Banyak sekali riset (skripsi dan tesis) yang dilakukan oleh insan akademis Akuntansi dan Keuangan tertarik untuk melakukan investigasi hubungan yang bersifat sebab-akibat (kausalitas). Misalnya kita ingin tahu apakah penerapan Good Corporate Governance menyebabkan kenaikan nilai perusahaan atau apakah penerapan teknologi tertentu mampu meningkatkan kenaikan efektivitas Audit. Meskipun terkesan sederhana hipotesis X berdampak positive dan signifikan kepada Y; sebenarnya tidak mudah dibuktikan secara statistik. Peralatan statistik yang banyak digunakan untuk meneliti tema ini biasanya adalah regresi.  Dalam artikel ini akan dibahas bahwa regresi sebenarnya peralatan yang kurang tepat untuk tujuan riset semacam ini, dan menguraikan beberapa alternatif yang tersedia.

Buku-buku teks ekonometrika yang banyak digunakan seperti Gujarati (2003), Stock and Watson (2011), Pesaran (2015) menegaskan regresi sebenarnya analisa korelasi dengan struktur. Struktur terjadi karena ada variabel yang diasumsikan sebagai variabel tergantung (dependent variable ;Y) dan ada variabel-variabel yang diasumsikan sebagai variabel penjelas (explanatory variables, X). Seringkali asumsi ini diambil secara adhoc ataas dasar logika (teori) atau dari literatur empiris terdahulu. Karena bersifat adhoc maka struktur ini tetap hanya merupakan asumsi. Jika hasil regresi kita peroleh signifikan maka kita mengatakan ada dukungan dari data atas hipotesis kita.

Peneliti yang konservatif umumnya memperlakukan hasil dari regresi tetap sebagai korelasi dan menggunakan istilah variabel X (suatu variabel penjelas) memiliki asosiasi positif terhadap variabel Y dari pada mengatakan bahwa X menyebabkan (berdampak kepada) kenaikan Y. Freedman (1997) menguraikan pembahasan yang komprehensif mengenai hal ini.

Untuk desain empiris tertentu, sebenarnya terdapat beberapa metoda statistic yang memungkinkan penarikan kesimpulan sebagai sebab akibat pada derajat yang meyakinkan. Beberapa metoda statistic ini adalah Vector Autoregression-VAR (Stock and Watson, 2001), Difference in Difference-DID (Abadie, 2005) dan Regression Discontinuity Design-RDD (Thistlethwaite and Campbell, 1960; Cattaneo dan Titiunik, 2019).

  VAR memiliki dasar logika yag lebih kuat untuk mendukung sebab-akibat karena ia melakukan estimasi dalam bentuk regresi simultan dengan mengabaikan keberadaan variabel tergantung dan variabel penjelas. Dalam desain ini, seluruh variabel adalah variabel saling tergantung (endogenous). Struktur sebab akibat diperoleh dari pengujian granger causality atas dasar logika jika suatu variabel X adalah sebab dari Y, maka regresi lag variabel X atas Y akan signifikan tetapi tidak sebaliknya (regresi lag variabel Y terhadap X tidak akan signifikan). Selanjutnya mengingat regresi dilakukan dalam bentuk system maka selanjutnya sering digunakan sebagai basis analisa impulse response.

Dengan analisa Impulse Response maka kita akan mengetahui bagaimana dampak goncangan (shock) dari suatu variabel yang kita deteksi (melalui granger causality) sebagai variabel penjelas terhadap variabel “tergantung”. Ini adalah suatu bentuk simulasi yang akan sangat berguna bagi pengambil keputusan.

VAR hanya dapat digunakan pada data yang bersifat urut waktu (time series) dan panel. Ini merupakan suatu kelemahan, karena itu untuk struktur data cross section dapat digunakan metoda DID atau RDD.

Kerangka logika DID bertolak pada prinsip eksperimen yang umum digunakan dalam pengujian laboratorium di ilmu alam.  Peneliti tertarik akan kemungkinan perbedaan hasil antara 2 sample (misalnya yang satu diberikan pupuk tertentu-treatment ;yang lain tidak-control) dalam situasi laboratorium yang varibel pengaruh lainnya dapat dikendalikan; sehingga jika ada perbedaaan maka diyakini asalnya berasal dari dampak pupuk. Berbeda dengan Kemampuan situasi laboratorium dalam Penelitian ilmu sosial termasuk Akuntansi dan Keuangan, fenomena-fenomena yang terjadi bukan suatu produk laboratorium. Jika kita melihat akibat penerapan suatu standar akuntansi (misalnya pencatatan piutang) menyebabkan perubahan perilaku penjualan secara kredit maka hal tersebut belum tentu semata-mata disebabkan oleh perubahan standar akuntansi. Hal ini terjadi karena variabel lainnya tidak bisa dikendalikan oleh si peneliti.

Disinilah letak manfaat Teknik DID. Dengan asumsi tertentu seperti keberadaan tren yang pararel pada variabel dan sample yang setara (matching), maka teknik ini dapat digunakan untuk penarikan kesimpulan sebab-akibat dari suatu variabel X terhadap variabel Y. Kelebihan lainnya ,teknik DID dapat digunakan pada data dengan struktur cross section dan panel. Jika asumsi terpenuhi hasil inferensi dari desain DID juga cukup robust (Angrist dan Pischke, 2009).

RDD juga menggunakan filosofi eksperimen namun lebih longgar (sering disebut quasi experiment). Asumsi yang diperlukan adalah adanya perbedaaan distribusi antara variabel tergantung (Y) dan pengaruh (X) disekitar suatu batas tertentu (cut off). Suatu cut off diperlukan untuk menandai posisi dimana variabel X akan mulai memberikan dampak kepada Y. Keunggulan utama dari Teknik RDD adalah pada transparansi metoda (Lee and Lemioux, 2010). Kausalitas  dapat dievaluasi secara lebih obyektif karena terdapat teknik yang menggambarkan perubahan pola distribusi (RD Plot, yang berarti indikasi kausalitas). Metoda ini memang telah cukup lama ditemukan tetapi perkembangan teori ekonometrika dan komputasi telah menjadikan Teknik ini menjadi salah satu Teknik yang paling robust dan menjanjikan untuk penelitian yang fokus pada sebab-akibat (Cattaneo dan Titiunik, 2019).

Uraian diatas menunjukkan beberapa metoda yang sangat menjanjikan bagi penelitian suatu tema: sebab-akibat yang sangat popular dalam Akuntansi dan Keuangan. Baik mahasiswa maupun dosen seyogyanya dapat memanfaatkan perkembangan metodologis ini seoptimal mungkin untuk meningkatkan kualitas dan daya jual penelitian.

Photo by Adeolu Eletu on Unsplash