hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data menggunakan estimasi VECM. Karena pada penelitian ini hampir semua data tidak stasioner pada
data levelnya maka yang digunakan dalam penelitian ini adalah estimasi pada model VECM. Model VAR hanya digunakan untuk pengujian FEDV dan IRF.
3.2.1. Metode
Vector Error Correction Model VECM
Vector Error Correction Model VECM adalah VAR terestriksi yang digunakan
untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Setelah dilakukan pengujian kointegrasi pada model yang digunakan maka dianjurkan untuk
memasukkan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series kebanyakan memiliki tingkat stasioneritas pada first difference atau I1. VECM
kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Oleh karena itu, VECM sering disebut sebagai desain VAR bagi series nonstasioner yang
memiliki hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed of adjustment
dari jangka pendek ke jangka panjang. Adapun spesifikasi model VECM secara umum adalah sebagai berikut :
Δy
t
= µ
0x
+ µ
1x
t + π
x
y
t-1
+ Δy
t-I
+
t
…………………………………… 3.2
di mana : y
t
= vektor yang berisi variabel yang dianalisis dalam penelitian µ
0x
= vector intercept µ
1x
= vector koefisien regresi t = time trend
π
x
= α
x
β
y
di mana b‟ mengandung persamaan kointegrasi jangka panjang y
t-1
= variabel in-level
Γ
ix
= matriks koefisien regresi k -1 = ordo VECM dari VAR
ε
t
= error term
3.2.2. Pengujian Sebelum Estimasi
Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa pengujian. Berikut ini adalah beberapa pengujian yang harus
dilakukan: 1.
Uji Stasioneritas Data Uji stasioneritas dapat dilakukan dengan metode Augmented Dickey Fuller
ADF sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Apabila hasil dari pengujian ini menunjukkan nilai mutlak t-ADF lebih besar dari
nilai mutlak MacKinnon critical values-nya maka data telah stasioner pada taraf nyata sebesar lima persen atau satu persen. Dapat juga dilihat pada nilai
probabilitasnya. Apabila nilai probabilitasnya kurang dari taraf satu persen, lima persen, dan sepuluh persen maka data tersebut stasioner pada taraf tersebut.
Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR,
yaitu VAR dalam bentuk first difference atau VECM. Keberadaan variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar
variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data
stasioner, mengingat terdapatnya kemungkinan kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test.
2. Penentuan Lag Optimal
Untuk memperoleh panjang selang yang tepat, maka perlu dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang
maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots
karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan
semuanya terletak di dalam unit circle Lutkepohl, 1991. Pada tahap kedua, panjang selang optimal akan dicari dengan menggunakan
kriteria informasi yang tersedia. Kandidat selang yang terpilih adalah panjang selang menurut kriteria Akaike Information Criterion AIC dan Schwarz Information
Criterion SC. Jika kriteria informasi hanya merujuk pada sebuah kandidat selang,
maka kandidat selang tersebut optimal. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga. Selain melalui kriteria AIC, pemillihan lag
optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion SC. Pada tahap terakhir, nilai Adjusted R
2
variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam model
VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R
2
terbesar pada variabel-variabel penting dalam sistem.
3. Pengujian Hubungan 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 Thomas, 1997. Salah satu syarat agar
tercapai keseimbangan jangka panjang adalah galat keseimbangan harus berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series
yang stasioner. Ada beberapa metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Eagle-Granger Cointegration Test, Johansen Cointegration Test,
dan Cointegration Regression Durbin-Watson Test. Suatu data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut Id jika data tersebut bersifat
stasioner setelah pendiferensian sebanyak d kali. 4.
Uji Stabilitas Model VAR Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots
karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR roots
-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil. 5.
Bentuk Urutan Variabel ordering Kebutuhan bentuk urutan variabel sesuai dengan uji kausalitas hanya terjadi
jika nilai korelasi residual antar variabel di dalam sistem secara mayoritas lebih dari 50 persen menjadi 0,2. Jika mayoritas nilai korelasi antar variabelnya bernilai di atas
0,2 maka spesifikasi urutan variabel sesuai dengan teori ekonomi atau uji kausalitas perlu dilakukan. Jika hasilnya yang ditemukan kontradiktif atau sebaliknya, maka
bentuk urutan yang tepat tidak perlu dipermasalahkan.
3.3. Model Penelitian