variasi dari sejumlah variabel menjadi variabel innovation, dengan asumsi variabel-variabel innovation tidak saling berkorelasi. Variance decomposition
akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan
periode yang akan datang.
3.4. Mekanisme Analisis Olah Data
Proses analisis VAR dan VECM dapat dilihat pada Gambar 3.1.
Sumber : Ascarya, 2009
Gambar 3.1. Proses Analisis VAR dan VECM
S-term L-term
K-1
S-term L-term
No
No Yes
Cointegration Test
Yes
Data Transformation
Data Exploration
Stationary at First Difference [I1]
Stationary at Level [I0]
Unit Root Test
Var Level VECM
VAR
t
Optimal Order Cointegration Rank
Innovation Accounting
FEVD IRF
Gambar 3.1 menjelaskan secara ringkas proses analisis VAR dan VECM melalui beberapa tahap. Pertama, ketika data dasar telah tersedia, kemudian data
ditransformasi ke bentuk logaritma natural ln kecuali data yang sudah dalam bentuk persen. Unit roots test atau uji unit akar adalah uji awal yang dilakukan
untuk mengetahui apakah data stasioner atau tidak stasioner. Jika data stasioner di level, maka VAR dapat dilakukan pada level dan dapat mengestimasi hubungan
jangka panjang antar variabel. Jika data tidak stasioner pada level, maka data harus diturunkan pada tingkat pertama first difference. Keberadaan kointegrasi
antar variabel pada data dapat diuji jika data stasioner pada turunan pertama. Jika tidak ada kointegrasi antar variabel, maka VAR hanya dapat dilakukan pada
turunan pertamanya dan hanya dapat mengestimasi hubungan jangka pendek antar variabel, sehingga innovation accounting tidak akan bermakna untuk hubungan
antar variabel dalam jangka panjang. Sedangkan, jika ada kointegrasi antar variabel, maka VECM dapat dilakukan menggunakan data turunan pertama untuk
mengestimasi hubungan jangka pendek maupun jangka panjang antar variabel. Innovation accounting untuk VAR dan VECM akan bermakna untuk hubungan
jangka panjang Ascarya, 2009.
IV. HASIL DAN PEMBAHASAN
Metode analisis yang digunakan oleh penulis dalam penelitian ini adalah metode Vector Auto Regression VAR dan dilanjutkan dengan metode Vector
Error Correction Model VECM. Namun sebelumnya diperlukan langkah- langkah uji atau tahapan untuk melakukan estimasi yaitu: uji akar unit, uji lag
optimal, uji stabilitas VAR, dan uji kointegrasi. Selain itu tahap terakhir adalah melakukan estimasi-estimasi yang menyertai metode VAR dan VECM , yaitu uji
kausalitas, fungsi respon terhadap shock Impuls Respon FunctionIRF, dan dekomposisi varian Forecast Error Variance DecompositionFEVD.
4.1. Uji Akar Unit Unit Root Test
Data time series sering menimbulkan masalah dalam analisisnya, terutama masalah ketidakstasioneran data. Uji kestasioneran data merupakan tahap yang
paling penting dalam menganalisis data time series untuk melihat ada tidaknya akar unit unit root yang terkandung diantara variabel sehingga hubungan antar
variabel menjadi valid. Uji ini dilakukan agar hasil regresi yang dilakukan tidak menghasilkan regresi palsu spurious regression. Spurious regression adalah
regresi yang menggambarkan hubungan dua variabel atau lebih yang nampak signifikan secara statistik padahal kenyataannya tidak. Regresi bersifat spurious
biasanya memiliki R
2
yang tinggi dan t-statistik yang terlihat signifikan, akan tetapi hasilnya tidak dapat diinterpretasikan secara ekonomi.
Penelitian ini menggunakan Augmented Dickey-Fuller ADF untuk menguji stasioneritas data. Dalam tes ADF, jika nilai ADF lebih kecil dari Mc