analisis kausalitas ekspor vs pertumbuhan ekonomi di indonesia
DESCRIPTION
ekspor, pertumbuhan ekonomi,TRANSCRIPT
ANALISIS KAUSALITAS ANTARA EKSPOR DAN PERTUMBUHAN EKONOMI
DI INDONESIA
Oleh: Muhammad Fajar*
1. Pendahuluan
Model perekonomian Negara Indonesia adalah model perekonomian terbuka. Ekspor
impor adalah imbas dari perekonomian terbuka, hal ditunjukkan bahwa ekspor impor merupakan
komponen pembentuk PDB. Jika ekspor meningkat, maka PDB juga meningkat dan sebaliknya.
Kebalikan dari ekspor, jika impor meningkat, maka akan menurunkan PDB.
Jika kita perhatikan trend PDB riil dari 1983 - 2011, maka terlihat PDB Indonesia
cenderung meningkat setiap tahunnya, terlihat pada saat krisis 1998 PDB sempat mengalami
penurunan. Sedangkan, ekspor pun cenderung meningkat, tetapi jika kita perhatikan pada saat
krisis 1998 dan krisis global 2008 sempat mengalami penurunan.
Gambar 1. Perkembangan PDB dan Ekspor Nominal Indonesia
Sumber: BPS, diolah.
Gambar 2. Perkembangan Andil Ekspor Terhadap PDB Indonesia
Sumber: BPS, diolah.
0
100,000
200,000
300,000
400,000
500,000
600,000
700,000
1985 1990 1995 2000 2005 2010
PDB EXPOR
0.00
10.00
20.00
30.00
40.00
50.00
60.00
Pergerakan andil ekspor terhadap PDB dari 1983 – 2011 tampak fluktuatif, rata – rata andil
ekspor terhadap PDB mencapai 29.28 persen, artinya hampir 30 persen ekspor menyumbang kue
perekonomian Indonesia. Dengan fenomena ekonomi yang telah dijelaskan sebelumnya, tujuan
paper ini untuk menginvestigasi apakah ekspor menyebabkan pertumbuhan ekonomi, atau
pertumbuhan ekonomi menyebabkan ekspor atau bahkan pertumbuhan ekonomi dan ekspor
saling menyebabkan.
2. Kajian Literatur
Berbagai penelitian telah menginvestigasi kausalitas antara ekspor dengan pertumbuhan
ekonomi, memberikan kesimpulan antara lain:
a. Investasi swasta, investasi pemerintah, dan ekspor non migas berpengaruh positif dan
signifikan terhadap pertumbuhan ekonomi, sedangkan ekspor non migas tidak signifikan
mempenaruhi pertumbuhan ekonomi. (Adrian Sutawijaya, 2007)
b. Terjadi kointegrasi antara impor, ekspor dan pertumbuhan ekonomi serta terjadi kauslitas
unidireksional dari ekspor kepada pertumbuhan ekonomi (Shirazi dan Manap, 2004)
c. Terjadi hubungan jangka panjang dan pendek antara ekspor dan pertumbuhan ekonomi serta
kausalitas bilateral antara keduanya. (Rahmadi dan Ichihashi, 2009)
d. Secara jangka pendek, terjadi kausalitas dari ekspor non minyak ke PDB non minyak.
(Shahnoushi dan Bakhshoodeh, 2008)
e. Hasil ECM (Error Correction Mechanism) menunjukkan terjadi kausalitas dari ekspor ke
pertumbuhan ekonomi di Bangladesh. (Al Mamun dan Nath, 2004)
3. Metodologi
3.1 Metode Pengumpulan Data
Dalam penelitian ini data ekspor barang dan jasa, dan PDB triwulanan atas dasar harga
konstan mulai 1983 s.d. 2012 triwulan III berasal dari Badan Pusat Statistik, kemudian
ditransformasi logaritma natural agar mengikuti distribusi normal sehingga dapat dianalisis
parametrik. Alasan periode penelitian ini dipilih karena mengandung periode krisis ekonomi
1998 dan krisis global pada juli 2008.
3.2 Metode Analisis
1. Normalitas
Sifat normalitas diperlukan agar menghasilkan parameter-parameter yang dihasilkan bisa
diujikan dan mengsinkronisasikan dengan alat uji statistik parametric yang berakar pada asumsi
normalitas. Penulis merekomendasikan uji Jarque-Berra untuk menguji normalitas tingkat suku
bunga dan inflasi.
Hipotesis yang digunakan:
Ho :distribusi data mengikuti distribusi normal
H1 :distribusi data tidak mengikuti distribusi normal
Statistik uji:
𝐽𝐵 = 𝑛 𝑆2
6+
(𝐾 − 3)2
24 … (1)
dimana:
𝑆 =1
𝑛
𝑦𝑖 − 𝑦
𝜎
3𝑛
𝑖=1 … (2)
𝐾 =1
𝑛
𝑦𝑖 − 𝑦
𝜎
4𝑛
𝑖=1 … (3)
𝜎 = 𝑠 (𝑛 − 1)/𝑛 … (4)
𝑠 = 𝑦𝑖 − 𝑦 2
𝑛
𝑖=1
/(𝑛 − 1) … (5)
Bandingkan nilai J-B hitung dengan X 2 – tabel, dengan aturan :
a. Bila nilai J-B hitung > nilai 𝜒2 tabel atau p value dari statistic JB kurang dari level signifikansi α, maka Ho ditolak.
b. Bila nilai J-B hitung < nilai 𝜒2 tabel, atau p value dari statistic JB lebih besar dari level signifikansi α, maka Ho tidak dapat ditolak.
2. Stasioneritas Data
Stasioneritas sangat diperlukan dalam analisis time series agar tidak terjadi spurious pada
analisis. Dalam pengujian penulis memakai uji KPSS dikarenakan pada data ekonomi makro
cenderung umumnya mengandung trend sehingga dapat dipilah apakah stasioneritas yang terjadi
pada data adalah stasioneritas differenced atau stasioneritas trend. Uji KPSS berbeda dengan uji
unit root lainnya, dalam uji ini data time series mengikuti hipotesis:
Ho : data stasioner
H1 : data tidak stasioner
Statistic uji KPSS berdasarkan residual dari regresi OLS1 𝑦𝑡 atas variabel endogen 𝑥𝑡 :
1 Ordinary Least Squared
𝑦𝑡 = 𝑥𝑡′𝛿 + 𝑢𝑡 … (6)
Statistik LM didefinisikan:
𝐿𝑀 = 𝑆(𝑡)2
𝑓𝑜𝑇2
𝑡
… (7)
Ho tidak ditolak jika statistic LM lebih besar dari nilai kritis asimtot yang dihaslkan pada output Eviews. Dimana 𝑓𝑜 adalah estimator spectrum residual pada frekuensi zero dan 𝑆(𝑡) adalah fungsi residual kumulatif:
𝑆 𝑡 = 𝑢 𝑟
𝑡
𝑟=1
… (8)
Dimana:
𝑢 𝑡 = 𝑦𝑡 − 𝑥𝑡′𝛿 0 … (9)
𝑓0diestimasi dari persamaan:
𝑓0 = 𝛾 𝑗 𝐾(𝑗/𝑙)
𝑇−1
𝑗=−(𝑇−1)
… (10)
𝛾 𝑗 adalah sampel otokovariansi ke-j dari residual 𝑢𝑡 ,yang dirumuskan sebagai berikut:
𝛾 𝑗 = 𝑢 𝑡𝑢 𝑡−𝑗
𝑇
𝑇
𝑡=𝑗+1
… 9 … (11)
l adalah koefisien Newey-West bandwith, K merupakan fungsi kernel.
Kita perhatikan bahwa estimator 𝛿 yang digunakan dalam perhitungan berbeda dari estimator 𝛿 yang digunakan GLS detrending karena hal tersebut berdasarkan regresi atas data asli dan bukan atas data quasi-differenced. 3. Lag Optimum
Penentuan lag optimum diperlukan karena alat analisis time series sangat sensitif
terhadap lag time yang digunakan pada model. Karena pada penelitian ini sampel yang
digunakan berjumlah kurang dari 120 titik data , maka penulis merekomendasikan criteria
selection lag pada Akaike Information Criterion (Khiem dan Liew, 2004).
𝐴𝐼𝐶 = −2 𝑙 𝑇 +2 𝑘
𝑇 … (12)
Dimana:
𝑙 = −𝑇𝑀
2 1 + 𝑙𝑜𝑔2𝜋 −
𝑇
2𝑙𝑜𝑔 Ω … (13)
Ω = 𝐷𝑒𝑡 𝑆𝑆𝑅/𝑇
𝑇
𝑡
… (14)
M adalah banyaknya persamaan pada Vector Autoregressive (VAR), SSR adalah Sum Square Of
Residual dari VAR pada persamaan (13) dan (14) dan k adalah banyak parameter.
4. Uji Kausalitas Engel Granger
Uji kausalitas pertama kali dikemukakan oleh Engel dan Granger, sehingga uji ini
dinamakan Engel-Granger Causality Test. Hubungan kausalitas adalah hubungan jangka pendek
antara kelompok tetentu dengan menggunakan pendekatan ekonometrik yang mencakup
hubungan timbal balik. Hubungan kausalitas dapat terjadi antar dua variabel, jika suatu variable
y, yaitu BI rate dipengaruhi oleh variabel x, yaitu inflasi dengan menggunakan lag. Uji
kausalitas Granger bertujuan untuk melihat pengaruh masa lalu dari suatu varibel terhadap
kondisi variabel lain pada masa sekarang. Dengan kata lain uji kausalitas Granger dapat
digunakan untuk melihat apakah peramalan y dapat lebih akurat dengan memasukan lag variabel
x.
Bentuk umum dari model kausalitas Granger, adalah sebagai berikut:
ptpttptpttt xxxyyyy ,1222,1211,12,1122,1111,11 ............... atau
t
p
i
iti
p
i
itit exyy 1
1
,12
1
,11
(15)
ptpttptpttt xxxyyyx ,22211,22,2122,2111,21 ...............2,22
atau
t
p
i
iti
p
i
itit exyx 2
1
,22
1
,21
(16)
Bentuk matriks persamaan di atas, adalah:
t
t
pt
pt
pp
pp
t
t
t
t
t
t
e
e
x
y
x
y
x
y
x
y
2
1
,22,21
,12,11
2
2
2,222,21
2,122,11
1
1
1,221,21
1,121,11......
(17)
itx dan ity adalah operasi kelambanan dari tx dan ty , sedangkan 𝑒1𝑡 dan 𝑒2𝑡 adalah variabel
pengganggu dan diasumsikan tidak berkorelasi.Statistik uji yang digunakan pada uji kausalitas
Granger, adalah statistik uji F, dengan rumus:
)/(
)(
knRSS
pRSSRSS
FR
URR
uji
(18)
dimana : RRSS restricted residual sum of square =
n
t
t
1
2
1
URRSS unrestricted residual sum of square =
n
t
t
1
2
2
p = panjang lag
n = jumlah observasi
k = jumlah parameter yang diestimasi dalam unrestricted
regression
t1 = residual dari model yang direstriksi
t2 = residual dari model yang tidak direstriksi
Restricted residual sum of square ( RRSS ), adalah jumlah kuadrat residual dari model
yang direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang direstriksi
diperoleh dengan meregresikan variabel y dengan semua nilai lag y tanpa memasukan lag x
sebagai variabel bebasnya. Bentuk model yang direstriksi, adalah sebagai berikut:
t
p
i
itit yy 1
1
(19)
Unrestricted residual sum of square ( URRSS ), adalah jumlah kuadrat residual dari model
yang tidak direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang tidak
direstriksi diperoleh dengan meregresikan variabel y dengan semua nilai lag y dan nilai lag x
sebagai variabel bebasnya. Bentuk model yang tidak direstriksi, adalah sebagai berikut:
t
p
i
iti
p
i
itit xyy 2
11
(20)
Dua hipotesis yang digunakan pada uji kausalitas Granger, adalah:
Ho: 0........... ,122,121,12 p (x tidak menyebabkan y)
H1: paling sedikit ada satu i,12 ≠0 (x menyebabkan y)
Ho: 0........... ,212,211,21 p (y tidak menyebabkan x)
H1: paling sedikit ada satu i,21 ≠0 (y menyebabkan x)
Jika nilai ujiF lebih besar dari nilai ))(,);1(( knptabelF maka Ho ditolak. Dari uji kausalitas
dapat diketahui variabel mana yang memiliki hubungan kausalitas dan variabel mana yang
terjadi sebelum variabel lainnya.
Asumsi pada uji Causality Engel-Granger, yakni sebagai berikut:
1. Bahwa variabel dalam persamaan Engel-Granger (15) dan (16) harus stasioner
2. Penentuan lag optimum harus tepat
3. Residual dari persamaan (15) dan (16) harus tidak saling berkorelasi.
Ada beberapa kemungkinan yang bisa terjadi dari hasil uji kausalitas Granger, yaitu:
(Gujarati, 2003)
1. x mempengaruhi y atau unidirectional causality from x to y ( yx ), dapat
diidentifikasikan jika Ho yang pertama ditolak dan Ho yang kedua tidak ditolak.
2. y mempengaruhi x atau unidirectional causality from y to x ( xy ), dapat
diidentifikasikan jika Ho yang pertama tidak ditolak dan Ho yang kedua ditolak.
3. x dan y saling mempengaruhi atau feedback atau bilateral causality ( yx ), jika Ho
yang pertama dan kedua ditolak.
4. x dan y tidak saling mempengaruhi atau independent ( yx // ), jika Ho yang pertama dan
kedua tidak ditolak.
5. Uji Kointegrasi Engel Granger
Prosedur dua langkah Engel-Granger cocok digunakan bila dalam penelitian hanya
terdapat dua variabel.Langkah- langkah metode Engel-Granger, yaitu:
a. uji stasioneritas dari kedua variabel yang digunakan dan ketahui kedua variabel tersebut
berintegrasi pada order yang sama.
b. uji stasioneritas residual dari hasil regresi linear kedua variabel yang digunakan, jika residual
dari kedua variabel tersebut stasioner pada level atau berintegrasi pada order 0, maka dapat
dikatakan bahwa kedua variabel tersebut memiliki keseimbangan jangka panjang atau
kointegrasi jangka panjang.
4. Analisis dan Pembahasan
4.1 Normalitas
Berdasarkan pengujian Jarque-Bera dengan level signifikansi sebesar lima persen
(lampiran no.1) dapat disimpulkan bahwa data ekspor barang/ jasa dan PDB atas dasar harga
konstan mengikuti distribusi normal.
4.2 Stasioneritas
Berdasarkan pengujian KPSS (lampiran no.2)dengan level signifikansi (α) sebesar lima persen, menunjukkan bahwa konsumsi riil rumah tangga dan pendapatan nasional telah stasioner pada data asli.
4.3 Kausalitas Engel Granger
Tabel 1. Hasil Pengujian Engel Granger
Pairwise Granger Causality Tests
Date: 01/23/13 Time: 11:33
Sample: 1983Q1 2012Q3
Lags: 5 Null Hypothesis: Obs F-Statistic Prob. LPDB does not Granger Cause LEXPOR 114 3.55505 0.0053
LEXPOR does not Granger Cause LPDB 3.14813 0.0110
Berdasarkan penentuan lag optimum berdasarkan AIC (lampiran 5) diperoleh lag optimum
untuk VAR dalam pengujian Engel Granger tersebut adalah 5 dan korelasi silang antar residual
pada VAR sebesar 0.1125 artinya hubungan antar residual lemah, sehingga hasil tersebut
digunakan untuk pengujian Engel Granger. Dari pengujian Engel Granger dapat disimpulkan
bahwa pada level signifikansi sebesar lima persen terjadi hubungan saling mempengaruhi
(bilateral causality) antara ekspor dengan pertumbuhan ekonomi.
Hal di atas dapat dijelaskan ketika terjadi peningkatan ekspor barang/ jasa, maka secara
positif ikut juga menaikkan output2 nasional akibatnya pertumbuhan ekonomi pun meningkat.
Saat pertumbuhan ekonomi meningkat mengindikasikan situasi ekonomi dan politik di suatu
Negara sedang baik sehingga kondisi ekonomi sangat baik untuk peningkatan perdagangan luar
negeri, sehingga ekspor pun meningkat guna memenuhi kebutuhan luar negeri, efeknya pun
produksi barang/ jasa dalam negeri untuk ekspor ikut meningkat dan akhirnya output nasional
meningkat pula.
4.4 Kointegrasi
Karena ekspor dan pertumbuhan ekonomi saling mempengaruhi maka bisa mengakibatkan
dua persamaan kointegrasi (lihat lampiran no.6), yaitu:
𝐿𝑃𝐷𝐵𝑡 = 5.16 + 0.64𝐿𝐸𝑋𝑃𝑂𝑅𝑡 + 휀𝑡 … (21)
𝐿𝐸𝑋𝑃𝑂𝑅𝑡 = −6.91 + 1.47𝐿𝑃𝐷𝐵𝑡 + 𝑣𝑡 … (22)
Berdasarkan pengujian stasioneritas terhadap residual 휀𝑡 dan 𝑣𝑡 (lihat lampiran no.7) yang
menunjukkan bahwa kedua series residual tersebut telah stasioner, maka dapat disimpulkan
pertumbuhan ekonomi dan ekspor memiliki keseimbangan jangka panjang.
2 Y = C + I + G + (Ekspor – Impor)
Jika persamaan (21) diinterpretasikan, maka bila terjadi ekspor mengalami kenaikan satu
persen menyebabkan PDB naik menjadi 0.64 persen. Namun sebaliknya, bila PDB mengalami
kenaikan satu persen menyebabkan ekspor naik 1.47 persen.
5. Kesimpulan
Dari hasil analisis dan pembahasan sebelumnya dapat ditarik beberapa kesimpulan dari
penelitian ini, yakni sebagai berikut:
a. Terjadi kausalitas dua arah antara ekspor dengan pertumbuhan ekonomi di Indonesia.
b. Terjadi keseimbangan jangka panjang antara ekspor dengan pertumbuhan ekonomi di
Indonesia.
*) Alumnus Sekolah Tinggi Ilmu Statistik Angkatan 46, sekarang bekerja sebagai Plt. Kasie Statistik Sosial BPS Kab. Waropen
. Karya ini dibuat tahun 2013
6. Referensi
Al Mamun, Khawaja Abdullah dan Hiranya K Nath. 2004. Export Led Growth in Bangladesh: A
Time Series Analysis. USA: Southen Methodist University.
Enders, Walter. 2004. Applied Econometrics Time Series. Second Edition. New York:
John Wiley & Son, Inc.
Johnston, Jack and John Di Nardo. 2003. Econometric Method. Fourth Edition. New York:
Mc Graw-Hill.
Green, William H. 2003. Econometric Analysis.Fifth Edition. New York: Prentice Hall.
Rahmadi, Rudy dan Masaru Ichihashi. 2009. Exports and Economic Growth in Indonesia: A
Causality Approach Based on Multi-Variate Error Correction Model. Jepang: Hiroshima
University.
Sutawijaya, Adrian. 2007. Pengaruh Ekspor dan Investasi Terhadap Pertumbuhan Ekonomi
Indonesia Tahun 1980 – 2006. Jakarta: Universitas Terbuka.
Shirazi, Nasim Shah dan Turkhan Ali Abdul Manap. 2004. Exports Led Growth Hypothesis:
Further Econometric Evidence from Pakistan. Malaysia: International Islamic University.
Shahnoushi, Naser dan Mohammad Bakhshoodeh. 2008. Causality Between Non Oil Exports and
GDP Growths in Iran. Ferdowsi University: Iran.
Lampiran
1. Normalitas
2. Stasioneritas
Null Hypothesis: LPDB is stationary
Exogenous: Constant, Linear Trend
Bandwidth: 9 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.075403
Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
0
2
4
6
8
10
12
14
10.5 11.0 11.5 12.0 12.5
Series: LEXPOR
Sample 1983Q1 2012Q3
Observations 119
Mean 11.72688
Median 11.81002
Maximum 12.69266
Minimum 10.57821
Std. Dev. 0.554925
Skewness -0.134502
Kurtosis 1.980893
Jarque-Bera 5.508422
Probability 0.063659
0
2
4
6
8
10
12
12.2 12.4 12.6 12.8 13.0 13.2 13.4
Series: LPDB
Sample 1983Q1 2012Q3
Observations 119
Mean 12.71064
Median 12.74506
Maximum 13.41723
Minimum 12.08000
Std. Dev. 0.367628
Skewness 0.022716
Kurtosis 1.961805
Jarque-Bera 5.354572
Probability 0.068749
Residual variance (no correction) 0.006525
HAC corrected variance (Bartlett kernel) 0.044503
KPSS Test Equation
Dependent Variable: LPDB
Method: Least Squares
Date: 01/19/13 Time: 06:36
Sample: 1983Q1 2012Q3
Included observations: 119 Variable Coefficient Std. Error t-Statistic Prob. C 12.09738 0.014842 815.0970 0.0000
@TREND(1983Q1) 0.010394 0.000217 47.81400 0.0000 R-squared 0.951314 Mean dependent var 12.71064
Adjusted R-squared 0.950898 S.D. dependent var 0.367628
S.E. of regression 0.081462 Akaike info criterion -2.160688
Sum squared resid 0.776425 Schwarz criterion -2.113980
Log likelihood 130.5609 Hannan-Quinn criter. -2.141722
F-statistic 2286.179 Durbin-Watson stat 0.258276
Prob(F-statistic) 0.000000
Null Hypothesis: LEXPOR is stationary
Exogenous: Constant, Linear Trend
Bandwidth: 8 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.135996
Asymptotic critical values*: 1% level 0.216000
5% level 0.146000
10% level 0.119000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
Residual variance (no correction) 0.017629
HAC corrected variance (Bartlett kernel) 0.078962
KPSS Test Equation
Dependent Variable: LEXPOR
Method: Least Squares
Date: 01/19/13 Time: 06:32
Sample: 1983Q1 2012Q3
Included observations: 119 Variable Coefficient Std. Error t-Statistic Prob. C 10.80558 0.024396 442.9208 0.0000
@TREND(1983Q1) 0.015615 0.000357 43.69841 0.0000
R-squared 0.942266 Mean dependent var 11.72688
Adjusted R-squared 0.941773 S.D. dependent var 0.554925
S.E. of regression 0.133905 Akaike info criterion -1.166708
Sum squared resid 2.097875 Schwarz criterion -1.120000
Log likelihood 71.41912 Hannan-Quinn criter. -1.147741
F-statistic 1909.551 Durbin-Watson stat 0.531629
Prob(F-statistic) 0.000000
3. Lag Optimum
VAR Lag Order Selection Criteria
Endogenous variables: LEXPOR LPDB
Exogenous variables: C @TREND
Date: 01/23/13 Time: 11:31
Sample: 1983Q1 2012Q3
Included observations: 111 Lag LogL LR FPE AIC SC HQ 0 208.3515 NA 8.63e-05 -3.682009 -3.584368 -3.642399
1 324.1148 223.1834 1.15e-05 -5.695763 -5.500482* -5.616543*
2 327.7022 6.786897 1.16e-05 -5.688328 -5.395406 -5.569498
3 330.3286 4.874260 1.19e-05 -5.663579 -5.273016 -5.505139
4 331.8143 2.703643 1.25e-05 -5.618276 -5.130072 -5.420226
5 347.2629 27.55702 1.01e-05* -5.824557* -5.238713 -5.586897
6 348.4474 2.070079 1.07e-05 -5.773826 -5.090341 -5.496556
7 354.7608 10.80672* 1.03e-05 -5.815509 -5.034383 -5.498629
8 354.8096 0.081851 1.10e-05 -5.744317 -4.865551 -5.387828 * indicates lag order selected by the criterion
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
4.Matriks Korelasi Residual
LEXPOR LPDB LEXPOR 1.000000 0.112529
LPDB 0.112529 1.000000
5. Hasil Pengujian Engel Granger
Pairwise Granger Causality Tests
Date: 02/02/13 Time: 22:08
Sample: 1983Q1 2012Q3
Lags: 5 Null Hypothesis: Obs F-Statistic Prob. LPDB does not Granger Cause LEXPOR 114 3.55505 0.0053
LEXPOR does not Granger Cause LPDB 3.14813 0.0110
6. Hasil Pengujian Kointegrasi Engel Granger
Dependent Variable: LPDB
Method: Least Squares
Date: 03/22/13 Time: 08:22
Sample: 1983Q1 2012Q3
Included observations: 119 Variable Coefficient Std. Error t-Statistic Prob. C 5.165061 0.171139 30.18047 0.0000
LEXPOR 0.643443 0.014578 44.13925 0.0000 R-squared 0.943349 Mean dependent var 12.71064
Adjusted R-squared 0.942865 S.D. dependent var 0.367628
S.E. of regression 0.087874 Akaike info criterion -2.009159
Sum squared resid 0.903458 Schwarz criterion -1.962451
Log likelihood 121.5449 Hannan-Quinn criter. -1.990192
F-statistic 1948.273 Durbin-Watson stat 0.673107
Prob(F-statistic) 0.000000
Dependent Variable: LEXPOR
Method: Least Squares
Date: 03/22/13 Time: 08:29
Sample: 1983Q1 2012Q3
Included observations: 119 Variable Coefficient Std. Error t-Statistic Prob. C -6.908127 0.422362 -16.35595 0.0000
LPDB 1.466095 0.033215 44.13925 0.0000 R-squared 0.943349 Mean dependent var 11.72688
Adjusted R-squared 0.942865 S.D. dependent var 0.554925
S.E. of regression 0.132644 Akaike info criterion -1.185635
Sum squared resid 2.058541 Schwarz criterion -1.138927
Log likelihood 72.54530 Hannan-Quinn criter. -1.166669
F-statistic 1948.273 Durbin-Watson stat 0.691304
Prob(F-statistic) 0.000000
7.Stasioneritas residual persamaan kointegrasi
Null Hypothesis: 휀𝑡 is stationary
Exogenous: Constant
Bandwidth: 7 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.219335
Asymptotic critical values*: 1% level 0.739000
5% level 0.463000
10% level 0.347000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
Residual variance (no correction) 0.007592
HAC corrected variance (Bartlett kernel) 0.024424
Null Hypothesis: 𝑣𝑡 is stationary
Exogenous: Constant
Bandwidth: 7 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.151594
Asymptotic critical values*: 1% level 0.739000
5% level 0.463000
10% level 0.347000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)
Residual variance (no correction) 0.017299
HAC corrected variance (Bartlett kernel) 0.052805