Y
t
= Vektor peubah tak bebas Y
1t
, Y
2t
,..., Y
nt
berukuran n x 1, A
= Vektor intersep berukuran n x 1, A
i
= Matriks parameter berukuran n x n, untuk setiap i = 1, 2, ..., p, ε
t
= Vektor sisaan ε
1t
, ε
2t
, …, ε
nt
berukuran n x 1.
3.2.2 Uji Stasioneritas
Uji stasioneritas data merupakan syarat penting bagi analisis time series untuk menghindari adanya regresi lancung spurious regression. Oleh karena itu,
perlu dilakukan uji stasioneritas pada data-data yang akan digunakan dalam model. Pengertian data yang stasioner adalah data yang memiliki kecenderungan
untuk mendekati nilai rata-ratanya dan berfluktuasi disekitar nilai rata-ratanya Gujarati, 2003.
Metode yang dapat digunakan untuk melihat kestasioneran data adalah metode Augmented Dicky Fuller ADF Test dan Phillip Pheron PP Test.
Kebanyakan analisis time series menggunakan uji ADF. Sedangkan metode PP hanya digunakan pada data yang mengandung structural break, yaitu patahan
pada pergerakan data yang terjadi karena adanya kejadian luar biasa dalam perekonomian, misal krisis ekonomi.
Uji stasioneritas yang digunakan dalam penelitian ini yaitu menggunakan uji ADF. Jika nilai mutlak ADF statistik lebih besar dari MacKinnon Critical
Value maka dapat disimpulkan series tersebut stasioner. Apabila suatu series tidak stasioner maka dapat dilakukan difference non stasionary processes atau uji
stasioneritas pada tingkat difference.
3.2.3 Pemilihan Lag Optimum
Penetapan lag optimal penting dilakukan karena dalam metode VAR lag optimal dari variabel endogen merupakan variabel independen yang digunakan
dalam model. Penentuan lag optimum dapat menggunakan beberapa kriteria, seperti Likelihood Ratio LR, Schwarz Information Criterion SC, Akaike
Information Criterion AIC, Final Prediction Error FPE dan Hannan-Quinn Criterion HQ. Pada penelitian ini lag optimum dipilih berdasarkan koefisien
yang ditunjukkan oleh Akaike Information Criterion, secara matematis persamaan AIC adalah sebagai berikut :
AIC k = T ln + 2n
3.3 dimana :
SSR = The Residual Sum of Squares
k = panjang lag
T = jumlah yang diobservasi
n = jumlah parameter yang diestimasi
Besarnya lag optimal ditentukan oleh lag yang memiliki kriteria AIC yang terkecil.
3.2.4 Uji Stabilitas Model VAR
