Uji stasioneritas akan dilakukan dengan metode ADF dan PP sesuai dengan bentuk tren deterministik yang dikandung oleh setiap variabel. Hasil series
stasioner akan berujung pada penggunaan VAR dengan metode standar. Sementara series non stasioner akan berimplikasi pada dua pilihan VAR, VAR
dalam bentuk diferens atau VECM. Keberadaan variabel non stasioner meingkatkan kemungkinan keberadaan
hubungan kointegrasi antar variabel. Maka pengujian kointegrasi diperlukan untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi diperlukan
untuk mengetahui keberadaan hubungan tersebut. Pengujian kointegrasi sebaiknya tetap dilakukan pada data stasioner, mengingat terdapatnya kemungkinan
kesalahan pengambilan kesimpulan pengujian unit root terkait dengan the power of the test.
3.4.2 Metode Pengujian Granger Causality
Hubungan causality adalah hubungan jangka pendek antara kelompok tertentu dengan menggunakan pendekatan ekonometrik. Terdapat beberapa
hubungan kausalitas, yaitu: hubungan kausalitas satu arah. Hubungan kausalitas dua arah atau hubungan timbal balik.
Pengujian ini bertujuan untuk mengetahui hubungan sebab akibat diantara dua variabel yang diuji. Setelah mengetahui lag optimal bagi sistem VAR,
pengujian ini pun akan langsung dapat dilakukan. Pengujian kausalitas ini dilakukan untuk melihat hubungan kausalitas yang dapat terjadi di antara variabel-
variabel yang terdapat dalam model. Penelitian ini menggunakan metode uji granger causality untuk melihat hubungan tersebut. Hipotesis nol yang diuji
menyatakan tidak adanya kausalitas diantara variabel sedangkan hipotesis alternatifnya menyatakan adanya hubungan kausalitas diantara variabel. Untuk
menolak atau menerima hipotesis nol, maka dapat melihat probabilitasnya yang dibandingkan dengan tingkat kepercayaan yang pada penelitian ini menggunakanh
nilai kritis 10 persen. Jika nilai probabilitasnya lebih besar dari 10 maka hipotesis nol ditolak yang artinya terdapat hubungan kausalitas pada variabel-
variabel yang diuji.
3.4.3 Pengujian Lag Optimal
Tingkat lag optimal ditentukan berdasarkan nilai Schwarz Information Criterion SC. Tingkat lag yang dipilih adalah lag yang menghasilkan nilai SC
terendah daripada tingkat lag lainnya. Berdasarkan perhitungan nilai SC pada
variabel-variabel harga di tingkat produsen dan konsumen, nilai SC terendah.
Uji lain yang juga penting dilakukan dalam analisis time series adalah uji lag optimal. Hal tersebut dikarenakan suatu variabel ekonomi memerlukan
rentang waktu untuk merespon variabel lainnya Gujarati, 2003. Jika panjang lag dilambangkan dengan p, maka setiap n persamaan berisi n x p koefisien ditambah
intersep. Panjang lag haruslah cukup sehingga dapat menangkap dinamika sistem yang akan dimodelkan. Lag yang lebih panjang akan mengakibatkan lebih banyak
junmlah parameter yang harus diduga dan mengurangi derajat bebas yang ada. Untuk mendapatkan lag optimal, dilakukan tiga bentuk pengujian secara
bertahap. Pada tahap pertama akan dilihat panjang selang maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse roots karakteristik AR
polinominalnya. Suatu sistem VAR dikatakan stabil stasioner jika seluruh rootsnya memiliki modulus lebih kecil dari satu dan semuanya terletak di dalam
unit circle. Tahap selanjutnya, panjang selang optimal akan dicari dengan
menggunakan kriteria informasi yang tersedia, yaitu kriteria Likelihood Ratio LR, Final Prediction Error FPE , Akaike Information Criterion AIC,
Schwarz Information Criterion SIC dan Hannah Quinn Information Criterion HQ. Jika kriteria informasi hanya merujuk pada sebuah kandidat selang, maka
kandidat tersebutlah yang optimal. Dalam penelitian ini, kriteria yang digunakan adalah Akaike Information Criterion AIC minimum. Jika diperoleh lebih dari
satu kandidat, maka pemilihan dilanjutkan pada tahap ketiga, yaitu nilai Adjused R kuadrat variabel VAR dari masing-masing kandidat selang yang dibandingkan,
dengan penekanan pada variabel-variabel terpenting dari sistem VAR tersebut. Selang optimal akan dipilih dari sistem VAR denagn selang tertentu menghasilkan
nilai Adjused R kuadrat terbesar pada variabel-variabel penting di dalam model.
3.4.4 Vector Autoregresesive VAR