Spesifikasi Model METODE PENELITIAN

119 Spesifikasi model VECM keefektifan kebijakan fiskal terhadap kinerja sektor pertanian dengan penekanan pada agroindustri adalah sebagai berikut: 4.5 e x x x t t i t k − i i t t + + + + = − − = Δ ∑Γ Δ 1 1 1 1 αβ μ μ dimana: ∆x t = vektor time series x x t – x t-1 , k-1 = Ordo VECM dari VAR, Г i = matrik koefisien regresi, μ o = vektor intersep, μ 1 = vektor koefisien regresi, α = matrik loading, ’ = vektor kointegrasi, x t = PPh, PPn, DEF, U, EA, SP, RDA, IA, DF, I, KONS, GDPA, TKA, XA, MA, WP, NTI, NTO, DSA, e t = error term, dan t = waktu. Vektor kointegrasi ’ pada persamaan 4.5 atau α ’ adalah petunjuk adanya hubungan jangka panjang dari variabel yang dianalisis. Matrik dari vektor kointegrasi jika berdasarkan uji kointegrasi dari persamaan jangka panjang diperoleh rank kointegrasi tiga dengan r=3 bentuknya adalah: β’= 4.6 1 0 0 β 14 β 15 β 16 β 17 β 18 β 19 β 110 β 111 β 112 β 113 β 114 β 115 β 116 β 117 β 118 β 119 1 1 0 β 24 β 25 β 26 β 27 β 28 β 29 β 210 β 211 β 212 β 213 β 214 β 215 β 216 β 217 β 218 β 219 1 0 1 β 34 β 35 β 36 β 37 β 38 β 39 β 310 β 311 β 312 β 313 β 314 β 315 β 316 β 317 β 318 β 319 120 Dengan tiga set restriksi, maka persamaan dalam matrik 4.6 just identified. Untuk pemaknaan hubungan jangka panjang secara ekonomi, harus mengimpose over identifying restriction selanjutnya diestimasi dengan Maximum Likelihood. Matrik restriksi dinyatakan: β’= 4.7 1 0 β 13 β 14 β 15 β 16 β 17 β 18 β 19 β 110 β 111 β 112 β 113 β 114 β 115 β 116 β 117 β 118 β 119 β 21 β 22 0 1 β 25 β 26 β 27 β 28 β 29 β 210 β 211 β 212 β 213 β 214 β 215 β 216 β 217 β 218 β 219 β 31 β 32 β 33 β 34 1 0 β 37 β 38 β 39 β 310 β 311 β 312 β 313 β 314 β 315 β 316 β 317 β 318 β 319 Analisis IRF dan FEVD didasarkan pada inovasi residual dari hasil estimasi VECM pada matrik 4.7. 4.3. Pengujian Model 4.3.1. Uji Stasioner Dalam time series, digunakan realisasi untuk menggambarkan proses stokastik. Suatu proses stokastik dikatakan stasioner apabila nilai rata-rata mean μ, varian σ 2 y , dan kovariannya s konstan sepanjang waktu, dan nilai kovarian antara dua periode waktu hanya bergantung pada jarak atau lag antara dua periode waktu Gujarati, 1995. Secara matematis, variabel y t stasioner bila memenuhi kondisi stasioner sebagai berikut Enders, 2004: Rata-rata : Ey t = Ey t-s = μ 4.8 Varian : Ey t - μ 2 =E{y t-s – μ 2 }= σ 2 y 4.9 Kovarian : E{y t – μy t-s – μ} =E{y t-s – μy t-j-s – μ} = s 4.10 Persamaan autoregressive 1 atau AR1 ditunjukkan oleh: Y t = a +a 1 y t-1 + t 4.11 121 adalah stasioner jika t white noise dan i.i.d identically, independently, distributive. Kondisi intertemporal dinyatakan: 4.12 ∑ ∑ − = − − = + + = 1 1 1 1 1 1 t i t i t t i i t a y a a a y ε nilai harapannya adalah: 4.13 y a a a y t t i E 1 1 1 + = ∑ nilai harapan untuk periode s adalah: 4.14 y a a a y s t s t i i s t E 1 1 1 + − + = + + = ∑ Pada persamaan 4.13 dan 4.14 memiliki mean yang time-dependent. Keduanya tidak stasioner dalam urutan sequence karena E yt tidak sama dengan E yt+s . Jika t besar dapat dicari nilai limit y t pada persamaan 4.14. Pada nilai |a 1 | 1, maka a 1 t y akan cenderung menuju ke nol karena t besar tak terhingga dan menuju ∑ ke a 1-a 1 . Jika t menuju ke tak hingga t →∞ dan |a 1 | 1 sehingga: 4.15 ε i t i t i a a a y − − ∑ + − = 1 lim 1 1 dan nilai harapan menjadi: Ey t = a 1-a 1 4.16 Nilai mean dari y t menjadi terhingga finite dan independent terhadap waktu time- independent, sehingga Ey t = Ey t-s = μ bagi semua t dengan nilai variance: Ey t - μ 2 = E{ t + a 1 t-1 + a 1 2 t-2 +… 2 } 4.17 = σ 2 {1 + a 1 2 + a 1 4 + ...} = σ 2 {1 - a 1 2 } 4.18 Pada 4.18 menunjukkan variance terhingga finite dan time-independent. Dengan demikian nilai autocovariance dan time-independent-nya adalah: E{y t - μy t-s - μ} = E[{ t + a 1 t-1 + a 1 2 t-2 +…}{ t-s + a 1 t-s-1 + a 1 2 t-s-2 +…}] = σ 2 a 1 {1 + a 1 2 + a 1 4 +…} i t − = +∞ = t =0 t i i a 1 i