3.4.3. Uji Granger Causality
Pengujian ini untuk melihat hubungan kausalitas antara pengeluaran dan penerimaan pemerintah sehingga dapat diketahui kedua variabel tersebut secara
statistik saling mempengaruhi hubungan dua arah, memiliki hubungan searah atau sama sekali tidak ada hubungan tidak saling mempengaruhi. Berikut ini
metode Granger Causality Test seperti berikut ini : ��
�
= ∑
�
�
��
�−� �
�=1
+ ∑
�
� �
� =1
��
�−�
+ �1
�
. . . . . . . . ... . . . ... . ..5 ��� = ∑
�
�
��
�−� �
�=1
+ ∑
�
�
��
�−� �
� =1
+ �2
�
. . . . . . . . . . . . . . . . . .6
Dimana : GR = Penerimaan pemerintah di Sumatera Utara
GE = Pengeluaran pemerintah di Sumatera Utara �1
�,
�2
�
= Error of Term
Dimana 1 �
�
dan �2
�
adalah error terms yang diasumsikan tidak mengandung
korelasi serial dan m = n = r = s. Berdasarkan hasil regresi dari kedua bentuk model regresi linear di atas akan menghasilkan empat kemungkinan mengenai
nilai koefisien-koefisien regresi dari persamaan 5 dan 6 adalah sebagai berikut 1 Jika
∑ �
� �
� =1
≠ 0 dan ∑ d
j s
j=1
= 0, maka terdapat kausalitas satu arah dari GR ke GE.
2 Jika ∑
�
� �
� =1
= 0 dan ∑ d
j s
j=1
≠ 0, maka terdapat kausalitas satu arah dari GE ke GR.
3 Jika ∑
�
� �
� =1
= 0 dan ∑ d
j s
j=1
= 0, maka GR dan GE bebas antara satu dengan yang lainnya.
4 Jika ∑
�
� �
� =1
≠ 0 dan ∑ d
j s
j=1
≠ 0, maka terdapat kausalitas dua arah antara GE dan GR.
Untuk memperkuat indikasi keberadaan berbagai bentuk kausalitas seperti yang disebutkan di atas maka dilakukan F - test untuk masing-masing model regresi.
3.4.4. VAR Vector Autoregressive
Untuk memulai analisis VAR, langkah pertama yang dilakukan adalah melakukan uji kausalitas granger, analisis VAR dapat dilkukan apabila terdapat
adanya hubungan timbal balik. Hal ini dikarenakan kita tidak dapat memisahkan mana yang variabel endogen dan mana yang menjadi variabel eksogen. Dalam
analisis VAR memiliki model yang hampir sama dengan model pada uji kausalitas granger, hanya saja, dalam model VAR kita meletakkan variabel intercept
sehingga modelnya menjadi : ��
�
= ∅
1t
+ ∑
�
�
��
�−� �
�=1
+ ∑
�
� �
� =1
��
�−�
+ �1
�
. . . . . . . . . . . . .7 ��� = ∅
2i
+ ∑
∅
i
��
�−� �
�=1
+ ∑
�
�
��
�−� �
� =1
+ �2
�
. . . . . . . . . . . . .8 Model diatas menunjukkan bahwa variabel bebas merupakan lag dari
variabel terikatnya. Jumlah lag yang digunakan adalah jumlah lag yang kecil, kalau jumlah lag terlalu besar, maka kita akan memiliki degree of freedom yang
semakin terbatas. Selain lag yang diperhatikan, juga nilai Akaike Information Criterion
AIC dan Schwarz Information Criterion SIC. Kedua model ini berguna untuk memilih model mana yang lebih baik. Nilai AIC dan SIC yang
paling rendah menunjukkan bahwa model tersebut yang paling tepat. Tahapan dan cakupan analisis VAR :
a
The Impulse Responses
Untuk melihat efek gejolak shock suatu standar deviasi dari variabel invovasi terhadap nilai sekarang current time values dan nilai yang akan datang future values dari
variabel-variabel endogen yang ter-dapat dalam model yang diamati.
b The Cholesky Decomposition
The Cholesky Decomposition atau biasa disebut juga dengan The Variance
Decomposition membe-rikan informasi mengenai variabel inovasi yang relatif lebih
penting dalam VAR. Pada dasarnya test ini merupakan metode lain untuk meng- gambarkan sistem dinamis yang terdapat dalam VAR. Test ini digu-nakan untuk
menyusun perkiraan error variance suatu variabel, yaitu seberapa besar perbedaan antara variance
sebelum dan sesudah shock, baik shock yang berasal dari diri sendiri maupun shock
dari variabel lain.
3.5. Definisi Operasional