terkointegrasi. Data-data tersebut diolah dengan bantuan perangkat lunak software Eviews 6.0 dan Microsoft excel.
3.3.1. Model Penelitian
Model VAR dan VECM yang digunakan dalam penelitian sebagai berikut: Model umum: RER
t
= f CIF
t,,
INF
t,
GDP
t
, IR
t
,TRADE
t
Model dalam bentuk matriks: _
_ _
_ _
_
dimana, Ln_RER
= Nilai tukar riil rupiah terhadap USD Ln_CIF
= Arus modal asing yang masuk INF
= Inflasi
Ln_GDP = Produk Domestik Bruto Riil
IR = Suku Bunga Riil
TRADE = Trade Openness
a -f
= Konstanta a
ij
= Koefisien lag peubah ke-j untuk persamaan ke-i e
it
= Residual Semua data estimasi yang dipergunakan dalam VAR adalah dalam bentuk
logaritma natural sesuai dengan pendapat Sims dalam Enders 2004, kecuali data yang sudah dalam bentuk persen atau data tersebut memiliki koefisien yang
negatif sangat kecil yang tidak mungkin untuk diubah dalam bentuk logaritma natural. Salah satu alasannya adalah untuk memudahkan analisis, karena baik
dalam impulse respons maupun variance decomposition, pengaruh shock dilihat dalam standar deviasi yang dapat dikonversi dalam bentuk presentase. Semua
variabel adalah variabel endogen dalam metode VAR, sehingga dalam model penelitian ini dapat dilihat hubungan saling ketergantungan antara semua variabel.
3.3.2. Langkah-langkah Menguji VAR 3.3.2.1. Uji Stasioneritas Data Uji Augmented Dickey-Fuller
Data deret waktu time series biasanya terdapat permasalahan dalam stasioneritas, sehingga dapat menjatuhkan validitas dari parameter yang
diestimasi. Uji akar unit atau uji stasioneritas data digunakan untuk melihat apakah data yang diamati stationer atau tidak. Time series dikatakan stasioner jika
secara stokastik data menunjukkan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat peningkatan atau penurunan data. Data yang tidak
stasioner akan menghasilkan regresi palsu atau lancung spurious regression. Spurious regression adalah regresi yang menggambarkan hubungan dua variabel
atau lebih yang nampak signifikan secara statistik padahal kenyataannya
tidak.
Uji akar unit secara umum dapat dilakukan dengan melihat secara grafis visual apakah terdapat trend dalam data atau tidak, dan melihat variance data
pada periode penelitian. Jika data pada level tidak stasioner, maka data dapat dimodifikasi menjadi selisih antar data sebelumnya first difference sehingga data
menjadi stasioner, data ini kemudian disebut terintegrasi pada derajat pertama atau I1. Variabel-variabel yang tidak stasioner pada level tidak dapat digunakan
untuk melihat hubungan jangka panjang dalam VAR. Meskipun penggunaan first
difference dalam VAR dapat digunakan, namun identifikasi restriksi jangka panjang tidak dapat dilakukan. Oleh karena itu, kestasioneran data harus diketahui
sebelum menggunakan VAR. Uji akar-akar unit merupakan uji yang paling populer untuk mengetahui
stasioner sebuah data. Untuk menguji akar-akar unit pada penelitian ini digunakan uji Augmented Dickey-Fuller ADF yang dikembangkan oleh Dickey dan Fuller,
yaitu dengan membandingkan nilai ADF dengan nilai kritis Mac Kinnon 1, 5 , dan 10. Dalam tes ADF, jika nilai ADF lebih kecil dari nilai kritis Mac Kinnon
maka dapat disimpulkan bahwa data tersebut stasioner. Jika data berdasarkan uji ADF tidak stasioner maka solusinya adalah dengan melakukan difference non
stationary processes. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series yang tidak stasioner akan berimplikasi
kepada penggunaan VAR dalam bentuk difference atau VECM. Keberadaan variabel yang tidak stasioner meningkatkan kemungkinan keberadaan hubungan
kointegrasi antar variabel.
3.3.2.2. Uji Lag Optimal
Penentuan lag ini sangat penting mengingat tujuan dikembangkannya model VAR adalah untuk melihat perilaku dan hubungan variabel dalam jangka pendek.
Dengan lag yang terlalu sedikit maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual
error secara tepat. Namun, jika memasukkan terlalu banyak lag maka dapat mengurangi kemampuan untuk menolak H
karena tambahan parameter yang terlalu banyak akan mengurangi degrees of freedom Gujarati, 2003.
Selain itu, isu tentang penentuan panjang lag yang tepat akan menghasilkan residual yang bersifat Gaussian dalam arti terbebas dari permasalahan autokorelasi
dan heteroskedasitas Gujarati, 2003. Untuk kepentingan tersebut dapat digunakan beberapa kriteria untuk mengetahui optimal atau tidaknya lag yang
digunakan. Beberapa kriteria tersebut adalah dengan metode Akaike Information Criterion AIC, Schwarz Information Criterion SIC, Final Prediction Error
FPE, dan Hannan Quinn HQ. Tanda bintang menunjukkan lag optimal yang direkomendasikan oleh kriteria AIC, SIC, FPE dan HQ.
3.3.2.3. Uji Stabilitas VAR
Uji stabilitas VAR harus dilakukan terlebih dahulu sebelum melakukan analisis impuls respon IRF dan analisis peramalan dekomposisi ragam galat
FEVD melalui VAR stability condition check. Uji ini nantinya dimaksudkan untuk mengetahui valid atau tidaknya kedua analisis tersebut. Uji stabilitas VAR
dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polinomial. Model VAR tersebut dianggap stabil
jika semua akar dari fungsi polinomial tersebut berada didalam unit circle atau jika nilai absolutnya lebih kecil dari satu sehingga IRF dan FEVD yang dihasilkan
dianggap valid Firdaus, 2011.
3.3.2.4. Uji Kointegrasi
Uji kointegrasi bertujuan untuk menentukan apakah variabel-variabel yang tidak stasioner terkointegrasi atau tidak. Konsep kointegrasi dikemukakan oleh
Engle dan Granger 1987 sebagai kombinasi linear dari dua atau lebih variabel
yang tidak stasioner akan menghasilkan variabel yang stasioner. Kombinasi linear ini dikenal dengan istilah persamaan kointegrasi dan dapat diinterpretasikan
sebagai hubungan keseimbangan jangka panjang diantara variabel. Firdaus, 2011
Persamaan tersebut dikatakan terkointegrasi jika trace statistic critical value. Dengan demikian H
= nonkointegrasi dengan hipotesis alternatifnya H
1
= kointegrasi. Kita tolak H
atau terima H
1
jika trace statistic critical value, yang artinya terjadi kointegrasi dalam persamaan. Tahapan analisis Vector Error
Correction Model VECM dapat dilanjutkan setelah jumlah persamaan yang terkointegrasi telah diketahui.
3.3.2.5. Uji Kausalitas Granger Granger Causality
Uji kausalitas granger digunakan untuk melihat arah hubungan suatu variabel dengan variabel yang lain. Pendekatan Granger mencoba menjawab
apakah {x} menyebabkan {y} atau apakah nilai {y} sekarang dapat dijelaskan oleh nilai {y} masa lalu dan kemudian apakah penambahan nilai lag {x} juga
turut memengaruhi. Variabel {y} dikatakan Granger Caused oleh variabel {x} jika {x} membantu dalam memprediksi {y} atau nilai koefisien lag {x} signifikan
secara stastistik. Uji kausalitas dengan menggunakan pendekatan Granger dapat dituliskan seperti persamaan berikut :
α α
. . . α β
. . . β ε .......... 3.2
α α
. . . α β
. . . β ...... 3.3
Dari hasil regresi persamaan 3.2 dan 3.3 di atas, maka akan dihasilkan empat kemungkinan nilai koefisien regresi, masing-masing nilai koefisien adalah :
. Jika secara statistik, dan
maka terdapat kausalitas
satu arah dari x ke y
. Jika secara statistik, dan
maka terdapat kausalitas satu arah dari y ke x
. Jika secara statistik, dan
maka antara y ke x
tidak saling mempengaruhi antara satu dengan lainnya. . Jika secara statistik,
dan maka antara y ke x
terdapat hubungan kausalitas antara satu dengan lainnya. Dalam penelitian, ada beberapa kasus yang dapat diintepretasikan dari
persamaan Granger Causality Gujarati, 2003: 696-697 : 1. Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y ke X
terjadi jika koefisien lag Y pada persamaan Y
t
adalah secara statistik signifikan berbeda dengan nol, koefisien lag X pada persamaan X
t
sama dengan nol. 2. Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X ke Y
terjadi jika koefisien lag X pada persamaan X
t
adalah secara statistik signifikan berbeda dengan nol dan koefisien lag Y pada persamaan Y
t
secara statistik signifikan sama dengan nol.
3. Feedbackbilateralcausality, artinya kausalitas timbal balik yang terjadi jika koefisien lag Y dan lag X adalah secara statistik signifikan berbeda dengan
nol pada kedua persamaan Y
t
dan X
t
.
4. Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y dan lag X adalah secara statistik sama dengan nol pada masing-masing
persamaan Y
t
dan X
t
. Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan
pendekatan Granger adalah : , Suatu variabel tidak mempengaruhi variabel lainnya
, Suatu variabel mempengaruhi variabel lainnya
3.3.3. Model Umum Vector Error Correction Model VECM
Model VECM digunakan apabila terdapat persamaan yang terkointegrasi, dimana nilai trace statistic lebih besar dari pada critical value. Pada persamaan
VECM telah terkandung parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk mengetahui respon pada jangka pendek dan jangka
panjang. Menurut Siregar dan Ward dalam Andriani 2008, secara umum VECM dapat ditulis dalam persamaan berikut:
∑ ′
ε ............................................. 3.4 Dimana :
ΔY
t
= Y
t
– Y
t-1 ,
p-1 = ordo VECM dari VAR, Γ
i
= matriks koefisien regresi, Y
t-i
= vektor lag variabel yang terdiri dari berbagai macam variabel yang diguanakan,
µ = vektor intercept,
µ
1
= vektor koefisien regresi, α
= matriks loading, β
= vektor koitegrasi, Y
t-1
= vektor lag pertama dalam variabel, ε
t
= vektor sisaan
3.3.4. Estimasi VAR
