V. HASIL DAN PEMBAHASAN
Sebelum memasuki tahapan analisis model VARVECM, maka sebelumnya dilakukan pengujian-pengujian pra-estimasi. Pengujian-pengujian tersebut
meliputi uji akar unit unit root test, pengujian stabilitas VAR dan pengujian lag optimal. Pengujian-pengujian ini penting karena dalam model multivariate time
series kebanyakan data yang digunakan mengandung akar unit sehingga akan membuat hasil estimasi menjadi semu dan tidak valid Gujarati 2006.
5.1 Uji Stasioneritas Data
Metode pengujian yang digunakan untuk melakukan uji stasioneritas data dalam penelitian ini adalah metode ADF augmented Dickey Fuller dengan
menggunakan taraf nyata lima persen. Jika t-ADF lebih kecil dari nilai kritis MacKinnon, maka dapat disimpulkan bahwa data yang digunakan adalah
stasioner tidak mengandung akar unit. Pengujian akar-akar unit ini dilakukan pada tingkat level sampai dengan first difference. Hasil uji stasioneritas dapat
dilihat pada Lampiran 1. Pengujian akar unit menunjukkan bahwa variabel- variabel yang digunakan pada penelitian ini tidak seluruhnya stasioner pada
tingkat level. Ketidakstasioneran data dapat dilihat dari nilai t-ADF yang lebih besar dari nilai kritis MacKinnon pada taraf nyata lima persen. Oleh karena itu,
pengujian akar unit ini perlu dilanjutkan pada tingkat first difference. Setelah dilakukan pengujian pada first difference, barulah semua data
stasioner pada taraf nyata lima persen. Artinya data yang digunakan pada penelitian ini terintegrasi pada ordo satu atau dapat disingkat menjadi I1.
Menurut Sims dalam Hasanah 2007, penggunaan data perbedaan pertama tidak direkomendasikan karena akan menghilangkan informasi jangka panjang. Oleh
karena itu, untuk menganalisis informasi jangka panjang akan digunakan data level sehingga model VAR akan dikombinasikan dengan model koreksi kesalahan
menjadi VECM.
5.2 Penentuan Lag Optimal
Penentuan lag optimal sangat penting dalam pendekatan VAR karena lag dari variabel endogen dalam sistem persamaan akan digunakan sebagai variabel
eksogen. Pengujian panjang lag optimal ini sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR. Sehingga dengan digunakannya lag
optimal diharapkan tidak muncul lagi masalah autokorelasi. Penetapan lag optimal digunakan nilai dari likelihood ratio LR, final prediction error FPE,
Akaike information criterion AIC, Schwarz information criterion SC, dan Hannan-Quin criterion HQ. Besarnya lag yang dipilih berdasarkan lag
terpendek. Berdasarkan kriteria informasi yang tersedia maka lag yang dipilih untuk masing-masing negara adalah lag pertama sebagai lag optimal. Masing-
masing lag ini yang akan digunakan pada persamaan VAR sebagai lag optimal. Hasil penentuan lag optimal terdapat pada Lampiran 2.
5.3 Pengujian Stabilitas VAR
Stabilitas VAR perlu diuji sebelum melakukan analisis lebih jauh, karena jika hasil estimasi VAR yang dikombinasikan dengan model koreksi kesalahan
tidak stabil, maka impulse response function IRF dan forecasting error variance decomposition FEVD menjadi tidak valid. Pengujian stabil atau tidaknya
estimasi VAR yang telah dibentuk, maka dilakukan VAR stability condition check berupa roots of characteristic polynomial. Suatu sistem VAR dikatakan stabil jika
seluruh roots-nya memiliki modulus lebih kecil dari 1 Lukepohl dalam Eviews 6 User’s Guide 2007. Ringkasan pengujian stabilitas VAR dapat dilihat pada
Lampiran 3. Hasil pengujian menunjukkan bahwa persamaan VAR di masing- masing negara memiliki nilai modulus kurang dari satu, sehingga dapat
disimpulkan bahwa model VAR yang dibentuk sudah stabil pada lag optimalnya.