terhadap jumlah observasi dan k adalah jumlah parameter. Nilai n-k disebut juga derajat kebebasan atau degree of freedom. Jika nilai F stat F tabel pada level
signifikansi yang ditentukan, maka H ditolak atau tidak cukup bukti untuk
diterima. Dengan kata lain bahwa B granger cause A. Jika H tidak cukup bukti
untuk dapat ditolak maka B does not granger cause A. Analisa ini menggunakan software eviews. Dengan menggunakan eviews,
maka tes kausalitas antar variabel dapat dilakukan dengan mudah, dimana lag optimal digunakan. Untuk menguji hipotesa, maka dipermudah dengan membaca
probabilitasnya. Dimana jika probabilitas lebih kecil dari alpha dalam ini penulis menggunakan alpha 5, maka H
ditolak atau dengan kata lain variabel B menyebabkan variabel A dan sebaliknya jika probabilitasnya lebih besar dari
alpha, maka tidak cukup bukti menolak H , atau B tidak menyebabkan A, atau
tidak ada hubungan kausalitas.
3.4.4 Uji Lag Optimal
Penentuan lag optimum ini sangat penting dalam model VAR karena pengujian ini bertujuan untuk mengetahui besarnya lag dari variabel endogen
dalam sistem persamaan yang akan digunakan sebagai variabel eksogen Enders dalam De Jong, 2005. Pengujian panjang lag yang optimal dapat memanfaatkan
beberapa informasi yaitu dengan menggunakan Akaike Information Criterion AIC, dan Schwarz Criterion SC. Untuk dapat menentukan lag ini, maka
langkah sebelumnya adalah menentukan nilai determinan dari kovarian residual |Ω| yang dapat dihitung sebagai berikut Eviews 5 User’s Guide:
= det
t
……………. 5 Dimana p adalah angka parameter dari tiap persamaan dalam VAR.
Selanjutnya, log likelihood value dengan mengasumsikan distribusi normal Gaussian dapat dihitung:
1 = - {k1+log2π + log|Ω|}……… 6
Dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Kemudian dilanjutkan dengan menggunakan nilai AIC, dan SC dipilih
nilai yang terkecil. Rumus perhitungannya dapat dilihat dibawah ini Eviews 5 User’s Guide:
AIC -
2lT+2kT ……………. 7 SC
- 2lT+k logTT ……… 8
3.4.5 Uji Stabilitas VAR
Pengujian ini dilakukan karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan yang tidak stabil, maka IRF
Impulse Response
Function dan
FEVD Forecast
Error Variance
Decomposition menjadi tidak valid Nugraha, 2006. Stabilitas dapat diartikan hasil estimasinya mendekati nol jika model
diperpanjang periode waktunya. Sebuah model dikatakan memilik validitas yang tinggi jika inverse akar karakteristiknya mempunyai modulus kurang dari satu
atau semuanya berada didalam lingkaran. Jika modulus nya kurang dari satu atau berada dalam lingkaran, maka model cukup stabil. Namun sebaliknya, jika
modulus bernilai satu atau lebih dari satu, atau modulus kebanyakan berada diluar lingkaran maka dapat dipastikan bahwa model tersebut kurang stabil. Jika VAR
tersebut memiliki tingkat stabilitas yang rendah atau semua inverse akar karakteristiknya berada diluar unit circle, maka hasil dari estimasi model VAR
tersebut meragukan.
3.4.6 Impulse Response Function IRF