5 -20.39554
6 -20.23686
7 -20.25818
8 -20.50449
Lag optimal
4.1.3 Uji Stabilitas Model VAR
Stabilitas VAR perlu diuji terlebih dahulu sebelum melakukan analisis lebih jauh, karena jika hasil estimasi VAR yang akan dikombinasikan dengan
model koreksi kesalahan tidak stabil, maka Impulse Response Function dan Variance Decomposition menjadi tidak valid Setiawan, 2007. Untuk menguji
stabil atau tidaknya estimasi VAR yang telah dibentuk maka dilakukan pengecekan kondisi stabilitas VAR berupa roots of characteristic polynomial.
Suatu sistem VAR dikatakan stabil apabila seluruh roots-nya memiliki modulus lebih kecil dari satu Gujarati, 2003. Berdasarkan uji stabilitas VAR, dapat
disimpulkan bahwa estimasi VAR yang akan digunakan untuk analisis IRF dan VD stabil. Berikut ini adalah uji stabilitas VAR pada lag optimal yaitu lag 1. Dari
tabel tersebut dapat diambil kesimpulan bahwa model VAR yang dibentuk sudah stabil pada lag optimalnya.
Tabel 4.4 Hasil Uji Stabilitas Model VAR
Root Modulus
0.623458 0.623458
-0.462339 0.462339
0.439905 0.439905
-0.075961 - 0.145818i 0.164417
-0.075961 + 0.145818i 0.164417
-0.035421 0.035421
4.1.4 Uji Kointegrasi
Kointegrasi merupakan hubungan antara variabel yang tidak stasioner pada jangka panjang. Misalkan suatu data yang secara individu tidak stasioner,
namun ketika dihubungkan secara linier, data tersebut menjadi stasioner. Hal ini yang kemudian disebut bahwa data tersebut terkointegrasi.
Selain itu, uji kointegrasi juga akan dilakukan dengan mengikuti prosedur Johansen Trace Statistics Test. Dalam uji Johansen, penentuan kointegrasi dilihat
dari nilai trace statistic setelah didahului dengan mencari panjang lag yang akan diketahui. Nilai trace statistic yang melebihi nilai kritisnya memperlihatkan
bahwa terdapat kointegrasi dalam model yang digunakan. Hasil uji kointegrasi Johansen menunjukkan terdapat 3 persamaan yang terkointegrasi pada taraf 5
persen.
Tabel 4.5 Uji Kointegrasi Johansen
Hipotesa Eigenvalue
Trace Statistic 5 critical value
H H
1
r=0 r≥1
0.451072 148.5275
95.75366
r≤1 r≥2
0.350673 92.14746
69.81889
r≤2 r≥3
0.235237 51.55651
47.85613
r≤3 r≥4
0.126071 26.34671
29.79707
Signifikan pada taraf nyata 5
4.2 Pemodelan VECM
Ketika data tidak stasioner tetapi memiliki hubungan kointegrasi, maka metode yang digunakan selanjutnya adalah VECM. Estimasi VECM
menghasilkan informasi kecepatan penyesuaian speed of adjustment atas ketidakstabilan hubungan jangka pendek menuju keseimbangan jangka panjang
Nursechafia, 2010. Nilai t-trace statistics yang lebih besar dari Mackinnon