Penentuan Lag Optimum Menggunakan Schwarz Information Criteria Kointegrasi

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