3.2.3 Penetapan Lag Optimal
Uji lag optimal dilakukan untuk mengetahui berapa jumlah lag yang sesuai untuk model. Penetapan tingkat lag optimal dapat dilakukan dengan
menggunakan fungsi kriteria informasi sebagai berikut: a Kriteria uji likelihood ratio LR
; b final prediction error FPE; c Akaike information criterion AIC; d Schwartz information criterion SIC; dan e Hannan_Quinn criterion
HQ. Penentuan lag optimal dalam analisis VAR sangat penting dilakukan karena
variabel endogen dari variabel endogen dalam sistem persamaan akan digunakan sebagai variabel eksogen Enders 2004. Pengujian panjang lag optimal ini
berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR. Dalam penelitian ini digunakan semua kriteria informasi untuk menentukan lag optimal.
Model VAR diestimasi dengan lag yang berbeda-beda kemudian dibandingkan nilai kriterianya. Nilai lag yang optimum adalah nilai kriteria yang terkecil.
3.2.4 Uji Kointegrasi
Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah tak bebas bersifat stasioner. Apabila data tidak stasioner, maka perlu dilakukan uji
kointegrasi, dimana jika data 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. Suatu deret waktu dikatakan terintegrasi pada lag ke-d atau Id jika data
tesebut bersifat stasioner setelah pendiferensian sebanyak d kali. Peubah-peubah tidak stasioner yang terintegrasi pada tingkat yang sama dapat membentuk
kombinasi linier yang bersifar stasioner. Komponen dari vektor y
t
dikatakan terkointegrasi jika ada vektor
β =
β
1,
β
2,......,
β
n
sehingga kombinasi linier β
y
t
bersifat stasioner, dengan syarat ada unsur matriks β
bernilai tidak sama dengan nol. Vektor
β dinamakan vektor kointegrasi. Rank kointegrasi r dari vektor
adalah banyaknya vektor kointegrasi yang saling bebas. Nilai r dapat diketahui melalui uji Johansen. Hipotesisnya adalah:
H = rank ≤ r
H
1
= rank r
Apabila rank kointegrasi lebih besar dari nol, maka model yang digunakan adalah VECM dan apabila rank kointegrasi sama dengan nol, maka model yang
digunakan adalah VAR dengan pendiferensian sampai lag ke d. Adanya hubungan kointegrasi dalam sebuah sistem persamaan mengimplikasikan bahwa dalam
sistem tersebut terdapat Error Correction Model yang menggambarkan adanya dinamisasi jangka pendek secara konsisten dengan hubungan jangka panjannya.
3.2.5 Vector Error Correction Model VECM
VECM merupakan bentuk VAR yang terestriksi. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner pada level
namun terkointegrasi. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. VECM sering disebut sebagai desain
VAR bagi series non stasioner yang memiliki hubungan kointegrasi. Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel
endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal juga
sebagai error, karena deviasi terhadap keseimbangan jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek.
VECM standar didapat dari model VAR dikurangi dengan x
t-1.
Persamaan matematis ditunjukkan oleh persamaan berikut
Achsani et al. 2005 dalam Junaidi 2010:
∆ x
t-1
= μ
t
+ Πx
t-1
+
∑
− =
Γ
1 1
k i
i
∆ x
t-1
+ u
t
3.5 Π
dan Γ adalah fungsi dari Ai, matriks Π bisa didekomposisi kedalam 2 matriks berdimensi n x r α dan β; Π = α β
T
, dimana α disebut matriks penyesuaian dan β sebagai vektor kointegrasi dan r adalah cointegration rank. Kerangka kointegrasi
hanya sesuai jika variabel-variabel yang berhubungan terintegrasi. Hal ini bisa diuji dengan menggunakan uji akar unit. Saat tidak bisa ditemukan akar unit,
maka metode ekonometrik tradisional dapat diterapkan.
3.2.6 Impuls Response Function IRF
IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. IRF
digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu
standar deviasi. Vector autoregression dapat pula direpresentasikan sebagai suatu vector moving average
VMA:
x
t
= μ +
∑
∞ =
− 1
i t
i
ε φ
3.6
keterangan :
=
i i
i i
22 21
12 11
φ φ
φ φ
φ
Keempat koefisien Ø
11
i, Ø
12
i, Ø
21
i, dan Ø
22
i merupakan impuls response function
. Hasil IRF tersebut sangat sensitif terhadap pengurutan ordering variabel yang digunakan dalam perhitungan. Pengurutan variabel yang
didasarkan pada faktorisasi cholesky. Variabel yang memiliki nilai prediksi terhadap variabel lain diletakkan di depan berdampingan satu sama lainnya.
Variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakkan paling belakang. Dalam penelitian ini yang akan diteliti adalah pengaruh shock
volume ekspor, harga ekspor, nilai tukar riil, harga internasional dan harga karet alam negara kompetitor pada lag 1 terhadap volume ekspor karet alam Indonesia
ke Amerika Serikat dan Jepang.
3.2.7 Forecast Error Variance Decomposition FEVD
FEVD adalah metode yang dapat digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro ditunjukkan oleh perubahan variance error
yang dipengaruhi oleh variabel-variabel lainnya. Metode ini dapat melihat juga kekuatan dan kelemahan dari masing-masing variabel dalam memengaruhi
variabel lainnya pada kurun waktu yang panjang how longhow persistent. Dekomposisi varians merinci varians dari error peramalan forecast menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Melalui perhitungan persentase squared prediction error k-tahap ke
depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel
itu sendiri dan variabel-variabel lainnya
Kategori