mekanisme transmisi kebijakan moneter syariah
TRANSCRIPT
MEKANISME TRANSMISI KEBIJAKAN MONETER SYARIAH
Diajukan oleh :
Fitri Zaelina
13918018
PROGRAM PASCASARJANA FAKULTAS EKONOMI
PROGRAM STUDI MAGISTER EKONOMI KEUANGAN ISLAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2017
2
MEKANISME TRANSMISI KEBIJAKAN MONETER SYARIAH
Tesis S-2
Program Magister Ekonomi & Keuangan
Diajukan oleh :
Fitri Zaelina
13918018
PROGRAM PASCASARJANA FAKULTAS EKONOMI
PROGRAM STUDI MAGISTER EKONOMI KEUANGAN ISLAM
UNIVERSITAS ISLAM INDONESIA
YOGYAKARTA
2017
3
PERNYATAAN BEBAS PLAGIARISME
“Dengan ini saya menyatakan bahwa dalam penulisan tesis ini tidak terdapat karya
yang pernah diajukan untuk memperoleh gelar kesarjanaan di suatu perguruan tinggi, dan
sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis atau
diterbitkan oleh orang lain , kecuali yang secara tertulis diacu dalam naskah ini
dandisebutkan dalam referensi. Apabila dikemudian hari terbukti bahwa pernyataan ini tidak
benar, maka saya sanggup menerima hukuman/sanksi apapun sesuai peraturan yang beraku”.
Yogyakarta,.............................
Fitri Zaelina
4
5
6
KATA PENGANTAR
Alhamdulillah segala puji bagi Allah SWT yang menciptakan segala yang ada di
dunia ini dengan begitu sempurna. Serta melimpahkan segala rahmat dan karunia kepada
umat manusia sehingga penulis dapat menyelesaikan tesis ini dengan judul “Mekanisme
Transmisi Kebijakan Moneter Syariah”. Tesis ini tidak akan pernah selesai tanpa adanya
dukungan, bimbingan, bantuan serta doadari berbagai pihak selama penyusunan tesis ini.oleh
sebab itu, dalam kesempatan ini penulis mengucapkan terimakasih kepada:
1. Drs. Agus Widarjono, MA., Ph.D. selaku pembimbing tesis yang telah memberikan
ilmu dan membimbing penulis dengan sabar sehingga penyusunan tesis ini dapat
terselesaikan dengan baik.
2. Ayahanda Bejo Purnomo dan Ibunda Junaidah, serta saudara-saudara saya Dwi
Nastiti dan Ahmad Syuraih yang telah memberikan dukungan, semangat dan doa
selama penyusunan tesis ini sehingga penulis mampu menyelesaikan tesis ini.
3. Teman-teman yang selalu membantu dalam mengerjakan tesis ini yang tidak mungkin
saya sebutkan satu-persatu. Terimakasih atas dukungan dan bantuan kalian selama
pengerjaan tesis ini.
Akhir kata penulis menyadari bahwa penulisan tesis ini masih banyak kekurangan dan
jauh dari kata sempurna. Namun demikian penulis berharap semoga tesis ini dapat
memberikan manfaat bagi pembaca serta dapat dipergunakan sebagai bahan masukan untuk
pengkajian lebih lanjut.
Yogyakarta, 31 Maret 2017
Fitri Zaelina
7
DAFTAR ISI
HALAMAN SAMPUL............................................................................................. i
HALAMAN JUDUL ................................................................................................ ii
PERNYATAAN BEBAS PLAGIARISME ............................................................ iii
HALAMAN PERSETUJUAN ................................................................................ iv
KATA PENGANTAR .............................................................................................. vi
DAFTAR ISI............................................................................................................. vii
DAFTAR TABEL .................................................................................................... ix
DAFTAR GAMBAR ................................................................................................ x
ABSTRAK ................................................................................................................ xi
BAB I PENDAHULUAN
1.1 Latar Belakang .................................................................................................... 1
1.2 Rumusan Masalah ................................................................................................ 5
1.3 Tujuan Penelitian ................................................................................................ 6
1.4 Manfaat Penelitian ............................................................................................... 6
1.5 Sistematika Penulisan .......................................................................................... 6
BAB II KAJIAN PUSTAKA
2.1 Kebijakan Moneter............................................................................................... 8
2.2 Kebijakan Moneter dalam Ekonomi Makro ........................................................ 8
2.3 Instrumen-Instrumen Pengendalian Moneter ....................................................... 11
2.4 Mekanisme Transmisi Kebijakan Moneter .......................................................... 13
2.5 Tahapan Mekanisme Transmisi Kebijakan Moneter ........................................... 19
2.6 Mekanisme Transmisi Kebijakan Moneter Syariah ............................................ 20
2.7 Penelitian Terdahulu ............................................................................................ 24
2.8 Kerangka Pemikiran............................................................................................. 29
2.9 Hipotesis .............................................................................................................. 30
BAB III METODE PENELITIAN
3.1 Jenis dan Sumber Data ......................................................................................... 31
3.2 Variabel Penelitian dan Definisi Operasional ...................................................... 32
3.3 Metode Analisis ................................................................................................... 37
3.3.1 Vector Autoregression (VAR) ................................................................ 37
3.3.2 Model Umum Vector Autoregression (VAR) ........................................ 38
8
3.4 Pengujian Estimasi VAR ..................................................................................... 39
3.4.1 Uji Stasioneritas Data ............................................................................. 39
3.4.2 Uji Kointegrasi ........................................................................................ 40
3.5 Metode Vector Error Correction Model (VECM) ............................................... 42
3.5.1 Model Umum VECM ............................................................................. 43
3.6 Estimasi VAR-VECM ......................................................................................... 43
3.6.1 Impluse Responses Function (IRF)......................................................... 43
3.6.2 Variance Decomposition......................................................................... 44
3.6.3 Uji Kusalitas ........................................................................................... 44
3.7 Model Penelitian .................................................................................................. 45
BAB IV ANALISIS dan PEMBAHASAN
4.1 Estimasi VAR-VECM ........................................................................................ 45
4.1.1 Uji Stasioneritas Data Time Series ............................................................. 45
4.1.2 Penetapan Lag Optimal ............................................................................... 47
4.1.3 Uji Kointegrasi ............................................................................................ 48
4.2 Granger Causality ................................................................................................ 49
4.3 Analisis Impulse Response Function (IRF) ......................................................... 53
4.4 Analisis Variance Decomposition........................................................................ 57
BAB V KESIMPULAN dan SARAN
5.1 Kesimpulan .......................................................................................................... 61
5.2 Saran .................................................................................................................... 62
DAFTAR PUSTAKA
9
DAFTAR TABEL
Halaman
1 Tabel 4.1 Hasil Pengujian Non-stasioneritas Pada Tingkat Level 46
2 Tabel 4.2 Hasil Pengujian Non-stasioneritas Pada Tingkat First
Difference.
46
3 Tabel 4.3 Hasil Pengujian Lag Optimal 47
4 Tabel 4.4 Hasil Uji Kointegrasi. 48
5 Tabel 4.5 Hasil Pengujian Granger Causality Model Output 50
6 Tabel 4.6 Hasil Pengujian Granger Causality Model Inflasi 51
7 Tabel 4.7 Hasil Pengujian Granger Causality Model Output 52
8 Tabel 4.8 Hasil Pengujian Granger Causality Model Inflasi 53
9 Tabel 4.9 Variance Decomposition of IPI 58
10 Tabel 4.10 Variance Decomposition of IHK 59
10
DAFTAR GAMBAR
Halaman
1 Diagram 2.1 Transmisi Kebijakan Moneter 22
2 Diagram 2.2 Kerangka Pemikiran 30
3 Diagram 3.1 Proses Analisis VAR 43
4 Diagram 4.1 Alur Transmisi Moneter Syariah dari SBIS ke Output 50
5 Diagram 4.2 Alur Transmisi Moneter Syariah SBIS ke Inflasi 51
6 Diagram 4.3 Alur Transmisi Moneter Syariah BI Rate ke Output 52
7 Diagram 4.4 Alur Transmisi Moneter Syariah BI Rate ke Inflasi 53
8 Grafik 4.1 Impulse Response Function (IRF) untuk model output 55
9 Grafik 4.2 Impulse Response Function (IRF) untuk model inflasi 56
11
MEKANISME TRANSMISI KEBIJAKAN MONETER SYARIAH
ABSTRACT
This study aims to identification shariah monetary policy transmission mechanism in
Indonesia and to determine their impact on inflation and output. The variables of this study
were BI rate, SBIS, PUAS, profit and loss sharing (PLS), financing, inflation and output.This
study used Vector Auto Regression (VAR) methods on monthly indonesia banking data from
january 2006 to october 2016. The result of the study shows shariah monetary policy
transmission mechanism gives positive and permananent impact to inflations and output.
Keyword : monetary transmism mechanism, PUAS, SBIS
ABSTRAK
Penelitian ini bertujuan untuk mengidentifikasi proses transmisi kebijakan moneter
syariah di Indonesia dan untuk mengetahui dampaknya terhadap pertumbuhan ekonomi dan
inflasi. Variabel yang digunakan dalam penelitian ini adalah BI rate, SBIS, PUAS, bagi hasil
(PLS), pembiayaan, inflasi dan output. Penelitian ini menggunakan metode VAR (vector auto
regressive) dengan data bulanan yang bersumber dari Bank Indonesia dari januari 2006
sampai oktober 2016. Hasil penelitian menunjukkan bahwa variabel moneter syariah
memberikan dampak positif terhadap inflasi dan output.
Kata kunci : transmisi moneter, PUAS, SBIS.
12
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kebijakan moneter merupakan salah satu kebijakan makroekonomi yang digunakan
oleh bank sentral untuk mencapai tujuan akhir berupa stabilitas harga, pertumbuhan
ekonomi, kesempatan kerja dan keseimbangan neraca pembayaran. Undang-Undang
(UU) No. 23 tahun 1999 tentang Bank Indonesia sebagaimana telah diamandemen dengan
UU No. 3 tahun 2004 pada pasal 7 menyatakan bahwa tujuan Bank Indonesia adalah
mencapai dan memelihara kestabilan nilai rupiah. Yang dimaksud dengan kestabilan
nilai rupiah antara lain adalah kestabilan terhadap harga-harga barang dan jasa yang
tercermin pada inflasi yang rendah. Kestabilan harga merupakan prasyarat bagi
pertumbuhan ekonomi yang berkesinambungan yang pada akhirnya memberikan manfaat
bagi peningkatan kesejahteraan masyarakat. Pentingnya pengendalian inflasi didasarkan
pada pertimbangan bahwa inflasi yang tinggi memberikan dampak negatif kepada kondisi
sosial ekonomi masyarakat.
Agar kebijakan moneter dapat mencapai tujuan inflasi, maka dibutuhkan mekanisme
jalur yang disebut sebagai mekanisme transmisi kebijakan moneter. Mekanisme transmisi
adalah saluran yang menghubungkan antara kebijakan moneter dengan perekonomian
(Pohan, 2008). Pada dasarnya mekanisme transmisi kebijakan moneter adalah bagaimana
menghubungkan sektor moneter dengan sektor riil. Bank Indonesia menetapkan suku
bunga kebijakan BI rate sebagai instrumen kebijakan utama untuk mempengaruhi
aktivitas kegiatan perekonomian dengan tujuan akhir pencapaian inflasi. Namun jalur
atau transmisi dari keputusan BI rate sampai dengan pencapaian sasaran inflasi tersebut
sangat kompleks dan memerlukan waktu (time lag).
13
Transmisi kebijakan moneter menuju sasaran akhir berlangsung dengan selang
waktu yang lama dan bervariasi. Hal ini disebabkan transmisi moneter banyak berkaitan
dengan pola hubungan antara berbagai variabel ekonomi dan keuangan yang selalu
berubah sejalan dengan perkembangan ekonomi negara yang bersangkutan. Pada
perekonomian tradisional, dimana peranan perbankan masih dominan dan produknya
masih sederhana, biasanya peranan saluran uang juga masih dominan dengan pola
hubungan antar aktivitas ekonomi yang relatif stabil pula. Namun, dengan semakin
berkembangnya perbankan dan pasar keuangan, semakin banyak pula produk keuangan
dengan jenis transaksi yang semakin bervariasi pula. Demikian juga dengan
perekonomian yang terbuka, perkembangan ekonomi dan keuangan di suatu negara akan
dipengaruhi oleh perkembangan ekonomi dan keuangan negara lain. Pengaruh tersebut
antara lain melalui perubahan nilai tukar, volume ekspor dan impor, ataupun besarnya
arus dana masuk dan keluar dari negara yang bersangkutan. Dengan demikian, peranan
saluran lain seperti suku bunga, kredit, dan nilai tukar menjadi semakin penting. Selain
itu, peranan saluran harga aset lainnya, seperti obligasi dan saham, dan saluran ekspektasi
juga perlu diperhatikan (Warjiyo, 2004).
Kebijakan moneter utamanya digunakan untuk mempengaruhi variabel keuangan
seperti suku bunga dan penawaran uang. Dengan mengatur kedua variabel keuangan ini,
diharapkan kestabilan nilai uang akan tercapai sehingga pada akhirnya stabilitas ekonomi
akan tercapai juga. Namun, pada kenyataannya, suku bunga merupakan sumber
permasalahan ketidakstabilan perekonomian. Hal ini disebabkan suku bunga merupakan
instrumen yang menjadikan ketidakseimbangan sektor riil dan moneter. Oleh karena itu,
dengan adanya kebijakan moneter syariah yang tidak mengenal suku bunga sebagai
instrumennya akan mampu menjadi alat yang baru bagi Indonesia dalam menjaga
stabilitas perkenomiannya.
14
Pada dasarnya transmisi kebijakan moneter merupakan interaksi antara bank sentral
sebagai otoritas moneter dengan perbankan dan lembaga keuangan lainnya, serta pelaku
ekonomi lainnya di sektor riil. Interaksi ini terjadi melalui dua tahapan proses perputaran
uang. Pertama, interaksi antara bank sentral dengan perbankan dan lembaga keuangan
lainnya dalam berbagai transaksi di pasar keuangan. Kedua, interaksi yang berkaitan
dengan fungsi intermediasi antara industri perbankan dan lembaga keuangan lainnya
dengan para pelaku ekonomi dalam berbagai kegiatan di sektor riil (Pohan, 2008).
Sejak tahun 1992, ditandai dengan berdirinya bank syariah pertama yakni Bank
Muamalat, maka di Indonesia memiliki dua sistem perbankan (dual banking system),
yaitu Interest Rate System (IRS) atau sistem tingkat suku bunga dan Profit and Lost
Sharing System (PLSS) atau Free Interest Rate System (FIRS). Semenjak munculnya
sistem perbankan syariah, Bank Indonesia pada tahun 2000 mengeluarkan instrumen
moneter syariah pertama yaitu SWBI (Sertifikat Wadiah Bank Indonesia). Seiring dengan
berkembangnya perbankan syariah pada tahun 2008 Bank Indonesia mengganti SWBI
dengan Sertifikat Bank Indonesia Syariah (SBIS) yang berdasarkan pada akad ju’alah.
Dengan adanya dual banking system maka mekanisme transmisi kebijakan moneter
semakin berkembang dan kompleks. UU No.3 Tahun 2004 menyebutkan bahwa Bank
Indonesia diberi amanah sebagai otoritas moneter ganda yang dapat menjalankan
kebijakan moneter konvensional maupun syariah. Maka dari itu isu mekanisme transmisi
kebijakan moneter syariah menjadi sangat penting.
Dalam sistem ekonomi syariah yang dikenal bukanlah sistem suku bunga melainkan
sistem pembagian keuntungan dan kerugian (profit and loss sharing). Besar kecilnya
pembagian keuntungan tergantung pada kegiatan investasi dan pembiayaan yang
dilakukan di sektor riil. Hasil dari investasi dan pembiayaan yang dilakukan bank di
15
sektor riil yang menentukan besar kecilnya pembagian keuntungan di sektor moneter. Ini
berarti sektor moneter bergantung pada sektor riil.
Dalam penelitian yang pernah dilakukan Ascarya (2012) disimpulkan bahwa
kebijakan moneter untuk ‘pengurangan inflasi’ dengan pola syariah lebih efektif daripada
dengan pola konvensional. Variabel-variabel konvensional yang utamanya adalah
variabel sektor finansial, secara alamiah memicu inflasi dan menghambat pertumbuhan
ekonomi. Sedangkan variabel-variabel syariah yang utamanya adalah variabel sektor rill,
secara alamiah tidak memicu inflasi dan mendorong pertumbuhan ekonomi.
Yoghi Citra Pratama (2013) dalam penelitiannya mengatakan bahwa instrumen
kebijakan moneter syariah merupakan instrumen yang tepat dalam mengendalikan tingkat
inflasi. Sri Hernianingrum dan Imronjana (2016) dalam penelitiannya juga disimpulkan
bahwa instrumen moneter syariah mengindikasikan adanya potensi pertumbuhan output
dan menahan laju inflasi.
Meskipun telah banyak dilakukan studi mengenai mekanisme transmisi kebijakan
moneter syariah, namun karena adanya faktor ketidakpastian dan kecendrungan-
kecendrungan baru yang dapat mempengaruhi mekanisme transmisi kebijakan moneter
syariah maka penelitian lanjutan untuk masalah tersebut tetap relevan untuk dilakukan.
Sehingga yang membedakan penelitian ini dengan penelitian-penelitian sebelumnya yaitu
lamanya periode yang digunakan yaitu 130 bulan dari bulan januari 2006 sampai oktober
2016.
1.2 Rumusan Masalah
Dari uraian pada latar belakang tersebut diatas, penulis manarik rumusan masalah
sebagai berikut:
16
1. Bagaimana proses berjalannya mekanisme transmisi kebijakan moneter syariah
melalui jalur bagi hasil?
2. Bagaimana dampaknya terhadap sasaran akhir pengendalian output dan inflasi?
1.3 Tujuan Penelitian
Tujuan penelitian ini adalah untuk memberikan gambaran mekanisme transmisi
moneter syariah. Adapun tujuan yang ingin dicapai dari penelitian ini adalah:
1. Mengidentifikasi proses transmisi moneter syariah di indonesia melalui jalur bagi
hasil.
2. Mengetahui dampak kebijakan moneter syariah terhadap sasaran akhir yaitu
pertumbuhan ekonomi dan inflasi.
1.4 Manfaat Penelitian
Diharapkan hasil penelitian ini akan menambah khasanah ilmu pengetahuan yang
dapat digunakan untuk mengukur efektivitas Mekanisme Transmisi Kebijakan Moneer
Syariah di Indonesia, sehingga dapat menjadi acuan bagi peneliti lain yang dianggap
relevan sesuai dengan kondisi dan perkembangan terkini.
1.5 Sistematika Penulisan
Dalam sistematika penulisan ini, penulis akan memberikan gambaran secara singkat
isi dalam penelitian ini yang tersusun dari lima bab yaitu:
BAB I PENDAHULUAN
Bab ini berisi latar belakang masalah, rumusan masalah, tujuan penelitian, manfaat
penelitian, dan sistematika penulisan.
BAB II KAJIAN PUSTAKA
17
Pada bab ini mengulas teori-teori yang mendasari penelitian dan teori-teori yang
relefan berkaitan dengan transmisi kebijakan moneter syariah.
BAB III METODE PENELITIAN
Bab ini menguraikan jenis penelitian dan pendekatan yang digunakan, penentuan
sampel, pembentukan hipotesis penelitian, definisi operasional variabel, pengujian data,
dan hipotesis.
BAB IV ANALISIS DAN PEMBAHASAN
Bab ini berisi analisa dan pembahasan dari hasil penelitian yang dilakukan. Hasil
analisis tesebut akan menjawab permasalahan yang telah dirumuskan pada bab 1.
BAB V KESIMPULAN DAN SARAN
Bab ini berisikan kesimpulan yang diperoleh dari penelitian yang telah dilakuakan,
serta mengemukakan saran-saran yang diperlukan atas penulisan tesis ini untuk
kedepannya.
18
BAB II
KAJIAN PUSTAKA
2.1 Kebijakan Moneter
Kebijakan moneter merupakan kebijakan otoritas moneter atau bank sentral dalam
bentuk pengendalian besaran moneter untuk mencapai perkembangan kegiatan
pereknomian yang diinginkan. Dalam praktek, perkembangan kegiatan perekonomian
yang diinginkan tersebut adalah stabilitas ekonomi makro yang antara lain dicerminkan
oleh stabilitas harga (rendahnya laju inflasi), membaiknya perkembangan output rill
(pertumbuhan ekonomi), serta cukup luasnya lapangan/kesempatan kerja yang tersedia.
(Bank Indonesia, 2003)
2.2 Kebijakan Moneter dalam Ekonomi Makro
Kebijakan moneter adalah upaya untuk mencapai tingkat pertumbuhan ekonomi
yang tinggi secara berkelanjutan dengan tetap mempertahankan kestabilan harga. Untuk
mencapai tujuan tersebut Bank Sentral atau Otoritas Moneter berusaha mengatur
keseimbangan antara persediaan uang dengan persediaan barang agar inflasi dapat
terkendali, tercapai kesempatan kerja penuh dan kelancaran dalam pasokan/distribusi
barang. Kebijakan moneter dilakukan antara lain dengan salah satu namun tidak terbatas
pada instrumen sebagai berikut yaitu suku bunga, giro wajib minimum, intervensi dipasar
valuta asing dan sebagai tempat terakhir bagi bank-bank untuk meminjam uang apabila
mengalami kesulitan likuiditas.
Pengaturan jumlah uang yang beredar pada masyarakat diatur dengan cara
menambah atau mengurangi jumlah uang yang beredar. Kebijakan moneter dapat
digolongkan menjadi dua, yaitu :
19
a. Kebijakan Moneter Ekspansif / Monetary Expansive Policy Adalah suatu kebijakan
dalam rangka menambah jumlah uang yang edar
b. Kebijakan Moneter Kontraktif / Monetary Contractive Policy Adalah suatu kebijakan
dalam rangka mengurangi jumlah uang yang edar. Disebut juga dengan kebijakan uang
ketat (tight money policy)
Kebijakan moneter bertujuan untuk mengawasi dan mempengaruhi kestabilan,
kegiatan dan pertumbuhan ekonomi. Kebijakan moneter yang ditetapkan oleh Bank
Sentral berupa kebijakan kuantitatif dan kualitatif.
1. Kebijakan Kuantitatif
a. Open Market Operation (menjual atau membeli surat berharga)
Bank Sentral melakukan jual beli surat-surat berharga untuk mempengaruhi
jumlah uang beredar. Jika terjadi kelebihan uang beredar, Bank Sentral mengambil
kebijakan moneter dengan menjual SBI (Sertifikat Bank Indonesia), sehingga
sebagian uang masyarakat yang beredar dapat ditarik. Sebaliknya, bila
perekonomian kekurangan jumlah uang beredar, untuk mendorong perekonomian
pemerintah membeli SBI.
b. Reserve Requirement (Mempengaruhi cadangan minimum)
Bank Indonesia menetapkan dana cadangan tetap bank umum pada Bank
Indonesia. Bank Indonesia dapat membuat perubahan atas tingkat cadangan
minimum yang harus disimpan bank umum. Seandainya Bank Sentral
mengganggap bahwa jumlah uang beredar sudah terlalu banyak, bank umum telah
berlebihan dalam menyalurkan kreditnya maka bank sentral dapat menaikan
cadangan wajibnya, demikian pula sebaliknya. Dengan adanya kenaikan cadangan
wajib, akan mengurangi ekspansi kredit.
c. The Discount Rate (Mempengaruhi tingkat bunga diskonto)
20
Bank Indonesia dapat merubah, menaikan atau menurunkan suku bunga untuk
mempengaruhi peredaran uang. Bila permintaan uang meningkat, Bank Indonesia
menaikan tingkat suku bunga pinjaman yang berakibat mengurangi permintaan
kredit dan memperbesar juga uang beredar dan sebaliknya.
2. Kebijakan Kualitatif
a. Selective Credit Control (Pengawsan terhadap kredit)
Pemberian kredit pada sektor produktif. Yang diawasi adalah corak pinjaman
dan bentuk investasi yang dilakukan Bank Umum.
b. Moral Suasion
Bank Sentral dapat melakukan himbauan menggunakan tulisan atau lisan
berupa ajakan untuk untuk melakukan atau tidak suatu tindakan tertentu. Misalnya,
Bank Indonesia mengajak bank-bank nasional maupun Bank Asing mengusahakan
penurunan tingkat bunga.
2.3 Instrumen-Instrumen Pengendalian Moneter
Di dalam pelaksanaan kebijakan moneter, bank sentral biasanya menggunakan
berbagai piranti sebagai instrumen dalam mencapai sasaran. Di antara instrumen itu
adalah cadangan wajib (reserve requirement), operasi pasar terbuka (open market
operation), fasilitas diskonto (discount policy), dan imbauan (moral suasion). (Pohan,
2008)
a. Cadangan Wajib Minimum
Cadangan wajib minimum adalah ketentuan bank sentral yang mewajibkan
bank-bank untuk memelihara sejumlah alat-alat likuid (reserve) sebesar persentase
tertentu dari kewajiban lancarnya. Semakin kecil persentase tersebut semakin besar
21
kemampuan bank memanfaatkan reserve-nya untuk memberikan pinjaman dalam
jumlah yang lebih besar. Sebaliknya semakin besar persentase semakin berkurang
kemampuan bank untuk memberikan pinjaman.
Memberikan cadangan ini bisa dijaga dalam bentuk kas atau dalam bentuk
rekening giro di bank sentral. Biasanya cadangan dibedakan dalam dua bentuk yakni
cadangan primer dan cadangan sekunder. Yang dimaksud dengan cadangan wajib
minimum lebih mengacu kepada cadangan primer. Sementara itu, cadangan sekunder
merupakan tambahan, biasanya terdiri atas surat-surat berharga.
Persentase cadangan wajib minimum mempengaruhi daya ekspansi kredit. Jika
bank sentral menurunkannya maka daya ekspansi kredit bank umum akan
meningkat, sehingga jumlah uang beredar bertambah. Sebaliknya, jika persentasenya
dinaikkan maka daya ekspansi kredit bank umum menurun dan jumlah uang beredar
juga berkurang. (Mandala Manurung, 2004).
b. Operasi Pasar Terbuka
Operasi Pasar Terbuka adalah kegiatan bank sentral melakukan jual beli surat-
surat berharga jangka pendek dalam rangka mengatur jumlah uang beredar atau suku
bunga jangka pendek. Di Indonesia, salah satu sekuritas yang sering digunakan Bank
Indonesia untuk mengendalikan jumlah uang beredar adalah Sertifikat Bank
Indonesia (SBI) yang dikeluarkan BI. Kepada setiap pemilik SBI Bank Indonesia
memberikan balas jasa berupa pendapatan bunga.
Jika bank sentral bermaksud mengurangi jumlah uang yang beredar, bank
sentral akan menjual surat-surat berharga kepada bank-bank agar reserve bank-bank
berkurang sehingga kemampuan bank-bank memberikan pinjaman menurun.
Tindakan ini disebut kontraksi moneter. Sebaliknya, untuk menambah jumlah uang
beredar, bank sentral akan membeli surat-surat berharga untuk meningkatkan
22
kemampuan bank-bank memberikan pinjaman sehingga jumlah uang beredar
meningkat. Pembelian atau penjualan surat-surat berharga tersebut dapat pula
dilakukan oleh bank sentral dari/kepada masyarakat agar langsung dapat
menambah/mengurangi jumlah uang beredar. (Pohan, 2008)
c. Fasilitas Diskonto
Fasilitas diskonto adalah kebijakan moneter dalam mempengaruhi jumlah uang
beredar melalui pengaturan suku bunga pemberian kredit bank sentral kepada bank-
bank. Apabila bank sentral menetapkan tingkat diskonto lebih tinggi, bank-bank akan
mengurangi permintaan kredit dari bank sentral yang pada gilirannya akan
mengurangi kemampuan bank-bank memberikan pinjaman sehingga jumlah uang
beredar menurun. Sebaliknya, apabila bank sentral menetapkan diskonto lebih rendah
bank-bank akan meningkatkan permintaan kredit ke bank sentral untuk disalurkan
lebih lanjut berupa pemberian pinjaman, sehingga jumlah uang beredar meningkat.
2.4 Mekanisme Transmisi Kebijakan Moneter
Mekanisme transmisi kebijakan moneter pada dasarnya menggambarkan bagaimana
kebijakan moneter yang ditempuh bank sentral mempengaruhi berbagai aktivitas ekonomi
dan keuangan sehingga pada akhirnya dapat mencapai tujuan akhir yang ditetapkan.
Mekanisme transmisi moneter dimulai dari tindakan bank sentral dengan
menggunakan instrumen moneter, apakah OPT atau yang lain, dalam melaksanakan
kebijakan moneternya. Tindakan itu kemudian berpengaruh dalam aktivitas ekonomi dan
keuangan melalui berbagai saluran transmisi kebijakan moneter, yaitu saluran uang,
kredit, suku bunga, nilai tukar, harga aset dan ekpektasi. Di bidang keuangan, kebijakan
moneter berpengaruh terhadap perkembangan suku bunga, nilai tukar, dan harga saham
disamping volume dana masyarakat yang disimpan di bank, kredit yang disalurkan bank
kepada dunia usaha, penanaman dana pada obligasi, saham maupun sekuritas lainnya.
23
Sementara itu, di sektor ekonomi rill kebijakan moneter selanjutnya mempengaruhi
perkembangan konsumsi, investasi, ekspor dan impor, hingga pertumbuhan ekonomi dan
inflasi yang merupakan sasaran akhir kebijakan moneter.
Mengingat kompleksitasnya, dalam teori ekonomi moneter, mekanisme transmisi
kebijakan moneter sering disebut “black box” (mishkin: 1995), karena transmisi
dimaksud banyak dipengaruhi oleh tiga faktor, yaitu: (1) perubahan prilaku bank sentral,
perbankan, dan para pelaku ekonomi dalam berbagai aktivitas ekonomi dan keuangannya;
(2) lamanya tenggat waktu (time-lag) sejak tindakan otoritas moneter sampai sasaran
akhir tercapai; serta (3) terjadinya perubahan pada saluran-saluran transmisi moneter itu
sendiri sesuai dengan perkembangan ekonomi dan keuangan di negara yang
bersangkutan. (Pohan, 2008)
Bank Indonesia menggunakan kebijakan BI Rate sebagai instrumen kebijakan utama
untuk mempengaruhi aktivitas kegiatan perekonomian dengan tujuan akhir pencapaian
sasaran inflasi. Mekanisme bekerjanya perubahan BI Rate sampai mempengaruhi inflasi
tersebut sering disebut dengan istilah mekanisme transmisi kebijakan moneter (MTM).
Mekanisme ini menggambarkan tindakan yang dilakukan oleh Bank Indonesia melalui
perubahan-perubahan instrumen moneter dan target operasionalnya mempengaruhi
berbagai variabel ekonomi dan keuangan yang kemudian berpengaruh terhadap tujuan
akhir inflasi.
Taylor (1995) menyatakan bahwa mekanisme transmisi kebijakan moneter
merupakan jalur-jalur yang dilalui oleh kebijakan untuk dapat mempengaruhi sasaran
akhir kebijakan moneter yaitu pendapatan nasional dan inflasi. Mekanisme transmisi
kebijakan moneter terjadi melalui interaksi antara Bank Sentral, perbankan dan sektor
keuangan, serta sektor riil. Mekanisme tersebut dapat terjadi melalui berbagai jalur,
24
diantaranya jalur moneter langsung, jalur suku bunga, jalur kredit, jalur nilai tukar, jalur
harga aset, dan jalur ekspektasi.
a. Jalur Moneter Langsung
Mekanisme transmisi melalui jalur moneter langsung (direct monetary channel)
dimulai dengan tindakan bank sentral mengendalikan uang primer atau base money
(M0) sesuai dengan sasaran akhir yang ingin dicapai. Kemudian uang primer ini
melalui proses money multiplier, ditransmisikan ke jumlah uang beredar (M1 dan
M2) sesuai dengan permintaan masyarakat. Selanjutnya uang beredar akan
mempengaruhi berbagai kegiatan ekonomi, khususnya inflasi dan output riil karena
peranannya dalam pemenuhan kebutuhan transaksi ekonomi.
b. Jalur Kredit
Mekanisme transmisi kebijakan moneter melalui jalur kredit (credit channel)
didasarkan pada asumsi bahwa tidak semua simpanan masyarakat dalam bentuk uang
beredar (M1, M2) selalu disalurkan oleh perbankan sebagai kredit kepada dunia
usaha. Oleh karena itu, yang lebih berpengaruh terhadap ekonomi riil adalah kredit
perbankan, bukan simpanan masyarakat yang tercermin dalam jumlah uang beredar.
Terdapat dua jenis jalur kredit yang akan mempengaruhi transmisi moneter dari
sektor keuangan ke sektor riil, yaitu jalur pinjaman bank (bank lending channel) dan
jalur neraca perusahaan (firms balance sheet channel). Jalur pinjaman bank lebih
menekankan pengaruh kebijakan moneter pada kondisi keuangan bank, khususnya
sisi aset. Sedangkan jalur neraca perusahaan lebih menekankan pengaruh kebijakan
moneter pada kondisi keuangan perusahaan (borrower), dan selanjutnya berpengaruh
terhadap akses perusahaan untuk mendapatkan kredit.
c. Jalur Suku bunga
25
Jalur suku bunga (interest rate channel) lebih menekankan pentingnya aspek
harga di pasar keuangan terhadap berbagai aktivitas ekonomi di sektor riil. Warjiyo
dan Solikin (2003) mengemukakan, mekanisme transmisi kebijakan moneter melalui
jalur suku bunga menekankan bahwa kebijakan moneter dapat mempengaruhi
permintaan agregat melalui perubahan suku bunga. Pengaruh perubahan suku bunga
jangka pendek ditransmisikan pada suku bunga jangka menengah atau panjang
melalui mekanisme penyeimbangan sisi permintaan dan penawaran di pasar uang.
Perkembangan suku bunga tersebut akan berpengaruh terhadap biaya modal (cost of
capital) yang kemudian akan mempengaruhi pengeluaran investasi dan konsumsi
yang merupakan komponen dari permintaan agregat. Lebih lanjut Maski (2007)
mengemukakan bahwa perubahan suku bunga berdampak langsung pada cost of
credit dan cash flow. Kebijakan moneter yang ditandai dengan sinyal perubahan
jumlah uang beredar, dengan menganggap bahwa formasi permintaan adalah tertentu
(given), mendorong perubahan suku bunga di pasar keuangan. Berikutnya, inter bank
rate akan berubah dan ini akan merubah pula bank loan rate yang merupakan biaya
atau harga yang dikenakan pada peminjam/investor.
d. Jalur Nilai Tukar
Mekanisme transmisi melalui jalur nilai tukar (exchange rate channel)
menekankan pentingnya pengaruh perubahan harga aset finansial terhadap berbagai
aktivitas ekonomi. Pengaruh aset finansial dalam bentuk valuta asing yang timbul
dari kegiatan ekonomi suatu negara dengan negara lain menjadikan pentingnya jalur
nilai tukar dalam transmisi kebijakan moneter. Pengaruh tersebut tidak hanya terjadi
pada perubahan nilai tukar tetapi juga pada besarnya aliran dana akibat perdagangan
luar negeri maupun aliran modal investasi dalam neraca pembayaran. Perkembangan
26
nilai tukar dan aliran dana luar negeri tersebut selanjutnya akan mempengaruhi
output riil dan inflasi negara yang bersangkutan.
e. Jalur Harga Aset
Mekanisme transmisi melalui jalur harga aset (assets price channel)
menekankan bahwa kebijakan moneter berpengaruh pada perubahan harga aset dan
kekayaan masyarakat, yang kemudian berpengaruh terhadap investasi dan konsumsi.
Apabila bank sentral melakukan kebijakan moneter kontraktif, maka hal tersebut
akan mendorong peningkatan suku bunga, dan pada gilirannya akan menekan harga
aset perusahaan. Penurunan harga aset dapat berakibat pada dua hal, yaitu
mengurangi kemampuan perusahaan untuk melakukan ekspansi dan mengurangi nilai
kekayaan yang pada gilirannya akan mengurangi pengeluaran konsumsi. Secara
keseluruhan, kedua hal tersebut berdampak pada penurunan pengeluaran agregat.
f. Jalur Ekspektasi
Mekanisme transmisi melalui jalur ekspektasi (expectation channel)
menekankan bahwa kebijakan moneter dapat diarahkan untuk mempengaruhi
pembentukan ekspektasi mengenai inflasi dan kegiatan ekonomi. Kondisi tersebut
mempengaruhi perilaku para pelaku ekonomi dalam melakukan keputusan konsumsi
dan investasi, yang selanjutnya akan mendorong perubahan permintaan agregat dan
inflasi.
Ekspektasi inflasi pada umumnya dipengaruhi oleh perkembangan inflasi yang
telah terjadi dan juga kebijakan moneter yang ditempuh oleh bank sentral, yang dapat
terlihat pada perkembangan suku bunga dan nilai tukar. Semakin kredibel kebijakan
moneter, yang diantaranya tercermin pada kemampuan mengendalikan suku bunga
dan stabilisasi nilai tukar, maka semakin kuat pula dampaknya terhadap ekspektasi
inflasi masyarakat.
27
2.5 Tahapan Mekanisme Transmisi Kebijakan Moneter
Pada dasarnya transmisi kebijakan moneter merupakan interaksi antara bank sentral
sebagai otoritas moneter dengan perbankan dan lembaga keuangan lainnya, serta pelaku
ekonomi lainnya di sektor riil. Interaksi ini terjadi melalui dua tahapan proses perputaran
uang. Pertama, interaksi antara bank sentral dengan perbankan dan lembaga keuangan
lainnya dalam berbagai transaksi di pasar keuangan. Kedua, interaksi yang berkaitan
dengan fungsi intermediasi antara industri perbankan dan lembaga keuangan lainnya
dengan para pelaku ekonomi dalam berbagai kegiatan di sektor riil (Pohan, 2008).
Tahap pertama dari interaksi di pasar keuangan terjadi di sistem pengendalian
moneter tidak langsung yang umum dilakukan yaitu melalui lembaga keuangan perantara
(industri perbankan). Di satu sisi, bank sentral melakukan operasi moneter melalui
transaksi keuangan dengan industri perbankan, sedangkan di sisi lain, perbankan dan
lembaga keuangan lainnya melakukan transaksi keuangan dalam portofolio investasinya.
Interaksi ini akan terjadi melalui pasar keuangan atau pasar valuta asing. Interaksi antara
bank sentral dengan perbankan sedemikian rupa akan mempengaruhi volume maupun
harga-harga aset (suku bunga, nilai tukar, kewajiban hasil dan harga saham).
Tahap kedua dari interaksi transmisi kebijakan moneter melibatkan dunia perbankan
dengan para pelaku ekonomi di sektor riil. Dalam konteks ini, perbankan bertindak
sebagai lembaga intermediasi, yaitu memobilisasi dana pihak ketiga dalam bentuk
tabungan atau deposito dan menyalurkannya kepada debitur atau dunia usaha. Dari
perspektif mobilisasi, interaksi ini akan mempengaruhi tingkat suku bunga, volume
tabungan dan deposito yang merupakan bagian dari uang beredar M1 (dalam arti sempit)
dan M2 (dalam arti luas). Dalam kondisi di mana perbankan ingin meningkatkan
28
tabungan atau deposito mereka, ceteris paribus, suku bunga akan dinaikkan untuk
merangsang preferensi simpanan masyarakat.
Sementara dari sisi kredit, interaksi tersebut akan mempengaruhi pertumbuhan
kredit/pembiayaan perbankan. Jika bank ingin meningkatkan ekspansi
kredit/pembiayaannya, ceteris paribus, suku bunga akan turun sedemikian sehingga
mendorong peningkatan masyarakat untuk meminjam atau untuk memiliki pembiayaan
dari bank.
2.6 Mekanisme Transmisi Kebijakan Moneter Syariah
Salah satu pionir pengembang teori ekonomi moneter Islam kontemporer adalah
Muhammad Umer Chapra dengan bukunya Towards a Just Monetary System (1985).
Setting institusi keuangan Islam kontemporer tidak jauh berbeda dengan setting institusi
keuangan konvensional yang sudah mapan, sehingga instrument-instrumen kebijakan
moneter Islam juga banyak yang mirip dengan instrumen-instrumen kebijakan moneter
konvensional. Namun, karena cara kerja instrumen kebijakan moneter Islam memiliki
persamaan dan perbedaan prinsip dengan cara kerja instrument kebijakan moneter
konvensional, transmisi kebijakan moneter Islam dapat sama atau berbeda dengan
transmisi kebijakan moneter konvensional. Chapra (1985) tidak mendiskusikan secara
spesifik masalah transmisi kebijakan moneter Islam ini. Perkembangan teori moneter
Islam selanjutnya juga belum ada yang menyinggung tentang transmisi kebijakan moneter
Islam, termasuk pass-through atau jalur-jalurnya (lihat Siddiqui, 2008).
Kebijakan moneter syariah berperan sebagai penyokong sektor riil. Untuk mencapai
tujuan tersebut, uang dan lembaga perbankan adalah dua bagian terpenting yang harus
digunakan untuk mencapai tujuan pencapaian kebijakan moneter syariah. Chapra (1997)
mengatakan, bahwa kebijakan moneter bertujuan untuk mencapai sosio ekonomi Islam.
Antara lain yaitu:
29
1. Kesejahteraan ekonomi secara luas dengan berlandaskan full employment dengan
tingkat pertumbuhan optimum;
2. Keadilan sosio-ekonomi dan pemerataan distribusi pendapatan dan kesejahteraan,
salah satunya dapat dilakukan dengan mekanisme zakat yang baik dan benar;
3. Stabilitas nilai uang sehingga benar-benar menjadi medium of exchange yang
benar-benar adil dan stabil;
4. Mobilisasi dan investasi modal untuk pembangunan ekonomi yang produktif
dengan sistem pembagian yang adil untuk semua pihak yang terlibat;
5. Mewujudkan jasa-jasa lain, seperti pasar primer dan skunder untuk memenuhi
kebutuhan akan pendanaan dan keuangan yang noninflationary untuk pemerintah.
Namun untuk mewujudkan tujuan-tujuan di atas, yang dimulai dari kebijakan yang
telah ditetapkan hingga pencapaian sasaran yang diinginkan sangatlah kompleks dan
memerlukan waktu (time lag). Mekanisme tersebut dimulai dari keputusan otoritas bank
sentral selaku mitra pemerintah untuk melakukan perubahan-perubahan instrumen
moneter beserta target operasionalnya mempengaruhi berbagai variabel ekonomi dan
keuangan. Melalui interaksi bank sentral, lembaga perbankan dan sektor keuangan,
kemudian sektor riil. Gambaran mekanisme tersebut dapat dilihat dalam gambar berikut
ini.
30
Diagram 2.1 Transmisi Kebijakan Moneter
Sumber : Bank Indonesia
Mekanisme transmisi di atas, pada dasarnya secara sederhana menggambarkan
bagaimana kebijakan moneter dapat mempengaruhi berbagai aktivitas ekonomi dan
keuangan untuk mencapai tujuan akhir yaitu mengatur penawaran uang yang sesuai
dengan permintaan riil, dan juga membantu memenuhi kebutuhan untuk menutupi defisit
pemerintah. Berbeda halnya dengan mekanisme transmisi kebijakan moneter yang
dilakukan dengan prinsip syariah untuk mencapai sasaran akhir output dan inflasi.
Salah satu cara yang digunakan yaitu dengan pelaksanaan operasi moneter syariah
dengan Operasi Pasar Terbuka (OPT) dengan instrumen SBIS. Pelaksanaan ini bertujuan
untuk mempengaruhi tingkat imbal hasil Pasar Uang Antarbank Syariah (PUAS). Yang
pada akhirnya mempengaruhi pembiayaan perbankan syariah. peningkatan pembiayaan
ini diasumsikan mempengaruhi sektor riil yang diharapkan akan mampu mencapai
sasaran kebijakan moneter.
Dengan transmisi kebijakan moneter syariah ini, diperkirakan akan mampu menjaga
inflasi agar tetap dalam tingkat moderat. Sebab sumber utama inflasi adalah fiat money,
31
selama mata uang kertas yang digunakan, apakah itu menggunakan sistem ekonomi
kapitalis atau Islam akan selalu terjadi permasalahn inflasi.
Penerapan Kebijakan Moneter Syariah di Indonesia Mekanisme transmisi kebijakan
moneter syariah di Indonesia dimulai pada tahun 2000 dengan menggunakan SWBI dan
SBIS. Hingga pada tahun 2014 kembali Bank Indonesia telah mengeluarkan PBI No. 16
Tahun 2014 tentang Operasi Moneter Syariah (OMS). OMS dimaksud adalah bentuk
pelaksanaan kebijakan moneter melalui kegiatan OPT dan penyediaan standing facilities
berdasarkan prinsip syariah. Maksud dari standing facilities syariah adalah fasilitas yang
disediakan oleh BI kepada bank dalam rangka OMS melalui mekanisme lelang atau non-
lelang. Adapun kegiatan OPT syariah sesuai dengan ketentuan BI (2014) meliputi:
1. Penerbitan Sertifikat Bank Indonesia Syariah (SBIS).
2. Jual beli surat berharga dalam rupiah yang memenuhi ketentuan dan ketetapan
syariah, terdiri dari Surat Berharga Syariah Negara (SBSN) dan surat berharga
lain yang memiliki kualitas tinggi dan mudah untuk dicairkan.
3. Penempatan berjangka (term deposit) syariah dalam valuta asing.
4. Transaksi lainnya dipasar uang Rupiah maupun valuta asing.
2.7 Penelitian Terdahulu
Terdapat penelitian-penelitian sebelumnya yang dapat digunakan sebagai referensi
dalam penelitian ini. Aam Slamet Rusydiana (2009), melakukan penelitian mengenai
mekanisme transmisi syariah pada sistem moneter ganda di indonesia yang mengkaji
tentang mekanisme transmisi kebijakan moneter melalui jalur kredit. Dari penelitian
tersebut disimpulkan bahwa semakin tinggi SWBI yang ditetapkan bank indonesia maka
akan semakin rendah pembiayaan yang dilakukan oleh perbankan syariah. Terdapat
hubungan yang negatif antara pembiayaan syariah dan SBI. Semakin tinggi SBI akan
32
menyebabkan penurunan pembiayaan syariah dan sebaliknya. Hal ini disebabkan
kenaikan suku bunga yang dilakukan oleh bank sentral akan memicu perbakan
konvensional untuk menaikkan suku bunganya, baik bunga pinjaman maupun bunga
deposito yang berdampak pada penurunan daya saing perbankan syariah dan menjadi
kurang kompetitif. Namun pembiayaan syariah berkontribusi pada penurunan tingkat
inflasi karena pembiayaan perbankan syariah khususnya pembiayaan produktif dengan
prinsip bagi hasil memungkinkan terjadinya pertumbuhan yang seimbang antara sektor
moneter dan rill.
Penelitian tentang dampak pada indikator ekonomi makro dimulai oleh Sukmana dan
Kassim (2010). Indikator ekonomi makro pertumbuhan ekonomi dan metode penelitian
dengan menggunakan model VAR sebagai berikut:
IPI = f (IF,ID,ONIGHT)
Dimana IPI (industrial production index) sebagai proksi pertumbuhan ekonomi atau
output, IF adalah pembiayaan perbankan syariah, ID adalah dana pihak ketiga perbankan
syariah, dan ONIGHT adalah suku bunga overnight di pasar uang antar bank sebagai
indikator kebijakan moneter.
Hakan dan Gulumser (2011) menjelaskan dalam penelitian mereka bahwa perubahan
suku bunga tidak hanya mempengaruhi untuk deposit konvensional dan pinjaman, namun
hal itu mempengaruhi instrumen bank syariah juga. Studi ini menunjukkan bahwa tingkat
suku bunga dapat berdampak negatif terhadap deposito Islam karena kenaikan suku
bunga akan mengalihkan perhatian dari pihak ketiga sehingga mereka lebih memilih
untuk menyimpan uang mereka di bank konvensional ketimbang bank syariah. Penelitian
ini tidak membuktikan argumen mengklaim bahwa bank syariah lebih stabil dibandingkan
bank konvensional yang hanya karena produk mereka adalah bebas bunga dan klaim yang
33
mengatakan bank syariah bisa memberikan kontribusi positif untuk mencapai stabilitas
keuangan.
Ascarya (2012), melakukan penelitian mengenai alur transmisi dan kebijakan moneter
ganda di Indonesia dengan menggunakan model VAR. Data yang digunakan merupakan
data bulanan dari januari 2003 sampai desember 2009. Variabel yang digunakan adalah
Tingkat Inflasi, SBI, SBIS, PUAB, PUAS, INT, PLS, LOAN dan FINC. Hasil
menunjukkan bahwa kebijakan moneter untuk “pengurangan inflasi” dengan pola syariah
lebih efektif dari pada dengan pola konvensional. Dalam sistem moneter ganda, alternatif
pendekatan kebijakan moneter dapat dilakukan dengan menggunakan pendekatan
kuantitatif yang tidak bertentangan untuk konvensional maupun syariah dan pendekatan
harga masih dapat digunakan, namun dengan menggunakan Real Rate of Return sebagai
policy Rate, sehingga dapat applicable untuk konvensional dan syariah.
Muhammad MD Husin (2013) melalukan penelitian yang berjudul Efficiency of
Monetary Policy Transmission Mechanism Via Profit Rate Channel for Islamic Banks in
Malaysia. Penelitian ini bertujuan untuk mengukur efisiensi transmisi kebijakan moneter
untuk bank syariah dalam sistem keuangan Islam di Malaysia. Penelitian ini difokuskan
pada kecepatan dan besarnya transmisi melalui saluran tingkat keuntungan bagi bank
syariah terhadap suku bunga bank konvensional. Metodologi yang digunakan adalah
Vector Auto Regression (VAR), data yang digunakan yaitu berupa data time
series/bulanan dari Januari 2000 sampai Desember 2012. Hasil penelitian menunjukkan
bahwa dampak pass-through melalui saluran laba bank syariah masih tinggi dan cukup
besar. Namun, memburuknya tanda-tanda dapat dirasakan bank syariah sehingga menjadi
lebih sistematis dan penting dalam sistem keuangan. Hasil penelitian ini dapat
membenarkan pendekatan baru dan strategi untuk perumusan kebijakan moneter dan
implementasinya di Malaysia.
34
Yoghi Citra Pratama (2013) melakukan penelitian yang berjudul Effectiveness of
conventional and syariah monetary policy transmission. Tujuan dalam penelitian ini
adalah untuk mengetahui perbandingan efektivitas transmisi kebijakan moneter melalui
instrumen konvensional dan syariah melalui jalur suku bunga dan jalur bagi hasil/ margin.
Metodologi yang digunakan dalam penelitian ini adalah analisis kuantitatif dengan model
VAR/VECM . variabel yang digunakan adalah suku bunga SBI, suku bunga PUAS, suku
bunga deposito, suku bunga kredit, imbal hasil SBIS, imbal hasil PUAS, bagi hasil
deposito dan margin pembiayaan. Data yang diganakan yaitu data time series/ bulanan
dari tahun 2009 s/d 2012. Hasil dalam penelitian ini menunjukkan bahwa secara
keseluruhan, alur transmisi kebijakan moneter konvensional sesuai dengan teori,
sedangkan alur transmisi kebijakan moneter syariah belum dapat diidentifikasi secara
jelas dan terputus di imbal hasil/ profit and los sharing deposito. Berdasarkan estimasi
VECM diketahui dalam jangka panjang instrument syariah merupakan instrumen yang
tepat dalam mengendalikan tingkat inflasi.
Sajjad Zaheer, et al (2013) melakukan penelitian yang berjudul The Transmission of
Monetary Policy Through Conventional and Islamic Banks. Penelitian ini meneliti
tentang perbedaan respon bank terhadap guncangan kebijakan moneter berdasarkan
ukuran, likuiditas dan jenis bank yaitu antara konvensional dan islam di Pakistan dari
tahun 2002:II sampai 2010:I. Hasil penelitian disimpulkan bahwa setelah kontraksi
moneter, bank-bank kecil dengan neraca likuid memotong pinjaman mereka kurang dari
bank-bank kecil lainnya. Sebaliknya bank-bank besar mempertahankan pinjaman dari
posisi likuiditas mereka. Bank syariah, meskipun ukurannya sama dengan bank-bank
kecil, menanggapi guncangan kebijakan moneter seperti bank besar. Oleh karena itu,
saluran kredit dari kebijakan moneter cenderung melemah ketika perbankan islam tumbuh
35
di kepentingan relatif tentu saja dengan asumsi bahwa karakteristik bank syariah tidak
akan berubah karena sektor tumbuh lebih besar.
Ingrit Magdalena dan Wahyu Ario Pratomo (2014), melakukan penelitian tentang
analisis efektivitas transmisi kebijakan moneter ganda di indonesia. Penelitian ini
menggunakan teknik analis dengan pendekatan granger causality test dan VAR (Vector
Autoregression)/VECM (Vector Error Corection Model). Variabel yang digunakan indek
harga konsumen (IHK) sebagai variabel dependen dan SBI, SBIS, PUAB, PUAS, LOAN,
FINC, IHK, SBMK, IHMK. Hasil penelitian ini adalah variabel SBMK dan PUAB
memberikan pengaruh yang positif pada IHK sedangkan variabel SBI dan LOAN
memberikan pengaruh yang negatif sedangkan untuk transmisi moneter syariah hampir
seluruh variabel syariah memberikan pengaruh positif terhadap IHK kecuali variabel
FINC. Hampir semua variabel syariah tidak memiliki peran dalam memicu inflasi. Pada
transmisi moneter konvensional menunjukkan adanya kesinambungan variabel-variabel
konvensional dalam mempengaruhi inflasi yang ditunjukkan dari SBMK sampai pada
SBI dan LOAN kemudian dari SBI sampai pada LOAN, dan LOAN sampai pada IHK.
Pada transmisi moneter syariah menunjukkan tidak adanya kesinambungan variabel-
variabel syariah dalam mempengaruhi inflasi.
Sri Hernianingrum dan Imronjana (2016) melakukan penelitian yang berjudul Dual
Monetary System and Macroeconomic Performance in Indonesia. Penelitian ini
mengevaluasi dampak kebijakan moneter ganda terhadap indikator makroekonomi
(pertumbuhan dan inflasi) di Indonesia. Metode yang digunakan dalam penelitian ini
adalah metode VAR dengan data bulanan dari januari 2010 sampai desember 2013.
Variabel yang digunakan adalah convensional deposits (CD), convensional loan (CL),
islamic deposits (ID), Islamic financing (IF), BI rate, PUAB, PUAS, CPI dan IPI. Hasil
36
penelitian ini menjelaskan bahwa instrumen moneter islam mengindikasikan adanya
potensi pertumbuhan output dan menahan laju inflasi.
2.8 Kerangka Pemikiran
Untuk memperjelas bentuk dan rangkaian penelitian maka diperlukan sebuah
kerangka pemikiran. Berikut merupakan kerangka pemikiran dalam penelitian ini:
Diagram 2.2 Kerangka Pemikiran
2.9 Hipotesis
Berdasarkan uraian dan telaah literatur serta penelitian terdahulu mengenai
mekanisme transmisi kebijakan moneter syariah, maka hipotesis pada penelitian ini
adalah:
1. Transmisi kebijakan moneter syariah tidak menunjukkan adannya kesinambungan
jalur imbal hasil dari margin dengan acuan SBIS sampai ke inflasi.
2. Transmisi kebijakan moneter syariah berdampak positif terhadap pertumbuhan output
dan pengurangan inflasi.
37
BAB III
METODE PENELITIAN
Penelitian ini menggunakan pendekatan kuantitatif. Pada penelitian kuantitatif, teori
atau paradigma teori digunakan untuk menuntun peneliti menemukan masalah penelitian,
menemukan hipotesis, menemukan konsep-konsep, menemukan metodologi dan menemukan
alat-alat analisis data. (Burhan Bungin, 2003)
3.1 Jenis dan Sumber Data
Penelitian ini menggunakan jenis data sekunder yang diambil dari laporan Statistik
Perbankan Indonesia Bank Indonesia (SPI BI), Statistik Perbankan Syariah Bank
Indonesia (SPS BI), Statistik Ekonomi dan Keaungan Indonesia BI (SEKI BI) dan Badan
Pusat Statistik (BPS). Data yang digunakan dalam penelitian ini merupakan data time
series/ runtut waktu bulanan dari bulan januari 2006 hingga april 2016.
Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut :
1. BIRATE : Tingkat suku bunga BI
2. SBIS : Policy Rate perbankan syariah berupa tingkat bonus SWBI dan
tingkat fee SBIS.
3. PUAS : Tingkat bagi hasil pasar uang antar bank syariah.
4. PLS : Tingkat bagi hasil pembiayaan bank syariah.
5. FINC : Total pembiayaan bank syariah.
6. IPI : Industrial Production Index adalah proxy dari pendapatan nasional.
7. IHK : merupakan indikator yang digunakan untuk mengukur tingkat inflasi.
3.2 Variabel Penelitian dan Definisi Operasional
3.2.1 BI Rate (Tingkat Suku Bunga BI)
38
Definisi BI Rate menurut Bank Indonesia adalah suku bunga kebijakan yang
mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh Bank
Indonesia dan diumumkan kepada publik.
BI Rate diumumkan oleh Dewan Gubernur Bank Indonesia setiap Rapat
Dewan Gubernur bulanan dan diimplementasikan pada operasi moneter yang
dilakukan Bank Indonesia melalui pengelolaan likuiditas (liquidity management) di
pasar uang untuk mencapai sasaran operasional kebijakan moneter.
Sasaran operasional kebijakan moneter dicerminkan pada perkembangan suku
bunga Pasar Uang Antar Bank Overnight (PUAB O/N). Pergerakan di suku bunga
PUAB ini diharapkan akan diikuti oleh perkembangan di suku bunga deposito, dan
pada gilirannya suku bunga kredit perbankan.
Dengan mempertimbangkan pula faktor-faktor lain dalam perekonomian,
Bank Indonesia pada umumnya akan menaikkan BI Rate apabila inflasi ke depan
diperkirakan melampaui sasaran yang telah ditetapkan, sebaliknya Bank Indonesia
akan menurunkan BI Rate apabila inflasi ke depan diperkirakan berada di bawah
sasaran yang telah ditetapkan.
3.2.2 SBIS (Sertifikat Bank Indonesia Syariah)
Sertifikat Bank Indonesia Syariah (SBIS) adalah surat berharga berdasarkan
Prinsip Syariah berjangka waktu pendek dalam mata uang rupiah yang diterbitkan
oleh Bank Indonesia. (Peraturan Bank Indonesia No. 10/11/PBI/2008)
SBIS merupakan piranti instrumen moneter berdasarkan prinsip syariah yang
dilakukan Bank Indonesia dalam rangka mengurangi jumlah uang beredar dalam
mekanisme perbankan Syariah. Perbedaan mendasar dari SBI Syariah dengan SBI
konvensional adalah dari penerapan mekanismenya. SBIS menerapkan sistem
imbalan dan SBI konvensional menggunakan mekanisme suku bunga/diskonto
39
(Ridho, 2014). Data SBIS yang digunakan dalam penelitian ini yaitu rate SBIS itu
sendiri.
3.2.3 PUAS
Pasar uang (money market) adalah pasar yang memperjualbelikan surat
berharga jangka pendek yang jangka waktunya tidak lebih dari 1 tahun. Kegiatan di
Pasar Uang ini terjadi karena ada dua pihak, baik pihak yang membutuhkan dana,
maupun pihak yang memiliki kelebihan dana keuangan untuk memenuhi kebutuhan
dana jangka pendek maupun untuk menempatkan dana atas kelebihan likuiditasnya
dalam waktu jangka pendek juga. Bank syariah dapat mengalami kekurangan
likuiditas disebabkan oleh perbedaan jangka waktu antara penerimaan dan penanaman
dana atau kelebihan likuiditas yang dapat terjadi karena dana yang terhimpun belum
dapat disalurkan kepada pihak yang memerlukan. Dalam rangka peningkatan efisiensi
pengelolaan dana, bank yang melakukan kegiatan usaha berdasarkan prinsip syariah
memerlukan adanya pasar uang antarbank (interbank call money). Data PUAS dalam
penelitian ini yaitu berupa rate PUAS.
3.2.4 PLS (Profit and Loss Sharing)
Keharaman bunga dalam syariah membawa konsekuensi adanya penghapusan
bunga secara mutlak. Teori PLS dibangun sebagai tawaran baru di luar sistem bunga
yang cenderung tidak mencerminkan keadilan (injustice/dzalim) karena memberikan
diskriminasi terhadap pembagian resiko maupun untung bagi para pelaku ekonomi
(Sadeq, 1992).
Profit-loss sharing berarti keuntungan dan atau kerugian yang mungkin timbul
dari kegiatan ekonomi/bisnis ditanggung bersamasama. Dalam atribut nisbah bagi
hasil tidak terdapat suatu fixed and certain return sebagaimana bunga, tetapi
dilakukan profit and loss sharing berdasarkan produktifitas nyata dari produk tersebut
40
(Adiwarman Karim, 2001). Dalam penelitian ini data PLS yang digunakan yaitu rate
dari pembiayaan bank syariah musyarakah dan mudharabah.
3.2.5 Financing (Pembiayaan)
Pembiayaan adalah penyediaan uang atau tagihan yang dipersamakan dengan
itu berdasarkan persetujuan atau kesepakatan antara bank dengan pihak lain yang
mewajibkan pihak yang dibiayai untuk menembalikan uang atau tagihan tersebut
setelah jangka waktu tertentu dengan imbalan atau bagi hasil. (UU No. 10 tahun 1998
tentang perbankan)
Pembiayaan merupakan salah satu tugas pokok bank yaitu pemberian fasilitas
dana untuk memenuhi kebutuhan pihak-pihak yang merupakan deficit unit.
3.2.6 IPI (Industial Production Index)
IPI merupakan indikator kinerja ekonomi pada suatu wilayah tertentu. IPI
merupakan proxy pengukuran kondisi ekonomi riil secara bulanan di beberapa
Negara. Data indeks produksi yang digunakan dalam penelitian ini adalah angka
indeks produksi industri pada industri besar dan sedang yang ada di Indonesia.
Pengukuran IPI dalam penelitian ini dihasilkan atas dasar harga konstan tahun dasar
2010.
3.2.7 Inflasi
Secara sederhana inflasi diartikan sebagai meningkatnya harga-harga secara
umum dan terus menerus. Kenaikan harga dari satu atau dua barang saja tidak dapat
disebut inflasi kecuali bila kenaikan itu meluas (atau mengakibatkan kenaikan harga)
pada barang lainnya. Kebalikan dari inflasi disebut deflasi.
Indikator yang sering digunakan untuk mengukur tingkat inflasi adalah Indeks
Harga Konsumen (IHK). Perubahan IHK dari waktu ke waktu menunjukkan
pergerakan harga dari paket barang dan jasa yang dikonsumsi masyarakat.
41
Kestabilan inflasi merupakan prasyarat bagi pertumbuhan ekonomi yang
berkesinambungan yang pada akhirnya memberikan manfaat bagi peningkatan
kesejahteraan masyarakat. Pentingnya pengendalian inflasi didasarkan pada
pertimbangan bahwa inflasi yang tinggi dan tidak stabil memberikan dampak negatif
kepada kondisi sosial ekonomi masyarakat.
Pertama, inflasi yang tinggi akan menyebabkan pendapatan riil masyarakat
akan terus turun sehingga standar hidup dari masyarakat turun dan akhirnya
menjadikan semua orang, terutama orang miskin, bertambah miskin.
Kedua, inflasi yang tidak stabil akan menciptakan ketidakpastian (uncertainty)
bagi pelaku ekonomi dalam mengambil keputusan. Pengalaman empiris menunjukkan
bahwa inflasi yang tidak stabil akan menyulitkan keputusan masyarakat dalam
melakukan konsumsi, investasi, dan produksi, yang pada akhirnya akan menurunkan
pertumbuhan ekonomi.
Ketiga, tingkat inflasi domestik yang lebih tinggi dibanding dengan tingkat
inflasi di negara tetangga menjadikan tingkat bunga domestik riil menjadi tidak
kompetitif sehingga dapat memberikan tekanan pada nilai rupiah.
3.3 Metode Analisis
Penelitian ini menggunakan alat analisis Vector Auto Regression (VAR) untuk
mengelola data, jika data-data yang digunakan stasioner dan tidak terkointegrasi, atau
dilanjutkan dengan metode Vector Error Correction Model (VECM) jika data-data yang
digunakan stasioner dan terdapat kointegrasi.
3.3.1 Vector Auto Regression (VAR)
Vector Autoregression (VAR) adalah salah satu bentuk model ekonometrika yang
menjadikan suatu peubah sebagai fungsi linier dari konstanta dan lag dari peubah itu
42
sendiri serta nilai lag dari peubah lain yang terdapat dalam suatu sistem persamaan
tertentu. Keunggulan dari analisis VAR dibanding metode ekonometri lainnya antara lain
adalah (Djalal :2006) :
1. Model VAR adalah model yang sederhana dan tidak perlu membedakan mana
variabel endogen dan mana variabel eksogen. Karena semua variabel pada model
VAR dianggap sebagai variabel endogen.
2. Cara estimasi model VAR sangat mudah, yaitu dengan menggunakan OLS pada
setiap persamaan secara terpisah.
3. Peramalan menggunakan model VAR pada beberapa hal lebih baik dibandingkan
menggunakan model dengan persamaan simultan yang lebih kompleks.
Namun model VAR juga memiliki banyak kritik sehingga terdapat beberapa
kelemahan. Menurut Gujarati (2003), kelemahan VAR antara lain:
1. Model VAR lebih bersifat ateoritik karena tidak memanfaatkan informasi dari
teori-teori terdahulu;
2. Karena lebih menitikberatkan pada peramalan (forecasting), Tantangan terberat
dalam VAR adalah pemilihan panjang lag yang tepat;
3. Semua variabel yang digunakan dalam model VAR harus stasioner;
4. Koefisien dalam estimasi VAR sulit untuk diinterpretasikan.
3.3.2 Model Umum Vektor Autoregression (VAR)
Bentuk umum model Vector Autoregression (VAR) adalah memperlakukan seluruh
variabel sebagai variabel endogen. Bentuk umum model VAR dengan n variabel endogen
bisa ditulis sebagai berikut (Widarjono, 2013) :
𝑌1𝑡 = 𝛽01 + ∑ 𝑖=1𝑝 𝛽𝑖1𝑌1𝑡−𝑖 + ∑ 𝑖=1
𝑝 𝛼𝑖1𝑌2𝑡−𝑖 + ∙∙∙ + ∑ 𝑖=1𝑝 𝜂𝑖1𝑌𝑛𝑡−𝑖 + 𝑒1𝑡
43
................................................................................................................
𝑌𝑛𝑡 = 𝛽01 + ∑ 𝑖=1𝑝 𝛽𝑖𝑛𝑌1𝑡−𝑖 + ∑ 𝑖=1
𝑝 𝛼𝑖𝑛𝑌2𝑡−𝑖 + ∙∙∙ + ∑ 𝑖=1𝑝 𝜂𝑖𝑛𝑌𝑛𝑡−𝑖 + 𝑒𝑛𝑡 (4.1)
Dimana:
Y = variabel dependen
β = konstanta
p = panjangnya kelambanan
t = tren waktu
e = residual (kesalahan pengganggu)
3.4 Pengujian Estimasi VAR
Sebelum melakukan estimasi VAR atau VECM terlebih dahulu harus dilakukan beberapa
pengujian. Berikut ini adalah beberapa pengujian yang harus dilakukan:
3.4.1 Uji Stasioneritas Data
Uji stasioneritas adalah langkah pertama dalam pembentukan model VAR yang
dilakukan untuk mengetahui apakah data stasioner pada level atau stasioner pada pembedaan
(in differences) pada derajat tertentu. Mengenai hal ini Widarjono (2013) menjelaskan
langkah pertama mengestimasi model VAR adalah melakukan uji stasioneritas data. Uji
Stasionaritas dapat dilakukan dengan menggunakan uji akar unit Augmented Dickey-Fuller
(ADF) atau Philips-Perron (PP) atau uji lain yang sesuai dengan bentuk tren yang terkandung
pada setiap variabel. Hasil uji ADF dan PP atau yang lain sangat dipengaruhi oleh
panjangnya kelambanan. Panjangnya kelambanan uji akar unit ADF maupun PP bisa
dilakukan melalui kriteria sari Akaike Information Criterion (AIC) maupun Schwartz
Information Criterion (SIC) atau dengan kriteria lain.
44
Pengujian ADF dilakukan menggunakan perangkat lunak Eviews, hasil t-statistic
dibandingkan dengan nilai t MacKinnon Critical Value. Jika t-statistic lebih kecil dari Test
critical value berarti data tidak stasioner. Sebaliknya Jika t-statistic lebih besar dari Test
critical value berarti data stasioner. Dapat juga dengan melihat nilai probability hasil uji
ADF. Jika nilai Probability lebih besar dari tingkat level (1%, 5%,10%) maka berarti data
tidak stasioner. Sebaliknya jika nilai probability lebih kecil tingkat level berarti data data
stasioner.
Jika dari hasil uji ADF ternyata data tidak stasioner maka data dapat distasionerkan,
yaitu dengan melakukan diferensi. Winarno (2009) ”Untuk menjadikan data tidak stasioner
menjadi stasioner biasanya data cukup didiferensi saja. Pada tingkat pertama, biasanya data
sudah menjadi stasioner. Kalau ternyata belum, kemungkinan besar pada diferensi kedua
sudah stasioner ”.
3.4.2 Uji Kointegrasi
Uji kointegritas data dilakukan ketika uji stasioneritas data menghasilkan data-data
yang tidak stasioner. Uji kointegrasi perlu dilakukan untuk mengetahui apakah data
mempunyai hubungan jangka panjang (terkointegrasi). Hubungan saling mempengaruhi juga
dapat dilihat dari kointegritas yang terjadi antar variabel itu sendiri dan menentukan model
yang akan diestimasi, apakah menggunakan VAR biasa atau VAR – Vector Error Correction
Model (VARVECM).
Jika data tidak stasioner pada level tetapi stasioner pada proses diferensi data, maka
kita harus menguji apakah data mempunyai hubungan dalam jangka panjang atau tidak
dengan melakukan uji kointegrasi. Apabila terdapat kointegrasi maka model yang digunakan
Vector Error Correction Model (VECM). Model VECM ini merupakan model restriksi
45
(restricted VAR) karena adanya kointegritasi yang menunjukkan adanya hubungan jangka
panjang antar variabel di dalam sistem VAR (Widarjono, 2007).
Variabel-variabel yang stasioner pada tingkat diferensi pertama cenderung
kointegrasi, Winarno (2009) “Dua variabel yang tidak stasioner sebelum didifferensi namun
stasioner pada tingkat differensi pertama, besar kemungkinan akan terjadi kointegrasi, yang
berarti terdapat hubungan jangka panjang di antara keduanya ”.
Sebagaimana dinyatakan oleh Engle-Granger (1983) keberadaan variabel
nonstasioner menyebabkan kemungkinan adanya hubungan jangka panjang antara variabel di
dalam sistem VAR. Berkaitan dengan hal ini, maka langkah selanjutnya di dalam estimasi
VAR adalah uji kointegrasi untuk mengetahui keberadaan hubungan antar variabel. Pada
langkah ini kita akan mengetahui apakah model kita merupakan VAR tingkat diferensi jika
tidak ada kointegrasi dan VECM bila terdapat kointegrasi. (Widarjono, 2013).
Uji kointegrasi yang digunakan dalam penelitian ini yaitu uji Johansen. Uji yang
dikembangkan Johansen dapat digunakan untuk menentukan kointegrasi sejumlah variabel
(vektor). Ada tidaknya kointegrasi didasarkan pada uji likelihood ratio (LR). Jika nilai LR
hitung lebih besar dari nilai kritis LR maka menerima adanya kointegrasi sejumlah variabel
dan sebaliknya jika nilai hitung LR lebih kecil dari nilai kritisnya maka tidak ada kointegrasi.
Nilai LR kritis diperoleh dari tabel yang dikembangkan oleh Johansen dan Juselius. Nilai
hitung LR dihitung berdasarkan formula sebagai berikut:
𝑄𝑡 = −𝑇Σ𝑖=𝑟+1𝑘 log (1 − 𝜆𝑖) (3.2)
Johansen juga menyediakan uji statistik LR alternatif yang dikenal maximum eigenvalue
statistic. Maximum eigenvalue statistic dapat dihitung dari trace statistic sebagai berikut:
𝑄𝑚𝑎𝑥 = − 𝑇(1 − 𝜆𝑖+1) = 𝑄𝑡 − 𝑄𝑡+1 (3.3)
46
Ada tidaknya kointegrasi juga bisa didasarkan pada probabilitas hasil uji kointegrasi
Johansen. Jika nilai probabilitas lebih kecil dari 0.05 maka ada kointegrasi pada variabel
tersebut. Sebaliknya jika probabilitasnya lebih besar dari pada 0.05 maka tidak ada
kointegrasi pada variabel tersebut.
3.5 Metode Vector Error Correction Model (VECM)
Vector Error Correction Model (VECM) adalah VAR terestriksi yang digunakan
untuk variabel yang nonstasioner tetapi memiliki potensi untuk terkointegrasi. Setelah
dilakukan pengujian kointegrasi pada model yang digunakan maka dianjurkan untuk
memasukkan persamaan kointegrasi ke dalam model yang digunakan. Pada data time series
kebanyakan memiliki tingkat stasioneritas pada first difference atau I(1). VECM kemudian
memanfaatkan informasi restriksi kointegrasi tersebut ke dalam spesifikasinya. Oleh karena
itu, VECM sering disebut sebagai desain VAR bagi series nonstasioner yang memiliki
hubungan kointegrasi. Dengan demikian, dalam VECM terdapat speed of adjustment dari
jangka pendek ke jangka panjang.
Berikut adalah tahapan yang dilakukan dalam penggunaan metode VAR dan VECM,
secara lebih ringkas digambarkan dalam gambar dibawah ini:
47
Diagram 3.1 Proses Analisis VAR
Sumber: Ascarya 2012
3.5.1 Model Umum Vector Error Correction Model (VECM)
Model VECM digunakan apabila terdapat persamaan yang terkointegrasi, dimana
nilai trace statistic lebih besar dari pada critical value. Pada persamaan VECM telah
terkandung parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk
mengetahui respon pada jangka pendek dan jangka panjang.
3.6 Estimasi VAR-VECM
3.6.1 Impulse Responses Function (IRF)
Impulse Responses Function (IRF) merupakan respon dari sebuah variabel dependen
jika mendapat guncangan atau inovasi variabel independen sebesar satu standar deviasi. IRF
mengukur pengaruh guncangan pada waktu tersebut dan pengaruhnya dimasa yang akan
datang.
IRF berfungsi untuk mengetahui suatu variabel terhadap variabel tertentu apabila
terjadi guncangan atau shock susatu variabel. Kemudian IRF juga berfungsi untuk
48
mengetahui besarnya nilai guncangan terhadap nilai variabel yang ada. Apabila suatu variabel
yang dapat dipengaruhi oleh shock, maka shock spesifik tersebut tidak dapat diketahui
melainkan secara umum.
3.6.2 Variance Decomposition
Instrumen kedua dari VECM adalah analisis Forecast Error Variance Decomposition
(FEVD). FEVD berfungsi untuk memprediksi kontribusi setiap variabel terhadap guncangan
atau perubahan variabel tertentu (Ascarya, 2009). Metode FEVD mencirikan suatu struktur
dinamis dalam model VAR, dimana dapat dilihat kekuatan dan kelemahan dari setiap
variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang. FEVD
menghasilkan informasi mengenai relatif pentingnya masing-masing inovasi acak atau
seberapa kuat komposisi dari peranan variabel tertentu terhadap variabel lainnya (Hasanah
dalam Ayuniyyah, 2010).
3.6.3 Uji Kausalitas
Analisis terakhir berkaitan dengan model sistem VAR non struktural adalah mencari
hubungan sebab akibat atau uji kausalitas antar variabel endogen di dalam sistem VAR.
Hubungan sebab akibat ini bisa diuji dengan menggunakan uji kausalitas Granger. Ada
tidaknya kausalitas diuji melalui uji F atau dilihat dari nilai probabilitasnya.
3.7 Model Penelitian
Model VAR dan VECM yang digunakan dalam penelitian ini adalah sebagai berikut:
𝑌1𝑡 = 𝛽01 + ∑ 𝑖=1𝑝
𝛽𝑖1𝑌1𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛼𝑖1𝑌2𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛾𝑖1𝑌3𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛿𝑖1𝑌4𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜂𝑖1𝑌5𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜎𝑖1𝑌6𝑡−𝑖 + 𝑒1𝑡
𝑌2𝑡 = 𝛽02 + ∑ 𝑖=1𝑝
𝛽𝑖2𝑌1𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛼𝑖2𝑌2𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛾𝑖2𝑌3𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛿𝑖2𝑌4𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜂𝑖2𝑌5𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜎𝑖1𝑌6𝑡−𝑖 + 𝑒2𝑡
𝑌3𝑡 = 𝛽03 + ∑ 𝑖=1𝑝
𝛽𝑖3𝑌1𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛼𝑖3𝑌2𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛾𝑖3𝑌3𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛿𝑖3𝑌4𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜂𝑖3𝑌5𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜎𝑖1𝑌6𝑡−𝑖 + 𝑒3𝑡
𝑌4𝑡 = 𝛽04 + ∑ 𝑖=1𝑝
𝛽𝑖4𝑌1𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛼𝑖4𝑌2𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛾𝑖4𝑌3𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛿𝑖4𝑌4𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜂𝑖4𝑌5𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜎𝑖1𝑌6𝑡−𝑖 + 𝑒4𝑡
49
𝑌5𝑡 = 𝛽05 + ∑ 𝑖=1𝑝
𝛽𝑖5𝑌1𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛼𝑖5𝑌2𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛾𝑖5𝑌3𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛿𝑖5𝑌4𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜂𝑖5𝑌5𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜎𝑖1𝑌6𝑡−𝑖 + 𝑒5𝑡
𝑌6𝑡 = 𝛽06 + ∑ 𝑖=1𝑝
𝛽𝑖6𝑌1𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛼𝑖6𝑌2𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛾𝑖6𝑌3𝑡−𝑖 + ∑ 𝑖=1𝑝
𝛿𝑖6𝑌4𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜂𝑖6𝑌5𝑡−𝑖 + ∑ 𝑖=1𝑝
𝜎𝑖1𝑌6𝑡−𝑖 + 𝑒6𝑡
Dimana Y1 = Tingkat imbal hasil SBIS; Y2 = Tingkat imbabalan PUAS; Y3 = Bagi
hasil (PLS); Y4 = Total pembiayaan bank syariah (FINC); Y5 = Indeks Harga Konsumen
(IHK); Y6 = Suku bunga BI (BIRATE); β = konstanta; p = panjangnya kelambanan; t = tren
waktu; e = residual (kesalahan pengganggu).
50
BAB IV
ANALISIS DATA DAN PEMBAHASAN
4.1 Estimasi VAR-VECM
Beberapa hal yang ingin diperoleh dari model VAR-VECM yaitu Impulse Response
Function dan Variance Decomposition. Sebelum melakukan estimasi dengan menggunakan
VAR maka dilakukan pengujian data terhadap variabel-variabel penelitian untuk mengetahui
model VAR yang tepat.
4.1.1 Uji Stasioneritas Data Time Series
Uji stasioneritas sangat penting dalam analisis time series. Pengujian stasioneritas ini
dilakukan dengan menguji akar-akar unit atau unit root test. Data yang tidak stasioner akan
mempunyai akar-akar unit, sebaliknya data yang stasioner tidak ada akar-akar unit. Data yang
tidak stasioner akan menghasilkan regresi lancung (spurious regression) yaitu regresi yang
menggambarkan hubungan dua variabel atau lebih yang nampaknya signifikan secara statistik
padahal kenyataannya tidak, atau tidak sebesar regresi yang dihasilkan tersebut (Widarjono,
2009).
Pengujian stasioneritas pada penelitian ini didasarkan pada Augmented Dickey Fuller
(ADF) test dengan menggunakan taraf nyata 5% atau dengan tingkat kepercayaan 95%. Hasil
pengujian stasioneritas dapat dilihat pada Tabel berikut:
Tabel 4.1. Hasil Pengujian Non-stasioneritas Pada Tingkat Level
Variabel ADF
Statistic
Nilai Kritis Mc Kinnon Prob
1% 5% 10%
BI Rate -3.41203 -3.48245 -2.88429 -2.57898 0.0123
SBIS -2.476799 -3.48655 -2.88607 -2.57993 0.1237
51
PUAS -2.998033 -3.48204 -2.88411 -2.57888 0.0377
PLS -1.612254 -3.48162 -2.88393 -2.57879 0.4734
FINC -1.498233 -3.48288 -2.88448 -2.57908 0.5314
IHK -1.575767 -3.48162 -2.88393 -2.57879 0.4920
IPI -0.877375 -3.48245 -2.88429 -2.57898 0.7926
Hasil pengujian akar unit pada tabel 4.1. menunjukkan bahwa hanya variabel BI Rate
dan PUAS yang stasioner sedangkan variabel SBIS, FINC, PLS, IHK, IPI tidak stasioner di
tingkat level pada taraf nyata 5%. Hal ini dikarenakan nilai absolut ADF variabel-variabel
tersebut lebih kecil dibanding dengan nilai kritis Mac Kinnon. Untuk menunjukkan semua
variabel di atas agar stasioner, pengujian non-stasioneritas perlu dilanjutkan pada tingkat first
difference.
Tabel 4.2. Hasil Pengujian Non-stasioneritas Pada Tingkat First Difference.
Variabel ADF
Statistic
Nilai Kritis Mc Kinnon Prob
1% 5% 10%
BI Rate -3.689472 -3.48245 -2.88429 -2.57898 0.0053
SBIS -6.932919 -3.48331 -2.88467 -2.57918 0.0000
PUAS -15.25155 -3.48204 -2.88411 -2.57888 0.0000
PLS -11.25467 -3.48204 -2.88411 -2.57888 0.0000
FINC -3.288864 -3.48288 -2.88448 -2.57908 0.0174
IHK -13.55758 -3.48204 -2.88411 -2.57888 0.0000
IPI -11.77563 -3.48245 -2.88429 -2.57898 0.0000
Hasil pengujian akar unit pada tabel 4.2 menunjukkan bahwa semua variabel yang
digunakan dalam penelitian ini telah stasioner pada tingkat first difference. Hal ini
dikarenakan nilai absolut ADF semua variabel tersebut lebih besar dari nilai kritis Mac
Kinnon pada taraf nyata 5%.
4.1.2 Penetapan Lag Optimal
Penetapan lag optimal penting dilakukan, karena dalam metode VAR lag optimal dari
variabel endogen merupakan variabel independen yang digunakan dalam model.
Permasalahan yang muncul apabila lag-nya terlalu kecil akan membuat model tersebut tidak
52
dapat digunakan karena kurang mampu menjelaskan hubungannya. Dan sebaliknya, jika
panjang lag yang digunakan terlalu besar maka derajad bebasnya (degree of freedom) akan
menjadi lebih besar sehingga tidak efisien lagi dalam menjelaskan. Salah satu metode yang
paling umum digunakan untuk menentukan panjang lag adalah dengan melihat Akaike
Information Criterion (AIC) (Gujarati, 2004).
Tabel 4.3. Hasil Pengujian Lag Optimal
Model IHK
Model IPI
Lag AIC SC
Lag AIC SC
1 7.107671 7.922225*
1 6.067519 6.882073*
2 7.101782* 8.73089
2 6.049964 7.679073
3 7.222673 9.666336
3 6.081433 8.525096
4 7.390524 10.64874
4 5.932830* 9.191047
5 7.530034 11.60281
5 6.187955 10.26073
Pengujian lag optimal juga sangat berguna untuk menghilangkan masalah
autokorelasi dalam sistem VAR, sehingga dengan digunakannya lag optimal diharapkan tidak
muncul lagi masalah autokorelasi. Lag optimal juga dapat dihitung dengan menggunakan
Schwarz Information Criterion (SIC) dengan mengambil nilai SIC yang paling kecil. Dalam
penelitian ini lag optimal yang digunakan adalah 1. Hal ini dapat dilihat dari hasil penetapan
lag optimal pada Tabel 4.3.
4.1.3 Uji Kointegrasi
Kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang tidak
stasioner. Maksudnya, walaupun secara individual variabel-variabel tersebut tidak stasioner,
namun kombinasi linier antara variabel tersebut dapat menjadi stasioner. Pengujian
kointegrasi perlu dilakukan sebagai pelengkap dari pengujian stasioneritas untuk menghindari
fenomena regresi palsu.
53
Jika data tidak stasioner pada level tetapi stasioner pada tingkat diferensi data, maka
kita harus menguji apakah data mempunyai hubungan dalam jangka panjang atau tidak
dengan melakukan uji kointegritas. Apabila terdapat kointegritas maka model yang kita
punyai memiliki model Vector Error Correction Model (VECM). Model VECM ini
merupakan model restriksi (restricted VAR) karena adanya kointegritasi yang menunjukkan
adanya hubungan jangka panjang antar variabel di dalam sistem VAR (Widarjono,2007).
Tabel 4.4. HasiUji Kointegrasi.
Unrestricted Cointegration Rank Test (Trace) Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.359091 171.1331 125.6154 0.0000
At most 1 * 0.255962 115.5247 95.75366 0.0011
At most 2 * 0.203502 78.56677 69.81889 0.0085
At most 3 * 0.154486 50.12549 47.85613 0.0301
At most 4 0.124589 29.14920 29.79707 0.0593
At most 5 0.084578 12.51642 15.49471 0.1338
At most 6 0.011692 1.470171 3.841466 0.2253 Trace test indicates 4 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue) Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.** None * 0.359091 55.60843 46.23142 0.0038
At most 1 0.255962 36.95790 40.07757 0.1078
At most 2 0.203502 28.44128 33.87687 0.1939
At most 3 0.154486 20.97629 27.58434 0.2777
At most 4 0.124589 16.63277 21.13162 0.1900
At most 5 0.084578 11.04625 14.26460 0.1519
At most 6 0.011692 1.470171 3.841466 0.2253 Max-eigenvalue test indicates 1 cointegrating eqn(s) at the 0.05 level
* denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Hasil output uji kointegrasi di atas dapat dilihat bahwa, beberapa nilai trace statistic >
critical value, begitu juga dengan nilai max eigen statistic sebesar 55.60843 lebih besar dari
nilai critical value yaitu sebesar 46.23142, ini berarti bahwa dalam jangka panjang terdapat
54
kointegrasi di dalam model persamaan tersebut. maka model yang digunakan ialah Vector
Error Correction Model (VECM).
4.2 Granger Causality
Model yang diuji terbagi menjadi dua yaitu output dan inflasi. Hasil Granger
Causality untuk alur transmisi kebijakan moneter dengan tujuan akhir output (IPI) dalam
diagram 4.1 menunjukkan tidak adanya kesinambungan jalur imbal hasil dari margin acuan
SBIS sampai ke output. SBIS mempengaruhi pasar keuangan ke PUAS dan Financing, PLS
mempengaruhi PUAS, PUAS mempengaruhi Financing, dari financing ke output.
Diagram 4.1
Alur Transmisi Moneter Syariah dari SBIS ke Output
Tabel 4.5. Hasil Pengujian Granger Causality Model Output
Null Hypothesis: Prob.
SBIS does not Granger Cause PUAS 0.0871
SBIS does not Granger Cause LFINC 0.0028
PLS does not Granger Cause PUAS 0.0914
PUAS does not Granger Cause LFINC 0.0001
PLS does not Granger Cause LFINC 0.0004
LFINC does not Granger Cause IPI 0.0086
Untuk hasil Granger Causality model inflasi, yakni alur transmisi kebijakan moneter
dari SBIS dengan tujuan akhir inflasi (IHK) ditunjukkan dalam diagram 4.2. Hasil Granger
Causality menunjukkan adanya kesinambungan jalur imbal hasil dari margin dengan acuan
55
SBIS sampai ke inflasi. SBIS mempengaruhi PUAS dan financing, sementara itu PLS
mampengaruhi PUAS dan financing, dari PUAS ke financing, dari financing ke inflasi dan
inflasi memberikan pengaruh balik ke financing.
Diagram 4.2
Alur Transmisi Moneter Syariah SBIS ke Inflasi
Tabel 4.6. Hasil Pengujian Granger Causality Model Inflasi
Null Hypothesis: Prob.
SBIS does not Granger Cause PUAS 0.0871
SBIS does not Granger Cause LFINC 0.0028
PLS does not Granger Cause PUAS 0.0914
PUAS does not Granger Cause LFINC 0.0001
PLS does not Granger Cause LFINC 0.0004
IHK does not Granger Cause LFINC 0.0238
LFINC does not Granger Cause IHK 0.0088
Untuk alur transmisi kebijakan moneter dengan tujuan akhir output (IPI) melalui jalur
acuan BI Rate ditunjukkan dalam diagram 4.3. Hasil menunjukkan tidak adanya
kesinambungan jalur acuan BI Rate sampai ke output. BI Rate mempengaruhi PUAS dan
PLS, dari PLS mempengaruhi PUAS dan financing, dari PUAS ke financing, serta dari
financing ke output.
56
Diagram 4.3
Alur Transmisi Moneter Syariah BI Rate ke Output
Tabel 4.7. Hasil Pengujian Granger Causality Model Output
Null Hypothesis: Prob.
PUAS does not Granger Cause BIRATE 0.0241
BIRATE does not Granger Cause PUAS 0.0405
BIRATE does not Granger Cause LFINC 0.0016
PLS does not Granger Cause PUAS 0.0914
PUAS does not Granger Cause LFINC 0.0001
PLS does not Granger Cause LFINC 0.0004
LFINC does not Granger Cause IPI 0.0086
Untuk alur transmisi kebijakan moneter dengan tujuan akhir inflasi (IHK) melalui
jalur acuan BI Rate ditunjukkan dalam diagram 4.4. BI Rate mempengaruhi PUAS dan
financing, dari PLS mempengaruhi PUAS dan financing, dari PUAS ke financing, serta PLS
dan financing mempengaruhi inflasi. Setelah itu inflasi memberikan pengaruh balik ke
financing.
57
Diagram 4.4
Alur Transmisi Moneter Syariah BI Rate ke Inflasi
Tabel 4.8. Hasil Pengujian Granger Causality Model Inflasi
Null Hypothesis: Prob.
PUAS does not Granger Cause BIRATE 0.0241
BIRATE does not Granger Cause PUAS 0.0405
BIRATE does not Granger Cause LFINC 0.0016
PLS does not Granger Cause PUAS 0.0914
PUAS does not Granger Cause LFINC 0.0001
PLS does not Granger Cause LFINC 0.0004
IHK does not Granger Cause LFINC 0.0238
LFINC does not Granger Cause IHK 0.0088
4.3 Analisis Impulse Response Function (IRF)
VAR merupakan suatu metode yang akan menentukan sendiri struktur dinamisnya
dari suatu model. Setelah dilakukan uji VAR, maka diperlukan adanya metode yang dapat
mencirikan struktur dinamis VAR secara jelas. Impulse Response Function (IRF) digunakan
untuk mengidentifikasi suatu kejutan pada satu variabel endogen sehingga dapat menentukan
bagaimana suatu perubahan yang tidak diharapkan dalam variabel mempengaruhi variabel
lain.
Gambar impulse response akan menunjukkan respon suatu variabel akibat kejutan
variabel lainnya sampai dengan beberapa periode setelah terjadinya shock. Jika gambar
impulse response menunjukkan pergerakkan yang semakin mendekati titik keseimbangan
58
(convergence) atau kembali ke keseimbangan sebelumnya bermakna respon suatu variabel
akibat suatu kejutan makin lama akan menghilang sehingga kejutan tersebut tidak
meninggalkan pengaruh permanen terhadap variabel tersebut.
Gambar berikut menunjukkan hasil impulse response model output (IPI). Pada tahap
ini diuraikan mengenai analisis hubungan antara instrumen kebijakan moneter (SBIS) dengan
PUAS sebagai sasaran opersional kebijakan. Pada gambar 4.1 menunjukkan bahwa respon
PUAS terhadap shock SBIS positif mulai dari awal periode hingga akhir periode. Respon
positif ini menunjukkan ketika tingkat imbal hasil SBIS naik, hal ini akan diikuti pula oleh
kenaikan tingkat imbal hasil PUAS.
Tahap selanjutnya diuraikan mengenai hubungan antara pembiayaan perbankan
syariah dengan tingkat imbal hasil Pasar Uang Antarbank Syariah (PUAS). Respon
pembiayaan perbankan syariah terhadap shock PUAS adalah negatif mulai dari awal periode
hingga akhir periode. Respon ini disebabkan oleh sifat dari Pasar Uang Antarbank Syariah
sebagai instrumen likuiditas bagi perbankan syariah. Untuk mengoptimalkan portofolio, dana
yang menganggur dapat ditempatkan pada instrumen likuiditas ini sehingga ketika imbal
hasil PUAS tinggi bank syariah tidak usah repot-repot mengalokasikan dananya ke
pembiayaan.
Pada tahap ketiga diuraikan mengenai analisis hubungan antara Indeks Produksi
Industri (IPI) dengan pembiayaan perbankan syariah (FINC). Respon IPI terhadap
pembiayaan perbankan syariah positif dan konvergen. Respon positif ini sesuai dengan
karakteristik perbankan syariah yang meningkatkan pertumbuhan ekonomi yang tercermin
pada meningkatkannya pertumbuhan industri.
59
Grafik 4.1. Impulse Response Function (IRF) untuk model output
-.4
-.2
.0
.2
.4
.6
.8
5 10 15 20 25 30 35
Response of PUAS to SBIS
-.02
-.01
.00
.01
.02
.03
5 10 15 20 25 30 35
Response of LFINC to PUAS
-2
-1
0
1
2
3
4
5 10 15 20 25 30 35
Response of IPI to LFINC
Response to Cholesky One S.D. Innovations
Untuk hasil impulse response model inflasi (IHK) akibat guncangan BIRATE, SBIS,
PUAS, PLS, FINC ditunjukkan oleh gambar berikut:
Grafik 4.2. Impulse Response Function (IRF) untuk model inflasi
-.4
-.2
.0
.2
.4
.6
.8
5 10 15 20 25 30 35
Response of SBIS to IHK
-.2
.0
.2
.4
.6
.8
5 10 15 20 25 30 35
Response of PUAS to SBIS
-.2
.0
.2
.4
.6
.8
5 10 15 20 25 30 35
Response of PUAS to LFINC
-.2
.0
.2
.4
.6
.8
5 10 15 20 25 30 35
Response of PUAS to IHK
-0.4
0.0
0.4
0.8
1.2
1.6
5 10 15 20 25 30 35
Response of PLS to SBIS
-.04
-.02
.00
.02
.04
5 10 15 20 25 30 35
Response of LFINC to SBIS
-.04
-.02
.00
.02
.04
5 10 15 20 25 30 35
Response of LFINC to PLS
-.04
-.02
.00
.02
.04
5 10 15 20 25 30 35
Response of LFINC to IHK
-4
-2
0
2
4
6
5 10 15 20 25 30 35
Response of IHK to SBIS
Response to Cholesky One S.D. Innovations
60
Hasil Impulse Response Function (IRF) untuk alur transmisi kebijakan moneter model
inflasi menunjukkan bahwa respon SBIS terhadap guncangan inflasi adalah negatif. Dengan
kata lain, ketika SBIS mengalami guncangan (peningkatan) maka akan menurunkan inflasi.
Lebih lanjut, dalam jangka panjang tidak terlihat tanda-tanda pergerakannya menuju
keseimbangan atau mendekati angka nol (covergence) artinya perubahan SBIS akan tetap
direspon oleh inflasi (IHK) karena efeknya yg permanen.
Jika melihat hasil impulse response function (IRF), Respon PUAS terhadap shock
SBIS positif mulai dari awal periode hingga akhir periode. Respon positif ini menunjukkan
ketika tingkat imbal hasil SBIS naik, hal ini akan diikuti pula oleh kenaikan tingkat imbal
hasil PUAS. Sedangkan respon PUAS terhadap guncangan inflasi (IHK) adalah negatif.
Dengan kata lain, ketika PUAS mengalami guncangan peningkatan maka akan meningkatkan
inflasi.
Respon PUAS terhadap pembiayaan bank syariah (FINC) adalah positif. Dengan kata
lain, ketika PUAS mengalami guncangan peningkatan maka adan meningkatkan pembiayaan
perbankan syariah. Respon PLS terhadap guncangan SBIS adalah positif.
Respon pembiayaan (FINC) terhadap SBIS negatif. Hal ini dapat disimpulkan bahwa
apabila dana bank syariah disimpan melalui SBIS, maka akan semakin mempengaruhi
penurunan pembiayaan bank syariah. Ini disebabkan apabila SBIS semakin besar jumlahnya,
maka pembiayaan yang disalurkan oleh bank syariah akan menurun. Pada akhirnya
berimplikasi pada manfaat ke sektor riil semakin berkurang.
Respon pembiayaan terhadap guncangan inflasi adalah negatif. Dengan kata lain,
semakin tinggi pembiayaan maka akan mampu menurunkan inflasi. Lebih lanjut, dalam
jangka panjang tidak terlihat tanda-tanda pergerakannya menuju keseimbangan atau
61
mendekati angka nol (covergence) artinya perubahan pembiayaan akan tetap direspon oleh
inflasi (IHK) karena efeknya yg permanen.
4.4 Analisis Variance Decomposition (VD)
Setelah menganalisis prilaku guncangan melalui impulse response, maka tahap
berikutnya adalah memprediksi kontribusi setiap variabel penelitian terhadap guncangan atau
perubahan variabel tertentu dengan melihat model melalui variance decomposition (VD).
Analisis Variance Decomposition dapat menjelaskan sejauh mana peranan suatu variabel
ekonomi dalam menjelaskan guncangan variabel ekonomi lainnya. Analisis Variance
Decomposition (VD) dapat pula dipakai untuk melihat kekuatan dan kelemahan dari masing-
masing variabel dalam mempengaruhi variabel lainnya dalam kurun waktu yang panjang.
Variance decomposition (VD) memberikan informasi mengenai proporsi dari
pergerakan pengaruh shock pada sebuah variabel terhadap variabel lainnya pada periode saat
ini dan yang akan datang. Hasil dari variance decomposition dalam penelitian ini adalah
sebagai berikut:
Tabel 4.4
Variance Decomposition of IPI
Period S.E. BIRATE SBIS PUAS PLS LFINC IPI 1 0.175047 0.708698 0.583889 0.061514 0.080144 0.333636 98.23212
2 0.317820 0.846123 1.246390 0.833758 0.206821 0.545300 96.32161
3 0.448227 0.908328 0.966014 2.732232 0.252343 0.404827 94.73626
4 0.564980 0.924875 0.831344 3.835687 0.274331 0.324962 93.80880
5 0.669488 0.928794 0.710219 5.064286 0.297898 0.270795 92.72801
6 0.763732 0.923570 0.616789 6.064897 0.313561 0.231253 91.84993
7 0.849549 0.914992 0.543589 6.929184 0.326636 0.201619 91.08398
8 0.928454 0.905304 0.485195 7.658974 0.337139 0.178666 90.43472
9 1.001658 0.895646 0.437861 8.277066 0.345800 0.160395 89.88323
10 1.070111 0.886573 0.398860 8.802149 0.353034 0.145525 89.41386
11 1.134562 0.878289 0.366244 9.250815 0.359145 0.133190 89.01232
12 1.195601 0.870838 0.338606 9.636670 0.364363 0.122796 88.66673
Jumlah 9.119229 10.59203 7.525000 69.14723 3.511215 3.052964 1106.172 Cholesky Ordering: BIRATE SBIS PUAS PLS LFINC IPI
62
Dari hasil diatas tampak bahwa periode pertama nilai output dominan mempengaruhi
dirinya sendiri sebesar 98.23%. Kemudian diikuti BIRATE, SBIS, financing, PLS dan PUAS.
Periode kedua SBIS memberikan pengaruh yang dominan setelah output itu sendiri meskipun
hanya sebesar 1.24%. Periode ketiga hingga selanjutnya PUAS memberikan pengaruh yang
dominan setelah variabel output itu sendiri yaitu sebesar 2.73% dan pada periode ke 12
sebesar 9.63%.
Hasil variance decomposition secara umum menunjukkan variabel yang
mempengaruhi volatilitas forcast error dari nilai output sesuai dengan urutan pengaruh
terbesar adalah nilai output itu sendiri, PUAS, BIRATE, SBIS, PLS dan financing.
Untuk hasil variance decomposition penyumbang inflasi adalah sebagai berikut:
Tabel 4.5
Variance Decomposition of IHK:
Period S.E. BIRATE SBIS PUAS PLS LFINC IHK 1 0.176165 0.085935 0.008614 0.233189 0.075660 5.128424 94.46818
2 0.319179 0.378625 0.057957 0.482096 0.382539 4.902119 93.79666
3 0.450864 0.502908 0.194755 1.587757 0.371439 4.677323 92.66582
4 0.569080 0.554430 0.374446 2.697805 0.336252 4.456468 91.58060
5 0.674918 0.556637 0.602826 4.089125 0.298661 4.271360 90.18139
6 0.770232 0.531504 0.862572 5.527375 0.262908 4.099401 88.71624
7 0.856826 0.494131 1.140020 7.003956 0.232061 3.945467 87.18437
8 0.936248 0.453129 1.424698 8.455221 0.205966 3.805240 85.65575
9 1.009750 0.413173 1.707862 9.857761 0.184209 3.678138 84.15886
10 1.078328 0.376484 1.983738 11.19123 0.166154 3.562679 82.71971
11 1.142767 0.343885 2.248365 12.44646 0.151180 3.457850 81.35226
12 1.203690 0.315458 2.499434 13.61915 0.138737 3.362610 80.06461
Jumlah 9.188047 5.006299 13.10529 77.19113 2.805766 49.34708 1052.544 Cholesky Ordering: BIRATE SBIS PUAS PLS LFINC IHK
Hasil variance decomposition penyumbang inflasi menunjukkan, pada periode
pertama pengaruh terbesar adalah inflasi itu sendiri yaitu sebesar 94.46%, dilanjutkan dengan
financing, PUAS, BIRATE, PLS, dan SBIS. Pada periode keenam dan seterusnya PUAS
memberikan pengaruh terbesar setelah inflasi yaitu sebesar 5.52% dan selanjutnya diikuti
63
oleh financing, SBIS, BIRATE, PLS. Pada periode ke 12 PUAS memberikan pengaruh
sebesar 13.61%.
Secara umum hasil variance decomposition menunjukkan variabel yang
mempengaruhi volatilitas forcast error dari nilai inflasi sesuai dengan urutan pengaruh
terbesar adalah nilai inflasi itu sendiri, PUAS, financing, SBIS, BIRATE dan PLS.
64
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan hasil studi dan analisis yang telah dilakukan, maka dapat diambil
kesimpulan sebagai berikut :
1. Berdasarkan hasil granger causality alur transmisi kebijakan moneter syariah
dengan tujuan akhir output menunjukkan adanya kesinambungan jalur imbal hasil
dari margin acuan SBIS sampai ke output. Sedangkan alur transmisi kebijakan
moneter dari SBIS dengan tujuan akhir inflasi (IHK) menunjukkan tidak adanya
kesinambungan jalur imbal hasil dari margin dengan acuan SBIS sampai ke inflasi.
2. Hasil Impulse Responses Function (IRF) membuktikan bahwa guncangan SBIS,
PLS, Financing direspon positif oleh output (IPI) sedangkan guncangan PUAS
direspon negatif oleh output (IPI). Untuk hasil Impulse Responses model inflasi
akibat guncangan SBIS, PUAS, PLS dan Financing direspon negatif oleh inflasi
(IHK). Hal ini berarti ketika SBIS, PUAS, PLS dan Financing mengalami
guncangan (peningkatan) maka akan menurunkan inflasi dan meningkatkan output.
3. Berdasarkan pada hasil variance decomposition pada model inflasi dan output,
semua variabel BIRATE, SBIS, PUAS, PLS dan FINC memiliki kontribusi
terhadap pertumbuhan ekonomi dan pengurangan inflasi.
5.2 Saran
Berdasarkan kesimpulan penelitian diatas penulis menyarankan kepada bank
indonesia untuk mengoptimalkan penggunaan instrumen moneter syariah sehingga lebih
65
efektif dalam meningkatkan output dan menurunkan inflasi. Serta senantiasa menjaga atau
mengawasi efisiensi lembaga keuangan (perbankan) agar respon lembaga tersebut terhadap
shock SBIS makin memperkuat terwujudnyasasaran akhir kebijakan moneter di Indonesia.
66
DAFTAR PUSTAKA
Ascarya. (2012). Alur Transmisi dan Efektivitas Kebijakan Moneter Ganda di Indonesia.
Jurnal Ekonomi dan Perbankan, volume 14 Nomor 3.
Bank Indonesia . Statistik Perbankan Syariah Bank Indonesia . www.bi.go.id
____________. Statistik Ekonomi dan Keuangan Indonesia Bank Indonesia. www.bi.go.id
____________. Undang-Undang Republik Indonesia Nomor 21 Tahun 2008 Tentang
Perbankan Syariah. www.bi.go.id
____________, Outlook Perbankan Syariah 2010. www.stas.ac.id
Bungin, Burhan. (2003). Analisis Data Penelitian Kualitatif. Jakarta: Raja Grafindo Persada.
Chapra, M. Umer. (1985). Towards a Just Monetary System. Leicester, UK: The Islamic
Foundation.
Chapra, M. Umer. 1997. Al-Qur’an Menuju Sistem Moneter yang Adil. Terjemah oleh
Lukman Hakim, Yogyakarta: Dhana Bakti Prima Yasa.
Gujarati, D. (2003). Basic Econometrics, McGraw-Hill Companies, 8th Edition, USA.
Manurung, Mandala dan Pratama Rahardja (2004).Uang, Perbankan dan Ekonomi Moneter
(Kajian Kontektuan Indonesia). Jakarta: Fakultas Ekonomi Universitas Indonesia.
Maski, Ghozali. (2007). Transmisi Kebijakan Moneter: Kajian Teoritis dan Empiris. Malang:
Badan Penerbit Fakultas Ekonomi Universitas Brawijaya.
67
Natsir, M. (2011). Analisis Empiris Efektivitas Mekanisme Transmisi Kebijakan Moneter di
Indonesia melalui Jalur Suku Bunga (Interest Rate Channel) Periode 1990:2-2007:1.
Majalah Ekonomi, Tahun XXI, (No. 2).
Pohan, Aulia. (2008). Potret Kebijakan Moneter Indonesia: Seberapa Jauh Kebijakan
Moneter Mewarnai Perekonomian Indonesia. Jakarta: PT. Raja Grafindo Persada.
Pohan, Aulia. (2008). Kerangka Kebijakan Moneter dan Implementasinya di Indonesia.
Jakarta: PT Raja Grafindo Persada.
Rusydiana, Aam Slamat, (2009). Mekanisme Transmisi Syariah Pada Sistem Moneter Ganda
di Indonesia. Buletin Ekonomi dan Perbankan, April 2009.
Siddiqui, Shamin Ahmad. (2008). An Evaluation of Research on Monetary Policy and
Stability of the Islamic Economic System. Paper presented atInternational Conference on
Islamic Economics: 30 Years of Research in Islamic Economics, Jeddah: KAAU-IRTI, April.
Warjiyo, Perry. (2004). Mekanisme Transmisi Kebijakan Moneter di Indonesia. Seri
Kebanksentralan No. 11. PPSK. Jakarta: Bank Indonesia.
Bank Indonesia. (2003).
Warjiyo, P dan Solikin. (2003). Kebijakan Moneter di Indonesia. Seri Kebanksentralan No.
6. PPSK. Jakarta: Bank Indonesia.
Winarno, W, W. (2009). Analisis Ekonometrika dan Statistik dengan Eviews. Yogyakarta:
UPP STIM YKPN.
Widarjono, Agus. (2007). Ekonometrika. Edisi Kedua. Yogyakarta: Ekonisia.
Widarjono, Agus. 2013. Ekonometrika: Pengantar dan Aplikasinya. Yogyakarta: UUP STIM
YKPN.
68
LAMPIRAN
69
Uji Stasioneritas Data
1. Level
Null Hypothesis: BIRATE has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.412030 0.0123
Test critical values: 1% level -3.482453
5% level -2.884291
10% level -2.578981
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: SBIS has a unit root
Exogenous: Constant
Lag Length: 11 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.476799 0.1237
Test critical values: 1% level -3.486551
5% level -2.886074
10% level -2.579931
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: PUAS has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -2.998033 0.0377
Test critical values: 1% level -3.482035
5% level -2.884109
10% level -2.578884
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: PLS has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.612254 0.4734
Test critical values: 1% level -3.481623
5% level -2.883930
10% level -2.578788
*MacKinnon (1996) one-sided p-values.
70
Null Hypothesis: LFINC has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.498233 0.5314
Test critical values: 1% level -3.482879
5% level -2.884477
10% level -2.579080
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: IHK has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -1.575767 0.4920
Test critical values: 1% level -3.481623
5% level -2.883930
10% level -2.578788 *MacKinnon (1996) one-sided p-values.
Null Hypothesis: IPI has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -0.877375 0.7926
Test critical values: 1% level -3.482453
5% level -2.884291
10% level -2.578981
*MacKinnon (1996) one-sided p-values.
2. Fist Difference
Null Hypothesis: D(BIRATE) has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.689472 0.0053
Test critical values: 1% level -3.482453
5% level -2.884291
10% level -2.578981
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(SBIS) has a unit root
Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=12)
71
t-Statistic Prob.* Augmented Dickey-Fuller test statistic -6.932919 0.0000
Test critical values: 1% level -3.483312
5% level -2.884665
10% level -2.579180
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(PUAS) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -15.25155 0.0000
Test critical values: 1% level -3.482035
5% level -2.884109
10% level -2.578884
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(PLS) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -11.25467 0.0000
Test critical values: 1% level -3.482035
5% level -2.884109
10% level -2.578884
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(LFINC) has a unit root
Exogenous: Constant
Lag Length: 2 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -3.288864 0.0174
Test critical values: 1% level -3.482879
5% level -2.884477
10% level -2.579080
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(IHK) has a unit root
Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -13.55758 0.0000
Test critical values: 1% level -3.482035
5% level -2.884109
72
10% level -2.578884
*MacKinnon (1996) one-sided p-values.
Null Hypothesis: D(IPI) has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=12) t-Statistic Prob.* Augmented Dickey-Fuller test statistic -11.77563 0.0000
Test critical values: 1% level -3.482453
5% level -2.884291
10% level -2.578981 *MacKinnon (1996) one-sided p-values.
Granger Causality Test
Pairwise Granger Causality Tests Date: 03/24/17 Time: 15:33 Sample: 2006M01 2016M10 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
PUAS does not Granger Cause BIRATE 128 3.84125 0.0241
BIRATE does not Granger Cause PUAS 3.29187 0.0405
PLS does not Granger Cause BIRATE 128 0.10377 0.9015
BIRATE does not Granger Cause PLS 1.29009 0.2789
LFINC does not Granger Cause BIRATE 128 0.36398 0.6957
BIRATE does not Granger Cause LFINC 6.7992 0.0016
IPI does not Granger Cause BIRATE 128 0.61723 0.5411
BIRATE does not Granger Cause IPI 0.11913 0.8878
PLS does not Granger Cause PUAS 128 2.43924 0.0914
PUAS does not Granger Cause PLS 1.08839 0.34
LFINC does not Granger Cause PUAS 128 1.3586 0.2609
PUAS does not Granger Cause LFINC 9.72099 0.0001
IPI does not Granger Cause PUAS 128 1.93928 0.1482
PUAS does not Granger Cause IPI 1.04264 0.3556
73
LFINC does not Granger Cause PLS 128 0.3121 0.7325
PLS does not Granger Cause LFINC 8.35743 0.0004
IPI does not Granger Cause PLS 128 0.24037 0.7867
PLS does not Granger Cause IPI 0.06186 0.94
IPI does not Granger Cause LFINC 128 1.77705 0.1735
LFINC does not Granger Cause IPI 4.93947 0.0086
Pairwise Granger Causality Tests Date: 03/24/17 Time: 15:39 Sample: 2006M01 2016M10 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
PUAS does not Granger Cause SBIS 128 0.01065 0.9894
SBIS does not Granger Cause PUAS 2.4893 0.0871
PLS does not Granger Cause SBIS 128 2.01698 0.1374
SBIS does not Granger Cause PLS 0.81538 0.4448
LFINC does not Granger Cause SBIS 128 0.51284 0.6001
SBIS does not Granger Cause LFINC 6.18354 0.0028
IPI does not Granger Cause SBIS 128 0.54366 0.582
SBIS does not Granger Cause IPI 1.00834 0.3678
PLS does not Granger Cause PUAS 128 2.43924 0.0914
PUAS does not Granger Cause PLS 1.08839 0.34
LFINC does not Granger Cause PUAS 128 1.3586 0.2609
PUAS does not Granger Cause LFINC 9.72099 0.0001
IPI does not Granger Cause PUAS 128 1.93928 0.1482
PUAS does not Granger Cause IPI 1.04264 0.3556
LFINC does not Granger Cause PLS 128 0.3121 0.7325
PLS does not Granger Cause LFINC 8.35743 0.0004
IPI does not Granger Cause PLS 128 0.24037 0.7867
PLS does not Granger Cause IPI 0.06186 0.94
74
IPI does not Granger Cause LFINC 128 1.77705 0.1735
LFINC does not Granger Cause IPI 4.93947 0.0086
Pairwise Granger Causality Tests Date: 03/24/17 Time: 15:45 Sample: 2006M01 2016M10 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
PUAS does not Granger Cause BIRATE 128 3.84125 0.0241
BIRATE does not Granger Cause PUAS 3.29187 0.0405
PLS does not Granger Cause BIRATE 128 0.10377 0.9015
BIRATE does not Granger Cause PLS 1.29009 0.2789
LFINC does not Granger Cause BIRATE 128 0.36398 0.6957
BIRATE does not Granger Cause LFINC 6.7992 0.0016
IHK does not Granger Cause BIRATE 128 0.18241 0.8335
BIRATE does not Granger Cause IHK 1.79006 0.1713
PLS does not Granger Cause PUAS 128 2.43924 0.0914
PUAS does not Granger Cause PLS 1.08839 0.34
LFINC does not Granger Cause PUAS 128 1.3586 0.2609
PUAS does not Granger Cause LFINC 9.72099 0.0001
IHK does not Granger Cause PUAS 128 0.62255 0.5383
PUAS does not Granger Cause IHK 1.382 0.2549
LFINC does not Granger Cause PLS 128 0.3121 0.7325
PLS does not Granger Cause LFINC 8.35743 0.0004
IHK does not Granger Cause PLS 128 0.37728 0.6865
PLS does not Granger Cause IHK 2.30029 0.1045
IHK does not Granger Cause LFINC 128 3.85484 0.0238
LFINC does not Granger Cause IHK 4.91565 0.0088
75
Pairwise Granger Causality Tests Date: 03/24/17 Time: 15:52 Sample: 2006M01 2016M10 Lags: 2
Null Hypothesis: Obs F-Statistic Prob.
PUAS does not Granger Cause SBIS 128 0.01065 0.9894
SBIS does not Granger Cause PUAS 2.4893 0.0871
PLS does not Granger Cause SBIS 128 2.01698 0.1374
SBIS does not Granger Cause PLS 0.81538 0.4448
LFINC does not Granger Cause SBIS 128 0.51284 0.6001
SBIS does not Granger Cause LFINC 6.18354 0.0028
IHK does not Granger Cause SBIS 128 0.05914 0.9426
SBIS does not Granger Cause IHK 0.98338 0.377
PLS does not Granger Cause PUAS 128 2.43924 0.0914
PUAS does not Granger Cause PLS 1.08839 0.34
LFINC does not Granger Cause PUAS 128 1.3586 0.2609
PUAS does not Granger Cause LFINC 9.72099 0.0001
IHK does not Granger Cause PUAS 128 0.62255 0.5383
PUAS does not Granger Cause IHK 1.382 0.2549
LFINC does not Granger Cause PLS 128 0.3121 0.7325
PLS does not Granger Cause LFINC 8.35743 0.0004
IHK does not Granger Cause PLS 128 0.37728 0.6865
PLS does not Granger Cause IHK 2.30029 0.1045
IHK does not Granger Cause LFINC 128 3.85484 0.0238
LFINC does not Granger Cause IHK 4.91565 0.0088
ESTIMASI VAR BIRATE
Vector Error Correction Estimates
Date: 03/10/17 Time: 07:55
Sample (adjusted): 2006M03 2016M10
Included observations: 128 after adjustments
Standard errors in ( ) & t-statistics in [ ]
76
Cointegrating Eq: CointEq1 BIRATE(-1) 1.000000
PUAS(-1) 2.860903
(0.69218)
[ 4.13318]
PLS(-1) 0.048092
(0.23718)
[ 0.20277]
LFINC(-1) 5.510998
(2.70275)
[ 2.03903]
IPI(-1) 0.063804
(0.16070)
[ 0.39704]
C -93.90991 Error Correction: D(BIRATE) D(PUAS) D(PLS) D(LFINC) D(IPI) CointEq1 0.000655 -0.034552 0.014570 -0.002141 -0.078196
(0.00358) (0.01636) (0.02422) (0.00031) (0.06886)
[ 0.18328] [-2.11216] [ 0.60156] [-6.83946] [-1.13562]
D(BIRATE(-1)) 0.505858 0.500482 -0.034266 0.015904 0.523785
(0.07888) (0.36087) (0.53431) (0.00690) (1.51902)
[ 6.41296] [ 1.38688] [-0.06413] [ 2.30345] [ 0.34482]
D(PUAS(-1)) 0.044228 -0.243619 -0.040335 0.003044 0.421222
(0.01950) (0.08920) (0.13206) (0.00171) (0.37545)
[ 2.26846] [-2.73129] [-0.30542] [ 1.78377] [ 1.12190]
D(PLS(-1)) -0.010182 0.032492 -0.002950 0.000236 0.036909
(0.01348) (0.06167) (0.09131) (0.00118) (0.25958)
[-0.75538] [ 0.52688] [-0.03230] [ 0.19964] [ 0.14219]
D(LFINC(-1)) 0.582420 0.234979 1.149095 -0.046403 -15.73763
(1.00200) (4.58402) (6.78716) (0.08771) (19.2956)
[ 0.58126] [ 0.05126] [ 0.16930] [-0.52907] [-0.81561]
D(IPI(-1)) -0.007013 -0.025418 -0.020594 0.000293 -0.325557
(0.00453) (0.02072) (0.03068) (0.00040) (0.08722)
[-1.54848] [-1.22670] [-0.67125] [ 0.73827] [-3.73258]
C -0.036961 0.032478 -0.017961 0.023057 0.861425
(0.02728) (0.12478) (0.18475) (0.00239) (0.52524)
[-1.35511] [ 0.26028] [-0.09722] [ 9.65777] [ 1.64004] R-squared 0.299027 0.149759 0.007141 0.332138 0.119140
Adj. R-squared 0.264268 0.107599 -0.042092 0.299021 0.075461
Sum sq. resids 3.737266 78.21955 171.4742 0.028634 1385.929
S.E. equation 0.175746 0.804017 1.190438 0.015383 3.384370
F-statistic 8.602881 3.552108 0.145042 10.02918 2.727630
Log likelihood 44.53113 -150.1035 -200.3379 356.3073 -334.0782
Akaike AIC -0.586424 2.454741 3.239655 -5.457927 5.329348
Schwarz SC -0.430453 2.610712 3.395625 -5.301956 5.485318
Mean dependent -0.052734 0.001641 0.000391 0.021375 0.372188
S.D. dependent 0.204892 0.851108 1.166148 0.018374 3.519777
77
Determinant resid covariance (dof adj.) 7.31E-05
Determinant resid covariance 5.52E-05
Log likelihood -280.6409
Akaike information criterion 5.010014
Schwarz criterion 5.901273
IMPULSE RESPONSE
Period BIRATE PUAS PLS LFINC IPI 1 0.310858 0.354738 0.011670 0.375700 3.330195
2 0.282290 0.399432 0.054358 0.003200 2.229412
3 0.283665 0.200761 0.034457 0.132649 2.537567
4 0.258380 0.211226 0.029556 0.092211 2.464237
5 0.237414 0.124932 0.028372 0.097501 2.480455
6 0.212468 0.083445 0.024426 0.092647 2.481691
7 0.189290 0.032633 0.022696 0.089517 2.483486
8 0.167094 -0.009380 0.020558 0.086688 2.486374
9 0.146651 -0.048517 0.018926 0.083911 2.488385
10 0.127908 -0.083561 0.017410 0.081481 2.490545
11 0.110863 -0.115221 0.016084 0.079238 2.492411
12 0.095418 -0.143744 0.014894 0.077224 2.494144
13 0.081459 -0.169436 0.013830 0.075401 2.495702
14 0.068862 -0.192574 0.012875 0.073759 2.497113
15 0.057505 -0.213407 0.012017 0.072279 2.498386
16 0.047271 -0.232163 0.011245 0.070946 2.499533
17 0.038054 -0.249049 0.010551 0.069745 2.500567
18 0.029753 -0.264249 0.009927 0.068664 2.501498
19 0.022280 -0.277933 0.009365 0.067691 2.502337
20 0.015551 -0.290251 0.008860 0.066815 2.503092
21 0.009494 -0.301339 0.008404 0.066026 2.503771
22 0.004041 -0.311320 0.007995 0.065316 2.504383
23 -0.000867 -0.320304 0.007626 0.064677 2.504934
24 -0.005286 -0.328392 0.007294 0.064102 2.505430
25 -0.009263 -0.335672 0.006995 0.063584 2.505876
26 -0.012843 -0.342225 0.006727 0.063118 2.506278
27 -0.016066 -0.348124 0.006485 0.062698 2.506640
28 -0.018967 -0.353434 0.006267 0.062320 2.506965
29 -0.021579 -0.358214 0.006070 0.061980 2.507258
30 -0.023930 -0.362517 0.005894 0.061674 2.507522
31 -0.026046 -0.366390 0.005735 0.061399 2.507759
32 -0.027951 -0.369876 0.005592 0.061151 2.507973
33 -0.029665 -0.373014 0.005463 0.060927 2.508166
34 -0.031209 -0.375839 0.005347 0.060726 2.508339
35 -0.032598 -0.378382 0.005243 0.060546 2.508495
36 -0.033848 -0.380671 0.005149 0.060383 2.508635 Cholesky Ordering: BIRATE PUAS PLS LFINC IPI
78
Variance Decomposition of IPI
Period S.E. BIRATE PUAS PLS LFINC IPI 1 0.175746 0.843661 1.098653 0.001189 1.232330 96.82417
2 0.319595 1.057937 1.712337 0.018546 0.846977 96.36420
3 0.450232 1.104683 1.401107 0.018405 0.682964 96.79284
4 0.566451 1.099060 1.257903 0.017500 0.568166 97.05737
5 0.669584 1.064972 1.081801 0.016698 0.495512 97.34102
6 0.761679 1.014608 0.937803 0.015643 0.442430 97.58952
7 0.844688 0.958050 0.818896 0.014694 0.401946 97.80641
8 0.920255 0.899787 0.725327 0.013790 0.369773 97.99132
9 0.989707 0.842824 0.654663 0.012964 0.343395 98.14615
10 1.054094 0.788656 0.604015 0.012208 0.321286 98.27384
11 1.114247 0.738051 0.570547 0.011518 0.302411 98.37747
12 1.170819 0.691290 0.551583 0.010889 0.286068 98.46017
13 1.224331 0.648384 0.544716 0.010315 0.271748 98.52484
14 1.275203 0.609188 0.547831 0.009789 0.259081 98.57411
15 1.323774 0.573471 0.559091 0.009309 0.247782 98.61035
16 1.370321 0.540969 0.576927 0.008867 0.237633 98.63560
17 1.415075 0.511403 0.600000 0.008462 0.228463 98.65167
18 1.458228 0.484499 0.627183 0.008088 0.220133 98.66010
19 1.499941 0.460001 0.657528 0.007744 0.212531 98.66220
20 1.540352 0.437666 0.690244 0.007425 0.205565 98.65910
21 1.579580 0.417275 0.724672 0.007130 0.199159 98.65176
22 1.617725 0.398628 0.760268 0.006856 0.193247 98.64100
23 1.654876 0.381546 0.796584 0.006601 0.187774 98.62750
24 1.691111 0.365866 0.833252 0.006364 0.182695 98.61182
25 1.726497 0.351447 0.869974 0.006142 0.177968 98.59447
26 1.761096 0.338159 0.906509 0.005935 0.173560 98.57584
27 1.794959 0.325888 0.942665 0.005741 0.169439 98.55627
28 1.828136 0.314534 0.978290 0.005560 0.165578 98.53604
29 1.860669 0.304005 1.013264 0.005389 0.161956 98.51539
30 1.892596 0.294223 1.047497 0.005228 0.158550 98.49450
31 1.923953 0.285115 1.080921 0.005077 0.155342 98.47355
32 1.954771 0.276619 1.113488 0.004934 0.152317 98.45264
33 1.985078 0.268677 1.145165 0.004799 0.149459 98.43190
34 2.014901 0.261241 1.175932 0.004671 0.146755 98.41140
35 2.044264 0.254264 1.205780 0.004550 0.144195 98.39121
36 2.073189 0.247708 1.234707 0.004435 0.141766 98.37138 Cholesky Ordering: BIRATE PUAS PLS LFINC IPI
Impulse Response BI rate to IHK Period BIRATE PUAS PLS LFINC 1 0.160224 -0.146222 0.164564 -1.334596
2 0.465133 -0.225499 0.397838 -1.067057
3 0.455105 -0.569619 0.231094 -1.018918
4 0.399838 -0.782804 0.169306 -0.982594
5 0.302766 -1.036286 0.102912 -0.948047
6 0.191252 -1.256325 0.044686 -0.921096
7 0.077541 -1.465089 -0.006678 -0.897332
8 -0.032838 -1.654988 -0.053176 -0.876563
9 -0.136853 -1.829049 -0.095028 -0.858047
10 -0.233429 -1.987590 -0.132939 -0.841440
11 -0.322288 -2.131970 -0.167286 -0.826465
79
12 -0.403629 -2.263286 -0.198447 -0.812924
13 -0.477859 -2.382673 -0.226730 -0.800656
14 -0.545475 -2.491177 -0.252411 -0.789531
15 -0.607000 -2.589773 -0.275732 -0.779434
16 -0.662946 -2.679355 -0.296914 -0.770267
17 -0.713798 -2.760742 -0.316154 -0.761943
18 -0.760010 -2.834680 -0.333630 -0.754383
19 -0.802000 -2.901849 -0.349506 -0.747516
20 -0.840148 -2.962869 -0.363928 -0.741278
21 -0.874806 -3.018302 -0.377028 -0.735612
22 -0.906292 -3.068658 -0.388929 -0.730464
23 -0.934895 -3.114404 -0.399740 -0.725789
24 -0.960879 -3.155960 -0.409561 -0.721541
25 -0.984484 -3.193711 -0.418482 -0.717683
26 -1.005927 -3.228004 -0.426587 -0.714178
27 -1.025407 -3.259158 -0.433949 -0.710993
28 -1.043103 -3.287458 -0.440637 -0.708101
29 -1.059178 -3.313167 -0.446713 -0.705473
30 -1.073782 -3.336521 -0.452232 -0.703086
31 -1.087048 -3.357737 -0.457246 -0.700918
32 -1.099099 -3.377010 -0.461801 -0.698948
33 -1.110046 -3.394518 -0.465938 -0.697158
34 -1.119991 -3.410422 -0.469697 -0.695533
35 -1.129025 -3.424871 -0.473111 -0.694056
36 -1.137232 -3.437996 -0.476213 -0.692715 Cholesky Ordering: BIRATE PUAS PLS LFINC IHK
Variance Decomposition of IHK
Period S.E. BIRATE PUAS PLS LFINC IHK 1 0.176955 0.082614 0.068805 0.087150 5.731869 94.02956
2 0.320691 0.488698 0.145851 0.374279 5.895694 93.09548
3 0.451359 0.660783 0.583625 0.351268 5.822986 92.58134
4 0.568102 0.717790 1.189785 0.315191 5.802837 91.97440
5 0.672380 0.695774 2.068782 0.276070 5.781478 91.17790
6 0.766257 0.636785 3.162711 0.241854 5.761597 90.19705
7 0.851605 0.570398 4.457320 0.214921 5.737108 89.02025
8 0.929978 0.515176 5.915660 0.195790 5.705970 87.66740
9 1.002606 0.481541 7.504855 0.184214 5.667140 86.16225
10 1.070458 0.474301 9.191207 0.179604 5.620665 84.53422
11 1.134290 0.494601 10.94395 0.181200 5.567156 82.81309
12 1.194697 0.541328 12.73551 0.188182 5.507568 81.02741
13 1.252154 0.612075 14.54210 0.199733 5.442993 79.20310
14 1.307040 0.703788 16.34377 0.215070 5.374551 77.36282
15 1.359665 0.813187 18.12424 0.233473 5.303307 75.52580
16 1.410282 0.937032 19.87059 0.254295 5.230233 73.70785
17 1.459102 1.072280 21.57291 0.276965 5.156184 71.92166
18 1.506304 1.216174 23.22388 0.300987 5.081891 70.17707
19 1.552037 1.366275 24.81834 0.325940 5.007967 68.48148
20 1.596431 1.520473 26.35296 0.351467 4.934912 66.84018
21 1.639597 1.676974 27.82589 0.377273 4.863126 65.25674
22 1.681632 1.834275 29.23642 0.403116 4.792921 63.73327
23 1.722621 1.991135 30.58479 0.428799 4.724530 62.27075
24 1.762638 2.146549 31.87192 0.454167 4.658127 60.86924
25 1.801750 2.299709 33.09928 0.479095 4.593826 59.52809
26 1.840016 2.449984 34.26871 0.503490 4.531703 58.24612
27 1.877489 2.596889 35.38230 0.527281 4.471792 57.02174
80
28 1.914218 2.740062 36.44234 0.550418 4.414103 55.85308
29 1.950244 2.879244 37.45119 0.572866 4.358621 54.73808
30 1.985608 3.014262 38.41128 0.594602 4.305312 53.67455
31 2.020344 3.145013 39.32501 0.615616 4.254131 52.66023
32 2.054486 3.271448 40.19477 0.635907 4.205020 51.69286
33 2.088063 3.393567 41.02286 0.655477 4.157916 50.77018
34 2.121103 3.511404 41.81155 0.674337 4.112750 49.88996
35 2.153631 3.625021 42.56298 0.692501 4.069450 49.05005
36 2.185670 3.734505 43.27922 0.709984 4.027942 48.24835 Cholesky Ordering: BIRATE PUAS PLS LFINC IHK
ESTIMASI VAR SBIS
Vector Error Correction Estimates
Date: 03/10/17 Time: 08:36
Sample (adjusted): 2006M03 2016M10
Included observations: 128 after adjustments
Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: CointEq1 SBIS(-1) 1.000000
PUAS(-1) -1.520887
(0.08033)
[-18.9339]
PLS(-1) 0.058204
(0.02751)
[ 2.11611]
LFINC(-1) 0.613488
(0.30637)
[ 2.00243]
IPI(-1) -0.087783
(0.01850)
[-4.74549]
C 4.423294 Error Correction: D(SBIS) D(PUAS) D(PLS) D(LFINC) D(IPI) CointEq1 0.200461 0.512936 -0.200847 0.012531 1.351592
(0.10685) (0.11063) (0.17503) (0.00243) (0.48731)
[ 1.87606] [ 4.63634] [-1.14751] [ 5.16141] [ 2.77355]
D(SBIS(-1)) -0.231360 -0.017268 -0.055253 -0.004911 -0.354495
(0.14927) (0.15455) (0.24451) (0.00339) (0.68077)
[-1.54995] [-0.11173] [-0.22597] [-1.44815] [-0.52073]
D(PUAS(-1)) 0.132450 -0.068408 -0.066360 0.008200 1.106846
(0.14559) (0.15074) (0.23848) (0.00331) (0.66398)
[ 0.90975] [-0.45381] [-0.27826] [ 2.47889] [ 1.66697]
D(PLS(-1)) 0.014090 0.024714 0.003741 -3.23E-05 0.016850
(0.05534) (0.05730) (0.09066) (0.00126) (0.25240)
[ 0.25460] [ 0.43129] [ 0.04127] [-0.02567] [ 0.06676]
81
D(LFINC(-1)) 3.024017 -1.114344 1.571540 0.096789 -22.08839
(3.82516) (3.96055) (6.26578) (0.08691) (17.4452)
[ 0.79056] [-0.28136] [ 0.25081] [ 1.11367] [-1.26616]
D(IPI(-1)) -0.005183 0.000911 -0.029899 0.000830 -0.258220
(0.01940) (0.02009) (0.03178) (0.00044) (0.08849)
[-0.26710] [ 0.04535] [-0.94070] [ 1.88243] [-2.91795]
C -0.049981 0.025647 -0.020838 0.019024 0.948435
(0.10336) (0.10702) (0.16931) (0.00235) (0.47138)
[-0.48357] [ 0.23966] [-0.12308] [ 8.10085] [ 2.01203] R-squared 0.071248 0.264414 0.019304 0.239962 0.165523
Adj. R-squared 0.025194 0.227939 -0.029326 0.202274 0.124144
Sum sq. resids 63.12415 67.67166 169.3735 0.032586 1312.951
S.E. equation 0.722279 0.747844 1.183124 0.016411 3.294060
F-statistic 1.547049 7.249122 0.396959 6.367103 4.000166
Log likelihood -136.3808 -140.8329 -199.5490 348.0330 -330.6163
Akaike AIC 2.240325 2.309889 3.227328 -5.328641 5.275254
Schwarz SC 2.396296 2.465860 3.383299 -5.172670 5.431225
Mean dependent 0.010000 0.001641 0.000391 0.021375 0.372188
S.D. dependent 0.731553 0.851108 1.166148 0.018374 3.519777 Determinant resid covariance (dof adj.) 0.000417
Determinant resid covariance 0.000315
Log likelihood -392.0688
Akaike information criterion 6.751075
Schwarz criterion 7.642334
Impulse Response of IPI
Period SBIS PUAS PLS LFINC 1 0.237067 -0.173833 0.129250 0.168593
2 0.329857 -0.502657 0.190089 -0.242536
3 0.056635 -0.888395 0.198623 -0.060387
4 0.081547 -0.858021 0.186071 -0.032931
5 0.048382 -0.959341 0.196497 -0.026415
6 0.033704 -0.981550 0.195312 -0.011739
7 0.026600 -1.003201 0.196583 -0.006944
8 0.021731 -1.013965 0.196930 -0.003393
9 0.019023 -1.020713 0.197204 -0.001403
10 0.017459 -1.024463 0.197343 -0.000244
11 0.016533 -1.026720 0.197433 0.000428
12 0.015999 -1.028008 0.197481 0.000823
13 0.015687 -1.028766 0.197511 0.001051
14 0.015505 -1.029205 0.197528 0.001185
15 0.015399 -1.029462 0.197538 0.001262
16 0.015338 -1.029611 0.197544 0.001307
17 0.015302 -1.029698 0.197547 0.001334
18 0.015281 -1.029748 0.197549 0.001349
19 0.015269 -1.029778 0.197550 0.001358
20 0.015262 -1.029795 0.197551 0.001363
21 0.015258 -1.029805 0.197551 0.001366
22 0.015255 -1.029811 0.197551 0.001368
23 0.015254 -1.029814 0.197551 0.001369
24 0.015253 -1.029816 0.197552 0.001370
82
25 0.015253 -1.029817 0.197552 0.001370
26 0.015252 -1.029818 0.197552 0.001370
27 0.015252 -1.029818 0.197552 0.001370
28 0.015252 -1.029819 0.197552 0.001370
29 0.015252 -1.029819 0.197552 0.001370
30 0.015252 -1.029819 0.197552 0.001370
31 0.015252 -1.029819 0.197552 0.001371
32 0.015252 -1.029819 0.197552 0.001371
33 0.015252 -1.029819 0.197552 0.001371
34 0.015252 -1.029819 0.197552 0.001371
35 0.015252 -1.029819 0.197552 0.001371
36 0.015252 -1.029819 0.197552 0.001371 Cholesky Ordering: SBIS PUAS PLS LFINC IPI
Variance Decomposition of IPI
Period S.E. SBIS PUAS PLS LFINC IPI 1 0.722279 0.517938 0.278484 0.153957 0.261949 98.78767
2 0.941737 1.066655 1.828641 0.341570 0.563997 96.19914
3 1.118838 0.796459 5.076307 0.436976 0.430365 93.25989
4 1.270541 0.659881 6.824049 0.478928 0.347098 91.69004
5 1.406298 0.554367 8.536339 0.517824 0.289928 90.10154
6 1.530254 0.476563 9.866053 0.544249 0.248018 88.86512
7 1.645113 0.417385 10.95287 0.564869 0.216474 87.84841
8 1.752573 0.371095 11.83781 0.581069 0.191984 87.01804
9 1.853889 0.333988 12.56709 0.594119 0.172443 86.33236
10 1.949988 0.303632 13.17410 0.604832 0.156505 85.76093
11 2.041592 0.278359 13.68524 0.613773 0.143260 85.27936
12 2.129273 0.257001 14.12024 0.621339 0.132082 84.86934
13 2.213490 0.238721 14.49423 0.627822 0.122522 84.51671
14 2.294623 0.222902 14.81879 0.633435 0.114253 84.21062
15 2.372986 0.209079 15.10288 0.638343 0.107029 83.94267
16 2.448843 0.196898 15.35350 0.642668 0.100665 83.70627
17 2.522422 0.186083 15.57615 0.646508 0.095016 83.49624
18 2.593914 0.176418 15.77523 0.649941 0.089967 83.30845
19 2.663489 0.167728 15.95426 0.653028 0.085427 83.13955
20 2.731292 0.159873 16.11612 0.655818 0.081324 82.98686
21 2.797452 0.152738 16.26316 0.658352 0.077598 82.84815
22 2.862083 0.146228 16.39731 0.660664 0.074197 82.72160
23 2.925287 0.140265 16.52020 0.662783 0.071083 82.60567
24 2.987153 0.134783 16.63319 0.664730 0.068219 82.49908
25 3.047764 0.129726 16.73742 0.666526 0.065578 82.40075
26 3.107193 0.125045 16.83388 0.668189 0.063133 82.30975
27 3.165507 0.120702 16.92341 0.669732 0.060865 82.22529
28 3.222765 0.116660 17.00672 0.671168 0.058753 82.14670
29 3.279024 0.112889 17.08444 0.672507 0.056784 82.07338
30 3.334334 0.109362 17.15712 0.673760 0.054942 82.00482
31 3.388741 0.106058 17.22522 0.674934 0.053216 81.94057
32 3.442288 0.102955 17.28918 0.676036 0.051595 81.88023
33 3.495015 0.100035 17.34935 0.677073 0.050070 81.82347
34 3.546958 0.097283 17.40607 0.678050 0.048633 81.76996
35 3.598151 0.094685 17.45962 0.678973 0.047276 81.71945
36 3.648627 0.092228 17.51026 0.679846 0.045992 81.67168 Cholesky Ordering: SBIS PUAS PLS LFINC IPI
83
Impulse Response of IHK
Period SBIS PUAS PLS LFINC 1 -0.009566 -0.326810 0.114201 -1.073810
2 -0.108277 -0.515034 0.359614 -0.675789
3 -0.301123 -1.080335 0.215526 -0.694041
4 -0.400351 -1.315571 0.123642 -0.613142
5 -0.490792 -1.591973 0.062508 -0.581941
6 -0.561849 -1.777540 0.005829 -0.544546
7 -0.617681 -1.937502 -0.035650 -0.519619
8 -0.662535 -2.060254 -0.070000 -0.498010
9 -0.697977 -2.159386 -0.096811 -0.481486
10 -0.726238 -2.237654 -0.118300 -0.468115
11 -0.748673 -2.300064 -0.135323 -0.457568
12 -0.766520 -2.349613 -0.148876 -0.449155
13 -0.780704 -2.389026 -0.159644 -0.442476
14 -0.791981 -2.420351 -0.168206 -0.437164
15 -0.800946 -2.445256 -0.175012 -0.432941
16 -0.808073 -2.465054 -0.180423 -0.429584
17 -0.813739 -2.480793 -0.184725 -0.426916
18 -0.818243 -2.493306 -0.188144 -0.424794
19 -0.821824 -2.503253 -0.190863 -0.423108
20 -0.824670 -2.511161 -0.193024 -0.421767
21 -0.826933 -2.517447 -0.194742 -0.420701
22 -0.828732 -2.522445 -0.196108 -0.419854
23 -0.830162 -2.526418 -0.197194 -0.419180
24 -0.831299 -2.529576 -0.198057 -0.418644
25 -0.832203 -2.532087 -0.198743 -0.418219
26 -0.832922 -2.534083 -0.199289 -0.417880
27 -0.833493 -2.535670 -0.199723 -0.417611
28 -0.833947 -2.536932 -0.200067 -0.417397
29 -0.834308 -2.537935 -0.200342 -0.417227
30 -0.834595 -2.538732 -0.200559 -0.417092
31 -0.834823 -2.539366 -0.200733 -0.416985
32 -0.835005 -2.539870 -0.200870 -0.416899
33 -0.835149 -2.540270 -0.200980 -0.416831
34 -0.835264 -2.540589 -0.201067 -0.416777
35 -0.835355 -2.540842 -0.201136 -0.416734
36 -0.835427 -2.541043 -0.201191 -0.416700 Cholesky Ordering: SBIS PUAS PLS LFINC IHK
Variance Decomposition of IHK
Period S.E. SBIS PUAS PLS LFINC IHK 1 0.732921 0.000289 0.337683 0.041234 3.645638 95.97516
2 0.961076 0.023018 0.724820 0.277341 3.135974 95.83885
3 1.148115 0.140751 2.113775 0.259302 2.872199 94.61397
4 1.304247 0.280151 3.486189 0.217603 2.630587 93.38547
5 1.442145 0.437421 5.041060 0.180658 2.437069 91.90379
6 1.567235 0.599331 6.557094 0.152184 2.269527 90.42186
7 1.682703 0.757242 8.019724 0.131992 2.126709 88.96433
8 1.790630 0.907336 9.385679 0.118529 2.003346 87.58511
9 1.892400 1.047135 10.64645 0.110075 1.896593 86.29975
10 1.989012 1.175897 11.79821 0.105249 1.803699 85.11695
84
11 2.081203 1.293586 12.84482 0.102965 1.722520 84.03611
12 2.169542 1.400682 13.79276 0.102426 1.651243 83.05289
13 2.254482 1.497899 14.65013 0.103056 1.588375 82.16054
14 2.336386 1.586065 15.42539 0.104445 1.532674 81.35143
15 2.415559 1.666025 16.12684 0.106304 1.483105 80.61773
16 2.492254 1.738599 16.76230 0.108433 1.438804 79.95187
17 2.566688 1.804557 17.33893 0.110696 1.399049 79.34677
18 2.639046 1.864602 17.86321 0.113000 1.363232 78.79596
19 2.709492 1.919370 18.34093 0.115283 1.330840 78.29358
20 2.778166 1.969432 18.77722 0.117506 1.301439 77.83440
21 2.845196 2.015292 19.17663 0.119645 1.274659 77.41377
22 2.910691 2.057400 19.54315 0.121686 1.250188 77.02757
23 2.974752 2.096152 19.88031 0.123624 1.227755 76.67216
24 3.037469 2.131898 20.19119 0.125455 1.207128 76.34432
25 3.098920 2.164947 20.47853 0.127181 1.188109 76.04123
26 3.159180 2.195570 20.74471 0.128807 1.170523 75.76039
27 3.218315 2.224009 20.99184 0.130336 1.154222 75.49959
28 3.276385 2.250474 21.22179 0.131774 1.139074 75.25688
29 3.333445 2.275154 21.43620 0.133127 1.124965 75.03055
30 3.389545 2.298216 21.63653 0.134399 1.111794 74.81906
31 3.444734 2.319807 21.82405 0.135597 1.099473 74.62107
32 3.499053 2.340057 21.99993 0.136726 1.087925 74.43536
33 3.552542 2.359085 22.16518 0.137791 1.077080 74.26087
34 3.605238 2.376995 22.32070 0.138796 1.066877 74.09663
35 3.657175 2.393879 22.46732 0.139746 1.057262 73.94180
36 3.708385 2.409821 22.60575 0.140645 1.048186 73.79560 Cholesky Ordering: SBIS PUAS PLS LFINC IHK