Dimana ∑
ε
i 2
adalah jumlah residual kuadrat, sedangkan N dan K masing- masing adalah jumlah sampel dan jumlah variabel yang beroperasi dalam suatu
persamaan. Untuk memperoleh lag yang paling optimal, model yang digunakan harus
diestimasi dengan berbeda-beda tingkat lag-nya, kemudian dibandingkan nilai AIC-nya. Nilai AIC terkecil merupakan tingkat lag yang paling optimal.
3.2.5 Uji Kointegrasi
Kointegrasi merupakan suatu hubungan jangka panjang long term relationship equilibrium
antara variabel-variabel yang stasioner pada derajat integrasi yang sama. Suatu deret waktu dikatakan terintegrasi pada tingkat ke-d
atau Id jika data tersebut bersifat stasioner setelah pendiferensiasian sebanyak d kali Kumala, 2000.
Bila data tidak stationer, maka perlu dilakukan uji kointegrasi, dimana jika data yang tidak stationer terkointegrasi maka kombinasi linear antar variabel-
variabel dalam sistem akan bersifat stationer sehingga dapat diperoleh sistem persamaan jangka panjang yang stabil Enders, 2004. Ada beberapa cara untuk
melakukan uji kointegrasi, antara lain Eangle-Granger Cointegration Test, Johansen Cointegration Test
dan Cointegrating Regresion Durbin-Watson Test. Pada penelitian ini, uji kointegrasi dilihat dari Johansen Cointegration
Test. Untuk dapat melihat berapa jumlah persamaan yang terkointegrasi di dalam
sistem, dilakukan perbandingan estimasi Johansen Tarce Statistic terhadap nilai
kritisnya critical value. Jika nilai critical value lebih kecil dari Tarce Statistic maka persamaan tersebut terkointegrasi.
Estimasi model penelitian dengan menggunakan kointegrasi dapat dilakukan dengan mengaplikasikan metodologi Johanson yang terdiri dari
beberapa tahap, yaitu: 1.
Menguji ordo integasi semua variabel. Data perlu diplotkan untuk mengamati ada atau tidaknya trend linier. Disarankan tidak mencampur
variabel dengan ordo yang berbeda. 2.
Mengestimasi model dan menetapkan kondisi model. Kondisi model dapat dilakukan dalam tiga bentuk :
a. Semua elemen konstanta sama dengan nol A
= 0. b.
Nilai A ditetapkan.
c. Nilai A
merupakan konstanta pada vekor kointegrasi. 3.
Menganalisis untuk mendapatkan vektor kointegrasi yang dinormalkan dan koefisian.
4. Menghitung faktor koreksi galat untuk membantu mengidentifikasi model
struktural.
3.2.6 Vector Error Correction Model VECM
Vector Error Correction Model VECM adalah suatu turunan VAR yang
berguna untuk melihat hubungan keseimbangan jangka panjang dari persamaan- persamaan yang terkointegrasi. Caranya adalah dengan merestriksi beberapa
variabel dari suatu persamaan. Metode ini adalah cara untuk melihat pengaruh suatu variabel terhadap variabel lainnya dalam jangka panjang.
Model VECM disusun apabila rank kointegrasi r lebih besar dari nol. Model VECM ordo p dan rank kointegrasi r dapat dirumuskan sebagai berikut:
P-1
ΔZ
t
= A +
π
Z
t-1
+
Σ
Ø
i
ΔZ
t-
1
+
ε
t
………………………. 3.6
i=1
Dimana :
π
= αβ
α = Vektor kointegrasi berukuran r x 1 β = Vektor adjusment berukuran berukuran r x 1
P
Ø
i
= - Σ A
j j=i+1
Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan maksimum. Sedangkan interpretasi hasil estimasi VEC dapat
dilakukan dengan melihat koefisien kointegrasinya dan pembacaan tanda adalah terbalik dari tanda koefisiennya.
3.2.7 Uji Kausalitas Multiariat
