2. Karena tujuan utamanya untuk forecasting, maka model VAR menyebabkan
implikasi kebijakan kurang tepat. 3.
Pemilihan banyaknya lag yang diikutsertakan pada model juga menimbulkan masalah baru dalam proses estimasi.
4. Semua variabel yang digunakan dalam VAR harus stasioner, jika belum
stasioner maka harus ditransformasikan terlebih dahulu agar stasioner. Secara garis besar terdapat dua hal yang ingin dicapai dalam penelitian ini:
1. Estimasi VECM, yang akan menunjukkan persamaan jangka pendek dan
jangka panjang setelah terlebih dahulu menentukan derajat stasioneritas, panjangnya lag dan melakukan uji kointegrasi.
2. Menyusun Variance Decomposition VD, dimana VD dapat memprediksi
kontribusi persentase varians setiap variabel terhadap perubahan suatu variabel tertentu.
3.2.1. Model Umum Vector Autoregression
Sistem persamaan VAR merupakan sebuah sistem persamaan multivariat dimana sistem VAR membuat seluruh variabel menjadi endogenous dan
menurunkan distributed lags-nya. Menurut Hsiao dalam Tirtayasi 2005, dengan menggunakan contoh tiga variabel Y, X, Z, akan dapat memberikan hubungan
kausalitas diantara ketiga variabel tersebut. Berikut merupakan matriks dari susunan variabel tersebut guna mempermudah analisa hubungan antar variabel:
1 1 1
1 2 1 3
1 1
2 1 2 2
2 3 1
1 3 1
3 2 3 3
1 t
t t
Y L
L L
Y u
X L
L L
X v
Z L
L L
Z w
α α
α α
α α
α α
α ⎛
⎞ ⎛
⎞ ⎛
⎞ ⎛
⎞ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎜
⎟ =
+ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎜
⎟ ⎝
⎠ ⎝
⎠ ⎝
⎠ ⎝
⎠ 3.2
Hsio juga secara rinci menjelaskan teorema pola hubungan antara variabel dalam sistem variabel berdasarkan nilai dalam
ij
α sebagai berikut:
1. Bila variabel X tidak mempengaruhi Z, maka syaratnya adalah:
32
L α
= 2.
Bila variabel X mempengaruhi Z, syaratnya:
32
L α
≠ 3.
Hubungan timbal balik antara variabel X dan Z melalui Y, syaratnya:
32
L α
≠ dan
23
L α
≠ 4.
Hubungan tidak langsung dari variabel X da Z melalui Y, syaratnya adalah:
32 31
12
0; 0;
L L
L α
α α
= ≠
≠ 5.
Hubungan palsu jenis I dari variabel X terhadap Z jika dan hanya jika terdapat kondisi:
21 32
0; L
L α
α =
≠ , untuk semua panjang lag 6.
Hubungan palsu jenis II dari variabel X terhadap Z jika dan hanya jika terdapat kondisi:
32 12
0; L
L α
α =
= , untuk semua panjang lag k dan
31 21
0; L
L α
α ≠
≠ , untuk semua panjang lag k
3.2.2. Pengujian Stasioneritas
Pengujian stasioner pada data time series penting dilakukan untuk menguji apakah data yang dipakai benar-benar bersifat stationary atau non-stationary.
Data deret waktu dikatakan bersifat stasioner jika data tersebut menunjukkan pola yang konstan dari waktu ke waktu. Masalah kestasioneran data menjadi sangat
penting karena data yang tidak stasioner akan menghasilkan Spurious Regression regresi palsu, yaitu regresi yang menggambarkan hubungan dua variabel atau
lebih yang nampaknya signifikan secara statistik namun pada kenyataannya tidak demikian. Ada beberapa cara yang dapat dilakukan untuk mengukur keberadaan
stasioneritas data, salah satunya adalah dengan menggunakan The Augmented Dickey Fuller
ADF test. Jika nilai ADF statistiknya lebih kecil dari MacKinnon Critical Value
maka dapat disimpulkan bahwa data tersebut stasioner. Namun jika nilai ADF statistiknya lebih besar dari MacKinnon Critical Value maka dapat
disimpulkan bahwa data tersebut tidak stasioner. Apabila uji ADF telah dilakukan pada data time series dan diketahui bahwa hasilnya adalah tidak stasioner maka
dapat dilakukan difference non stationary processes Enders, 2004. ADF test pada dasarnya melakukan estimasi terhadap persamaan regresi, sebagai berikut:
1 2
1 1
1 1
m t
t t
t t
t
Y Y
Y β β
δ α
ε
− −
−
Δ = +
+ +
Δ +
∑
3.3 dimana:
t
ε = white noise,
1 2
t t
t
Y Y
Y
− −
Δ = −
Pada ADF yang akan diuji adalah apakah δ = dengan hipotesis alternatif
δ 0, jika t hitung untuk δ lebih kecil dari nilai ADF, maka hipotesis nol yang mengatakan bahwa data tidak stasioner ditolak terhadap hipotesis alternatifnya.
3.2.3 Penentuan Lag Optimal
