α = vektor adjusment berukuran n x 1 Ф =
Pendugaan parameter
dilakukan dengan
menggunakan metode
kemungkinan maksimum. Model VECM dapat dituliskan dalam model VAR dengan menguraikan nilai diferensiasi:
Δ = .................................3.8
3.4.6. Uji Stabilitas model
Uji stabilitas digunakan untuk melihat apakah model yang digunakan stabil atau tidak. Estimasi harus mempunyai validitas yang tinggi sehingga hasil nya
dapat dipercaya. Hasil tersebut dapat dipercaya apabila model yang digunakan mempunyai stabilitas. Jika model VAR yang digunakan tidak stabil, maka hasil
estimasi dengan menggunakan model VAR tidak memiliki tingkat validitas yang tinggi.
Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang
tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau
berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar
lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar
karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR tersebut meragukan.
3.4.7. Impulse Response Function IRF
Cara yang baik untuk mencirikan struktur dinamis dalam model adalah dengan menganalisa respon dari model terhadap guncangan Enders, 2004. Ada
dua cara dalam melakukan hal tersebut, yaitu dengan menganalisis Impulse Response Function IRF dan analisis Forecast Error Variance Decomposition
FEVD. IRF dapat meneliti hubungan antar variabel dengan menunjukkan bagaimana variabel endogen bereaksi terhadap sebuah shock dalam variabel itu
sendiri dan variabel endogen lainnya.
IRF adalah suatu metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap suatu shock tertentu karena sebenarnya shock variabel
misalnya ke-i tidak hanya berpengaruh terhadap variabel ke-i itu saja tetapi ditransmisikan kepada semua variabel endogen lainnya melalui struktur dinamis
atau struktur lag dalam VAR. Oleh karena itu, IRF juga dapat mengukur pengaruh suatu shock pada suatu waktu kepada inovasi variabel endogen pada saat tersebut
dan dimasa yang akan datang. Analisis IRF Impulse Rensponse Function dilakukan untuk menilai respon
dinamik variabel ABS Acrylonitrile Butadiene Stryrene, PP Polypropilene dan PS Polystyrene. Terhadap adanya guncangan shock variabel tertentu. IRF juga
bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya suatu variabel yang dapat dipengaruhi oleh guncangan tertentu. Apabila suatu variabel
tidak dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui melainkan shock secara umum.
3.4.8. Forecast Error Variance Decomposition FEVD
Variance Decompotition atau disebut juga forecast error variance decompotition merupakan perangkat pada model VARVECM yang akan
memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponen- komponen shock atau menjadi variabel innovation, dengan asumsi bahwa
variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan
pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode ke depan. Forecast error variance decompotition
menggambarkan proporsi pergerakan terhadap shock guncangan dari suatu variabel kepada variabel lainnya Enders, 2004.
Metode ini juga dapat melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan error variance dipengaruhi oleh variabel-
variabel lainnya. Metode ini mencirikan suatu struktur dinamis dalam model VAR. Dimana dalam metode ini dapat dilihat kekuatan dan kelemahan masing-
masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
FEVD mencirikan ragam dari peramalan galat menjadi komponen- komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model.
Dengan menghitung persentase kuadrat prediksi galat k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, maka akan dapat
dilihat seberapa besar perbedaan antara error variance sebelum dan sesudah terjadinya shock yang berasal dari dirinya sendiri maupun dari variabel lain. Jadi
melalui FEVD dapat diketahui secara pasti variabel yang memberikan kontribusi yang paling signifikan terhadap perubahan dari variabel tertentu. Dalam analisis
ini variabel tersebut yaitu variabel ABS Acrylonitrile Butadiene Stryrene, PP Polypropilene, dan PS Polystyrene.
IV. HASIL DAN PEMBAHASAN