3.2. Metode Analisis dan Pengolahan Data 3.2.1.
Uji Akar Unit Unit Root Test
Hal penting yang berkaitan dengan studi atau penelitian yang menggunakan data time series adalah stasioneritas. Pengujian ini sangat penting
agar tidak terjadi regresi lancungsemu spurious regression. Data deret waktu dikatakan stasioner jika data menunjukkan pola yang konstan dari waktu ke
waktu, dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data. Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan
stasioneritas, salah satunya dengan Augmented Dickey-Fuller ADF test. Jika nilai dari ADF statistiknya lebih kecil dari MacKinnon Critical Value nilai kritis
MacKinnon maka data tersebut stasioner. Hasil series yang stasioner berujung pada penggunaan VAR dengan metode standar. Apabila hasil series tidak
stasioner pada tingkat level, maka harus dilakukan penarikan diferensial dengan melakukan pengujian pada first difference atau second difference sampai data
stasioner.
3.2.2. Penetapan Lag Optimal
Dalam Enders 2004, dijelaskan bahwa terdapat beberapa tahap pengujian yang dilakukan untuk memperoleh panjang lag optimal. Pada tahap pertama, akan
dilihat panjang lag maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Sistem VAR
dikatakan stabil jika seluruh root-nya memiliki modulus lebih kecil dari satu dan semuanya terletak pada unit circle.
Pada tahap kedua, panjang lag optimal akan dicari dengan menggunakan kriteria Akaike Information Criterion AIC atau Schwarz Information Criteria
SIC. Formulasi AIC dan SIC dirumuskan sebagai berikut: AIC = e
2k n
n i
u
2
=e
2k n
n SSE
3.1
LnAIC =
n k
2
+ Ln
n RSS
3.2
SIC = n
k n
n i
u
2
= n
k n
n SSE
3.3
LnSIC =
n k
Lnn + Ln
n RSS
3.4 Dimana:
k = jumlah parameter dalam model termasuk intercept
n = jumlah observasi sampel
SSE = sum of square error
Untuk menetapkan lag yang paling optimal, model VAR harus diestimasi dengan tingkat lag yang berbeda-beda, kemudian dibandingkan dengan nilai AIC
atau SIC-nya. Nilai AIC atau SIC yang paling kecil dipakai sebagai acuan dalam penentuan tingkat lag paling optimal.
3.2.3. Vector Auto Regression VAR
Vector Auto Regression VAR pertama kali diperkenalkan oleh Sims pada
tahun 1980. VAR merupakan salah satu bentuk model ekonometrika yang sering digunakan untuk menganalisis permasalahan yang berkaitan dengan fluktuasi
variabel makroekonomi. VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai fungsi linear dari konstanta dan nilai lag
lampau dari peubah itu sendiri serta nilai lag dari peubah lain yang ada dalam sistem itu sendiri. Dengan demikian, dari data dasar maupun data tersaring,
spesifikasi model dapat dilakukan. VAR dapat juga digunakan untuk menganalisis suatu kebijakan.
VAR tidak hanya menghasilkan rekomendasi berdasarkan model yang digunakan dalam merespon adanya suatu guncangan dalam perekonomian, tetapi
membiarkan hal ini bekerja melalui model teoritik dan dapat melihat respon jangka panjangnya berdasarkan data historisnya. Dalam metode analisis VAR,
hanya ada variabel endogen yang berarti bahwa pembuat kebijakan dapat membuat keputusan secara rasional berdasarkan pengalaman sebelumnya dan
keputusan yang akan diambil akan berbeda untuk setiap sistem yang berbeda. Menurut Enders 2004, VAR dengan ordo p dan n buah peubah tak bebas
pada waktu ke-t dapat dimodelkan sebagai berikut: Y
t
= A + A
1
Y
t-1
+ A
2
Y
t-2
+ ……. + A
p
Y
t-p
+ ε
t
3.5 Dimana:
Y
t
: Vektor peubah tak bebas berukura n x 1 A
: Vektor intercept berukuran n x 1 A
i
: Matrik parameter berukuran n x 1 ε
t
: Vektor sisaan berukuran n x 1
3.2.4. Uji Kointegrasi CointegrationTest
