first difference pada Tabel 7, diketahui bahwa semua data stasioner pada uji
derajat integrasi satu I1. Tabel 7. Uji Akar Unit First Difference
Nilai Kritis Mac Kinnon
VARIABEL Nilai ADF
1 5 10
KETERANGAN Log M2
-5.639893 -3.542097
-2.910019 -2.592645
Stasioner 1 iDEP -4.707299
-3.542097 -2.910019
-2.592645 Stasioner
1 USTBills -4.120856 -3.542097 -2.910019 -2.592645 Stasioner
1 Log IHK
-4.698799 -3.546099
-2.911730 -2.593551
Stasioner 1 Log ER
-5.663179 -3.542097
-2.910019 -2.592645
Stasioner 1 Log PDB
-6.203863 -3.542097
-2.910019 -2.592645
Stasioner 1
Sim dan Doan dalam Nurdin 2003 menyatakan bahwa dalam mengoperasikan metode VAR tidak dianjurkan menggunakan bentuk first
difference . Jika data first difference digunakan akan menghilangkan informasi
penting tentang hubungan variabel-variabel dalam sebuah sistem seperti kemungkinan adanya hubungan kointegrasi. Oleh sebab itu, dalam studi ini tidak
akan digunakan data first difference dalam mengoperasikan metode VAR.
4.4. Tingkat
Lag Optimal
Tahapan pertama yang dilakukan untuk menentukan tingkat lag optimal adalah dengan melihat stabilitas sistem VAR. Lampiran 5 menunjukkan nilai
inverse roots karakteristik AR polinomial untuk sistem VAR dengan lag enam.
Dari lampiran tersebut terlihat bahwa seluruh roots memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle. Dengan demikian, dapat
dikatakan bahwa sistem VAR dengan lag enam tersebut adalah stabil.
Pada metode VAR penetapan lag optimal menjadi sangat penting karena variabel independen yang dipakai tidak lain adalah lag dari variabel endogennya.
Tahapan selanjutnya dalam penentuan tingkat lag optimal adalah dengan mempertimbangkan nilai statistik SIC yang hasilnya dapat dilihat pada Tabel 8.
Perhitungan nilai statistik SIC untuk setiap lag mengindikasikan bahwa nilai minimum SIC didapatkan saat lag 2. Oleh karena itu dapat ditetapkan bahwa lag
optimal yang digunakan dalam model VAR adalah lag 2. Penentuan lag optimal ini penting untuk melakukan uji kointegrasi Johansen.
Tabel 8. Perhitungan SIC Schwarz Information Criterion Lag
SIC Statistic 0 -11.01012
1 -27.47292
2 -28.08213
3 -27.81054 4 -26.80139
5 -26.18099 6 -26.63421
4.5. Kointegrasi
Konsep kointegrasi menyatakan bahwa jika satu atau lebih variabel yang tidak stasioner terkointegrasi, maka kombinasi linier antar variabel-variabel dalam
sistem akan bersifat stasioner sehingga dapat diperoleh sistem persamaan jangka panjang yang stabil Enders, 2004. Dengan demikian, selanjutnya dapat
dilakukan pengujian kointegrasi untuk memperoleh hubungan jangka panjang antara variabel M2, iDEP, IHK, ER, US TBills dan PDB.
Seluruh variabel telah memenuhi persyaratan untuk proses integrasi, yaitu semua variabel stasioner pada derajat yang sama yaitu derajat satu I1. Hal ini
menunjukkan bahwa semua variabel dalam sistem mempunyai sifat integrated of order one
, I1. Oleh sebab itu, pengujian kointegrasi dapat dilakukan yaitu dengan menggunakan panjang lag optimal VAR dikurangi 1, yaitu lag 1. Hasil uji
kointegrasi dapat dilihat pada Tabel 9. Adapun tahap awal dari uji kointegrasi Johansen adalah dengan
menentukan asumsi tren deterministik yang digunakan. Berdasarkan hasil summary,
asumsi tren deterministik yang sesuai untuk digunakan dalam penelitian ini adalah asumsi satu no intercept or trend in CE or test VAR. Pemilihan asumsi
satu diperoleh berdasarkan Schwarz Criteria. Hasil uji kointegrasi Johansen dengan asumsi satu menunjukkan bahwa terdapat tiga persamaan kointegrasi
dalam taraf signifikansi 5 persen maupun 1 persen berdasarkan trace test. Tidak digunakannya asumsi lima berdasarkan Akaike Information Criteria merujuk
pada Enders 2004 yang mengemukakan bahwa lebih baik menghindari penggunaan tren, kecuali jika memang terdapat alasan yang kuat untuk
menggunakannya. Hasil uji kointegrasi Johansen dengan asumsi satu menunjukkan bahwa
terdapat tiga persamaan kointegrasi dalam taraf signifikansi lima persen maupun satu persen berdasarkan trace test Lampiran 7.
Tabel 9. Test Johansen’s Trace Statistic Hypothesized
No. of CEs Eigenvalue
Trace Statistic
5 Percent Critical Value
1 Percent Critical Value
None 0.767102
210.2047 82.49
90.45 At most 1
0.706176 121.3182
59.46 66.52
At most 2 0.374005
46.60691 39.89
45.58 At most 3
0.167799 18.03370
24.31 29.75
At most 4 0.104665
6.829158 12.53
16.31 At most 5
0.001395 0.085152
3.84 6.51
Sumber : Lampiran 8 Catatan : signifikan pada tingkat 1 dan 5
Tabel 9 menunjukkan hasil Test Johansen’s Trace Statistic untuk mengetahui jumlah persamaan kointegrasi di dalam sistem. Perbandingan estimasi
Trace Statistic terhadap nilai kritisnya critical values diketahui bahwa terdapat 3
persamaan kointegrasi dalam taraf signifikansi 5 persen maupun 1 persen. Uji kointegrasi menunjukkan bahwa ada tiga persamaan yang
terkointegrasi dalam taraf 5 persen maupun 1 persen. Hasil estimasi VECM digunakan untuk memperoleh inovasi residual yang akan digunakan untuk
analisis VAR. Selanjutnya dengan melihat estimasi Vector Error Correction Model
VECM, dapat diketahui hubungan jangka panjang yang terlihat pada Tabel 10-12.
Tabel 10. Hasil Estimasi VECM untuk Variabel Suku Bunga AS Didasarkan
pada Kointegrasi VAR3
Variabel Koefisien Standard
Error T-Statistik
iDEP-1 0.074056 0.05742 -1.28975 Log M2-1
-0.021608 0.00569
3.79731 Log IHK-1
0.053667 0.01567
-3.42423
Catatan : signifikan pada taraf nyata 5
Tabel 11. Hasil Estimasi VECM untuk Variabel PDB Didasarkan pada Kointegrasi VAR3
Variabel Koefisien Standard
Error T-Statistik
iDEP-1 -9.521087 1.44885 6.57147 Log M2-1
0.916334 0.14359
-6.38174 Log IHK-1
-0.920498 0.39547
2.32763
Catatan : signifikan pada taraf nyata 5
Tabel 12. Hasil Estimasi VECM untuk Variabel Nilai Tukar Didasarkan pada Kointegrasi VAR3
Variabel Koefisien Standard
Error T-Statistik
iDEP-1 -13.68982 2.40702 5.68744 Log M2-1
0.262513 0.23855
-1.10047 Log IHK-1
0.938071 0.65700
-1.42781
Catatan : signifikan pada taraf nyata 5
Hasil dari VECM ini tidak dibahas lebih lanjut karena fokus penelitian tidak terletak pada hasil estimasi ini. Fokus penelitian, sesuai dengan tujuan yang
ingin dicapai adalah pada innovation accounting, yakni Impulse Response Function
IRF dan Variance Decomposition VD. Hasil di atas seperti telah dijelaskan sebelumnya digunakan sebagai hasil antara untuk memperoleh residual.
Residual dari VECM ini yang selanjutnya akan digunakan untuk analisis IRF dan VD.
4.6. Hasil Uji Kausalitas Multivariat
