Pada baris pertama menunjukkan penolakan terhadap Ho yang mengatakan
tidak ada kointegrasi karena nilai likelihood ratio-nya lebih besar dari nilai critical value-nya, dengan kata lain Ho ditolak. Pada baris kedua Ho mengatakan ada
kointegrasi maksimal 1 persamaan, namun hipotesis ini juga ditolak karena nilai likelihood ratio-nya juga lebih besar. Kemudian pada baris selanjunya hipotesis nol.
Ho mengatakan ada persamaan kointegrasi maksimal 1, namun hanya pada α = 5
sehingga hipotesis ini bisa ditolak. Dari uji ini diketahui bahwa ada 1 persamaan kointegrasi seperti keterangan dibagian bawah tabel pada 5 dan 1 levels yang
berarti asumsi adanya hubungan jangka panjang antar variabel terbukti. Berdasarkan hasil uji kointegrasi diketahui bahwa ternyata ada persamaan yang memiliki
kointegrasi dalam jangka panjang sehingga hasil kausalitas yang menyatakan hubungan jangka pendek dapat digantikan dengan asumsi yang menyatakan
hubungan jangka menengah dan jangka panjang terbukti. Jadi semua variabel dinyatakan memiliki kontribusi dalam jangka panjang sehingga analisa Vector
Autoregression dapat digunakan untuk pengujian selanjutnya.
4.5. Vector Autoregression
Setelah terjadi hubungan timbal balik dalam uji kausalitas, maka langkah selanjutnya adalah dengan menggunakan VAR. Estimasi VAR didukung dengan
penggunaan lag, dimana nilai Akaike Information AIC dan Schwarz Information Criterion SIC yang paling kecil diantara lag sebagai pedoman penentuan panjang
lag. Nilai AIC dan SIC pada masing-masing lag ditunjukkan pada Tabel 4.7 berikut :
Universitas Sumatera Utara
Tabel 4.7. Nilai AIC dan SIC pada Beberapa Lag
Lag 1
2 3
4 Nilai AIC
-0,661280 0,237871
1,865768 1,363815
Nilai SIC 0,298599
1,965653 4,381961
4,679157
Sumber : Data diolah dengan Eviews
Berdasarkan penentuan panjang lag diketahui bahwa pada lag dasar atau lag 1 nilai AIC dan nilai SIC merupakan nilai yang paling kecil sehingga dikatakan lag 1
yang terbaik dibandingkan dengan model-model yang lainnya sehingga penelitian ini menggunakan lag 1. Asumsi penggunaan lag 1 juga ditentukan oleh stabilitas lag
structur dengan menggunakan Invesrse Roots of AR Characteristic Polynomial dan prinsip Parsimony. Dimana nilai lag structur pada lag 1 sudah stabil maka
ditentukan lag 1. Hasil analisa VAR untuk INF, M1, PDB dan SBI pada lag 1ditunjukkan pada Tabel 4.8.
Universitas Sumatera Utara
Tabel 4.8. Hasil Estimasi VAR dengan Dasar Lag 1
Vector Autoregression Estimates Date: 102809 Time: 08:43
Sample: 1982 2008 Included observations: 27
Standard errors in t-statistics in [ ]
LOGINF LOGM1
LOGPDB LOGSBI
LOGINF-1 0.066956
0.040775 0.048298
0.202945 0.20428
0.02864 0.06323
0.10740 [
0.32777] [ 1.42370] [
0.76385] [ 1.88955]
LOGM1-1 2.721799
0.976454 0.361636
-0.980730 1.71494
0.24044 0.53082
0.90167 [
1.58711] [ 4.06115] [
0.68127] [-1.08769] LOGPDB-1
-2.708992 0.025193
0.598280 0.937309
1.74245 0.24430
0.53934 0.91613
[-1.55470] [
0.10313] [
1.10928] [ 1.02311]
LOGSBI-1 -0.229181
0.086831 0.142278
0.590553 0.26061
0.03654 0.08067
0.13702 [-0.87941]
[ 2.37648]
[ 1.76380] [ 4.30998]
C 8.502955 -0.238085
0.965577 -0.942977 3.97595
0.55744 1.23067
2.09044 [ 2.13860]
[-0.42711] [ 0.78459]
[-0.45109] R-squared
0.175836 0.997648
0.987512 0.564728
Adj. R-squared 0.025989
0.997221 0.985242
0.485587 Sum sq. resids
5.731815 0.112668
0.549156 1.584485
S.E. equation 0.510428
0.071563 0.157992
0.268369 F-statistic
1.173433 2333.304
434.9250 7.135772
Universitas Sumatera Utara
Log likelihood -17.38898
35.65710 14.27399
-0.031043 Akaike AIC
1.658443 -2.270896
-0.686963 0.372670
Schwarz SC 1.898413
-2.030927 -0.446993
0.612640 Mean dependent
2.204954 10.93261
13.11451 2.674505
S.D. dependent 0.517193
1.357469 1.300516
0.374177 Determinant Residual
Covariance 1.38E-06
Log Likelihood d.f. adjusted 28.92728
Akaike Information Criteria -0.661280
Schwarz Criteria 0.298599
Sumber : Output Eviews
Dari hasil peramalan PDB, SBI, INF, M1 ditunjukkan pada lampiran 8, dimana data periode dari tahun 1982 sampai tahun 2008. Berdasarkan hasil penelitian
yang ditunjukkan pada Tabel 4.8 dengan menggunakan dasar lag = 1 model VAR untuk Inflasi, M1, PDB dan SBI masing-masing adalah :
LOGINF = 0.066956LOGINF-1 + 2.721799LOGM1-1
- 2.708992LOGPDB-1 - 0.229181LOGSBI-1 + 8.502955
LOGM1 = 0.040775LOGINF-1 + 0.976454LOGM1-1
+ 0.025193LOGPDB-1 + 0.086831LOGSBI-1 - 0.238085
LOGPDB = 0.048298LOGINF-1 + 0.361636LOGM1-1
+ 0.5982780LOGPDB-1 + 0.142278LOGSBI-1 + 0.965577
LOGSBI = 0.202945LOGINF-1 - 0.980730LOGM1-1
+ 0.937309LOGPDB-1 + 0.590553LOGSBI-1 - 0.942977
Universitas Sumatera Utara
Berdasarkan Tabel 4.8 terlihat bahwa adanya hubungan antara PDB, SBI, INF, M1 dengan lag 1, hal ini dapat disimpulkan bahwa dengan mengamati t-statistik
dari masing-masing koefisien, hubungan timbal balik antara variabel PDB, SBI, INF, M1 secara statistik signifikan.
1. Variabel Inflasi
Kontribusi yang paling signifikan dan positif terhadap inflasi adalah M1
t-1
sebesar 1,59 kemudian disusul oleh inflasi
t-1
sebesar 0,33. Sedangkan PDB
t-1
dan SBI memiliki kontribusi yang tidak signifikan terhadap inflasi.
2. Variabel M1
Kontribusi yang paling signifikan dan positif terhadap M1 adalah M1
t-1
sebesar 4,06 kemudian disusul oleh SBI
t-1
sebesar 2,38, Sedangkan inflasi dan PDB memiliki kontribusi yang kurang signifikan terhadap indeks M1.
3. Variabel PDB.
Kontribusi yang paling signifikan dan positif terhadap PDB adalah SBI
t-1
sebesar 1,76 kemudian disusul oleh PDB
t-1
sebesar 1,11. Sedangkan inflasi dan M1 memiliki kontribusi yang kurang signifikan terhadap PDB.
4. Variabel SBI
Kontribusi yang paling signifikan dan positif terhadap SBI adalah SBI
t-1
sebesar 4,31 kemudian disusul oleh inflasi
t-1
1,89, M1 memiliki kontribusi yang kurang signifikan terhadap SBI hanya sebesar -1,09.
Universitas Sumatera Utara
Variabel yang memberikan kontribusi paling signifikan untuk masing-masing variabel dapat disarikan sebagai berikut :
Tabel 4.9 Hasil Analisa VAR Variabel
PDB SBI
INFLASI M1
Kontribusi paling signifikan 1
SBI
t-1
SBI
t-1
M1
t-1
M1
t-1
Kontribusi paling signifikan 2
PDB
t-1
INF
t-1
INF
t-1
SBI
t-1
Sumber : Tabel 4.7, data diolah,2009
Berdasarkan hasil analisa Vector Autoregression diketahui bahwa variabel sebelumnya juga mempengaruhi variabel sekarang. Dimana dapat ditunjukkan pada
lampiran 8 bahwa variabel masa lalu t-1 berpengaruh signifikan terhadap dirinya sendiri dan variabel lain. Dari hasil estimasi tersebut di atas beserta uraiannya
ternyata hubungan timbal balik antara variabel PDB, SBI, Inflasi dan M1 menjadi semakin jelas dan dengan demikian hipotesa adanya kontribusi timbal balik antara
PDB, SBI, Inflasi dan M1 sebagai variabel yang diamati dalam penelitian ini terbukti. Model VAR sesuai dengan ekspetasi perekonomian Indonesia di masa mendatang,
hal tersebut dapat ditunjukkan pada trend beberapa variable yang berfluktuasi.
Universitas Sumatera Utara
Berdasarkan hasil penjelasan Vector Autoregression kemudian didukung dengan gambar stabilitas lag sebagai berikut :
-1.5 -1.0
-0.5 0.0
0.5 1.0
1.5
-1.5 -1.0
-0.5 0.0
0.5 1.0
1.5 Inverse Roots of AR Characteristic Polynomial
Gambar 4.5 Stabilitas Struktur Model
Berdasarkan Gambar 4.5 diketahui bahwa spesifikasi model yang terbentuk dengan menggunakan Roots of Characteristic Polynomial dan Inverse Roots of AR
Characteristic Polynomial diperoleh hasil stabil, hal ini dapat ditunjukkan bahwa semua unit roots berada dalam lingkaran gambar Inverse Roots of AR Characteristic
Polynomial. Ini disimpukan bahwa spesifikasi model penelitian menjadi stabil.
Universitas Sumatera Utara
4.6 Impulse Response Function IRF