67
12 antara lain Bank Artha Graha, Bank ICB Bumiputera, Bank Mutiara, Bank Nusantara Parahyangan, Bank Permata sebelum tahun 2009, Bank QNB
Kesawan, Bank SBI Indonesia, Bank Kesejahteraan Ekonomi, Bank Pundi, BPD Sumut dan Rabobank Internasional Indonesia.
5.2 Hasil Uji Stasioneritas Data
Pengujian stasioneritas data adalah uji yang dilakukan sebelum melangkah ke uji-uji lainnya dan melakukan estimasi model. Uji stasioner dilakukan untuk
melihat apakah ada panel unit root dalam variabel-variabel yang akan diestimasi dalam model. Sebagaimana disebutkan oleh Blundell dan Bond 1998, untuk
melakukan estimasi SYS-GMM maka validitas restriksi yang diterapkan dalam SYS-GMM akan valid jika dilakukan dibawah asumsi stasioner, walaupun
validitas juga bisa diperoleh dibawah asumsi yang lebih lemah. Uji stasioner dilakukan dengan menggunakan metode intersep tanpa trend karena plot data
menunjukkan bahwa tidak terdapat trend dari semua variabel. Hasil uji dengan tes Levin, Lin dan Chu LLC diketahui bahwa variabel
pertumbuhan PDB riil, interaksi likuiditas dengan pertumbuhan PDB riil, interaksi kapital dengan pertumbuhan PDB riil dan interaksi CAR dengan pertumbuhan
PDB riil mengandung common unit root. Hasil tes tersebut berbeda dari hasil tes PP-Fisher. Perbedaan hasil tes bisa dikarenakan LLC memiliki keterbatasan
dibandingkan metode uji unit root lainnya dalam hal independensi antar cross- Gambar 15
Jumlah bank berdasarkan CAR tahun 2005-2011
section dan tidak dapat diaplikasikan jika terdapat korelasi antar cross-section. Berdasarkan kesimpulan tersebut maka variabel-variabel yang digunakan dalam
penelitian ini adalah stasioner. Tabel 13 Rangkuman uji stasioneritas variabel penelitian
Variabel Levin, Lin
Chu PP-Fisher
Lag SIC
d_lnloans 0.0000
0.0000 0-4
d_birate 0.0000
0.0000 d_lgdpr
1.0000 0.0000
3 inflasi
0.0000 0.0000
1 lsize
0.0000 0.0000
0-4 lliq
0.0000 0.0000
0-4 lcap
0.0000 0.0000
0-4 lcapcar
0.0000 0.0000
0-4 s1_dbir
0.0000 0.0000
0-1 s1_dgdp
0.0000 0.0000
0-1 s1_inf
0.0000 0.0000
0-4 l1_dbir
0.0000 0.0000
0-3 l1_dgdp
0.5063 0.0000
0-4 l1_inf
0.0000 0.0000
0-5 c1_dbir
0.0000 0.0000
0-1 c1_dgdp
1.0000 0.0000
0-4 c1_inf
0.0000 0.0000
0-4 car1_dbir
0.0000 0.0000
0-4 car1_dgdp
1.0000 0.0000
0-4 car1_inf
0.0000 0.0000
0-4
Keterangan : LLC
= Levin, Lin dan Chu PP-Fisher
= PP-Fisher Chi-square
5.3 Panjang Lag Model Dinamis
Sebelum menentukan estimasi model dinamis yang akan dianalisis, panjang lag dari variabel-variabel dalam model harus ditentukan. Beberapa tinjauan
empiris menggunakan lag empat dalam mengestimasi persamaan 3.31 seperti Ehrmann et al. 2002, Juks 2004 dan Kishan dan Opiela 2000, sedangkan
Boughrara dan Ghazouani 2008 dan Juurikkala et al. 2011 menggunakan lag satu. Oleh karena itu, pengujian panjang lag dilakukan untuk lag satu hingga lag
69
empat. Model yang digunkan untuk menguji panjang lag yang sesuai adalah model 3.31 karena merupakan model dasar dari penelitian ini.
Tabel 14 Penentuan panjang lag dengan metode SIC
Penghitungan SIC FD-GMM dengan karakteristik ukuran aset, likuiditas,CAR
Lag 1 Lag 2
Lag 3 Lag 4
rss 58.6620
57.5360 53.7850
47.5000 T
24 24
24 24
SICp
1.0262
1.1392 1.2042
1.2124 Penghitungan SIC
SYS-GMM dengan karakteristik ukuran aset, likuiditas, CAR Lag 1
Lag 2 Lag 3
Lag 4 rss
63.8130 57.0940
55.5450 85.9580
T 24
24 24
24 SICp
1.1103 1.1315
1.2364 1.8055
Penghitungan SIC FD-GMM dengan karakteristik ukuran aset, likuiditas, kapital
Lag 1 Lag 2
Lag 3 Lag 4
rss 59.0760
54.2130 53.5040
50.4210 T
24 24
24 24
SICp
1.0332
1.0797 1.1990
1.2720 Penghitungan SIC
SYS-GMM dengan karakteristik ukuran aset, likuiditas, kapital Lag 1
Lag 2 Lag 3
Lag 4 rss
64.9390 60.1760
55.9020 59.6820
T 24
24 24
24 SICp
1.1278
1.1841 1.2428
1.4407 Keterangan : cetak tebal menunjukkan nilai SIC minimum
Hasil dari AIC untuk panjang lag dengan model 3.31 menunjukkan ketidakkonsistenan antara kesimpulan lag yang sesuai yang didapat dengan model
yang diestimasi menggunakan metode FD-GMM dan SYS-GMM. Oleh karena itu, penelitian ini akan menggunakan hasil penghitungan SIC yang konsisten
antara kesimpulan lag dengan menggunakan hasil estimasi metode FD-GMM maupun dengan metode SYS-GMM. Hasil penghitungan membuktikan bahwa lag
satu memiliki SIC paling minimum dibandingkan dengan lag dua, lag tiga maupun lag empat. Dari hasil SIC tersebut, maka penelitian ini menggunakan lag
satu dalam mengestimasi model dinamis.