Semua data estimasi yang dipergunakan dalam VAR adalah dalam bentuk logaritma natural sesuai dengan pendapat Sims dan Enders 2004, kecuali data
yang sudah dalam bentuk persen atau data tersebut memiliki koefisien yang negatif sangat kecil yang tidak mungkin untuk diubah kedalam bentuk logaritma
natural. Salah satu alasannya adalah untuk memudahkan analisis, karena baik dalam impulse respons maupun variance decomposition, pengaruh guncangan
dilihat dalam standar deviasi yang dapat dikonversi dalam bentuk persentase. Semua variabel adalah variabel endogen dalam metode VAR, sehingga dalam
model penelitian ini dapat dilihat hubungan saling ketergantungan antara semua variabel Agung, 2012.
Selain VAR, terdapat pula VAR FD Vector Autoregression First Difference
. Perbedaan keduanya terletak pada kestasioneran data yang digunakan. Model VAR stasioner pada data level, sementara VAR FD stasioner
pada data turunan pertama first difference.
3.3.2 Uji Stasionaritas Data
Data stasioner adalah data dengan rataan dan ragam konstan sepanjang waktu pengamatan. Dalam uji stasioneritas ini digunakan Uji Akar Unit unit Root
Test . Uji ini dimaksudkan untuk menentukan apakah suatu variabel stasioner atau
tidak. Suatu variabel dapat diketahui apakah stasioner atau tidak, dengan menggunakan uji ADF Augmented Dickey-Fuller. Jika hasil yang di dapat
dalam pengujian ini belum stasioner maka akan dilanjutkan ke tahap berikutnya yaitu tahap Uji derajat integrasi Integration Test.
3.3.3 Metode Kausalitas Granger
Studi kausalitas ditujukan untuk mengukur kekuatan hubungan antar variabel dan menunjukkan arah hubungan sebab akibat, dimana X menyebabkan
Y, Y menyebabkan X atau X meyebabkan Y dan Y menyebabkan X. Uji kausalitas Granger dipercaya jauh lebih bermakna dari uji korelasi biasa Ascarya,
2009. Beberapa hal dapat diketahui dengan melakukan uji kausalitas Granger antara lain :
Apakah X mendahului Y, apakah Y mendahului X atau X dan Y memiliki hubungan timbal balik
Suatu variabel X dikatakan meyebabkan variabel lain Y, apabila Y saat ini diprediksi lebih baik dengan menggunakan nilai-nilai masa lalu X
Asumsi dalam uji ini adalah bahwa X dan Y dianggap sepasang data runtut waktu yang memiliki kovarian linier yang stasioner.
3.3.4 Uji Optimum Lag
Uji optimum lag sangat penting dalam pendekatan VAR. Pengujian panjang lag yang optimal dapat memanfaatkan beberapa informasi yaitu dengan
menggunakan Akaike Information Criterion AIC, Schwarc Criterion SC dan Hannan-Quinn Criterion HQ.
Dalam uji optimum lag, akan menghilangkan masalah autokorelasi dalam sistem VAR. Maka dari itu, dengan menggunakan lag
yang optimal diharapkan masalah autokorelasi tidak akan muncul lagi. Besarnya lag yang dipilih berasal dari lag terpendek.
3.3.5 Uji Stabilitas VAR
