aplikasi vecm dalam ekonomiendogen dalam sistem; dengan demikian model autoregresif univariat...

1 | B a h a n A j a r R e g r e s i M o d e l V E C M

APLIKASI VECM DALAM EKONOMI

Agus Tri Basuki, SE., M.Sc.

Pendahuluan

Ahli ekonometrika modern menunjukkan metode untuk membangun model relasional di antara

variabel-variabel ekonomi secara non-struktural. Metode tersebut adalah model autoregresif vektor (VAR)

dan model koreksi kesalahan vektor (VEC). Model VAR dibuat berdasarkan sifat statistik data. Dalam

model VAR, setiap variabel endogen dalam sistem dianggap sebagai nilai lagged dari semua variabel

endogen dalam sistem; dengan demikian model autoregresif univariat digeneralisasi ke model autoregresif

"vektor" yang terdiri dari variabel deret waktu multivariat. Pada tahun 1980, Sims (Christopher Sims)

memperkenalkan model VAR ke bidang ekonomi dan mempromosikan aplikasi luas dalam analisis dinamik

sistem ekonomi.


Engle dan Granger menggabungkan model kointegrasi dan koreksi kesalahan, untuk menetapkan

model koreksi kesalahan jejak. Selama ada hubungan kointegrasi antara variabel, model koreksi kesalahan

dapat diturunkan dari model lag terdistribusi autoregresif. Dan setiap persamaan dalam model VAR adalah

model lag terdistribusi autoregresif; oleh karena itu, dapat dianggap bahwa model VEC adalah model VAR

dengan kendala kointegrasi. Karena ada hubungan kointegrasi dalam model VEC, ketika ada sejumlah

besar fluktuasi dinamis jangka pendek, ekspresi VEC dapat membatasi perilaku jangka panjang dari

variabel endogen dan menjadi konvergen dengan hubungan kointegrasi mereka (Zou, 2018).

Diasumsikan Yt = (Y1t, Y2t, … , Ykt)’ sebagai deret waktu stokastik k-dimensional, t = 1, 2, …, T dan Yt, I(1), masing-masing Yit ~ I(1), I = 1, 2, …., k dipengaruhi oleh deret waktu eksogen dimensi-d Xt = (X1t, X2t, X3t, …, Xdt)’; maka model VAR dapat ditetapkan sebagai berikut:

Yt = A1yt-1 + Jika Yt tidak terpengaruh oleh deret waktu eksogen dimensi-d Xt = (X1t, X2t, X3t, …, Xdt)’, maka model rumus VAR (1) dapat ditulis sebagai berikut:

Dengan transformasi kointegrasi formula (2), kita bisa mendapatkannya

dimana

Jika memiliki hubungan kointegrasi, maka Πyt-1~I(0) dan rumus (3) dapat ditulis sebagai berikut:

Di mana β’yt-1 = ecmt-1 istilah koreksi kesalahan, yang mencerminkan hubungan ekuilibrium jangka panjang antara variabel, dan rumus di atas dapat ditulis sebagai berikut:

(6)

Formula (6) adalah model koreksi kesalahan vektor (VECM), di mana setiap persamaan adalah model

koreksi kesalahan.


Tahapan penyelesaian regresi model VECM sebagai berikut :

Ya

Tidak

Studi Kepustakaan

(Teori dan Studi Terdahulu)

Identifikasi Variabel Penelitian dan

Pembentukan Model

Pembuatan Hipotesis

1) Uji Akar Unit, 2) Penentuan Panjang Lag, 3) Uji Stabilitas, 4) Uji Kointegrasi, 5) Uji Kausalitas, 6) Regresi Model VECM, 7) IRF dan VD

Proses Pengumpulan Data

Estimasi Model dan Pengujian Hipotesis

Kesimpulan dan Rekomendasi

Gambar 1 Langkah-Langkah Penelitian MODEL VECM

Revisi

Memenuhi

Latar Belakang Masalah Fenomena Ekonomi

Riset Gap Hasil Penelitian


Tabel 1. Data Ekonomi Makro sebagai berikut :

TAHUN CONS GDP IMP CPI MS

1970 407,262,830 688,910,055 62,652,733 1.15 16,369,933

1971 425,115,353 737,115,599 82,184,608 1.20 16,709,825

1972 422,572,053 795,220,194 93,696,291 1.28 17,049,718

1973 456,860,267 872,962,223 125,588,504 1.68 17,389,610

1974 523,519,748 945,041,632 165,973,591 2.36 17,729,503

1975 588,141,833 1,003,477,610 185,316,464 2.81 18,069,395

1976 605,647,835 1,063,567,319 216,359,378 3.37 18,409,287

1977 632,129,791 1,155,421,940 225,984,107 3.74 18,749,180

1978 727,595,845 1,261,784,971 254,574,170 4.05 19,089,072

1979 776,366,014 1,351,278,611 282,821,495 4.71 19,428,964

1980 821,462,770 1,469,177,656 310,359,636 5.55 19,768,857

1981 1,102,898,072 1,588,889,057 415,258,904 6.23 20,108,749

1982 1,142,581,372 1,606,431,563 421,115,263 6.83 20,448,642

1983 1,226,979,567 1,742,173,548 409,724,696 7.63 20,788,534

1984 1,296,238,555 1,867,124,883 378,950,871 8.43 21,128,426

1985 1,383,498,369 1,932,054,875 398,951,465 8.83 21,459,460

1986 1,409,864,019 2,047,292,604 415,591,325 9.34 21,825,929

1987 1,426,216,100 2,155,799,177 423,796,105 10.21 22,139,245

1988 1,349,360,803 2,292,814,847 344,565,407 11.03 23,119,228

1989 1,456,072,817 2,501,110,526 384,432,857 11.74 44,099,210

1990 1,677,497,580 2,726,249,821 473,467,169 12.65 60,079,193

1991 1,804,527,948 2,969,643,848 547,928,261 13.84 76,059,176

1992 1,867,222,204 3,184,067,029 595,546,121 14.89 92,039,158

1993 2,055,222,110 3,415,041,653 620,407,362 16.33 108,019,141

1994 2,200,929,075 3,672,538,070 746,320,405 17.72 123,999,124

1995 2,446,318,300 3,980,897,516 902,592,469 19.39 139,979,107

1996 2,664,110,830 4,285,149,006 964,553,310 20.93 155,959,089

1997 2,849,772,443 4,486,545,547 1,106,496,728 22.24 171,939,072

1998 2,647,069,502 3,897,609,099 1,047,961,566 35.22 187,919,055

1999 2,759,961,491 3,928,444,247 621,700,679 42.44 203,899,037

2000 2,819,292,271 4,121,726,242 782,932,376 44.02 226,352,455

2001 2,928,793,792 4,271,899,955 815,657,861 49.08 230,852,614

2002 3,067,742,071 4,464,113,042 780,996,860 54.91 242,431,460

2003 3,207,324,378 4,677,514,123 793,209,570 58.53 275,759,449

2004 3,363,109,364 4,912,833,963 1,004,626,053 62.18 313,457,391


TAHUN CONS GDP IMP CPI MS

2005 3,506,139,273 5,192,500,539 1,183,137,538 68.68 351,628,488

2006 3,643,183,135 5,478,137,490 1,284,682,299 77.69 426,882,099

2007 3,820,701,968 5,825,726,531 1,401,129,222 82.67 538,521,889

2008 4,047,807,397 6,176,068,458 1,541,278,115 90.75 569,637,477

2009 4,298,968,670 6,461,950,711 1,310,433,887 95.12 640,216,746

2010 4,476,999,764 6,864,133,100 1,537,719,773 100.00 744,539,007

2011 4,706,370,590 7,287,635,300 1,768,821,874 105.36 876,258,371

2012 4,959,525,213 7,727,083,400 1,910,299,521 109.86 1,023,957,421

2013 5,239,398,443 8,158,193,700 1,945,866,981 116.91 1,129,444,239

2014 5,492,179,181 8,568,115,600 1,988,537,910 124.39 1,187,140,762

2015 4,759,691,034 7,238,280,843 1,631,010,144 128.11 1,195,897,242

2016 4,869,309,919 7,402,446,225 1,669,774,642 133.62 1,273,914,709

2017 4,978,928,804 7,566,611,608 1,708,539,139 139.13 1,351,932,175

2018 5,088,547,688 7,730,776,991 1,747,303,636 144.65 1,429,949,642

Tujuan penelitian utama adalah sebagai berikut:

① Untuk menganalisis apakah kelima variabel LCons, LGDP, LIMP, CPI dan MS memiliki hubungan

kointegrasi, yaitu, apakah ada hubungan ekuilibrium jangka panjang;

② Untuk menguji apakah ada hubungan sebab akibat di antara kelima variabel;

③ Untuk membangun fungsi respon impuls untuk menggambarkan hubungan dinamis jangka pendek

dari waktu ke waktu di antara tiga variabel berdasarkan model VEC. Langkah awal dimulai dengan memasukan data pada tabel 1 ke dalam Program Eviews, dan jika data sudah di input ke dalam Eviews akan memiliki tampilan awal sebagai berikut :


Uji Stasioneritas

Data ekonomi time series pada umumnya bersifat stokastik (memiliki trend yang tidak stasioner/data tersebut memiliki akar unit). Jika data memiliki akar unit, maka nilainya akan cenderung berfluktuasi tidak di sekitar nilai rata-ratanya sehingga menyulitkan dalam mengestimasi suatu model. (Rusydiana, 2009). Uji Akar Unit merupakan salah satu konsep yang akhir-akhir ini makin popular dipakai untuk menguji kestasioneran data time series. Uji ini dikembangkan oleh Dickey dan Fuller, dengan menggunakan Augmented Dickey Fuller Test (ADF). Uji stasioneritas yang akan digunakan adalah uji ADF (Augmented Dickey Fuller) dengan menggunakan taraf nyata 5%. Unit root ADF (Augmented Dickey-Fuller) dan PP (Phillips-Perron) yang diterima secara umum diadopsi untuk uji Cons, GDP, IMP, CPI dan MS. Hasil tes ditunjukkan pada Tabel 1. Langkah-langkah uji stasioner Blok data yang akan di uji stasioner open as Group View Unit Root Test pada Test for unit root test pilih level

Diperoleh hasil sebagai berikut :

Cross-

Method Statistic Prob.** sections Obs

Null: Unit root (assumes common unit root process)

Levin, Lin & Chu t* 8.08776 1.0000 5 239

Null: Unit root (assumes individual unit root process)

Im, Pesaran and Shin W-stat 8.14359 1.0000 5 239

ADF - Fisher Chi-square 0.29321 1.0000 5 239

PP - Fisher Chi-square 0.29403 1.0000 5 240 ** Probabilities for Fisher tests are computed using an asymptotic Chi

-square distribution. All other tests assume asymptotic normality.


Tabel 2. Hasil Tes Uji Akar Unit pada data Level

Metode Data Level First Difference

t Statistik Prob Kesimpulan t Statistik Prob Kesimpulan

Levin, Lin & Chu 8.08776 1.0000 Tidak Stasioner -8.07304 0.0000 Stasioner

Im, Pesaran & Shin 8.14359 1.0000 Tidak Stasioner -7.66280 0.0000 Stasioner ADF 0.29321 1.0000 Tidak Stasioner 83.6592 0.0000 Stasioner PP 0.29403 1.0000 Tidak Stasioner 88.3187 0.0000 Stasioner

Hasil pengujian pada Tabel 1 menunjukkan bahwa nilai level dari lima sekuens adalah nonstasioner, dan tes lebih lanjut menunjukkan bahwa Cons, GDP, IMP, CPI dan MS adalah urutan pertama perbedaan stasioner. Untuk mengurangi fluktuasi data, perbedaan urutan pertama dibuat pada tiga urutan. Kemudian lima seri LCons, LGDP, LIMP, LCPI dan LMS baru diperoleh, dan hasil uji unit root ditunjukkan pada Tabel 2. Karena tidak lolos uji satisioner pada data level I(0), maka dilanjutkan dengan uji stasioner pada data

turunan pertama (first difference), melalui langkah-langkah sebaga berikut :

Klik View Unit Root Test pada Test for unit root test pilih 1st Difference



Group unit root test: Summary

Series: CONS, CPI, GDP, IMP, MS

Date: 11/29/19 Time: 20:02

Sample: 1970 2018

Automatic lag length selection based on SIC: 0 to 2

Newey-West automatic bandwidth selection and Bartlett kernel Cross-

Method Statistic Prob.** sections Obs

Null: Unit root (assumes common unit root process)

Levin, Lin & Chu t* -8.07304 0.0000 5 233

Null: Unit root (assumes individual unit root process)

Im, Pesaran and Shin W-stat -7.66280 0.0000 5 233

ADF - Fisher Chi-square 83.6592 0.0000 5 233

PP - Fisher Chi-square 88.3187 0.0000 5 235 ** Probabilities for Fisher tests are computed using an asymptotic Chi

-square distribution. All other tests assume asymptotic normality.

Nilai dalam kurung pada Tabel 2 adalah nilai Prob. Nilai ADF dan PP jelas kurang dari nilai signifikan 5%,

yang menunjukkan bahwa kelima sekuens tersebut stasioner.

Estimasi Model VAR Masalah pertama dari model VAR adalah menentukan Interval Lag untuk Endogen. Semakin besar Interval Jeda untuk Endogen, semakin dapat sepenuhnya mencerminkan sifat dinamis model. Tetapi dalam kasus ini, lebih banyak parameter akan diperlukan untuk diperkirakan secara terus-menerus mengurangi derajat kebebasan model. Ini adalah kontradiksi dalam pemilihan Interval Lag yang tepat untuk Endogen.

Ganti dengan first Difference


Ada banyak metode yang dapat menentukan periode jeda optimal untuk model VAR. Dalam pertimbangan komprehensif untuk memilih Interval Lag untuk Endogen, makalah ini mengadopsi Kriteria Panjang Lag dan Grafik Ar Roots untuk menentukan Interval Lag untuk Endogen. Klik Ok, dan diperoleh hasil sebagai berikut :


Estimasi VAR sangat peka terhadap panjang lag yang digunakan. Penentuan jumlah lag (ordo) yang akan digunakan dalam model VAR dapat ditentukan berdasarkan kriteria Akaike Information Criterion (AIC), Schwarz Information Criterion (SC) ataupun Hannan Quinnon (HQ). Penetapan lag optimal penting dilakukan karena dalam metode VAR, lag optimal dari variabel endogen merupakan variabel independen yang digunakan dalam model. Pengujian panjang lag optimal ini sangat berguna untuk menghilangkan masalah autokorelasi dalam sistem VAR yang digunakan sebagai analisis stabilitas VAR. Sehingga dengan digunakannya lag optimal diharapkan tidak muncul lagi masalah autokorelasi. Panjang lag optimal akan dicari dengan menggunakan kriteria informasi yang tersedia. Kandidat lag yang terpilih adalah panjang lag menurut kriteria Likehood Ratio (LR), Final Prediction Error (FPE), Akaike Information Crition (AIC), Schwarz Information Crition (SC), dan Hannan-Quin Crition (HQ). Penentuan lag optimal dalam penelitian ini berdasarkan kriteria sequential modified LR test statistik (LR). Langkah pengujian Klik View Lag Structure Lag Length Criteria … lag Specification (isi lag to include ….) Ok



Menurut Tabel di atas, setelah perbandingan Kriteria Panjang Lag, dapat ditemukan bahwa urutan lag

optimal untuk model VAR adalah 1. Model VAR (periode lag adalah urutan ke-1) dibuat dengan perangkat

lunak ekonometrik, seperti yang ditunjukkan pada Tabel di atas.

Sesuaikan regresi model VAR dengan lag 1 sebagai berikut :

Nilai fungsi kemungkinan log untuk model ini relatif besar, dan nilai AIC kecil, yang menunjukkan bahwa

kemampuan penjelas model sangat kuat.

Isi dengan 1 1


Setelah menentukan urutan lag 1, model VAR (urutan 1) dibangun kembali. Kemudian stasionaritas uji model VAR dan mod dari timbal balik akar karakteristik AR dari model VAR ditunjukkan pada Gambar 2, yang menunjukkan bahwa mod timbal balik dari masing-masing akar karakteristik berada dalam lingkaran. Dengan kata lain ketertiban lag 1 sesuai, dan model VAR yang ditetapkan stabil setelah melalui uji stabilitas. Stabilitas VAR perlu diuji terlebih dahulu sebelum melakukan analisis lebih jauh. Jika hasil estimasi VAR yang akan dikombinasikan dengan model koreksi kesalahan tidak stabil, maka Impulse Response Function dan Variance Decomposition menjadi tidak valid. Uji Stabilitas klik View Lag Structure AR Root Table



Dari hasil Tabel 2 dapat dilihat seluruh nilai modulus di bawah 1, sehingga model VAR memenuhi kondisi stabilitas. Atau menggunakan Graph Uji Stabilitas klik View Lag Structure AR Root Graph

Gambar 2. Hasil AR Root Graph

Seluruh titik berada dalam lingkaran, sehingga dapat disimpulkan model VAR dalam kondisi stabil.

Uji Kointegrasi

Tujuan dari uji kointegrasi yaitu menentukan apakah grup dari variabel yang tidak stasioner pada

tingkat level tersebut memenuhi persyaratan proses integrasi, yaitu dimana semua variabel telah stasioner pada derajat yang sama yaitu derajat 1, I(1). Berdasarkan hasil yang terlihat pada Tabel …… maka pengujian kointegrasi pada penelitian ini menggunakan metode uji kointegrasi dari Johansen Trace Statistic test.

Informasi jangka panjang diperoleh dengan menentukan terlebih dahulu rank kointegrasi untuk mengetahui berapa sistem persamaan yang dapat menerangkan dari keseluruhan sistem yang ada. Kriteria pengujian kointegrasi pada penelitian ini didasarkan pada trace statistic. Jika nilai trace statistic lebih besar daripada critical value 5 persen maka hipotesis alternatif yang menyatakan jumlah kointegrasi diterima sehingga dapat diketahui berapa jumlah persamaan yang terkointegrasi dalam sistem.


Uji ini untuk mengetahui apakah ada tidaknya pengaruh jangka panjang untuk variabel yang diteliti. Jika terbukti ada kointegrasi, maka tahapan VECM dapat dilanjutkan. Namun jika tidak terbukti, maka VECM tidak bisa dilanjutkan.

Kunci dari uji kointegrasi terletak pada pemilihan bentuk uji kointegrasi dan ketertiban lag yang tepat. Hubungan kointegrasi antara variabel dalam model VAR umumnya diuji dengan metode Johnsen (1988) dan Juselius (1990). Di sini urutan yang dipilih adalah istilah tren linier, dan kemudian bentuk uji persamaan kointegrasi hanya memotong.

Uji kointegrasi Johansen pada Cons, GDP, IMP, CPI dan MS (Tabel 3) menunjukkan bahwa, baik dalam tes nilai jejak maupun maksimum, hasil pengujian adalah menerima hipotesis nol, di bawah level 5%, dan ada dua hubungan positif. Ini berarti ada hubungan keseimbangan yang stabil dan jangka panjang antara variabel. Atas dasar keberadaan hubungan kointegrasi, pemodelan VEC dapat dilakukan lebih lanjut. Klik View Cointegration Test… OK


Tabel 3. Hasil Uji Kointegrasi


Estimasi dan Analisis VECM Analisis kointegrasi menunjukkan bahwa Cons, GDP, IMP, CPI dan MS memang memiliki hubungan ekuilibrium jangka panjang, tetapi, dalam jangka pendek, ketiganya berada dalam disekuilibrium. Ketidakseimbangan jangka pendek dan struktur dinamis dapat dinyatakan sebagai VECM. Karena urutan lag VAR adalah 1, urutan lag VECM harus 1. Oleh karena itu, model VEC dibuat dengan perangkat lunak ekonometrik. Seperti yang ditunjukkan oleh persamaan kointegrasi kedua, tidak ada korelasi antara PDB dan harga minyak, yang tidak konsisten dengan situasi ekonomi secara umum. Oleh karena itu, dengan persamaan pertama diperlakukan sebagai persamaan kointegrasi model VEC, hasil persamaan ditampilkan sebagai Tabel 4.

Tabel 4 : Hasil Persamaan Kointegrasi

Cointegrating Eq: CointEq1

LOG(IMP(-1)) 1.000000

CPI(-1) 0.084656

(0.04111)

[ 2.05929]

LOG(GDP(-1)) 71.47509

(13.4232)

[ 5.32475]

LOG(CONS(-1)) -45.6045

(10.6142)

[-4.29656]

LOG(MS(-1)) -16.3031

(2.34611)

[-6.94899]

C -307.68

Persamaan kointegrasi adalah Dari persamaan ini dapat dilihat bahwa, faktor lain dianggap tetap, setiap kenaikan persentase poin dalam indeks harga konsumen akan menyebabkan peningkatan 0,085 poin persentase dalam impor, setiap peningkatan persentase poin dalam pertumbuhan ekonomi akan menyebabkan peningkatan 71.47 poin persentase dalam impor. Setiap peningkatan persentase poin dalam konsumsi akan menyebabkan penurunan 45.6 poin persentase dalam impor. Dan setiap peningkatan persentase poin dalam jumlah uang

beredar akan menyebabkan peurunan 16.30 poin persentase dalam impor.

Persamaan Kointegrasi adalah :

LIMPt-1 = -307.7+0.084656 CPIt-1+71.47509 LGDPt-1-45.6045 LCONSt-1-16.3031 LMSt-1


Persamaan VECM adalah sebagai berikut:

DLIMPt

0.095418

0.035734 4.263655 -0.01416 -0.31517 -0.13049

DLIMPt-1

DCPIt

1.768345

-0.036604 0.418413 -0.005132 -0.001270 0.011125

DCPIt-1

DLGDPt = 0.057692 + 1.595608 -2.759453 0.245698 0.144906 0.577101

DLGDPt-1

DLCONSt

0.043912

-0.240143 -7.705344 -0.187240 -0.085090 -0.547321

DLCONSt-1

DLMSt

0.027892

0.326739 3.265539 0.061985 0.077339 0.458106

DLMSt-1

Data pada Tabel 5 menunjukkan bahwa tingkat pemasangan VEC model R2> 0,5, dan nilai kriteria AIC dan

SC relatif kecil, yang menunjukkan kewajaran estimasi model.


Tabel 5: Hasil Estimasi VECM

Error Correction: D(LOG(IMP)) D(CPI) D(LOG(GDP)) D(LOG(CONS)) D(LOG(MS)) CointEq1 -0.012339 -0.131972 5.94E-05 0.002215 0.006492

(0.00313) (0.06864) (0.00145) (0.00187) (0.00263)

[-3.93816] [-1.92262] [ 0.04086] [ 1.18593] [ 2.47016]

D(LOG(IMP(-1))) -0.315171 4.263655 -0.014161 0.035734 -0.130490

(0.12771) (2.79782) (0.05922) (0.07614) (0.10713)

[-2.46781] [ 1.52392] [-0.23912] [ 0.46932] [-1.21804]

D(CPI(-1)) -0.036604 0.418413 -0.005132 -0.001270 0.011125

(0.00764) (0.16739) (0.00354) (0.00456) (0.00641)

[-4.79055] [ 2.49965] [-1.44844] [-0.27875] [ 1.73577]

D(LOG(GDP(-1))) 1.595608 -2.759453 0.245698 0.144906 0.577101

(0.47521) (10.4105) (0.22035) (0.28331) (0.39863)

[ 3.35770] [-0.26507] [ 1.11503] [ 0.51147] [ 1.44772]

D(LOG(CONS(-1))) -0.240143 -7.705344 -0.187240 -0.085090 -0.547321

(0.33786) (7.40156) (0.15666) (0.20143) (0.28341)

[-0.71078] [-1.04104] [-1.19516] [-0.42243] [-1.93118]

D(LOG(MS(-1))) 0.326739 3.265539 0.061985 0.077339 0.458106

(0.14307) (3.13428) (0.06634) (0.08530) (0.12001)

[ 2.28376] [ 1.04188] [ 0.93433] [ 0.90670] [ 3.81709]

C 0.095418 1.768345 0.057692 0.043912 0.027892

(0.03625) (0.79420) (0.01681) (0.02161) (0.03041)

[ 2.63202] [ 2.22658] [ 3.43191] [ 2.03169] [ 0.91720] R-squared 0.559721 0.519191 0.181910 0.154693 0.476393

Adj. R-squared 0.493680 0.447070 0.059197 0.027898 0.397852

Sum sq. resids 0.409344 196.4538 0.088014 0.145498 0.288040

S.E. equation 0.101161 2.216156 0.046908 0.060311 0.084859

F-statistic 8.475259 7.198866 1.482400 1.220019 6.065530

Log likelihood 44.77853 -100.3017 80.89933 69.08672 53.03774

Akaike AIC -1.607597 4.566029 -3.144652 -2.641988 -1.959053

Schwarz SC -1.332043 4.841583 -2.869098 -2.366434 -1.683499

Mean dependent 0.065040 3.052128 0.050005 0.052817 0.094668

S.D. dependent 0.142168 2.980336 0.048361 0.061171 0.109357 Determinant resid covariance (dof adj.) 6.64E-10

Determinant resid covariance 2.96E-10

Log likelihood 182.1268

Akaike information criterion -6.047948

Schwarz criterion -4.473354


Garis nol rata-rata mewakili hubungan keseimbangan yang stabil dan jangka panjang antar variabel. Ada

fluktuasi besar pada akhir 1988, yang menunjukkan bahwa fluktuasi jangka pendek pada periode itu

menyimpang secara signifikan dari hubungan ekuilibrium jangka panjang. Efek fluktuasi jangka pendek

adalah penurunan konsumsi yang disebabkan oleh krisis ekonomi 10 tahunan pada tahun 1998,

ditunjukkan pada Gambar 3.

-.5

-.4

-.3

-.2

-.1

.0

.1

.2

.3

1975 1980 1985 1990 1995 2000 2005 2010 2015

Cointegrating relation 1

Gambar 3. Hubungan Kointegrasi Dalam Jangka Panjang

Uji Kausalitas Granger

Uji kausalitas Granger (Granger Causality Test) dilakukan untuk melihat apakah dua variabel memiliki hubungan timbal balik atau tidak. Dengan kata lain, apakah satu variabel memiliki hubungan sebab akibat dengan variabel lainnya secara signifikan, karena setiap variabel dalam penelitian mempunyai kesempatan untuk menjadi variabel endogen maupun eksogen. Uji kausalitas bivariate pada penelitian ini menggunakan VAR Pairwise Granger Causality Test dan menggunakan taraf nyata lima persen. Tabel berikut menyajikan hasil analisis uji Bivariate Granger Causality.

Krisis 10 tahunan tahun 1988


Pairwise Granger Causality Tests Date: 11/29/19 Time: 18:52 Sample: 1970 2018 Lags: 1

Null Hypothesis: Obs F-Statistic Prob.

CPI does not Granger Cause CONS 48 0.02333 0.8793

CONS does not Granger Cause CPI 13.3574 0.0007

GDP does not Granger Cause CONS 48 0.01642 0.8986

CONS does not Granger Cause GDP 0.41006 0.5252

IMP does not Granger Cause CONS 48 0.06954 0.7932

CONS does not Granger Cause IMP 8.59353 0.0053

MS does not Granger Cause CONS 48 1.60150 0.2122

CONS does not Granger Cause MS 9.20474 0.0040

GDP does not Granger Cause CPI 48 9.68752 0.0032

CPI does not Granger Cause GDP 0.18368 0.6703

IMP does not Granger Cause CPI 48 13.6719 0.0006

CPI does not Granger Cause IMP 2.47438 0.1227

MS does not Granger Cause CPI 48 5.63588 0.0219

CPI does not Granger Cause MS 20.5278 4.E-05

IMP does not Granger Cause GDP 48 1.02717 0.3162

GDP does not Granger Cause IMP 12.5454 0.0009

MS does not Granger Cause GDP 48 1.13408 0.2926

GDP does not Granger Cause MS 9.09713 0.0042

MS does not Granger Cause IMP 48 0.10860 0.7433

IMP does not Granger Cause MS 8.36677 0.0059

Dari hasil yang diperoleh di atas, diketahui bahwa yang memiliki hubungan kausalitas adalah yang memiliki nilai probabilitas yang lebih kecil daripada alpha 0.05 sehingga nanti Ho akan ditolak yang berarti suatu variabel akan mempengaruhi variable lain. Dari pengujian Granger diatas, kita mengetahui hubungan timbal-balik/ kausalitas sebagai berikut:

Variabel CPI secara statistik tidak signifikan mempengaruhi CONS (prob. 0,87) sehingga kita menerima

hipotesis nol sedangkan CONS secara statistik signifikan mempengaruhi CPI (0,00) sehingga kita menolak hipotesis nol. Dengan demikian, disimpulkan bahwa terjadi kausalitas searah antara variabel CONS dan CPI yaitu hanya CONS yang secara statistik signifikan memengaruhi CPI dan tidak berlaku sebaliknya.

Variabel GDP secara statistik tidak signifikan mempengaruhi CONS dan begitu pula sebaliknya variabel CONS secara statistik tidak signifikan mempengaruhi variabel GDP yang dibuktikan dengan nilai Prob masing-masing lebih besar dari 0,05 yaitu 0,89 dan 0,52 (hasil keduanya adalah terima hipotesis nol) sehingga disimpulkan bahwa tidak terjadi kausalitas apapun untuk kedua variabel GDP dan CONS.

Variabel IMP secara statistik signifikan mempengaruhi CONS (0,79) sehingga kita menerima hipotesis nol sedangkan CONS secara statistik signifikan mempengaruhi IMP (0,0005) sehingga kita menolak hipotesis nol. Dengan demikian, disimpulkan bahwa terjadi kausalitas searah antara variabel CONS terhadap IMP.


Variabel MS secara statistik tidak signifikan mempengaruhi CONS. Sebaliknya variabel CONS secara statistik signifikan memengaruhi variabel MS yang dibuktikan dengan nilai Prob lebih kecil dari 0,05 yaitu 0,004 untuk pengaruh CONS terhadap MS. Sehingga disimpulkan bahwa terjadi kausalitas searah untuk variabel CONS dan MS.

Variabel GDP secara statistik signifikan mempengaruhi CPI (0,003) sehingga kita menolak hipotesis nol sedangkan CPI secara statistik tidak signifikan mempengaruhi GDP (0.67) sehingga kita menerima hipotesis nol. Dengan demikian disimpulkan bahwa terjadi kausalitas searah antara variabel GDP terhadap CPI.

Variabel IMP secara statistik signifikan mempengaruhi CPI (0,0006) sehingga kita menlak hipotesis nol sedangkan CPI secara statistik tidak signifikan mempengaruhi IMP (0,12) sehingga kita menerima hipotesis nol. Dengan demikian, disimpulkan bahwa terjadi kausalitas searah antara variabel IMP terhadap CPI..

Uji Stabilitas VECM

Root dari 4 uji stabilitas residual menghasilkan 1, dan root dari tes stabilitas residual lainnya menghasilkan kurang dari 1. Jadi model VECM memenuhi kondisi stabilitas.

-1.5

-1.0

-0.5

0.0

0.5

1.0

1.5

-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5

Inverse Roots of AR Characteristic Polynomial

Gambar 4. Hasil AR Root Graph


Fungsi Respon Impuls dan Dekomposisi Varians

(1) Fungsi Respon Impuls. Untuk menganalisis efek dinamis dari model menanggapi guncangan tertentu

serta bagaimana efeknya di antara kelima variabel, analisis lebih lanjut dilakukan melalui fungsi respon

impuls dan dekomposisi varians berdasarkan VECM, dan hasil selama 10 periode diperoleh.

Menurut hasil uji Granger, dengan mempertimbangkan dampak deviasi standar terhadap impor, efek

konsumsi terhadap impor dan efek GDP terhadap impor sama sekali berbeda. Tetapi secara umum,

fluktuasi ini berbeda; artinya, dampak dari fluktuasi CONS terhadap IMP dan GDP terhadap IMP tetap

ada.

Gambar 5.a

Gambar 5.a adalah diagram fungsi respon impuls perubahan IMP yang disebabkan oleh guncangan

konsumsi. Seperti terlihat dalam gambar, guncangan positif pertama pada periode pertama

menyebabkan fluktuasi IMP, dan IMP mencapai puncaknya pada periode kedua. Kemudian IMP

dengan cepat menurun ke titik terendah dalam periode ketiga, dan setelah itu kembali menurun

dengan lambat. Ini menunjukkan bahwa guncangan konsumsi dapat segera ditransfer ke IMP, dan

memiliki dampak yang relatif kecil terhadap IMP dalam jangka pendek, tetapi IMP menurun melambat

sejak periode keempat. Guncangan konsumsi memiliki efek pengaruhi jangka pendek pada fluktuasi

IMP, dan efek ini cenderung lembut dalam jangka panjang.


Gambar 5.b

Gambar 5.b adalah diagram fungsi respon impuls perubahan IMP yang disebabkan oleh guncangan

indek harga konsumen. Seperti terlihat dalam gambar, guncangan meningkat cepat pada periode

pertama menyebabkan fluktuasi IMP, dan IMP mencapai puncak tertinggi tercepat pada periode

kedua. Kemudian IMP meningkat mulai menurun ke titik dalam periode ketiga, dan setelah itu kembali

meningkat dengan lambat. Ini menunjukkan bahwa guncangan inflasi dapat segera ditransfer ke IMP,

dan memiliki dampak yang relatif kecil terhadap IMP dalam jangka pendek, tetapi IMP menurun

melambat sejak periode keempat. Guncangan inflasi memiliki efek pengaruhi jangka pendek pada

fluktuasi IMP, dan efek ini cenderung meningkat lambat dalam jangka panjang.

Gambar 5.c


Gambar 5.c adalah diagram fungsi respon impuls perubahan IMP yang disebabkan oleh guncangan

pertumbuhan ekonomi. Seperti terlihat dalam gambar, guncangan meningkat pada periode pertama

menyebabkan fluktuasi IMP, dan IMP mencapai puncak tertinggi tercepat pada periode kedua.

Kemudian IMP meningkat lambat ke titik dalam periode ketiga, dan setelah itu kembali meningkat

dengan lambat. Ini menunjukkan bahwa guncangan pertumbuhan ekonomi dapat segera ditransfer ke

IMP, dan memiliki dampak yang relatif kecil terhadap IMP dalam jangka pendek, dan IMP terus

meningkat melambat sejak periode keempat dan hingga ke-10. Guncangan pertumbuhan ekonomi

memiliki efek pengaruhi jangka pendek pada fluktuasi IMP, dan efek ini cenderung meningkat lambat

dalam jangka panjang.

Gambar 5.d

Gambar 5.d adalah diagram fungsi respon impuls perubahan IMP yang disebabkan oleh guncangan

perumahan IMP. Seperti terlihat dalam gambar, guncangan menurun pada periode pertama

menyebabkan fluktuasi IMP, dan IMP mencapai puncak terendah tercepat pada periode kedua.

Kemudian IMP menurun lambat ke titik dalam periode ketiga, dan setelah itu kembali menurunt dengan

lambat. Ini menunjukkan bahwa guncangan pertumbuhan impor masa lalu dapat segera ditransfer ke

IMP, dan memiliki dampak yang relatif besar dalam jangka pendek, dan IMP terus menurun melambat

sejak periode keempat dan hingga ke-10. Guncangan ini memiliki efek pengaruhi jangka pendek pada

fluktuasi IMP, dan efek ini cenderung menurun lambat dalam jangka panjang.


Gambar 3.e

Gambar 5.e adalah diagram fungsi respon impuls perubahan IMP yang disebabkan oleh guncangan

pertumbuhan penawaran uang. Seperti terlihat dalam gambar, guncangan meningkat pada periode

pertama menyebabkan fluktuasi IMP, dan IMP mencapai puncak tertinggi tercepat pada periode kedua.

Kemudian IMP meningkat lambat ke titik dalam periode ketiga, dan setelah itu kembali meningkat dengan

lambat. Ini menunjukkan bahwa guncangan penawaran uang dapat segera ditransfer ke IMP, dan memiliki

dampak yang relatif besar terhadap IMP dalam jangka pendek, dan IMP terus meningkat melambat sejak

periode keempat dan hingga ke-10. Guncangan pertumbuhan penawaran uang memiliki efek pengaruhi

jangka pendek pada fluktuasi IMP, dan efek ini cenderung meningkat lambat dalam jangka panjang.

Secara umum, guncangan Konsumsi memiliki efek besar pada IMP dan Pertumbuhan ekonomi terhadap

IMP dalam jangka pendek, tetapi efeknya lembut dalam jangka panjang.

(2) Dekomposisi Varians. Fungsi respon impuls diadopsi untuk mencerminkan efek kejut sistem pada

variabel internal, dan dekomposisi varians mengacu pada dekomposisi kesalahan kuadrat rata-rata

menjadi kontribusi setiap variabel. Dekomposisi varians dapat diterapkan untuk menganalisis pengaruh

pembaruan setiap variabel terhadap variabel lain, yang menunjukkan efek relatif. Dengan perangkat

lunak ekonometrik, hasil dekomposisi varians diperoleh, seperti yang ditunjukkan pada Gambar 6.


Tabel 6. Hasil Varian Dekomposisi

Variance Decomposition of LOG(IMP):

Period S.E. LOG(IMP) CPI LOG(GDP) LOG(CONS) LOG(MS)

1 0.101161 100.0000 0.000000 0.000000 0.000000 0.000000

2 0.189698 67.36667 23.86152 4.324413 0.002241 4.445157

3 0.246989 58.39603 29.88973 5.666963 0.093672 5.953602

4 0.288292 55.33254 31.76974 6.323510 0.231640 6.342573

5 0.324342 53.47807 33.01946 6.792061 0.350607 6.359795

6 0.357722 51.96314 34.19875 7.169057 0.436872 6.232181

7 0.388918 50.68865 35.29982 7.477716 0.498057 6.035757

8 0.418322 49.60389 36.31174 7.734779 0.541702 5.807890

9 0.446283 48.65867 37.24470 7.953237 0.572944 5.570449

10 0.473037 47.82012 38.10696 8.141899 0.595406 5.335615

Gambar 6. Varian Dekomposisi

Menurut Tabel 6 dan Gambar 6 dalam varians prediksi LIMP, kontribusi perubahan LIMP mulai menurun

secara bertahap dari periode pertama, mencapai 53% pada periode kelima, turun terus secara bertahap

kembali ke level stabil berkisar 66%. Tingkat kontribusi CPI dan LGDP, masing-masing, naik menjadi 33%

dan 7% pada periode kelima, dan kemudian menjaga stabilitas hingga periode kesepuluh.


Singkatnya, dapat dilihat bahwa, dalam jangka pendek CPI, GDP dan MS memiliki pengaruh besar pada

IMP. Dalam jangka panjang, pengaruhnya meningkat. Seperti yang disajikan dalam model, pertumbuhan

LCons, LGDP, LIMP, LCPI dan LMS tidak hanya terkait dengan variabel saat ini, tetapi juga variabel dalam

periode lag.


DAFTAR PUSTAKA

Agus Widarjono, Ekonometrika Teori dan Aplikasi untuk Ekonomi dan Bisnis, Edisi Kedua, Cetakan Kesatu, Penerbit Ekonisia Fakultas Ekonomi UII Yogyakarta 2007.

Gujarati, Damodar N. 1995. Basic Econometrics. Third Edition.Mc. Graw-Hill, Singapore.

Insukindro (1996), “Pendekatan Masa Depan Dalam Penyusunan Model Ekonometrika: Forward-Looking Model dan Pendekatan Kointegrasi”, Jurnal Ekonomi dan Industri, PAU Studi Ekonomi, UGM, Edisi Kedua, Maret 1-6

Insukindro (1998a), “Sindrum R2 Dalam Analisis Regresi Linier Runtun Waktu”, Jurnal Ekonomi dan Bisnis Indonesia, Vol. 13, No. 41 1-11.

Insukindro (1999), “Pemilihan Model Ekonomi Empirik Dengan Pendekatan Koreksi Kesalahan”, Jurnal Ekonomi dan Bisnis Indonesia, Vol. 14, No. 1: 1-8.

Koutsoyiannis, A (1977). Theory of Econometric An Introductory Exposition of Econometric Methods. 2nd Edition, Macmillan Publishers LTD.

Maddala, G.S (1992). Introduction to Econometric, 2nd Edition, Mac-Millan Publishing Company, New York.

Nachrowi, D.N. dan H. Usman (2002). Penggunaan Teknik Ekonometrika. Jakarta: PT Raja Grafindo Persada.

Thomas, R.L. 1998. Modern Econometrics : An Intoduction. Addison-Wesley. Harlow, England.

Zou, X. (2018). VECM Model Analysis of Carbon Emissions, GDP, and International Crude Oil Prices. Discrete Dynamics in Nature and Society, 2018.

aplikasi vecm dalam ekonomiendogen dalam sistem; dengan demikian model autoregresif univariat...

Documents