eksistensi hukum okun di indonesia
DESCRIPTION
Pengujian keberadaan hukum okun di indonesiaTRANSCRIPT
EKSISTENSI HUKUM OKUN DI INDONESIA Oleh: Muhammad Fajar#
1. Latar Belakang
Keberhasilan kinerja perekonomian suatu Negara bisa dilihat dengan output, tingkat
pengangguran, dan inflasi. Tiga variabel makro tersebut saling berkaitan, jika output riil
yang dihasilkan suatu negara melebihi output potensial, maka akan menimbulkan inflasi.
Output riil yang melebihi output potensial berarti dalam prosesnya telah terjadi pemakaian
tenaga kerja lebih dari seperti biasanya yang digunakan untuk mendorong output melebihi
output potensialnya.
Hubungan negatif antara kesenjangan output riil dengan output potensial terhadap
pengangguran digambarkan oleh hukum Okun. Beberapa penelitian yang telah dilakukan
dan memberikan satu kesimpulan bahwa hukum Okun memang terbukti ada walaupun
terjadi variasi koefisien Okun di setiap Negara.
Tujuan dari paper ini untuk membuktikan keberadan hukum Okun dan jika memang
terbukti ada, maka seberapa besar koefisien Okun yang tercipta di Indonesia.
2. Kajian Literatur
Sejak Okun menemukan hubungan negatif antara tingkat pengangguran dengan
kesenjangan output, penurunan setiap 1 persen tingkat pengangguran untuk setiap
kenaikan 3 persen kesenjangan PDB, tetapi Barreto dan Howland (1993) menunjukan
bahwa koefisien Okun atas tingkat pengangguran telah berubah, bukan dari 2 atau 2.5
sampai 3 lagi tetapi bisa berbeda dari angka tersebut. Ngoo Yee Ting dan Loi Siew Ting
(2009) menemukan hubungan dua arah antara tingkat pengangguran dengan output
nasional untuk kasus Malaysia. Rubcova (2010) menunjukan tidak adanya hubungan
antara output dan tingkat pengangguran untuk kasus Negara-negara di Kawasan Baltik
karena data tidak reliable dan ukuran sampelnya kecil serta struktur pasar tenaga kerja
yang kaku dan inelastisnya tingkat pengangguran terhadap pergeseran output. Soegner
dan Stiassny (2002) menguji hukum Okun dan menunjukan adanya hubungan negatif
antara tingkat pengangguran dengan PDB riil.
Moosa (2008) menemukan bahwa tidak ada hubungan antara tingkat pengangguran
dengan output untuk kasus Algeria, Mesir, Maroko, dan Tunisia karena tiga alasan:
pertama, pengangguran yang terjadi bukan sikis tetapi lebih kepada pengangguran
structural dan atau friksional, kedua, kekakuan pasar tenaga kerja yang terjadi di empat
Negara tersebut dimana pasar tenaga kerja didominasi Pemerintah sebagai sumber utama
permintaan tenaga kerja, ketiga, struktur perekonomian yang didominasi Pemerintah.
Petkov(2008) di Inggris hukum Okun dapat diterapkan dimana terjadi hubungan jangka
panjang antara tingkat pengangguran dengan kesenjangan PDB. Apergis dan Rezitis (2003)
menyelidiki hukum Okun dengan perubahan struktual, kesimpulannya bahwa
pengangguran mempunyai respon rendah terhadap perubahan output.
3. Metodologi
3.1 Metode Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah data PDB Riil (tahun dasar 2000) dan
tingkat pengangguran terbuka (TPT) pada periode 1980 – 2009, yang bersumber dari
Badan Pusat Statistik. Data PDB riil dan TPT ditransformasi dengan logaritma natural.
3.2 Metode Analisis
3.2.1 Spesifikasi Model
Model Spesifikasi untuk pengujian hukum Okun:
a. Model first difference 𝑌𝑡 − 𝑌𝑡−1 = 𝛼 + 𝛽 𝑈𝑡 − 𝑈𝑡−1 + 휀𝑡 … (1)
∆𝑌𝑡 = 𝛼 + 𝛽∆𝑈𝑡 + 휀𝑡 … (2)
Dimana: 𝑌𝑡 ∶ PDB Riil pada tahun t 𝑌𝑡−1 ∶ PDB Riil pada tahun t − 1 𝑈𝑡 ∶ tingkat pengangguran terbuka pada tahun t 𝑈𝑡−1 ∶ tingkat pengangguran terbuka pada tahun t − 1
b. Model Gap 𝑌𝑡 − 𝑌𝑡
∗
𝑌𝑡∗ = 𝜃 + 𝛿 𝑈𝑡 − 𝑈∗ + 𝜂𝑡 … (3)
Dimana: 𝑌𝑡∗ ∶ PDB Potensial pada tahun t
𝑈∗ ∶ tingkat pengangguran alamiah pada periode observasi Untuk mendapatkan perkiraan tingkat pengangguran alamiah, kita gunakan bentuk
persamaan asli Hukum Okun, yakni:
𝜔 𝑈∗ − 𝑈𝑡 = 𝑌𝑡 − 𝑌𝑡
∗
𝑌𝑡∗ … (4)
Kita tidak dapat langsung mengukur 𝑈∗ (tingkat pengangguran alamiah) dari pers.(4),
maka kita harus menyusun ulang kembali pers.(4) menjadi:
𝑈𝑡 = 𝑈∗ −1
𝜔 𝑌𝑡 − 𝑌𝑡
∗
𝑌𝑡∗ + 𝜇𝑡 … 5
𝑈𝑡 = 𝑈∗ −𝜑𝐺𝑡 + 𝜇𝑡 … (6)
Konstanta dari pers.(5) adalah perkiraan tingkat pengangguran alamiah. Sehingga jika
telah mendapatkan nilai 𝑈∗, kita masukan ke pers.(3). Pada pers.(3) dan (5) data tidak
ditransformasi logaritma natural.
3.2.1 Hodrick Prescot Filter (HP filter)
HP Filter adalah metode yang digunakan untuk mendapatkan perkiraan trend yang lebih
smooth pada PDB riil sehingga dari sinilah PDB potensial diperoleh. Metode ini dikembangkan
oleh Hodrick dan Prescott pada tahun 1980.
Metode ini menerapkan filter dua sisi untuk mendapatkan series s yang telah dismoothkan
dari series y. Hal ini dilakukan dengan meminimalkan varians y disekitar s dengan parameter λ
sebagai konstrain dari jumlah kuadrat second difference series s. Dengan demikian HP Filter
memilih s untuk meminimumkan:
(𝑦𝑡 − 𝑠𝑡)2
𝑇
𝑡=1
+ 𝜆 𝑠𝑡+1 − 𝑠𝑡 − 𝑠𝑡 − 𝑠𝑡−1 2
𝑇−1
𝑡=2
… (7)
Untuk data level tahun program Eviews 5.1 merekomendasikan nilai λ = 100.
3.2.2 Normalitas Variabel Sifat normalitas diperlukan agar menghasilkan parameter-parameter yang dihasilkan
bisa diujikan dan mengsinkronisasikan dengan alat uji statistik parametrik yang berakar
pada asumsi normalitas. Penulis merekomendasikan uji Jarque Bera untuk menguji
normalitas tingkat suku bunga dan inflasi.
Untuk memeriksa kenormalan residual pada model regresi maka digunakan uji Jarque
Bera. Dalam uji Jarque Bera diasumsikan bahwa distribusi variabel yang sedang diuji
mempunyai sifat kontinyu.
Hipotesis yang digunakan:
Ho :distribusi variabel mengikuti distribusi normal
H1 :distribusi variabel tidak mengikuti distribusi normal
Statistik Uji:
𝐽𝐵 =𝑁 − 𝑘
6 𝑆2 +
𝐾 − 3 2
4 … (8)
Dimana: S adalah skewness data, K adalah kurtosis data, N adalah banyaknya titik data.
Dengan cara membandingkan nilai JB terhadap nilai 𝜒2 dengan 2 derajat bebas
pada tabel Chi Square dengan level signifikansi (α) sebesar 0,05, maka aturan pengambilan
keputusan dalam uji ini adalah sebagai berikut:
Jika JB ≤ 𝜒2,0.052 , maka Ho diterima
Jika JB > 𝜒2,0.052
, maka Ho ditolak
Atau
Jika P value dari JB > 0.05, maka Ho diterima
Jika P value dari JB ≤ 0.05, maka Ho ditolak
Asumsi ini harus terpenuhi karena jika asumsi ini tidak terpenuhi maka analisis yang
dilakukan tidak sah dalam statistik parametrik.
3.2.3 Pengujian Unit Root Stasioneritas sangat diperlukan dalam analisis time series agar tidak terjadi spurious
pada analisis. Karena pada periode penelitian terjadi dua shock krisis, maka penulis
merekomendasikan uji Philip-Perron untuk memeriksa stsioneritas dan alat uji ini mampu
merespon adanya shock yang terjadi.
Prosedur pengujian akar unit dengan menggunakan uji Philips-Perron adalah sebagai
berikut:
1. Misal terdapat persamaan:
𝑦𝑡 = 𝜌𝑦𝑡−1 + 𝑢𝑡 … (9),
Dimana ρ adalah koefisien otoregresif, 𝑢𝑡 adalah white noise term1. Jika nilai ρ = 1,
maka 𝑦𝑡 memiliki sebuah akar unit. Dalam ekonometrika, suatu time series yang
memiliki akar unit disebut random walk time series. Apabila dinyatakan dalam bentuk
hipotesis, menjadi:
Ho : 𝜌 = 1, berarti data mengandung akar unit (nonstasioner)
H1 : 𝜌< 1, berarti data tidak mengandung akar unit (stasioner)
Jika data asli dari suatu series sudah stasioner, maka data tersebut berintegrasi pada
order 0 atau dilambangkan I(0) tetapi bila data asli nonstasioner maka harus di-
difference2-kan sehingga diperoleh data yang stasioner pada order d ( I(d) ).
2. Persamaan di atas dapat juga dinyatakan dalam bentuk turunan pertama (first
difference), sebagai berikut:
∆𝑦𝑡 = 𝜌 − 1 𝑦𝑡−1 + 𝑢𝑡 … (10)
∆𝑦𝑡 = 𝛼𝑦𝑡−1 + 𝑢𝑡 … (11) , 𝛼 = 𝜌 − 1
Sehingga hipotesis yang diuji mempunyai bentuk:
Ho : 𝛼 = 1, berarti data mengandung akar unit (non stasioner)
H1 : 𝛼< 1, berarti data tidak mengandung akar unit (stasioner)
3. Untuk mengetahui ada atau tidaknya akar unit, lakukan penghitungan nilai statistik uji
Philips-Perron berdasarkan uji t-statistik yang disesuaikan:
1Kondisi dimana 𝑢𝑡 mempunyai mean sama dengan nol, varians konstan, dan kovarians sama dengan nol.
2 Membuat deret angka baru yang terdiri dari perbedaan angka antara periode yang berturut-turut dengan rumus: 𝑋𝑡
, = 𝑋𝑡 − 𝑋𝑡−1.
𝑡𝛼 = 𝑡𝛼 𝛾0
𝑓0
1/2
−𝑇 𝑓0 − 𝛾0 𝑠𝑒(𝛼 )
2𝑓01/2
𝑠… (12)
𝑡𝛼 =𝛼
𝑠𝑒 𝛼 … (13)
se α adalah standar eror dari koefisien yt−1 dan s adalah standar eror dari persamaan
(11). 𝛾0merupakan estimasi yang konsisten dari varians eror pada persamaan (11),
dihitung dengan rumus :
𝛾0 = 𝑇 − 𝑘 𝑠2
𝑇… 14 , dimana𝑠2 =
𝑢𝑡2
𝑇 − 𝑘
𝑇
𝑡=1
Dimana k adalah banyaknya variabel independen dan T adalah banyaknya
observasi.𝑓0diestimasi dari persamaan:
𝑓0 = 𝛾 𝑗 𝐾(𝑗/𝑙)
𝑇−1
𝑗=−(𝑇−1)
… (15)
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
… (16)
l adalah koefisien Newey-West bandwisth, K merupakan fungsi kernel yang dapat
dirumuskan sebagai berikut:
𝐾 𝑥 = 1 − 𝑥 … (17) , jika 𝑥 ≤ 1
= 0 , lainnya
Selanjutnya nilai statistik Philips-Perron, yaitu 𝑡𝛼 dibandingkan dengan nilai kritis
tabel Mc Kinnon. Jika nilai statistik Philips-Perron lebih negatif dari nilai kritis tabel Mc
Kinnon atau nilai probabilitas statistik Philips-Perron kurang dari level signifikansi (α)
sebesar 0.05; maka Ho ditolak sehingga dapat disimpulkan bahwa data time series telah
stasioner.
3.2.4 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 pers.(2), 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 Pembahasan 4.1 Stasioneritas Variabel
Variabel
Phillips Perron Test
None Konstan Konstan dan Trend
adj t-stat P value adj t-stat P value adj t-stat P value
PDB Riil 5.561249 1.0000 1.45482 0.9987 -1.38941 0.8427
TPT 0.575494 0.8348 -0.910481 0.7703 -1.62507 0.7578
Ln PDB Riil 5.518136 1.0000 -0.715023 0.8275 -1.77613 0.6901
Ln TPT 1.242336 0.9416 -1.165657 0.6753 -2.03062 0.5609
D PDB Riil -2.20482 0.0288 -3.650896 0.0109 -3.87668 0.0269
D TPT -4.66005 0.0000 -4.724158 0.0008 -4.63764 0.0048
D Ln PDB Riil -2.3327 0.0215 -4.111344 0.0036 -4.03142 0.0192
D Ln TPT -5.96622 0.0000 -6.196261 0.0000 -6.05675 0.0002
Berdasarkan hasil pengujian Phillip-Perron menunjukkan bahwa baik data PDB riil
dan TPT dalam level maupun dalam transformasi logaritma terintegrasi pada order 1 (I
(1)) atau dengan lain kata telah stasioner pada bentuk first difference.
4.2 Normalitas
Variabel Jarque Bera Test
JB P Value
PDB Riil 1.567076 0.456787
TPT 3.598118 0.165454
Ln PDB Riil 2.018238 0.364540
Ln TPT 2.905057 0.233978
Berdasarkan hasil pengujian Jarque Bera membuktikan bahwa baik data PDB riil dan
TPT dalam level maupun dalam transformasi logaritma mengikuti distribusi normal.
4.3 Analisis 4.3.1 Model First Difference
Hasil estimasi model first difference pers.(2) pada lampiran no. 1 adalah:
∆𝑌𝑡 = 0.049 − 0.025∆𝑈𝑡 … (18) Variabel dalam persamaan (18) terintegrasi pada orde 1 dan residual dari pers.(17) telah
stasioner pada level (lihat lampiran 7.a), berarti adanya keseimbangan jangka panjang
antara output dengan tingkat pengangguran terbuka dalam bentuk first difference. Tetapi
koefisien pers.(18) yang juga disebut koefisien Okun, tidak signifikan pada level α sebesar
lima persen.
Berdasarkan model first difference ini diindikasikan memang terjadi kointegrasi
antara output dalam hal ini PDB riil dengan tingkat pengangguran terbuka akan tetapi
hukum Okun dapat dikatakan tidak terjadi di Indonesia karena koefisien Okun tidak
signifikan.
4.3.2 Model Gap
Hasil estimasi persamaan (5) adalah sebagai berikut:
𝑈𝑡 = 5 − 0.104𝐺𝑡 … (19) Intersep pada persamaan (19) adalah nilai estimasi tingkat pengangguran alamiah
Indonesia pada periode 1980 – 2009 sebesar lima persen, signifikan pada level α sebesar
lima persen. Sedangkan koefisien persamaan (19) tidak signifikan.
Hasil estimasi model Gap adalah:
𝐺𝑡 = −0.105 − 0.282 𝑈𝑡 − 5 … (20)
Intersep dan koefisien pada pers.(20) tidak signifikan. Variabel pada persamaan (20)
terintegrasi pada order 1 dan residual dari persamaan tersebut stasioner pada level
sehingga dapat disimpulkan bahwa terdapat kointegrasi antara kesenjangan output dengan
tingkat pengangguran terbuka, hal ini senada dengan hasil model sebelumnya. Artinya
bahwa hukum Okun di Indonesia tidak terjadi, hal ini didukung oleh koefisien pers.(18)
yang tidak signifikan. Penjelasan tidak signifikannya hukum Okun di Indonesia dapat
dijelaskan sebagai berikut: Pertama, ukuran sampel data yang digunakan terlalu kecil
sehingga kurang power full jika digunakan oleh alat uji. Kedua, adanya shock krisis ekonomi
1997/1998 yang tidak diakomodir dalam kedua model hukum Okun. Ketiga, pertumbuhan
ekonomi yang sedikit sekali mengurangi pengangguran yang terjadi.
5 Kesimpulan
Berdasarkan pembahasan sebelumnya dapat disimpulkan:
1. Tingkat pengangguran alamiah Indonesia yang ditaksir dari model gap hukum Okun
untuk periode 1980 – 2009 sebesar lima persen.
2. Terdapat hubungan jangka panjang antara kesenjangan output dengan tingkat
pengangguran terbuka tetapi bukan dalam bentuk hukum Okun.
3. Hukum Okun tidak terjadi di Indonesia diindikasikan oleh koefisien okun yang tidak
signifikan dapat dijelaskan: Pertama, ukuran sampel data yang digunakan terlalu kecil
sehingga kurang power full jika digunakan oleh alat uji. Kedua, adanya shock krisis
ekonomi 1997/1998 yang tidak diakomodir dalam kedua model hukum Okun. Ketiga,
pertumbuhan ekonomi sedikit sekali mengurangi pengangguran yang terjadi
(pertumbuhan ekonomi yang tidak berkualitas).
# Alumnus Sekolah Tinggi Ilmu Statistik Angkatan 46, sekarang bekerja sebagai PLT Kasie Statistik Sosial BPS Kabupaten Waropen
. Karya ini dibuat Desember tahun 2010
6. Referensi Apergis, Nicholas dan Rezitis, Anthony. (2003). An examination of Okun’s law: evidence
from regional areas in Greece. Applied Economics, 35, 1147-1151. Barreto, H. dan Howand, F. (1993). There are two Okun’s law relationship between output
and unemployment. Wabash College, Crawfordsville, USA. Gujarati, Damodar. 1995. Basic Econometrics. New York: McGraw-Hill. Hodrick, R. dan Prescott E. C. (1997). Postwar U.S. bussines cycle: an empirical
investigation. Journal of Money, Credit, and Banking, 29(1), 1 – 16. Lal, I.,Sulaiman, D., Jalil, M.A., dan Hussain, A. (2010) Test of Okun’s law in some Asian
countries: Cointegration approach. European Journal of Scientific Research, 40(1). 73– 80.
Moosa, I.A. (2008). Economic growth and unemployment in Arab countries: Is Okun’s law
valid?. International conference on the unemployment crisis in the Arab countries. Okun, A.M. (1962). Potential GNP: Its measurement and significance. Proceeding of the
Business and Economics Statistics Section, 98-104. Petkov, Boris. (2008). The labour market and output in the UK – Does Okun’s law still
stand?. Bulgarian National Bank. Bulgaria. Rubcova, Anna. (2010). Okun’s law: evidence from the Baltic States. SSE Riga Student
Research Papers (126). Soegner, Leopold dan Stiassny, Alfred. (2002). An Analysis on the structural stability of
Okun’s law. Applied Economics, 14, 1775-1787. Ting, Ngoo Yee dan Ting, Loi Siew. (2009). Okun’s law in Malaysia: approach ARDL with HP
Filter. University Putra Malaysia, Malaysia.
7. Lampiran a. Model first Difference Dependent Variable: D(LPDB) Method: Least Squares Date: 12/19/10 Time: 09:39 Sample (adjusted): 1981 2008 Included observations: 28 after adjustments
Variable Coefficient Std. Error t-Statistic Prob. C(1) 0.048517 0.008392 5.781657 0.0000
D(LTPT) -0.024839 0.045454 -0.546463 0.5894 R-squared 0.011355 Mean dependent var 0.047132
Adjusted R-squared -0.026670 S.D. dependent var 0.041775 S.E. of regression 0.042329 Akaike info criterion -3.417946 Sum squared resid 0.046585 Schwarz criterion -3.322788 Log likelihood 49.85124 Durbin-Watson stat 1.572493
b. Estimasi Persamaan (7) Dependent Variable: TPT Method: Least Squares Date: 12/19/10 Time: 09:59 Sample (adjusted): 1980 2008 Included observations: 29 after adjustments
Variable Coefficient Std. Error t-Statistic Prob. C(1) 5.000081 0.571455 8.749733 0.0000
GR -0.104063 0.115249 -0.902936 0.3745 R-squared 0.029311 Mean dependent var 5.011371
Adjusted R-squared -0.006640 S.D. dependent var 3.066479 S.E. of regression 3.076644 Akaike info criterion 5.152028 Sum squared resid 255.5749 Schwarz criterion 5.246324 Log likelihood -72.70440 Durbin-Watson stat 0.080002
Tingkat Pengangguran Alamiah (NAIRU)
First Difference
C. Stasioner residual dari Model First Difference Null Hypothesis: RESID_FD has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel) Adj. t-Stat Prob.*
Phillips-Perron test statistic -4.084581 0.0176
Test critical values: 1% level -4.339330
5% level -3.587527
10% level -3.229230
*MacKinnon (1996) one-sided p-values.
Residual variance (no correction) 0.001601
HAC corrected variance (Bartlett kernel) 0.001673
d. Model Gap Dependent Variable: GR Method: Least Squares Date: 12/19/10 Time: 10:18 Sample (adjusted): 1980 2008 Included observations: 29 after adjustments
Variable Coefficient Std. Error t-Statistic Prob. C(1) -0.105316 0.939941 -0.112045 0.9116
TPT-5.000081 -0.281666 0.311945 -0.902936 0.3745 R-squared 0.029311 Mean dependent var -0.108496
Adjusted R-squared -0.006640 S.D. dependent var 5.044978 S.E. of regression 5.061701 Akaike info criterion 6.147754 Sum squared resid 691.7621 Schwarz criterion 6.242051 Log likelihood -87.14244 Durbin-Watson stat 0.622148
E. Stasioneritas Residual dari model gap
Null Hypothesis: RESID_GAP has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel) Adj. t-Stat Prob.*
Phillips-Perron test statistic -2.337326 0.4018
Test critical values: 1% level -4.323979
5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values.
Residual variance (no correction) 12.72943
HAC corrected variance (Bartlett kernel) 15.13503
F. Hasil Pengujian Phillips Perron beberapa variabel
Null Hypothesis: D(GR) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 4 (Newey-West using Bartlett kernel) Adj. t-Stat Prob.*
Phillips-Perron test statistic -4.473938 0.0071
Test critical values: 1% level -4.323979
5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values.
Residual variance (no correction) 15.00279
HAC corrected variance (Bartlett kernel) 11.59293
Null Hypothesis: LPDB_R has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -1.776133 0.6901
Test critical values: 1% level -4.309824 5% level -3.574244
10% level -3.221728
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.001469
HAC corrected variance (Bartlett kernel) 0.001884
Null Hypothesis: D(LPDB_R) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -4.031416 0.0192
Test critical values: 1% level -4.323979 5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.001564
HAC corrected variance (Bartlett kernel) 0.001633
Null Hypothesis: LPDB_P has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -1.632321 0.7548
Test critical values: 1% level -4.309824 5% level -3.574244
10% level -3.221728
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 4.11E-05
HAC corrected variance (Bartlett kernel) 0.000154
Null Hypothesis: D(LPDB_P) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -1.473340 0.8147
Test critical values: 1% level -4.323979 5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 5.43E-06
HAC corrected variance (Bartlett kernel) 1.89E-05
Null Hypothesis: LGAP has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -2.305618 0.4180
Test critical values: 1% level -4.309824 5% level -3.574244
10% level -3.221728
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.001174
HAC corrected variance (Bartlett kernel) 0.001416
Null Hypothesis: D(LGAP) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -4.429526 0.0079
Test critical values: 1% level -4.323979 5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.001393
HAC corrected variance (Bartlett kernel) 0.001090
Null Hypothesis: TPT has a unit root Exogenous: Constant, Linear Trend Bandwidth: 2 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -1.625069 0.7578
Test critical values: 1% level -4.309824 5% level -3.574244
10% level -3.221728
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.551633
HAC corrected variance (Bartlett kernel) 0.703296
Null Hypothesis: LTPT has a unit root Exogenous: Constant, Linear Trend Bandwidth: 0 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -2.030619 0.5609
Test critical values: 1% level -4.309824 5% level -3.574244
10% level -3.221728
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.025954
HAC corrected variance (Bartlett kernel) 0.025954
Null Hypothesis: D(TPT) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 2 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -4.637640 0.0048
Test critical values: 1% level -4.323979 5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.592232
HAC corrected variance (Bartlett kernel) 0.654534
Null Hypothesis: D(LTPT) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 0 (Newey-West using Bartlett kernel)
Adj. t-Stat Prob.* Phillips-Perron test statistic -6.056746 0.0002
Test critical values: 1% level -4.323979 5% level -3.580623
10% level -3.225334
*MacKinnon (1996) one-sided p-values. Residual variance (no correction) 0.025837
HAC corrected variance (Bartlett kernel) 0.025837
G. Normalitas Test for normality of PDB_Riil: Doornik-Hansen test = 2.22732, with p-value 0.328355 Shapiro-Wilk W = 0.947618, with p-value 0.145919 Lilliefors test = 0.10898, with p-value ~= 0.47 Jarque-Bera test = 1.56708, with p-value 0.456787 Test for normality of TPT: Doornik-Hansen test = 14.2026, with p-value 0.000824046 Shapiro-Wilk W = 0.853016, with p-value 0.000717537 Lilliefors test = 0.221223, with p-value ~= 0 Jarque-Bera test = 3.59812, with p-value 0.165454