Jumlah vektor kointegrasi dapat diperoleh dengan melihat signifikansi dari characteristic roots dari
π . Pengujian jumlah characteristic roots dapat dilakukan dengan menggunakan dua statistik uji, yaitu :
ˆ 1
ln
1
∑
+ =
− −
=
n r
i i
trace
T r
λ λ
3.11 ˆ
1 ln
1 ,
1 max
+
− −
= +
r
T r
r λ
λ 3.12
di mana :
i
λˆ = Estimasi nilai characteristic roots yang disebut eigenvalues yang diperoleh dari estimasi matriks
π T = Jumlah observasi yang digunakan
3.3.5. Vector Error Correction Model
Model VECM disusun apabila rank kointegrasi r lebih besar dari nol. Model VECM ordo p dan rank kointegrasi r dituliskan sebagai :
3.13
di mana :
= vektor kointegrasi berukuran rx1, = vektor adjustment berukuran rx1,
∑
+ =
− =
∗
p i
j i
Aj
1
φ
t t
p t
t
y y
A yt
ε φ
π +
Δ +
+ =
Δ
− −
= ∗
−
∑
1 1
1 1
αβ π =
β α
Pendugaan parameter dilakukan dengan menggunakan metode kemungkinan maksimum. Model VECM dapat dituliskan dalam model VAR
dengan menguraikan nilai diferensiasi : 3.14
3.3.6. Variance Decomposition
Metode yang dapat dilakukan untuk melihat bagaimana perubahan dalam suatu variabel yang ditunjukkan oleh perubahan variance error dipengaruhi oleh
variabel-variabel lainnya adalah Variance Decomposition VD. Metode ini dapat mencirikan struktur dinamis dalam model VAR. Dengan metode ini pula dapat
dilihat kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
Variance Decomposition merinci ragam dari peramalan galat menjadi
komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Dengan menghitung persentase kuadrat prediksi galat k-tahap ke
depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain maka akan dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh
variabel itu sendiri dan variabel lainnya.
3.3.7 . Impulse Response Function
Seperti telah disebutkan di muka, VAR merupakan teknik yang membiarkan data menentukan sendiri sruktur dinamis dari sebuah model,
sehingga setelah estimasi dilakukan, adalah penting untuk mencirikan struktur
1 −
− =
Δ
t t
t
y y
y
dinamis tersebut secara jelas. Sayangnya, koefisien hasil estimasi model VAR sulit diartikan dan kurang dapat diandalkan.
Untuk dapat mencirikan struktur dinamis dalam model, menurut Sims, cara yang paling baik adalah dengan menganalisa respon dari model sistem
terhadap kejutan shocks. IRF dapat melakukan hal ini dengan menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap kejutan
dalam variabel itu sendiri dan variabel endogen lainnya.
3.3.8. Jenis dan Sumber Data
