109 SC, Hannan-Quinn Informatin Criteriom HQ, dan Likelihood Rasio LR test.
Lag optimal yang dipilih dalam model VAR adalah berdasarkan kriteria nilai AIC atau SC yang terkecil dari beberapa hasil estimasi awal model VAR. Penggunaan
panjang lag dari VAR ini sebenarnya beberapa penelitian sebelumnya telah menggunakan panjang lag yang beragam, misalnya Siregar 2004 menggunakan
panjang lag 12 untuk data bulanan, Ansari dan Gang 1999 menggunakan panjang lag 24 dengan data mingguan.
Dalam penelitian ini, penentuan lag optimal yang digunakan mengikuti metode yang dilakukan oleh Sims 1980, yaitu metode uji Likelihood Rasio LR
dan SC. Kriteria lag optimal yang menjadi pilihan adalah apabila diperoleh nilai probability statistik yang lebih besar dari 0.05 p-vale0.05.
Terkait dengan tujuan penelitian, maka untuk melakukan analisis pengaruh shock
variabel ekspor terhadap variabel kinerja makroekonomi Indonesia akan mengggunakan metode impulse response function dan metode peramalan
dekomposisi ragam kesalahan. Agar kedua metode analisis tersebut dapat menghasilkan peramalan yang valid, perlu dilakukan uji stabilisasi terhadap
persamaan VAR yang telah terbentuk, yakni dengan menghitung akar-akar dari fungsi polinomial roots of characteristic polinomial. Apabila semua akar dari uji
stabilisasi tersebut menghasilkan nilai-nilai absolut 1, maka model analisis VAR dianggap stabil. Dengan demikian penerapan metode IRF dan FEVD dapat
memberikan hasil yang valid Windarti, 2004.
4.7.3. Uji Kointegrasi dan Error Correction Model
Error Correction Model ECM adalah suatu model yang digunakan untuk
menyeimbangkan perilaku ekonomi yang sering menunjukkan kondisi ketidak
110 seimbangan, sehingga perlu suatu model yang memasukkan variabel penyesuaian
untuk melakukan koreksi bagi ketidak seimbangan tersebut. Penggunaan model ECM terkait dengan data time series yang sering tidak stasioner pada tingkat
level, tapi stasioner pada tingkat first difference. Stasioner data pada first difference ini menunjukkan bahwa terdapat
hubungan jangka panjang antar variabel yang diteliti. Namun dalam jangka pendek sering terjadi ketidak seimbangan, dalam arti nilai perkiraan belum tentu
sama dengan nilai aktualnya. Oleh karena adanya perbedaan tersebut, maka perlu membentuk model yang memasukkan variabel penyesuaian untuk mengoreksi
ketidak seimbangan tersebut, faktor pengoreksi tersebut dinamakan error correction mechanism
. Granger dan Engle 1991 telah mengembangkan model koreksi kesalahan yang digunakan untuk mengoreksi persamaan regresi antar
variabel-variabel yang secara individual tidak stasioner agar kembali ke nilai ekuilibriumnya pada jangka panjang, dengan syarat utama terdapat hubungan
kointegrasi di antara variabel-variabel dalam suatu persamaan. Model kointegrasi dapat diartikan sebagai kombinasi linier antar variabel
atau dapat diartikan sebagai suatu model yang menggambarkan hubungan jangka panjang long term relationship equilibrium antar variabel-variabel yang tidak
stasioner dan akan menghasilkan variabel-variabel yang stasioner. Regresi dengan data time series yang tidak stasioner dapat menghasilkan regresi yang spurious,
biasanya ditandai dengan hasil koefisien determinasi yang cukup tinggi, akan tetapi hubungan antara variabel bebas dengan variabel tak bebas tidak signifikan.
Hal ini berarti, bahwa tingginya nilai koefisien determinasi tersebut
hanya
111 menunjukkan trend saja, dan
bukan karena hubungan antar variabel dalam persamaan.
Untuk menentukan bahwa variabel-variabel dalam suatu persamaan terjadi kointegrasi atau tidak, maka dapat dilakukan pengujian terhadap
residualnya et, yaitu dengan uji ADF. Apabila hipotesis r = 0, berarti tidak ada kointegrasi, sedangkan jika hipotesis r 0, berarti terdapat kointegrasi antar
variabel dalam persamaan tersebut. Kriteria penerimaan atau penolakan terhadap hipotesis nol merupakan perbandingan antara nilai statistik likelihood ratio dengan
nilai kritis pada tingkat keyakinan 95 persen, jika nilai statistik likelihood ratio lebih besar dari nilai kritis, berarti hipoetesis alternatif yang diterima atau terjadi
kointegrasi diantara variabel-variabel dalam persamaan, dan sebaliknya yang terjadi jika hipotesis nol yang diterima.
Karena dalam penelitian ini menganalisis keterkaitan lebih dari dua variabel, sehingga jumlah parameter yang diperoleh dari setiap
persamaan menjadi sebuah vektor matrik. Oleh karena itu perlu menentukan jumlah rank
kointegrasi yang merupakan sistem persamaan. Kendatipun uji kointegrasi dapat dilakukan dengan beberapa cara, seperti telah dijelaskan pada sub bab II, namun
dalam penelitian ini akan menggunakan cara yang ketiga, yaitu menggunakan uji kointegrasi Johansen dengan model matematis seperti berikut :
p i
t t
t Y
i Y
o Yt
1 1
1
..................................................
4.13 Untuk
menentukan jumlah
rank kointegrasi
r, dalam
hal ini
menggunakan kriteria trace test dan maximum eigenvalue test. Jika nilai trace test lebih besar dibandingkan dengan nilai kritis 95 persen, maka hipotesis nol ditolak
tidak terkointegrasi, atau menerima hipotesis alternatif terkointegrasi, dan
112 persamaan tersebut berarti terkointegrasi. pada saat kondisi inilah nilai rank
kointegrasi r memenuhi kriteria. Sehingga penentuan rank kointergrasi dapat dipilih dari kombinasi pengujian atau kriteria yang digunakan. Dalam menentukan
rank kointegrasi, terkait dengan penentuan jumlah sistem persamaan yang akan digunakan untuk estimasi atau peramalan yang akan datang. Dengan demikian
setelah jumlah persamaan kointegrasi diperoleh, maka dengan sistem persamaan tersebut dapat digunakan untuk mendeteksi stabilitas hubungan antar variabel
yang dianalisis, baik jangka pendek maupun jangka panjang Enders, 1995.
Namun demikian jumlah persamaan dalam vektor kointegrasi yang diperoleh adalah exactly identified. Oleh karena itu untuk memperoleh persamaan
kointegrasi yang over identified, perlu dilakukan restriksi terhadap matrik
parameter jangka panjang dari persamaan sistem kointegrasi, agar sesuai dengan tujuan penelitian maupun yang berdasarkan pada teori ekonomi.
Setelah dilakukan pengujian dan terjadi kointegrasi, maka dapat dilanjutkan ke tahap berikutnya yaitu analisis dengan model error correction. Jika
dalam persamaan kointegrasi memiliki jumlah variabel lebih dari dua multivariate, maka kombinasi antara ECM dengan model VAR kointegrasi dapat
dilakukan. Kombinasi tersebut dinamakan vector error correction model
Thomas, 1997.
4.7.4. Impulse Response Function