4. Hasil pemikiran forecast yang diperoleh dengan menggunakan metode ini
dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model persamaan simultan yang kompleks sekalipun.
Selain itu, analisis VAR juga merupakan alat analisis yang sangat berguna, baik di dalam memahami adanya hubungan timbal balik interrelationship
antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur.
Sekalipun model VAR banyak memiliki kelebihan, namun model ini tetap mempunyai sisi lemah. Ada beberapa kelemahan yang dimiliki model tersebut
antara lain : 1.
Model VAR bersifat a-theory karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karena itu model VAR sering disebut model yang tidak
struktural. 2.
Model VAR tidak cocok untuk menganalisis kebijakan karena tujuan utama model ini adalah untuk peramalan
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan. Misalnya kita mempunyai tiga variabel bebas dengan masing-masing lag sebanyak delapan. Hal tersebut berarti kita harus
mengestimasi paling sedikit 24 parameter. Untuk kepentingan tersebut, kita harus mempunyai data atau pengamatan yang relatif banyak.
4. Semua variabel dalam VAR harus stasioner, jika tidak stasioner, maka harus
ditransformasi terlebih dahulu. 5.
Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.8. Analisis Vector Error Correction Model VECM
VECM adalah suatu analisis untuk melakukan rekonsiliasi perilaku peubah ekonomi jangka panjang dan peubah ekonomi jangka pendek Gujarati 1995.
Untuk itu, peubah-peubah di dalam VECM memiliki spesifikasi hubungan jangka panjang atau kointegrasi. Hubungan dinamis jangka pendek antar peubah dalam
sistem dipengaruhi oleh deviasipenyimpangan dari keseimbangan jangka panjang. Model VECM berguna untuk mengukur kecepatan deviasi kembali ke
keseimbangan.
VECM mempunyai hubungan kointegrasi yang dibangun melalui spesifikasi perilaku jangka panjang dari variabel-variabel endogen untuk menuju converge
ke hubungan jangka panjangnya, serta memungkinkan dilakukan penyesuaian jangka pendek secara dinamik. Sebagai contoh, digunakan sistem dua variabel
yang memiliki suatu persamaan kointegrasi tanpa turunan dalam bentuk lag Subagjo, 2005.
2.9. Impulse Response Function IRF
Impulse resnponse function IRF adalah metode yang digunakan untuk menentukan respon suatu variabel endogen terhadap guncangan shocks variabel
tertentu. IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap guncangan dari variabel itu sendiri dan variabel endogen lainnya. IRF
juga mengidentifikasikan suatu guncangan pada suatu variabel endogen sehingga dapat menetukan bagaimana suatu perubahan yang tidak diharapkan dalam
variabel mempengaruhi variabel lainnya sepanjang waktu. Hasil IRF sangat sensitif terhadap pengurutan ordering variabel yang
digunakan dalam perhitungan.pengurutan variabel yang didasarkan pada faktorisasi chelosky dilakukan dengan catatan variabel yang memiliki nilai
prediksi terhadap variabel lain yang diletakkan di depan berdampingan satu sama lainnya. Sedangkan, variabel yang tidak memiliki nilai prediksi terhadap variabel
lain diletakkan paling belakang, kemudian variabel lainnya diletakkan di antara kedua variabel tersebut berdasarkan nilai matriks korelasi yang menyatakan
tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui berapa lama pengaruh shock dari satu variabel terhadap variabel lain tersebut
tejadi. IRF juga bertujuan untuk mengisolasi suatu guncangan agar lebih spesifik artinya variabel ekonomi hanya dipengaruhi oleh guncangan tertentu saja. Apabila
hal tersebut tidak dilakukan maka guncangan spesifik tersebut tidak dapat diketahui dan yang dapat diketahui adalah guncangan secara umum.
2.10. Forecast Error Variance Decompisition FEVD
