Studi Fluktuasi Harga Minyak Dunia

tertentu. Jika 1 maka variabel tidak memiliki unit root atau stasioner. Oleh karena itu perlu diuji apakah 1 atau tidak. Dickey-Fuller DF memodifikasi persamaan 9 dengan mengurangkan kedua sisi dengan − : − − = − − − + � ∆ = − 1 − + � ∆ = − + � 10 dimana = − 1. Menguji = 0 ekuivalen dengan menguji = 1. Dari persamaan 10 maka dapat dibuat hipotesis: H0: = 0 atau ada unit root H1: 0 atau tidak ada unit root Statistik uji: ℎ = ��−� � �� Kriteria keputusannya yaitu jika ℎ lebih besar dari nilai kritis MacKinnon maka tidak ada cukup bukti untuk menolak H0 berarti { } mengandung unit root atau tidak stasioner. Jika ℎ lebih negatif dari nilai kritis MacKinnon maka H0 ditolak berarti { } tidak mengandung unit root atau dikatakan stasioner. Untuk menguji kehadiran unit root, selain persamaan 10 terdapat persamaan regresi lain yang dapat digunakan yaitu: ∆ = + − + � 11 ∆ = + − + + � 12 Perbedaan ketiga persamaan diatas terletak pada apakah konstanta dan time trend dimasukkan dalam persamaan. Persamaan 10 adalah model pure random walk , persamaan 11 adalah model random walk plus drift, sedangkan persamaan 12 merupakan model random walk plus drift and time trend. Karena terdapat 3 model persamaan maka DF juga menyediakan nilai kritis yang berbeda sesuai model yang digunakan tergantung dari bentuk regresi dan jumlah sampel. t statistik dari persamaan 10, 11 dan 12 masing-masing dibandingkan dengan �,� � dan � . Jika dari hasil pengujian stasioneritas DF ternyata ada unit root maka common trend harus dibuang dengan cara differencing atau detrending. Differencing dilakukan dengan meregresikan selisih variabel kemudian diuji dengan DF-test jika dihasilkan tolak H0 maka variabel bersangkutan stasioner pada first difference. Augmented Dickey Fuller ADF mengatasi masalah pengujian unit root dengan DF-test yang tidak mempertimbangkan lag dalam persamaan. ∆ = + − + ∑ ∆ − + + � = dimana = −1 − ∑ = = − ∑ = Jika ∑ , = 0 maka sistem memiliki unit root. Kehadiran unit root diuji dengan cara yang sama seperti diatas.

3.4.2 Uji Stabilitas Model VARVEC

Sebelum hasil estimasi VAR dianalisis, terlebih dahulu dilakukan pengujian stabilitas model. Hal ini penting karena hasil analisis IRF dan FEVD yang dihasilkan tidak akan valid jika model VARVEC yang diestimasi tidak stabil. Pengujian stabilitas model VAR dapat dilakukan dengan CUSUM sedangkan untuk VECM menggunakan recursive eigen value dan tau_t statistics Lütkepohl Kratzig 2004.

3.4.3 Uji Ordo Optimal VARVECM

Untuk menentukan panjang lag optimal digunakan kriteria informasi seperti AIC Akaike Information Criterion, HQ Hannan-Quinn Information Criterion, SBC Schwarz Bayesian Information Criterion dan FPE Final Prediction Error. Lütkepohl dan Kratzig 2004 menyatakan bahwa kriteria informasi dihitung dari reduced form VARVECM. Panjang lag optimal dipilih dengan meminimisasi salah satu kriteria informasi berikut: = log det �Σ� � + = log det �Σ� � + � � = log det �Σ� � + � = � + ∗ − ∗ � det �Σ� � dimana: