terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah.
Model VAR namun memiliki banyak kritik akibat memiliki beberapa kelemahan. Kelemahan VAR menurut Gujarati 2003 antara lain:
1. Model VAR lebih bersifat ateori karena tidak memanfaatkan informasi dari teori-teori terdahulu.
2. Model VAR dianggap tidak sesuai untuk implikasi kebijakan karena lebih menitikberatkan pada peramalan forecasting.
3. Tantangan terberat VAR adalah pemilihan panjang lag yang tidak tepat. 4. Semua variabel yang digunakan dalam model VAR harus stasioner.
5. Koefisien dalam estimasi VAR sulit untuk diinterpretasikan.
3.3.3 Metode Vector Error Correction Model VECM.
Vector Error Correction Model atau VECM merupakan bentuk VAR yang
terestriksi Enders, 2004. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner pada level, tetapi terkointegrasi.
VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. VECM karena itu sering disebut sebagai desain VAR bagi series
non-stasioner yang memiliki hubungan kointegrasi. Kointegrasi adalah terdapatnya kombinasi linear antara variabel yang non
stasioner yang terkointegrasi pada ordo yang sama Enders, 2004. Dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan
setelah dilakukan pengujian kointegrasi pada model yang digunakan. Data time
series kebanyakan memiliki tingkat stasioneritas pada perbedaan pertama first
difference atau I1. Digunakan VECM apabila ternyata data yang digunakan
memiliki derajat stasioneritas untuk mengantisipasi hilangnya informasi jangka panjang. Caranya adalah dengan mentransformasi persamaan awal pada level
menjadi persamaan baru sebagai berikut : ∆
y
t
= b
10
+ b
11
∆ y
t-1
+ b
12
∆ z
t-1
– λy
t-1
– a
10
– a
11
y
t-2
+ a
12
z
t-1
+ ε
yt
. 3.16
∆ z
t
= b
20
+ b
21
∆ y
t-1
+ b
22
∆ z
t-1
– λz
t-1
– a
20
– a
21
y
t-1
+ a
22
z
t-2
+ ε
yt
. 3.17
dimana a merupakan koefisien regresi jangka panjang, b merupakan koefisien regresi jangka pendek, λ merupakan parameter koreksi error, dan persamaan
dalam tanda kurung menunjukkan kointegrasi di antara variabel y dan z. Model VECM k-1 secara umum adalah sebagai berikut Siregar dan Ward, 2000 :
∑
− =
− −
+ +
+ +
∆ Γ
= ∆
1 1
1 1
1 k
i t
t t
i t
y t
y y
ε αβ
µ µ
3.18 dimana:
t
y ∆
= y
t
– y
t -1
, k
-1 = ordo VECM dari VAR,
i
Γ
= matriks koefisien regresi b
1
, ..b
i
, µ
= vektor intercept,
1
µ = vektor koefisien regresi,
t = time trend,
α
= matriks loading penyesuaian, β
= vektor kointegrasi, y
= variabel yang digunakan dalam analisis.
Sehingga, di dalam penelitian ini menjadi : ∆PDB
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t-1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.19 ∆
NILAITUKAR
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t-1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.20 ∆FDI
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t-1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.21 ∆NETEXP
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t-1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.22 ∆PMDN
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t-1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.23 ∆LIBOR
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t-1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.24 ∆SB
t
= ∑
ГPDB
t-1
+ ∑
ГNILAITUKAR
t-1
+ ∑
ГFDI
t-1
+ ∑
ГNETEXP
t- 1
∑ ГPMDN
t-1
+ ∑
ГLIBOR
t-1
+ ∑
ГSB
t-1
+ ε
t
3.25 dimana:
PDB : Output Produk Domestik Bruto industri besi baja miliar
Rupiah, NILAITUKAR
: Nilai Tukar riil Rupiah terhadap IHK Amerika Serikat RupiahUSD,
FDI : Foreign Direct Investment sektor industri besi baja Ribu
USD, NETEXP
: Ekspor neto logam dasar besi baja Ton, PMDN
: Penanaman Modal Dalam Negeri sektor industri besi baja miliar Rupiah,
LIBOR : Suku bunga internasional persen,
SB : Suku bunga pinjaman investasi persen,
Achsani et al 2005 merepresentasikan model umum VECM sebagai berikut :
∆ x
t
=
t
+ πx
t-1
+ ∑
Г
i
∆ x
t-1
+ ε
t
3.26 Dimana
π
dan
Г
merupakan fungsi dari A
i
lihat persamaan 3.18. Matriks π
dapat dipecah menjadi dua matriks
λ
dan
β
dengan dimensi n x r.
π = λ β
τ
, dimana
λ
merupakan matriks penyesuaian,
β
merupakan vektor kointegrasi, dan
τ
merupakan rank kointegrasi.
3.3.4 Pengujian Pra Estimasi.
