Master Thesis:

Does Micro-Finance Matter for the Poor?

Evidence from Indonesia

N.Nuruzzaman
ANR. 768670

Master Thesis submitted to obtain the degree of: Supervisor:

Master of Science (MSc) in Economics Prof. A.C. Meijdam

Second Reader:

Dr. H. G. van Gemert

Tilburg University

Tilburg School of Economics and Management

2010
Abstract
This study scrutinizes the link from micro-small-medium credit to poverty and income
inequality. In a broader sense, this research can be viewed as an attempt to provide empirical
evidence on how financial development affects growth, poverty, and inequality. This research
employed data micro-finance and poverty data from 319 regencies in Indonesia at 2002. Using
distance to Jakarta as the Instrumental Variable for micro-small-medium credit, the author
finds that micro-small-medium credit negatively affect the poverty rate and positively affect
income inequality. After decomposing micro-small-medium credit and including dummy
variable for region, the author finds that micro-credit is negatively correlated to poverty index
and income inequality. Small-credit has no effect on both poverty and income disparity.
Meanwhile, medium-credit is negatively correlated to poverty index but positively correlated to
income inequality. At the end of this research, the author proposes several policy implications
from the empirical evidence.

Keywords: Micro-Small-Medium Credit, Micro-Finance, Poverty, Income Inequality,

Instrumental Variable.
 Table of Content
Introduction

Background 1

Research Statement 4

Differentiation of This Research 5

Structure of the Paper 5

Literature Review

Financial Development and Poverty 6

Financial Development and Inequality 7

Empirics on Financial Development, Poverty, and Inequality 9

Methodology and Data

Methodology 14

Data 20

Result

Preliminary Evidence 22

Evidence Using Instrumental Variable 23

Extension of the Research 33

Conclusion and Policy Implication

Conclusion 40

Policy Implication 42

Suggestion for Future Research 42

 Figures, Tables and Boxes

Figures

Figure 1.1 Number of Population below Poverty Line & Headcount Index 1999-2009 1

Figure 1.2 Micro-Credits and Poverty in Indonesia 2004 – 2009 3

Tables

Table 2.1 Summary on Empirics of Finance-Poverty-Inequality 12

Table 4.1 Preliminary Evidence on Finance-Poverty-Inequality 22

Table 4.2 Regression of Distance to Jakarta on MSM-Credit per Capita 23

Table 4.3 Instrumental Variables on Each Endogenous Explanatory Variable 24

Table 4.4 Correlation Coefficient among Explanatory Variables 25

Table 4.5 Estimation Result Model (i) after Instrumenting Explanatory Variables 26

Table 4.6 Estimation Result Model (ii) after Instrumenting Explanatory Variables 28

Table 4.7 Estimation Result Model (iii) after Instrumenting Explanatory Variables 30

Table 4.8 Result after Decomposition 34

Table 4.9 Estimation Results on Regional Differences 36

Table 4.10 Decomposition and Interaction Terms 37

Boxes

Box 2.1 Dynamics of Capital Accumulation and Income Inequality 8

Box 3.1 Absolute VS Relative Poverty Line 18

Box 3.2 The Lorenz Curve and Gini Coefficient 19

 Introduction 
 
 “The Mother of Revolution and Crime is Poverty” 

Aristotle (384 – 322 BC) 

a. Background 

Poverty  might  be  the  most  serious  problem  in  the  world,  from  the  early  age  of  humankind  until 
current  generation.  One  thing  that  makes  poverty  become  the  main  concern  is  the  non‐isolated 
impact of poverty. As Aristotle asserted, poverty could be the root of other social problems. Thus, 
alleviating poverty might solve other social problems such as crime and prostitution.  

In  Indonesia,  as  in  other  developing  countries,  poverty  is  the  main  political  issue.  Every  politician 
will exploit this issue in his/her campaign. This phenomenon is to be expected. There are more than 
32  million  people  being  under  poverty  line  in  2009  (BPS,  2010).  This  is  counted  as  14.51%  of  the 
population  in  Indonesia.  Attracting  this  group  will  certainly  give  an  advantage  in  the  national 
politics.  

However,  based  on  the  data  released  by  Badan  Pusat  Statistik  (Statistic  Bureau  of  Indonesia), 
poverty  in  Indonesia  has  been  declining  significantly  for  the  last  decade.  In  1999,  the  headcount 
index was 23.55%, which has dropping off as much as 9.04% for a decade. The following figure will 
exhibit number of population below poverty line and headcount index of poverty in Indonesia. 

Figure 1.1 Number of Population below Poverty Line and Headcount Index 1999 – 2009 

47.97

39.3
38.7 37.9 38.4 37.3 37.17
36.1 35.1 34.96
32.53

23,43 %
19,14 % 18,41 % 18,20 % 17,75 %
17,42 % 16,66 % 15,97 % 16,58 %
15,42 %14,15 %

1999 2000 2001 2002 2003 2004 2005 2006 2007 2008 2009

Headcount Index (%) Number of Population below Poverty Line (in Million)
 
Source: Badan Pusat Statistik, 2000 – 2009 

1 
 
 From  the  above  figure,  it  is  obvious  that  both  number  of  poor  people  and  headcount  index  are 
showing declining trend over the last decade in Indonesia. Any line of reasoning could be possible 
to explain this, and perhaps none of it was wrong. In general, academia in economics field offers 
two approaches to answer that question, which are financial and non‐financial access.  

With  respect  to  financial  access,  both  theoretical  and  empirical  researches  have  not  reached  any 
consensus to confirm whether increasing financial access would eradicate poverty. The theoretical 
approach  generates  an  ambiguous  prediction.  On  one  side,  finance  can  increase  productivity  by 
reducing information asymmetries and transaction cost (Levine, 2005). On the other side, financial 
development can slow down the saving rates, thus deliver poor economic growth (Gurley and Shaw, 
1955).  Meanwhile,  the  empirical  researches  using  cross‐country  data  do  not  give  convincing 
evidence due to measurement error problem, reverse causation, and omitted variable bias (Beck, 
2008). 

However, increasing attention has been paid to micro, small, and medium credit (MSM‐credit). The 
case  of  Grameen  Bank  in  Bangladesh  or  Bank  Rakyat  Indonesia  in  Indonesia  can  be  used  as  the 
grounds  on  exploring  the  relationship  between  MSM‐credit  and  poverty.  The  provision  of  MSM‐
credit could occur from both formal and informal institutions. Grameen Bank in Bangladesh is the 
example  of  MSM‐credit  that  being  provided  by  informal  institution.  Meanwhile,  MSM‐credit  of 
Bank Rakyat Indonesia is offered by formal institution.  

Grameen  Bank  is  always  associated  with  the  early  history  of  micro‐credit.  Founded  by  Muhamad 
Yunus, Grameen Bank is a project to provide loans to the poor in Bangladesh. The bank focuses on 
women  and  would  lend  only  to  the  poorest  of  the  poor  in  the  rural  areas  (Bakhtiari,  2006).  The 
collateral  is  not  needed  to  apply  for  a  loan.  In  addition,  the  bank  would  also  support  the  poor 
borrowers in their business.  This strategy was claimed as a proven approach on alleviating poverty.  

The other success story of micro finance takes place in Indonesia. Bank Rakyat Indonesia (BRI) is a 
state‐owned bank that is firstly began as agriculture bank in rural areas. Currently, BRI is known as a 
bank  with  largest  network  that  can  reach  the  bottom  level  of  the  society.  It  has  more  than  3500 
local units and serves more than 3 million borrowers (Bakhtiari, 2006). Bakhtiari (2006) stated that 
BRI  is  the  evidence  of  profitable  microfinance  intermediary.  Although  they  are  different  in  the 
sense  that  Grameen  Bank  is  informal  institution  while  BRI  is  formal  institution,  but  both  banks 
receive  growing  attention  for  the  contention  that  they  have  been  substantiated  on  eradicating 
poverty in rural areas. 

The  BRI  phenomenon  in  Indonesia  should  stimulate  the  researchers  to  elaborate  the  relationship 
between micro‐credit and poverty based on data gathered, particularly aggregate data. If we take a 
look at rough data from  Central Bank of Indonesia (BI), it is expected that development  of MSM‐
credit has a correlation with poverty level. The following figure will exhibit the trend of MSM‐credit 
in Indonesia, and will compare it with the poverty data. Clearly we could observe that from 2003 – 
2005, the growing of MSM‐credit is followed by the decreasing trend of poverty, although after that 

2 
 
 poverty  and  micro  credit  are  following  the  same  pattern.  It  is  also  obvious  to  notice  that  private 
credit and poverty followed the opposite direction. 

Figure 1.2 Micro‐Credits and Poverty in Indonesia 2004 ‐ 2009  

Number of Population below Poverty Line (In Million)
39.3
37.3 37.17
36.1
35.1 34.96
32.53

Private Credit per GDP (%)
21.63 22.19
20.74 20.31
19.19 19.43
18.60
17.42 17.75
16.66 15.97 16.58
15.42
Headcount Poverty Index (%) 14.15

Micro Credit per GDP (%)

3.67 4.08 3.82 4.11

3.15 2.89 2.79

2003 2004 2005 2006 2007 2008 2009

 
Source: Badan Pusat Statistik and Bank Indonesia, 2004 – 2009 

On the ground of the presumption mentioned above, this research was designed. It was inspired by 
a very simple question; can we generalize the effectiveness of MSM‐credit on alleviating poverty in 
the  aggregate  level?  Moreover,  this  inquiry  basically  has  its  roots  on  the  finance‐poverty  nexus. 
Questioning  the  effectiveness  of  MSM‐credit  on  alleviating  poverty  is  parallel  to  questioning  the 
mechanism on how financial development will benefit the poorest member of the society. The line 
of reasoning is straightforward. The level of MSM‐credit implies the outreach of financial system. 
Ergo, this will indicate the degree of financial development.  

In  addition,  this  research  tries  to  assess  the  ability  of  MSM‐credit  on  altering  the  income 
distribution.  The  link  between  MSM‐credit  and  distribution  of  income  is  an  important  subject 
matter.  As  Bourguignon  (2004)  argued  that  growth  might  have  very  limited  impact  to  poverty  if 
growth failed to correct income distribution. Thus, the significance of financial development should 
be viewed not only on its ability to promote growth, but also how it affects poverty and inequality.   

3 
 
 This research has both theoretical and policy implications. On the theoretical side, this research is 
expected  to  provide  evidence  on  the  debate  of  how  financial  development  affects  poverty  and 
inequality.  On  the  practical  point  of  view,  this  research  is  also  expected  to  evaluate  government 
policy in encouraging the growth of micro finance in Indonesia. However, the implication might be 
very limited to Indonesia economy and could not be generalized to other countries.  

b. Research Statement 

This research prompts two main questions. First question is how financial development, in the form 
of micro‐credit, affects poverty. Second inquiry then questions the effect of financial development 
to income distribution. The link between financial development and poverty does not have to be in 
line  with  the  link  between  financial  development  and  inequality.  Investigating  both  channels  will 
generate better understanding on how financial development works in the economy. 

Thus,  there  are  three  main  variables  involve  in  this  research.  They  are  MSM‐credit,  poverty,  and 
inequality.  This research is mainly an empirical research utilizing 4 years data from 319 regencies in 
Indonesia.  The  proposed  methodology  to  test  several  hypotheses  is  cross‐section  instrumental 
variable.  This  methodology  is  expected  to  solve  measurement  error,  reverse  causality  and 
unobserved  variable  bias.  Thus,  instrument  is  needed  in  this  research.  Methodology  and  Data 
section will provide the instrument employed and the grounds to exercise that instrument.  

The  result  of  this  research  is  quite  unpredictable.  This  is  due  to  the  ambiguous  theoretical 
predictions. On one side, some economists argued that financial development in general and micro 
finance  in  particular  could  reduce  poverty  and  correct  income  distribution.  On  the  other  side, 
financial development is expected to hinder the poverty alleviation and worsen income distribution.   

Specifically,  this  research  uses  MSM‐credit  as  the  main  variable  of  interest.  The  main  distinction 
between  MSM‐credit  and  non‐MSM‐credit  is  the  maximum  amount  of  credit  being  provided. 
Micro‐credit is credit that less than Rp. 50 million, small credit is credit between Rp. 50 million and 
Rp. 500 million, and medium credit is credit from Rp. 500 million to Rp. 5 billion. The small amount 
of this credit reflects the collateral of the debtor. The lower the former implies the lower the latter. 
This  indicates  that  MSM‐debtor  is  a  micro‐to‐medium  company  which  has  under  average  size  of 
initial wealth endowment. The other characteristic is that the credit is also provided together with 
business coaching from the bank.   

The data of MSM‐credit is obtained via website of Central Bank of Indonesia. However, there is a 
limitation  of  using  this  dataset.  This  dataset  records  only  micro,  small,  and  medium  credit  that 
provided  by  formal  financial  institution.  The  provision  of  micro‐credit  from  informal  institution  is 
excluded from the dataset. If informal financial sector plays an important role in the economy, then 
this  might  affect  the  result.  Therefore,  the  expected  outcome  cannot  be  generalized  to  financial 
system as a whole, but only to formal financial system.  

4 
 
 c. Differentiation of This Research 

Hitherto,  there  are  abundance  research  papers  that  investigate  finance‐poverty  nexus,  either 
theoretical or empirical. Beck, Demirguc‐Kunt, and Levine (2007) proved that financial development 
has been benefited the poor by increasing the poor’s income and this, in turn, decreases the rate of 
poverty.  Using  fixed  effect  vector  decomposition  (FEVD),  Akhter  and  Daly  (2009)  indicate  that 
financial  development  is  conducive  for  poverty  alleviation,  although  the  instability  of  financial 
sector is detrimental to the poor. 

This  research  differs  from  cross‐country  empirical  researches  mentioned  above  as  this  research 
utilizes single country as an object of research. This brings some advantages. First, this research will 
not be suffered from the (financial) policy distortion that might affect the result. This is due to the 
single  banking  policy  in  Indonesia,  which  is  governed  by  Central  Bank  of  Indonesia.  In  addition, 
there is no discrepancy in legal system across regencies in Indonesia. Second, there are more than 
400  regencies  in  Indonesia.  This  number  is  quite  large  and  therefore  will  enable  researcher  to 
conduct empirical research by exploiting a very extensive dataset.  

In  addition,  this  research  also  differs  from  Geda,  Shimeles,  and  Zerfu  (2006)  and  Hiatt  and 
Woodworth (2006) who conducted micro study to investigate the link between finance and poverty. 
This  research  does  not  exploit  micro  dataset.  Thus,  in  contrast  with  Geda,  Shimeles,  and  Zerfu 
(2006)  and  Hiatt  and  Woodworth  (2006),  through  which  channel  microfinance  able  to  alleviate 
poverty is not main concern in this research. 

However, as mentioned above, the outcome of this research can only be generalized in Indonesia. It 
might  not  be  wise  to  generalize  the  result  of  this  research  in  a  broader  scope.  More  detailed  on 
finance‐poverty‐inequality researches, both theoretical and empirical, are discussed in next section.  

d. Structure of the Paper 

This thesis will consist of five sections. First section is introduction. Second section is literature review, 
which offers detail explanation on the theory of finance‐poverty and empirical evidence on that issue.  
Third section will discuss empirical method to test the hypothesis as well as econometric models and 
data  sources.  The  fourth  section  will  reveal  the  result  from  empirical  estimation.  In  addition,  the 
extension of this research will also be presented in this section. Fifth section will draw conclusion of 
this  research  and  propose  several  policy  recommendation  regarding  the  issue  of  finance‐poverty‐
inequality.  

5 
 
 Literature Review 
 

The banker, therefore, is not so much primarily middleman... 

He authorizes people in the name of society. 

Joseph A. Schumpeter (1883 – 1950) 

This research prompts a main question on whether or not financial development, in the form of micro 
financing,  has  been  able  in  alleviating  poverty  and  correcting  income  inequality.  Instead  of  providing 
theoretical  explanation  on  finance‐poverty  nexus,  this  research  is  intended  to  come  up  with  the 
evidence. However, several theoretical predictions are being presented to give big picture on how we 
might expect the link between finance and poverty.  

This  section  consists  of  three  sub‐sections.  First,  it  will  discuss  financial  development  and  poverty. 
Second,  theoretical  explanation  on  how  financial  development  affects  income  distribution  will  be 
examined.  The  last  sub‐section  will  summarize  the  empirical  evidence  on  financial  development  and 
poverty.   

a. Financial Development and Poverty 

There are two conflicting predictions regarding how financial development affects the poor. On one side, 
some theorists assert that financial development will have detrimental impact on the poor. On the other 
side, some economists claim that financial development will benefit the poor. This section will elaborate 
these two competing arguments.  

The  contention  that  claims  financial  development  has  unfavorable  effect  on  the  poor,  can  be  traced 
back  to  Banerjee  and  Newman  (1993),  Galor  and  Zeira  (1993),  and  Aghion  and  Bolton  (1997).  By 
developing a non‐linear model of development process, Banerjee and Newman (1993) demonstrate that 
capital market imperfections will cause the poor to work for a wage rather than self‐employment. This 
implies  that  the  poor  has  a  limited  ability  to  exploit  investment  opportunity  due  to  informational 
problem in the capital market. Following the same line, Galor and Zeira (1993) assert that capital market 
imperfections  deteriorate  the  capacity  of  the  poor  to  invest  in  education.  Thus,  capital  market  may 
foster economic growth, but it will depend on initial wealth endowment. This denotes the appearance 
of multiple equilibria on how capital affects economic growth.  

The contention of these two concepts lies on the idea of asymmetric information in the capital market. 
The allocation of credit in the capital market suffered from both ex‐ante adverse selection and ex‐post 
moral hazard. Only prospective debtor has full information on the project. Meanwhile, the creditor (the 
bank) has limited information as well as limited ability to reveal the proper value of business venture. 
The  screening  mechanism,  which  banks  build  up  to  separate  bad  entrepreneurs  from  good 

6 
 
entrepreneurs,  is  through  collateral  provision.  Consequently,  only  entrepreneurs  with  high  wealth 
endowment  can  provide  high value collateral. Credit, hence, is  being allocated based on initial  wealth 
endowment,  not  on  investment  opportunity.  Ergo,  wealth‐deficient  entrepreneurs  are  being  excluded 
from capital markets.  

In addition, Aghion and Bolton (1997) confirm the claim that poor entrepreneurs are being discouraged 
to borrow funds from  capital  markets.  Aghion and  Bolton (1997) find that as effort supply diminished 
when entrepreneur borrows more, the unit repayment must be commensurately escalated to guarantee 
that  lender  will  obtain  the  equal  expected  repayment.  This  in  turn,  will  depress  wealth‐deficient 
entrepreneurs  on  gaining  advantage  over  capital  market  because  the  poorer  the  entrepreneurs,  the 
higher his/her repayment.  

On the other side, some theorists argue that better functioning financial system will have positive effect 
on  the  poor.  By  ameliorating  information  and  transaction  cost,  financial  development  expands  the 
allocation of capital, benefited larger portions of population, including the poor (Levine, 1997). Durnev, 
Morck, and Yeung (2001) argue that capital markets create incentives for investor to gather information 
on projects’ return, hence allocate capital investment efficiently.  

Moreover, specifically on micro‐finance, theorists argue that financial development in the form of micro 
credit  is  able  to  foster  the  capability  of  the  wealth‐deficient  entrepreneurs.  There  are  at  least  five 
mechanisms  through  which  micro  credit  benefited  the  poor.  First,  micro‐finance  helps  the  poor 
increasing  the  income  through  intensifying  production  capability  and  protecting  against  income  risk 
(Morduch and Haley, 2002). Second, Simanowitz and Walter (2002) find that the clients of micro‐finance 
institution experience consumption smoothing and increasing in ability to sustain over time through risk 
diversification.  

In addition, through micro‐finance the poor could have better access on nutrition (Swope, 2005). Access 
to micro‐finance in rural areas could help the poor on maintaining their consumption level in the hard 
time.  Thus,  stable  consumption  pattern  will  increase  the  probability  of  the  poor  to  attain  better 
nourishment. This in turn, will increase productivity of the poor. Fourth, access to finance will help the 
poor  to  gain  access  on  education  (Morduch  and  Haley,  2002).  From  dynamic  perspectives,  this  will 
facilitate the poor to leave vicious circle. The last mechanism works through empowering the woman in 
rural  areas.  Women  in  rural  areas  are  being  prioritized  to  get  the  loan  from  micro‐finance  institution 
such  as  Grameen  Bank.  Increasing  the  financial  access  for  women  could  broaden  the  source  of 
production capability in the society (Simanowitz and Walter, 2002).  

b. Financial Development and Inequality 

In  line  with  financial  development  and  poverty,  the  theoretical  link  between  finance  and  inequality  is 
vague. In one side, we might expect that financial development able to correct income distribution to be 
more  equal.  In  the  other  side,  financial  development  could  worsen  income  inequality  due  to  capital 

7 
 
market  imperfections.  This  section  provides  conceptual  review  of  the  link  between  financial 
development and income inequality.  

Galor and Zeira (1993) argue that credit constraint, which is inherited in financial development process, 
will impede the poor to gain advantages from human capital investment. The access to financial assets 
will  be  influenced  by  the  initial  wealth  of  the  agents.  This  implies  that  only  wealthy  agent  in  the 
economy able to invest in human capital through education. The poor, who inherits low level of initial 
wealth endowment, could not attain credit due to high cost of borrowing. This in turn, limits the poor to 
invest  in  education.  Thus,  as  long  as  credit  constraint  is  binding,  the  financial  development  will  be  in 
favor of wealthy agent. In this scenario, the financial development will worsen income distribution. The 
work  of  Galor  and  Zeira  (1993)  also  initiate  the  possibility  of  multiple  equilibria  in  the  relationship 
between capital accumulation and economic growth. Box 2.1 will illustrate the general idea of Galor and 
Zeira (1993).  

Box 2.1 Dynamics of Capital Accumulation and Income Inequality 
Where: 
Xt+1  A 
Xt = wealth of current generation 

Xt+1 = wealth of subsequent generations 

Xn and Xs = the wealth which are being inherited in 
the long run.  
B 
A = long run equilibrium of wealthy agents 

B = Long run equilibrium for wealth‐deficient agents 
Xn  f  g  h Xs  Xt
Agents  who  inherit  more  than  f  but  less  than  g  will  invest  in  human  capital  but  not  all  their 
subsequent  generations  will  continue  in  the  skilled  labor  sector  in  the  future.    After  some 
generations  their  descendants  turn  back  into  unskilled  workers  and  their  inheritance  will 
converge to Xn in the long run.  
Agents  who  inherit  more  than  g  in  period  t  could  invest  in  human  capital.  Thus,  their 
descendants will be able to gain skill and become skilled workers. This lasts form generation to 
generation. This implies that this group can maintain their inheritance in level Xs in the long run. 
In other words, this group is able to maintain high level of wealth in the long run.  
Ergo,  there  are  two  groups  in  the  economy  in  the  long  run.  The  first  group  is  the  wealth‐
deficient group that has limited ability to invest in education and thus stay poor in the long run. 
The second group is dynasty that is able to invest in education, be skilled workers, and continue 
being rich in the long run. The wealth‐deficient dynasty remains poor because this group has no 
access to credit due to capital market imperfections.  
 
Source: Galor and Zeira (1993) 

8 
 
In  addition,  Galor  and  Moav  (2004)  assert  that  financial  development  will  be  the  source  of  income 
inequality if the primary source of economic growth is physical capital accumulation. In this contention, 
Galor  and  Moav  (2004)  argue  that  although  it  might  have  positive  impact  on  economic  growth,  but 
financial  development  will  enlarge  the  income  disparity  because  financial  development  will  enhance 
development by routing resources to individual whose marginal propensity to save is higher. However, 
in the later stage of development, human capital accumulation offsets the inequality effect of financial 
development  and  thus  narrows  down  the  income  gap  between  the  poor  and  the  rich.  Ergo,  based  on 
this proposition, financial development is expected to worsen income inequality if physical capital acts 
as engine of growth in the earlier stage of development.  

Other  predictions  come  from  Claessens  and  Perotti  (2007).  Reviewing  evidence  on  the  relationship 
between  finance  and  inequality,  Claessens  and  Perotti  (2007)  exhibit  that  there  is  unequal  access  to 
financial  asset,  which  leads  to  economic  inequality.  This  economic  inequality,  in  turn,  will  cause 
infeasibility  of  financial  reform.  Thus,  vicious  circle  of  development  might  be  expected  due  to  initial 
wealth  inequality  that  generates  unequal  access  to  financial  assets.  Moreover,  Claessens  and  Perotti 
(2007)  find  a  threshold  for  the  development  of  financial  institution  that  can  guarantee  the 
accomplishment of financial reform.  

On  the  other  side,  if  financial  development  is  able  to  facilitating  allocation  of  capital,  monitoring 
investment,  ameliorating  risks  and  mobilizing  savings  (Levine,  2004),  then  it  would  be  able  to  select 
wealth‐deficient entrepreneurs with excellent investment opportunity. If financial development benefits 
the  poor,  then  it  should  be  able  to  correct  income  disparity.  However,  this  claim  assumes  perfect 
information in capital market.  

Nevertheless,  Greenwood  and  Jovanovic  (1990)  propose  inverted  U‐shape  curve  on  the  relationship 
between  financial  development  and  inequality.  This  proposition  follows  the  idea  of  Kusnetz  (1955) 
hypothesis regarding the process of economic development. Greenwod and Jovanovic  (1990) argue that 
at the early phase, financial development widen the income gap as financial resources being allocated to 
wealthy  agents  who  needs  liquidity  service.  When  financial  structure  becomes  more  settled,  financial 
development  has  higher  capability  to  distribute  the  resources  equally,  hence  cut  down  the  income 
disparity. Greenwood and Jovanovic (1990) argument is also helpful to explain the idea behind Kusnetz 
curve.  Grenwood  and  Jovanovic  (1990)  contention  generates  the  idea  that  the  phase  of  financial 
development is crucial to clarify the link between inequality and economic growth.  

c. Empirics on Financial Development, Poverty, and Inequality 

In  contrast  to  previous  section,  which  reviews  several  theoretical  works,  this  section  will  provide 
empirical  evidences  on  finance,  poverty,  and  inequality.  The  explanation  will  be  divided  into  two  sub‐
sections.  First  sub‐section  will  briefly  explain  cross‐country  empirical  studies.  Second  sub‐section  will 
elaborate country specific studies.  

9 
 
Cross‐country Studies 

Early cross‐country studies on finance, poverty, and inequality was conducted by Beck, Demirguc‐Kunt, 
and  Levine  (2007).  Using  legal  origin  and  geographical  latitude  as  instrumental  variables  to  deal  with 
reverse  causality  bias  and  measurement  error,  they  construct  econometrics  model  to  test  whether  or 
not  financial  development  narrow  down  income  gap  and  eradicate  poverty.  Beck,  Demirguc‐Kunt  and 
Levine (2007) find that countries with higher private credit per GDP enjoy faster decline on poverty rates 
and income inequality. This implies that better functioning financial system will enable country to raise 
income of the poor disproportionately, compare to the average income, which results in higher level of 
poverty alleviation and lower level of income inequality.  

Second  cross‐country  study  on  financial  development  and  poverty  is  a  research  conducted  by  Akhter 
and Daly (2009). Using panel data of 54 countries from 1993 to 2004, Akhter and Daly (2009) undertake 
the research to clarify the link between financial development and poverty reduction. In their research, 
Akhter  and  Daly  (2009)  employ  fixed  effect  vector  decomposition  (FEVD).  They  find  that  financial 
development contributed to poverty reduction around the world. However, they also find that financial 
development brings instability that can be detrimental to the poor.  

Both of these two studies measure the effect of financial development on poverty and income disparity 
in aggregate level. Hence, both of these studies did not measure the access to finance, micro aspect of 
finance  and  poverty.  From  both  studies  we  can  infer  that  financial  development  is  able  to  alleviate 
poverty,  but  through  which  channel  it  alleviates  poverty  has  not  been  revealed  yet.  However,  both 
studies can be generalized due to the fact that these two studies utilize data from multi countries as the 
object of research.  

On the other side, Cull, Demirguc‐Kunt, and Morduch (2008) conducted cross‐country study, but using 
micro‐level  data.  Exploiting  dataset  from  346  world  leading  micro‐finance  institutions,  Cull,  Demirguc‐
Kunt and Morduch (2008) find that profit‐maximizing investor that invest their capital in micro‐finance 
institutions  are  less  interested  on  allocating  loan  to  poorest  member  of  society  as  well  as  women.  
Hence,  profit‐maximizing  micro‐finance  institutions  charge  higher  interest  on  loan  to  cover  high 
transactional  cost  as  transaction  unit  becomes  smaller.  These  evidences  indicate  that  micro‐finance 
does  not  fully  address  informational  problem  in  capital  market,  and  thus  contradict  the  results  of 
previous studies.  

Country‐specific Studies 

Tam (1988) provides case study on rural finance in China during early period of liberalization. Tam (1988) 
finds  that  there  has  been  significant  progress  on  china’s  rural  financial  institution  after  the  period  of 
liberalization.  Although  distortions  still  appear,  mainly  through  government  intervention,  financial 
liberalization  brings  advantage  to  rural  entrepreneurs  by  providing  easy  access  to  credit.  This  in  turn 
facilitate rural entrepreneur to lift out the poverty line.  

10 
 
In  Indonesia,  Panjaitan‐Drioadisuryo  and  Cloud  (1999)  could  have  evaluated  the  government  program 
for  the  poor  called  “Small  Farmer  Development  Program”  (SFDP)  and  micro‐credit  from  Bank  Rakyat 
Indonesia  (BRI),  a  state‐owned  commercial  bank  in  Indonesia.  They  observe  the  evidence  that  SFDP 
along  with  micro‐credit  from  BRI  has  been  successful  on  reaching  poor  women  in  the  society  and 
provide them with  credit and training. Both  credit and business training  enable poor woman to boost 
their  income  through  developing  new  business  such  as  trading  goods,  producing  handicraft,  and 
weaving  traditional  cloth.  In  addition,  Panjaitan‐Drioadisuryo  and  Cloud  (1999)  also  find  that  micro‐
credit has multiplier effect to the poor as micro‐credit enable poor family to attain better nutrition and 
repay  family  loans.  Ergo,  these  findings  confirm  the  positive  impact  of  micro‐finance  to  poverty 
reduction.  

Another  micro‐econometrics  study  conducted  in  Vitenam’s  rural  credit  market.  Using  several 
methodologies,  they  examine  both  formal  and  informal  credit  markets.  They  found  that  production‐
specializes‐entrepreneur tend to demand credit from formal financial institution, whereas the clients of 
informal financial institution are more diverse. They also observe that the reputation, dependency ratio 
of  household,  and  the  amount  of  credit  application  determine  the  credit  rationing  by  rural  bank. 
Nevertheless,  Duong  and  Izumida  (2002)  draw  conclusion  that  elasticity  of  output  to  credit  was  very 
high.  This  result  implies  that  financial  access  will  have  positive  impact  on  productivity  and  poverty 
alleviation.   

Burgess  and  Pande  (2005)  conducted  econometric  study  in  India,  which  attempts  to  investigate  the 
effect  of  banking  deregulation  on  poverty  reduction.  After  controlling  for  health  and  development 
spending, fraction of legislator, state and year dummy, Burgess and Pande (2005) observe that opening 
bank  in  rural  unbanked  area  is  associated  with  poverty  alleviation  in  India.  In  addition,  Burgess  and 
Pande (2005) found that reduction in rural poverty is related to increasing saving mobilization and credit 
provision in rural areas.  

The  fifth  country‐specific  study  to  be  discussed  is  research  conducted  by  Geda,  Shimeles,  and  Zerfu 
(2006).  Exploiting  household  panel  data  in  Ethiopia,  they  asses  the  finance‐poverty  nexus.  After 
controlling for endogeneity variables, they show that financial access is a crucial factor in consumption 
smoothing  of  the  poor.  Thus,  finance  does  matter  to  alleviate  poverty  in  Ethiopia.  Moreover,  Geda, 
Shimeles, and Zerfu (2006) observe the evidence of poverty trap due to liquidity constraints. They also 
propose policy maker to extend the access to finance especially in the rural areas.  

Hiatt and Woodworth (2006) perform the analysis of micro‐finance, provided by three Central American 
NGOs, on poverty alleviation.  They observe the increasing income of new micro‐credit participants since 
they started participating. Moreover, Hiatt and Woodworth (2006) also observe that entrepreneurs who 
stayed in  the program earned higher income  than  entrepreneurs who left the program.  This evidence 
confirms the ability of micro‐credit to assist the poor through raising their production capacity. 

11 
 
Maldonado  and  Gonzales‐Vega  (2008)  detect  the  mixed  evidence  on  the  relationship  between  micro‐
finance  and  schooling‐gaps.  Utilizing  data  from  survey  of  households  that  participate  in  micro‐finance 
program  in  Bolivia,  they  discover  that  on  one  side  micro‐finance  reduces  schooling  gaps  due  to 
increasing ability of poor household to send their children to school. However, on the other side, micro‐
finance  increases  production  capacity  of  poor  households  and  thus,  increases  their  demand  on  child 
labor.  This  evidence  indicates  that  micro‐finance  might  narrow  down  the  schooling  gaps  as  long  as 
wealth‐deficient  entrepreneurs,  who  participate  in  micro‐finance  program,  can  find  substitute  of  child 
labor. Conditional on this prerequisite, micro‐finance has positive impact on poverty alleviation program.  

Liverpool  and  Winter‐Nelson  (2010)  offer  more  detail  research  from  Ethiopia,  which  decompose  the 
poverty  into  several  level.  In  addition,  the  link  from  which  micro‐finance  affects  poverty  is  being 
examined. Liverpool and Winter‐Nelson (2009) find that the impact of micro‐finance differs across group 
of the poor. For the poorest group, there is no relationship between participation in micro‐finance and 
the  use  of  technology.  Meanwhile,  for  the  other  group,  participation  in  micro‐finance  program  has 
positive  effect  on  the  use  of  technology.  However,  Liverpool  and  Winter‐Nelson  (2009)  find  that 
participation  in  micro‐finance  has  positive  impact  on  consumption  and  asset  growth  for  both  groups. 
This  research  clarifies  the  assertion  that  micro‐finance  is  able  to  alleviate  poverty  through  the  use  of 
technology,  consumption  smoothing,  and  asset  growth,  although  the  magnitude  of  the  effect  differs 
across groups. 

However,  Coleman  (2006)  doubts  the  effectiveness  of  micro‐finance  on  alleviating  poverty.  Coleman 
(2006) investigates the performance of micro‐finance on poverty alleviation in Thailand. Coleman (2006) 
finds that wealthier villagers are more likely to participate in micro‐finance program than less wealthy 
villagers. Coleman (2006) also observes that the wealthiest members of the village society often become 
committee  on  selecting  the  loan  applicants.  The  latter  evidence  could  explain  the  reason  why  micro‐
credit  usually  goes  to  wealthier  entrepreneurs,  instead  of  being  allocated  to  poorest  villagers.  This 
evidence  implies  that  micro‐credit  does  not  fully  solve  asymmetric  information  problem  in  the  capital 
market. If this is valid, then the ability of micro‐finance to eradicate poverty is being doubted.  

The  following  table  will  present  summary  of  empirical  research  in  the  field  of  financial 
development/micro finance‐poverty‐inequality. 

Table 2.1 Summary on Empirics of Finance‐Poverty‐Inequality 

No  Author(s)  Result 

Cross‐Country Studies 
1  Beck, Demirguc‐Kunt, Levine  Better functioning financial system will enable country to raise 
(2007)  income of the poor disproportionately, which results in higher 
level  of  poverty  alleviation  and  lower  level  of  income 

12 
 
 inequality. 
2  Akhter and Daly (2009)  Financial  development  contributes  to  poverty  reduction 
around  the  world,  although  it  brings  instability  that  can  be 
detrimental to the poor. 
3  Cull, Demirguc‐Kunt, and  Profit‐maximizing  micro‐finance  institutions  charge  higher 
Morduch (2008)  interest on loan to cover high transactional cost. Thus, micro‐
finance does not fully address informational problem. 
Country Specific Studies 
1  Tam (1988)  Financial  liberalization  in  China  brings  advantage  to  rural 
entrepreneurs by providing easy access to credit. 
2  Panjaitan‐Drioadisuryo and  Confirms  the  positive  impact  of  micro‐finance  to  poverty 
Cloud (1999)  reduction  in  Indonesia  through  assisting  new  business, 
obtaining better nutrition, and repaying loans. 
3  Duong and Izumida (2002)  Elasticity  of  output  to  credit  was  very  high.  Ergo,  financial 
access  will  have  positive  impact  on  productivity  and  poverty 
alleviation in Vietnam.   
4  Burgess and Pande (2005)  Opening  bank  in  rural  unbanked  area  is  associated  with 
poverty alleviation in India. 
5  Geda, Shimeles, and Zerfu  Financial  access  is  an  important  factor  in  consumption 
(2006)  smoothing of the poor in Ethiopia.  
6  Hiatt and Woodworth (2006)  Confirms the ability of micro‐credit in Central America to assist 
the poor through raising their production capacity. 
7  Maldonado and Gonzales‐Vega  Mixed  evidence  on  the  relationship  between  micro‐finance 
(2008)  and  schooling‐gaps  in  Bolivia.  On  one  side  micro‐finance 
increases  ability  of  poor  household  to  send  their  children  to 
school. On the other side, increasing production capacity leads 
to increasing the demand on child labor. 
8  Liverpool and Winter‐Nelson  Clarifies  that  micro‐finance  in  Ethiopia  is  able  to  alleviate 
(2010)  poverty  through  the  use  of  technology,  consumption 
smoothing,  and  asset  growth,  although  the  magnitude  of  the 
effect differs across groups of poor. 
9  Coleman (2006)  Wealthier villagers in Thailand are more likely to participate in 
micro‐finance program than less wealthy villagers. Micro‐credit 
usually  goes  to  wealthier  entrepreneurs,  instead  of  being 
allocated to poorest villagers. This evidence implies that micro‐
credit does not fully solve asymmetric information problem. 
 

13 
 
 Methodology and Data 
 

The Poor will always be with you. 

John 12: 8 

This section will present the methodology employed and data used in this research. As mentioned in the 
first section, instrumental variable will be utilized to obtain precise estimate on finance‐poverty nexus. 
The first part will describe the purpose of applying instrumental variable, conditionals required to be a 
proper  instrument,  econometric  models  and  the  hypothesis.  The  second  part  will  briefly  explain  the 
nature of data and the sources of data.  

a. Methodology 

This subsection will explain the econometric issue and how to overcome several econometrics problems. 
Furthermore, this subsection will present the model and elaborate the main hypothesis.  

Econometric Method 

To test the relationship between finance and poverty, one can employ a simple regression model, OLS. 
However,  OLS  will  suffer  from  biases,  which  are  omitted  variable  bias,  reverse  causality  bias,  and 
measurement error (Beck, 2008). All these biases will hinder the result of estimation. This implies that 
researcher cannot fully depend on the result as it will be less precise and accurate.   

Omitted variable bias arises in the model where relevant variable is being excluded from the model. If 
one relevant variable being excluded from the model, then the estimation will treat the beta estimate of 
omitted variable to independent variable as fixed when calculating expected beta estimate (Wooldridge, 
2009). This will lead to bias in the beta of variable of interest as expected beta estimate will not be equal 
to actual beta.  

Reverse  causality  bias  appears  in  the  model  as  financial  development  might  depend  on  the  level  of 
poverty. It is possible that the bank’s decision to open branch or expand the business to the place where 
level of poverty is lower or higher. This bias will cause the endogenous variable to be correlated to the 
error term. In turn, this correlation will impede the true relationship between endogenous variable and 
dependent variable.  

The  other  problem  is  measurement  error.  Measurement  error  problem  arises  when  the  researcher 
cannot  collect  true  data  on  the  variable  that  affects  economic  behavior  (Wooldridge,  2009).  If 
measurement  error  appears  in  the  explanatory  variable,  then  the  estimator  will  be  biased  and 
inconsistent as the error term is correlated to endogenous explanatory variable (Wooldridge, 2009).  

14 
 
In the field of finance‐growth nexus, which also can be applied to finance and poverty, omitted variable 
bias,  reverse  causality  bias  and  measurement  error  can  be  overcome  by  several  methodologies.  Beck 
(2008)  mentions  some  useful  approaches  such  as  cross‐section  instrumental  variables,  dynamic  panel 
approach,  time‐series  econometrics,  and  difference‐in‐difference  estimate.  Although  they  still  contain 
several problems, but those methodologies at least able to reduce bias and thus, enable researcher to 
obtain better estimate.  

This  research  is  using  cross‐section  instrumental  variable  to  obtain  accurate  estimation.  The  reason  is 
that  dynamic  panel  approach  and  time  series  require  a  very  large  dataset  (Beck,  2008).  Meanwhile, 
difference‐in‐difference  estimate  can  be  employ  if  natural  experiment  is  available.  Thus,  cross‐section 
instrumental  variable is the main method that feasible to be employed in this research. The following 
section  will  explain  the  mechanics  of  cross‐section  instrumental  variable  and  what  is  the  proper 
instrument for this research.  

Instrumental Variable 

Instrumental variable is being useful to solve the above three biases. It can overcome those biases by 
separating the component of endogenous explanatory variable that is correlated to error term from the 
component that is not related to error term (Beck, 2008). In addition, instrumental variable recognizes 
the presence of omitted variable (Wooldridge, 2009).  

To  acquire  consistent  estimator,  additional  variable  is  needed.  This  new  variable,  which  is  called 
instrumental variable, is expected to convey additional information. However, this new variable should 
satisfy  two  assumptions.  First,  instrumental  variable  is  uncorrelated  with  error  term.  Second,  this 
instrumental  variable  is  correlated  with  endogenous  explanatory  variable  that  is  being  instrumented 
(Wooldridge, 2009).  

There  is  no  technique  to  test  the  first  assumption,  which  requires  instrumental  variable  to  be 
uncorrelated  with  error  term.  Instead  of  using  statistical  technique,  the  first  assumption  should  be 
verified theoretically (Verbeek, 2008). This implies that instrument variable is uncorrelated to error term 
by construction. However, The second assumption can be tested by assessing the correlation coefficient 
between instrumental variable and endogenous explanatory variable.  

In  the  case  that  instrumental  variable  is  weakly  correlated  to  endogenous  explanatory  variable; 
substantial  bias  will  be  appeared  in  the  IV  estimator  (Wooldridge,  2009).  In  this  setting,  OLS  is  more 
useful  than  the  IV  method  as  IV  estimator  will  be  less  efficient  than  OLS  estimator.  In  turn,  this  poor 
instrumental variable will thwart the consistency of the result (Wooldridge, 2009).   

Ergo, the instrumental variable should be employed to deal with omitted variable bias, reverse causality 
bias,  and  measurement  error  problem.  The  instrument  should  satisfy  two  criteria.  First,  it  should  be 

15 
 
indirectly correlated with poverty and inequality. Second, it should be directly related to microfinance 
variable.  

In cross‐country study, legal origin and geographical latitude usually are being employed as instrumental 
variable  to  explain  financial  development  (Beck,  Demirguc‐Kunt,  and  Levine,  2007).  Obviously,  this 
research  cannot  use  legal  origin  as  instrumental  variable  because  legal  system  is  indifference  across 
regencies  in  Indonesia.  The  Geographical  latitude  differs  across  regencies.  However,  the  difference  is 
very small. Thus, both legal origin and geographical latitude cannot be useful as instrumental variable.  

The other possibility is by using distance to Jakarta as instrumental variable. The argument is that the 
further  away  the  regency  from  Jakarta,  as  financial  center  in  Indonesia,  the  lower  the  magnitude  of 
micro‐credit  per  capita.  The  line  of  reasoning  following  this  argument  is  straightforward.  The  further 
away a regency from Jakarta, the higher the cost for a Bank to open a branch in that regency. Thus the 
number  of  bank’s  branch  in  the  regency  will  be  negatively  correlated  with  the  distance  from  that 
regency to Jakarta. As the number of bank goes down, the amount of micro‐credit being allocated will 
be dropped because financial institutions’ capability to collect fund is being declined.  

Theoretically, the distance to Jakarta will have no direct effect to poverty level in the regency as well as 
its  income  distribution.  Meanwhile  it  could  have  direct  effect  on  micro‐credit  per  capita.  If  this 
contention  is  hold,  then  theoretically  distance  to  Jakarta  can  serve  as  a  proper  instrument  for  micro‐
credit per capita as it satisfies both requirements to be good instrument.  

Econometric Model and Hypothesis 
The  econometric  model  is  being  established  based  on  the  idea  from  the  previous  section.  The 
econometric models along with the hypothesis to answer main inquiry on this research are presented in 
this section. 
The main econometric models to test the link between finance, poverty, and inequality are 

HCIi = α1 + β1MSMi + γ1GRCi + δ1DEVi + θ1SCHi +εi                            (i) 

PGIi = α2 + β2MSMi + γ2GRCi + δ2DEVi + θ2SCHi +еi                                     (ii) 

GINi = α3 + β3MSMi + γ3GRCi + δ3DEVi + θ3SCHi +vi                                    (iii) 
Where: 

HCIi = headcount poverty index in regency i 
PGIi = poverty gap index in regency i 
GINi = gini coefficient in regency i 
MSMi = micro‐small‐medium credit per capita in regency i 
GRCi = growth of GDRP per capita in regency i 

16 
 
DEVi = Development expenditure per capita in regency i 
SCHi = Percentage of Population with Primary School or less in regency i 
εi, еi, vi = Error term 

As mentioned earlier in the previous sub‐section, instrumental variables are needed to deal with reverse 
causality  bias  and  measurement  error  problem.  In  this  research,  all  explanatory  variables  are 
endogenous.  Thus,  four  instrumental  variables  are  needed  to  avoid  over/under‐indentified  problem. 
Economic  growth  is  instrumented  by  total  local  government  expenditure  for  the  reason  that 
government  expenditure  of  the  regency  will  have  multiplier  effect  to  its  economic  performance. 
Meanwhile,  government  expenditure  will  indirectly  affect  poverty  or  income  inequality  through 
economic growth.  

Development  expenditure  per  capita  is  instrumented  by  local  government  income  after  excluding 
income  from  natural  resources.  How  much  government  of  regency  will  expend  on  development 
expenditure  is  determined  by  the  local  government  income.  We  cannot  expect  that  local  government 
income has an effect on poverty/inequality. Government income might have indirect effect on poverty 
through government spending on poverty program. It is possible that the relationship appears the other 
way  around.  We  can  expect  that  the  poorer  the  regency,  the  lower  the  tax  that  can  be  collected. 
However, this relationship works indirectly through the taxes.  

Percentage  of  population  with  primary  education  or  less  is  instrumented  by  Public  Expenditure  on 
Education  for  the  reason  that  public  expenditure  on  education  will  directly  affect  the  number  of 
educated people. Meanwhile, public expenditure on education will not have a direct effect on poverty 
and  income  inequality.  This  can  be  true  by  assuming  there  is  no  large  difference  on  education 
expenditure  across  time.  This  implies  that  today  public  expenditure  on  education  reflects  past  public 
expenditure on education.  

Thus, the econometric models to instrument endogenous explanatory variables are: 

MSMi = α4 + φDISi + ωi                                                                                                      (iv) 

GRCi = α5 + ρGOVi + µi                                                                                                      (v) 

DEVi = α6 + λGICi + ξi                                                                                                          (vi) 

SCHi = α6 + πPEDi + υi                                                                                                      (vii) 
Where: 

DISi = distance to Jakarta from capital of regency i 
GOVi = total government expenditure in regency i 

17 
 
GICi = government revenue after excluding income from natural resources in regency i 
PEDi = public expenditure on education in regency i 
ωi , µi, ξi, υi  = error term 

The variable of interest is micro‐small‐medium credit per capita (MSM). Hence, the magnitude of β1, β2, 
β3  is  the  main  interest  in  this  research  on  determining  the  link  from  microfinance  to  poverty  and 
inequality. If β1 = 0, then micro‐small‐medium credit brings no effect on headcount poverty index. If β1 is 
positive (negative), consequently micro‐small‐medium credit has positive (negative) effect on headcount 
poverty index. In line with β1 to headcount poverty index, β2 and β3 follow the same logic.  

Operationalization of Variables 

In  contrast  with  Beck,  Demirguc‐Kunt,  and  Levine  (2007)  this  research  is  employing  absolute 
measurement  of  poverty.  The  poverty  line  being  used  is  the  poverty  line  created  by  Badan  Pusat 
Statistik  Indonesia  (Central  Bureau  of  Statistics).  The  reason  is  that  absolute  poverty  will  be  useful  on 
making  comparison  among  several  areas  (Cutler,  1984).  In  this  case,  the  poverty  line  is  the  minimum 
amount of money to attain certain amount of needs. The second reason is that the absolute poverty line 
measures the poorest of the poor. It is important to distinguish between absolute and relative poverty 
line, as this will influence the interpretation of results. The following box 3.2 will exhibit the difference 
between absolute and relative poverty measurement.  

Box 3.1 Absolute VS Relative Poverty Line 
Absolute Poverty Line:  Relative Poverty Line: 

‐ Conditions of failure to meet the essentials  ‐ Income relative to others’ income 
of physical existence  ‐ Measures the poor relative to well‐being of 
‐ Measures the poorest of the poor  others 
‐ Data based on consumption survey  ‐ Data based on Households’ Income 
‐ Free from cross‐cultural bias  ‐ Easy to attain, for instance from data on 
income tax 

This  research  is  exploiting  poverty  data  from  BPS  Indonesia.  Thus  it  is  an  absolute  poverty  line  as 
BPS defines the poor based on its consumption. The main advantage of using absolute poverty line 
is that the data will be standardized because it is based on minimum living standard. In addition, it 
measures  the poorest of  the poor in society. However, the  consumption  data cannot be  obtained 
effortless.  The  statistic  bureau  has  to  conduct  household  consumption  survey,  which  is  more 
difficult and more expensive than to collect income data.  
 
Sources: Cutler (1984) and Roemer and Gugerty (1997) 

After  defining  the  poverty  line,  then  both  headcount  poverty  and  poverty  gap  index  are  being 
determined. Headcount index is calculated by dividing the number of people who live under poverty line 

18 
 
by total population. Thus, headcount poverty index simply is percentage of poor people (people living 
under  poverty  line)  to  total  population.  Meanwhile,  the  poverty  gap  index  is  being  established  by 
measuring the average poverty gap across the entire population (Roemer and Gugerty, 1997).  

Roemer and Gugerty (1997) emphasize that poverty gap index is more sensitive than headcount index. 
Headcount  index  measures  only  the  changes  in  income  of  the  poor  who  cross  the  poverty  line  and 
disregards the change below poverty line. Poverty gap index resolve the weakness of headcount index 
by  measuring  the  aggregate  amount  of  poverty  relative  to  poverty  line.  The  poverty  gap  index 
epitomizes the transfer of income to the poor that would be necessary to eradicate poverty.  The main 
weakness of  poverty gap index is that it does not denote  the  meticulousness of poverty  (Roemer and 
Gugerty, 1997).  

The other variable of interest is the gini coefficient. Gini coefficient measures the income inequality by 
simply  taking  differences  between  all  pairs  of  income  and  sums  the  absolute  differences  (Ray,  1998). 
This implies that the gini coefficient is equal to the sum of all pairwise comparisons. Gini coefficient is 
normalized by dividing to population squared and mean income (Ray, 1998).  

The gini coefficient can easily be understood by probing the Lorenz curve. The idea of Lorenz curve and 
how it links to Gini coefficient will be clarified in Box. 3.3.  

Box 3.2 The Lorenz Curve and Gini Coefficient 
The vertical axis is the cumulative shares of income, 
Cumulative Shares of Income 

and  the  horizontal  axis  is  the  cumulative  shares  of 

population.  

The  Lorenz  curve  is  the  curve  that  exhibits  the 

A 
distribution of income among groups of population. 
Lorenz Curve  B  From that curve, we can distinct two areas. First is 
45 °  area  A,  which  is  area  between  45  degree  line  and 
Lorenz curve. Second is the area B that covers area 
Cumulative Shares of Population

Gini coefficient is obtained by dividing area A by the sum of area A and B. The higher the value of 
gini coefficient, the more unequal the society is. Hitherto, gini coefficient is widely used to measure 
income inequality. Most countries regularly report the gini coefficient.  
 
Source: Ray (1998) 

The gini coefficient satisfies all four principles of Lorenz curve. First principle is anonymity, which implies 
that  it  does  not  matter  who  is  earning  the  income.  Second  principle  is  population  principle.  This 
principle  portends  that  replicating  the  entire  population  (and  their  incomes)  should  not  change  the 
inequality.  Third  is  relative  income  principle,  which  implies  that  population  shares  matter  but  the 
absolute  value  of  population  itself  does  not  matter.  Fourth  principle  is  the  Dalton  principle.  Dalton 

19 
 
principle  claims  that  if  one  income  distribution  can  be  achieved  from  another  by  constructing  a 
sequence of regressive transfers, then the former distribution (before transfer) is more unequal than the 
latter (after transfer). 

The  main  explanatory  variable  is  micro‐small‐medium  credit  per  capita.  This  variable  is  acquired  by 
dividing total micro‐small‐medium credit from all formal institutions in the regency by total population 
in  that  regency.  MSM  credit  is  the  credit  that  has  value  not  more  than  Rp.  5  billion,  and  is  allocated 
mostly to small and medium enterprises in Indonesia. The MSM‐credit could be decomposed into micro‐
credit, small‐credit, and medium‐credit. Micro‐credit is credit that less than Rp. 50 million, small credit is 
credit between Rp. 50 million and Rp. 500 million, and medium credit is credit from Rp. 500 million to Rp. 
5 billion. The small amount of this credit signals the collateral of the debtor.  

The other explanatory variables are growth of gross domestic regional product per capita, development 
expenditure  per  capita,  and  percentage  of  population  with  primary  school  or  less.  Development 
expenditure per capita is public expenditure on poverty alleviation program divide by total population in 
the  regency.  The  last  control  variable  is  primary  school.  It  measures  the  portion  of  population  that 
finished  only  primary  school  or  less.  All  these  three  variables  are  expected  to  have  negative  effect  on 
poverty and inequality.  

b. Data 

This research is exploiting data from 319 regencies in Indonesia. It covers more than 80% of regencies in 
Indonesia.  Regencies that  are being  excluded from  the sample set are regencies in Aceh province and 
Jakarta  province.  Regencies  in  Aceh  are  being  excluded  because  Aceh  was  a  conflict  area  during  that 
period.  Regencies  in  Jakarta  are  also  being  excluded  as  Jakarta  is  special  region  where  all  policies  in 
those regencies are centralized on provincial government. The second reason is that not all data from 
regencies  in  Jakarta  province  are  available.  The  period  covered  in  this  research  is  2002,  except  when 
conducting decomposition analysis for micro‐small‐medium credit. The reason of using the data on 2005 
is to reduce the potential reverse causality bias since instrumental variable can no longer be used. Detail 
explanation on this will be presented on the section of the extension of result. 

Poverty indicators (headcount index, poverty gap index), gini coefficients, total population, GDRP/capita, 
and percentage of primary school could be obtained from central bureau statistic and are available for 
more than 340 regencies in Indonesia for the period of 2002 – 2005. Micro‐small‐medium Credit data 
and  inflation  rate  for  all  regencies  could  be  found  from  Central  Bank  of  Indonesia  website  and  are 
available  from  2002  to  2010.  Local  government  spending  on  development,  government  revenue,  and 
education expenditure could be acquired from the website of Ministry of Finance and are available from 
2001 to 2009.  

Distance to Jakarta is measured by calculating the distance of straight line from Jakarta to the capital of 
regency.  To  obtain  the  distance  of  straight  line  from  Jakarta  to  the  capital  of  regency,  data  on 

20 
 
geographical  coordinate  system  is  needed.  The  second  step  is  calculating  the  distance  by  applying 
Pythagoras  theorem.  However,  data  on  distance  can  be  easily  acquired  through  several  website  or 
software, for instance Google maps and http://www.infoplease.com/atlas/calculate‐distance.html. Both 
of  these  websites  provide  ready  to  use  data  on  distance  between  two  locations  in  the  earth.  The 
distance  is  being  calculated  by  inserting  geographical  coordinate  into  Pythagoras  formula.  The 
descriptive statistics on all variables involved in this research is being presented in Appendix A.  

  

21 
 
 Result 

 
 

This  section  will  present  the  evidence  of  finance‐poverty‐inequality.  The  econometric  model  and  the 
idea behind it are presented in the previous chapter. This section consists of three sub‐sections. First, it 
will  present  the  preliminary  result.  Then,  estimations  using  Instrumental  Variable  are  discussed  in  the 
second  sub‐section.  The  last  sub‐section  will  present  the  extension  of  this  research,  which  will  cover 
decomposition analysis and regional differences.  

a. Preliminary Evidence 

This sub‐section will portray the preliminary result by regressing poverty indicators and gini coefficient 
on  micro‐small‐medium‐credit  per  capita.  The  following  table  will  exhibit  the  result  of  preliminary 
regression.  The  model  employed  in  this  regression  is  ordinary  least  square  estimation  without 
controlling for any variable. Data employed is data on 2002.  

 Table 4.1 Preliminary Evidence on Finance‐Poverty‐Inequality (2002) 

X = Micro‐Small‐Medium  Y 
Credit per Capita  HCI  PGI  Gini 
Beta  0.0004**  0.0111**  0.0007** 
Standard Error  0.00004  0.0009  0.00003 
t‐statistic  11.0546  11.5672  20.1194 
N  319  319  319 
Notes: ** significant at 95% level of confidence, E‐views output in Appendix B 

The results from preliminary regressions show that micro‐small‐medium credit positively correlated to 
headcount  index,  poverty  gap  index,  and  gini  coefficient.  All  betas  in  table  4.1  are  positive  and 
statistically significant. These results denote that poverty level and income inequality are higher in the 
regencies where micro‐small‐medium credit per capita is higher.  This preliminary result is not what the 
author  might  anticipate,  as  it  contradicts  to  the  general  idea  that  micro‐small‐medium  credit  has 
negative impact on poverty. 

However,  robust  and  precise  conclusion  cannot  be  drawn  from  these  results  due  to  several  biases 
problem.  The  main  expected  problem  is  the  reverse  causality  bias.  It  is  possible  that  the  positive 
relationship  between  finance  and  poverty  due  to  the  higher  demand  of  micro‐small‐medium  credit  in 
the  poorer  regencies.  It  is  also  possible  that  banks  allocated  more  micro‐small‐medium  credit  in  the 

22 
 
regencies where poverty level and income inequality are higher. Instrumental variable estimation, which 
is expected to solve several biases, will be presented in the following sub‐section. 

b. Evidence using IV method 

Instrumental  variable  can  resolve  biases  that  might  hinder  the  result.  As  explained  in  the  previous 
section, distance to Jakarta serves as an instrument in this research. The idea is that distance to Jakarta 
is  expected  to  affect  the  willingness  of  a  bank  to  expand  the  business  into  certain  area.  On  the  other 
side, distance to Jakarta will not have direct effect on the poverty level and income disparity in that area. 
Ergo, distance to Jakarta could perform as proper instrument.  

However, that contention should be verified statistically. Unfortunately, there is no procedure available 
to verify whether or not distance to Jakarta will indirectly affect poverty and inequality. Thus, only first 
assumption  can  be  tested.  Meanwhile,  second  assumption  should  rely  on  theory  instead  of  statistic. 
Table 4.2 will show the evidence to validate the assumption.  

Table 4.2 Regression of Distance to Jakarta on MSM‐Credit per Capita 

X= Distance to Jakarta  Y = Micro‐Small‐Medium Credit per Capita 
Beta  ‐0.1004** 
Standard Error  0.0133 
t‐statistic  ‐7.5178 
R2  16.08% 
N  319 
Notes: ** significant at 95% level of confidence, E‐views output in Appendix B 

Table  4.2  reveals  that  distance  to  Jakarta  is  significantly  correlated  to  the  amount  of  micro‐small‐
medium credit per capita. The beta estimate of OLS regression is ‐0.1004 and is significant at 95% level 
of  confidence.  The  variation  of  variable  distance  to  Jakarta  explains  16.1%  of  the  variation  of  micro‐
small‐medium credit per capita. The result confirms that the distance to Jakarta is negatively correlated 
to micro‐small‐medium credit per capita. Thus, the distance to Jakarta can serve as proper instrument 
for micro‐small‐medium credit per capita.  

In  addition,  it  is  necessary  to  verify  the  validity  of  other  instruments  used  in  this  research.  As  already 
mentioned  in  previous  section,  GDRP  per  capita  growth,  development  expenditure  and  percentage  of 
population  with  primary  school  or  less  might  have  two‐way  relationship  with  poverty  and  income 
inequality.  Thus,  all  those  control  variables  should  be  instrumented.  GDRP  per  capita  growth  is 
instrumented  by  government  expenditure.  Development  expenditure  is  instrumented  by  government 
revenue after excluding income from natural resources. Percentage of population with primary school 
or  less  is  instrumented  by  public  expenditure  on  education.  All  of  those  instruments  are  presumed  to 

23 
 
indirectly  affect  poverty  and  income  inequality  and  directly  influence  each  endogenous  explanatory 
variable.  The  regressions  to  confirm  that  each  instrument  has  direct  effect  on  each  endogenous 
explanatory variable are presented in Table 4.3 below. 

Table 4.3 Instrumental Variables on each Endogenous Explanatory Variable 

Endogenous Explanatory Variables 
Summary of 
GDRP per Capita  Development  Percent of Population 
Regressions 
Growth  Expenditure per Capita  with Primary School  
Beta  0.0249**  8.6414**  ‐0.0006** 
Standard error  0.0014  0.7109  0.00021 
t‐statistic  17.7981  12.1560  ‐2.7103 
2
R  2.95%  31.58%  1.96% 
Instrumental  Government  Government Revenue  Public Expenditure on 

Variables  Expenditure per Capita  per Capita  Education per Capita 

Notes: ** significant at 95% level of confidence, E‐views output in Appendix B 

The second column of table 4.3 is the first regression’s result of Government Expenditure per Capita on 
GDRP  per  capita  Growth.  Government  expenditure  per  capita  is  positively  correlated  with  GDRP  per 
capita and is statistically significant. The third column is the summary of the second regression. It regress 
government revenue per capita on development expenditure per capita. The result on table 4.3 exhibits 
that government revenue per capita is positively correlated with development expenditure per capita. 
The  variation  of  government  revenue  per  capita  explains  31.58%  of  the  variation  of  development 
expenditure  per  capita.  The  last  column  presents  the  result  of  the  third  regression  between  public 
expenditure  on  education  per  capita  and  the  percentage  of  population  with  primary  school  or  less, 
assuming that there is no large variation over time on public expenditure on education. The result is that 
public  expenditure  on  education  per  capita  is  negatively  correlated  with  percent  of  population  with 
primary  school  or  less.  It  is  possible  because  public  expenditure  may  go  more  to  secondary  school 
instead  of  primary  school.  Thus,  in  the  regencies  where  public  expenditure  on  education  per  capita  is 
higher, number of people with secondary school will be higher as well. Consequently, the percentage of 
population  with  primary  school  or  less  is  lower  in  the  regencies  with  higher  public  expenditure  on 
education.   

Those  results  simply  indicate  that  all  instrumental  variables  satisfy  the  first  assumption  to  be  proper 
instrument. With regards to exogeneity assumption, which denotes that the instrument is uncorrelated 
with error term in poverty and inequality equations, number of instrumental variables in this research 
should be more than the number of endogenous explanatory variables. This implies that the exogeneity 

24 
 
assumption cannot be tested statistically (Verbeek, 2008), except if the model is over‐identified. In this 
case, economic argument should be the origin of justification.  

However,  we  might  expect  that  multicollinearity  appears  in  the  model  since  all  control  variables  are 
related  to  government  expenditure.  For  instance,  growth  is  instrumented  by  the  government 
expenditure, while at the same time primary schooling is being instrumented by education expenditure. 
Thus,  multicollinearity  test,  which  can  be  done  by  calculating  correlation  coefficient,  should  be 
conducted. Table 4.4 will exhibit the result of multicollinearity test. 

Table 4.4 Correlation Coefficient among Explanatory Variables 

  MSM‐Credit per  GDRP per capita  Development  Percentage of 

Capita*  growth*  Expenditure per  Population with 
Capita*  Primary School* 
MSM‐Credit per 
1.0000  ‐0.5385  ‐0.1427  0.2744 
Capita* 
GDRP per capita 
  1.000  0.5151  ‐0.7361 
growth* 
Development 
Expenditure per      1.000  ‐0.7241 
capita* 
Percentage of 
Population with        1.000 
Primary School* 
* After being instrumented 

From table 4.4 it is obvious that micro‐small‐medium credit per capita has no significant correlation with 
all control variables. However, primary schooling is expected to be correlated to GDRP per capita growth 
and  development  expenditure  per  capita.  Although  it  might  bias  the  result  for  control  variables,  this 
correlation will have no effect on the coefficient of micro‐small‐medium credit per capita. As stated in 
Wooldridge (2006), correlation between two variables will have no effect on the main variable as long as 
that  main  variable  does  not  correlate  to  one  of  those  two  variables.  Ergo,  in  this  case  all  control 
variables  will  be  used  to  reduce  omitted  variable  bias  in  the  model.  Nevertheless,  the  coefficient  of 
control variables might be less reliable as its variances will be higher.  

If instruments already satisfy two basic assumptions, then  the next step is utilizing this instrument on 
the econometric models. The explanation on the result of instrumental variable method will be covered 
in the subsequent sections and will be explicated separately based on independent variable.  

25 
 
Headcount Poverty Index 

The result in this sub‐section is obtained by employing model (i). Variables distance to Jakarta, growth of 
GDRP  per  capita,  development  expenditure  per  capita  and  primary  schooling  are  being  instrumented. 
Table 4.5 exhibit the estimation result of model (i).  

Table 4.5 Estimation Result of Model (i) after Instrumenting Explanatory Variables 

Dependent Variable 
Explanatory variable 
Log (HCI)  Log (HCI)  Log (HCI)  Log (HCI) 
Log (MSM‐Credit per Capita)         
Beta  ‐0.5899**  ‐0.5749**  ‐0.5941**  ‐0.6198** 
Standard Error  0.0917  0.0974  0.0987  0.0945 
Control Variables   
Growth of GDRP per Capita         
Beta  ‐7.2511**  ‐6.1401**  ‐9.2414**  ‐10.757** 
Standard Error  2.4056  3.4817  3.7117  3.2488 
Log (Development Expenditure per Capita)         
Beta    ‐0.0489  ‐0.1134   
Standard Error    0.0960  0.1049   
Log(Primary School)         
Beta      ‐2.0008**  ‐1.5354** 
Standard Error      0.9024  0.8498 
Adjusted R2  11.89%  11.71%  12.43%  12.30% 
White Heteroscedasticity Test  6.7792  7.0562  8.3199  7.9311 
Number of Observations  319  319  319  319 
Notes: ** significant at 95% level of confidence, E‐views output in Appendix C 

Second  column  exhibits  the  result  by  including  growth  of  GDRP  per  capita  as  control  variable  and 
excluding  other  control  variables.  The  estimation  result  confirms  that  after  controlling  for  GDRP  per 
capita  growth  and  instrumenting  with  distance  to  Jakarta,  micro‐small‐medium  credit  per  capita  is 
negatively affect headcount poverty index.  

The  coefficient  of  interest  is  ‐0.59.  As  the  model  is  log‐log  model,  then  the  interpretation  is  obvious. 
Ceteris paribus, 1% increase in micro‐small‐medium credit per capita will lower headcount poverty index 
by 0.59%.  This model explains 11.89% of variation in headcount poverty index.  

26 
 
The  third  column of Table 4.5  presents the evidence of model  (i) by adding development  expenditure 
per capita as control variable. For main explanatory variable, the result is still consistent. Micro‐small‐
medium credit per capita is significantly affect headcount poverty index with coefficient ‐0.5749.  

In contrast, the variable development expenditure per capita is not statistically correlated to headcount 
poverty  index.  The  inclusion  of  development  expenditure  per  capita  reduces  the  ability  of  model  to 
explain headcount poverty index, as we can notice from adjusted R2 value. However, the other variables 
(GDRP per capita growth and MSM‐credit per capita) are still statistically significant despite the fact that 
coefficients are changing.  

The fourth column presents the estimation result after including additional control variable, which is log 
value of percent of population with primary school or less. The evidence is still consistent, where micro‐
small‐medium  credit  per  capita  negatively  affects  headcount  poverty  index.  The  coefficient  for  micro‐
small‐medium credit per capita is ‐0.5941. This implies that, ceteris paribus, 1% increase of micro‐small‐
medium credit per capita will bring down headcount poverty index by 0.59%. It is obvious that this result 
is consistent with the first model. 

The value of adjusted R2 is higher in the third model, which controls for all possible explanatory variables, 
than  the  adjusted  R2 of  first  model.  From  the  fourth  column,  the  value  of  adjusted  R2  is  12.43%.  This 
value  indicates  that  the  12.43%  of  variation  of  poverty  index  is  explained  by  the  variation  of  current 
model.  

In this scenario, all control variables are significant except for development expenditure per capita. The 
GDRP per capita growth variable has coefficient of ‐9.2414, and coefficient for percentage of population 
with  primary  school  or  less  is  ‐2.0008.  This  implies  that  both  variables  are  negatively  correlated  with 
headcount poverty index. This result is consistent with the earlier prediction, which expects that if GDRP 
per capita growth and percentage of population with primary school or less go up, then the headcount 
poverty index will go down.  

The  last  column  shows  the  result  if  development  expenditure  per  capita  is  being  excluded  from  the 
model. Meanwhile, GDRP per capita growth and percentage of population with primary school or less 
are  included  in  the  model  as  control  variables.  The  development  expenditure  per  capita  is  being 
excluded  as  it  might  generate  less  efficient  estimator.  Wooldridge  (2006)  argued  that  the  inclusion  of 
irrelevant  variable  will  cause  the  estimator  to  be  less  efficient  and  thus  will  hinder  the  result. 
Furthermore, the last model satisfies parsimonious condition, which is better than the model in fourth 
column.  

The  result  obviously  shows  that  all  variables  significantly  have  an  effect  on  headcount  poverty  index. 
The coefficients for all explanatory variables are negative. In absolute term, the value of all coefficients 
increases, except for percent of population with primary school or less. This result confirms theoretical 
prediction that financial development, in the form of micro‐small‐medium credit, will be able to alleviate 

27 
 
poverty.  Ceteris  paribus,  1%  increase  in  micro‐small‐medium  credit  per  capita  will  result  in  0.62% 
decrease in headcount poverty index. This model explains 12.30% of the variation of headcount poverty 
index.  

Poverty Gap Index 

Poverty Gap Index is different from Headcount Poverty Index, although both measure the poverty level. 
Poverty Gap Index is more sensitive than the Headcount Index as it takes into account the income gap 
across groups under poverty line. Consequently, the result presented in this sub‐section will give more 
precise effect of micro‐small‐medium credit per capita to poverty reduction.  

Table 4.6 Estimation Result of Model (ii) after Instrumenting Explanatory Variables 

Dependent Variable 
Explanatory variable 
Log (PGI)  Log (PGI)  Log (PGI)  Log (PGI) 
Log (MSM‐Credit per Capita)         
Beta  ‐0.6012**  ‐0.5968**  ‐0.6193**  ‐0.6401** 
Standard Error  0.1177  0.1193  0.1215  0.1221 
Control Variables   
Growth of GDRP per Capita         
Beta  ‐4.7575*  ‐4.4131  ‐8.3660**  ‐9.6614** 
Standard Error  2.7141  3.7997  4.170  3.9531 
Log (Development Expenditure per Capita)         
Beta    ‐0.0151  ‐0.0963   
Standard Error    0.1182  0.1298   
Log(Primary School)         
Beta      ‐2.5188**  ‐2.1269** 
Standard Error      1.2101  1.0333 
Adjusted R2  9.5%  9.19%  10.06%  10.14% 
White Heteroscedasticity Test  13.0333  16.6031  17.6516  13.9545 
Number of Observations  319  312  312  312 
Notes: ** significant at 95% level of confidence, * significant at 90%, E‐views output in Appendix C 

Second column displays the result if the model is controlled only by GDRP per capita growth. Both main 
explanatory variable and control variable are statistically significant. This model could explain 9.5% the 
variation of poverty gap index.  

28 
 
The  coefficient  for  micro‐small‐medium  credit  per  capita  is  ‐0.60.  As  the  model  is  log‐log  model,  then 
the result implies that 1% increase in micro‐small‐medium credit per capita will result in 0.60% decrease 
in poverty gap index, ceteris paribus.  The value of coefficient is not much different from the coefficient 
in the previous model of headcount poverty index.  

The  third  column  portrays  the  estimation  result  if  development  expenditure  per  capita  is  included  as 
control  variable.  This  additional  variable  brings  no  extra  information,  which  can  be  seen  from  the 
evidence that the variable development expenditure per capita itself is not statistically significant as well 
as  variable  GDRP  per  capita  growth.  Furthermore,  the  adjusted  R2  goes  down  to  9.19%  because  the 
number of observation is being declined to 312.  

However, micro‐small‐medium credit per capita still significantly affects poverty gap index; despite the 
value of coefficient is lower compared to the previous setting. This finding suggests that, ceteris paribus, 
1% increase in micro‐small‐medium credit per capita will lower down the poverty gap index by 0.59%.  

The  fourth  column  reports  the  results  if  all  control  variables  are  being  included  in  the  model.  Thus, 
percent of population with primary school or less is incorporated in the model. The value of adjusted R2 
rises  to  10.06%.  All  variables  negatively  affect  poverty  gap  index.  However,  the  development 
expenditure per capita remains statistically insignificant. The coefficient of variable of interest, which is 
micro‐small‐medium credit per capita, is ‐0.62. This finding does not deviate so much from earlier result. 

The last column conveys the result if development expenditure is being excluded. Micro‐small‐medium 
credit per  capita as well as all control  variables negatively affect poverty gap index. Ergo,  all variables 
confirm  theoretical  prediction.  The  variation  of  this  model  explains  10.14%  of  the  poverty  gap  index 
variation, which is better than the previous models.  

Furthermore, except for variable percentage of population with primary school or less, the values of all 
coefficients  are  going  up.  Based  on  this  result,  ceteris  paribus,  1%  increase  (decrease)  in  micro‐small‐
medium  credit  per  capita  will  lead  to  0.64%  decrease  (increase)  in  poverty  gap  index.  However,  it  is 
obvious  that  all  these  findings  confirm  that  micro‐small‐medium  credit  per  capita  will  have  positive 
effect on poverty reduction.  

Gini Coefficient 

Previous  sub‐sections  reveal  the  empirical  evidence  on  the  relationship  between  micro‐small‐medium 
credit  and  poverty.  This  sub‐section  will  describe  the  estimation  result  on  model  (iii)  that  test  the 
relationship between micro‐small‐medium credit and income inequality. Income inequality is measured 
by Gini Coefficient. The following table of 4.7 will exhibit the estimation result.  

29 
 
Table 4.7 Estimation Result of Model (ii) after Instrumenting Explanatory Variables 

Dependent Variable 
Explanatory variable 
Log (Gini)  Log (Gini)  Log (Gini)  Log (Gini) 
Log (MSM‐Credit per Capita)         
Beta  0.0337  0.0307  0.0343  0.0391* 
Standard Error  0.0225  0.0241  0.0238  0.0223 
Control Variables   
Growth of GDRP per Capita         
Beta  0.6779  0.4445  1.0175  1.3269* 
Standard Error  0.6458  0.8559  0.8758  0.7738 
Log (Development Expenditure per Capita)         
Beta    0.0101  0.0221   
Standard Error    0.0231  0.0257   
Log(Primary School)         
Beta      0.3715  0.2829 
Standard Error      0.2927  0.2625 
Adjusted R2  0.16%  0.15%  0.24%  0.28% 
White Heteroscedasticity Test  7.6244  14.247  16.613  8.3740 
Number of Observations  318  318  318  318 
Notes: * significant at 90%, E‐views output in Appendix C 

Surprisingly, the results in this sub‐section contradict the previous finding. In the previous sub‐section, 
there  is  enough  evidence  that  micro‐small‐medium  credit  negatively  correlated  to  poverty.  Based  on 
previous finding, we might expect that micro‐small‐medium credit would correct income inequality as it 
alleviates  poverty.  However,  the  empirical  evidence  based  on  equation  (iii)  does  not  confirm  this 
prediction. 

As  the  results  from  second  to  fourth  column  exhibit,  it  is  obvious  that  micro‐small‐medium  credit  per 
capita  is  not  statistically  correlated  to  gini  coefficient.  The  second  column  presents  the  result  if  only 
growth of GDRP per capita is being controlled for. The third column reports the result if development 
expenditure  per  capita  is  added  to  the  equation.  The  fourth  column  gives  details  on  the  result  after 
controlled  for  growth  of  GDRP  per  capita,  development  expenditure  per  capita,  and  percentage  of 
population with primary school or less. All these scenarios give consistent results. Financial development, 
in  the  form  of  micro‐small‐medium  credit,  does  not  statistically  correlate  to  income  inequality.  In 

30 
 
addition,  the  model  is  very  poor  on  explaining  the  variation  of  gini  coefficient.  All  models  explain  not 
more than 1% of gini coefficient, as adjusted R2 value indicates.  

However, the outcome presented in the last column tells different story. In the last column, only growth 
of GDRP per capita and percentage of population with primary school or less are being controlled. The 
variable development expenditure per capita is being excluded from the model as it might reduce the 
efficiency of estimation result. As mentioned earlier, this model suffers from multicollinearity between 
GDRP  per  capita  growth  and  primary  schooling.  However,  this  multicollinearity  will  not  affect  the 
coefficient of main variables. Those two variables need  to be  controlled to  deal with omitted variable 
bias. In this setting, micro‐small‐medium credit per capita positively correlates to gini coefficient as well 
as all control variables. This result holds at 90% level of confidence. Thus, we might reject the hypothesis 
that micro‐small‐medium credit is statistically affect gini coefficient at 95% level of confidence. 

Nevertheless,  the  result  is  still  surprising.  At  90%  level  of  confidence,  we  might  anticipate  that  micro‐
small‐medium credit per capita positively affects gini coefficient. This implies that, instead of correcting 
income  distribution,  micro‐small‐medium  credit  per  capita  is  worsening  the  income  distribution.  This 
finding  contradicts the previous result. As micro‐small‐medium credit helps to alleviate poverty, but it 
does not correct income disparity. Ceteris paribus, 1% increase in micro‐small‐medium credit per capita 
will result in 0.039% increase in income inequality.  

Summary of Findings and Proposed Explanation 

Three sub‐sections portray the empirical evidence on micro‐finance, poverty, and inequality. Poverty is 
measured by headcount index and poverty gap index. Meanwhile, income inequality is measured by gini 
coefficient.  

In regards to finance‐poverty, results suggest that micro‐small‐medium credit is able to alleviate poverty. 
The  result  is  consistent  using  both  headcount  poverty  index  and  poverty  gap  index.  In  general,  1% 
increase in micro‐small‐medium credit per capita will result in 0.62% decreasing of headcount poverty 
index  and  0.64%  on  poverty  gap  index,  holding  other  things  constant.  These  results  confirm  the 
contention  that  better  functioning  financial  system  will  enable  the  wealth‐deficient  entrepreneurs  to 
exploit  investment  opportunity.  However,  these  findings  confirm  only  on  macro  level,  not  on  the 
channel through which micro‐financing helps the poor.  

Furthermore,  the  result  on  the  link  between  micro‐small‐medium  credit  and  income  inequality 
contradicts  the  previous  result.  At  90%  level  of  confidence,  micro‐small‐medium  credit  per  capita  is 
worsening  the  income  distribution.  Considering  the  first  result,  this  result  is  quite  striking.  If  financial 
development, in the form of micro‐finance, could alleviate poverty, supposedly it could adjust income 
distribution to be more equal.  

31 
 
There  are  at  least  two  explanations  on  this  result.  First  explanation  for  this  contradiction  lies  on  the 
nature  of  measurement  method  for  both  poverty  indicators  and  gini  coefficient.  Headcount  index 
measures only the percentage of poor  relative  to  total population.  Thus, headcount index will change 
easily if some groups of poor, who live in the margin of poverty line, cross the poverty line. Headcount 
index does not take into account the change of income for the people within the poverty line.  

Poverty gap index measures the gap among groups whose income below poverty line. However, poverty 
gap index does not denote the meticulousness of poverty. Meanwhile, gini coefficient is able to measure 
the income difference across all groups within society. Thus, the change of gini coefficient will reflect the 
change  of  relative  income,  not  absolute  income.  Meanwhile,  all  poverty  index  used  in  this  research 
reflect only the change in absolute income.  

Therefore, in the case that income of 20% richest people rises more than income of 20% poorest people, 
then  the  Gini Coefficient  will be higher than  before although the poor is relatively richer  than  before. 
This implies that it is possible that financial development, along with the improvement of micro‐small‐
medium  credit,  benefits  the  richer  more  than  it  benefits  the  poorest  of  the  poor.  In  this  case,  the 
number  of  absolute  poverty  is  being  diminished,  although  income  distribution  is  getting  worse.  The 
definition of “richer” is the group whose income more than median income.  

The  second  possible  explanation  is  that  micro‐small‐medium  credits  are  being  allocated  more  to  the 
median income group than low income group. Thus, although it still is beneficial for the poor, but micro‐
small‐medium  credit  will  worsen  income  distribution.  This  proposition  is  different  from  the  first 
proposition  mentioned  above.  The  first  proposition  implies  that  regular  credit  (credit  for  big 
corporations)  brings  more  benefit  than  micro‐small‐medium  credit.  Second  proposition  implies  that 
micro‐small‐medium credit is being mis‐allocated.  

Nevertheless, these  two arguments create different  policy implication. If the first argument is correct, 

then the financial authority does not have to do anything as it is not informational problem. In this case, 
policy  maker  might  expect  that  in  the  long  run  income  disparity  will  be  narrowed  down  as  wealth‐
deficient  entrepreneurs  experiencing  improvement  in  the  managing  ability.  If  the  second  argument  is 
correct, then information asymmetry still appears in capital market because micro‐small‐medium credits 
are  allocated  to  inappropriate  applicants.  This  implies  that  financial  authority  should  put  an  effort  to 
reduce informational problem. This can be done by establishing credit information sharing or financial 
assistance for wealth‐deficient entrepreneurs. 

This  research  can  be  extended  to  find  more  explanation  on  those  findings.  Next  sub‐section  will 
elaborate  the  extension  of  main  research  by  decomposing  micro‐small‐medium  credit  and  controlling 
regional differences. As mentioned before, the main research employs aggregate data on micro‐small‐
medium  credit.  The  main  disadvantage  of  aggregate  data  is  that  the  results  do  not  offer  detail 
explanation. By decomposing, this disadvantage can be overcome.  

32 
 
c. Extension of the Research 

This sub‐section presents the extension on the research. Two things will be covered in this sub‐section, 
decomposition  of  micro‐small‐medium  credit  and  investigation  of  regional  differences.  Both 
decomposition and investigation of regional differences are useful to get bigger picture on how financial 
development  affects  poverty.  In  addition,  these  two  attempts  can  be  useful  to  propose  policy 
implication. For instance, by acknowledging the different effect of financial development on each region, 
then the financial authority could design more detail policy. 

Decomposing Micro‐Small‐Medium Credit 

Previous  econometric  models  use  aggregate  data  on  micro‐small‐medium  credit  to  explore  how 
financial development affects poverty and inequality. This sub‐section tries to disaggregate micro‐small‐
medium credit and investigates whether or not different type of credit will have different effect.  

There  are  two  steps  to  conduct  this  test.  First,  aggregate  data  on  micro‐small‐medium  credit  is  being 
decomposed  into  three  types,  which  are  micro‐credit,  small‐credit,  and  medium‐credit.    Then,  new 
models are constructed to replace earlier model. Instrumental variable cannot be used in this section as 
instrumenting all variables related to credit with distance to Jakarta will cause perfect multicollinearity 
among those variables.  However, if endogenous variables are not instrumented, then the model will be 
suffered from reverse causality bias. 

Hence,  to  overcome  reverse  causality  bias,  the  model  should  be  modified.  Model  can  be  modified  by 
using  different  year  for  dependent  variable  and  explanatory  variables.  For  dependent  variables,  2005 
data  will  be  exploited.  Meanwhile,  data  2002  will  be  utilized  for  explanatory  variables.  The  line  of 
reasoning  is  that  micro,  small,  medium‐credit  in  2002  will  affect  poverty  and  inequality  in  2005. 
However, we cannot expect that poverty and income disparity in 2005 affects credit allocation in 2002. 
Therefore, reverse causality bias is being reduced. Mathematical equation for that model will be 

HCIi,05 = α1 + β1SMICi,02 + β2SSMLi,02 + β3SMEDi,02 + δ1(Ci,02) +εi                                (xi) 

PGIi,05 = α2 + γ1SMICi,02 + γ2SSMLi,02 + γ3SMEDi,02+ δ2(Ci,02) + еi                                (xii) 

GINi,05 = α3 + θ1SMICi,02 + θ2SSMLi,02 + θ3SMEDi,02 + δ3(Ci,02) +vi                              (xiii) 
Where: 
HCIi,05 = headcount poverty index in regency i at 2005 
PGIi,05 = poverty gap index in regency i at 2005 
GINi,05 = gini coefficient in regency i at 2005 
SMICi,02 = Micro‐credit per Capita at regency i for 2002 

33 
 
SSMLi,02 = Small‐credit per Capita at regency I for 2002 
SMEDi,02 = Medium‐credit per Capita at regency I for 2002 
Ci,02 = Set of control variables at 2002. 
εi, еi, vi = Error term 

The  coefficients  of  interest  are  β1,  β2,  β3,  γ1,  γ2,  γ3,  θ1,  θ2,  θ3.  The  interpretation  is  that  if 
micro/small/medium credit per capita change by Rp. 1, then poverty index will change by β1, β2, β3, γ1, γ2, 
γ3, θ1, θ2, θ3 unit.  
Table 4.8 Result after Decomposition 

Dependent Variables 
Explanatory Variables 
HCI i,05 PGI i,05 GINI i,05

Micro‐Credit per Capitai,02       

Beta  ‐0.000134**  ‐0.0025**  0.000064** 

Standard Error  0.000036  0.00095  0.000023 

Small‐Credit per Capitai,02       

Beta  ‐0.000116**  ‐0.0016  0.000066* 

Standard Error  0.000049  0.00015  0.000039 

Medium‐Credit per Capita i,02       

Beta  ‐0.000065**  ‐0.0020**  0.00001 

Standard Error  0.000025  0.00061  0.000014 

Growth of GDRP per Capitai,02  Controlled  Controlled  Controlled 

Primary School (% of Population)i,02  Controlled  Controlled  Controlled 

Adjusted R2  9.78%  9.99%  15.3% 

Notes: ** significant at 95% level of confidence, * significant at 90%, E‐views output in Appendix D 

The second column shows the result on model (xi). It is noticeable that all credit variables are negatively 
linked  to  headcount  poverty  index.  The  model  explains  9.78%  of  the  variation  of  headcount  poverty 
index in 2005. The coefficient of micro‐credit per capita is ‐0.000134. This result indicates that if micro‐
credit  per  capita  increases  by  Rp.1,  then  headcount  poverty  index  will  decrease  by  0.000134%.  The 
coefficient  is  quite  small,  but  in  term  of  absolute  value,  it  is  the  highest  coefficient  among  other 
coefficients  of  credit  variables.  However,  according  to  t‐test  result,  there  is  no  significant  difference 

34 
 
between coefficient of micro‐credit per capita and the coefficient of small‐credit per capita. Thus, micro‐
credit and small‐credit bring, more or less, the same effect to headcount poverty index.  

The  third  column  reports  the  result  on  model  (xii).  In  this  model,  credit  variables  are  negatively 
correlated to poverty gap index. The adjusted R2 value is 9.99%, which means the model explains 9.99% 
of the variation of poverty gap index. In line with the result from model (xi), coefficient for micro‐credit 
per  capita  is  the  highest  among  other  coefficients  of  credit  variables,  in  terms  of  absolute  value. 
Coefficient for micro‐credit per capita is ‐0.0025, which implies that Rp.1 increasing of micro‐credit per 
capita  will  result  in  decreasing  of  poverty  gap  index  by  0.0025%.  Based  on  t‐test  result,  there  is  no 
significant difference between coefficient of micro‐credit per capita and medium‐credit per capita. This 
result implies that micro‐credit and medium‐credit bring similar effect to poverty gap index. 

The  last  column  exhibit  estimation  result  for  model  (xiii).  In  this  estimation  all  credit  variables  are 
positively  correlated  to  gini  coefficient,  except  medium‐credit  per  capita  which  is  statistically 
insignificant.  Based  on  this  model,  small‐credit  will  generate  more  inequality  than  micro‐credit  as 
coefficient for small‐credit is higher than coefficient for micro‐credit. However, t‐test reveals that there 
is  no  difference  between  coefficient  of  micro‐credit  per  capita  and  the  coefficient  of  small‐credit  per 
capita. Both of these variables generate equal impact on income inequality. Meanwhile, medium‐credit 
has no effect on income disparity.  

Ergo,  according  to  the  previous  estimation  results  micro‐credit  is  as  effective  as  small  credit  to  cut 
headcount  poverty  index  down.  Moreover,  micro‐credit  and  medium‐credit  generate  equal  effect  on 
poverty gap index. However, both micro‐credit and small‐credit enhance income inequality at the same 
impact. The first conclusions are expected, as micro credit is the smallest form of credit, which implies 
that collateral needed to obtain this type of credit is also smaller than other types of credit. Therefore, 
there  is  a  high  possibility  that  micro‐credit  is  being  allocated  to  the  poorest  entrepreneurs,  which 
implies that this credit will be more effective on alleviating poverty. However, the latest result exhibits 
that micro‐credit also enhance the inequality. Assuming that the size of credit is parallel to the wealth 
endowment,  this  result  confirms  that  although  micro‐credit  also  allocated  to  wealth‐deficient 
entrepreneurs, but it is being allocated more to the median income group rather than the poor group. 
This  is  the  reason  why  micro‐credit  could  alleviate  poverty  while  at  the  same  time  worsen  income 
distribution.  

Regional Differences 

The  last  issue  to  discuss  is  regional  differences  on  absorbing  credit.  In  Indonesia,  regencies  in  west 
region are usually richer than regencies in east region. In east region, especially in Papua Island, poverty 
level is higher than other islands in Indonesia. Thus, we might expect that the same amount of money 
will create different impact of poverty reduction between west and east region since the level of capital 
scarcity is different.  

35 
 
That proposition could be helpful to reveal the connection between financial development and poverty‐
income inequality. By  controlling for  regional  differences, better result  might  be obtained. A  modified 
econometric  model  is  needed  to  investigate  the  idea  of  regional  differences.  This  could  be  done  by 
introducing  an  interaction  term  in  the  model.  The  interaction  term  can  be  obtained  by  multiplying 
variable  micro‐small‐medium  credit  per  capita  to  dummy  variable  of  region.  The  value  of  dummy 
variable will be 1 for regencies located in west region and 0 otherwise. West region consists of Sumatra, 
Java,  Bangka‐Belitung,  Riau,  and  Kalimantan  Island.  Thus,  regencies  located  outside  these  islands  are 
being considered as east region.  

HCIi = α1 + β1MSMi + β2MSMi*DWEST+ δ1(Ci) +εi                                                 (xiv) 

PGIi, = α2 + γ1MSMi + γ2MSMi*DWEST + δ2(Ci) + еi                                                                (xv) 

GINi = α3 + θ1MSMi + θ2MSMi*DWEST + δ3(Ci) +vi                                                                 (xvi) 
Where: 
HCIi = headcount poverty index in regency i 
PGIi = poverty gap index in regency i 
GINi = gini coefficient in regency i 
MSMi = micro‐small‐medium credit per capita in regency i 
MSMi*DWEST = interaction term by taking into account the region where regencies is located 
Ci = Set of control variables 
εi, еi, vi = Error term 

Similar  to  estimation  of  model  (i),  (ii),  and  (iii),  variable  micro‐small‐medium  credit  per  capita  is  being 
instrumented  with  distance  to  Jakarta.  The  coefficients  of  interest  are  β1,  β2,  γ1,  γ2,  θ1,  θ2.  The  main 
interpretation will lie on the magnitude of β2, γ2, and θ2. If these coefficients are statistically significant, 
then regional differences does appear. The table 4.9 will portray the estimation results.  

Table 4.9 Estimation Results on Regional Differences 

Dependent Variables 
Explanatory Variables 
Log(HCIi) Log(PGIi)  Log(GINIi)

Log(MSM‐credit per Capitai)       

Beta  ‐0.8764**  ‐0.5923**  0.0563* 

Standard Error  0.1291  0.1661  0.0287 

Log(MSM‐credit per Capitai) * Dummy West       

36 
 
 Beta  0.0606**  ‐0.0115  0.0041 

Standard Error  0.0181  0.0227  0.0042 

Growth of GDRP per Capitai  Controlled  Controlled  Controlled 

Primary School (% of Population)i  Controlled  Controlled  Controlled 

Adjusted R2  15.37%  9.96%  2.3% 

Number of Observation  319  291  318 

Notes: ** significant at 95% level of confidence, * significant at 90%, E‐views output in Appendix D 

The result on this section is still consistent to the result from model (i), (ii), (iii). As shown in the table, 
micro‐small‐medium credit per capita is negatively correlated to headcount poverty index and poverty 
gap index, while is positively correlated to gini coefficient. The model can explain 15.37% of the variation 
of  headcount  poverty  index,  9.96%  of  variation  of  poverty  gap  and  2.3%  of  the  variation  of  gini 
coefficient.  The  magnitude  for  the  coefficients  of  variable  micro‐small‐medium  credit  per  capita  is 
similar  to  earlier  result.  The  coefficients  are  ‐0.88  for  model  (xiv),  ‐0.59  for  model  (xv),  and  0.06  for 
model (xvi).  

However,  as  reported  in  Table  4.9,  the  interaction  term  is  statistically  significant  when  explaining 
headcount poverty index. Meanwhile, for poverty gap index and gini coefficient, the interaction terms 
are not statistically significant. This implies that regional difference on the effect of micro‐small‐medium 
credit appears only on headcount poverty index model. In other words, regional difference has nothing 
to do in the variation of poverty gap index and gini coefficient among regions.  

For  the  west  region,  a  1%  increase  in  micro‐small‐medium  credit  per  capita  will  decrease  headcount 
poverty index by 0.81%. For the east region, a 1% increase in micro‐small‐medium credit per capita will 
lead to decreasing in headcount poverty index by 0.88%. This indicates that the same amount of money 
will  generate  different  impact  on  poverty  level,  conditional  on  regency’s  location.  Nonetheless,  this 
contention does not hold for poverty gap index and gini coefficient.  

The evidence to prove the existence of regional differences is weak and not convincing. Thus, to get a 
better picture of regional differences and how it affects the finance‐poverty nexus, micro‐small‐medium 
credit  will  be  decomposed  and  multiplied  by  dummy  variable  of  region.  We  might  expect  that  micro‐
credit  will  give  higher  impact  on  poverty  reduction  (both  headcount  poverty  index  and  poverty  gap 
index). The following table 4.10 will present the regression result. 

Table 4.10 Decomposition and Interaction Term 

Explanatory Variables  Dependent Variables 

37 
 
 HCIi,05 PGIi,05  GINIi,05

Micro‐credit per Capitai,02       

Beta  ‐0.00041**  ‐0.01195**  ‐0.000017 

Standard Error  0.00011  0.00423  0.000052 

Micro‐credit per Capitai,02 * Dummy West       

Beta  0.00036**  0.01035**  0.000037 

Standard Error  0.00012  0.0042  0.000054 

Small‐credit per Capitai,02       

Beta  0.000059  0.00343  0.000049 

Standard Error  0.00013  ‐0.00506  0.000058 

Small‐credit per Capitai,02 *Dummy West       

Beta  ‐0.00017  ‐0.00554  0.000035 

Standard Error  0.00014  0.00504  0.000068 

Medium‐credit per Capitai,02        

Beta  ‐0.000077**  ‐0.00244**  0.000018 

Standard Error  0.000028  0.00068  0.000018 

Medium‐credit per Capitai,02 *Dummy West       

Beta  0.000082  0.00242  ‐0.000034 

Standard Error  0.000052  0.00113  0.000027 

Growth of GDRP per Capitai,02  Controlled  Controlled  Controlled 

Primary School (% of Population)i,02  Controlled  Controlled  Controlled 

Adjusted R2  24.64%  19.44%  17.20% 

Number of Observation  309  309  309 

Notes: ** significant at 95% level of confidence, E‐views output in Appendix D 

Table 4.10 reveals more detail evidence after decomposing credit variables and using dummy variable. 
Second column presents the evidence where headcount poverty index serves as dependent variable. In 

38 
 
this setting, adjusted R‐square increases significantly to 24.64%. This implies that the model can explain 
better the variation of headcount poverty index.  
There is enough evidence to conclude that micro‐credit and medium‐credit negatively affect headcount 
poverty index. Meanwhile, small‐credit has no effect on headcount poverty index, although the sign is 
negative.  In  addition,  the  interaction  term  is  statistically  significant  in  the  case  of  micro‐credit.  The 
interaction  term  for  micro‐credit  is  positive.  This  result  indicates  that  micro‐credit  will  generate  less 
effect on poverty reduction in the west region than in the east region. In other words, the same amount 
of money from micro‐credit will reduce poverty more in the east region than in the west region. Rp.1 
from micro‐credit in west region will bring down the headcount poverty index by 0.005 percentage point. 
Meanwhile,  Rp.1  of  micro‐credit  in  east  region  will  cut  down  the  headcount  poverty  index  by  0.041 
percentage point.  
The third column exhibits the result when the dependent variable is poverty gap index. The result in this 
part  is  in  line  with  the  result  from  the  previous  result.  The  micro‐credit  and  medium‐credit  are 
negatively  correlated  to  poverty  gap  index.  Small‐credit  is  negatively  correlated  to  poverty  gap  index, 
but it is not statistically significant. As well as previous result, there is evidence that the same amount of 
money  from  micro‐credit  alleviates  more  poverty  in  the  east  region  than  in  the  west  region.  Rp.1  of 
micro‐credit in the west region will cut down the poverty gap index by 0.16 percentage point, while in 
the east region it will diminish the poverty gap index by 1.2 percentage point. 
The result in the fourth column tells a different story. In this scenario, where gini coefficient serves as 
dependent variable, all credit variables and interaction terms are not statistically significant. However, 
the  coefficient  for  micro‐credit  per  capita  has  a  negative  sign.  This  indicates  that  micro‐credit  as  the 
smallest  form  of  credit  is  negatively  correlated  to  income  inequality,  although  it  is  not  statistically 
significant. Small‐credit and medium credit coefficients, in contrast, show a positive sign. In this scenario, 
although they are not significant, all interaction terms are positively correlated to income inequality.  
If  we  put  these  results  altogether,  then  it  will  notify  the  explanation  of  the  link  from  financial 
development to poverty and inequality. Based on these results, micro‐credit consistently diminishes and 
narrows down income inequality, although it is not significant in the case of income inequality. On the 
other  side,  medium‐credit  also  brings  negative  impact  on  headcount  poverty  index  and  poverty  gap 
index, although according to its sign, medium‐credit worsens the income distribution. In addition, small‐
credit has no effect on poverty and income inequality statistically.  
Thus, after controlling for regional differences, there is evidence that micro‐credit as the smallest form 
of  credit  is  able  to  alleviate  poverty  and  narrow  down  income  inequality.  Medium‐credit  is  proven  to 
reduce poverty, but not income inequality. Meanwhile, small‐credit has no effect on both poverty and 
income  inequality.  These  results  confirm  that  overall  financial  development  benefits  the  rich  than  it 
benefits  the  poor.  The  smallest  form  of  credit,  which  is  micro‐credit,  is  able  to  alleviate  poverty  and 
narrow down income inequality. However, in general financial development brings advantage more to 
the rich than to the poor.  

39 
 
 Conclusion and Policy Implication 

Remember the Poor – It costs nothing 

Mark Twain (1835 – 1910) 

This last section will draw conclusion from empirical result and propose several policy implications. This 
research  starts  by  prompting  questions  on  how  financial  development  affects  poverty  and  inequality. 
Instead of proposing theoretical link, this research offers empirical evidence. Taking cases in Indonesia, 
this research attempts to reveal finance‐poverty‐inequality relations. Distance to Jakarta is employed as 
instrumental  variable  for  micro‐small‐medium  credit,  assuming  that  distance  to  Jakarta  has  no  direct 
effect on poverty and inequality. Instrumental variable  model  is utilized  to deal with reverse causality 
bias,  measurement  error,  and  omitted  variable  bias.  By  using  instrumental  variable,  the  result  is 
expected to be more precise and accurate. 

However, there are some limitations in this research. First, data used is data gathered only from formal 
financial  institutions.  This  might  be  a  significant  drawback  if  dual  financial  system  exists  and  informal 
financial  institutions  play  important  role  in  the  economy.  Second,  the  data  gathered  limited  only  to 
Indonesia geographical area. Thus, it is not wise to generalize the result for other countries. Third, due 
to the nature of data, this research can only obtain evidence on macro level. The channel through which 
micro‐small‐medium credit affects  poverty and inequality cannot be revealed by this research. Hence, 
conclusion and policy implications are built regarding these limitations. 

Conclusion 

Based on econometric result, there is enough evidence to conclude that micro‐small‐medium credit per 
capita is negatively correlated to poverty. Both models using headcount poverty index and poverty gap 
index  confirm  the  contention  of  Levine  (1997)  and  Durnev,  Morck,  and  Yeung  (2001)  that  better 
functioning system will enable the poor to access financial asset and thus help the poor leaving out the 
poverty line.  

According  to  the  result,  1%  increasing  in  micro‐small‐medium  credit  per  capita  will  reduce  the 
headcount  poverty  index  by  0.62%  and  poverty  gap  index  by  0.64%.  The  magnitude  could  also  be 
meaningful as it measures the elasticity of micro‐small‐medium credit per capita to poverty reduction. 
Micro‐small‐medium credit has an inelastic relationship with poverty reduction.  

On  the  other  side,  financial  development,  in  the  form  of  micro‐small‐medium  credit,  has  a  positive 
effect on income inequality. Although, it is accepted only at 90% level of confidence, but 1% increasing 
in  micro‐small‐medium  credit  per  capita  will  lead  to  0.04%  increasing  of  Gini  coefficient.  This  implies 
that  as  financial  system  is  getting  better,  the  income  disparity  will  be  widened.  This  finding  confirms 

40 
 
theoretical  prediction  from  Galor  and  Zeira  (1993)  that  financial  development  will  result  in  higher 
income disparity. However, these results are quite striking. If financial development is able to alleviate 
poverty, then it should be able to correct income distribution to be more equal.  

Nevertheless,  combining  all  the  results,  we  will  get  two  important  ideas.  First,  micro‐small‐medium 
credit  is  able  to  alleviate  poverty.  Second  interpretation  is  that  instead  of  shifting  the  income 
distribution to the right, micro‐small‐medium credit skewing income distribution to be less equal. There 
are two proposed arguments to explain this.  

First,  financial  development,  as  indicated  by  the  improvement  of  micro‐small‐medium  credit,  brings 
more benefit to the rich than to the poor. Thus, poverty indices are going down by the improvement of 
micro‐small‐medium  credit,  but  Gini  coefficient  rises.  Second,  micro‐small‐medium  credits  are  being 
allocated  more  to  the  median  income  group  than  the  poor  group.  In  this  case,  micro‐small‐medium 
credit  might  alleviate  poverty,  while  at  the  same  time  worsen  income  distribution  as  median  income 
group  enjoys  more  benefit  from  micro‐small‐medium  credit.  These  two  arguments  will  have  different 
implication on policy, which will be elaborated in the next sub‐section of policy implication. 

Furthermore,  the  second  attempt  to  explain  the  link  from  micro‐small‐medium  credit  to  poverty  and 
inequality  is  being  conducted  through  the  desegregation  of  credit  variable.  There  are  several 
noteworthy  conclusions  from  this  part.  First,  micro‐credit  is  as  effective  as  small‐credit  to  cut  down 
poverty  index.  Second,  micro‐credit  and  medium‐credit  generate  equal  impact  on  poverty  gap  index. 
Third, micro‐credit and small‐credit enhance income inequality, more or less, at the same rate.  

With respect to the claim that there is regional difference on the effect of micro‐small‐medium credit to 
poverty  and  inequality,  this  research  finds  that  contention  holds  only  for  headcount  poverty  index. 
Based  on  the  estimation,  the  impact  of  micro‐small‐medium  credit  per  capita  on  headcount  poverty 
index reduction in east region is higher than in west region.  

Nevertheless, to get a better picture on how financial development, in the form of micro‐small‐medium 
credit,  affects  poverty  and  income  inequality,  the  research  is  extended  by  elaborating  decomposition 
analysis and regional differences. There is evidence to draw a conclusion that that micro‐credit as the 
smallest  form  of  credit  is  able  to  alleviate  poverty  and  narrow  down  income  inequality.  Therefore, 
micro‐credit  is  expected  to  have  direct  effect  on  poverty  and  at  the  same  time  on  income  inequality. 
Medium‐credit is proven to reduce poverty, but not income inequality. Based on this result, we might 
expect  that  medium‐credit  diminishes  poverty  indirectly  through  helping  the  median‐income  group. 
Thus, there is a trickle‐down effect of medium‐credit on alleviating poverty. This is the reason why it is 
able to reduce poverty andworsen income distribution at the same time. Meanwhile, small‐credit has no 
effect on both poverty and income inequality.  

All  these  findings  will  be  useful  on  designing  the  policy  implication,  which  will  be  explored  on  the 
following sub‐section.  

41 
 
Policy Implication 

After  conclusions are being  drawn,  here is the proposed policy implication. This section will elaborate 

the results from conclusion to propose policy design, particularly regarding the contradicting results on 
poverty and inequality. 

As explained in the previous sub‐section, there are two arguments to clarify why financial development 
is able to alleviate poverty on one side, and worsen income distribution on  the other side. These two 
arguments could both be true. However, they bring different policy implication. 

The first argument suggests that financial development benefits the rich more than it benefits the poor. 
This  is  the  reason  why  the  entire  income  distribution  is  getting  worse  as  financial  system  is  getting 
better. In this case, there is nothing that actually can be done by the policy maker. Policy maker can only 
expect  that  in  the  long  run,  financial  development  carries  trickle‐down  effect  to  the  poor  as  the  poor 
experiencing higher capacity on managing business.  

If the second argument is true, which states that micro‐small‐medium credits are being allocated more 
to the median income group than low income group, then financial/banking authority can overcome this 
by  reducing  information  asymmetry  in  credit  market.  This  can  be  done  by  creating  credit  information 
sharing.  Public  credit  information  sharing  can  give  information  on  investment  opportunity  that  is 
proposed  by  wealth‐deficient  entrepreneurs.  By  creating  credit  information  sharing,  authority  bridges 
the  innovative  wealth‐deficient  entrepreneurs  with  the  banking  system.  This  could  benefit  both  the 
entrepreneurs  and  the  banks.  In  addition,  policy  maker  could  provide  coaching  for  small  and  medium 
enterprises, so that they can be both profitable and bankable.  

However, it is quite correct to conclude that policy maker should aim its policy to reduce informational 
problem  in  the  capital  market.  Low  information  asymmetry  will  result  in  better  functioning  and  more 
efficient capital market.  

Regarding regional difference on the effect of micro‐small‐medium credit on headcount poverty index 
and  poverty  gap  index,  it  is  possible  to  conclude  that  east  region  should  be  prioritized  on  developing 
financial infrastructure. As the result exhibits, the same amount of credit will generate more impact on 
poverty reduction in east region rather than west region. Ergo, prioritizing financial development in east 
region can  create higher contribution in poverty reduction. Channeling  more credit  to east region is a 
reasonable idea.  

Suggestion for Future Research 

New  idea  and  conclusion  from  this  study  can  be  the  foundation  of  future  research.  Future  research 
should  aim  to  explore  the  channels  through  which  micro‐small‐medium  credit  alleviate  poverty.  This 
might be very useful to design specific policy on micro‐finance.  

42 
 
References 

Aghion,  P.  and  Bolton,  P.  (1997),  A  Theory  of  Trickle‐Down  Growth  and  Development.  The  Review  of 
Economic Studies, 64, (2), 151‐172.  

Akhter, S. and Daly, K.J. (2009), Finance and Poverty: Evidence from Fixed Effect Vector Decomposition. 
Emerging Markets Review, 10, 191‐206. 

Bakhtiari,  S.  (2006),  Microfinance  and  Poverty  Reduction:  Some  International  Evidence.  International 
Business and Economics Research Journal, 5, (12), 1‐7. 

Banerjee, A.V., Newman, A.F.(1993), Occupational Choice and the Process of Development. The Journal 
of Political Economy, 101, (2), 274‐298. 

Beck, T. (2008), The Econometrics of Finance and Growth. In: Mills, T. and Patterson, K. (eds), Palgrave 
Handbook of Econometrics Vol. 2, Palgrave Macmillan.  

 ‐‐‐‐‐‐, Demirguc‐Kunt, A.  and Levine,  R. (2007), Finance, Inequality, and the  Poor. Journal of  Economic 

Growth, 12, (1), 27‐49. 

Bourguignon, F. (2004), The Poverty‐Growth‐Inequality Triangle. Mimeo, paper presented at the Indian 
Council for Research on International Economic Relations, New Delhi. 

Burgess,  R.  and  Pande,  R.  (2005),  Do  Rural  Banks  Matter?  Evidence  from  Indian  Social  Banking 
Experiment. The American Economic Review, 95, (3), 780‐795. 

Claessens,  S.  and  Perotti,  E.  (2007),  Finance  and  Inequality:  Channels  and  Evidence.  Journal  of 
Comparative Economics, 35, 748‐773. 

Coleman,  B.E.  (2006),  Microfinance  in  Northeast  Thailand:  Who  Benefits  and  How  Much.  World 
Development, 34, (9), 1612‐1638. 

Cull,  R.,  Demirguc‐Kunt,  A.  and  Morduch,  J.  (2008).  Microfinance  Meets  the  Market.  Policy  Research 
Working Paper, 4630, 1‐40. 

Cutler, P. (1984), The Measurement of Poverty: A Review of Attempts to Quantify the Poor, with Special 
Reference to India. World Development, 12, (11), 1119 – 1130. 

Duong,  P.B.  and  Izumida,  Y.  (2002),  Rural  Development  Finance  in  Vietnam:  A  Macroeconometric 
Analysis of Household Surveys. World Development, 30, (2), 319‐335. 

Galor,  O.  and  Moav,  O.  (2004),  From  Physical  to  Human  Capital  Accumulation:  Inequality  and  the 
Process of Development. Review of Economic Studies, 71, (4), 1001‐1026. 

43 
 
‐‐‐‐‐‐ and Zeira, J. (1993), Income Distribution and Macroeconomics. The Review of Economic Studies, 60, 
(1), 35‐52. 

Geda,  A.,  Shimeles,  A.,  and  Zerfu,  D.  (2006),  Finance  and  Poverty  in  Ethiopia.  UNU‐WIDER  Research 
Paper, (51), 1‐25. 

Greenwood, J. and Jovanovic, B. (1990), Financial Development, Growth, and the Distribution of Income. 
The Journal of Political Economy, 98, (5), 1076‐1107. 

Gurley,  J.G.  and  Shaw,  E.S.  (1955),  Financial  Aspects  of  Econohmic  Development.  The  American 
Economic Review, 45, (4), 515‐538. 

Hiatt,  S.R.  and  Woodworth,  W.P.  (2006),  Alleviating  Poverty  through  Microfinance:  Village  Banking 
outcomes in Central America. The Social Science Journal, 43, 471‐477. 

Kuznets, S. (1955), Economic Growth and Income Inequality. The American Economic Review, 45, (1), 1‐
28. 

Levine, R. (1997), Financial Development and Economic Growth: Views and Agenda. Journal of Economic 
Literature, 35, (2), 688‐726. 

‐‐‐‐‐‐‐ (2005), Finance and Growth: Theory and Evidence In: Aghion, P. and Durlauf, S. (eds), Handbook of 
Economic Growth. The Netherlands: Elsevier Science. 

Liverpool,  L.  S.  O.  and  Winter‐Nelson,  A.  (2010),  Poverty  Status  and  the  Impact  of  Formal  Credit  on 
Technology Use and Wellbeing among Ethiopian Smallholders. World Development, 38, (4), 541‐
554. 

Maldonado, J.H. and Gonzales‐Vega, C. (2008), Impact of Microfinance on Schooling: Evidence from Poor 
Rural Households in Bolivia. World Development, 36, (11), 2440‐2455. 

Morck,  R.,  Wolfenzen,  D.  and  Yeung,  B.  (2005),  Corporate  Governance,  Economic  Entrenchment,  and 
Growth. Journal of Economic Literature, 43, (3), 655‐720. 

Morduch,  J.  and  Haley,  B.  (2002),  Analysis  of  the  Effects  of  Microfinance  on  Poverty  Reduction.  NYU 
Wagner Working Paper Series, (1014), 1‐170.  

Ray, D. (1998), Development Economics. Princeton, New Jersey: Princeton University Press. 

Roemer,  M.  and  Gugerty,  M.K.  (1997),  Does  Economic  Growth  Reduce  Poverty?  Mimeo,  Paper 
presented for Harvard Institute for International Development and USAID. 

Simanowitz,  A and Walter, A.  (2002), Ensuring Impact: Reaching  the Poorest  while Building Financially 

Self‐Sufficient  Institutions,  and  Showing  Improvement  in  the  Lives  of  the  Poorest  Woman  and 

44 
 
 Their Families. In: Daley‐Harris, S. (ed), Microcredit Summit Campaign: Pathways Out of Poverty, 
Kumarian: Bloomfiled, CT. 

Swope, T. (2005), Microfinance and Poverty Alleviation. Independent Study on Microfinance, 1‐61. 

Tam, O. (1988), Rural Finance in China. The China Quarterly, (113), 60‐76. 

Verbeek, M. (2008), A Guide to Modern Econometrics. Chichester: Wiley. 

Wooldridge,  J.M.  (2009),  Introductory  Econometrics:  A  Modern  Approach  3rd  edition.  Mason:  South‐
Western.  

45 
 
Appendix A

Percentage
GDRP per Development of
Headcount Poverty Gap Gini MSM-Credit
Capita Expenditure Population
Poverty Index Index Coefficient per Capita
Growth per Capita with Primary
Education
Mean 0.1985 4.9527 0.2609 211.7031 0.1553 294.7391 0.5854
Median 0.1745 3.5650 0.2573 156.7650 0.1401 136.4877 0.6292
Maximum 0.8708 35.4600 0.4227 933.2390 1.5572 5227.099 0.9171
Minimum 0.0283 0.4100 0.1630 3.2030 -0.9137 0.5898 0.0000
Std. Deviation 0.1251 4.2821 0.0384 188.6773 0.1604 547.6068 0.1709
Skewness 1.7984 3.1806 0.6035 1.5626 1.7830 5.3350 -0.8246
Kurtosis 8.1793 19.0748 4.0561 5.3195 28.2759 38.8802 3.0612
Jarque-Bera 528.511 3885.238 34.0827 187.4463 8633.591 18624.76 36.1994
Appendix B

Dependent Variable: HCI

Method: Least Squares
Date: 06/01/10 Time: 22:41
Sample: 1 319
Included observations: 297
Variable Coefficient Std. Error t-Statistic Prob.
MSMCAP 0.000461 4.17E-05 11.05460 0.0000
R-squared -1.658402 Mean dependent var 0.207002
Adjusted R-squared -1.658402 S.D. dependent var 0.124903
S.E. of regression 0.203649 Akaike info criterion -0.341472
Sum squared resid 12.27604 Schwarz criterion -0.329035
Log likelihood 51.70856

Dependent Variable: PGI

Method: Least Squares
Date: 07/18/10 Time: 02:29
Sample(adjusted): 1 318
Included observations: 291
Excluded observations: 27 after adjusting endpoints
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
MSMCAP 0.011384 0.000956 11.91079 0.0000
R-squared -0.865274 Mean dependent var 5.155627
Adjusted R-squared -0.865274 S.D. dependent var 4.354222
S.E. of regression 5.946779 Akaike info criterion 6.407007
Sum squared resid 10255.61 Schwarz criterion 6.419630
Log likelihood -931.2195 Durbin-Watson stat 0.761611

Dependent Variable: GINI

Method: Least Squares
Date: 06/01/10 Time: 22:41
Sample: 1 319
Included observations: 297
Variable Coefficient Std. Error t-Statistic Prob.
LOG(MSMCAP) 0.050357 0.000704 71.53092 0.0000
R-squared -1.598625 Mean dependent var 0.258086
Adjusted R-squared -1.598625 S.D. dependent var 0.037904
S.E. of regression 0.061102 Akaike info criterion -2.749184
Sum squared resid 1.105101 Schwarz criterion -2.736748
Log likelihood 409.2539
Dependent Variable: MSMCAP
Method: Least Squares
Date: 06/01/10 Time: 22:43
Sample: 1 319
Included observations: 297
Variable Coefficient Std. Error t-Statistic Prob.
C 317.7274 17.31563 18.34917 0.0000
DISTJAK -0.100355 0.013349 -7.517773 0.0000
R-squared 0.160780 Mean dependent var 211.7031
Adjusted R-squared 0.157935 S.D. dependent var 188.6773
S.E. of regression 173.1380 Akaike info criterion 13.15277
Sum squared resid 8843147. Schwarz criterion 13.17764
Log likelihood -1951.186 F-statistic 6.73E-13

Dependent Variable: GROWTH

Method: Least Squares
Date: 07/18/10 Time: 02:31
Sample: 1 319
Included observations: 318
Excluded observations: 1
Variable Coefficient Std. Error t-Statistic Prob.
C 0.121245 0.011490 10.55258 0.0000
GOVEXPCAP 4.53E-05 9.95E-06 4.552309 0.0000
R-squared 0.061545 Mean dependent var 0.155272
Adjusted R-squared 0.058575 S.D. dependent var 0.160374
S.E. of regression 0.155606 Akaike info criterion -0.876704
Sum squared resid 7.651420 Schwarz criterion -0.853044
Log likelihood 141.3960 F-statistic 20.72352
Durbin-Watson stat 1.863679 Prob(F-statistic) 0.000008

Dependent Variable: DEVEXPCAP

Method: Least Squares
Date: 06/01/10 Time: 18:01
Sample: 1 319
Included observations: 319
Variable Coefficient Std. Error t-Statistic Prob.
C 133.0049 28.63926 4.644147 0.0000
PADCAP 8.641427 0.710877 12.15600 0.0000
R-squared 0.317940 Mean dependent var 294.7391
Adjusted R-squared 0.315788 S.D. dependent var 547.6068
S.E. of regression 452.9644 Akaike info criterion 15.07575
Sum squared resid 65041031 Schwarz criterion 15.09936
Log likelihood -2402.583 F-statistic 3.61E-28
Dependent Variable: PRIMEDUC
Method: Least Squares
Date: 05/31/10 Time: 21:51
Sample: 1 319
Included observations: 319
Variable Coefficient Std. Error t-Statistic Prob.
SECEDUC 1.656627 0.094345 17.55925 0.0000
R-squared -5.486504 Mean dependent var 0.585376
Adjusted R-squared -5.486504 S.D. dependent var 0.170853
S.E. of regression 0.435139 Akaike info criterion 1.176829
Sum squared resid 60.21213 Schwarz criterion 1.188633
Log likelihood -186.7043
Appendix C

Dependent Variable: LOG(HCI)

Method: Least Squares
Date: 07/18/10 Time: 02:34
Sample: 1 319
Included observations: 319
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 2.333592 0.752503 3.101106 0.0021
LOG(MSMCAP3) -0.594111 0.098679 -6.020613 0.0000
GROWTH2 -9.241351 3.711649 -2.489824 0.0133
LOG(DEVEXPCAP2) -0.113416 0.104855 -1.081647 0.2802
LOG(PRIMEDUC2) -2.000818 0.902396 -2.217227 0.0273
R-squared 0.135338 Mean dependent var -1.801682
Adjusted R-squared 0.124324 S.D. dependent var 0.630196
S.E. of regression 0.589722 Akaike info criterion 1.797220
Sum squared resid 109.2006 Schwarz criterion 1.856236
Log likelihood -281.6567 F-statistic 12.28696
Durbin-Watson stat 1.080574 Prob(F-statistic) 0.000000

Dependent Variable: LOG(HCI)

Method: Least Squares
Date: 07/18/10 Time: 02:35
Sample: 1 319
Included observations: 319
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 2.333018 0.754210 3.093326 0.0022
LOG(MSMCAP3) -0.619807 0.094494 -6.559210 0.0000
GROWTH2 -10.75750 3.248766 -3.311258 0.0010
LOG(PRIMEDUC2) -1.535388 0.849805 -1.806753 0.0718
R-squared 0.131275 Mean dependent var -1.801682
Adjusted R-squared 0.123002 S.D. dependent var 0.630196
S.E. of regression 0.590167 Akaike info criterion 1.795639
Sum squared resid 109.7137 Schwarz criterion 1.842851
Log likelihood -282.4044 F-statistic 15.86684
Durbin-Watson stat 1.055221 Prob(F-statistic) 0.000000
Dependent Variable: LOG(PGI)
Method: Least Squares
Date: 07/18/10 Time: 02:35
Sample(adjusted): 1 318
Included observations: 312
Excluded observations: 6 after adjusting endpoints
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 9.509277 2.465108 3.857550 0.0001
LOG(MSMCAP3) -0.619643 0.121550 -5.097842 0.0000
GROWTH2 -8.793395 4.283600 -2.052805 0.0409
LOG(DEVEXPCAP2) -0.098977 0.130654 -0.757554 0.4493
PRIMEDUC2 -5.095666 2.520989 -2.021297 0.0441
R-squared 0.112607 Mean dependent var 1.326303
Adjusted R-squared 0.101044 S.D. dependent var 0.741136
S.E. of regression 0.702696 Akaike info criterion 2.148110
Sum squared resid 151.5909 Schwarz criterion 2.208094
Log likelihood -330.1052 F-statistic 9.739252
Durbin-Watson stat 1.310047 Prob(F-statistic) 0.000000

Dependent Variable: LOG(PGI)

Method: Least Squares
Date: 07/18/10 Time: 02:35
Sample(adjusted): 1 318
Included observations: 312
Excluded observations: 6 after adjusting endpoints
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 8.801831 2.157801 4.079075 0.0001
LOG(MSMCAP3) -0.640916 0.122336 -5.238986 0.0000
GROWTH2 -10.05506 4.127588 -2.436061 0.0154
PRIMEDUC2 -4.287539 2.150395 -1.993837 0.0471
R-squared 0.110363 Mean dependent var 1.326303
Adjusted R-squared 0.101698 S.D. dependent var 0.741136
S.E. of regression 0.702440 Akaike info criterion 2.144225
Sum squared resid 151.9740 Schwarz criterion 2.192212
Log likelihood -330.4990 F-statistic 12.73627
Durbin-Watson stat 1.308352 Prob(F-statistic) 0.000000
Dependent Variable: LOG(GINI)
Method: Least Squares
Date: 07/18/10 Time: 02:36
Sample: 1 319
Included observations: 318
Excluded observations: 1
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C -2.230620 0.466255 -4.784118 0.0000
LOG(MSMCAP3) 0.034143 0.023761 1.436902 0.1517
GROWTH2 1.041531 0.878103 1.186115 0.2365
LOG(DEVEXPCAP2) 0.021802 0.025754 0.846551 0.3979
PRIMEDUC2 0.705486 0.568195 1.241628 0.2153
R-squared 0.014475 Mean dependent var -1.354221
Adjusted R-squared 0.001880 S.D. dependent var 0.145223
S.E. of regression 0.145086 Akaike info criterion -1.007380
Sum squared resid 6.588644 Schwarz criterion -0.948228
Log likelihood 165.1734 F-statistic 1.149279
Durbin-Watson stat 1.679205 Prob(F-statistic) 0.333373

Dependent Variable: LOG(GINI)

Method: Least Squares
Date: 07/18/10 Time: 02:37
Sample: 1 319
Included observations: 318
Excluded observations: 1
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C -2.078136 0.431042 -4.821197 0.0000
LOG(MSMCAP3) 0.038817 0.022340 1.737554 0.0833
GROWTH2 1.330655 0.785381 1.694280 0.0912
PRIMEDUC2 0.530351 0.507294 1.045451 0.2966
R-squared 0.011740 Mean dependent var -1.354221
Adjusted R-squared 0.002298 S.D. dependent var 0.145223
S.E. of regression 0.145056 Akaike info criterion -1.010899
Sum squared resid 6.606926 Schwarz criterion -0.963577
Log likelihood 164.7329 F-statistic 1.243390
Durbin-Watson stat 1.669883 Prob(F-statistic) 0.294040
Appendix D

Dependent Variable: HCI05

Method: Least Squares
Date: 07/02/10 Time: 15:39
Sample: 1 319
Included observations: 310
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 0.262799 0.062734 4.189108 0.0000
MICROCAP -0.000134 3.56E-05 -3.751123 0.0002
SMALLCAP -0.000116 4.95E-05 -2.347853 0.0195
MEDIUMCAP -6.46E-05 2.50E-05 -2.588014 0.0101
GROWTH2 -0.186679 0.600055 -0.311103 0.7559
LOG(PRIMEDUC2) 0.040293 0.149007 0.270408 0.7870
R-squared 0.112476 Mean dependent var 0.177758
Adjusted R-squared 0.097878 S.D. dependent var 0.097150
S.E. of regression 0.092274 Akaike info criterion -1.908953
Sum squared resid 2.588380 Schwarz criterion -1.836633
Log likelihood 301.8878 F-statistic 7.705153
Durbin-Watson stat 0.968587 Prob(F-statistic) 0.000001

Dependent Variable: PGI05

Method: Least Squares
Date: 07/02/10 Time: 15:40
Sample: 1 319
Included observations: 310
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 1.519513 1.760183 0.863270 0.3887
MICROCAP -0.002534 0.000954 -2.657486 0.0083
SMALLCAP -0.001624 0.001525 -1.065180 0.2876
MEDIUMCAP -0.002001 0.000605 -3.306928 0.0011
GROWTH2 33.70253 19.81176 1.701137 0.0899
LOG(PRIMEDUC2) 5.361293 4.269401 1.255748 0.2102
R-squared 0.114502 Mean dependent var 3.260968
Adjusted R-squared 0.099938 S.D. dependent var 2.660997
S.E. of regression 2.524530 Akaike info criterion 4.709152
Sum squared resid 1937.468 Schwarz criterion 4.781472
Log likelihood -723.9185 F-statistic 7.861957
Durbin-Watson stat 0.955703 Prob(F-statistic) 0.000001
Dependent Variable: GINI05
Method: Least Squares
Date: 07/02/10 Time: 15:42
Sample: 1 319
Included observations: 306
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 0.169383 0.037160 4.558170 0.0000
MICROCAP 6.44E-05 2.28E-05 2.823871 0.0051
SMALLCAP 6.63E-05 3.87E-05 1.715008 0.0874
MEDIUMCAP 1.00E-05 1.37E-05 0.729249 0.4664
GROWTH2 1.205156 0.220410 5.467799 0.0000
LOG(PRIMEDUC2) 0.145262 0.097883 1.484037 0.1388
R-squared 0.166845 Mean dependent var 0.295698
Adjusted R-squared 0.152959 S.D. dependent var 0.046105
S.E. of regression 0.042433 Akaike info criterion -3.462384
Sum squared resid 0.540159 Schwarz criterion -3.389372
Log likelihood 535.7447 F-statistic 12.01537
Durbin-Watson stat 1.506171 Prob(F-statistic) 0.000000

Dependent Variable: LOG(HCI)

Method: Least Squares
Date: 07/18/10 Time: 02:42
Sample: 1 319
Included observations: 319
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 3.437200 0.868302 3.958530 0.0001
LOG(MSMCAP3) -0.876383 0.129098 -6.788529 0.0000
GROWTH2 -10.59137 3.400933 -3.114254 0.0020
LOG(PRIMEDUC2) -1.587116 0.870031 -1.824207 0.0691
LOG(MSMCAP3)*DW 0.060641 0.018082 3.353747 0.0009
EST
R-squared 0.164336 Mean dependent var -1.801682
Adjusted R-squared 0.153690 S.D. dependent var 0.630196
S.E. of regression 0.579750 Akaike info criterion 1.763109
Sum squared resid 105.5384 Schwarz criterion 1.822125
Log likelihood -276.2159 F-statistic 15.43726
Durbin-Watson stat 1.102185 Prob(F-statistic) 0.000000
Dependent Variable: LOG(PGI)
Method: Least Squares
Date: 07/18/10 Time: 02:43
Sample(adjusted): 1 318
Included observations: 312
Excluded observations: 6 after adjusting endpoints
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 8.590541 2.249590 3.818714 0.0002
LOG(MSMCAP3) -0.592310 0.166066 -3.566713 0.0004
GROWTH2 -10.11918 4.101304 -2.467309 0.0142
PRIMEDUC2 -4.283964 2.154894 -1.988016 0.0477
LOG(MSMCAP3)*DW -0.011493 0.022668 -0.506991 0.6125
EST
R-squared 0.111224 Mean dependent var 1.326303
Adjusted R-squared 0.099644 S.D. dependent var 0.741136
S.E. of regression 0.703243 Akaike info criterion 2.149667
Sum squared resid 151.8270 Schwarz criterion 2.209651
Log likelihood -330.3480 F-statistic 9.604762
Durbin-Watson stat 1.311372 Prob(F-statistic) 0.000000

Dependent Variable: LOG(GINI)

Method: Least Squares
Date: 07/18/10 Time: 02:44
Sample: 1 319
Included observations: 318
Excluded observations: 1
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C -2.151688 0.433056 -4.968612 0.0000
LOG(MSMCAP3) 0.055721 0.028708 1.940987 0.0532
GROWTH2 1.310045 0.789208 1.659949 0.0979
PRIMEDUC2 0.531089 0.511684 1.037924 0.3001
LOG(MSMCAP3)*DW -0.003986 0.004211 -0.946623 0.3446
EST
R-squared 0.014427 Mean dependent var -1.354221
Adjusted R-squared 0.001832 S.D. dependent var 0.145223
S.E. of regression 0.145090 Akaike info criterion -1.007332
Sum squared resid 6.588961 Schwarz criterion -0.948180
Log likelihood 165.1658 F-statistic 1.145466
Durbin-Watson stat 1.672251 Prob(F-statistic) 0.335126
Dependent Variable: HCI05
Method: Least Squares
Date: 07/18/10 Time: 02:49
Sample: 1 319
Included observations: 309
Excluded observations: 10
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 0.132455 0.044034 3.008016 0.0029
MICROCAP -0.000408 0.000113 -3.625646 0.0003
SMALLCAP 5.64E-05 0.000123 0.458254 0.6471
MEDIUMCAP -7.26E-05 2.87E-05 -2.533896 0.0118
GROWTH 0.046511 0.049692 0.935984 0.3500
PRIMEDUC 0.155249 0.054807 2.832665 0.0049
DWEST 0.192780 0.069646 2.767998 0.0060
MICROCAP*DWEST 0.000307 0.000118 2.608308 0.0096
SMALLCAP*DWEST -0.000180 0.000133 -1.349951 0.1781
MEDIUMCAP*DWES 8.34E-05 4.81E-05 1.733889 0.0840
T
GROWTH2*DWEST -1.492439 0.441558 -3.379939 0.0008
R-squared 0.283509 Mean dependent var 0.177466
Adjusted R-squared 0.259466 S.D. dependent var 0.097171
S.E. of regression 0.083620 Akaike info criterion -2.090123
Sum squared resid 2.083698 Schwarz criterion -1.957220
Log likelihood 333.9239 F-statistic 11.79160
Durbin-Watson stat 1.025637 Prob(F-statistic) 0.000000

Dependent Variable: PGI05

Method: Least Squares
Date: 07/18/10 Time: 02:49
Sample: 1 319
Included observations: 309
Excluded observations: 10
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 3.159393 1.260311 2.506835 0.0127
MICROCAP -0.011929 0.004217 -2.829150 0.0050
SMALLCAP 0.003389 0.005048 0.671374 0.5025
MEDIUMCAP -0.002362 0.000695 -3.397292 0.0008
GROWTH 2.538392 1.731362 1.466124 0.1437
PRIMEDUC 2.488824 1.646033 1.512014 0.1316
DWEST 3.247724 1.822528 1.781988 0.0758
MICROCAP*DWEST 0.009479 0.004278 2.216037 0.0274
SMALLCAP*DWEST -0.005645 0.005012 -1.126198 0.2610
MEDIUMCAP*DWES 0.002447 0.001097 2.231350 0.0264
T
GROWTH2*DWEST -31.65241 11.26353 -2.810168 0.0053
R-squared 0.223643 Mean dependent var 3.255987
Adjusted R-squared 0.197591 S.D. dependent var 2.663865
S.E. of regression 2.386218 Akaike info criterion 4.612246
Sum squared resid 1696.823 Schwarz criterion 4.745148
Log likelihood -701.5920 F-statistic 8.584421
Durbin-Watson stat 0.994384 Prob(F-statistic) 0.000000

Dependent Variable: GINI05

Method: Least Squares
Date: 07/18/10 Time: 02:48
Sample: 1 319
Included observations: 305
Excluded observations: 14
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 0.334788 0.011643 28.75405 0.0000
MICROCAP -1.80E-05 5.15E-05 -0.350265 0.7264
SMALLCAP 4.96E-05 5.80E-05 0.855200 0.3931
MEDIUMCAP 1.59E-05 1.79E-05 0.888015 0.3753
GROWTH 0.047025 0.017646 2.664890 0.0081
PRIMEDUC -0.076464 0.018688 -4.091655 0.0001
DWEST -0.096771 0.033389 -2.898287 0.0040
MICROCAP*DWEST 6.24E-05 5.57E-05 1.121781 0.2629
SMALLCAP*DWEST 3.84E-05 6.84E-05 0.560994 0.5752
MEDIUMCAP*DWES -3.44E-05 2.61E-05 -1.318758 0.1883
T
GROWTH2*DWEST 0.522424 0.207741 2.514781 0.0124
R-squared 0.213590 Mean dependent var 0.295738
Adjusted R-squared 0.186842 S.D. dependent var 0.046175
S.E. of regression 0.041639 Akaike info criterion -3.484169
Sum squared resid 0.509734 Schwarz criterion -3.349994
Log likelihood 542.3358 F-statistic 7.985088
Durbin-Watson stat 1.499598 Prob(F-statistic) 0.000000