penyesuaian mencegah kesalahan dalam jangka panjang menjadi lebih besar lagi. Engel dan Granger 1987 telah membuktikan bahwa variabel yang terkointegrasi
seperti ini mempunyai koreksi kesalahan. Hubungan kointegrasi tidak boleh diabaikan begitu saja. Oleh karena itu,
diperlukan suatu model yang mampu merestriksi kesalahan – kesalahan tersebut. Model VAR yang sebelumnya, kemudian direstriksi untuk memperoleh model
yang lebih baik untuk mengestimasi hasil amatan yang dinamakan VECM. Spesifikasi VECM merestriksi hubungan jangka panjang variabel – variabel
endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek.
3.3.3. Pengujian Sebelum Estimasi
Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa pengujian. Berikut ini adalah beberapa pengujian yang harus
dilakukan: 1.
Uji Stasioneritas Data Uji stasioneritas dapat dilakukan dengan metode ADF sesuai dengan
bentuk tren deterministik yang dikandung oleh setiap variabel. Hasil series stasioner akan berujung pada penggunaan VAR dengan metode standar.
Sementara series non stasioner akan berimplikasi pada dua pilihan VAR, yaitu VAR dalam bentuk first difference atau VECM.
Keberadaan variabel non stasioner meningkatkan kemungkinan keberadaan hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan
untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan
kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of test.
2. Penentuan Lag Optimal
Untuk memperoleh panjang selang yang tepat, maka perlu dilakukan tiga bentuk pengujian secara bertahap. Pada tahap pertama akan dilihat panjang selang
maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil
atau stasioner jika seluruh akar unitnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam unit circle Lutkepohl, 1991.
Pada tahap kedua, panjang selang optimal akan dicari dengan menggunakan kriteria informasi yang tersedia. Kandidat selang yang terpilih
adalah panjang selang menurut kriteria Akaike Information Criterion AIC dan Schwarz Information Criterion SC. Jika kriteria informasi hanya merujuk pada
sebuah kandidat selang, maka kandidat selang tersebut optimal. Jika diperoleh lebih dari satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga. Pengujian
dengan menggunakan AIC akan mengikuti persamaan sebagai berikut :
AIC = l og
Σ
+ 2
3.5
dimana Σ adalah jumlah reidual kuadrat, sedangkan N dan k masing-masing
merupakan jumlah contoh dan jumlah variabel yang beroperasi pada persamaan tersebut. Besarnya lag optimal ditentukan oleh lag yang memiliki nilai kriteria
AIC yang terkecil
Selain melalui kriteria AIC, pemillihan lag optimum juga dapat dilakukan berdasarkan Schwarz Information Criterion SC. Kriteria SIC dapat ditulis dalam
persamaan berikut :
SIC = +
log
−
1
⁄
3.6
dimana: q
= jumlah variabel T
= jumlah observasi SIC
= Schwarz Information Criterion Pada tahap terakhir, nilai Adjusted R
2
variabel VAR dari setiap kandidat selang dibandingkan dengan penekanan pada variabel-variabel penting dalam
model VAR tersebut. Selang optimal akan dipilih dari sistem VAR dengan selang tertentu yang menghasilkan nilai Adjusted R
2
terbesar pada variabel-variabel penting dalam sistem.
3. Pengujian Hubungan Kointegrasi
Kointegrasi adalah suatu hubungan jangka panjang antara variabel- variabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier
antara variabel tersebut dapat menjadi stasioner Thomas, 1997. Salah satu syarat agar tercapai keseimbangan jangka panjang adalah galat keseimbangan harus
berfluktuasi di sekitar nol. Dengan kata lain, error term harus menjadi sebuah data time series yang stasioner. Ada beberapa metode yang dapat digunakan untuk
melakukan uji kointegrasi, seperti Eagle-Granger Cointegratiopn Test, Johansen Cointegration Test, dan Cointegration Regression Durbin-Watson Test. Suatu
data time series dikatakan terintegrasi pada tingkat ke-d atau sering disebut Id jika data tersebut bersifat stasioner setelah pendiferensian sebanyak d kali.
4. Uji Stabilitas Model VAR
Dalam prakteknya, stabilitas sistem VAR dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di
Tabel AR roots-nya, jika seluruh nilai AR roots-nya di bawah satu, maka sistem tersebut stabil.
5. Bentuk Urutan Variabel ordering
Kebutuhan bentuk urutan variabel sesuai dengan uji kausalitas hanya terjadi jika nilai korelasi residual antar variabel di dalam sistem secara mayoritas
lebih dari 50 persen menjadi 0,2. Jika mayoritas nilai korelasi antar variabelnya bernilai di atas 0,2 maka spesifikasi urutan variabel sesuai dengan teori ekonomi
atau uji kausalitas perlu dilakukan. Jika hasilnya yang ditemukan kontradiktif atau sebaliknya, maka bentuk urutan yang tepat tidak perlu dipermasalahkan.
3.4. Model Penelitian
