Impulse Response Function Analisis Simulasi Dampak Kebijakan Fiskal

128 z t = a 20 + a 21 y t-1 + a 22 z t-1 + 2,t 4.24 Perubahan pada 1,t secara langsung akan mengubah nilai y t . Juga akan mengubah semua nilai yang akan datang dari y dan z karena lag dari y y t-1 terdapat di kedua persamaan. Apabila inovasi 1,t dan 2,t tidak berkorelasi, interpretasinya adalah 1,t merupakan inovasi untuk y dan 2,t adalah inovasi untuk z. Fungsi impulse response 2,t mengukur dampak dari shock z sebesar 1 SE terhadap nilai sekarang current dan mendatang future dari y dan z. Menurut Enders 2004, analisis IRF dalam model S-VAR dapat dilakukan melalui mekanisme seperti uraian di bawah ini. Dengan menuliskan ulang ke dalam bentuk matrik dari persamaan 4.23 dan 4.24 diperoleh: 4.25 ⎥ ⎥ ⎢ ⎢ + ⎥ ⎥ ⎥ ⎢ ⎢ + ⎢ ⎢ = ⎥ ⎢ ⎢ dinyatakan dalam bentuk lain: 4.26 Persamaan 4.26 mengekspresikan y t dan z t dalam urutan {e 1t } dan {e 2t }. Vektor error kemudian dirumuskan: 4.27 Dengan demikian, kombinasi dari 4.26 dan 4.27 dapat digunakan untuk memperoleh hubungan sebagai berikut: 4.28 ⎦ ⎤ ⎣ ⎡ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎥⎦ ⎤ ⎢⎣ ⎡ ⎥ ⎥ ⎦ ⎤ ⎣ ⎡ ⎥ ⎦ ⎤ ⎣ ⎡ − − e e z y a a a a a a z y t t t t t t 2 1 1 1 22 21 12 11 20 10 ⎥ ⎥ ⎥ ⎦ ⎢ ⎢ ⎢ ⎣ + ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ = ⎥ ⎥ ⎦ ⎢ ⎢ ⎣ − − ∞ = − − ∑ e e a a a z y z i t i t i i t t 2 1 22 21 12 11 ⎥⎦ ⎤ ⎡ − − e e b b b b e e zt yt t t 1 21 12 21 12 2 1 1 1 ⎣ ⎡ ⎥⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − ⎥ ⎥ ⎦ ⎤ ⎢⎣ ⎡ ⎥ ⎥ ⎦ ⎤ ⎢⎣ ⎡ − − ∑ ∞ = − − e e b b a a a a b b z z y zt yt i i t t 1 1 21 12 22 21 12 11 21 12 1 1 ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎤ ⎡ ⎡ ⎤ ⎡ a y [ ] ⎥ = ⎥ ⎢ ⎢ ⎣ 1 ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − [ ] ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎣ ⎡ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎥ ⎥ + ⎥ ⎢ ⎢ = ⎢ y 129 Selanjutnya, persamaan 4.28 disederhanakan menjadi bentuk matrik 2x2: 4.29 [ ] = Φ ⎥ ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎢ ⎣ ⎡ − − − 1 1 21 12 21 12 1 1 b b b b A i i Representasi moving average dari persamaan 4.28 dan 4.29 yang mengandung faktor-faktor { yt } dan { zt } berturut-turut adalah: 4.30 ⎥ ⎥ ⎦ ⎤ ⎢ ⎢ ⎥ ⎢ ⎢ + ⎢ ⎡ = ⎥ ⎢ ⎢ ∑ y secara ringkas dapat dituliskan menjadi: 4.31 Moving average diperlukan untuk menguji interaksi antara {y t } dan {z t }. Koefisien Φ i digunakan untuk menghasilkan pengaruh inovasi dari yt dan zt pada seluruh periode terjadinya guncangan dari y t } dan {z t }. Dalam hal ini keempat faktor Φ jk 0 merupakan multiplier dampak impact multipliers. Akumulasi pengaruh satu unit impulse dalam yt dan zt dapat diperoleh dengan menjumlahkan koefisien dari IRF. Sebagai ilustrasi, setelah periode n, pengaruh zt terhadap t+n adalah Φ 12n . Sehingga setelah periode n akumulasi jumlah pengaruh dari zt terhadap nilai guncangan pada y t } adalah: 4.32 Jika n dibiarkan tidak terbatas infinity, akan dihasilkan multiplier jangka panjang. Seandainya {y t ,} dan {z t } diasumsikan stasioner, maka untuk semua j dan k akan diperoleh: 4.33 ⎣ ⎡ ⎥ ⎥ ⎦ ⎤ ⎢⎣ ⎡ ⎥ ⎦ ⎤ ⎣ ⎥ ⎦ ⎤ ⎣ ⎡ − − ∞ = Φ Φ Φ Φ e e z zt yt i i t t i i i i z y 1 1 22 21 12 11 i i t i t 12 i i Φ ∞ = 2 i Φ ∞ = ∑ + = x ε μ Φ ∞ = − ∑ finite tertentu yang i jk ∑ 130 Keempat set koefisien Φ 11 i, Φ 12 i, Φ 21 i, dan Φ 22 i disebut fungsi respon impulse impulse response functions - IRF.

4.4.2. Dekomposisi Ragam Kesalahan Peramalan

Analisis dekomposisi ragam kesalahan peramalan atau forecast error variance decomposition FEVD menjabarkan inovasi pada suatu variabel terhadap komponen goncangan variabel yang lain dalam VAR Enders, 2004. Analisis ini digunakan untuk menguji sesuatu variabel apakah eksogen atau endogen. Jika koefisien A dan A 1 diketahui dan variabilitas x t+1 ingin diramalkan, sedangkan kondisi yang diobservasi adalah x t , maka variabilitas satu periode adalah: x t+1 = Ao+ A 1 x t + e t+1 , dan kondisi ekspektasi dari x 1+j adalah E t x t+1 = Ao+ A 1 x t . Kesalahan peramalan satu langkah ke depan dihitung sebagai berikut: X t+1 - E t x t+1 = e t+1 4.34 Untuk dua periode, X t+2 = Ao+ A 1 x t+1 + e t+2 kesalahan dua langkah ke depan dari x t+2 adalah: E t x t+2 = 1+A 1 A + A 1 2 x t 4.35 Dengan cara yang sama, peramalan langkah ke n ke depan adalah: E t x t+n = 1+A 1 + A 1 2 + … + A 1 n-1 A + A 1 n x t 4.36 kesalahan peramalan yang menyertainya adalah: e t+n + A 1 e t+n-1 +A 1 2 e t+n-2 + ... + A 1 n-1 e t+1 4.37 Adapun ramalan kesalahan satu-langkah ke depan adalah Φ ε t+1 . Dalam bentuk umum: 4.38 ∑ + = x ε μ Φ ∞ = − + + sehingga ramalan kesalahan periode-n adalah: 4.39 ∑ = − ε i t x E x i i n t i n t n i n t t n t Φ − + + + 131 Kesalahan peramalan langkah ke n ke depan, untuk waktu {y t } adalah: y t - E t y t+n = ø 11 yt+n + ø 11 1 yt+n-1 +...+ ø 11 n-1 yt+1 + ø 12 zt+n + ø 12 1 zt+n-1 +...+ ø 12 n-1 zt+1 4.40 Pada kondisi ragam kesalahan peramalan lengkah ke n ke depan dari y t+n adalah σ y n 2 maka: σ y n 2 = σ y 2 { ø 11 2 + ø 11 1 2 +...+ ø 11 n-1 2 } + σ z 2 { ø 12 2 + ø 12 1 2 +...+ ø 12 n-1 2 } 4.41 Semua nilai ø ij i 2 non-negatif sehingga ragam kesalahan varians error meningkat dengan meningkatnya horizon n. Pemisahan decompose dari varians error untuk memperoleh proporsi σ y n 2 karena guncangan { yt } dan { zt } adalah: σ y 2 { ø 11 2 + ø 11 1 2 +...+ ø 11 n-1 2 } 4.42 σ y n 2 σ z 2 { ø 12 2 + ø 12 1 2 +...+ ø 12 n-1 2 } 4.43 σ y n 2 Inferensi dari model FEVD adalah proporsi pergerakan secara berurutan yang diakibatkan oleh guncangan sendiri dan variabel lain. Apabila guncangan zt menjelaskan tidak ada varian kesalahan ramalan forecast error variance dari {y t } pada semua termin, maka dapat disimpulkan bahwa {y t } adalah variabel eksogen. 4.5. Data dan Pengolahan Data Penelitian ini menggunakan data nasional, time series tiga bulanan selama periode tahun 1970-2005. Data dan sumber data diperoleh sebagai berikut: Pajak Penghasilan PPh, satuan milyar rupiah. Tahun 1970-80 berasal dari data Statistik Realisasi Pajak Penghasilan Indikator Ekonomi Buletin Statistik