AIC; d Schwarrz information criterion SIC; dan e Hannan_Quinn criterion HQ.
Penentuan lag optimal dalam analisis VAR sangat penting dilakukan karena variabel endogen dari variabel endogen dalam sistem persamaan akan digunakan
sebagai variabel eksogen Enders 2004. Pengujian panjang lag optimal ini berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR. Dalam
penelitian ini digunakan semua kriteria informasi untuk menentukan lag optimal. Model VAR diestimasi dengan lag yang berbeda-beda kemudian dibandingkan
nilai kriterianya. Nilai lag yang optimum adalah nilai kriteria yang terkecil.
3.2.4 Uji Kointegrasi
Salah satu asumsi yang harus dipenuhi dalam VAR adalah semua peubah tak bebas bersifat stasioner. Apabila data tidak stasioner, maka perlu dilakukan uji
kointegrasi, dimana jika data yang tidak stasioner terkointegrasi, maka kombinasi linier antar variabel-variabel dalam sistem akan bersifat stasioner, sehingga dapat
diperoleh sistem persamaan jangka panjang yang stabil Enders 2004. Suatu deret waktu dikatakan terintegrasi pada lag ke-d atau Id jika data
tesebut bersifat stasioner setelah pendiferensian sebanyak d kali. Peubah-peubah tidak stasioner yang terintegrasi pada tingkat yang sama dapat membentuk
kombinasi linier yang bersifar stasioner. Komponen dari vektor y
t
dikatakan terkointegrasi jika ada vektor
β = β
1,
β
2,......,
β
n
sehingga kombinasi linier βy
t
bersifat stasioner, dengan syarat ada unsur matriks β bernilai tidak sama dengan
nol. Vektor β
dinamakan vektor kointegrasi. Rank kointegrasi r dari vektor adalah banyaknya vektor kointegrasi yang saling bebas. Nilai r dapat diketahui
melalui uji Johansen. Hipotesisnya adalah: H
= rank ≤ r
H
1
= rank r Apabila rank kointegrasi lebih besar dari nol, maka model yang digunakan adalah
VECM dan apabila rank kointegrasi sama dengan nol, maka model yang digunakan adalah VAR dengan pendiferensian sampai lag ke d.
3.2.5 Vector Error Correction Model VECM
VECM merupakan bentuk VAR yang terestriksi. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner pada level
namun terkointegrasi. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. VECM sering disebut sebagai desain
VAR bagi series non stasioner yang memiliki hubungan kointegrasi. Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel
endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal juga
sebagai error, karena deviasi terhadap keseimbangan jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek.
VECM standar didapat dari model VAR dikurangi dengan x
t-1.
Persamaan matematis ditunjukkan oleh persamaan berikut
Achsani et al 2005: Δx
t-1
= µ
t
+ Πx
t-1
+
∑
− =
Γ
1 1
k i
i
Δx
t-1
+ u
t
3.6 Keterangan:
Π dan Γ adalah fungsi dari Ai, matriks Π bisa didekomposisi kedalam 2 matriks berdimensi n x r
α dan β; Π = α β
T
, dimana α disebut matriks
penyesuaian dan β sebagai vektor kointegrasi dan r adalah cointegration rank.
Kerangka kointegrasi hanya sesuai jika variabel-variabel yang berhubungan terintegrasi. Hal ini bisa diuji dengan menggunakan uji akar unit. Saat tidak bisa
ditemukan akar unit, maka metode ekonometrik tradisional dapat diterapkan.
3.2.6 Impuls Response Function IRF
IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. IRF
digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu
standar deviasi. Vector autoregression dapat pula direpresentasikan sebagai suatu vector moving average VMA:
∑
∞
3.7 keterangan :
