Tabel 4.6 diatas menunjukkan bahwa variabel-variabel yang digunakan dalam penelitian tidak seluruhnya stasioner pada tingkat level. Ketidakstasioneran
data dapat dilihat dari nilai t-ADF yang lebih besar dari nilai kritis MacKinnon pada taraf nyata lima persen. Oleh karena itu, pengujian akar-akar unit ini perlu
dilanjutkan pada tingkat first difference. Setelah dilakukan first difference, barulah semua data stasioner pada taraf nyata lima persen. Hal ini berarti bahwa data yang
digunakan pada penelitian ini terintegrasi pada ordo satu atau dapat disingkat menjadi I 1 seperti yang terlihat pada Tabel 4.7.
Tabel 4.7. Hasil Pengujian Unit Root Pada Data First Difference
Variabel Critical Value
t-Stat Probability Keterangan
lr 1 -3.476805 -7.73829 0.0000 Stasioner
5 -2.881830
10 -2.577668
lip 1 -3.480818
-6.571532 0.0000 Stasioner 5
-2.883579 10
-2.578601 lo
1 -3.476805 -8.42199 0.0000 Stasioner 5
-2.881830 10
-2.577668 rsr
1 -3.477487 -14.94974 0.0000 Stasioner
5 -2.882127
10 -2.577827
2. Penentuan Lag Optimal
Penentuan lag optimal sangat penting dalam pendekatan VAR karena lag dari variabel endogen dalam sistem persamaan akan digunakan sebagai variabel eksogen.
Pengujian panjang lag optimal ini sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR sehingga dengan digunakannya lag optimal
diharapkan tidak muncul lagi masalah autokorelasi. Penentuan lag optimal yang digunakan dalam penelitian ini berdasarkan lag terpendek dengan menggunakan
Akaike Information Criterion AIC. Hasil pengujian penentuan lag optimal ini dapat
dilihat pada Tabel 4.8. Berdasarkan hasil pengujian lag optimal, maka lag yang digunakan dalam penelitian ini yaitu lag pertama.
Tabel 4.8. Pengujian Lag Optimal
Lag LogL
LR FPE
AIC SC
HQ
732.3843 NA
3.06e-10 -10.55629 -10.47145 -10.52181 1
781.1710 94.03799 1.90e-10 -11.03146
-10.60722 -10.85906 2
796.0141 27.75015 1.94e-10 -11.01470 -10.25107 -10.70438
3 805.5259 17.23165
2.13e-10 -10.92067 -9.817642 -10.47242 4
820.9768 27.09494 2.15e-10 -10.91271 -9.470292 -10.32654 5
830.1013 15.47200 2.39e-10 -10.81306 -9.031255 -10.08898
3. Pengujian Stabilitas VAR
Stabilitas VAR perlu diuji dahulu sebelum melakukan analisis lebih jauh, karena jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi
kesalahan tidak stabil, maka IRF Impulse Response Function dan FEVD Forecasting Error Variance Decomposition menjadi tidak valid Nugraha,
2006. Untuk menguji stabil atau tidaknya estimasi VAR yang telah dibentuk maka dilakukan VAR stability condition check berupa roots of characteristic
polynomial . Suatu sistem VAR dikatakan stabil jika seluruh roots-nya memiliki
modulus lebih kecil dari satu. Berdasarkan uji stabilitas VAR maka dapat disimpulkan bahwa estimasi
VAR yang akan digunakan untuk analisis IRF dan FEVD stabil. Kisaran modulus pada pengujian ini adalah 0.153325 modulus 0.433171. Dari tabel tersebut
dapat disimpulkan bahwa model VAR yang dibentuk sudah stabil pada lag optimalnya.
4.2.2 Hasil Estimasi Model VAR