Metode Analisis Data

3.2.1. Vector Autoregression (VAR)

Penelitian ini menggunakan metode Vector Autoregression (VAR), yaitu suatu sistem persamaan yang diperlihatkan setiap peubah sebagai fungsi dari konstanta dan nilai lag dari peubah itu sendiri serta nilai lag yang lain dari peubah lain ada dalam sistem itu sendiri. Jika data yang digunakan stasioner dan tidak terkointegrasi, maka metrode VAR level yang digunakan. Tetapi, jika data yang digunakan tidak stasioner di level maka VAR first difference yang digunakan.

Keuntungan VAR dibanding metode ekonometri konvensional adalah sebagai berikut:

1. Mengembangkan model secara bersamaan di dalam suatu sistem yang kompleks (multivariat), sehingga dapat menangkap hubungan keseluruhan variabel didalam persaman itu. Jadi, dengan metode VAR ini dapat menangkap berbagai pola hubungan kausalitas antara variabel dalam sistem, dalam hal ini hubungan langsung maupun hubungan tak langsung.

2. Uji VAR yang multivariat bisa menghindari parameter yang bias akibat tidak dimasukkannya variabel yang relevan.

3. Metode VAR dapat mendeteksi hubungan antara variabel dalam sistem persamaan, dengan menjadikan seluruh variabel sebagai endogenus.

4. Karena bekerja berdasarkan data, motode VAR terbatas dari berbagai batasan teori ekonomi yang sering muncul termasuk gejala perbedaan palsu (spuriuos variabel endogen and exogen) didalam model ekonometri konvensional

terutama dalam persamaan simultan, sehingga menghindari penafsiran yang salah.

5. Karena VAR merupakan sub topik time series dalam ekonometri, maka analisa secara dinamis antar variabel sangat diperlukan. Dengan metode dekomposisi varians dan Impuls Respon Function, hasil empiris dalam metode VAR dapat menjelaskan pergerakan variabel dalam mempengaruhi seluruh variabel lain dalam mempengaruhi satu variabel lain.

Sebagai metode ekonometrika, VAR juga tidak luput dari berbagai kelemahan, yang dapat diuraikan sebagai berikut:

1. Model VAR boleh dikatakan ambisus bila argumentasi yang digunakan dalam menyusun teori baru ataupun menguji teori lama berdasarkan data time series yang ada. Karena betapapun hasilnya dari model VAR, seorang peduli dapat membenarkan dan membantah teori lama ataupun mengusulkan teori baru berdasarkan hasil empiris yang diperoleh.

2. Metode VAR tidak mempermasalahkan perbedaan eksogenitas dan endogenitas. Hal ini akan menyebabkan berbagai implikasi kebijaksanaan yang kurang tepat bila semata-mata didasarkan pada hubungan antara Variabel dalam sistem.

Adapun beberapa tahapan yang digunakan dalam penelitian ini, diantaranya:

1. Uji kestasioneran data dengan menggunakan Augmented Dickey Fuller (ADF) Test. Jika nilai ADF statistiknya lebih kecil dari MacKinnon Value maka dapat

2. Apabila hasil dari uji ADF mengandung akar unit atau dengan kata lain dat tidak stasioner pada tingakat level, maka harus dilakukan penarikan differensial sampai data stasioner, dilakukan pengujian pada tingkat first difference atau second difference. Metode VAR dapat dikombinasikan dengan

Vector Error Corection Model (VECM).

3. Uji lag optimal VAR, pada tahap pertama, akan dilihat panjang lag maksimum sistem VAR yang stabil. Pada tahap kedua, panjang lag optimal akan dicari dengan menggunakan kriteri Schwarz Information Criteria (SC). Setelah mendapat ordo lag optimal, maka dalam penggunaan VECM ordo optimal dikurangi 1 menjadi (k-1).

4. Uji kointegrasi dilakukan dengan pendekatan johansen dengan melihat nilai Trace Statistic.

5. Infulse Response Function (IRF) dan Variance Decomposition (VD) untuk melihat dan peran shok masing-masing variable terhadap variable tertentu.

3.2.2. Uji Unit –Root

Sebelum dilakukan analisis, maka data yang digunakan dalam penelitian ini harus diuji terlebih dahulu. Pengujian ini disebut pengujian awal (pre-test). Uji ini dilakukan karena asumsi yang dilakukan dalam model bahwa data deret waktu yang digunakan adalah stasioner atau I(0). Kenyataannya, umumnya data deret waktu variabel ekonomi tidak stasioner atau mengandung unit-root. Uji unit-root dalam penelitian ini delakukan dengan menerapkan uju Augmented Dickey Fuller Test (ADF). Jika nilai ADF statistiknya lebih kecil dari MacKinnon Critical Value

Namun jika nilai ADF statistiknya ternyata lebih besar dari nilai MacKinnon Critical Value berarti data tersebut tidak stasioner. Jika variabel yang

digunakan tidak stasioner maka harus didifferensiasi terlebih dahulu. Jika variabel mencapai I(1), maka variabel tersebut harus didifferensiasi terlebih dahulu sebanyak satu kali untuk mencapai stasioner. Jika variabel mencapai I(2), maka variabel tersebut harus didifferensiasi menjadi sebanyak dua kali untuk menjadi stasioner.

Thomas (1997) menyebutkan bahwa pada dasarnya Aughmented Dickey Fuller (ADF) test melakukan regresi terhadap persamaan berikut:

* * *

1 1 2 ... 1 1

t t r t r

X a f X _- f X_- f _- X_{- +} U

D = + + D + + D +

Hipotesis yang diuji adalah :

0: 0

H f = (data tidak stasioner)

0: 0

H f < (data stasioner)

Dimana f ^*= f₁+f₂+...+f_r- 1.Nilai f diestimasi melalui metode ordinary ^* Least Squares (OLS) dengan statistik uji yang digunakan, adalah:

* * / hit t = f S_f Dengan:

*

s_f = Simpangan baku dari f ^*

Jika thit lebih kecil dari nilai MacKinnon Critical Value, maka keputusan yang diambil adalah tolak H0. Sehingga, dapat disimpulkan bahwa data tersebut stasioner.

3.2.3. Penentuan Lag Optimal

Terdapat beberapa tahap bentuk pengujian yang akan dilakukan untuk memperoleh panjang lag optimal. Pada tahap pertama akan dilihat panjang lag maksimum sistem VAR yang stabil. Stabilitas sistem VAR dilihat dari nilai inverse root karakteristik AR polinomialnya. Suatu sistem VAR dikatakan stabil

(stasioner) jika seluruh root-nya memiliki modulus lebih kecil dari satu dan semuanya terletak didalam unit circle.

Pada tahap kedua, panjang lag optimal akan dicari dengan menggunakan kriteria Akaike Information Criteeria (AIC) dan Schwarz Information Criteria (SIC) yang dirumuskan sebagai berikut:

AIC (q) = Log ( 2 i e T

å

) + 2^q T SIC (q) = AIC (q) + (^q T ^{) (Log T-1)}

dengan

å

e_i² adalah jumlah residual kuadrat, sedangkan T dan q masing-masing

Untuk menetapkan tingkat lag yang paling optimal, model VAR harus diestimasi dengan berbeda-beda tingkat lag-nya, kemudian dibandingkan dengan AIC dan SICnya. Nilai AIC dan SIC yang paling kecil dipakai sebagai patokan pada tingkat lag paling optimal, karrena nilai AIC atau SIC minimum menggambarkan residual (error) yang paling kecil.

3.2.4. Impulse Response Function (IRF)

Seperti yang telah disebutkan di muka, VAR merupakan teknik yang membiarkan data menentukan sendiri struktur dinamis dari sebuah model, sehingga setelah estimasi dilakukan, adalah penting untuk mencirikan struktur dinamis tersebut secara jelas. Sayangnya, koefisien hasil estimasi model VAR sulit diartikan dan kurang dapat diandalkan.

Untuk dapat mencirikan struktur dinamis dalam model, menurut Sims, cara yang paling baik adalah dengan menganalisa respon dari model (sistem) terhadap kejutan (shock). IRF dapat melakukan hal ini dengan menujukan bagaimana response dari setiap variabel endogen dari sepanjang waktu terhadap kejutan dalam variabel itu sendiri dan variabel endogen lainnya.

3.2.5. Model penelitian VAR

hubungan kausalitas antar variael dalam sistem persamaan multivariat lebih rumit dibandingkan pada sistem persamaan bivariat VAR membuat seluruh variabel menjadi endogenus dan menurunkan distrbuted lag-nya. Spesifikasi model VAR dengan variabel yang dipakai secara umum dan ordo VAR sebanyak k adalah sebagai berikut:

VAR (k), Zt= A0 + A1Zt-1 + A2Zt-2 + ... + AkZt-k + ε_t

Dimana:

Zt = vektor peubah tak bebas (y1,t,...yn,t) berukuran n x 1 A0 = vektor intersep berukuran n x 1

A1 = matrks parameter berukuran n x n untuk setipa i= 1,2,..,p

t

ε = vektor sisaan (ε1, t...εn, t) berukuran n x 1

Spesifikasi model VAR yang digunakan dalam penelitian ini adalah:

11 116 161 1

( ) ( )

_

_

_

_

_

_

0

_

_

( )

a L a L

cpi