apabila data tidak stasioner di level maka akan digunakan metode VAR first difference.
4.2.2. Pengujian Stabilitas VAR
Sebelum dilakukan analisis lebih jauh, maka stabilitas VAR perlu diuji karena jika hasil estimasi VAR tidak stabil akan menyebabkan analisis IRF
menjadi tidak valid. 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 yang ditunjukkan oleh Tabel 4.2 dapat disimpulkan bahwa estimasi VAR yang akan
digunakan untuk analisis IRF stabil. Tabel 4.2. Uji Stabilitas model VAR.
Root Modulus
-0.393335 - 0.477595i 0.618716
0.560034 + 0.220379i 0.601835
0.560034 - 0.220379i 0.601835
0.484207 + 0.343185i 0.593492
0.484207 - 0.343185i 0.593492
-0.566595 - 0.139336i 0.583476
-0.566595 + 0.139336i 0.583476
0.418016 - 0.390456i 0.572008
0.418016 + 0.390456i 0.572008
0.349347 0.349347 0.19119 0.19119
-0.185659 0.185659 -0.102722 + 0.105105i
0.146965 -0.102722 - 0.105105i
0.146965 0.083334 0.083334
Sumber: Lampiran 3.
4.2.3. Penentuan Selang Lag Optimal
Penggunaan selang lag optimal sangat penting dalam pendekatan VAR karena lag dari variabel endogen dalam sistem persamaan akan digunakan sebagai
variabel eksogen Enders, 2005. Pengujian panjang lag optimal ini sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR, sehingga
dengan digunakannya lag optimal diharapkan tidak lagi muncul masalah autokorelasi. Adapun kriteria penentuan lag optimal ditentukan berdasarkan lag
terpendek dan standar Akaike Information Criterion AIC terkecil. Hasil pengujian penentuan lag optimal terlampir pada Tabel 4.3 di bawah ini :
Tabel 4.3. Pengujian lag optimal VAR.
Lag Akaike Information Criterion
AIC
-42.54232 1
-50.84661 2
-54.53889 3
-57.33984
Sumber : Lampiran 4. Cetak tebal menunjukkan AIC terkecil
dengan demikian maka persamaan umum VAR dapat ditulis sebagai berikut :
3 3
3 3
3 3
t t-i
t-i 1
1 1
1 1
1
Z
i t i
i i
t i i
t i i
i i
i i
i i
i t i
rSBI rIb
M xrate
GDP CPI
− −
− =
= =
= =
= −
= Γ
+ Γ + Γ
+ Γ + Γ
+ Γ
∑ ∑
∑ ∑
∑ ∑
3 3
3 3
3 t-i
1 1
1 1
1
_ _
_
i t i
i t i i
t i i
t i i
i i
i i
i
IP I
Dep S Dep P
L S
− −
− −
= =
= =
=
+ Γ +
Γ +
Γ +
Γ +
Γ +
∑ ∑
∑ ∑
∑
3 3
3 3
3 t-i
1 1
1 1
1
_ _
_ _
_
i t i
i i
t i i
t i i
t i it
i i
i i
i
L P rLi S
rLi P Li S
Li P ε
− −
− −
= =
= =
=
Γ +
Γ +
Γ +
Γ +
Γ +
∑ ∑
∑ ∑
∑
dimana :
t
Z = variabel analisis yang terdiri dari Suku bunga SBI rSBI, interbank call money
rIb, base Money M , kurs nominal xrate, real gross national
product GDP, consumer price indeksCPI, industrial production IP,
investment I, deposit state bank Dep_S, deposit private bank Dep_P,
credit state bankL_S, credit private bankL_P, investment lending rate state bankrLi_S, investment lending rate private bank rLi_P, lending
investment state bankLi_S, lending investment private bankLi_P. Γ = parameter dalam bentuk matriks polinomial finite order matrix dengan lag
operator i
it
ε = vector white noise i
= panjang lag ordo VAR i=1,2,3
4.2.4. Hasil Estimasi VAR Tabel 4.4. Nilai Koefisien Terhadap Output GDP