Akaike Information Criterion AIC. Hasil pengujian penentuan lag optimal ini dapat
dilihat pada Tabel 4.8. Berdasarkan hasil pengujian lag optimal, maka lag yang digunakan dalam penelitian ini yaitu lag pertama.
Tabel 4.8. Pengujian Lag Optimal
Lag LogL
LR FPE
AIC SC
HQ
732.3843 NA
3.06e-10 -10.55629 -10.47145 -10.52181 1
781.1710 94.03799 1.90e-10 -11.03146
-10.60722 -10.85906 2
796.0141 27.75015 1.94e-10 -11.01470 -10.25107 -10.70438
3 805.5259 17.23165
2.13e-10 -10.92067 -9.817642 -10.47242 4
820.9768 27.09494 2.15e-10 -10.91271 -9.470292 -10.32654 5
830.1013 15.47200 2.39e-10 -10.81306 -9.031255 -10.08898
3. Pengujian Stabilitas VAR
Stabilitas VAR perlu diuji dahulu sebelum melakukan analisis lebih jauh, karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi
kesalahan tidak stabil, maka IRF Impulse Response Function dan FEVD Forecasting Error Variance Decomposition menjadi tidak valid Nugraha,
2006. Untuk menguji 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 satu. Berdasarkan uji stabilitas VAR maka dapat disimpulkan bahwa estimasi
VAR yang akan digunakan untuk analisis IRF dan FEVD stabil. Kisaran modulus pada pengujian ini adalah 0.153325 modulus 0.433171. Dari tabel tersebut
dapat disimpulkan bahwa model VAR yang dibentuk sudah stabil pada lag optimalnya.
4.2.2 Hasil Estimasi Model VAR
Analisis yang digunakan untuk mejawab permasalahan pertama dalam penelitian ini adalah dengan menggunakan VAR first difference. Hal ini dilakukan
karena semua variabel tidak stasioner pada level dan tidak terdapatnya hubungan kointegrasi antar variabel dalam sistem persamaan. Berdasarkan hasil pengujian,
terlihat tidak adanya hubungan yang signifikan di dalam sistem VAR lampiran 6. Hal ini mungkin terjadi karena dalam pengujian data time series terdapat
multikolinearitas sehingga hasil pengujian banyak yang tidak signifikan. Sehingga dalam analisis ini hanya melihat impuls respons dan variance decomposition dari
model VAR.
4.2.3 Analisis Dekomposisi Penduga Ragam Galat
Forecasting Error Variance Decomposition FEVD
Struktur dinamis antar variabel dalam VAR dapat dilihat melalui analisis Forecasting Error Variance Decomposition
FEVD, dimana pola dari FEVD ini mengindikasikan sifat dari kausalitas multivariat di antara variabel-variabel dalam
model VAR. Pengurutan variabel dalam analisi FEVD ini didasarkan pada faktorisasi Cholesky. Hasil analisis FEVD dapat dilihat pada Tabel 4.9. berikut.
Tabel 4.9. Variance Decomposition Return Saham
Variabel Independen
Periode Dijelaskan Oleh
Suku Bunga
Harga Minyak
Indeks Produksi
Return Saham
Return Saham 1
2 3
4
12 0.575992
1.307105 1.686278
1.774059 1.799443
0.988225 1.060137
1.132099 1.147324
1.151107 0.017806
0.076200 0.077668
0.078464 0.078528
98.41798 97.55656
97.10395 97.00015
96.97092
