Analisis Tarif Tinjauan Teoritis .1 Transmisi Harga dan
prakteknya cukup kecil. Ketika negara kecil memberlakukan tarif, share dari negara tersebut memang sudah kecil di pasar dunia, sehingga penurunan impor
negara tersebut berdampak sangat kecil terhadap harga dunia ekpor asing.
Sumber: Krugman dan Obstfeld 2003
Gambar 2.2 Tarif di Negara Kecil Pengaruh tarif dari negara kecil dimana negara tersebut tidak mampu
memengaruhi harga ekspor dapat dilihat pada Gambar 2.2. pada kasus ini peningkatan tarif akan meningkatkan harga impor pada negara yang
memberlakukan tarif, dengan peningkatan harga sebesar jumlah penuh dari tarif dari P
w
menjadi P
w
+ t. Produk impor akan meningkat dari S
1
menjadi S
2
, sedangkan konsumsinya menurun D
1
menjadi D
2
. Hasil dari pemberlakuan tarif adalah penurunan impor pada negara yang memberlakukan Krugman dan
Obstfeld 2003. 2.1.5
Vector Autoregression
Vector Autoregression VAR adalah metode yang yang dikembangkan oleh
Christoper Sims pada tahun 1980 yang merupakan pengembangan lebih lanjut dari univariate autoregression. Univariate autoregression adalah sebuah
persamaan tunggal dengan model linier variabel tunggal dimana nilai saat ini dari variabel dijelaskan oleh variabel dengan nilai lag-nya sendiri. VAR adalah
metode untuk n-persamaan dengan n-variabel, sehingga dalam konteks ekonometrika modern, VAR termasuk ke dalam multivariate time series analysis
Firdaus, 2011.
Menurut Arsana dalam Firdaus 2011, alat analisis yang disediakan oleh VAR bagi deskripsi data, peramalan, inferensi struktural, dan analisis kebijakan
dilakukan melalui empat macam penggunaannya, yakni Forecasting, Impulse Response Function
IRF, Forecast Error Variance Decomposition FEVD, dan Granger Causality Test.
Seperti halnya model ekonometrika lainnya, VAR juga
meliputi serangkaian proses spesifikasi dan identifikasi model. Spesifikasi model VAR meliputi pemilihan variabel dan banyaknya selang yang digunakan dalam
model. Identifikasi model adalah melakukan identifikasi persamaan sebelum melakukan estimasi model. Dalam proses identifikasi ditemukan beberapa
kondisi, kondisi overidentified akan diperoleh jika jumlah informasi yang dimiliki melebihi jumlah parameter yang ingin diestimasi, kondisi exactly identified atau
just identified
tercapai jika jumlah informasi sama dengan jumlah parameter yang diestimasi, sementara jumlah informasi kurang dari jmlah parameter yang
diestimasi akan menciptakan keadaan yang disebut dengan underidentified. Estimasi model VAR dapat dilakukan hanya dalam keadaan overidentified dan
just identified
. Bentuk paling sederhana dari model VAR standar reduced-form,
berdasarkan Enders 2004 disusun dari bentuk sistem bivariate sederhana sebagaimana berikut:
y
t
b b
t
y
t t
yt t
b b
y
t
y
t t
t
6 7
Kedua persamaan ini tidak dalam bentuk persamaan reduced-form. Persamaan bivariate diatas menunjukkan
y
t
dan
t
memengaruhi satu sama lain secara serentak contemporaneous effect. Hal ini dapat terlihat
b adalah
contemporaneous effect dari perubahan
t
terhadap y
t
dan adalah
contemporaneous effect dari perubahan
t-
terhadap y
t
. keberadaan contemporaneous effect
t
terhadap y
t
dan sebaliknya mengindikasikan bahwa persamaan bivariate sederhana ini bukan persamaaan reduced form sehingga
bentuk ini dikritisi terhadap Sims pada awal penyusunan model VAR. Oleh karena itu, kemudian Sims kemudian menyusun bentuk persamaan
umum dari VAR yang kemudian menjadi bentuk standar dari multivariate generalization
dari proses autoregresi:
t t
t
…
p t p
e
t
8 Di mana:
t
i
e
t
= =
= =
vektor berukuran n ∙1 berisi n variabel yang termasuk di dalam model
VAR vektor intersep berukuran n
∙1 matriks koefisienparameter berukuran n
∙n untuk setiap i , ,3,…,p vektor error berukuran n
∙1 Model VAR dalam bentuk umum di atas dapat ditulis ulang dalam
persamaan bivariate pada model sederhana sebelumnya menjadi: y
t
y
t
a
t
e
t t
a a
y
t
a
t
e
t
9 10
Atau dalam entuk notasi matriks VAR adalah sebagai berikut: [
y
t t
] [ a
a ] [
a a
a a
] [ y
t t
] [ e
t
e
t
] 11
Menurut Firdaus 2011, spesifikasi model VAR sesuai dengan kriteria Sims 1980 meliputi pemilihan variabel yang sesuai dengan teori ekonomi yang
relevan dan sesuai dengan pemilihan lag yang digunakan dalam model. Dalam pemilihan selang optimal yang dipakai dapat memanfaatkan kriteria informasi
seperti Akaike Information Criterion AIC, Schwartz Information Criterion SC maupun Hannah-Quinn Criterion HQ.
Model VAR dikembangkan sebagai solusi atas kritikan model persamaan simultan Firdaus 2011, yaitu:
1. Spesifikasi dari sistem persamaan simultan terlalu berdasar pada agregasi dari model keseimbangan parsial, tanpa memerhatikan pada hasil hubungan yang
hilang omitted interrelation. 2. Struktur dinamis pada model seringkali dispesifikasikan dengan tujuan untuk
memberikan restriksi yang dibutuhkan dalam mendapatkan identifikasi dari bentuk struktural.
Untuk mengatasi kritikan tersebut terutama untuk menentukan variabel endogen dan eksogen, pendekatan VAR berusaha membiarkan data tersebut
berbicara let the data speak for themselves dengan membuat semua variabel berpotensi menjadi variabel endogen. Dalam kerangka VAR, setiap variabel baik
dalam level maupun first difference, diperlakukan secara simetris dalam sistem persamaan yang mengandung regressor set yang sama.
Keunggulan metode VAR dibandingkan dengan metode ekonometrika konvensional adalah:
1. Mengembangkan model secara bersamaan di dalam suatu sistem yang kompleks multivariate sehingga dapat menangkap hubungan keseluruhan
variabel di dalam persamaan itu. 2. Uji VAR yang multivariate bisa menghindari parameter yang bias akibat tidak
mencakup variabel yang relevan 3. Uji VAR dapat mendeteksi hubungan antar variabel di dalam sistem
persamaan, dengan menjadikan seluruh variabel sebagai endogen. 4. Karena bekerja berdasarkan data, metode VAR terbebas dari berbagai batasan
teori ekonomi yang sering muncul termasuk gejala perbedaan palsu spurious variable
di dalam model ekonometrika konvensional terutama pada persamaan simultan, sehingga dapat menghindari penafsiran yang salah.
Namun, model VAR juga memiliki beberapa kelemahan, menurut Gujarati 1978 dalam Firdaus 2011, kelemahan VAR antara lain:
1. Model VAR lebih bersifat ateori karena tidak memanfaatkan informasi dari teori-teori terdahulu.
2. Karena menitikberatkan pada peramalan forecasting, maka model VAR dianggap tidak sesuai untuk implikasi kebijakan
3. Tantangan terbesar VAR adalah pemilihan panjang lag yang tepat. 4. Semua variabel yang digunakan dalam model VAR harus stasioner
5. Koefisien dalam estimasi VAR sulit untuk diintepretasikan 2.1.5
Structural Vector Autoregression
Menurut Enders 2004, pendekatan model VAR telah dikritik bahwa muatan ekonomi di dalamnya yang bisa dikatakan nihil devoid. Fungsi tunggal
dari seorang ekonom hanyalah menentukan variabel yang tepat untuk dimasukkan ke dalam model VAR. Setelah itu, prosedur berikutnya bersifat mekanis, sedikit
sekali proses input ekonomi di dalamnya sehingga hasilnya sangat minim muatan ekonominya. Maka dari itu, Sims 1986 dan Bernanke 1986 kemudian
memperkenalkan model dengan inovasi menggunakan analisis ekonomi. Ide dasarnya adalah untuk mengestimasi hubungan dari structural shocks
menggunakan model ekonomi. Untuk memahami prosedur tersebut, perlu diepalajari hubungan antara forecast error dan structural innovation dari sebuah
VAR dengan n-variabel. Sebagaimana hubungan ini invarian terhadap panjang lag, maka first order model dengan n variabel adalah sebagai berikut:
[ b
b
3
b b
3
b
n
b
n
b
n
b
n
b
n3
] [
t t
nt
] [ b
b b
n
] [
3 3
n n
n n
n3 nn
] [
t t
t n
] [
t t
n
]
12 Atau dalam bentuk persamaan:
t t
t
13 Dari persamaan diatas kemudian disusun persamaan bentuk umum VAR
t t-
t-
…
p t-p
e
t
yang sudah disebutkan sebelumnya dengan mengalikan persamaan dengan B
-1
sehingga menjadi:
t t
t
14 Sehingga
-
;
-
; dan e
t -
t
berdasarkan bentuk umum VAR. permasalahan berikutnya adalah mengetahui nilai dari e
t
dan merestriksi sistem sehingga
t
e
t
. kemudian permasalahan berikutnya adalah pemilihan dari b
ij
tidak dapat dilakukan tanpa pertimbangan. Untuk menyelesaikan permasalahan identifikasi dengan cara menghitung equations dan unknowns. Dengan metode
OLS, kemudian didapatkan varian dan kovarian dari matriks ∑:
[
n n
n n
n
] 15
Dengan elemen dibatasi dengan penjumlahan:
ij
∑ e
it
e
jt t
16 adalah simetris yang hanya berisikan
n n
elemen yang terpisah. Terdapat n elemen sepanjang principal diagonal, n-1 sepanjang first-off
diagonal , n-2 sepanjang next of diagonal dan seterusnya hingga pada pojok
elemen terdapat
n n
elemen bebas. Solusi untuk permasalahan identifikasi ini adalah untuk mengidentifikasi n
2
unknown dari elemen independen
sejumlah
n n
yang telah diketahui known, perlu ditanamkan restriksi sebanyak n
- [
n n
]
n -
n
ke dalam sistem. Untuk
memberikan sejumlah
restriksi dalam
bentuk Cholesky
Decomposition di dalam sistem matriks di atas, maka dipelukan Cholesky
Decomposition untuk seluruh elemen diatas principal diagonal sama dengan nol,
atau dalam bentuk lain sebagai berikut: b
b
3
b … b
n
b
3
b … b
n
b
3
… b
3n
b
n n
17
Maka dapat dihasilkan generalisasi dari model dengan p lag: untuk mengidentifikasi bentuk model struktural dari VAR yang diestimasi, perlu
ditanamkan restriksi sebanyak
n -
n
ke dalam model struktural tersebut Enders
2004. 2.1.6
Vector Error Correction Model
Vector Error Correction Model adalah VAR terestriksi yang digunakan
untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Restriksi tambahan ini harus diberikan karena keberadaan bentuk data yang tidak
stasioner pada level tetapi terkointegrasi. VECM kemudian memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Oleh karena itu,
VECM sering disebut sebagai desain VAR bagi series non stasioner yang memiliki hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed
of adjustment
dari jangka panjang ke jangka pendek Firdaus 2011. Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel
endogen agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keadaan dinamisasi jangka pendek. Istilah kointegrasi dikenal juga
sebagai error, karena deviasi terhadap keseimbangan jangka panjang dikoreksi secara bertahap melalui series parsial penyesuaian jangka pendek. Spesifikasi
VECM secara umum adalah sebagai berikut:
y
t
t y
t
∑
k
y
t k
i t
18 y
t
= vektor yang berisi variabel yang dianalisis dalam penelitian = vektor intercept
= vektor koefisien regresi t
= time trend =
x
, dimana mengandung persamaan kointegrasi jangka panjang y
t-
= variabel in-level
k
= matriks koefisien regresi k-1
= ordo VECM dari VAR
t
= error term
2.2 Tinjauan Empiris 2.2.1 Penelitian Transmisi Harga dan
External Shock
Penelitian univariate untuk menganalisa transmisi harga berawal dari teori Law of One Price
LOP. Teori ini terkait dengan pengaruh shock terhadap pasar domestik, dimana menjadi basis penelitian yang dilakukan oleh Minot 2011,
Conforti 2004, dan Abbot et al. 2011 yang meneliti mengenai transmisi harga dunia ke harga domestik. Penelitian shock dalam bentuk perubahan harga ini
kemudian berkembang dengan metode ECM untuk penelitian transmisi harga.
Rajmal dan Misra 2009 meneliti mengenai transmisi harga internasional menuju harga domestik untuk kasus negara India yang menemukan bahwa pada
kasus India terdapat pass-through yang terbatas karena harga domestik lebih ditentukan oleh faktor domestik. Penelitian perubahan nilai tukar exchange rate
terhadap perubahan harga, baik itu harga impor, harga ekspor, maupun tingkat harga di pasar domestik yang terukur dengan CPIIHK dengan ekonometrika
modern, dipopulerkan oleh McCarthy 2000 dengan menggunakan model VAR
yang direstriksi SVAR. Model ini banyak dijadikan referensi dalam penyusunan model dampak pass-through terhadap perekonomian domestik negara tertentu,
seperti penelitian Tandrayeen-Ragoobur dan Chicooree 2013 untuk negara Mauritus, untuk Romania oleh Cozmanca dan Manea 2002, dan Hartati 2004
untuk Indonesia.
Khan dan Ahmed 2012 meneliti dampak dari shock harga pangan dunia dan harga minyak dunia yang ditransmisikan kepada variabel-variabel
makroekonomi, seperti tingkat inflasi, output, money balances, tingkat sukubunga, dan tingkat nilai tukar negara Pakistan. Penelitian yang dilakukan
menggunakan SVAR untuk data bulanan periode penelitian Januari 2000 sampai Juli 2011. Hasilnya, shock harga minyak dunia berdampak negatif terhadap
produksi industri, mengapresiasi nilai tukar REER, dan berdampak positif terhadap tingkat inlasi dan tingkat suku bunga. Sedangkan shock harga pangan
dunia meningkatkan output industri, tingkat suku bunga, dan tingkat inflasi, namun terdapat variasi dalam tingkat suku bunga, dimana peningkatan lebih besar
terjadi saat shock harga pangan dibandingkan shock harga minyak. Generalized Impulse Response Function
menunjukkan bahwa REER adalah sumber utama dari distorsi perekonomian selain kedua shock dan Generalized Forecast Error
Variance Decomposition memperkuat hal tersebut. Hasilnya secara jelas
menujukkan bahwa shock harga pangan dan harga minyak dunia memengaruhi output, tingkat suku bunga jangka pendek, tingkat inflasi dan Real Effective
Exchange Rate secara signifikan.