Langkah langkah Penggunaan metode Eviews

Pengenalan Menu Eviews 4.1
Oleh
Dr. Nelmida, SE., M.Si1
Eviews merupakan salah satu software statistika yang powerful dalam
menganalisis data khususnya data time series. Software ini bersifat user
friendly karena berbasiskan window dengan berbagai fasilitas seperti data
analysis¸ regression, dan forecasting. Dengan Eviews ini kita dapat
mengaplikasikan dengan cepat dan mudah metode statistika sesuai dengan
perilaku data, dan selanjutnya dengan metode terpilih ini akan digunakan
untuk meramalkan nilai dugaan di masa depan. Beberapa contoh cakupan
penggunaan Eviews antara lain: scientific data analysis and evaluation,
financial analysis, macroeconomic forecasting, simulation, sales forecasting
and cost analysis.
Untuk Menginstal Eviews ini diperlukan beberapa persyaratan kemampuan
komputer yang digunakan:
1. Menggunakan processor Minimal A386,486, Pentium atau procesor intel
lainnya yang dijalankan dengan Windows 3.1, Windows 95, atau Windows
NT.
2. Minimal RAM 4 MB untuk Windows 3.1, untuk Windows 95 dan NT sangat
disarankan 8 MB atau lebih.
3. Monitor VGA, Super VGA atau lainnya yang kompartibel.

4. Menggunakan mouse, trackball, atau pen pad.
5. Instalasi program akan membutuhkan sekitar lebih dari 10 MB.
Ketika pertama kali EViews dijalankan akan keluar tampilan sebagai berikut:


Tampilan awal EViews

Status Line



Menu EViews
File
Edit
Objects
View
Procs
Quick
Options
Window

Help

Minimize

Close

Window
Jika Clik
Restore/Maximize
 Minimize, membuat ukuran window kecil
 Restore, ukuran window sedang, atau Maximize, ukuran window
penuh/besar
 Close, menutup window EViews
Status line menunjukkan :
3. Default database
1. Tempat pesan suatu perintah
4. Workfile yang aktif
2. Default directory

Dosen Tetap Jurusan Manajemen Fakultas Ekonomi Bung Hatta Padang.

Email: nelmida_fe@yahoo.co.uk.
1

Pembuatan Workfile
Sebelum menjalankan perintah metode statistika yang ada di Eviews,
terlebih dahulu harus dibuka file Eviews workfile. Jika belum terdapat data
yang dimaksud maka kita harus membuat workfile baru dengan mengimpor
dari data Excel spreadsheet.
Dalam modul ini akan digunakan data dari tahun 1996 sampai tahun 2005
dalam file data1.xls
Tahapan berikut merupakan langkah membuat workfile data baru


Mengatur waktu dari data
File/New/Wokfile....



Pilihan waktu dari data , pilihan ini sesuai dengan waktu dari data di
Excel spreadsheet

 Annual : data tahunan
 Semi-annual : data per semeter
 Quarterly : data triwulanan
 Monthly : data bulanan
 Weekly : data mingguan
 Daily (5 day weeks) : data mingguan 5 hari
 Daily (7 day weeks) : data harian
 Undated or irregular : bukan data time series atau tidak
beraturan



Format Penulisan Waktu : tahun:bulan:hari atau tahun:bulan
atau tahun
Pada Start date ketik 1996 dan End date ketik 2005 (sesuai
dengan date data yang akan diimpor)



OK, akan tampil



Mengimpor Data dari Excel
Procs/Impor/ReadText-Lotus-Exel...., baik pada toolbar window
workfile:UNTITLED atau pada window Eviews. Atau dengan perintah
File/Impor/ReadText-Lotus-Exel...., dari menu window EViews



Tentukan
lokasi
file
Excel
berada
d:Eviews/data/data1.xls terus pilih menu open

misalnya

di



Ketik 4, pada Names for series or Number of series if names infiles
untuk menyatakan banyaknya series variabel yang diimpor.



Perhatikan kesesuaian dengan data di Excel



OK
B2 menunjukkan lokasi sel di Excelspreadsheet yang pertama kali
diimpor ke Eviews workfile. Input angka X Y menunjukkan
banyaknya variabel yang diimpor, sedangkan tahun 1996 2005
adalah tahun series data sesuai dengan range yang ditentukan
ketika membuat workfile baru.



Maka pada window workfile akan tampak sebagai berikut :



Save Workfile
Save, pada toolbar window workfile, atau File/save, pada menu
windows EViews dan tulis nama file DATA (atau apa saja sesuai
keinginan kita) pada suatu directori atau drive.



Cara Lain Entri Data atau Copy Data


Pada window workfile atau EViews Objects/New Object.... atau
click kiri/New Object... pada kolom kosong window workfile

Klik

Klik
Kanan
Paste



Copy data dari Excel dengan cara : Block data1.xls (dengan
judulnya) dan copy pada window Excel. Kemudian pindah ke
window Eviews, Klik kanan/paste pada window Series Data. Maka
akan tampak sebagai berikut :

ORDINARY LEAST SQUARE
A. Regresi Sederhana (OLS Sederhana)
Model regresi sederhana adalah suatu model yang melihat hubungan
antar dua variabel. Salah satu variabel menjadi variabel bebas (Independent
variable) dan variabel yang lain menjadi
variabel terikat (Dependent
variable). Dalam regresi sederhana ini, akan kita ambil suatu contoh kasus
mengenai hubungan antara pengeluaran konsumsi dan pendapatan di US
pada tahun 1996 – 2005 (Gujarati, 2003: 6). Persamaan model ini adalah:

Y = 0 + 1X + 
Dimana, Y adalah pengeluaran konsumsi, 0 adalah konsumsi autonom, X
merupakan pendapatan dan  adalah error term.
(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)
Setelah muncul data yang akan diolah, kemudian blok variable X dan Y Klik kanan: Open - as Group. Maka, akan muncul tampilan :

Kemudian Pilih Procs - Make Equation - Equation Specification
Setelah itu ketik data yang akan diolah : Y spasi c spasi X, pilih Method:
LS – OK. Variabel yang kita tulis pertama adalah variabel dependen,
selanjutnya adalah konstanta dan variabel independent.

Maka akan tampak hasil regresi seperti berikut:

Dependent Variable: Y
Method: Least Squares
Date: 08/24/07 Time: 01:18
Sample: 1996 2005
Included observations: 10
Variable
Coefficien

t
C
24.45455
X
0.509091
R-squared
0.962062

Std. Error

t-Statistic

Prob.

6.413817 3.812791 0.0051
0.035743 14.24317 0.0000
Mean dependent
111.000
var
0

Adjusted R-squared 0.957319
S.D. dependent var 31.4289
3
S.E. of regression
6.493003
Akaike info criterion 6.75618
4
Sum squared resid 337.2727
Schwarz criterion
6.81670
1
Log likelihood
F-statistic
202.867
31.78092
9
Durbin-Watson stat 2.680127
Prob(F-statistic)
0.00000
1

Intepretasi Hasil Regresi:
Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 24.45455 + 0.509091X
Sebagai contoh, apabila ditanyakan berapa tingkat konsumsi individu
jika pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?.
Maka
Y = 24.45455 + 0.509091(5000)
Y = 2569.91
Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi
individu adalah sebesar 2569.91 milyar dolar US.

B. Regresi Berganda
Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih
dari satu variabel independen. Bentuk umum regresi berganda dapat ditulis
sebagai berikut:
Y1 = 0 + 1X1 + 2X2 + 3X3 + ….+ nXn + ei
Pada intinya, langkah – langkah estimasi regresi berganda didalam Eviews
tidak jauh berbeda dengan regresi sederhana seperti yang telah dibahas
sebelumnya. Berikut ini adalah tampilan data yang akan digunakan dalam
regresi berganda.
(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)

Lakukan regresi berganda dengan cara :
Demand for Chickens, United States, 19601982
YEAR = Year
Y
= Per Capita Consumption of Chickens,
Pounds
X2 = Real Disposable Income Per Capita,
$
X3 = Real Retail Price of Chicken Per
Pound, Cents
X4 = Real Retail Price of Pork Per Pound,

Maka akan menghasilkan angka sebagai berikut :

Dari hasil regresi diatas maka akan didapatkan persamaan sebagai berikut:
Y = 38.59690942 + 0.004889344622*X2 - 0.6518875293*X3 +
0.2432418207*X4 +
0.1043176111*X5 - 0.07111034011*X6
Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi
variabel dependen yaitu ekspor dan veriabel independen yang terdiri dari
suku bunga, nilai tukar rupiah, serta inflasi.
(lokasi file Excel berada di d:Eviews/data/data1.xls:auto2)
Dari hasil regresi akan diperoleh estimasi sebagai berikut:

Cara mengintepretasikan hasil regresi sama dengan estimasi pada regresi
sederhana.
C. Uji t dan Uji F
Uji t merupakan pengujian terhadap koefisien dari veriabel bebas
secara parsial. Uji ini dilakukan untuk melihat tingkat signifikansi dari veriabel
bebas secara individu dalam mempengaruhi variasi dari variabel terikat.
Sedangkan Uji F merupakan uji model secara keseluruhan. Oleh sebab itu Uji F
ini lebih relevan dilakukan pada regresi berganda. Uji F dilakukan untuk
melihat apakah semua koefisien regresi berbeda dengan nol atau dengan kata
lain model diterima.
Pada regresi sederhana maupun regresi berganda, pengujian koefisien
1, 2, dan n dapat dilakukan dengan Uji t. Pengujian ini dilakukan dengan cara
membandingkan t-statistik pada hasil regresi dengan t –tabel. Jika nilai t-stat

> t-tabel, maka Ho ditolak dan H1 diterima, dengan kata lain terdapat
hubungan antara variabel dependen dan variabel independen. Sebaliknya jika
t-stat < t-tabel, maka Ho diterima dan H 1 ditolak, yang artinya tidak terdapat
hubungan antara variabel dependen dan variabel independen.
Pada contoh kasus diatas, dengan tingkat kepercayaan 95% (α = 5%)
maka daerah kritis untuk menolak Ho adalah t-stat < t 0.025;39. Kita bisa melihat
bahwa pada variabel inflasi memiliki nilai t-stat sebesar 5,479 sedangkan nilai
t-tabel pada t0.025;39 adalah 2,021. Artinya nilai t-stat > t-tabel, sehingga
hipotesa H0 ditolak, dapat disimpulkan bahwa terdapat hubungan antara
ekspor dan inflasi.
Pengujian hipotesis dapat juga dilakukan dengan konsep P-Value. Cara
ini relatif lebih mudah dilakukan karena tersedia pada menu Eviews. Konsep
ini membandingkan α dengan nilai P-Value. Jika nilai P-Value kurang dari α,
maka H0 ditolak. Pada contoh kasus diatas nilai P-Value dari variabel inflasi
adalah 0,0000 artinya pada α = 1%, 5%, dan 10% hipotesa H0 ditolak. Artinya
pada berbagai tingkat keyakinan tersebut ekspor memiliki hubungan dengan
inflasi.
Pada prinsipnya Uji F memiliki konsep yang tidak jauh berbeda dengan
Uji t. Jika Uji t digunakan untuk melihat pengaruh variabel bebas terhadap
variabel terikat secara individu, maka Uji F digunakan untuk melihat pengaruh
variabel bebas terhadap varibel terikat secara bersama-sama. Formulasi dari
Uji F adalah sebagai berikut:
Ho : 1 = 2 = 3 = 0, artinya antara variabel dependen dengan
variabelvariabel independen tidak ada hubungannya
H1 : 1  2  n  0, artinya antara variabel dependen dengan variabelVariabel independen ada hubungan.
Dengan menggunakan konsep P-Value, maka pada contoh diatas P-Value dari F
= 0,000012. Artinya pada α = 1%, 5%, dan 10% hipotesa H 0 ditolak dan H1
diterima. Dimana antara ekspor dengan inflasi, tingkat bunga, dan nilai tukar
rupiah terdapat suatu hubungan. Dengan kata lain variabel independen dalam
persamaan tersebut secara bersama-sama berpengaruh terhadap variasi dari
variabel dependen.
D. Uji Asumsi Klasik
Dalam melakukan estimasi persamaan linier dengan menggunakan
metode OLS, maka asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi
tersebut tidak dipenuhi maka tidak akan menghasilkan nilai parameter yang
BLUE (Best Linear Unbiased Estimator). Asumsi BLUE antara lain:
1. Model regresi adalah linier dalam parameter
2. Error term (u) memiliki distribusi normal. Implikasinya, nilai rata-rata
kesalahan adalah nol.
3. Memiliki varian yang tetap (homoskedasticity).
4. Tidak ada hubungan antara variabel bebas dan error term.
5. Tidak ada korelasi serial antara error (no-autocorrelation).
6. Pada regresi linear berganda tidak terjadi hubungan antar variabel bebas
(multicolinearity).
D.1. Uji Normalitas
Uji normalitas digunakan jika sampel yang digunakan kurang dari 30,
karena jika sampel lebih dari 30 maka error term akan terdistribusi secara
normal. Uji ini disebut Jarque – Bera Test.
Lakukan Prosedur berikut: Dari hasil estimasi - View – Residual test –
Histogram Normality test
(lokasi file Excel berada di d:Eviews/data/data1.xls:data1)

Dari hasil diatas maka langkah selanjutnya adalah melakukan uji normalitas
error term:
1. H0 : error term terdistribusi normal
H1 : error term tidak terdistribusi normal
2. α = 5% maka daerah kritis penolakan H0 adalah P-Value < α
3. Karena P-Value = 0,678100 > 0,05 maka H0 diterima
4. Kesimpulan, dengan tingkat keyakinan 95%( α = 5% ) maka dapat
dikatakan bahwa error term terdistribusi normal.

D.2. Uji Multikolinieritas
Multikolinearitas adalah adanya hubungan linier yang signifikan antara
beberapa atau semua variabel independent dalam model regresi. Untuk
melihat ada tidaknya multikolinieritas dapat dilihat dari koefisien korelasi dari
masing-masing variabel bebas. Jika koefisien korelasi antara masing-masing
variabel bebas lebih besar dari 0,8 berarti terjadi mulikolinieritas.
Lakukan prosedur berikut: Dari workfile – Blok semua variabel kecuali c
dan resid – Klik kanan: Open – As Group
Setelah tampil semua variabel, Klik View – Correlation – Common
Sampel.
(lokasi file Excel berada di d:Eviews/data/data1.xls:mul2)

Dari tampilan diatas terlihat bahwa antara variabel X2, X3, X4, X5, dan X6 terjadi
multikolinieritas, karena memiliki nilai Correlation matrix lebih dari 0,8. Cara
mengatasi adanya multikol dapat dilakukan dengan cara: (1) menghilangkan
variabel independent, (2) transformasi variabel, (3) penambahan data. Berikut
ini dilakukan cara mengatasi multikol dengan transformasi data, yaitu
penambahan log. Dari hasil tersebut, semua koefisien telah signifikan.

D.3. Heteroskedasitas
Heteroskedasitas merupakan keadaan dimana varians dari setiap
gangguan tidak konstan. Uji heteroskedasitas dapat dilakukan dengan
menggunakan White Heteroskedasticity yang tersedia dalam program Eviews.
Hasil yang peril diperhatikan dari Uji ini adalah nilai F dan Obs*R-Squared. Jika
nilai Obs*R-Squared lebih kecil dari X2 tabel maka tidak terjadi
heteroskedastisitas, dan sebaliknya
(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:het2)

Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari
hasil estimasi. Jika residual bergerak konstan artinya tidak ada hetero dan jika
membentuk suatu pola tertentu maka mengindikasikan adanya hetero.

Dependent Variable: PROFIT
Method: Least Squares
Date: 08/26/07 Time: 22:40
Sample: 1 18
Included observations: 18
Variable
Coefficien
t
RD
0.369500
SALES
0.068854
C
791.5363
R-squared
0.810248

Std. Error

t-Statistic

Prob.

0.305947 1.207726 0.2459
0.014112 4.879106 0.0002
1214.194 0.651903 0.5243
Mean dependent
8102.45
var
0
Adjusted R-squared 0.784947
S.D. dependent var 7281.31
5
S.E. of regression
3376.620
Akaike info criterion 19.2381
5
Sum squared resid 1.71E+08
Schwarz criterion
19.3865
5
Log likelihood
F-statistic
32.0252
170.1433
1
Durbin-Watson stat 2.853771
Prob(F-statistic)
0.00000
4

Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil
estimasi. Dimana residualnya membentuk suatu pola atau tidak konstan.
Untuk membuktikan dugaan tersebut perlu dilakukan Uji White Hetero.
Lakukan prosedur berikut: Dari hasil Estimasi Klik View – Residual test –
White Hetero (no cross) - OK

White Heteroskedasticity Test:
F-statistic
8.281590
Obs*R-squared
12.92698

Probability
Probability

0.001508
0.011638

Dengan melihat hasil Obs*R-Squared sebesar 12,92698 > 9,48773 (nilai kritis
Chi square (X2) pada α = 5%), maka dapat disimpulkan bahwa pada estimasi
tersebut terjadi hetero. Cara lain yaitu dengan melihat nilai probabilitas dari
nilai chi squares. Pada hasil diatas nilai probabilitasnya sebesar 0,011638
artinya terjadi hetero pada tingkat
α
= 1%. Semakin besar nilai
probabilitasnya berarti semakin tidak terjadi hetero.
D.4. Autokorelasi
Autokorelasi menunjukkan adanya hubungan antar gangguan. Metode
yang digunakan dalam mendeteksi ada tidaknya masalah autokorelasi adalah
Metode Bruesch-Godfrey yang lebih dkenal dengan LM-Test. Metode ini
didasarkan pada nilai F dan Obs*R-Squared. Dimana jika nilai probabilitas dari
Obs*R-Squared melebihi tingkat kepercayaan maka Ho diterima, berarti tidak
ada masalah autokorelasi.
(lokasi file Excel berada misalnya di d:Eviews/data/data1.xls:auto2)

Dapat dilihat dari hasil estimasi sepertinya tidak terjadi per masalahan
yang melanggar asumsi klasik. Dimana terlihat bahwa nilai t-statistik
signifikan., R2 bagus, dan Uji F juga signifikan. Namun dalam hasil tersebut
terdapat DW stat yang relatif kecil. Nilai DW yang kecil tersebut merupakan
salah satu indikator adanya masalah autokorelasi.
Untuk membuktikan adanya masalah autokorelasi dalam model dapat
kita lakukan dengan melakukan uji LM.
Lakukan prosedur berikut: Dari hasil estimasi – Klik View – Residual test
– Serial Correlation LM test - OK

Breusch-Godfrey Serial Correlation LM Test:
F-statistic
13.24422
Probability
Obs*R-squared
17.36554
Probability

0.000060
0.000169

Dari hasil test diatas dapat disimpulkan bahwa dalam hasil estimasi tersebut
terjadi masalah autokorelasi. Hal ini dapat dilihat dari nilai probabilitas kurang
dari tingkat keyakinan (α = 1%) maka Ho ditolak yang berarti dalam model
terdapat autokorelasi.

AUTOREGRESSIVE INTEGRATED MOVING AVERAGE
(ARIMA)
1. Pengantar
ARIMA merupakan suatu teknik yang
variable dalam melakukan peramalan. Model ini
nilai sekarang dan masa lalu dari dependent
peramalan jangka pendek. Metode ini disebut
Jenkins.

mengabaikan independent
hanya menggunakan nilaivariable untuk melakukan
juga dengan metode Box-

2. Petunjuk Operasional dalam Eviews
a. Uji Stasioneritas Data
Uji stasioneritas data digunakan untuk melihat apakah data
mengandung akar unit atau tidak. Data time series dikatakan stasioner jika
data tersebut tidak mengandung akar-akar unit (unit root) dengan kata mean,
variance, dan covariant konstan sepanjang waktu. Pengujian akar-akar unit
root dilakukan dengan metode Augmented Dickey Fuller(ADF), yaitu dengan
membandingkan nilai ADFstatistik dengan Mackinnon critical value 1%, 5%, dan
10%. Data dikatakan stasioner jika nilai ADF statistik lebih besar dari Mackinnon

critical value 1%, 5%, dan 10% serta nilai probabilitasnya signifikan dibawah
10%. Jika ADFstatistik lebih kecil dari Mackinnon critical value 1%, 5%, dan 10%
serta nilai probabilitasnya diatas 10% (tidak signifikan) maka data dikatakan
tidak stasioner.
Lakukan prosedur berikut :
Klik Workfile – Klik variabel yang akan di uji – View - Unit root test
(lokasi file Excel berada di d:Eviews/data/data2 ARIMA.xls)

Lakukan pengujian pada tingkat Level dengan asumsi trend dan intercept
-OK

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(GDP)
Method: Least Squares
Date: 10/22/07 Time: 20:59
Sample(adjusted): 1970:3 1991:4
Included observations: 86 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
Prob.
t
GDP(-1)
- 0.035508 -2.215287 0.0295
0.078661
D(GDP(-1))
0.355794 0.102691 3.464708 0.0008
C
234.9729 98.58764 2.383391 0.0195
@TREND(1970:1) 1.892199 0.879168 2.152260 0.0343
R-squared
0.152615
Mean dependent
23.3453
var
5

Adjusted R-squared 0.121613

S.D. dependent var

S.E. of regression

33.68187

Akaike info criterion

Sum squared resid

93026.38

Schwarz criterion

Log likelihood

422.4392
Durbin-Watson stat 2.085875

F-statistic
Prob(F-statistic)

35.9379
4
9.91719
1
10.0313
5
4.92276
2
0.00340
6

Dari hasil pengujian dapat dilihat nilai ADFstatistik sebesar 2,215287 lebih kecil
dari dengan probabilitas diatas 10%, yaitu 0,4749. Berarti data masih
mengandung akar unit, dengan kata lain data tidak stasioner pada tingkat
level. Lakukan kembali pengujian unit root pada tingkat first difference.
Klik View – Unit root test – Pilih first difference - Intercept – OK

Null Hypothesis: D(GDP) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=4)
t-Statistic
Augmented Dickey-Fuller test statistic
-6.588446
Test critical values: 1% level
-4.068290
5% level
-3.462912
10% level
-3.157836

Prob.*
0.0000

*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(GDP,2)
Method: Least Squares
Date: 10/22/07 Time: 21:00
Sample(adjusted): 1970:3 1991:4
Included observations: 86 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
Prob.
t
D(GDP(-1))
- 0.103584 -6.588446 0.0000
0.682459
C
17.25493 7.965990 2.166074 0.0332
@TREND(1970:1)
- 0.149731 -0.188649 0.8508
0.028246
R-squared
0.343833
Mean dependent
0.20697
var
7
Adjusted R-squared 0.328022
S.D. dependent var 42.0444
1
S.E. of regression
34.46559
Akaike info criterion 9.95206
1
Sum squared resid 98593.78
Schwarz criterion
10.0376
8
Log likelihood
F-statistic
21.7461
424.9386
3
Durbin-Watson stat 2.035932
Prob(F-statistic)
0.00000
0
Dari pengujian yang kedua didapat bahwa nilai ADFstatistik lebih besar dari
critical value dan probabilitasnya signifikan pada tingkat keyakinan 1%. Hal ini
berarti data telah stasioner pada first difference. Secara tidak langsung ordo
integrasi telah ditemukan, yaitu d = 1. Berikutnya adalah penentuan ordo
suku AR dan MA.
b. Penentuan Ordo AR – MA
Lakukan pengujian correlogram, dengan hasil derajat integrasi yang diperoleh
dari uji unit root dan biarkan Eviews menentukan panjang lag maksimumnya.
Lakukan prosedur berikut ini:
Klik View – Correlogram – First Difference - OK

Cara melihat stasioner atau
tidaknya model bisa di lihat dari
nilai AC dan PAC dibandingkan
dengan + 1.96 (

), atau sama

dengan
+1.96(

)=

+ 1.96 (0.1066)= -0.208 sd +
0.208
Jadi kalau AC dan PAC ada
diantara
-0.208 sd + 0.208 maka datanya
stasioner namun jika diluar angka
-0.208 sd + 0.208 maka tidak
stasioner

Dari grafik diatas terlihat bahwa terjadi pelanggaran garis batang AC pada lag
1, 8, dan 12, maka kita memiliki kandidat MA (1). Dari grafik batang PAC,
terlihat kalau pelanggaran garis batas juga terjadi pada lag 1, maka diperoleh
juga kandidat AR (1). 3 kandidat model yang akan digunakan adalah bentuk
ARIMA (1,1,1); ARIMA (1,1,0) atau ARI (1) dan ARIMA (0,1,1) atau IMA (1).
Selanjutnya adalah penentuan model terbaik.
c. Penentuan Model Terbaik.
Untuk model ARIMA (1,1,1) : Klik Quick – Estimate equation – Ketik:
d(gdp) c AR(1) MA(1) – OK
Jangan lupa untuk memberi nama persamaan tersebut, Klik Name – Arima –
OK

Variable

5.942537 3.955622
0.275101 1.816384
0.312614 -0.644572

R-squared

Coefficien
t
23.50643
0.499690
0.201502
0.105750

S.E. of regression

34.39166

Akaike info criterion

Sum squared resid

98171.24

Schwarz criterion

C
AR(1)
MA(1)

Std. Error

t-Statistic

Mean dependent
var
Adjusted R-squared 0.084202
S.D. dependent var

Log likelihood

424.7539
Durbin-Watson stat 1.994227
Inverted AR Roots
Inverted MA Roots

F-statistic
Prob(F-statistic)

Prob.
0.0002
0.0729
0.5210
23.3453
5
35.9379
4
9.94776
6
10.0333
8
4.90760
6
0.00967
3

.50
.20

Hasil regresi pada model ARIMA (1,1,1) menunjukkan bahwa probabilitas
MA(1) tidak signifikan, yaitu sebesar 0,5210, maka model ini dinyatakan
gugur.
Selanjutnya kita akan melihat model yang kedua yaitu model ARI(1)
Klik Quick – Estimate equation – ketik: d(gdp) c AR(1) – OK. Kemudian
namai persamaan tersebut, misal ARI. Begitu pula untuk model yang ketiga
yaitu, IMA (1), kembali Klik Quick – Estimate equation – ketik: d(gdp) c
MA(1) - OK

Variable
C
AR(1)
R-squared

Coefficien
t
23.44152
0.317238
0.101516

Std. Error

Coefficien
t
22.79699
0.258497
0.080866

Std. Error

t-Statistic

Prob.

5.412216 4.331223 0.0000
0.102975 3.080716 0.0028
Mean dependent
23.3453
var
5
Adjusted R-squared 0.090820
S.D. dependent var 35.9379
4
S.E. of regression
34.26717
Akaike info criterion 9.92923
4
Sum squared resid 98636.06
Schwarz criterion
9.98631
1
Log likelihood
F-statistic
9.49080
424.9570
9
Durbin-Watson stat 2.034425
Prob(F-statistic)
0.00279
1
Inverted AR Roots
.32
Variable
C
MA(1)
R-squared

t-Statistic

Prob.

4.666313 4.885441 0.0000
0.104584 2.471667 0.0154
Mean dependent
22.9333
var
3
Adjusted R-squared 0.070053
S.D. dependent var 35.9344
8
S.E. of regression
34.65297
Akaike info criterion 9.95136
4
Sum squared resid 102070.4
Schwarz criterion
10.0080
5
Log likelihood
F-statistic
7.47836
430.8843
7
Durbin-Watson stat 1.911508
Prob(F-statistic)
0.00759
8
Inverted MA Roots
-.26
Model ARI(1) dan IMA(1), memiliki nilai probabilitas yang signifikan, hal ini
didukung pula oleh nilai │IRM│< 1. Maka pemilihan modeol terbaik akan
dilanjutkan dengan pengujian autokorelasi.
Lakukan uji correlogram Q stat, Klik View – residual test – correlogram Q
statistic - OK

Correlogram AR
Ternyata kedua model berhasil

Correlogram MA
menyelesi kan permasalahan autokorelasi

masing-masing, terlihat dari nilai Q-stat yang tidak signifikan di setiap lag. Maka
langkah terakhir pemilihan model akan bergantung pada nilai SC yang lebih kecil.
ARI (1) memiliki nilai SC sebesar 9.986, sementara IMA (1) sebesar 10.00805,
maka model ARI(1)- lah yang terbaik.
Model

Adjusted Rsquare
0.070053
0.09082
0.084202

AIC

SC

IMA (1)
9.951364
10.00805
ARI (1)
9.929234
9.986311
ARIMA (1,1,1)
9.947766
10.03338
d. Peramalan
Dengan menggunakan model ARI(1), kita lakukan pengecekan kelayakan
model bagi peramalan. Dalam hal ini data yang digunakan adalah data asli,
yaitu GDP, karena data ini yang akan diramal. Klik Forecast – pilih GDP OK

Terlihat bahwa nilai bias proportion sebesar 0.053880 (dibawah 0.2),
sementara covariance proportion 0.856076 (hampir mendekati 1), maka
model ini dapat meramal nilai GDP kedepan.
Bila mengasumsi model sudah benar, maka langkah selanjutnya adalah
memperpanjang range data. Pada menu utama :
Klik Procs – Change workfile range (ubah End date menjadi 1992:1) –
OK

Ubah juga sample data : Procs – sample – ketik tahun yang akan
diforcast
Kembali ke estimasi : Procs - Make model – Solve – OK

Jangan lupa diganti tahun
estimasi yang diinginkan
Contoh :
1970:1 1992:1

Langkah berikutnya anda buka ar1

Langkah berikutnya anda klik menu solve

Sehingga akan terbentuk variabel forecast gdpf dengan tambahan nilai
konsumsi 1992:1
1991:2
1991:3
1991:4
1992:1

4865.329
4888.771
4912.212
4935.654

ARCH/GARCH
1. Pengantar
Data time series, terutama seperti data indeks saham, tingkat bunga,
nilai tukar, dan inflasi, sering kali bervolatilitas. Implikasi data yang
bervolatilitas adalah variance dari error tidak constant. Dengan kata lain
mengalami heteroskedatisitas. Implikasi dari adanya heteroskedatisitas
terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval
keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of
precision yang salah.
Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas,
peralatan standar yang digunakan adalah model Autoregressive Conditional
Heteroskedasticity Model (ARCH)/ Generalized Autoregressive Conditional
Heteroskedasticity Model (GARCH). Model ini menganggap variance yang tidak
constant (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat
digunakan untuk modeling dan peramalan.

(lokasi file Excel berada di d:Eviews/data/data3 ARCH.xls)

ARCH Test:
F-statistic
Obs*R-squared

6235215.
635.9353

0.000000
Probability

0.000000

Probability

Tampak hasil pengujian dengan menggunakan ARCH LM Test menunjukkan
hasil yang signifikan, oleh karena itu secara statistik kita menolak H nul (Ho)
yang berarti varian residual tidak konstan atau dengan kata lain model yang
digunakan mengandung unsur ARCH.
Model Estimasi ARCH
Untuk mengestimasi model
quick/estimate equation

ARCH

dapat

dilakukan

dengan

cara

:

Kemudian pilih metode estimasinya dengan menggunakan ARCH, lalu klik
metode tersebut sehingga aka muncul tampilan sebagai berikut :

Pada tampilan ini kalau
menghendaki model
ARCH saja maka isi
dengan (0) pada ARCH
specification order.

Sehingga akan menghasilan model estimasi sebagai berikut :
Dependent Variable: CPI
Method: ML - ARCH (Marquardt)
Date: 10/25/07 Time: 12:29
Sample(adjusted): 2 637
Included observations: 636 after adjusting endpoints
Convergence achieved after 14 iterations
Variance backcast: ON
Coefficien Std. Error z-Statistic
Prob.
t
C
66.22193 24.37509 2.716787 0.0066
AR(1)
0.981749 0.004680 209.7636 0.0000
Variance Equation
C
534.3886 52.58769 10.16186 0.0000
ARCH(1)
- 11.90989 -5.699856 0.0000
67.88467
R-squared
0.999511
Mean dependent
70.6462
var
3
Adjusted R-squared 0.999508
S.D. dependent var 48.2501
9
S.E. of regression
1.069711
Akaike info criterion 7.95114
7
Sum squared resid 723.1859
Schwarz criterion
7.97916
7
Log likelihood
F-statistic
430432.
2524.465
6
Durbin-Watson stat 0.029878
Prob(F-statistic)
0.00000
0
Inverted AR Roots
.98
Tampak ARCH menunjukkan hasil yang signifikan berarti kesalahan prediksi
(residual) CPI dipengaruhi oleh residual kuadrat periode sebelumnya ARCH(1).
Namun dengan memasukkan unsur persamaan ARCH ini, apakah kemudian
model terbebas dari unsur ARCH? Lakukan pengujian dengan klik
View/Residual Test/ARCH LM Test

ARCH Test:
F-statistic

0.091028

Probability

Obs*R-squared

0.091302

Probability

0.76297
4
0.76252
8

Test Equation:
Dependent Variable: STD_RESID^2
Method: Least Squares
Date: 10/25/07 Time: 12:37
Sample(adjusted): 3 637
Included observations: 635 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
Prob.
t
C
0.008176 0.004775 1.712304 0.0873
STD_RESID^2(-1) 0.011991 0.039745 0.301708 0.7630
R-squared
0.000144
Mean dependent
0.00827
var
5
Adjusted R-squared
S.D. dependent var 0.11995
0.001436
6
S.E. of regression
0.120042
Akaike info criterion
1.39879
9
Sum squared resid 9.121638
Schwarz criterion
1.38477
2
Log likelihood
446.1188
F-statistic
0.09102
8
Durbin-Watson stat 2.000168
Prob(F-statistic)
0.76297
4
Tampak hasil perhitungan menunjukkan nilai prob sebesar 0.762528 (lebih
besar dari 0.05), dengan demikian pada lag (1) secara statistik tidak signifikan
sehingga kita menerima hipotesis nul (Ho) yang berarti varian residual
konstan atau dengan kata lain model yang digunakan sudah tidak
mengandung unsur ARCH.
Model Estimasi GARCH
Untuk mengestimasi model
quick/estimate equation

GARCH

dapat

dilakukan

dengan

cara

:

Kemudian pilih metode estimasinya dengan menggunakan GARCH, lalu klik
metode tersebut sehingga aka muncul tampilan sebagai berikut :

Pada tampilan ini kalau
menghendaki model
GARCH saja maka isi
dengan (1) pada GARCH
specification order.

Sehingga akan menghasilan model estimasi sebagai berikut :
Dependent Variable: CPI
Method: ML - ARCH (Marquardt)
Date: 10/25/07 Time: 12:48
Sample(adjusted): 2 637
Included observations: 636 after adjusting endpoints
Failure to improve Likelihood after 26 iterations
Variance backcast: ON
Coefficien Std. Error z-Statistic
Prob.
t
C
98.39845 11.72393 8.392958 0.0000
AR(1)
1.172699 0.024129 48.60187 0.0000
Variance Equation
C
1102.365 160.9089 6.850866 0.0000
ARCH(1)
- 1.669584 -2.803013 0.0051
4.679865
GARCH(1)
- 0.051387 -18.87462 0.0000
0.969905
R-squared
0.960115
Mean dependent
70.6462
var
3
Adjusted R-squared 0.959862
S.D. dependent var 48.2501
9
S.E. of regression
9.666630
Akaike info criterion 8.00914
9
Sum squared resid 58963.00
Schwarz criterion
8.04417
4

Log likelihood

2541.909
Durbin-Watson stat 0.000473
Inverted AR Roots

F-statistic
Prob(F-statistic)

3797.38
7
0.00000
0

1.17
Estimated AR process is nonstationary

Tampak GARCH menunjukkan hasil yang signifikan berarti varian kesalahan
prediksi (residual) CPI dipengaruhi oleh varian residual periode sebelumnya
GARCH(1). Nilai ARCH juga menunjukkan hasil yang signifikan berarti varian
kesalahan prediksi (residual) CPI dipengaruhi oleh varian residual kuadrat
periode sebelumnya GARCH(1)
Namun dengan memasukkan unsur persamaan GARCH ini, apakah kemudian
model terbebas dari unsur ARCH? Lakukan pengujian dengan klik
View/Residual Test/ARCH LM Test

ARCH Test:
F-statistic

405.6918

Probability

Obs*R-squared

248.0180

Probability

0.00000
0
0.00000
0

Test Equation:
Dependent Variable: STD_RESID^2
Method: Least Squares
Date: 10/25/07 Time: 12:53
Sample(adjusted): 3 637
Included observations: 635 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
Prob.
t
C
0.160692 0.018725 8.581812 0.0000
STD_RESID^2(-1) 0.618926 0.030728 20.14179 0.0000
R-squared
0.390580
Mean dependent
0.42540
var
4
Adjusted R-squared 0.389617
S.D. dependent var 0.43019
3
S.E. of regression
0.336097
Akaike info criterion 0.66031
1
Sum squared resid 71.50446
Schwarz criterion
0.67433
8

Log likelihood

207.6488
Durbin-Watson stat 3.192647

F-statistic
Prob(F-statistic)

405.691
8
0.00000
0

Tampak hasil perhitungan menunjukkan nilai prob sebesar 0.000 (lebih kecil
dari 0.05), dengan demikian pada lag (1) secara statistik signifikan sehingga
kita menolak hipotesis nul (Ho) yang berarti varian residual tidak konstan atau
dengan kata lain model yang digunakan sudah masih mengandung unsur
ARCH.

ERROR CORRECTION MODEL (ECM)
1. Pengantar
Kointegrasi dapat diartikan sebagai suatu hubungan jangka panjang
(long term relationship/ekuilibrium) antara variabel-variabel yang tidak
stasioner. Keberadaan hubungan kointegrasi memberikan peluang bagi datadata yang secara individual tidak stasioner untuk menghasilkan sebuah
kombinasi linier diantara mereka sehingga tercipta kondisi yang stasioner.
Secara sederhana, dua variabel disebut terkointegrasi jika hubungan kedua
variabel tersebut dalam jangka panjang akan mendekati atau mencapai
kondisi equilibriumnya. Error Correction Model (ECM) merupakan model yang
digunakan untuk mengoreksi persamaan regresi antara variabel-variabel yang
secara individual tidak stasioner agar kembali ke nilai equilibriumnya di jangka
panjang, dengan syarat utama berupa keberadaan hubungan kointegrasi
diantara variabel-variabel penyusunnya. Ada banyak cara untuk melakukan
uji kointegrasi, namun dalam modul ini hanya memaparkan Engle-Granger
Cointegration Test.
2. Petunjuk Operasional Dalam Eviews.
a. Uji Stasioneritas Data
Pada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel.
Dengan cara yang sama seperti pada modul sebelumnya, maka didapat
bahwa hasil sebagai berikut:
(lokasi file Excel berada di d:Eviews/data/data4 ECM.xls)
Null Hypothesis: D(PDI) has a unit root
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level
10% level
Null Hypothesis: D(PCE) has a unit root
Augmented Dickey-Fuller test statistic
Test critical values: 1% level
5% level

t-Statistic
-9.592898
-4.068290
-3.462912
-3.157836

Prob.*
0.0000

t-Statistic
-7.567202
-4.068290
-3.462912

Prob.*
0.0000

10% level
*MacKinnon (1996) one-sided p-values.

-3.157836

Dimana kedua variabel stasioner pada tingkat first difference. Selanjutnya,
kedua variabel diregresi sehingga dihasilkan bentuk output Eviews sebagai
berikut:

Dependent Variable: PCE
Method: Least Squares
Date: 08/24/07 Time: 17:18
Sample: 1970:1 1991:4
Included observations: 88
Variable
Coefficien
t
PDI
0.967250
C
171.4412
R-squared
0.994051

Std. Error

t-Statistic

0.008069 119.8712
22.91725 -7.480880

Mean dependent
var
Adjusted R-squared 0.993981
S.D. dependent var
S.E. of regression

35.92827

Akaike info criterion

Sum squared resid

111012.3

Schwarz criterion

Log likelihood

439.0292
Durbin-Watson stat 0.531629

F-statistic
Prob(F-statistic)

Hasil estimasi ini dapat ditulis ulang menjadi :
PCEt = -171.4412 + 0.967250 PDIt + ut
Residual dari persamaan regresi antara variabel
stasioneritasnya dengan unit root test.

Prob.
0.0000
0.0000
2537.04
2
463.113
4
10.0233
9
10.0796
9
14369.1
0
0.00000
0

PCE

dan

PDI

diuji

Null Hypothesis: RESID01 has a unit root
Exogenous: None
Lag Length: 0 (Automatic based on SIC, MAXLAG=11)
t-Statistic
Augmented Dickey-Fuller test statistic
-3.779071
Test critical values: 1% level
-2.591813
5% level
-1.944574
10% level
-1.614315
*MacKinnon (1996) one-sided p-values.

Prob.*
0.0002

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(RESID01)
Method: Least Squares
Date: 10/25/07 Time: 13:20
Sample(adjusted): 1970:2 1991:4
Included observations: 87 after adjusting endpoints
Variable
Coefficien Std. Error t-Statistic
Prob.
t
RESID01(-1)
- 0.072852 -3.779071 0.0003
0.275312
R-squared
0.142205
Mean dependent
var
0.40587
7
Adjusted R-squared 0.142205
S.D. dependent var 26.1931

S.E. of regression

24.25937

Akaike info criterion

Sum squared resid

50612.48

Schwarz criterion

Log likelihood

400.3706

Durbin-Watson stat

5
9.22691
1
9.25525
5
2.27751
2

Hasil unit root test dapat ditulis dalam bentuk persamaan sebagai berikut:
∆ût = -0275132ut-1
Hasil uji unit root dari residual (u) kita bandingkan dengan nilai
�=0+1T-1+2T-2
Jika nilai t-statistik > dari nilai �, maka residual tersebut (u) terkointegrasi.
Berdasarkan perhitungan nilai r = -2.899, sehingga karena nilai t-statistik lebih
besar dari nilai � (-3.779071) maka residualnya teritegrasi
Bentuk persamaan regresi ECM adalah sebagai berikut:
∆PCEt = α0 + α1∆PDI + α2ut-1 + t

Hasil regresi Eviews akan menghasilkan output pada tabel dibawah ini:
Dependent Variable: D(PCE)
Method: Least Squares
Variable
Coefficien
t
C
11.69183
D(PDI)
0.290602
RESID01(-1)
0.086706
R-squared
0.171727

Std. Error

t-Statistic

2.195675 5.324936
0.069660 4.171715
0.054180 -1.600311

Mean dependent
var
Adjusted R-squared 0.152006
S.D. dependent var
S.E. of regression

16.84283

Akaike info criterion

Sum squared resid

23829.19

Schwarz criterion

Log likelihood

367.6026
Durbin-Watson stat 1.923381

F-statistic
Prob(F-statistic)

Prob.
0.0000
0.0001
0.1133
16.9034
5
18.2902
1
8.51960
1
8.60463
2
8.70791
8
0.00036
6

Hasil regresi ECM dapat dituliskan menjadi:
∆PĈEt = 11.69183 + 0.2906 ∆PDIt – 0.0867 ût-1
Dari persamaan diatas dapat dikatakan bahwa dalam jangka pendek PDI
mempunyai hubungan positif dengan PCE. Dapat dikatakan bahwa MPC dalam
jangka pendek sebesar 0.2906. Sedangkan MPC dalam jangka panjang
sebesar 0.967250 (didapat dari regresi awal).

Tabel Respon Surface For Critical Value Cointegration Test
n
1

Model
No constant
No trend

Size(%)
1
5
10

Obs.
600
600
560

∞
-2,5658
-1,9393
-1,6156

1
-1,960
-0,398
-0,181

2
-10,04
0,0
0,0

1

Constant
No trend

1
5
10

600
600
600

-3,4335
-2,8621
-2,5671

-5,999
-2,738
-1,438

-29,25
-8,36
-4,48

1

Constant
With trend

1
5
10

600
600
600

-3,9638
-3,4126
-3,1279

-8,353
-4,039
-2,418

-47,44
-17,83
-7,58

2

Constant
No trend

1
5
10

600
600
600

-3,9001
-3,3377
-3,0462

-10,534
-5,967
-4,069

-30,03
-8,98
-5,73

2

Constant
With trend

1
5
10

600
560
600

-4,3266
-3,7809
-3,4959

-15,531
-9,421
-7,203

-34,03
-15,06
-4,01

3

Constant
No trend

1
5
10

560
560
600

-4,2981
-3,7429
-3,4518

-13,790
-8,352
-6,241

-46,37
-13,41
-4,85

3

Constant
With trend

1
5
10

600
600
600

-4,6676
-4,1193
-3,8344

-18,492
-12,024
-9,188

-59,20
-21,57
-5,19

4

Constant
No trend

1
5
10

560
560
600

-4,6493
-4,1000
-3,8110

-17,188
-10,745
-8,317

-59,20
-21,57
-5,19

4

Constant
With trend

1
5
10

600
560
560

-4,9695
-4,4294
-4,1474

-22,504
-14,501
-11,165

-50,22
-19,54
-9,88

5

Constant
No trend

1
5

520
560

-4,9587
-4,4185

-22,140
-13,641

-37,29
-21,16

10

600

-4,1327

-10,638

-5,48

5

Constant
With trend

1
5
10

600
600
600

-5,2497
-4,7154
-4,4245

-26,606
-17,432
-13,654

-49,56
-16,50
-5,77

6

Constant
No trend

1
5
10

480
480
480

-5,2400
-4,7048
-4,4242

-26,278
-17,120
-13,347

-41,65
-11,17
0,0

6

Constant
With trend

1
5
10

480
480
480

-5,5127
-4,9161
-4,6999

-30,735
-20,883
-16,445

-52,50
-9,05
0,0

VECTOR AUTOREGRESSIONS (VAR)
1. Pengantar
Metode Vector Autoregression (VAR) pertama kali dikembangkan oleh
Christoper Sims (1980). Kerangka analisis yang praktis dalam model ini akan
memberikan informasi yang sistematis dan mampu menaksir dengan baik
informasi dalam persamaan yang dibentuk dari data time series. Selain itu
perangkat estimasi dalam model VAR mudah digunakan dan diintepretasikan.
Perangkat estimasi yang akan digunakan dalam model VAR ini adalah fungsi
impulse respon dan variance decompotition.
Ada beberapa keuntungan dari VAR (Gujarati, 1995:387) yaitu :
1. VAR mampu melihat lebih banyak variabel dalam menganalisis
fenomena ekonomi jangka pendek dan jangka panjang.
2. VAR mampu mengkaji konsistensi model empirik dengan teori
ekonometrika.
3. VAR mampu mencari pemecahan terhadap persoalan variabel runtun
waktu yang tidak stasioner ( non stasionary ) dan regresi lancung (
spurious regresion ) atau korelasi lancung ( spurious correlation )
dalam analisis ekonometrika.
Metode yang ditekankan pada penerapan model VAR adalah
(Gujarati, 2003:853) :
1.
Kemudahan
dalam
penggunaan,
tidak
perlu
mengkhawatirkan tentang penentuan variabel endogen dan variabel
eksogen. Semua variabel dianggap sebagai variabel endogen.
2.
Kemudahan dalam estimasi, metode Ordinary Least
Square (OLS) dapat diaplikasikan pada tiap persamaan secara terpisah.
3.
Forecast atau peramalan yang dihasilkan pada beberapa
kasus ditemukan lebih baik daripada yang dihasilkan oleh model
persamaan simultan yang kompleks.
4.
Impulse Respon Function (IRF). IRF melacak respon saat
ini dan masa depan setiap variabel akibat perubahan atau shock suatu
variabel tertentu.

5.

Variance Decompotition, memberikan informasi mengenai
kontribusi (persentase) varians setiap variabel terhadap perubahan
suatu variabel tertentu.
Di sisi lain, terdapat beberapa kritik terhadap model VAR menyangkut
permasalahan berikut (Gujarati, 2003:853) :
1. Model VAR merupakan model yang atheoritic atau tidak berdasarkan
teori, hal ini tidak seperti pada persamaan simultan. Pada persamaan
simultan, pemilihan variabel yang akan dimasukkan dalam persamaan
memegang peranan penting dalam mengidentifikasi model.
2. Pada model VAR penekanannya terletak pada forecasting atau
peramalan sehingga model ini kurang cocok digunakan dalam
menganalisis kebijakan.
3. Permasalahan yang besar dalam model VAR adalah pada pemilihan lag
length atau panjang lag yang tepat. Karena semakin panjang lag, maka
akan menambah jumlah parameter yang akan bermasalah pada
degrees of freedom.
4. Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak
stasioner, perlu dilakukan transformasi bentuk data, misalnya melalui
first difference.
5. Sering ditemui kesulitan dalam menginterpretasi tiap koefisien pada
estimasi model VAR, sehingga sebagian besar peneliti melakukan
interpretasi pada estimasi fungsi impulse respon dan variance
decompotition.
Ada beberapa hal yang penting dalam melakukan estimasi
menggunakan model VECM (Harris,1995: 76) yaitu :
1. Data yang digunakan harus stasioner
2. Identifikasi bentuk model
3. Penentuan lag length optimal

2. Prosedur dalam Eviews
a. Uji Stasioneritas Data
Salah satu prosedur yang harus dilakukan dalam estimasi model
ekonomi dengan data time series adalah dengan menguji stasioneritas pada
data atau disebut juga stationary stochastic process. Data time series
dikatakan stasioner jika data tersebut tidak mengandung akar-akar unit (unit
root) dengan kata mean, variance, dan covariant konstan sepanjang waktu.
Pengujian akar-akar unit root dilakukan dengan metode Augmented Dickey
Fuller ( ADF), yaitu dengan membandingkan nilai ADFstatistik dengan Mackinnon
critical value 1%, 5%, dan 10%.
Lakukan prosedur berikut :
Workfile – Klik variabel yang akan di uji – View - Unit root test
(lokasi file Excel berada di d:Eviews/data/data5 VAR.xls)

Kemudian akan muncul tampilan seperti dibawah ini :

Kita akan menguji data pada tingkat level I(0). Jika nilai ADF statistik lebih besar
dari Mackinnon critical value, maka data tidak mengandung unit root sehingga
data dikatakan stasioner. Demikian pula sebaliknya, jika nilai ADF statistik lebih
kecil dari t-statistik pada Mackinnon critical value berarti terdapat unit root
sehingga data dikatakan tidak stasioner.
Null Hypothesis: M1 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic
Augmented Dickey-Fuller test statistic
-0.931216
Test critical values: 1% level
-4.211868
5% level
-3.529758
10% level
-3.196411
*MacKinnon (1996) one-sided p-values.

Prob.*
0.9419

Dari hasil pengujian ternyata variabel M1 pada tingkat level tidak
stasioner. Hal ini dapat dilihat pada nilai ADF test statistic yang lebih kecil dari
test critical values-nya, baik 1%, 5%, dan 10%. Selain itu juga terlihat nilai
probabilitas yang lebih besar dari α = 10%. Jika dari hasil uji stasioneritas
berdasarkan uji ADF diperoleh data seluruh variabel belum stasioner pada

level, maka untuk memperoleh data yang stasioner dapat dilakukan dengan
cara differencing data, yaitu dengan mengurangi data tersebut dengan data
periode sebelumnya, sehingga akan diperoleh data dalam bentuk first
difference.
Setelah data dirubah kedalam bentuk first difference maka diperoleh
hasil sebagai berikut:
Null Hypothesis: D(M1) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic
Augmented Dickey-Fuller test statistic
-5.065505
Test critical values: 1% level
-4.219126
5% level
-3.533083
10% level
-3.198312
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(R) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 1 (Automatic based on SIC, MAXLAG=9)
t-Statistic
Augmented Dickey-Fuller test statistic
-4.478920
Test critical values: 1% level
-4.226815
5% level
-3.536601
10% level
-3.200320
*MacKinnon (1996) one-sided p-values.

Prob.*
0.0011

Prob.*
0.0053

Baik pada variabel M1 dan R data telah stasioner pada tingkat first difference.
Dapat dilihat bahwa nilai ADF test statistic kedua variabel lebih besar dari
nilai test critical values-nya dan nilai probabilitas keduanya signifikan pada α
= 1%. Sehingga kedua variabel tersebut telah stasioner.
b. Penetuan Lag Optimal
Penentuan jumlah lag dalam model VAR ditentukan pada kriteria
informasi yang direkomendasikan oleh Final Prediction Error (FPE), Aike
Information Criterion (AIC), Schwarz Criterion (SC), dan Hannan-Quinn (HQ).
Tanda bintang menunjukkan lag optimal yang direkomendasikan oleh kriteria
diatas.
Lakukan prosedur berikut:
Tandai seluruh variabel – Klik kanan – Open – as VAR – OK

Dari VAR Estimation - Pilih View – Lag Structure - Lag Length Criteria

VAR Lag Order Selection Criteria
Endogenous variables: M1 R
Exogenous variables: C
Date: 08/23/07 Time: 07:32
Sample: 1979:1 1988:4
Included observations: 37
Lag
LogL
LR
FPE
0
-449.4532
NA
1.36E+08
1
-350.3133
182.2030
794237.8
2
-341.5657
15.13099* 616075.2*
3
-339.9341
2.645821
704361.8
* indicates lag order selected by the criterion

AIC
24.40288
19.26018
19.00355*
19.13157

SC
24.48995
19.52141
19.43893*
19.74111

HQ
24.43357
19.35227
19.15704*
19.34646

Dari hasil diatas terlihat bahwa semua tanda bintang berada pada lag 2. Hal
ini menunjukkan bahwa lag optimal terletak pada lag 2.
c. Uji Kausalitas Granger
Uji Kausalitas Granger digunakan untuk melihat arah hubungan suatu
variabel dengan variabel yang lain. Bagaimana pengaruh x terhadap y dengan
melihat apakah nilai sekarang dari y bisa dijelaskan dengan nilai historis y
serta melihat apakah penambahan lag x bisa meningkatkan kemampuan
menjelaskan model. Adapun persamaan Granger-Causality adalah:
n

n

Yt   1 j Yt  j    2 j X t  j  u1t
j 1

j 1

n

n

j 1

j 1

X t  1 j Yt  j   2 j X t  j  u 2 t
Dalam penelitian ini, ada beberapa kasus yang dapat diintepretasikan dari
persamaan Granger Causality diatas (Gujarati,2003:696-697) :
1. Unidirectional causality dari Y ke X, artinya kausalitas satu arah dari Y
ke X terjadi jika koefisien lag Y pada persamaan Yt adalah secara
statistik signifikan berbeda dengan nol, koefisien lag X pada
persamaan Xt sama dengan nol,
2. Unindirectional causality dari X ke Y, artinya kausalitas satu arah dari X
ke Y terjadi jika koefisien lag X pada persamaan X t adalah secara
statistik signifikan berbeda dengan nol dan koefisien lag Y pada
persamaan Yt secara statistik signifikan sama dengan nol.
3. Feedback/bilaterall causality, artinya kausalitas timbal balik yang
terjadi jika koefisien lag Y dan lag X adalah secara statistik signifikan
berbeda dengan nol pada kedua persamaan Yt dan Xt di atas.
4. Independence, artinya tidak saling ketergantungan yang terjadi jika
koefisien lag Y dan lag X adalah secara statistik sama dengan nol pada
masing-masing persamaan Yt dan Xt diatas.
Sedangkan hipotesis statistik untuk pengujian kausalitas dengan
menggunakan pendekatan Granger adalah :
t

Ho :



it

0 artinya suatu variabel tidak mempengaruhi variabel lain

i 1
t

H1 :



it

0 artinya suatu variabel mempengaruhi variabel lainnya.

i 1

Lakukan prosedur berikut:
Tandai semua variabel – Klik kanan, pilih Open – as Group
Setelah workfile semua variabel muncul pilih: View – Granger
Causality

Pairwise Granger Causality Tests
Lags: 2
Null Hypothesis:
R does not Granger Cause M1
M1 does not Granger Cause R

Obs
38

F-Statistic Probability
12.9266
7.1E-05
3.22343
0.05263

Dari hasil pengujiann Granger disebutkan bahwa Ho menyatakan R
tidak mempengaruhi M1 dan M1 tidak mempengaruhi R. Dengan melihat nilai
probabilitas sebesar 7.1E-05 maka Ho ditolak, berarti R mempengaruhi M1.
Selanjutnya untuk pernyataan yang kedua, dengan probabilitas 0.05263 dan
pada α = 1% maka Ho ditolak. Sehingga M1 mempengaruhi R. Dari pengujian
Granger diatas dapat disimpulkan bahwa kedua variabel mempunyai
hubungan 2 arah atau saling mempengaruhi.
d. Estimasi VAR
Pada kasus ini persamaan VAR dapat ditulis sebagai berikut:
n

n

M 1t     j M 1t  j    j Rt  j  u1t
j 1

j 1

n

n

j 1

j 1

Rt     j M 1t  j    j Rt  j  u 2t
Dari Workfile, tandai semua variabel – Klik kanan – Open – as VAR –
pilih Unrestricted VAR – OK.

Vector Autoregression Estimates
Standard errors in ( ) & t-statistics in [ ]
D(M1)
D(R)
D(M1(-1))
0.169618
0.001629
(0.17182)
(0.00056)
[ 0.98719] [ 2.90445]
D(M1(-2))

0.257899
(0.16435)
[ 1.56921]

-0.000413
(0.00054)
[-0.76871]

D(R(-1))

-235.9120
(53.3880)
[-4.41882]

0.161317
(0.17432)
[ 0.92541]

D(R(-2))

-7.438080
(58.2922)
[-0.12760]

0.137387
(0.19033)
[ 0.72183]

C

222.8912
(113.810)
[ 1.95844]
0.414380
0.341178
7187605.
473.9332
5.660741
-277.7743
15.28510
15.50279
405.9368

-0.533556
(0.37161)
[-1.43580]
0.250815
0.157166
76.