2 Mengingat tujuan utama model VAR untuk peramalan, maka model VAR
kurang cocok untuk menganalisis kebijakan. 3
Pemilihan banyaknya lag yang digunakan dalam persamaaan juga dapat menimbulkan permasalahan dalam proses estimasi.
Pemodelan VAR adalah bentuk pemodelan yang digunakan untuk multivariate time series. Model VAR menjadikan semua variabel bersifat
endogen. Spesifikasi model VAR meliputi pemilihan variabel dan banyaknya selang lag yang digunakan dalam model. Sesuai dengan Sims 1972, variabel
yang digunakan dalam persamaan VAR dipilih berdasarkan teori ekonomi yang relevan. Pemilihan selang optimal kemudian akan menggunakan kriteria informasi
seperti Akaike information criterion AIC, Schwarz information criterion SC, Hannan-Quinn information criterion HQ.
Model VAR secara matematis dapat diwakili oleh Ender 2004: ∑
A 3.2
Keterangan: x
t
adalah vektor dari variabel-variabel endogen berdimensi n x 1, µ
t
adalah vektor dari variabel-variabel eksogen termasuk di dalamnya konstanta intercept dan tren, A
i
adalah matriks-matriks koefisien berdimensi n x n dan u
t
adalah vektor dari residual-residual yang secara kontemporer berkorelasi tetapi tidak berkorelasi dengan nilai lag mereka sendiri dan juga tidak berkorelasi
dengan seluruh variabel yang ada dalam sisi kanan persamaan diatas.
3.2.2 Uji Stasioneritas Data
Hal penting yang berkaitan dengan studi atau penelitian yang menggunakan data time series adalah stasioneritas. Data deret waktu dikatakan stasioner jika
data menunjukkan pola yang konstan dari waktu ke waktu atau dengan kata lain tidak terdapat pertumbuhan atau penurunan pada data, secara kasarnya data harus
horizontal sepanjang sumbu waktu. Engel dan Granger 1987 menyatakan bahwa uji akar unit dipandang
sebagai uji stasioneritas, karena pada intinya uji tersebut bertujuan untuk mengamati apakah koefisien tertentu dari model otoregresif yang ditaksir
mempunyai nilai atau tidak. Jika data runtun waktu time series yang digunakan tidak stasioner, maka kesimpulan yang diperoleh akan menghasilkan pola
hubungan regresi yang semu spurious regression. Data yang stasioner akan
mempunyai kecenderungan untuk mendekati nilai rata-ratanya dan berfluktuasi disekitar nilai rata-ratanya Gujarati 2006. Ada beberapa cara untuk melakukan
uji akar unit root, namun yang paling banyak adalah dengan augmented Dicky Fuller ADF test. Misalkan model persamaan time series sebagai berikut
Pasaribu 2003: y
t
= ρy
t-1
+ ε
t
3.3 Keterangan:
ρ adalah parameter yang akan diestimasi dan ε diasumsikan white
noise dimana variabel yang digunakan tersebut memiliki mean dan variance yang konstan dan kovarian sama dengan nol. Jika |
ρ| ≥ 1, maka y adalah variabel yang tidak stasioner, dan varian dari y akan meningkat sejalan dengan peningkatan
waktu dan cenderung untuk tak berhingga. Jika | ρ| 1, maka y adalah variabel
yang stasioner. Hipotesis trend stationarity dapat dievaluasi dengan menguji apakah nilai absolut dari
ρ betul-betul kecil dari satu. Pengujian umum terhadap hipotesis diatas adalah:
H :
ρ = 1 dan hipotesis alternatif H
1
: ρ1.
Kemudian dengan mengurangi kedua sisi persamaan 3.6 dengan y
t-1
didapat persamaan: Δy
t
= αy
t-1
+ ε
t
3.4 dimana
Δ mengidentifikasikan perbedaan pertama, sedangkan α= ρ-1, sehingga hipotesis nol menjadi H
: α=0, sedangkan hipotesis alternatif menjadi H
1
: α1.
Sedangkan model umum dari ADF yang digunakan dalam penelitian ini adalah sebagai berikut Pasaribu 2003:
Δy
t
= k + αy
t-1
+ c
1
Δy
t-2
+ ...+ c
p
Δy
t-p
+ β trend + ε
t
3.5 Jika nilai t-statistik ADF lebih kecil dari t-statistik kritis MacKinnon maka
keputusannya adalah menolak H yang menyatakan bahwa data tidak stasioner
atau dengan kata lain data bersifat stasioner
3.2.3 Penetapan Lag Optimal
Uji lag optimal dilakukan untuk mengetahui berapa jumlah lag yang sesuai untuk model. Penetapan tingkat lag optimal dapat dilakukan dengan
menggunakan fungsi kriteria informasi sebagai berikut: a Kriteria uji likelihood ratio LR; b final prediction error FPE; c Akaike information criterion
