Ada tidaknya kointegrasi didasarkan pada uji Trace Statistic dan Maximum Eigenvalue. Apabila nilai hitung Trace Statistic dan Maximum Eigenvalue lebih besar
daripada nilai kritisnya, maka terdapat kointegrasi pada sejumlah variabel, sebaliknya jika nilai hitung Trace Statistic dan Maximum Eigenvalue lebih kecil daripada nilai
kritisnya maka tidak terdapat kointegrasi. Nilai kritis yang digunakan adalah yang dikembagkan oleh Osterwald-Lenum.
3.4.3. Uji Kausalitas
Suatu variabel X, dikatakan mempunyai kausalitas Granger dengan variabel lainnya, Y, jika dengan memasukkan nilai lag dari X dapat digunakan untuk
memprediksi variabel Y yang hasilnya lebih baik dibandingkan jika menggunakan nilai lag variabel Y. Sehingga dalam kasus ini inflasi dikatakan mempunyai kausalitas
terhadap permintaan uang, jika lag variabel inflasi dapat memprediksi besarnya permintaan uang di masa yang akan datang secara lebih baik dibandingkan jika
menggunakan lag variabel permintaan uang itu sendiri. Model lain yang akan digunakan sebagai alternatif dari uji kausalitas Granger
yang digunakan adalah uji kausalitas Granger model koreksi kesalahan. Model kausalitas ini mampu menggabungkan informasi dari sifat kointegrasi dari data
variabel time series Miller and Russek, 1990. Engle dan Granger 1987 mendefinisikan suatu data time series yang tidak stasioner, Xt dikatakan
terkointegrasi pada order d jika data tersebut stasioner setelah dilakukan diferensi tingkat pertama dinotasikan sebagai Xt ~ Id. Jika dua data time series, Xt dan Yt
terkointegrasi pada order d, Engle dan Granger menunjukkan bahwa kombinasi linier
pdf M a chine - is a pdf w r it e r t h a t pr odu ce s qu a lit y PD F file s w it h e a se
Ge t you r s n ow
“ Thank you very m uch I can use Acrobat Dist iller or t he Acrobat PDFWrit er bu t I consider your pr oduct a lot easier t o use and m uch pr efer able t o Adobes A.Sar r as - USA
Universitas Sumatera Utara
Z
t
= Xt - äYt akan stasioner. Sebagai akibatnya kedua series Xt dan Yt dikatakan terkointegrasi. Jika terdapat kointegrasi maka kedua variabel mempunyai hubungan
jangka panjang. Oleh karena itu hubungan jangka panjang antara kedua variabel dapat diestimasi dengan persamaan sebagai berikut:
Xt = áo + âoYt + µt 3.12
Yt = á1 + âoXt + µt 3.13
Uji kausalitas Granger yang didasarkan pada model koreksi kesalahan dapat diformulasikan sebagai berikut:
t n
t t
oi n
t t
oi t
t
DY d
DX c
DX
1 1
1 1
1
3.14
t n
t t
i n
t t
i t
t
DX d
DY c
DY
1 1
1 1
1 1
1
3.15 Di mana D adalah diferensi atau perbedaan dan variabel koreksi µ
t-1
merupakan residual dari kointegrasi dalam persamaan 3.14 dan 3.15. Setelah diketahui bahwa kedua variabel terkointegrasi, pertanyaannya adalah variabel mana
yang saling mempengaruhi dan bagaimana kondisi jangka pendek mampu mengkoreksi kembali kondisi jangka panjang. Dengan memasukkan variabel koreksi
kesalahan di dalam persamaan 3.14 dan 3.15, model koreksi kesalahan mampu menunjukkan arah terjadinya kausalitas. Y dikatakan berpengaruh terhadap X dalam
persamaan 3.15 tidak hanya jika d
oi
signifikan tetapi juga b
o
signifikan. Oleh karena itu, tidak seperti uji kausalitas standar Granger, model koreksi kesalahan mampu
menjelaskan bahwa Y mempengaruhi X sepanjang nilai koefisien koreksi kesalahan
pdf M a chine - is a pdf w r it e r t h a t pr odu ce s qu a lit y PD F file s w it h e a se
Ge t you r s n ow
“ Thank you very m uch I can use Acrobat Dist iller or t he Acrobat PDFWrit er bu t I consider your pr oduct a lot easier t o use and m uch pr efer able t o Adobes A.Sar r as - USA
Universitas Sumatera Utara
signifikan walaupun d
oi
tidak signifikan. Selanjutnya Granger menunjukkan bahwa model koreksi kesalahan mampu menghasilkan prediksi jangka pendek yang lebih
baik dan mampu menyediakan penyesuaian dinamis jangka pendek untuk mencapai kondisi keseimbangan jangka panjang. Perubahan kelambanan di dalam variabel
independen dapat diinterpretasikan sebagai efek jangka pendek sedangkan koreksi kesalahan menunjukkan efek jangka panjang. Persoalan utama dalam mengestimasi
model autoregresif dalam persamaan 3.14 dan 3.15 adalah dalam hal menentukan panjangnya kelambanan. Sebagaimana diketahui bahwa kedua persamaan tersebut
terdiri dari lebih dari satu variabel independen kelambanan. Oleh karena itu, harus memilih model dengan panjang kelambanan yang optimum. Untuk itu digunakan
metode yang dikembangkan oleh Akaike Information Criterron AIC dan Schwarz Criterion SC, nilai terkecil dari AIC dan SC digunakan untuk menentukan
panjangnya kelambanan yang optimal.
3.5. Innovation Accounting
