2.2.4. Investasi
Menurut Kunarjo 2003, investasi merupakan penanaman modal dalam suatu usaha yang diharapkan dapat mendatangkan tambahan pendapatan.
Sementara, Pass dan Lowes 1994 mengemukakan bahwa investasi dapat dibedakan menjadi dua jenis, yakni investasi berupa pembelian surat-surat
berharga, seperti saham dan obligasi, serta investasi dalam bentuk pembelian atau penambahan sejumlah aktiva tetap. Dalam kaitannya dengan kredit investasi,
maka konteks investasi dalam penelitian ini berupa investasi yang bertujuan untuk pembelian barang-barang modal atau barang-barang yang bersifat tahan lama,
misalnya investasi dengan melakukan pembelian tanah, mesin, dan sebagainya. Menurut Mankiw 2003, jenis investasi seperti ini dinamakan pula
investasi tetap bisnis, dan merupakan bagian terbesar dari pengeluaran investasi. Model standar dari investasi tetap bisnis disebut sebagai model investasi neoklasik
yang mengkaji manfaat dan biaya bagi perusahaan untuk memiliki barang-barang modal. Model ini menunjukkan bagaimana tingkat investasi dikaitkan dengan
produk marjinal modal, tingkat bunga, dan aturan perpajakan yang mempengaruhi perusahaan. Investasi berhubungan negatif dengan tingkat bunga riil. Hal ini
karena tingkat bunga merupakan biaya pinjaman untuk mendanai proyek-proyek investasi, sehingga jika tingkat bunga meningkat, maka akan mengurangi minat
investor dunia usaha untuk berinvestasi mengingat bertambah besarnya beban bunga pinjaman yang harus mereka bayarkan kelak
r I
I =
2.4
Tingkat bunga,
r
2
r
1
r
2
r I
1
r I
Investasi, I
Sumber : Mankiw, 2003
Gambar 2.4. Kurva Investasi Seperti yang telah dikemukakan diatas, hubungan antara tingkat bunga
dengan investasi ditunjukkan oleh slope kurva investasi yang negatif. Pada gambar tersebut dapat dilihat bahwa kenaikan tingkat bunga dari
1
r ke
2
r mengakibatkan investasi mengalami penurunan dari
1
r I
ke
2
r I
. Peningkatan suku bunga ini diantaranya terjadi karena tingginya inflasi.
2.2.5. Vector Autoregression VAR
Pada tahun 1980, Christopher Sims memperkenalkan sebuah macroeconometric framework
yang menjanjikan, yakni Vector Autoregression VAR. Stock dan Watson 2001 memaparkan bahwa jika sebelumnya univariate
autoregression merupakan sebuah persamaan tunggal single-equation dengan
model linier variabel tunggal single-variable linear model, dimana nilai sekarang dari masing-masing variabel dijelaskan oleh nilai lag-nya sendiri, maka
VAR merupakan sebuah n-persamaan n-equation dengan n-variabel n-
variable , dimana masing-masing variabel dijelaskan oleh nilai lag-nya sendiri,
serta nilai saat ini dan masa lampaunya current and past values. Dengan demikian, dalam konteks ekonometrika modern VAR termasuk ke dalam
multivariate time series analysis Firdaus, 2006. VAR menyediakan cara yang
sistematis untuk menangkap perubahan yang dinamis dalam multiple time series, serta memiliki pendekatan yang kredibel dan mudah untuk dipahami bagi
pendeskripsian data, forecasting peramalan, inferensi struktural, serta analisis kebijakan Stock dan Watson, 2001.
Menurut Arsana 2005, adapun alat analisa 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. Forecasting
merupakan ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan memanfaatkan seluruh informasi masa lalu
variabel. Sementara, Impulse Response Function IRF adalah melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel
tertentu. Forecast Error Variance Decomposition FEVD merupakan prediksi kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel
tertentu. Sedangkan, Granger Causality Test bertujuan untuk mengetahui hubungan sebab-akibat antar variabel.
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
Arsana, 2005. Sedangkan identifikasi model adalah melakukan identifikasi persamaan sebelum melakukan estimasi model. Dalam proses identifikasi akan
dijumpai beberapa kondisi. Kondisi overidentified akan diperoleh jika jumlah informasi yang dimiliki melebihi jumlah parameter yang ingin diestimasi.
Sementara, kondisi exactly identified atau just identified akan tercapai jika jumlah informasi dan jumlah parameter yang diestimasi sama. Kemudian, jika jumlah
informasi kurang dari jumlah parameter yang diestimasi akan menciptakan keadaan yang disebut underidentified. Proses estimasi hanya dapat dilakukan
dalam keadaan overidentified dan exactly identified atau just identified. Enders 2004 mengemukakan bahwa bentuk sistem VAR standar
reduced-form yang digunakan secara luas atau umum pada saat ini berasal dari
bentuk sistem VAR primitif yang memiliki sejumlah kelemahan. Adapun bentuk sederhana dari sistem VAR yang primitif ditunjukkan oleh sistem bivariate
sederhana sebagai berikut :
yt t
t t
t
z y
z b
b y
ε γ
γ +
+ +
− =
− −
1 12
1 11
12 10
2.5
zt t
t t
t
z y
y b
b z
ε γ
γ +
+ +
− =
− −
1 22
1 21
21 20
2.6 Kedua persamaan di atas menunjukkan bahwa
t
y dan
t
z saling
mempengaruhi satu sama lain. Misalnya,
12
b −
merupakan efek serentak contemporaneous effect
dari perubahan
t
z terhadap
t
y dan
12
γ merupakan efek dari perubahan
1 −
t
z terhadap
t
y . Oleh karena itu, maka persamaan 2.5 dan 2.6 bukanlah persamaan dalam bentuk reduced-form karena
t
y memiliki efek
serentak terhadap
t
z dan
t
z memiliki efek serentak terhadap
t
y .
Namun, dari bentuk persamaan primitif di atas dapat diperoleh bentuk transformasi VAR ke dalam bentuk standar reduced-form. Adapun persamaan
umum VAR adalah sebagai berikut Enders, 2004:
t p
t p
t t
o t
e y
A y
A y
A A
y +
+ +
+ +
=
− −
−
...
2 2
1 1
2.7 dimana :
t
y = vektor
berukuran 1
⋅ n
yang berisikan n variabel yang terdapat dalam sebuah model VAR
o
A = vektor intersep berukuran
1 ⋅
n
i
A = matriks koefisien parameter berukuran
n n
⋅ untuk setiap i =1,2,...,p
t
e =
vektor error
berukuran 1
⋅ n
Model VAR dalam bentuk standar di atas jika dituliskan dalam bentuk persaman bivariate adalah sebagai berikut :
t t
t t
e z
a y
a a
y
1 1
12 1
11 10
+ +
+ =
− −
2.8
t t
t t
e z
a y
a a
z
2 1
22 1
21 20
+ +
+ =
− −
2.9 atau dalam bentuk notasi matriks VAR adalah sebagai berikut :
⎥ ⎦
⎤ ⎢
⎣ ⎡
+ ⎥
⎦ ⎤
⎢ ⎣
⎡ ⎥
⎦ ⎤
⎢ ⎣
⎡ +
⎥ ⎦
⎤ ⎢
⎣ ⎡
= ⎥
⎦ ⎤
⎢ ⎣
⎡
− −
t t
t t
t t
e e
z y
a a
a a
a a
z y
2 1
1 1
22 21
12 11
20 10
2.10
2.2.6. Vector Error Correction Model VECM