47
Uji yang dilakukan untuk mengetahui apakah sebuah data time series bersifat stasioner atau tidak adalah dengan melakukan uji Ordinary Least Squares
OLS dan melihat nilai t-statistik dari estimasi . Adapun persamaan matematisnya dalah sebagai berikut:
t
hit
= S
4.13 dimana :
= koefisien estimasi,
S =
standar error
dari koefisien estimasi. Jika nilai ADF statistikya lebih besar dari MacKinnon Critical Value
dalam nilai kritis 1 persen, 5 persen atau 10 persen maka data tersebut tidak stasioner namun jika nilai ADF statistikya lebih kecil dari MacKinnon Critical
Value maka data tersebut stasioner.
b. Penetapan Tingkat Lag Optimal
Menurut Gujarati 2003, autokorelasi merupakan korelasi antara anggota serangkaian observasi yang diurutkan menurut waktu seperti dalam data time
series. Dalam model klasik diasumsikan bahwa unsur gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh unsur distrubansi atau
gangguan yang berhubungan dengan pengamatan lain manapun. Sehingga tidak ada alasan untuk percaya bahwa suatu gangguan akan terbawa ke periode
berikutnya, jika hal itu terjadi berarti terdapat autokorelasi. Konsekuensi terjadinya autokorelasi dapat memberikan kesimpulan yang menyesatkan
mengenai arti statistik dari koefisien regresi yang ditaksir. Pemilihan panjang lag dilakukan sedemikian rupa sehingga sisaan tidak lagi mengandung autokelasi.
48
Penetapan lag optimal dapat menggunakan kriteria Schwarz Criterion SC, Hannan-Quinn Information Criterion HQ, Akaike Information Criterion
AIC. Dalam penelitian ini menggunakan kriteria AIC, menurut Eviews user guide
2000 definisi AIC, SC dan HQ adalah sebagai berikut: Akaike Information Criteria
= -2l T+ 2 k T 4.14.1
Schwarz Criterion = -2l T+ k log T T
4.14.2 Hannan-Quinn Information Criterion = -2l T+ 2k log logT T
4.14.3 Dimana l adalah nilai log dari fungsi likelihood dengan k parameter
estimasi dengan sejumlah T observasi. Untuk menetapkan lag yang paling optimal, model VAR yang diestimasi dicari lag maksimumnya, kemudian tingkat
lag nya diturunkan. Dari tingkat lag yang berbeda-beda tersebut dicari lag yang
paling optimal dan dipadukan dengan uji stabilitas VAR.
c. Uji Stabilitas VAR
Menurut Arsana 2004, stabilitas sistem VAR dan VEC akan dilihat dari inverse roots
karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus di tabel AR-nomialnya, jika seluruh nilai AR-rootsnya di bawah 1, maka
sistem VAR-nya stabil. Uji stabilitas VAR dilakukan dengan menghitung akar- akar dari fungsi polinomial atau dikenal dengan roots of characteristic
polinomial . Jika semua akar dari fungsi polinomial tersebut berada di dalam unit
circel atau jika nilai absolutnya 1 maka model VAR tersebut dianggap stabil
sehingga IRF dan FEVD yang dihasilkan akan dianggap valid.
49
d. Uji Kointegrasi
