Vector Auto Regression VAR

2.6. Vector Auto Regression VAR

Vector Auto Regression VAR pertama kali dikembangkan oleh Christoper Sims pada tahun 1980 yang berpendapat bahwa jika terdapat hubungan simultan antar variabel yang diamati, variabel-variabel tersebut perlu diperlakukan sama sehingga tidak ada lagi variabel eksogen dan endogen. VAR merupakan salah satu model yang mampu menganalisis hubungan saling ketergantungan variabel time series. VAR dapat juga digunakan untuk peramalan dan juga untuk analisis kebijakan. VAR dengan ordo p dan n buah variabel tak bebas pada waktu ke-t dapat dimodelkan sebagai berikut : … … … … … … … … … … … 2.8 Dimana Y t = vektor peubah tak bebas A = vektor intercept berukuran nx1 A 1 = matirks parameter berukuran nxn ε t = vektor sisaan Vector Auto Regression VAR menyediakan cara yang sistematis untuk menangkap perubahan yang dinamis dalam multiple time series, serta memiliki pendekatan yang kredibel dan mudah untuk dipahami bagi pendeskripsian data, forecasting peramalan, inferensi struktural, serta analisis kebijakan. Alat analisa yang disediakan oleh VAR bagi deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan melalui empat macam penggunaannya, yakni Forecasting, Impulse Response Function IRF, Forecast Error Variance Decomposition FEVD, dan Granger Causality Test. Forecasting merupakan ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel. Impulse Response Function IRF sementara adalah melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu. Forecast Error Variance Decomposition FEVD merupakan prediksi kontribusi presentase varians setiap variabel terhadap perubahan suatu variabel tertentu. Granger Causality Test bertujuan untuk mengetahui hubungan sebab-akibat antar variabel Firdaus, 2011. Asumsi yang harus dipenuhi dalam analisis VAR adalah semua variabel tak bebas bersifat stasioner, semua sisaan bersifat white noise, yaitu memiliki rataan nol, ragam konstan, dan diantara variabel tak bebas tidak ada korelasi. Apabila data tidak stasioner pada level maka dapat dilakukan pendiferensialan agar didapatkan data yang stasioner. Akan tetapi kestasioneran data melalui pendiferensialan tidaklah cukup, yang berarti bahwa model VAR biasa tidak dapat digunakan secara langsung karena mempertimbangkan terdapat tidaknya informasi jangka pendek dan jangka panjang dalam model. Oleh karena itu ada dua pilihan yang dapat dilakukan untuk mengestimasi yaitu model VAR dengan pendiferensialan untuk data yang tidak terkointegrasi atau VECM untuk data yang terkointegrasi. Ada beberapa keunggulan metode VAR dibandingkan metode ekonometrika konvensional Firdaus, 2011, yaitu: 1. Mengembangkan model secara bersamaan di dalam suatu sistem yang kompleks multivariat sehingga dapat menangkap hubungan keseluruhan variabel di dalam persamaan itu. 2. Uji VAR yang multivariat bisa menghindarkan parameter yang bias akibat tidak dimasukkannya variabel yang relevan. 3. Uji VAR dapat mendeteksi hubungan antarvariabel di dalam sistem persamaan, dengan menjadikan seluruh variabel sebagai endogen. 4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul, termasuk gejala perbedaan palsu spurious variabel di dalam model ekonometrika konvensional terutama pada persamaan simultan, sehingga menghindari penafsiran yang salah. Di lain pihak, kritik terhadap model VAR menyangkut permasalahan berikut : 1. Tidak seperti persamaan simultan, model VAR merupakan model yang atheoritic atau tidak berdasarkan teori. Sedangkan pada persamaan simultan, pemilihan variabel yang akan dimasukkan dalam persamaan memegang peran penting dalam mengidentifikasi model. Sehingga model VAR sering disebut model yang tidak struktural. 2. Penekanan model VAR adalah pada forecasting atau peramalan, model VAR ini kurang cocok digunakan dalam menganalisis kebijakan. 3. Tantangan atau permasalahan besar dalam model VAR adalah pemilihan lag length atau panjang lag yang tepat. Karena semakin panjang lag maka akan semakin menambah jumlah parameter yang akan bermasalah pada degrees of freedom. 4. Sejumlah variabel yang tergabung pada model VAR harus stasioner. Bila tidak satsioner perlu dilakukan transformasi bentuk data, misalkan melalui derajat integrasi first differencing. 5. Sering ditemui kesulitan dalam menginterpretasi tiap koefisien pada estimasi model VAR, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi fungsi impulse response.

2.7. Penelitian Terdahulu