Metode Vector Error Correction Model VECM

1. Model VAR lebih bersifat ateori karena tidak memanfaatkan informasi dari teori-teori terdahulu. 2. Karena tidak menitikberatkan pada peramalan forecasting, maka model VAR dianggap tidak sesuai untuk implikasi kebijakan. 3. Tantangan terberat VAR adalah pemilihan panjang lag yang tepat. 4. Semua variabel yang digunakan dalam model VAR harus stasioner. 5. Koefisien dalam estimasi VAR sulit untuk diinterpretasikan.

3.3.2. Metode Vector Error Correction Model VECM

Vector Error Correction Model atau VECM merupakan bentuk VAR yang terestriksi Enders, 2004. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak stasioner pada level, tetapi terkointegrasi. VECM kemudian memanfaaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Karena itu, VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi. Kointegrasi adalah terdapatnya kombinasi linier antara variabel yang non stasioner yang terkointegrasi pada ordo yang sama Enders,2004. Setelah dilakukan pengujian kointegrasi pada model yang digunakan, maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series kebanyakan memiliki tingkat stasioneritas pada perbedaan pertama first difference atau I1. Dengan demikian, dalam VECM terdapat speed of adjustment dari jangka pendek ke jangka panjang. Oleh karena itu, untuk mengantisipasi hilangnya informasi jangka panjang, maka dalam penelitian ini digunakan model VECM apabila ternyata data yang digunakan memiliki derajat stasioneritas I1. Secara umum model VECM k-1 adalah sebagai berikut : ∑ − = + + + + ∆ Γ = ∆ − − 1 1 1 1 1 k i t t t t i t y y y     3.14 dimana : Δ y t = y t – y t-1 k-1 = ordo VECM dari VAR Γ i = matriks koefisien regresi b 1, ….,b i μ = vektor intercept μ 1 = vektor koefisien regresi t = time trend α = matriks loading β = vektor kointegrasi y = variabel yang digunakan dalam analisis Sehingga dalam penelitian ini menjadi = ∆ t NAB i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.15 = ∆ t SBI i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.16 = ∆ t SBIS i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.17 = ∆ t ER i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.18 = ∆ t INF i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.19 = ∆ t IHSG i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.20 = ∆ t JII i t − ∑ = Γ 1 - k 1 i iNAB + + Γ − ∑ = i t 1 - k 1 i iSBI + Γ − ∑ = i t S 1 - k 1 i iSBI i t − ∑ = Γ 1 - k 1 i iER + + Γ − ∑ = i t 1 - k 1 i iINF t i t i t  + Γ + Γ − − ∑ ∑ = = 1 - k 1 i 1 - k 1 i iJII iIHSG 3.21 3.3.3. Pengujian Pra Estimasi 3.3.3.1. Uji Stasioneritas Data