dari satu, maka persamaan tersebut dikatakan stabil dan bila terdapat nilai modulus yang lebih besar dari satu, maka persamaan tersebut dikatakan belum
stabil.
3.2.3.5.Uji Kointegrasi
Kointegrasi adalah suatu hubungan jangka panjang antara variabel- variabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier
antara variabel tersebut dapat menjadi stasioner. Uji kointegrasi Johanssen seperti yang ditunjukkan oleh persamaan berikut:
t t
p i
i t
t
Y Y
Y ε
π β
+ Δ
Γ +
+ =
Δ
− =
−
∑
1 1
1
3.5 Komponen dari vektor Yt dapat dikatakan terkointegrasi bila ada vektor
β =
β
1
, β
2
,..., β
n
sehingga kombinasi linier βY
t
, bersifat stasioner. Vektor β disebut
vektor kointegrasi yang saling bebas, rank kointegrasi ini dapat diketahui melalui uji Johanssen.
3.2.3.6. Vector Error Corretion Model VECM
Adanya hubungan kointegrasi di antara kedua variabel mengisyaratkan bahwa sebuah formulasi error correction pada VAR dapat diestimasi. Model
VAR yang diperoleh kemudian dievaluasi dan dianalisis masing-masing residual variabel dalam model dengan menggunakan estimasi VECM-nya. Ansari dalam
Firmansyah 2006 mengemukakan bahwa sama kasusnya dengan unrestricted VAR, koefisien yang dihasilkan VECM juga sulit untuk diinterpretasi. Dalam
penelitian ini, hasil estimasi VECM tidak dijelaskan lebih lanjut. Oleh karena itu, penelitian dilanjutkan dengan alat analisis dinamis dari Impulse Response
Function IRF dan Decomposition of Forecasting Error Variance DFEV
3.2.3.7. Impulse Response Function IRF
VAR merupakan metode yang akan menentukan sendiri struktur dinamis dalam suatu model, dan cara untuk mencirikan struktur dinamis tersebut adalah
dengan menganalisis respon dari model terhadap guncangan shock. IRF adalah suatu innovation accounting yang digunakan untuk menganalisis perilaku
guncangan suatu variabel terhadap variabel tertentu. IRF dapat melakukan hal tersebut dengan menunjukkan bagaimana respon dari setiap variabel endogen
sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya atau dengan kata lain, untuk melihat efek gejolak shock suatu standar
deviasi dari variabel inovasi terhadap nilai sekarang current time values dan nilai yang akan datang future values dari variabel-variabel endogen yang
terdapat dalam model yang diamati.
3.2.3.8. Decomposition of Forecasting Error Variance DFEV
Peramalan dekomposisi varian memberikan informasi mengenai berapa persen peran masing-masing guncangan terhadap variabilitas variabel tertentu. Uji
yang dikenal juga dengan The Cholesky Decomposition, ini digunakan untuk menyusun perkiraan error variance suatu variabel, yaitu seberapa besar perbedaan
antara variance sebelum dan sesudah terjadinya guncangan, baik guncangan yang berasal dari variabel itu sendiri maupun dari variabel lain. Dengan metode ini
dapat dilihat pula kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
IV. HASIL DAN PEMBAHASAN