Estimasi VAR dan VECM

32 Sumber : Juanda dan Junaidi 2012, Enders 2004 Gambar 7. Sistematika Pengolahan Vector Autoregression VAR

3.2.5 Analisis Impulse Response Function IRF

Model VAR dapat digunakan untuk melihat dampak perubahan yang dialami oleh salah satu variabel dalam sistem terhadap variabel lain dalam sistem secara dinamis, yaitu dengan memberikan guncangan shock pada salah satu variabel endogen. Guncangan yang diberikan biasanya sebesar satu standar deviasi dari variabel tersebut dan disebut dengan innovations. Penelusuran pengaruh guncangan sebesar satu standar deviasi yang dialami salah satu variabel dalam sistem terhadap nilai-nilai semua variabel saat ini dan beberapa periode mendatang disebut sebagai teknik Impulse Response Function IRF. Misalnya untuk suatu model VARp dapat ditulis dalam bentuk Vector Moving Average VMA berikut : Y t = μ + v t + A 1 v t −1 + A 2 v t −2 + A p v t −p ........................................... 3.10 Jika vektor v t naik sebesar vektor d, maka dampak terhadap Y t+s untuk s0, diberikan oleh A s d. Sehingga matriks A s merupakan dampak kenaikan satu unit v it terhadap Y t+s . Dampak tersebut diplot dengan s, dimana s0. Hal ini yang disebut dengan IRF. Matriks A s dapat dinyatakan sebagai berikut : � � = ∂ Y� �+� ∂�� � .............................................................................................. 3.11 Data Time Series Pengujian Akar Unit Terdapat Kointegrasi Data Stasioner pada Level Data Stasioner pada First Difference Unrestricted VAR Uji Kointegrasi Tidak Ada Kointegrasi VECM VAR in difference 33

3.2.6 Analisis Forecast Error Decomposition Variance FEDV

Analisis Forecast Error Decomposition Variance FEDV digunakan untuk memprediksi kontribusi persentase varian setiap peubah karena adanya perubahan peubah tertentu dalam sistem VAR. Analisis ini dilakukan terhadap hubungan antar harga beras tingkat retail terhadap pasangan masing-masing provinsi; antara harga beras tingkat retail pada masing-masing provinsi dengan harga beras tingkat grosir jenis IR-64 kualitas II dan kualitas III di PIBC; serta antara harga beras tingkat grosir jenis IR-64 kualitas II dan kualitas III di PIBC dengan harga beras internasional Thailand broken 15 persen dan Vietnam broken 15 persen yang memiliki kointegrasi pasar.

3.2.7 Analisis Faktor Penentu Integrasi Pasar Beras di Indonesia

Untuk mengetahui faktor penentu integrasi pasar beras, maka penelitian ini menduga terdapat beberapa variabel yang menjadi faktor penentu integrasi pasar beras spasial di Indonesia. Beberapa explanatory variable yang diduga merupakan faktor penentu integrasi pasar beras spasial antar provinsi di Indonesia diregresikan dengan dependent variable berupa nilai trace statistic hasil uji kointegrasi Johansen antar pasangan pasar di 26 provinsi yang telah dilakukan sebelumnya, berdasarkan model penelitian Varela et al. 2012. Nilai trace statistic memberikan bukti terjadinya pergerakan harga dan indikasi bahwa terdapat integrasi spasial. Demikian pula sebaliknya. Variabel yang diduga merupakan faktor-faktor penentu integrasi pasar beras spasial di Indonesia, diantaranya merujuk pada penelitian Goodwin dan Schroeder 1991, Goletti et al. 1995 dan Ismet et al. 1998. Variabel-variabel tersebut adalah : • TS ij , yaitu nilai trace statistic dari hasil pengujian kointegrasi antar pasangan pasar di 26 provinsi yang telah dilakukan sebelumnya antara provinsi i dan j. • Jarak ij , yaitu jarak provinsi i dan provinsi j dalam kilometer. Diharapkan koefisiennya bertanda negatif. Semakin besar nilainya maka semakin rendah tingkat integrasi pasar yang terjadi. • Jalan i dan Jalan j , yaitu proporsi kilometer jalanan beraspal terhadap total kilometer panjang jalanan. Diharapkan koefisiennya bertanda positif, karena