Pilihan Alat Analisis Kerangka Analisis

113 menyebabkan dibutuhkan pendekatan lain yang lebih baik untuk model dinamik. Kelemahan pendekatan CC dan LSE ini adalah cenderung mengabaikan uji diagnostik pada reduced form-nya Amisano and Giannini, 1997. Pendekatan GMM-CM walaupun menerapkan uji statistik diagnostik yang komprehensif terhadap reduced form-nya, tidak berbeda dengan pendekatan CC dalam hal simulasi dan evaluasi kebijakan. Koefisien regresi dalam model ini merupakan campuran dari deep parameters dan expectational parameters. Campuran kedua parameter ini menyebabkan ketidakstabilan jika diterapkan pada keadaan yang berbeda. Konsekuensi dari ketidakstabilan ini menyebabkan model ini tidak dapat digunakan untuk simulasi kebijakan Supriana, 2004. Model yang terakhir banyak dikembangkan adalah vector autoregresive VAR dan Structural-VAR sebagaimana diuraikan pada bagian 3.6.1. Pandekatan ini dapat mengatasi kritik Lucas Lucas critique sebagaimana dijelaskan pada bagian 3.6. Kritik Lucas ditujukan untuk analisis kebijakan pada model-model ekonomi makro dinamik dan stokastik dengan menggunakan pendekatan klasik Thomas, 1997. Pendekatan VAR dengan general to specific G-S, menghasilkan rekomendasi dalam morespon guncangan ekonomi makro melalui model teoretik. Untuk dapat diuji dan diinterpretasikan secara ekonomi sehingga diperoleh model hubungan jangka panjang yang memberi pemaknaan ekonomi maka dilakukan restriksi berdasarkan teori ekonomi mengimpose over identifying restriction Verbeek, 2000 dijelaskan pada bagian 3.6.2 dalam bentuk error correction EC atau vector error correction model VECM sebagaimana diuraikan pada bagian 3.6.3. Restriksi dibuat secara eksplisit dalam bentuk matrik kointegrasi. 114 Dari uraian di atas; maka metode VARVECM dipilih dalam penelitian ini sebagaimana diuraikan pada bagian 1.4, 2.7.5, dan 3.6.1 dengan alasan: pertama, dari sifat dasar nature data, penelitian ini menggunakan data deret waktu dengan variabel non-stasioner nilai rata-rata [mean] dan varian selalu berubah sepanjang waktu. Pada metode VAR telah dilakukan prakondisi awal dengan pengujian pendahuluan yang ketat menyangkut uji akar unit unit root dan kointegrasi untuk melihat apakah variabel yang digunakan dalam sistem persamaan stasioner atau non-stasioner. Ini penting, karena pada metode konvensional mengsumsikan bahwa nilai rata-rata mean dan varian dari variabel-variabel konstan dan independen terhadap waktu Thomas, 1997. Jika fenomena data time series pada makroekonomi digunakan asumsi seperti pada metode konvensional di atas, maka akan tidak berhasil menuju konvergen nilai yang sebenarnya dengan semakin meningkatnya ukuran sampel. Sehingga menggunakan data yang non-stasioner secara langsung ke dalam model bisa menghasilkan estimasi yang spurious. Kedua, nature permasalahan kebijakan fiskal dan keseimbangan ekonomi pada sektor pertanian dan agroindustri adalah dinamik dan stokastik antar waktu. Model makro ekonomi klasik yang menganggap bahwa model yang diestimasi pada keadaan tertentu dapat digunakan untuk peramalan pada kondisi rezim kebijakan yang berbeda maka parameter yang diestimasi tidak berubah pada kebijakan dimanapun perekonomian berada. Model ekonomi demikian menjadi tidak valid Verbeek, 2000. Pendekatan VARVECM mampu mengatasi kritik Lucas. Ketiga, dari tujuan yang akan dicapai adalah menganalisis hubungan antar variabel dalam jangka panjang kointegrasi. Dengan model kointegrasi VECM akan dapat diketahui hubungan variabel multivariat variabel-variabel kebijakan 115 fiskal, sektor pertanian dan agroindustri pada jangka panjang long-term dimana efek permanen pada berbagai variabel yang diobservasi dan efek temporar dapat dijelaskan dengan structural disturbances dari masing-masing variabel tersebut. Dengan demikian model VECM yang digunakan dalam penelitian ini cukup handal untuk melakukan peramalan hubungan antara variabel-variabel kebijakan fiskal dan sektor pertanian serta agroindustri dalam horizon jangka panjang baik melalui analisis kointegrasi dengan melakukan over-identifiying restriction maupun inovasi residual error term pada analisis IRF dan FEVD. Keterbatasan model VECM ini karena model teoretis dan untuk mencapai model parsimonious, maka tidak bisa menggunakan variabel banyak. Sehingga mensyaratkan seleksi variabel dilakukan dengan kritis bahwa variabel itu penting dilandasi relevansi teoretis yang komprehensif. 4.1.2. Analisis Untuk Mencapai Tujuan Penelitian Tujuan penelitian pertama dicapai dengan menggunakan nilai-nilai rasio konvensional. Untuk mengetahui kinerja sektor pertanian diekspresikan dengan pertumbuhaan output, penyerapan tenaga kerja, kesejahteraan petani, perdagangan ekspor, dan impor seperti diuraikan pada bagian 3.4. Sedangkan kinerja agroindustri diekspresikan dengan nilai tambah input dan output, serta daya saing seperti diuraikan pada bagian 3.5. Tujuan penelitian kedua, dicapai dengan metode VARVECM dengan pendekatan Sims Thomas, 1997. Dari uji tersebut akan diketahui keterkaitan kebijakan fiskal terhadap kinerja sektor pertanian dan agroindustri jangka panjang dari sistem persamaan kointegrasi. Dalam metode Sims, variabel-variabel yang dispesifikasi ke dalam model VARVECM dipilih sesuai dengan logika teori 116 ekonomi yang relevan. Hubungan antara variabel-variabel dibiarkan secara alamiah; sehingga tidak diperlakukan secara apriori. Dengan itu maka semua variabel dalam sistem diperlakukan sebagai variabel endogen. Dalam model VARVECM, karena semua variabel diperlakukan secara setara sebagai variabel endogen, maka variabel- variabel pada ruas sebelah kanan persamaan tidak selalu berarti merupakan variabel penentu bagi variabel di ruas sebelah kiri. Persamaan ini hanya menunjukkan adanya hubungan diantara variabel-variabel dalam persamaan. Untuk mengetahui ada atau tidak pengaruh dari sesuatu variabel terhadap variabel lain, serta sesuatu variabel dipengaruhi atau ditentukan oleh variabel yang mana dalam persamaan, caranya adalah dilakukan melalui tes kausalitas Granger atau Sims. Kausalitas dalam ekonometrika mengacu pada kemampuan untuk memprediksi yang disebut Granger causality Thomas 1997. Teorema Granger causality menyatakan, X menyebabkan Granger cause Y apabila nilai Y saat ini dapat diprediksi dengan lebih akurat melalui nilai X yang lampau, dibandingkan dengan tanpa menggunakan nilai X yang lampau tersebut. Metode ini memungkinkan setiap variabel diperlakukan secara simetris. Sehingga tidak ada pemilahan bahwa sesuatu variabel apakah eksogen atau endogen. Granger Test dilakukan dengan prosedur sebagai berikut: y t = α + α 1 y t-1 + α 2 y t-2 + α 3 y t-3 + 1 x t-1 + 2 x t-2 + 3 x t-3 + t 4.1 Apabila 1 = 2 = 3 = 0 maka x tidak Granger-cause y. Sebaliknya, apabila ada koefisien yang tidak bernilai nol maka x Granger-cause y. Alternatif lain pada teorema Sims causality; masa yang akan datang tidak dapat menyebabkan saat ini the future cannot cause the present. Dalam tes Sims dilakukan pengujian melalui persamaan: 117 x t = + 1 x t-1 + 2 x t-2 + 3 x t-3 + 1 y t+3 + 2 y t+2 + 3 y t+1 + 4 y t-1 + 5 y t-2 + 6 y t-3 + t 4.2 Pada 4.1, x lebih merupakan variabel dependen dari y dan menentukan nilai-nilai y yang meliputi y t+1 , y t+2 , y t+3 . Pada 4.2, jika x Granger-cause y maka dapat diperkirakan adanya hubungan antara x yang menentukan y. Sehingga tidak terjadi kondisi 1 = 2 = 3 = 0. Namun jika 1 , 2 , dan 3 tidak sama dengan 0 bukan berarti kausalisasi terjadi dari y terhadap x. Masa depan tidak dapat menentukan masa kini. Nilai yang tidak sama dengan nol diinterpretasikan bahwa kausalisasi terjadi dari x ke y. Analisis VARVECM adalah untuk menentukan hubungan diantara variabel-variabel, bukan untuk estimasi parameter dan juga bukan untuk peramalan jangka pendek. Sehingga dalam pengujian statistik, yang terpenting adalah persamaan-persamaan dalam model secara kolektif berdasarkan F-test signifikan, meskipun bisa terjadi estimasi koefisien berdasarkan t-test yang mungkin disebabkan oleh multikolinieritas tidak signifikan. F-test digunakan untuk mengukur signifikansi dari estimasi regresi secara menyeluruh, sedangkan t-test digunakan untuk mengukur signifikansi dari koefisien-koefisien regresi. Tujuan penelitian ketiga dan keempat, dicapai dengan analisis fungsi respon impulse impulse response functions-IRF dan analisis dekomposisi ragam kesalahan peramalan atau forecast error variance decomposition FEVD. Keefektifan kebijakan fiskal terhadap kinerja sektor pertanian dan agroindustri diukur berdasarkan 1 frekuensi hubungan signifikan antar variabel dalam sistem persamaan kointegrasi dan 2 frekuensi magnitude yang paling besar dari inovasi error term pada analisis IRF dan FEVD. 118

4.2. Spesifikasi Model

Keterkaitanhubungan antara variabel yang telah dipilih dari kebijakan fiskal terhadap variabel kinerja sektor pertanian dan kinerja agroindustri dispesifikasi dalam model VAR dengan ordo k, dimana ordo k menunjukkan panjang lag k. dalam bentuk tereduksi Thomas, 1997; Hsiao, 1997; Siregar, 2001; Enders, 2004 sebagai berikut: VAR k, Z t = A 1 Z t-1 + A 2 Z t-2 + ... + A k Z t-k + t 4.3 dimana: Z t = variabel time series yang disepsifikasi, A k = matrik parameter berukuran n x 1. Jika k = 3, spesifikasi model VAR dalam penelitian ini disusun sebagai berikut: x it = α 1i ∆ x it-k + t 4.4 ∑ = 3 1 k dimana: x i = PPh, PPn, DEF, U, EA, SP, RDA, IA, DF, I, KONS, GDPA, TKA, XA, MA, WP, NTI, NTO, DSA, t = vektor error term white noice, i = 1, 2, 3, ..., 19, dan t = waktu. Besarnya ordolag k optimal diuji dengan melihat Akaike Information Criterion AIC, dan Schwartz Bayesian Criterion SBC. Memasukkan matrik kointegrasi ke dalam model VAR akan dihasilkan model VAR terkointegrasi cointegrating VAR, disebut model general vector error correction VECM Siregar and Ward, 2002; Supriana, 2004. 119 Spesifikasi model VECM keefektifan kebijakan fiskal terhadap kinerja sektor pertanian dengan penekanan pada agroindustri adalah sebagai berikut: 4.5 e x x x t t i t k − i i t t + + + + = − − = Δ ∑Γ Δ 1 1 1 1 αβ μ μ dimana: ∆x t = vektor time series x x t – x t-1 , k-1 = Ordo VECM dari VAR, Г i = matrik koefisien regresi, μ o = vektor intersep, μ 1 = vektor koefisien regresi, α = matrik loading, ’ = vektor kointegrasi, x t = PPh, PPn, DEF, U, EA, SP, RDA, IA, DF, I, KONS, GDPA, TKA, XA, MA, WP, NTI, NTO, DSA, e t = error term, dan t = waktu. Vektor kointegrasi ’ pada persamaan 4.5 atau α ’ adalah petunjuk adanya hubungan jangka panjang dari variabel yang dianalisis. Matrik dari vektor kointegrasi jika berdasarkan uji kointegrasi dari persamaan jangka panjang diperoleh rank kointegrasi tiga dengan r=3 bentuknya adalah: β’= 4.6 1 0 0 β 14 β 15 β 16 β 17 β 18 β 19 β 110 β 111 β 112 β 113 β 114 β 115 β 116 β 117 β 118 β 119 1 1 0 β 24 β 25 β 26 β 27 β 28 β 29 β 210 β 211 β 212 β 213 β 214 β 215 β 216 β 217 β 218 β 219 1 0 1 β 34 β 35 β 36 β 37 β 38 β 39 β 310 β 311 β 312 β 313 β 314 β 315 β 316 β 317 β 318 β 319