persaingan atau efek daya saing sisi penawaran. Rumusnya adalah sebagai berikut :
X
ij 2
– X
ij 1
= mX
ij 1
+ {m
i
- mX
ij 1
} + {X
ij 2
– X
ij 1
– m
i
X
ij 1
} …….. 3.3 1
2 3
Dimana: X
ij 1
= Ekspor TPT Indonesia ke AS tahun ke-t-1 X
ij 2
= Ekspor TPT Indonesia ke AS tahun ke-t m = Persentase peningkatan impor umum di AS
mi = Persentase peningkatan impor TPT di AS 1 = Efek pertumbuhan impor; 2 = Efek komposisi; 3 = Efek daya saing
3.2.3 Uji Unit Root
Uji unit root merupakan hal penting yang berkaitan dengan penelitian yang menggunakan data time series. Data deret waktu dikatakan stasioner jika
data menunjukkan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data.
Penggunaan data yang tidak stasioner dapat menghasilkan regresi yang semu spurios regresion, yaitu regresi yang menggambarkan hubungan dua
variabel atau lebih yang nampaknya signifikan secara statistik padahal dalam kenyataannya tidak sebesar regresi yang dihasilkan tersebut, sehingga dapat
menghasilkan misleading Irawan dalam Margarettha 2005. Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan stasioneritas, salah satunya
adalah Augmented Dickey Fuller test ADF. Jika nilai ADF statistiknya lebih kecil dari Mc Kinnon Critical Value maka dapat disimpulkan bahwa data tersebut
stasioner. Namun jika ternyata nilai ADF statistiknya lebih besar dari Mc Kinnon
Critical Value maka data tersebut tidak stasioner. Kemudian langkah yang dapat
dilakukan jika data bedasarkan uji ADF ternyata time series non stasioner adalah melakukan difference non stasionary processes.
Uji ADF pada dasarnya melakukan estimasi terhadap persamaan regresi sebagai berikut :
m
Δ
y
t
= β
1
+ β
2t
+ Y
t-1
+
α
1
Σ Δ
y
t-1
ε
t
…………….. 3.4
t-1
Dimana
ε
t
= white noise dan Δ
Y
t
= Y
t-1
– Y
t-2.
Pada ADF yang akan diuji adalah apakah = 0 dengan hipotesis alternatif 0, jika nilai absolut dari nilai t
hitung untuk lebih besar dari absolut ADF, maka hipotesis nol yang menunjukkan bahwa data tidak stasioner ditolak terhadap hipotesis alternatifnya.
3.2.4 Kriteria Informasi
Penentuan lag yang optimum dapat dilakukan dengan mengaplikasikan kriteria informasi. Penentuan lag optimum bertujuan untuk memperoleh model
yang sederhana parsimonius dan fit dengan menggunakan adjusted R
2
, Likelyhood
Ratio, Final prediction Error, Aikake Information Criteria AIC, Schwarz Information
Criterion SC dan Hannan Quin Criterion HQ. Dalam penelitian ini untuk menetapkan lag yang optimum akan digunakan kriteria AIC,
yang dirumuskan sebagai berikut :
AIC
= log
[
∑
ε i
2
N
]
+ 2
k
N …………………. 3.5
Dimana ∑
ε
i 2
adalah jumlah residual kuadrat, sedangkan N dan K masing- masing adalah jumlah sampel dan jumlah variabel yang beroperasi dalam suatu
persamaan. Untuk memperoleh lag yang paling optimal, model yang digunakan harus
diestimasi dengan berbeda-beda tingkat lag-nya, kemudian dibandingkan nilai AIC-nya. Nilai AIC terkecil merupakan tingkat lag yang paling optimal.
3.2.5 Uji Kointegrasi
