Ciri-Ciri VAR Langkah-Langkah VAR

30

3.4.2 Ciri-Ciri VAR

1. Bersifat ateori, artinya tidak berlandas teori dalam menentukan model regresi. 2. Memperlakukan semua variabel secara endogen tidak dibedakan independen atau dependen. 3. Perangkat estimasi yang digunakan adalah fungsi IRF Impulse Response Function dan variance decomposition. 4. IRF digunakan untuk melacak respons saat ini dan masa depan setiap variabel akibat shock suatu variabel tertentu. 5. Variance Decomposition, memberikan informasi mengenai kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.

3.4.3 Langkah-Langkah VAR

1. Uji Stasioneritas Data Derajat Integrasi Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process. Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented Dickey-Fuller ADF pada derajat yang sama level atau different hingga diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya Enders, 1995 dalam buku cara cerdas menguasai eviews. Gujarati 2003:817 menjelaskan bentuk persamaan uji stasioner dengan analisis ADF dalam persamaan berikut : ∆ Y t = α + �Y t-1 + � i ∑ ∆ Yt � �=1 -1+1 + � t 31 Dimana : Y t = bentuk dari first difference α = Intersep Y = Variabel yang diuji stasioneritasnya P = Panjang lag yang digunakan dalam model � = error term Dalam persamaan tersebut, kita ketahui bahwa Ho menunjukkan adanya unit root dan Ht menunjukkan kondisi tidak adanya unit root. Jika dalam uji stasioneritas ini menunjukkan nilai ADF statistik yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak mengandung unit root. Sebaliknya, jika nilai ADF statistik lebih kecil daripada Mackinnon critical value, maka dapat disimpulkan data tersebut tidak stasioner pada derajat level. Dengan demikian, differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first different I 1 harus dilakukan, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya. 2. Penentuan Lag Optimal Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Haris, 1995 dalam buku cara cerdas menguasai eviews, Shochrul dan Rahmat, 2011 menjelaskan bahwa jika lag yang digunakan dalam uji stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya, γ dan standar kesalahan tidak diestimasi secara baik. Namun demikian, jika memasukkan terlalu banyak lag, maka dapat mengurangi 32 kemampuan untuk menolak Ho karena tambahan parameter yang terlalu banyak akan mengurangi derajat bebas. Selanjutnya, untuk mengetahui jumlah lag optimal yang digunakan dalam uji stasioneritas, berikut adalah kriteria yang digunakan : Akaike Information Criterion AIC : -2 � 1 � � + 2 k+T Schwarz Information Criterion SIC : -2 � 1 � � + k� log � � � Hannan Quinn Information Criterion HQ : -2 � 1 � � + 2 k ��� � log � � � Dimana: 1 = nilai fungsi log like lihood yang sama jumlahnya dengan – � 2 1+ log 2 � + log �” �” � ; �” �” merupakan sum of squared residual T = jumlah obesrvasi K = parameter yang diestimasi Dalam penentuan lag optimal dengan menggunakan kriteria informasi tersebut, kita pilihtentukan kriteria yang mempunyai final prediction error correction FPE atau jumlah dari AIC, SIC, dan HQ yang paling kecil diantara berbagai lag yang diajukan. 3. Uji Kausalitas Granger Metode yang digunakan untuk menganalisis hubungan kausalitas antar variabel yang diamati adalah dengan Uji Kausalitas Granger. Secara umum, suatu persamaan granger dapat diinterpretasikan sebagai berikut Gujarati [2003:696- 697] dalam buku cara cerdas menguasai eviews : hal 167 : a. Unindirectional causality dari variabel dependen ke variabel independen. Hal ini terjadi ketika koefisien lag variabel dependen secara statistik signifikan berbeda dengan nol, sedangkan koefisien lag seluruh variabel independen sama dengan nol. 33 b. Feedbackbilaterall causality jika koefisien lag seluruh variabel, baik variabel dependen maupun independen secara statistik signifikan berbeda dengan nol. c. Independence jika koefisien lag seluruh variabel, baik variabel dependen maupun independen secara statistik tidak berbeda dengan nol. 4. Estimasi VAR Dalam estimasi VAR, model VAR yang digunakan adalah : Y t = α + ∑ � � � =1 j Y t-j + ∑ � � � =1 j X t-j + u 1t X t = α + ∑ � � � =1 j X t-j + ∑ � � �=1 j Yt -j + u 2t Selanjutnya, dari hasil estimasi VAR, untuk melihat apakah variabel Y mempengaruhi X dan demikian pula sebaliknya, kita dapat mengetahuinya dengan cara membandingkan nilai t-statistik hasil estimasi dengan nilai t-tabel. Jika nilai t-statistik lebih besar daripada nilai t-tabelnya, maka dapat dikatakan bahwa variabel Y mempengaruhi X 5. IRF Sims, 1992 dalam buku cara cerdas menguasai Eviews : 168 menjelakan bahwa fungsi IRF menggambarkan ekspektasi k-periode ke depan dari kesalahan prediksi suatu variabel akibat inovasi dari variabel yang lain. Dengan demikian, lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat atau diketahui. 6. Variance Decomposition Variance decomposition atau disebut juga forecast error variance decomposotion merupakan perangkat dari model VAR yang akan memisahkan 34 variasi dari sejumlah variabel yang diestimasi menjadi komponen-komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decomposition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel lainnya pada periode saat ini dan periode yang akan datang. 35 BAB IV HASIL DAN PEMBAHASAN

4.1 Gambaran Umum Perkembangan Perekonomian Indonesia