3.2.1.2 Pengujian Lag Optimal
Penentuan jumlah
lag optimal yang digunakan dalam model merupakan langkah penting dalam analisis model VECM. Pengujian panjang lag optimal
dapat memanfaatkan beberapa kriteria yaitu dengan menggunakan Akaike Information Criterion AIC, Schwarz Criterion SC, Final Prediction Error
FPE, dan Hannan-Quinn Information Criterion HQ. Namun, kriteria yang biasa digunakan dalam penelitian adalah kriteria AIC dan SC. Langkah pertama
yang dilakukan untuk dapat menentukan lag ini adalah menentukan nilai determinan dari kovarian residual |
Ω| yang dapat dihitung sebagai berikut Eviews 6 User’s Guide:
| Ω| = det
∑ ̂ ̂ ………………………………………………..……...3.5 dimana p adalah angka parameter dari tiap persamaan VAR. Selanjtnya, log
likelihoodvalue dengan mengasumsikan distribusi normal Gaussian dapat dihitung :
l = - T { k 1 + log 2 π + log |Ω }……………………………………………...3.6
dimana k adalah banyaknya parameter yang diestimasi dan T adalah jumlah observasi. Setelah itu dilanjutkan dengan menggunakan nilai kriteria yang
terkecil.
3.2.1.3 Uji Kausalitas Granger
Pengujian kausalitas
Granger dilakukan untuk mengetahui hubungan kausalitas yang ada diantara variabel-variabel yang digunakan dalam model
penelitian. Hubungan kausalitas dalam model dapat berupa hubungan kausalitas
satu arah atau hubungan kausalitas dua arah atau timbal balik. Terdapat empat macam kasus yang dapat terjadi pada uji Granger causality :
1. Undirectional causality dari variabel A terhadap variabel B, diindikasikan
jika koefesien yang diestimasi pada lag variabel A secara statistik tidak sama dengan nol, dan koefesien estimasi pada lag variabel B secara
statistik sama dengan nol. Hal ini berarti variabel A mempengaruhi variabel B namun variabel B tidak mempengaruhi variabel A.
2. Undirectional causality dari variabel B terhadap variabel A, diindikasikan
jika koefesien yang diestimasi pada lag variabel A secara statistik sama dengan nol, dan koefesien estimasi pada lag variabel B secara statistik
tidak sama dengan nol. Hal ini berarti variabel B mempengaruhi variabel A tapi variabel A tidak mempengaruhi variabel B.
3. Feedback atau bilateral causality. Kondisi ini terjadi ketika baik variabel
A maupun variabel B secara statistik tidak sama dengan nol pada persamaan regresi variabel tersebut.
4. Independence. Kondisi ini terjadi ketika koefesien variabel-variabel yang
diuji secara statistik tidak signifikan pada semua persamaan regresinya.
3.2.1.4 Uji Kointegrasi
Kategori