Pengujian Asumsi

3.3.2 Uji Lag Optimum

Uji lag merupakan prosedur penting dalam analisis data time series karena uji kointegrasi dan uji lanjutan lainnya sangat sensitif terhadap panjang lag . Penentuan panjang lag seringkali dilakukan secara arbitrer atau melalui trial and error untuk mendapatkan hasil yang optimal. Dalam pemilihan panjang lag , selain mempertimbangkan optimalitas juga perlu mempertimbangkan adanya kemungkinan korelasi antar residual dan penurunan degree of freedom . Pemilihan lag yang terlalu pendek biasanya menghasilkan korelasi serial sedangkan pada pemilihan lag yang terlalu panjang mengakibatkan penurunan degree of freedom dari persamaan yang dihasilkan dan jumlah parameter yang diestimasi menjadi semakin banyak sehingga menjadi tidak efisien (Enders, 2004).

Secara umum parameter yang dapat digunakan untuk menentukan panjang lag optimal antara lain Akaike Information Criterion (AIC), Schwarz Information Criterion (SIC), Likelihood Ratio (LR), Final Prediction Error (FPE) dan Hannan Quin Information Criterion . 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.

3.3.3 Uji Kointegrasi

Uji kointegrasi berfungsi untuk mengetahui keseimbangan hubungan jangka panjang di antara variabel-variabel dalam model. Jika terdapat dua variabel yang tidak stasioner dan memiliki kombinasi linier dimana residualnya bersifat Uji kointegrasi berfungsi untuk mengetahui keseimbangan hubungan jangka panjang di antara variabel-variabel dalam model. Jika terdapat dua variabel yang tidak stasioner dan memiliki kombinasi linier dimana residualnya bersifat

Engel Granger (1987) dalam Enders (2004) mendifinisikan kointegrasi sebagai berikut: komponen dari vektor peubah memiliki hubungan kointegrasi pada orde atau derajat d, b dimana d ≥ b ≥ 0

dinyatakan dengan jika :

1. Semua komponen x t berintegrasi pada derajat yang sama dengan I(d)

2. Terdapat sebuah vektor yang merupakan salah satu kombinasi linier berintegrasi pada derajat (d - b) dimana b ≥ 0. Vektor β disebut vektor kointegrasi. Setelah persyaratan diatas terpenuhi, selanjutnya dilakukan estimasi persamaan regresi linier sederhana dengan metode OLS. Persamaannya adalah sebagai berikut :

Dari residual ini kemudian diuji stasioneritasnya menggunakan ADF dengan persamaan uji sebagai berikut

∑ Dari hasil estimasi nilai statistik ADF kemudian dibandingkan dengan

nilai kritisnya. Jika nilai statistik ADF lebih besar dari nilai kritisnya maka variabel-variabel yang diamatai saling terkointegrasi atau memiliki hubungan jangka panjang.

Untuk menguji adanya vektor kointegrasi dapat digunakan Trace Test atau Maximum Eigen Value Test.

Dimana k = 0,1,….,m-1 dan adalah nilai eigen value ke i. Lambang T menyatakan banyak angka dalam periode waktu tersedia dalam data.

Hipotesis null yang digunakan untuk Trace Test dan Maximum Eigen Value Test adalah Ho : k = 0, tidak terdapat hubungan kointegrasi atau Ho : k=1, terdapat satu hubungan kointegrasi sampai Ho : k = (n-1), terdapat (n-1) persamaan kointegrasi antar variabel. Banyaknya persamaan kointegrasi menunjukkan banyaknya kombinasi linier antar variabel yang stasioner.

Nilai Trace Test atau Maximum Eigen Value Test yang diperoleh dibandingkan dengan nilai kritis tabel Osterwald-Lenum (1992). Jika nilainya lebih besar dari nilai kritis tabel maka Ho ditolak

3.3.4 Uji Stabilitas VAR

Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polynomial . Model VAR tersebut dianggap stabil jika semua akar dari fungsi polynomial tersebut berada dalam unit circle atau nilai absolutnya lebih kecil dari 1 sehingga IRF dan FEVD yang dihasilkan dianggap valid.

3.3.5 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)

Di mana :

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

3.3.5 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 juga dapat 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 juga dapat