Hasil Uji Asumsi

4.2 Hasil Uji Asumsi

Sebelum melakukan analisis lebih lanjut dengan VECM perlu dilakukan pengujian asumsi-asumsi yang meliputi uji stasioneritas data dengan uji akar unit, uji lag optimum, uji stabilitas VAR dan uji kointegrasi. Pengujian-pengujian ini Sebelum melakukan analisis lebih lanjut dengan VECM perlu dilakukan pengujian asumsi-asumsi yang meliputi uji stasioneritas data dengan uji akar unit, uji lag optimum, uji stabilitas VAR dan uji kointegrasi. Pengujian-pengujian ini

4.2.1 Hasil Uji Stasioneritas Data

a. Hasil uji stasioneritas data dengan ADF Test pada tingkat level Metode yang digunakan untuk menguji stasioneritas data adalah ADF Test. Jika nilai t-statistik hasil ADF Test lebih kecil dari nilai kritis tabel MacK innon pada taraf nyata α=10 persen maka dapat diambil kesimpulan data tersebut stasioner. Pada tabel 4.3 ditampilkan nilai t-statistik ADF Test dan nilai kritis tabel MacKinnon yang menunjukkan bahwa tidak semua data stasioner pada level . Oleh karena itu pengujian akar unit perlu dilanjutkan pada tingkat first difference .

Tabel 4.2: Hasil ADF Test untuk Data pada Tingkat Level Augmented Dickey-

Fuller test statistic Test critical values Variabel

(Level)

Hasil 10%

t-Statistic Prob.* 1% level 5% level level

LNQM -3.6859 0.0073 -3.5713 -2.9224 -2.5992 Stasioner LNPRICE

-3.8825 0.0042 -3.5713 -2.9224 -2.5992 Stasioner LNRPROD

-5.0764 0.0001 -3.5713 -2.9224 -2.5992 Stasioner IM

-3.1400 0.0305 -3.5812 -2.9266 -2.6014 Stasioner Tidak

DUMMY -0.5340 0.8753 -3.5713 -2.9224 -2.5992 Stasioner Tidak

LNPDB -0.4201 0.8974 -3.5713 -2.9224 -2.5992 Stasioner Tidak

POP -1.4703 0.5395 -3.5812 -2.9266 -2.6014 Stasioner Tidak

LNRER -1.1981 0.6681 -3.5713 -2.9224 -2.5992 Stasioner *MacKinnon (1996) one-sided p-values.

Sumber: Output hasil pengolahan dengan EViews 6.0 Sumber: Output hasil pengolahan dengan EViews 6.0

Karena data tidak stasioner pada tingkat level tetapi stasioner pada first difference maka selanjutnya perlu dilakukan uji kointegrasi untuk menentukan analaisis yang akan digunakan lebih lanjut. Jika hasil pengujian menunjukkan tidak terdapat kointegrasi maka analisis lanjutan yang dilakukan adalah analisis VAR sementara bila terdapat kointegrasi maka analisis lanjutan yang dilakukan adalah VECM. Tabel 4.3: Hasil ADF Test untuk Data pada Tingkat First Difference

Augmented Dickey-Fuller test

Test critical values Variabel

Hasil (First Difference) t-Statistic Prob.* 1% level 5% level 10% level

statistic

LNQM -8.677 0.0000 -3.5777

-2.6007 Stasioner LNPRICE

-2.6007 Stasioner LNRPROD

-6.5097 0.0000 -3.5777

-2.5999 Stasioner IM

-8.9221 0.0000 -3.5744

-2.6014 Stasioner DUMMY

-4.1997 0.0018 -3.5812

-2.5999 Stasioner LNPDB

-6.9282 0.0000 -3.5744

-2.5999 Stasioner POP

-4.7772 0.0003 -3.5744

-2.6014 Stasioner LNRER

-2.7632 0.0715 -3.5812

-2.5999 Stasioner *MacKinnon (1996) one-sided p-values. Sumber: Output hasil pengolahan dengan EViews 6.0

-6.3288 0.0000 -3.5744

4.2.2 Hasil Uji Lag Optimum

Penentuan lag optimum sangat penting dalam analisis VAR maupun VECM karena panjang lag dari variabel endogen dalam sistem persamaan akan digunakan sebagai variabel eksogen. Pengujian lag optimum juga berguna untuk mengatasi masalah autokorelasi yang biasanya muncul dalam analisis data time series .

Penetapan lag optimum menggunakan nilai dari Likelihood Ratio, Final Prediction Error, Akaike Information Criterion (AIC), Schwartz Information Criterion (SIC) dan Hannan Quin Criterion (HQ). Panjang lag optimum yang digunakan adalah lag yang terpendek. Hasil dari pengujian menunjukkan panjang lag optimum yang digunakan adalah lag ketiga. Tabel 4.4: Hasil Uji Lag Optimum

Lag LogL

-6.6887* -13.252* Keterangan: * menunjukkan lag terpilih berdasarkan kriteria

9.16e-17* -17.1835*

LR : sequential modified LR test statistic (each test at 5% level) FPE : Final prediction error AIC : Akaike information criterion SC : Schwarz information criterion HQ : Hannan-Quinn information criterion

Sumber : Output hasil pengolahan dengan EViews 6.0

4.2.3 Hasil Uji Stabilitas VAR

Pengujian stabilitas VAR menggunakan roots characteristic polynomial , suatu sistem VAR dikatakan stabil jika roots-nya memiliki modulus lebih kecil Pengujian stabilitas VAR menggunakan roots characteristic polynomial , suatu sistem VAR dikatakan stabil jika roots-nya memiliki modulus lebih kecil

4.2.4 Hasil Uji Kointegrasi

Konsep kointegrasi dikemukakan oleh Engel dan Granger (1987) dalam Enders (2004) sebagai fenomena kombinasi linier dari dua atau lebih variabel yang tidak stasioner akan menjadi stasioner. Kombinasi linier ini disebut dengan persamaan kointegrasi dan dapat diinterprestasikan sebagai hubungan keseimbangan jangka panjang diantara variabel. Pengujian kointegrasi dilakukan dengan pengujian Johansen Cointegration.

Terdapat lima asumsi deterministik trend dalam uji kointegrasi, untuk menentukan pilihan trend yang digunakan bias dilihat dari hasil summary pada pilihan lag optimal. Pemilihan asumsi didasarkan pada hasil criteria Akaike Information dan Schwartz dan dipilih salah satu. Hasil uji kointegrasi pada summary model menunjukkan adanya kointegrasi pada model keempat yaitu model linier dengan intersep dan trend (Lampiran 2). Hal ini berarti secara multivariate terjadi hubungan keseimbangan jangka panjang antar variabel dalam model.

Hasil uji kointegrasi pada asumsi terpilih menunjukkan adanya tujuh rank kointegrasi yang ditunjukkan dengan nilai trace statistik yang lebih besar dari nilai kritis tabel MacKinnon-Haug-Michelis dengan taraf nyata 5 persen.