebijakan tarif tahunan). Variabel ini akan berfungsi sebagai instrumennya sendiri (standard instruments).

4.3. Konfigurasi Ekstraksi (Option Toggles)

Di bagian loket Advanced Options, Anda diizinkan menentukan nasib algoritma:

Tipe Estimator GMM: Anda harus membela salah satu mazhab, Difference (Arellano-Bond) atau System (Blundell-Bond). System GMM amat dianjurkan jika data terikat Anda amat lamban perubahannya dari tahun ke tahun.
Sistem Pembobotan (Weighting Matrix): One-Step menimbang matriks homoskedastisitas sederhana, sementara Two-Step mengekstraksi matriks kovarians riil dari residual langkah pertama untuk keandalan efisiensi asimtotik yang lebih prima.

Eksekusikan komando dengan pijakan pada tombol ▶ JALANKAN REGRESI PANEL GMM.

ALUR PROSES KOMPUTASI (DIAGRAM):

[1. Pendelegasian Skema Panel] → [2. Konversi pdata.frame(index=c("ID","Time")) di WebR] → 

[3. Generasi Model Formula Y ~ lag(Y) + X_endo + X_exo | lag(Y, 2:99) + X_endo_inst] → 

[4. Optimasi Holger-Matrix pgmm(model="twosteps")] → [5. Ekstraksi Arellano-Bond m1/m2, Sargan, Robust SE] → 

[6. Serialisasi JSONlite] → [7. Translasi DOM Tabel Antarmuka Berbasis C/R]

4.4. Cara Membaca Output: Interpretasi Tabel dan Diagnostik Kritis

Kecanggihan GMM bukan terletak pada estimasi koefisiennya semata, namun pada peradilan uji diagnostik asimtotiknya. Inilah cara pakar membaca parameter matriks ST-Engine:

A. Tabel Model Fitting Information (Uji Signifikansi Bersama/Wald Test)

Serupa dengan Uji-F di OLS, tabel ini menjustifikasi kekuatan arsitektur prediktor model Anda.

Wald Chi-Square: Nilai agresi penyimpangan model penuh berbanding model tanpa prediktor.
Sig. (P-Value): Indikator nyawa model. Bila Sig. < 0.05, silakan cetak perayaan: Secara simultan serentak, baik lag variabel dependen beserta seluruh prediktor endogen dan eksogen terbukti memiliki sumbangsih signifikan merumuskan nilai Y. Model sangat patut dianalisis lebih jauh.

B. Tabel Coefficient Estimates (Evaluasi Hipotesis Parsial)

Area bedah kausalitas satu-per-satu. Kolom Estimate mengindikasikan arah polarisasi determinasi (positif = searah, negatif = bertolak belakang). Kolom krusial adalah Sig. (P-Value).
Variabel yang sangat Anda harus cermati di sini adalah Lag(Y, 1). Jika nilai Sig. untuk Lag(Y, 1) terbukti < 0.05, ia membuktikan bahwa dinamika persistence itu faktual ada; masa depan diikat keras oleh riwayat di masa lalu, meresmikan bahwa data panel dinamis ini adalah landasan paling tepat dibanding data panel statis FEM yang cacat.

C. Tabel Overidentifying Restrictions (Sargan / Hansen Test)

Tabel Pengadilan Instrumen. Jumlah instrumen yang terlalu meluap dapat menyebabkan pelemahan asimtotik model. Uji Sargan bertindak mengadili apakah koleksi instrumen lag tersebut suci dari korelasi terhadap galat sisaan (residuals).

Paradigma pembacaannya terbalik. Anda DIHARUSKAN mendamba nilai Sig. > 0.05.
Bila Sig. > 0.05: Hipotesis nol bertahan. Selamat! Seluruh rentetan matriks instrumen internal yang Anda usung dipastikan valid dan ortogonal, tidak menyusup membawa intervensi pada ruang error.
Bila Sig. < 0.05: Tragedi ekonometrika. Hipotesis pembatasan over-identified rontok. Instrumen Anda tidak absah. Segera batasi lag instrumen dengan mengecilkan opsi batasan “Max Lags” di konfigurasi awal, atau rombak klasifikasi variabel eksogen/endogen Anda.

D. Tabel Arellano-Bond Serial Correlation Test (Uji Autokorelasi AR1 & AR2)

Tabel deteksi autokorelasi serial pada persamaan residu pembedaan (differenced errors). Ingat, GMM mensyaratkan absolut ketiadaan korelasi beruntun pada level tingkat kedua (AR2).

Uji AR(1): Nilai p-value (Sig.) umumnya (dan diekspektasikan) memang berada < 0.05. Ini wajar secara matematis karena Δε_it pasti berkorelasi alami dengan Δε_{i, t-1} akibat faktor irisan komponen ε_{i, t-1} di kedua variabel tersebut. Pengabaian AR(1) diizinkan selama AR(2) bersih.
Uji AR(2): Ini adalah hukum gantung. Anda WAJIB memperoleh probabilitas Sig. > 0.05. Bila Sig. AR(2) berada di kawasan > 0.05, ini menjadi sertifikat validasi bahwa tidak terjadi fenomena autokorelasi beruntun derajat dua pada galat. Asumsi suci (Moment Conditions) terjustifikasi sempurna.

E. Kotak Dekonstruksi Persamaan Matematis

Algoritma menterjemahkan kembali estimasi numerik menjadi notasi model persamaan GMM: Y_it = α * Y_i,t-1 + β1 * X1_it + μ_i + ν_it. Representasi unobserved heterogeneity (μ_i) tetap disematkan dalam rumus teoretis untuk menunjukkan keteguhan model dalam mempertimbangkan dimensi efek individu meskipun efek itu tereliminasi pada kalkulasi matrikulasi first-difference.

5. Konklusi Kompetitif: Manfaat Aplikasi Substitusi (Pros & Cons)

Kelebihan Komparatif Spektakuler (Pros):

Penyetaraan Totalitas Ekonometrika Enterprise: Prosedur GMM dua-langkah (Two-Step GMM) dengan penyesuaian Windmeijer Finite-Sample Correction adalah prosedur rumit yang eksklusif dimonopoli oleh software seperti STATA (`xtabond2`). Dengan pengangkutan matriks fungsi R `pgmm` ke dalam otak WebAssembly, ST-Engine merampas kembali dominasi kalkulasi tersebut. Setiap keluaran nilai Wald, parameter Z, hingga uji instrumen Sargan divalidasi kebal secara leksikal, melayakkan karya Anda untuk tembus di publikasi Q1 Scopus bertaraf keuangan internasional.
Arsitektur Keamanan Ruang Kedap (Air-Gapped Client-Side): Menyerahkan sekumpulan data mikroekonomi sensitif perusahaan atau rekam fiskal ke layanan online computing yang tak tepercaya berisiko mengkandaskan perjanjian konfidensial etika riset (NDA). ST-Engine menumpas kekhawatiran itu; seluruh miliaran kalkulasi ortogonal determinan matriks diringkus secara brutal hanya di atas landasan memori RAM komputer lokal pengguna (Anda sendiri). Transmisi data ke *server* adalah nol absolut. Privasi kedaulatan *dataset* Anda tak tersentuh dewa manapun.
Bebas Hambatan Instalasi Lintas Ekosistem: Meruntuhkan kompleksitas administrasi. Aplikasi sanggup berlari sekencang mesin murni baik di atas tumpangan Linux Arch, Macintoshes Apple Silicon terbaru, hingga piranti Windows lawas, selama *browser* mutakhir (seperti Firefox atau Chrome) mampu mengorkestrasi kompilasi kanvas JavaScript.

Kekurangan Termanifestasi Natural (Cons):

Tarif Latensi Pra-Muat Biner (*Cold Start Delay*): Kompensasi kejam dari perhitungan independen klien adalah beban singgahan data awal. Sewaktu lawatan perdana memasuki halaman ekonometrik ini, browser Anda dipaksa memanggil dan mengantre perpustakaan R biner sebesar ~25 hingga ~30 Megabyte di latar belakang. Proses ini memanen jeda waktu antrean antara 20 detik hingga satu setengah menit sebelum antarmuka memutus rantai dormansi, bergantung totalitas ketangguhan gelombang bandwidth Anda.
Friksi Keruntuhan Tabrasi (RAM Crash) pada Data Ekstrem: Model GMM menyita matriks varians raksasa. Jika Anda dengan buas mencekokkan panel data bervolume ekstrem (contoh: 200 negara selama rentang waktu 60 tahun harian berderet instrumen endogen majemuk), maka ruang napas Random Access Memory tab browser pada komputer kelas medioker dapat meletus menembus batasan heap out of memory, memaksa tabulasi membeku fatal di tengah pendakian iterasi algoritma.

6. Daftar Pustaka

Kompilasi leksikon akademik yang mendasari landasan matematis fungsi matriks sistem Dynamic Panel ST-Engine:

Arellano, M., & Bond, S. (1991). Some tests of specification for panel data: Monte Carlo evidence and an application to employment equations. The Review of Economic Studies, 58(2), 277-297.
Arellano, M., & Bover, O. (1995). Another look at the instrumental variable estimation of error-components models. Journal of Econometrics, 68(1), 29-51.
Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). John Wiley & Sons.
Blundell, R., & Bond, S. (1998). Initial conditions and moment restrictions in dynamic panel data models. Journal of Econometrics, 87(1), 115-143.
Hansen, L. P. (1982). Large sample properties of generalized method of moments estimators. Econometrica: Journal of the Econometric Society, 1029-1054.
Nickell, S. (1981). Biases in dynamic models with fixed effects. Econometrica: Journal of the Econometric Society, 1417-1426.
Roodman, D. (2009). How to do xtabond2: An introduction to difference and system GMM in Stata. The Stata Journal, 9(1), 86-136.
Sargan, J. D. (1958). The estimation of economic relationships using instrumental variables. Econometrica: Journal of the Econometric Society, 393-415.

Daftar Tool Analisis Statistik Online Statistikian

Dinamic Panel Data Regression | Generalized Method of Moment (GMM)