Pada tahap terakhir, nilai adjusted R
2
variabel VAR dari masing-masing kandidat selang akan diperbandingkan, dengan penekanan pada variabel-variabel
terpenting dari sistem VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai adjusted R
2
terbesar pada variabel-variabel penting di dalam sistem.
3.2.2.3. Uji Ko-Integrasi
Jika series dari variabel-variabel yang diteliti diketahui memiliki unit roots dan terkointegrasi pada orde tertentu, maka perlu dilakukan uji kointegrasi.
Dengan kata lain, uji kointegrasi dilakukan untuk mendeteksi stabilitas hubungan jangka panjang antara dua variabel atau lebih. Jika di antara variabel-variabel
terkait terdapat kointegrasi, berarti terdapat hubungan jangka panjang diantara variabel-variabel tersebut. Jika variabel X dan variabel Y terintegrasi, maka hasil
regresi antar variabel X dan Y akan menghasilkan residual yang stasioner. Adapun dua series yang terintegrasi akan memiliki hubungan jangka panjang yang
stabil. Gujarati 1997 menyatakan bahwa pengujian kointegrasi hanya valid jika dilakukan pada data asli yang stasioner.
Menurut Thomas 1997, kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang meskipun secara individual tidak stasioner
tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner. Oleh karena itu, kointegrasi dapat digunakan sebagai salah satu cara untuk menghindari
masalah regresi palsu spurious regression. Sebagai syarat agar terjadi keseimbangan jangka panjang maka galat keseimbangan harus berfluktuasi sekitar
nila nol atau dengan kata lain error term harus menjadi sebuah data time series yang stasioner. Cara untuk menguji kointegrasi antara dua variabel yaitu dengan
Universitas Sumatera Utara
menggunakan uji kointegrasi kausalitas granger granger causality, uji Impuls Response Function IRF dan uji Variance Decomposition VD.
a. Kausalitas Granger
Untuk menjelaskan konsep granger causality, berikut digunakan kasus dua variabel runtut waktu yang stasioner. Karena X dan Y stasioner jika X dan Y
tidak stasioner dapat digunakan diferensiasi ∆X dan ∆Y dapat digunakan model
ADL sebagai berikut Rosadi, 2012. �
�
= � + α
1
�
�−1
+ �
1
�
�−1
+ ε
�
3.12 Untuk model ini, koefisien
�
1
mengukur besarnya pengaruh dari �
�−1
terhadap �
�
. Dengan demikian jika �
1
= 0, maka X tidak granger cause Y.
b. Impuls Response Function IRF
Respons terhadap adanya aksi adalah salah satu aksesories pada VAR yang digunakan untuk melihat respon variabel endogen terhadap adanya pengaruh
inovasi shock variabel endogen yang lain Pindycks dan Rubinfeld; 1998: 385. Inovasi diinterpretasikan sebagai goncangan kebijakan policy shock, lihat
Bernanke dan Blinder 1992: 902 atau juga sering disebut aksi. Secara statistik respons terhadap adanya aksi dirumuskan dalam persamaan Sims 1980b, 256-
257. Jika kita mempunyai sebuah model linier vector stokastik x yang diformulasikan sebagai berikut:
�
�
= ∑
�
s
�
t−s ∞
�=0
3.13 Dimana e
t
= x
t
– Σx
t
| x
t-1
,x
t-2
, kemudian memilih matrik triangular B, sehingga menghasilkan Be
t
yakni sebuah kovarian diagonal matriks A dan B juga
Universitas Sumatera Utara
mempunyai diagonalnya sendiri, oleh karena itu A perlu dipindah menjadi C=AB
1
dan e menjadi f = Be, sehingga menjadi : �
�
= ∑
�
s
�
t−s ∞
�=0
3.14 Dari formula di atas koefisien C adalah respons terhadap adanya aksi atau inovasi
responses to innovations Hakim, 2006.
c. Varian Decomposition
Dekomposisi varian merupakan metode lain dari sistem dinamik dengan menggunakan VAR. Jika respons terhadap adanya aksi menunjukkan efek dari
sebuah kebijakan shock variabel endogen terhadap variabel lain. Sebaliknya dekomposisi varian akan menguraikan inovasi pada sebuah variabel endogen
terhadap komponen guncangan shock variabel endogen yang lain di dalam VAR. Berhubungan dengan persamaan 3.13 di atas, perlu ditetapkan terlebih dahulu
matriks varian-kovarian dari x- Σx
t
| x
t-k’
, x
t-k-1’
,… pada periode k sehingga
persamaannya menjadi
:
�
�
= �
�
s
Var �
t
�
s ′
� �=0
3.15 Sehingga nilai Var f
t
inilah yang disebut sebagai dekomposisi varian Hakim, 2006.
3.3.3. Analisis Volatilitas Harga