Didalam konsep kointegrsi ini terdapat beberapa hal penting yang perlu diperhatikan, yaitu Enders, 2004:
1. Kointegrasi merupakan kombinasi linear dari dua atau lebih dari time series
yang tidak stasioner. Vektor kointegrasi dari kombinasi linear tersebut tidak unik karena dengan suatu konstanta yang tidak nol λ, maka λβ juga benar
sebagai vektor kointegrasi. Oleh karena itu, biasanya salah satu besaran digunakan untuk normalisasi vektor kointegrasi dengan menetapkan
koefisiennya menjadi satu. 2.
Semua variabel harus terintegrasi pada orde yang sama. Tetapi tidak semua variabel yang terintegrasi pada orde yang sama terkointegrasi.
3. Bila vektor
mempunyai n komponen, maka akan ada n-1 vektor kointegrasi linear yang tidak tergantung satu dengan yang lainnya. Jumlah
vektor kointegrasi ini dinamakan peringkat kointegrasi cointegration rank, biasanya dilambagkan dengan r.
Sifat penting yang terdapat dalam variabel-variabel yang terkointegrasi adalah perjalanan waktu variabel-variabel tersebut dipengaruhi oleh perubahan
atas hubungan keseimbangan jangka panjangnya. Dengan kata lain, variabel- variabel non-stasioner yang terintegrasi pada orde yang sama dan terkointegrasi
akan menjadi stasioner dalam jangka panjang Enders, 2004.
2.4. Vector Autoregressive VAR
Vector Autoregressive atau yang dikenal VAR metode yang didasari bahwa sebuah variable bukan saja dapat berlaku sebagai variable endogen tetapi
juga dapat berlaku sebagai variable eksogen. Hal ini dapat terjadi karena dengan menggunakan pendakatan structural atas persamaan simultan biasanya
menerapkan teori ekonomi di dalam usahanya untuk mendeskripsikan hubungan antara variable yang ingin diuji. Metode ini dikembangkan oleh Christoper Sims
pada tahun 1980.
Pemanfaatan VAR untuk menganalisa antara lain Arsana,2005 : Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel
dengan memanfaatkan seluruh informasi masa lalu variabel.
Impulse Response Functions IRF, melacak respon saat ini dan masa depan dari setiap variabel akibat perubahan atau shock suatu variabel tertentu.
Forecast Error Decomposition of Variance FEDVs, prediksi konstribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.
Granger Causality Test, mengetahui hubungan seba akibat antar variable. Model VAR memiliki beberapa keunggulan, antara lain : Nachrowi, 2006
1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana variable yang endogen dan mana yang eksogen. Semua variable endogen.
2. Cara estimasi model VAR sangat mudah, yaitu dengan menggunakan OLS pada setiap persamaan secara terpisah.
3. Peramalan menggunakan VAR pada beberapa hal lebih baik disbanding menggunakan model dengan persamaan simultan yang lebih kompleks.
Namun demikian, model VAR mempunyai sisi kekurangan. Diantaranya adalah sebagai berikut :
1. Model VAR lebih bersifat a-teoritik karena tidak memanfaatkan informasi atau teori terdahulu. Oleh karenanya, model tersebut sering disebut sebagai model
yang tidak structural. 2. Mengingat tujuan utama model utama VAR untuk meramalkan maka model
VAR kurang cocok untuk analisis kebijakan. 3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan. 4. Semua variable dalam VAR harus stationer, jika tidak stationer, maka harus
ditransformasi terlebih dahulu. 5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
2.5. Vector Error Correction Model VECM
