4.4 Estimasi VAR Vector Autoregressive
Estimasi VAR atau Vector Autoregressive menurut Sims Gujarati,2003 adalah merupakan konsep dimana terdapat hubungan yang simulan antar variabel
yang diamati dan variabel-variabel diperlakukan sama sehingga tidak ada lagi variabel endogen dan variabel eksogen. Dalam VAR variabel endogen disebut
variabel terikat sedangkan variabel eksogen disebut variabel bebas.
Tabel 4.8 Hasil Estimasi VAR
Vector Autoregression Estimates SBI
PDB SBI-1
-0.829003 3.604151
PDB-1 -0.376478
1.040059 C
3.131477 -94.59345
Hasil estimasi VAR pada persamaan SBI menunjukkan bahwa nilai t- statistik SBI
t-1
-0,829003 t-tabel -2,771129 pada α = 10. Sedangkan nilai t-
statistik PDB
t-1
-0,376478 t-tabel -2,771129. Maka SBI
t-1
mempengaruhi PDB
t-1
secara signifikan. Sedangkan hasil Estimasi VAR pada persamaan PDB menunjukkan bahwa
nilai t-statistik PDB
t-1
1,040059 dan SBI
t-1
3,604151 t-tabel -2,771129 pada α = 10. Maka PDB
t-1
dan SBI
t-1
konstanta berpengaruh signifikan terhadap PDB
t-1
dan SBI
t-1
sehingga hasil ini mendukung hasil uji kausalitas Granger bahwa SBI mempengaruhi PDB, dan sebaliknya PDB mempengaruhi SBI
ditahun- tahun sebelumnya.
4.5 Impulse Response Function IRF
Impulse Response Function IRF digunakan untuk melihat pengaruh kontemporer suatu variabel terhadap variabel lainnya. Dalam penelitian ini, IRF
Universitas Sumatera Utara
pada dasarnya terdiri dari dua tahap, yakni melihat pengaruh kontemporer variabel SBI terhadap variabel PDB, dan sebaliknya. Hasil IRF tergantung pada
ordering seri variabel yang digunakan. Karena menurut hasil uji kausalitas granger, SBI dan PDB memiliki hubungan timbal balik. Maka ordering yang
digunakan adalah variabel SBI terlebih dahulu kemudian variabel PDB.
Gambar 4.2 Hasil Impulse Response Func
Universitas Sumatera Utara
Dari hasil IRF didapatkan 4 grafik. Karena dari hasil kausalitas granger telah diketahui bahwa variabel SBI dan PDB saling berhubungan, maka fokus
dalam bagian ini adalah pada grafik Response of PDB to SBI dan Response of SBI and PDB. Pada tahun pertama SBI naik hingga Tahun ke dua, kemuadian
menurun hingga tahun sepuluh.Menurut grafik Response of PDB to SBI, adanya peningkatan PDB menurunkan SBI sampai ke level yang paling rendah.
Tabel 4.9 Hasil impulse Response Function PDB dan SBI
Response of PDB : Response of SBI:
Period PDB
Period SBI
1.
100.0000
1.
0.000000
2.
76.06514
2.
23.93486
3.
58.42250
3.
41.57750
4.
43.77935
4.
56.22065
5.
34.02319
5.
65.97681
6.
27.09402
6.
72.90598
7.
22.16319
7.
77.83681
8.
18.54334
8.
81.45666
9.
15.84299
9.
84.15701
10.
13.79497
10.
86.20503
11.
64.99499
11.
35.00501
12.
65.31749
12.
34.68251
13.
65.83980
13.
34.16020
14.
65.14475
14.
34.85525
15.
64.04632
15.
35.95368
16.
62.50617
16.
37.49383
17.
60.64585
17.
39.35415
18.
58.45703
18.
41.54297
19.
55.95480
19.
44.04520
20.
53.14772
20.
46.85228
Universitas Sumatera Utara
Pada tabel 1- 10 menjelaskan tentang variance decompotition dari variabel PDB, yaitu variabel DINF. Pada periode pertama, variabel PDB dipengaruhi oleh
variabel itu sendiri 100. Namun demikian, pada periode selanjutnya pengaruh PDB terhadap PDB itu sendiri berkurang hingga 88 di periode ke-10.
Selanjutnya dari periode 1-10 kita dapat memperoleh informasi bahwa PDB dapat dijelaskan oleh variabel SBI sebesar 0.00 pada periode pertama, dan terus
meningkat hingga 86 di period eke 10. Dalam variance decompotion dijelaskan bahwa SBI dapat menjelaskan PDB namun besarnya tidak terlalu signifikan.
Namun di periode ke-10 terus meningkat mencapai 86.2.Lebih spesifiknya, pada tahun pertama, peningkatan satu standar deviasi variabel PDB menaikkan
variabel SBI sebesar 86.20501 dibawah rata-ratanya. Sementara variabel PDB pada tahun ke-10 adalah 13.79497.
Pada tahun berikutnya, peningkatan satu standar deviasi variabel SBI meningkatkan varibel PDB sebesar 64.99499 diatas rata-ratanya dan mencapai
puncak pada tahun ketiga yaitu sebesar 65.83980 diatas rata-ratanya. Pada tahun ke-20, peningkatan satu standar deviasi variabel PDB meningkatkan variabel SBI
sebesar 46.85228 diatas rata-ratanya.
4.6. Forecast Error Variance Decomposition FEVD