2. Estimasinya sederhana, dimana metode OLS biasa dapat diaplikasikan pada tiap-tiap persamaan secara terpisah.
3. Hasil ramalan forecast yang diperoleh dengan VAR dalam banyak kasus lebih bagus dibandingkan hasil yang didapat dengan menggunakan model
persamaan simultan yang kompleks sekalipun. Namun demikian, model VAR juga mempunyai kekurangan, di antaranya adalah
sebagai berikut : 1. Model VAR lebih bersifat a-theory karena tidak memanfaatkan informasi
atau teori terdahulu 2. Mengingat tujuan utama VAR adalah untuk peramalan maka model VAR
kurang cocok untuk analisis kebijakan. 3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan. 4. Semua variable VAR harus stasioner.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.6 Impuls Response Function IRF
Impuls resonponse function merupakan suatu cara pengujian struktur dinamis dari ssitem variabel dalam model yang diamati dan dicerminkan oleh
variabel inovasi innovation variable. IRF menunjukkan respon dari setiap variabel endogen sepanjang waktu terhadap kejutan shock dari variabel itu
sendiri dan variabel endogen lainnya. IRF juga mengidentifikasikan suatu kejutan pada suatu variabel endogen sehingga dapat menetukan bagaimana suatu
perubahan yang tidak diharapkan dalam variabel mempengaruhi variabel lainnya sepanjang waktu. Dengan demikian, IRF digunakan untuk melihat pengaruh
kontemporer dari sebuah variabel dependen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu standar deviasi.
Hasil IRF sangat sensitif terhadap pengurutan ordering variabel yang digunakan dalam perhitungan.pengurutan variabel yang didasarkan pada
faktorisassi Cholesky dilakukan dengan catatan variabel yang memiliki nilai prediksi terhadap variabel lain yang diletakkan di depan berdampingan satu sama
lainnya. Sedangkan, variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakkan paling belakang, kemudian variabel lainnya diletakkan di antara
kedua variabel tersebut berdasrkan nilai matriks korelasi yang menyatakan tingkat korelasi paling besar. Selain itu, IRF juga digunakan untuk mengetahui berapa
lama pengaruh shock dari satu variabel terhadap variabel lain tersebut tejadi. IRF juga bertujuan untuk mengisolasi suatu shock agar lebih spesifik artinya variabel
ekonomi hanya dipengaruhi oleh shock tertentu saja. Apabila hal tersebut tidak dilakukan maka shock spesifik tersebut tidak dapat diketahui dan yang dapat
diketahui adalah shock secara umum.
2.7 Forecast Error Variance Decomposition FEVD
Forecast Error Decomposition of variance FEVD dapat memberikan informasi mengenai variabel inovasi yang relatif lebih penting dalam VAR.
Metode ini digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro, yang digunakan untuk melihat bagaimana perubahan dalam suatu variabel
makro, yang ditujukan oleh perubahan variance error yang dipengaruhi oleh variabel-variabel lainnya. Metode ini juga dapat mencirikan struktur dinamis
dalam model VAR. Dengan metode ini, dapat dilihat juga kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya
pada kurun waktu yang panjang how long how persistent. Dekomposisi varians merinci varian dari error peramalan forecast menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase squared prediction error k-tahap ke
depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh variabel
itu sendiri dan variabel-variabel lainnya. FEVD dilakukuan untuk memberikan informasi mengenai bagaimana
hubungan dinamis antara variabel yang dianalisis. Selain itu, FEVD dilakukan untuk melihat seberapa besar pengaruh guncangan acak random shock dari
variabel tertentu terhadap variabel endogen. FEVD menghasilkan informasi mengenai relatif pentingnya masing-masing gangguan struktural inovasi acak
random innovation structural disturbance atau seberapa kuat peranan variabel tertentu terhadap lainnya.
2.8 Penelitian Terdahulu