∑ ……………………..…………... 13
Dimana k = 0,1,….,m-1 dan adalah nilai eigen value ke i. Lambang T
menyatakan banyak angka dalam periode waktu tersedia dalam data. ……………………. 14
Hipotesis null yang digunakan untuk Trace Test dan Maximum Eigen
Value Test adalah Ho : k = 0, tidak terdapat hubungan kointegrasi atau Ho : k=1,
terdapat satu hubungan kointegrasi sampai Ho : k = n-1, terdapat n-1 persamaan kointegrasi antar variabel. Banyaknya persamaan kointegrasi
menunjukkan banyaknya kombinasi linier antar variabel yang stasioner. Nilai Trace Test atau Maximum Eigen Value Test yang diperoleh
dibandingkan dengan nilai kritis tabel Osterwald-Lenum 1992. Jika nilainya lebih besar dari nilai kritis tabel maka Ho ditolak
3.3.4 Uji Stabilitas VAR
Uji stabilitas VAR dilakukan dengan menghitung akar-akar dari fungsi polinomial atau dikenal dengan roots of characteristic polynomial. Model VAR
tersebut dianggap stabil jika semua akar dari fungsi polynomial tersebut berada dalam unit circle atau nilai absolutnya lebih kecil dari 1 sehingga IRF dan FEVD
yang dihasilkan dianggap valid.
3.3.5 Impuls Response Function IRF
IRF menunjukkan bagaimana respon dari setiap variabel endogen sepanjang waktu terhadap kejutan dari variabel itu sendiri dan variabel endogen lainnya. IRF
digunakan untuk melihat pengaruh kontemporer dari sebuah variabel dependen jika mendapatkan guncangan atau inovasi dari variabel independen sebesar satu
standar deviasi. Vector autoregression dapat pula direpresentasikan sebagai suatu vector moving average
VMA ∑
........................................................................................15
Di mana : [
] Keempat koefisien Ø
11
i, Ø
12
i, Ø
21
i, dan Ø
22
i merupakan impuls response function
. Hasil IRF tersebut sangat sensitif terhadap pengurutan ordering variabel yang digunakan dalam perhitungan. Pengurutan variabel yang
didasarkan pada faktorisasi cholesky. Variabel yang memiliki nilai prediksi terhadap variabel lain diletakkan di depan berdampingan satu sama lainnya.
variabel yang tidak memiliki nilai prediksi terhadap variabel lain diletakkan paling belakang
3.3.5 Forecast Error Variance Decomposition FEVD
FEVD adalah metode yang dapat digunakan untuk melihat bagaimana perubahan dalam suatu variabel makro ditunjukkan oleh perubahan variance error
yang dipengaruhi oleh variabel-variabel lainnya. Metode ini juga dapat
menunjukkan kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya pada kurun waktu yang panjang how longhow
persistent . Dekomposisi varians merinci varians dari error peramalan forecast
menjadi komponen-komponen yang dapat dihubungkan dengan setiap variabel endogen dalam model. Melalui perhitungan persentase squared prediction error
k-tahap ke depan dari sebuah variabel akibat inovasi dalam variabel-variabel lain, dapat dilihat seberapa besar error peramalan variabel tersebut disebabkan oleh
variabel itu sendiri dan variabel-variabel lainnya.
3.4 Spesifikasi Model
