ada tidak stasioner pada level maka akan dilakukan uji kointegrasi pada level dan apabila hasilnya terkointegrasi, maka dapat dilakukan estimasi terhadap data
menggunakan estimasi VECM.
3.3.1. Vector Autoregressive VAR
Penggunaan pendekatan struktural atas pemodelan persamaan simultan biasanya menerapkan teori ekonomi di dalam usahanya untuk mendeskripsikan
hubungan antar variabel yang ingin diuji. Akan tetapi sering ditemukan bahwa teori ekonomi saja ternyata tidak cukup baik di dalam menyediakan spesifikasi
yang tepat atas hubungan dinamis antar variabel. Terkadang proses estimasi dan inferensi bahkan menjadi lebih rumit karena keberadaan variabel endogen di
kedua sisi persamaan yaitu endogenitas variabel di sisi dependen dan independennya. Metode VAR yang merupakan ciptaan Sims pada tahun 1980
kemudian muncul sebagai jalan keluar atas permasalahan ini melalui pendekatan nonstrukturalnya.
Secara garis besar terdapat empat hal yang ingin diperoleh dari pembentukan sebuah sistem persamaan, yaitu deskripsi data, peramalan, inferensi
struktural, dan analisis kebijakan. VAR menyediakan alat analisa bagi keempat hal tersebut melalui empat macam penggunaannya, seperti Forecasting untuk
ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu variabel, Impulse Response Functions IRF untuk
melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel tertentu, Forecast Error Decomposition of Variance
FEDVs untuk memprediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu, dan Granger Causality Test yang
digunakan untuk mengetahui hubungan sebab akibat antar variabel. Model VAR yang dikembangkan oleh Chistoper A. Sims 1980, model
dasarnya hampir sama dengan model untuk menguji Granger’s 1969 Bivariate Causality. VAR adalah model apriori terhadap teori ekonomi. Namun demikian
model ini sangat berguna dalam menentukan tingkat eksogenitas suatu variabel ekonomi dalam sebuah sistem ekonomi di mana terjadi saling ketergantungan
antar variabel dalam ekonomi. Model ini juga menjadi dasar munculnya metode co-integrasi Johansen 1988, 1989 yang sangat baik dalam menjelaskan perilaku
variabel dalam perekonomian. Model VAR secara matematis dapat diwakili oleh.
=
∑
+ +
3.1 dimana Z
t
adalah vektor dari variabel-variabel endogen sebanyak m, X
t
adalah vektor dari variabel-variabel eksogen sebanyak d termasuk di dalamnya konstanta
intercept. A
1
,...,A
p
, dan B adalah matriks-matriks koefisien yang akan diestimasi, dan
t
adalah vektor dari residual-residual yang secara kontemporer berkorelasi tetapi tidak berkorelasi dengan nilai-nilai lag mereka sendiri dan juga tidak
berkorelasi dengan seluruh variabel yang ada dalam sisi kanan persamaan di atas. Model VAR tidak banyak tergantung pada teori dalam penyusunan model.
Hal-hal yang perlu ditentukan dalam model VAR yaitu variabel yang saling berinteraksi atau saling mempengaruhi yang perlu dimasukkan dalam model.
Kedua, banyaknya variabel jeda yang perlu diikutsertakan dalam model yang diharapkan dapat menangkap keterkaitan antar variabel dalam sistem. Oleh karena
itu, sebelum memilih variabel yang dianalisis dalam model perlu diuji terlebih dahulu sifat kausalitas dari variabel-variabel tersebut dengan menggunakan uji
kausalitas granger. Model VAR memiliki kelebihan daripada analisis dengan model lainnya.
Kelebihan dari model ini yaitu : 1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana
variabel endogen dan eksogen. Semua variabel pada model VAR dapat dianggap variabel endogen.
2. Cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS pada tiap-tiap persamaan secara terpisah.
3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dari peramalan yang menggunakan model dengan persamaan simultan yang lebih
kompleks. 4. Semua variabel pada model VAR harus sudah stasioner. Jika data variabel
belum stasioner maka harus ditransformasi terlebih dahulu agar stasioner. 5. Interpretasi parameter yang telah diestimasi pada model VAR tidak mudah.
Oleh karenanya, para praktisi kadang-kadang malah mengestimasi IRF Impulse Response Function. IRF melacak respons dari variabel terikat pada
model VAR bila terjadi perubahan shock melalui u
1
dan u
2
untuk model dengan 2 variabel.
3.3.2. Vector Error Correction Model VECM
