Metode Analisis

3.2 Metode Analisis

3.2.1 Analisis Deskriptif

Analisis ini bertujuan untuk mengetahui deskriptif perkembangan beberapa indikator makroekonomi yang disajikan dalam bentuk grafis maupun tabel. Diharapkan melalui analisis ini secara visual terlihat hubungan antar variabel yang akan dianalisis lebih lanjut. Selain itu analisis ini juga untuk mengetahui pengaruh ada tidaknya dominasi fiskal atau moneter.

Selain itu, analisis deskriptif kualitatif juga dilakukan untu k mendukung analisis deskriptif kuantitatif. Penggunaan data hasil pengukuran sebagai bahan analisis merupakan salah satu bagian analisis deskriptif kuantitatif. Sedangkan penggunaan data referensi yang berasal dari studi literatur maupun artikel yang terkait dengan permasalahan penelitian menjadi bagian analisis deskriptif kualitatif.

3.2.2 Analisis Time Series

Dalam kehidupan sehari -hari banyak dijumpai data yang diperoleh dari observasi suatu fenomena berdasarkan waktu. Rosidi (2004) menyatakan bahwa sekumpulan data hasil observasi secara teratur dari waktu ke waktu disebut data deret berkala atau singkatnya time series. Terdapat dua tipe data time series yaitu kontinyu (flows series) dan diskrit (stock series). Data diskrit menunjukkan fenomena atau aktivitas pada waktu tertentu ( point in time), seperti data inflasi, suku bunga SBI, kurs rupiah te rhadap dolar AS, Indeks Harga Konsumen dan sebagainya. Data kontinyu mengukur fenomena dan aktivitas terus menerus Dalam kehidupan sehari -hari banyak dijumpai data yang diperoleh dari observasi suatu fenomena berdasarkan waktu. Rosidi (2004) menyatakan bahwa sekumpulan data hasil observasi secara teratur dari waktu ke waktu disebut data deret berkala atau singkatnya time series. Terdapat dua tipe data time series yaitu kontinyu (flows series) dan diskrit (stock series). Data diskrit menunjukkan fenomena atau aktivitas pada waktu tertentu ( point in time), seperti data inflasi, suku bunga SBI, kurs rupiah te rhadap dolar AS, Indeks Harga Konsumen dan sebagainya. Data kontinyu mengukur fenomena dan aktivitas terus menerus

Dalam penelitian ini akan dibicarakan runtun waktu yang diskrit dengan observasi Xt pada waktu t = 1,2,3,…, N. Apabila time series asalnya kontinyu, dapat dibuat menjadi runtun waktu diskrit dengan cara mengambil observasi - observasi tersebut pada waktu -waktu tertentu, atau dengan cara mengakumulasikan observasi untuk suatu periode waktu tertentu.

Tujuan analisis data deret berkala (Rosidi, 2004) adalah:

a. Memperoleh kejelasan (concise description) tentang karakteristik dan unsur gerak yang ada dan terjadi pada data deret berkala ( time series process). Dengan tabulasi dan plot data dalam sebuah diagram, pola perubahan data tampak secara visual.

b. Membuat model untuk menjelaskan, mengukur efek perubahan dan menentukan pola umum perubahan data deret berkala. Model yang dibuat bisa berupa univariate model yang terdiri dari satu variabel atau multivariate model yang melibatkan variabel lain yang diduga mempunyai keterkai tan dengan variabel yang dianalisis.

c. Memperkirakan besarnya nilai pada waktu yang akan datang ( forecast) dan nilai yang telah lampau (backcast). Berdasarkan model time series yang diperoleh pada a dan b, maka besarny a nilai yang akan datang dapat diperkirakan dengan tingkat ketelitian yang dapat dipertanggungjawabkan. Perkiraan ini penting untuk keperluan perencanaan, penghitungan anggaran dan menetapkan target program.

d. Melakukan kontrol terhadap besaran parameter (ekonomi, sosial dan lainnya) yang sesuai dengan target rencana yang telah ditentukan. Masa kritis ( injury time) dan sumber penyebabnya dari suatu time series proses dapat diketahui dan antisipasi berupa kebijakan dapat dibuat untuk memberikan efek positif nilai yang dikehendaki.

Kemudian, model empiris penelitian ini mempergunakan multivariate vector autoregression (VAR) atau vector error correction (VEC) dengan spesifikasi model VAR sebagai berikut :

Penentuan model analisis tersebut disesuaikan dengan tujuan yang ingin dicapai dari penelitian ini.

Komponen data deret berkala dapat diurai menjadi 4 komponen yaitu kecenderungan (trend), siklus (cycle), musiman (seasonal) dan tak teratur (irregularities). Secara ringkas, perbedaan antara keempat kompoen data deret berkala akan disajikan melalui tabel 3.

Tabel 3. Dekomposisi data deret berkala

Komponen Klasifikasi

Sebab Pengaruh Durasi (1)

Trend Sistematis Pola

nilai, kekayaan, panjang

persisten

jumlah penduduk > 10 tahun hubungan

Siklus Sistematis Pola gerakan

beberapa

antara 2-7

turun naik yang

faktor yang

berulang

mempengaruhi

tahun kadang

kala dengan

jangka panjang

intensitas beda

(contoh business cycle )

Musiman Sistematis Fluktuasi Perubahan Cuaca, dalam satu tradisi, seperti

periodik

peristiwa

tahun kadang keagamaan dan

tahunan

nasional

Tidak Non

Fluktuasi erotik

variasi acak

jangka pendek

tidak dapat

teratur Sistematis yang tidak

diramalkan

dan tak berulang

cth : gempa,banjir,

berpola

kudeta, meninggal orangg terkenal

Sumber : Ringkasan berbagai sumber

Penggunaan analisis time series sangat terkait dengan disiplin ilmu lainnya seperti matematika, metode statistik dan statistik matematik, disamping disiplin Penggunaan analisis time series sangat terkait dengan disiplin ilmu lainnya seperti matematika, metode statistik dan statistik matematik, disamping disiplin

Teknik analisis data ini kemudian berkembang dari yang paling sederhana, statis, dan deterministik seperti Regression Analysis, Multivariate Analysis, menjadi tehnik yang lebih canggih ( advance) yang bersifat dinamis dan stochastic seperti vector autoregressive (VAR) dan Rational Expectation (Rosidi, 2004). Pada penelitian ini akan menggunakan model VECM. Analisis data secara kuantitatif dengan pendekatan model VAR, khususnya model VECM mencakup tiga alat analisis utama yaitu Granger Causality Test, Impulse Response Function dan Variance Decomposition . Sebelum sampai pada analisis VAR atau VECM ada beberapa prosedur estimasi yang akan digunakan dalam studi ini, yaitu terdiri dari: (1). Uji akar-akar unit (unit root test), (2). Penentuan Panjang Lag, dan (3). Uji Kointegrasi (Johansen Cointegration Test ).

3.2.2.1 Stasioneritas

Sebelum melakukan estimasi data time series perlu dilakukan pengujian stasionaritas yang berguna untuk menghindari timbulnya regresi lancung (spurious regression). Sebab untuk data yang tidak stasioner metode inferensia

klasik seperti OLS 3 tidak dapat diterapkan (Gujarati, 1995). Runtun waktu dengan nilai observasi yang akan datang dapat diramalkan secara pasti berdasarkan nilai

3 OLS (Ordinary Least Square) adalah salah satu tehnik estimasi klasik, dilakukan dengan menghitung estimasi

berdasarkan slope dari parameter dalam model regresi linier, sehingga dapat meminimumkan residual kuadrat. Residual

merupakan selisih antara nilai observasi dan nilai estimasi dari regresi .

observasi yang lampau disebut runtun waktu deterministik. Sementara itu, runtun waktu dengan nilai observasi ya ng akan datang hanya menunjukkan struktur probabilistik berdasarkan nilai observasi yang lampau, disebut runtun waktu stokastik.

Jika suatu proses stokastik mempunyai fungsi densitas probabilitas bersama f ( Y t  n l , K , Y t  n m ) yang tidak bergantung pada t , sembarang bilangan bulat

m dan sembarang pilihan , K, maka struktur probabilistik tidak berubah dengan berubahnya waktu. Proses ini dinamakan stasioner, jika tidak demikian, maka proses itu dinamakan nonstationer.

Apabila m ≤ p, dengan p bilangan bulat positif, maka stasionaritas itu dinamakan stasionaritas tingkat atau ordo p. Stasionaritas pada tingkat dasar atau level dituliskan dengan I(0), pada tingkat pertama dituliskan dengan I(1), dan seterusnya. Secara operasional suatu data serie s dikatakan stasioner apabila data tersebut tidak mengandung unsur trend. Disamping itu syarat yang harus dipenuhi suatu data series sehingga dapat dikatakan stasioner adalah:

a. Rata-rata tetap tidak terpengaruh oleh jalannya waktu.

b. Variasi data tetap (variance to be constant) untuk seluruh series data.

c. Covariance antar nilai dari waktu yang berbeda tergantung dari jarak nilai ( time lag ) bukan pada posisi waktu dimana covariance tersebut dihitung.

Kondisi stasioner ini dapat ditunjukkan dengan pers amaan matematis sebagai berikut: Rata-rata

Uji stasioneritas dapat d ilakukan dengan berbagai metode, yaitu : (1) Metode grafik, (2) Uji Correlogram, dan (3) Uji Akar-akar Unit (Unit Roots Test).

Pengujian kestasioneran yang akhir -akhir ini banyak digunakan adalah metode unit root test. Untuk memahami pengujian ini digunakan model regresi sebagai berikut (Gujarati, 1995):

di mana merupakan stochastic error term , yang mengikuti asumsi klasik yaitu rata-ratanya nol, varians konstan σ 2 , dan nonautokorelasi. Jika

didapat nilai ρ = 1 dapat dikatakan bahwa stokastik variabel Yt memiliki sebuah akar unit ( unit root). Dalam ekonometrik, sebuah time series yang memiliki akar unit disebut random walk time series. Random walk adalah salah contoh nonstasioner time series. Modifikasi dari persamaan diatas, dalam bentuk turunan pertama (first-difference/Δ ) adalah:

di mana δ = ρ – 1 dan ∆ . Dengan definisi ini maka hipotesis yang diuji dalam uji stasionaritas dengan unit root test adalah:

0 yang berarti data mengandung unit root (tidak stasioner)

0 yang berarti data tidak mengandung unit root (stasioner)

Pengujian unit root secara teori dan prakteknya menggunakan tiga asumsi dasar yaitu adanya trend dan konstanta, adanya konstanta, dan tidak ada trend serta konstanta dalam pengujian regresinya. Dalam penelitian ini, uji stasioneritas yang digunakan adalah metode grafik s ebagai indikasi awal, kemudian pengujian akar unit (unit root test) dengan metode Philip Pheron. Hal ini didasarkan bahwa

didalam periode analisis terdapat structural change 4 . Asumsi yang digunakan dalam uji Phillips-Perron antara lain :

dimana T adalah trend waktu.

Prosedur pengujian akar unit dengan menggunakan uji Phillips - Perron adalah sebagai berikut:

1. Misalkan terdapat persamaan : ..……….. (9)

dimana ρ adalah koefisien autoregresif, adalah white-noise error term. Jika nilai ρ = 1 maka Y t memiliki sebuah akar unit. Dalam ekonometrik, suatu time series yang memiliki akar unit disebut random walk time series .

4 Kondisi instabilitas perekonomian yang ditandai dengan perubahan yang sangat drastis dan signfikan.

Jika dinyatakan dalam bentuk hipotesis, menjadi:

Ho: ρ = 1 yang berarti data mengandung akar unit (tidak stasioner)

H 1 : ρ < 1 yang berarti data tidak mengandung akar unit (stasioner)

Jika data asli dari suatu series sudah stasioner, maka data tersebut dikatakan berintegasi pada order 0 atau dilambangkan dengan I(0). Namun apabila data asli tidak stasioner, dilakukan pengujian lanjutan sampai diperoleh data yang stasioner pada order d atau dilambangkan dengan I(d),

2. Persamaan (9) dapat juga dinyatakan dalam bentuk turunan pertama ( first diference ) dengan mengurangkan kedua sisi dengan Y t-1 .

sehingga hipotesis yang diuji mempunyai ben tuk:

Ho: α = 0 yang berarti data mengandung akar unit (tidak stasioner)

H 1 : α < 0 yang berarti data tidak mengandung akar unit (stasioner)

3. Untuk mengetahui ada atau tidaknya akar unit, maka nilai stastistik uji Phillips-Perron dibandingkan dengan nilai kritis tabel Mackinnon. Jika nilai statistik uji Phillips -Perron lebih negatif dari nilai kritis tabel

Mackinnon maka H 0 ditolak atau dapat disimpulkan bahwa data time series telah stasioner (tidak mengandung akar unit).

Untuk mendeteksi apakah suatu series data stasioner atau tidak secara visual dapat dilihat plot/grafik data observasi terhadap waktu. Apabila Untuk mendeteksi apakah suatu series data stasioner atau tidak secara visual dapat dilihat plot/grafik data observasi terhadap waktu. Apabila

Akan tetapi, penggunaan grafik sangat tergantung pada kejelian dan pengalaman peneliti, untuk itu secara formal dilakukan uji statistik guna lebih meyakinkan peneliti. Jika data asli menunjukkan adanya tren meni ngkat atau menurun atau kecenderungan bahwa rata -rata dan varian tidak konstan, maka data tersebut tidak stasioner.

Jika semua variabel yang kita miliki teriden tifikasi stasioner pada level series, maka estimasi terhadap model dapat dilakukan dengan menggunakan regresi linier biasa (OLS). Tetapi jika semua variabel stasioner pada tingkat pertama (first difference), maka estimasi terhadap model dapat dilakukan dengan teknik kointegrasi Johansen.

3.2.2.2 Uji Lag Optimum

Uji lag digunakan untuk menentukan panjang lag optimal yang akan digunakan dalam analisis selanjutnya. Hal ini disebabkan karena estimasi hubungan kausalitas, kointegrasi dan VECM sangat peka terhadap panjang lag (Enders, 2004). Penentuan panjang lag optimal yang digunakan bisa ditentukan dengan mencari nilai minimum dari Akaike Information Criteria (AIC). Penggunaan AIC dalam sampel yang berukuran kecil akan menghasilkan uji yang lebih baik dibanding kriteria lainnya.

Perhitungan nilai AIC dalam software eviews 5.0 adalah sebagai berikut:

Dimana, adalah residual, sedangkan T, k, dan l masing -masing merupakan jumlah sampel yang digunakan, jumlah parameter, dan log likelihood dalam persamaan itu. Untuk menetapkan lag yang paling optimal, model VAR harus diestimasi dengan lag yang berbeda -beda. Untuk memeriksa panjang lag, mulai dengan lag terpanjang yang mungkin atau lag terpanjang yang mempertimbangkan degress of freedom. Jika panjang lag terlalu panjang maka degress of freedom akan banyak terbuang (Enders, 2004).

Kemudian bandingkan nilai AIC masing -masing model dan nila i yang paling rendah yang dipakai sebagai patokan lag yang paling optimal. Kemudian untuk masuk keuji kointegrasi dan VECM, maka panjang lag tersebut harus dikurangi satu. Hal ini dikarenakan VECM merupakan turunan pertama dari VAR.

3.2.2.3 Uji Kointegrasi (Johansen Cointegration Test )

Uji kointegrasi dilakukan untuk mendeteksi stabilitas hubungan jangka panjang antara dua variabel atau lebih. Jika series dari variabel -variabel yang diteliti diketahui memiliki unit root, namun kombi nasi linier dari variabel-variabel tersebut menghasilkan residual yang stasioner, maka terdapat hubungan jangka panjang (kointegrasi) antar variabel tersebut. Adapun dua series yang terkointegrasi akan memiliki hubungan jangka panjang yang stabil.

Menurut Gujarati (1995), pengujian ini hanya valid jika dilakukan pada data asli yang nonstasioner.

Misalkan variabel Y, X 1 , ..., X n adalah variabel-variabel yang tidak stasioner pada level, tetapi menjadi stasioner pada tingkat diferensi pertama. Kemudian diregresikan menghasilkan persamaan sebagai berikut:

.………. (14) Dari persamaan di atas dapat dihasilkan residual sebagai berikut: .………. (15) Residual

dalam hal ini merupakan kombinasi linier dari variabel -variabel tersebut. Jika residual ε t ternyata tidak mengandung akar unit (stasioner pada I(0)) maka variabel-variabel tersebut terkointegrasi, yang berarti mempunyai hubungan jangka panjang. Misalkan x t merupakan sebuah vektor dengan anggota -anggota vektor x t = (x 1t , x 2t , …, x nt ), maka anggota-anggota vektor x t dikatakan berkointegrasi pada orde d, yang dinotasikan dengan x t ~ CI(d,b) jika :

1. Semua anggota dari xt berintegrasi pada orde ke -d

2. Terdapat sebuah vektor β = ( β 1 , β 2 , ..., β n ) sehingga kombinasi linier βx t

=β 1 x 1t +β 2 x 2t + ...+ β n x nt berintegrasi pada orde (d – b), dimana b > 0. Vektor β disebut vektor kointegrasi. Enders (2004) memberikan catatan penting tentang definisi kointegrasi sebagai berikut:

a. Kointegrasi merupakan kombinasi linear dari variabel -variabel yang seriesnya nonstasioner.

b. Semua variabel yang diuji harus terintegrasi (stasioner) pada order yang sama.

c. Jika x t mempunyai n komponen yang tidak stasioner, maka dimungkinkan terdapat sebanyak n -1 linearly independent cointegrating vectors , sedangkan jika x t hanya terdiri atas dua variabel, dimungkinkan hanya terdapat satu independent

cointegrating vector dan banyaknya cointegrating vector ini sering disebut sebagai cointegrating rank. Penelitian ini lebih lanjut mengg unakan metode Johansen Cointegration

Test untuk melakukan uji kointegrasi dengan prosedur sebagai berikut:

1. Misalkan terdapat persamaan Vector Autoregressive (VAR) dengan order p sebagai berikut: Y t =A t Y t-1 +…+A p Y t-p + BX t +ε t

.………. (16) Dimana Y t adalah vektor k dari variabel non -stasioner (I(0)), X t

adalah vektor d dari variabel deterministik dan ε t adalah vektor inovasi.

2. Persamaan (16) dapat ditulis kembali menjadi : ∆

.………. (17) Dimana : Π

A Jika matriks Π mempunyai rank r < k, maka akan terdapat sejumlah k x

∑ A I dan Γ ∑

r rmatriks α dan β masing -masing dengan rank r sehingga nilai Π= α β ' = Π dan β’ Y t stasioner pada level I(0). r merupakan banyaknya hubungan kointegrasi (cointegrating rank) dan setiap kolom pada matriks

β merupakan vektor kointegrasi. Matriks α merupakan parameter penyesuaian dalam model vector error correction (VEC).

3. Lakukan penghitungan akar -akar ciri atau eigenvalues yang diperoleh melalui matriks Π . Akar-akar ciri yang diperoleh kemudian diurutkan dan nilai yang terbesar sampai nilai yang terkecil.

4. Melakukan pengujian kointegrasi dengan mengetahui adanya r vektor kointegrasi. Dalam hal ini Johansen menyediakan 2 pengujian statistik yaitu trace statistic dan maximum eigen value.

a. Trace Test digunakan untuk mengetahui nilai trace statistic atau

likelihood ratio dengan hipotesis awal:

H 0 : rank (Π) ≤ r

H 1 : rank (Π) > r Formula yang digunakan:

ln 1

b. Maximum eigenvalue test yaitu mencari nilai maximum eigenvalue stat . Hipotesis yang diuji adalah:

H 0 : rank (Π) = r

H 1 : rank (Π ) = r + 1 Formula yang digunakan :

.………. (19) Dimana k = 0, 1, ..., m -1, λ i adalah nilai eigenvalue ke-i, dan T merupakan banyaknya observasi yang digunakan. Nilai trace stat dan max-eigen stat dibandingkan dengan nilai kritis dari tabel Osterwald- Lenum (1992). Jika nilai tracestat dan max-eigen stat lebih besar dari nilai

ln 1 ln 1

3.2.2.4 Estimasi Model VECM

Vector Error Correction Mechanism (VECM) merupakan salah satu analisis yang dikembangkan oleh Engle dan Granger (1987) untuk melakukan

rekonsiliasi perilaku variabel ekonomi jangka pendek dengan variabel ekonomi jangka panjang (Gujarati, 1995). Konsep penting dalam VECM adalah keseimbangan jangka panjang dari data time series yang sering disebut kointegrasi. Dalam VECM, hubung an jangka pendek antar variabel dalam system dipengaruhi oleh deviasi/penyimpangan dari keseimbangan jangka panjang (Enders, 2004).

Enders (2004) menyatakan bahwa variabel -variabel dalam VECM adalah variabel-variabel turunan pertama dalam model VAR yang dibedakan oleh error correction term (ECT) atau dengan kata lain, representasi VECM menggunakan variabel-variabel yang terkointegrasi pada order 1 [I(1)]. Dapat disimpulkan bahwa VECM didesain untuk digunakan pada series yang nonstasioner dan terintegrasi. Melalui error correction term maka deviasi dari keseimbangan jangka panjang dikoreksi secara bertahap melalui sekumpulan penyesuaian parsial jangka pendek.

Pengujian VECM melalui kointegrasi Johansen adalah sebagai berikut:

1. Membentuk persamaan VECM yang didapat dari persamaan (1 7) menjadi: ∆

Setiap kolom pada matriks β merupakan vektor kointegrasi. Matriks α merupakan parameter penyesuaian (error correction) yang menggambarkan speed of adjustment atau kecepatan untuk kembali ke keseimbangan jangka panjang. β‘Y t stasioner pada level I(0), merupakan error correction term (ECT t-1 ) yaitu kesalahan keseimbangan pada periode sebelumnya (t -1).

2. Melakukan pengujian terhadap ketidakseimbangan dalam jangka pendek.

Ho : α ≥ 0 Ho : α < 0

Apabila Ho diterima, berarti terjadi keseimbangan dalam model. Sementara jika Ho ditolak, berarti terjadi ketidakseimbangan dalam model. Oleh karena itu, model VECM dapat digunakan dalam melihat kecepatan penyesuai an (speed of adjustment).

Ho ditolak apabila nilai t -statistik lebih besar dari nilai t -tabel. Pertimbangan penggunaan alat analisis ini adalah karena model koreksi kesalahan mampu meliputi banyak variabel dalam menganalisis fenomena ekonomi jangka pendek maupun jangka panjang serta mampu mengkaji konsistensi model empiris dengan teori ekonomi. Selain itu, model ini mampu mencari pemecahan terhadap persoalan variabel runtut waktu ( time series ) yang tidak stasioner dan regresi lancung ( spurious regeression) dalam ekonometri.

Model VAR yang dikembangkan oleh Sims (1980) dalam (Enders, 2004) mengasumsikan bahwa seluruh variabel dalam persamaan simultan adalah variabel endogen. Asumsi ini diterapkan karena seringkali penentuan variabel eksogen dalam persamaan simultan bersifat subyektif. Dalam VAR, semua Model VAR yang dikembangkan oleh Sims (1980) dalam (Enders, 2004) mengasumsikan bahwa seluruh variabel dalam persamaan simultan adalah variabel endogen. Asumsi ini diterapkan karena seringkali penentuan variabel eksogen dalam persamaan simultan bersifat subyektif. Dalam VAR, semua

Pendekatan VAR merupakan permodelan setiap variabel endogen dalam sistem sebagai fungsi dari lag semua variabel endogen dalam sistem. Berdasarkan standard form dalam model VAR, bentuk umum untuk kasus multivariate (Enders, 2004) adalah sebagai berikut:

.………. (21) Dimana : Y t : variabel (nx1) yang berisi n dari masing-masing variabel dalam VAR

A o : vektor (nx1) intersep

Ai : koefisien matriks (nxn)

: vektor (nx1) dari error term Berdasarkan bentuk umum di atas, model penelitian dengan menggunakan model standard VAR menjadi persamaan sebagai berikut:

Dimana :

PDB = Pendapatan Domestik Bruto ; M 2 = Jumlah Uang Beredar

IHK = Indeks Harga Konsumen

SBI = Sertifikat BI

GOV = Pengeluaran Pemerintah

KURS = Nilai Tukar Rp/$ USA

Bentuk VAR di atas merupakan bentuk VAR biasa yang bebas restriksi digunakan jika data stasioner di tingkat level. Variasi bentuk VAR biasanya terjadi akibat perbedaan derajat inte grasi data variabelnya, yaitu dikenal dengan nama VAR in level dan VAR in difference. VAR level digunakan ketika data penelitian memiliki bentuk stasioner dalam level. Jika data tidak stasioner dalam level namun tidak memiliki (secara teoritis tidak memerlukan keberadaan) hubungan kointegrasi, maka estimasi VAR dilakukan dalam bentuk difference.

VECM merupakan bentuk VAR yang terestriksi karena keberadaan bentuk data yang tidak stasioner namun terkointegrasi. VECM sering disebut sebagai desain VAR bagi series nonstasioner yang memiliki hubungan kointegrasi. Spesifikasi VECM merestriksi hu bungan jangka panjang variabel -variabel endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan dinamisasi jangka pendek.

3.2.2.5 Uji Kausalitas Granger ( Granger’s Causality Test )

Uji kausalitas dilakukan untuk mengetah ui apakah suatu variabel endogen dapat diperlakukan sebagai variabel eksogen. Hal ini bermula dari ketidaktahuan keterpengaruhan antar variabel. Jika ada dua variabel y dan z, maka apakah y menyebabkan z atau z menyebabkan y atau berlaku keduanya atau tidak ada hubungan keduanya. Variabel y menyebabkan variabel z artinya berapa banyak nilai z pada periode sekarang dapat dijelaskan oleh nilai z pada periode sebelumnya dan nilai y pada periode sebelumnya.

Uji kausalitas dapat dilakukan dengan berbagai metode diantaranya metode Granger’s Causality dan Error Correction Model Causality. Pada Uji kausalitas dapat dilakukan dengan berbagai metode diantaranya metode Granger’s Causality dan Error Correction Model Causality. Pada

Pengujian hubungan kausalitas dengan metode Granger’s Causality dikembangkan oleh Granger. Model Granger’s Causality dinyatakan dalam bentuk vektor autoregresi yang dinyatakan dalam persamaa n sebagai berikut :

.………. (23) Dimana n adalah jumlah observasi dan hipotesis sebagai berikut :

Ho: ∑

Dari persamaan (22) dapat dijelaskan tahap -tahap dalam pengujian kausalita s adalah sebagai berikut:

1. Regresikan variabel Y terhadap semua nilai lag variabel Y, tetapi jangan memasukkan lag Z dalam regresi agar dapat d iperoleh restricted regression sehingga dari regresi tersebut diketahui restricted residual sum of squares (RSS R ).

2. Lanjutkan regresi dengan memasukkan nilai lag Z, regresi tersebut disebut juga dengan unrestricted regression yang akan menghasilkan unrestricted residual sum of squares (RSS UR ).

3. Hipotesis yang digunakan adalah H o : Σαi = 0, sehingga nilai lag Z tidak berada dalam regresi yang artinya variabel Z tidak menyebabkan variabel Y.

4. Pengujian hipotesis di atas dilakukan dengan menghitung nilai F test yang dirumuskan sebagai berikut:

Dimana m adalah jumlah lag dan k jumlah parameter yang diestimasi dalam unrestricted regression .

5. Bandingkan nilai F test dengan nilai F tabel . Jika ternyata nilai F test lebih besar daripada nilai F tabel , maka Ho ditolak yang artinya lag Z harus berada dalam regresi atau variabel Z menyebabkan variabel Y. Atau jika angka probabilitas dari sepasang variabel lebih kecil dibandingkan dengan tingkat signifikansi 5 persen maka hipotesis nol ditolak yang artinya terdapat hubungan antara dua variabel pada waktu yang sama. Sedangkan jika angka probabilitas tersebut lebih besar daripada 5 persen, maka hipotesis nol diterima yang artinya tidak terdapat hubungan seb ab akibat antara dua variabel.

6. Demikian pula untuk persamaan ( 23), tahap 1 sampai dengan 5 dapat juga

dilakukan untuk mengetahui apakah variabel Y menyebabkan variabel Z.

Gujarati (2003) merinci kemungkinan y ang dapat terjadi dari analisis kausalitas yang di antaranya yaitu:

1. Terjadinya Unidirectional causality from Z toYA yang dapat diidentifikasi jika koefisien estimasi pada lag Z dalam persamaan (22) secara statistik signifikan berbeda terhadap nol (Σαi ≠ 0), sedangkan jika koefisien estimasi untuk lag Y pada persamaan (23) secara statistik signifikan tidak berbeda terhadap nol (Σδi= 0);

2. Sebaliknya, Unidirectional causality from Y to Z dapat terjadi jika sekumpulan koefisien lag Z pada persamaan (22) secara statistik tidak signifikan berbeda terhadap nol (Σαi = 0) dan kumpulan koefisien lag Y pada persamaan (23) secara statistik berbeda terhadap nol (Σδi ≠ 0);

3. Terjadinya feedback atau bilateral causality, jika koefisien dari dari variabel Y dan Z secara statistik signifikan berbeda terhadap nol pada kedua regresi;

4. Kedua variabel dikatakan independen jika set koefisien A dan B secara statistik tidak signifikan dalam kedua persamaan regresi di atas.

3.2.2.6 Proses Pengujian dan Analisis

Secara garis besar proses analisis dan pengujian statistik yang digunakan dalam pembahasan dan analisis dalam studi ini seperti terlihat dalam gambar berikut:

Pengeluaran Pemerintah Tingkat Output (PDB) Jumlah Uang Beredar

Suku Bunga Tingkat Harga (IHK) Kurs

Analisis Time Series

Uji Stasioneritas

Uji Lag Optimum

Analisis Deskriptif

Uji Kointegrasi

Estimasi Model VECM

Uji Granger Causality & Analisis Variance

Analisis IRF

Decomposition

Kesimpulan

Gambar 20. Proses Pengujian