yang digunakan yaitu 10. Hal ini karena nilai ADF statistik lebih besar dari Mc Kinnon Critical Value
. Penelitian yang menggunakan data yang belum stasioner ini akan menghasilkan regresi lancung spurious regression yaitu regresi yang
menggambarkan hubungan antara dua variabel atau lebih yang nampak signifikan secara statistik tapi kenyataannya tidak atau tidak sebesar yang nampak dari
regresi yang dihasilkan tersebut sehingga dapat mengakibatkan misleading dalam penelitian terhadap suatu fenomena ekonomi yang sedang terjadi. Oleh karena itu,
pengujian akar unit dilanjutkan dengan melakukan uji akar unit pada tingkat first difference
. Hasil pengujiannya dapat dilihat pada tabel 4.2.
Tabel 4.2. Hasil Pengujian Akar Unit Pada First Difference
Nilai Kritis Mc Kinnon Variabel
ADF Statistic
1 5
10 Keterangan
LN_GDPR -6.475249
-4.063233 -3.460516
-3.156439 Stasioner
LN_INVR -3.435211
-4.066981 -3.462292
-3.157475 Stasioner
LN_KAP -4.318340
-4.066981 -3.462292
-3.157475 Stasioner
LN_IHSG -8.691806
-4.058619 -3.458326
-3.155161 Stasioner
LN_NSP -11.57156
-4.058619 -3.458326
-3.155161 Stasioner
LN_RER -4.477035
-4.066981 -3.462292
-3.157475 Stasioner
Sumber: Lampiran 3
Pengujian akar unit pada tingkat first difference menunjukkan bahwa semua data sudah stasioner. Hal ini terlihat dari nilai ADF statistik kurang dari Mc
Kinnon Critical Value pada taraf nyata yang digunakan yaitu 10. Dengan
demikian, dapat dijelaskan bahwa seluruh variabel yang akan diestimasi dalam penelitian ini telah stasioner pada derajat yang sama, yaitu pada derajat integrasi
satu I1.
4.1.2. Penentuan Lag Optimum Menggunakan Schwarz Information Criteria
Penentuaan lag optimum sangat diperlukan karena variabel eksogen yang digunakan tidak lain adalah lag dari variabel endogen dan juga variabel
eksogennya. Untuk menetapkan lag optimum digunakan nilai Schwarz Information Criteria
SC pada Tabel 4.3. diperoleh lag optimum adalah 2.
Tabel 4.3. Perhitungan Schwarz Information Criteria
Lag SC
-18.63611 1
-21.55921 2
-24.74418 3
-24.37174 4
-23.22988 5
-22.93776 6
-21.94967 7
-21.04436 8
-20.29076
4.1.3. Kointegrasi
Keberadaan variabel yang tidak stasioner meningkatkan kemungkinan adanya hubungan kointegrasi antar variabel. Untuk itu perlu dilakukan uji
kointegrasi untuk mengetahui ada tidaknya hubungan kointegrasi tersebut dan memperoleh hubungan jangka panjang antar variabel pendapatan nasional riil,
investasi riil, kapitalisasi pasar saham, nilai saham yang diperdagangkan, indeks harga saham, dan nilai tukar riil
Semua variabel stasioner pada derajat yang sama, yaitu derajat satu Lampiran 3. Oleh karena itu uji kointegrasi dapat dilakukan melalui uji
Johansen Cointegration Test dengan menggunakan panjang lag optimum 2. Tabel
4.4. menunjukkan hasil Johansen Cointegration Test yang digunakan untuk mengetahui jumlah persamaan kointegrasi yang terdapat di dalam sistem. Jika
Trace Statistic Critical Value maka persamaan tersebut terkointegrasi. Dengan
demikian H0 = non kointegrasi dengan hipotesis alternatifnya H1= kointegrasi.
Jika Trace Statistic Critical Value maka kita tolak H0 atau terima H1 yang artinya terjadi kointegrasi
Tabel 4.4. Johansen Cointegration Test
Hypothesized Eigenvalue Trace
5 Percent 1 Percent
No. of CEs Statistic
Critical Value
Critical Value
None 0.498592
142.3638 114.9
124.75 At most 1
0.2576 78.16256
87.31 96.58
At most 2 0.215982
50.46087 62.99
70.05 At most 3
0.133122 27.83181
42.44 48.45
At most 4 0.080994
14.54616 25.32
30.45 At most 5
0.069421 6.691181
12.25 16.26
Sumber : Lampiran 7 Catatan: signifikan pada tingkat 5 dan 1
signifikan pada tingkat 5 E-views tidak dapat menampilkan hasil tes dengan taraf nyata 10 sehingga digunakan
taraf nyata 5 khusus untuk uji kointegrasi Johansen
Hasil Uji Johansen Cointegration Test menunjukkan terdapat satu persamaan kointegrasi r =1 yaitu saat nilai Trace Statistic lebih besar daripada
nilai kritisnya. Diketahui r = 1 maka model yang digunakan ialah Vector Error Correction Model
VECM. 4.2.
Pengaruh Indikator Pasar Modal terhadap Pembentukan Investasi Riil
Dari hasil estimasi VECM didapat hubungan jangka pendek dan jangka panjang antara investasi riil INVR dengan produk domestik bruto riil GDPR,
nilai kapitalisasi pasar saham KAP, nilai saham yang diperdagangkan NSP, indeks harga saham gabungan IHSG, dan nilai tukar riil RER. Pada estimasi
ini yang menjadi variabel dependennya ialah investasi riil INVR, sedangkan yang menjadi variabel independennya ialah produk domestik bruto riil GDPR,
nilai kapitalisasi pasar saham KAP, nilai saham yang diperdagangkan NSP, indeks harga saham gabungan IHSG, dan nilai tukar riil RER.
Estimasi VECM dilakukan untuk melihat analisis jangka panjang dan jangka pendek pengaruh variabel-variabel perkembangan pasar modal terhadap
tingkat pertumbuhan ekonomi dapat dilihat pada tabel 4.5.
Tabel 4.5. Hasil Estimasi VECM Persamaan Investasi Riil
Variabel Koefisien
T-statistik Jangka Pendek
DLN_INVR-1
1.504248 22.0315
DLN_INVR-2
-0.816812 -10.4349
DLN_GDPR-1
0.142242 1.47560
DLN_GDPR-2
0.091813 0.94927
DLN_KAP-1
-0.042981 -2.56228
DLN_KAP-2
0.029408 1.91186
DLN_IHSG-1
0.000540 0.05672
DLN_IHSG-2
-0.000864 -0.09143
DLN_NSP-1
0.000100 0.09941
DLN_NSP-2
-0.000352 -0.36553
DLN_RER-1
-0.022203 -1.32765
DLN_RER-2
0.005149 0.31241
C
0.000912 1.32327
CointEq1
-0.007301 -0.76684
Jangka Panjang
LN_GDPR-1
-1.214709 -3.75713
LN_KAP-1
-0.711030 -5.91840
LN_IHSG-1
0.625667 4.90333
LN_NSP-1
-0.059638 -5.82332
LN_RER-1
0.318556 3.08077
TREND99:01
0.016934 7.27354
C
-29.00068
-
Sumber : Lampiran 9 Keterangan : , Signifikan pada taraf 10
4.2.1. Hubungan Indikator Pasar Modal terhadap Investasi Riil pada Jangka Pendek