METODE PENELITIAN
3. Inflasi adalah kenaikan harga umum secara terus-menerus dalam periode tertentu dalam satuan persen
3.6 Metode Analisis Data
Metode analisis yang digunakan dalam menganalisis data adalah ekonometrika model VECM (Vector Error Correction Model). VECM adalah metode yang berfungsi sebagai pendekatan untuk memperkirakan hubungan jangka panjang dan jangka pendek pada satu data series terhadap data time-series lainnya. VECM merupakan turunan dari model VAR. Jika data stasioner pada derajat level maka model VAR adalah unrestricted VAR (model biasa) dan tidak perlu dilakukan uji kointegrasi. VAR bentuk level ini juga dikenal dengan
nama VAR in level. Sebaliknya apabila data tidak stasioner pada derajat level tetapi stasioner pada derajat difference, maka harus di uji apakah mempunyai hubungan dalam jangka panjang dengan menggunakan uji kointegrasi. Apabila terdapat kointegrasi, maka model yang digunakan adalah Vector Error Correction Model (VECM). VECM merupakan model yang terestriksi (restricted VAR).
Apabila tidak terdapat kointegrasi, maka model yang digunakan adalah VAR in difference.
3.6.1 Uji Stasioneritas Data
Model VECM adalah model persamaan regresi yang menggunakan data time series yang berkaitan dengan data stasioneritas antar variabel didalamnya.
Dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data hingga diperoleh suatu data yang stasioner, yaitu data yang variannya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya (Enders : 2011). Bentuk persamaan uji stasioner dengan analisis ADF dapat dilihat dalam persamaan berikut:
ΔY
t= α
0+ γY
t-1+ β
iΣΔY
t-i+1+ ε
tDimana:
Yt= Bentuk dari first difference α0 = Intersep
Y = Variabel yang diuji stasionernya
β = Panjang lag yang digunakan dalam model εt= Error Term
Dalam persamaan tersebut, diketahui bahwa Ho menunjukkan adanya unit root dan Ht menunjukkan kondisi tidak adanya unit root. Jika dalam uji stasioneritas ini menunjukkan absolute nilai ADF statistik yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak mengandung unit root atau dapat disimpulkan data tersebut stasioner pada derajat level dan sebaliknya. Data yang tidak stasioner pada level harus dilakukan differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first different (1), yaitu dengan mengurangi data tersebut dengan data periode sebelumnya dan seterusnya hingga data stasioner.
3.6.2 Penentuan Lag Optimal
Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Haris (dalam Ajijah et al., 2011) menjelaskan bahwa jika lag yang digunakan dalam uji stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise, sehingga model tidak dapat mengestimasi actual error secara tepat. Akibatnya, ɣ dan error term tidak diestimasi dengan baik. Namun jika memasukkan terlalu banyak lag, maka dapat mengurangi kemampuan menolak Ho karena tambahan parameter yang terlalu banyak akan mengurangi derajat bebas.
Selanjutnya, berikut adalah kriteria yang digunakan untuk mengetahui jumlah lag optimal yang digunakan dalam uji stasioneritas.
Akaike Information Criterion (AIC : -2 (1/T) + 2(k+T) Schwarz Criterion (SC) : -2(1/T) + k log (T)/T Hannan Quinn Information Criterion : -2 (1/T) + 2k log (T)/T Dimana:
1= Nilai fungsi log likelihood yang sama jumlahnya dengan [-T/2 (1+log (2Π ) + logε” ε’/T]; ε”ε’ merupakan sum of squared residual
T = Jumlah observasi
k = Parameter yang diestimasi
Dalam penentuan lag optimal dengan menggunakan kriteria informasi tersebut, maka dapat ditentukan kriteria yang mempunyai final prediction error correction (FPE) atau jumlah dari AIC, SIC, dan HG yang paling kecil diantara lag yang diajukan.
3.6.3 Uji Kointegrasi
Uji kointegrasi ini dilakukan untuk mengetahui hubungan jangka panjang antar variabel dalam model Pendekatan Johansen reduced rank test dapat digunakan untuk menguji keberadaan hubungan kointegrasi. Pengujian dilakukan dari model yang paling restriktif dan membandingkan nilai trace statistic terhadap nilai kritisnya dan berhenti pada saat pertama hipotesis nol tidak ditolak.
3.6.4 Uji Kausalitas Granger
Uji kausalitas Granger digunakan untuk menganalisis hubungan kausalitas antar variabel yang diamati. Pengujian ini untuk melihat hubungan kausalitas antara variabel-variabel terkait sehingga dapat diketahui variabel tersebut secara
statistik saling mempengaruhi (hubungan dua arah), memiliki hubungan searah atau sama sekali tidak ada hubungan (tidak saling mempengaruhi). Pengujian kausalitas dilakukan melalui uji F atau melihat dari nilai probabilitasnya.
Model Granger’s Causality dinyatakan dalam persamaan berikut ini:
Y
it= Σα
itY
it-i+ Σß
jX
it-j+ ε
1t; X → Y jika ß
j> 0 X
it= Σλ
itY
it-i+ Σγ
jX
it-j+ ε
2t; Y → X jika
γj> 0
Dimana:
Y = variabel terikat X = variabel bebas ε1,ε2 = error of term
Berdasarkan hasil regresi dari bentuk model regresi linear di atas akan menghasilkan kemungkinan mengenai nilai koefisien – koefisien regresi dari persamaan di atas adalah sebagai berikut:
1. Jika secara statistik Σßj ≠ 0 dan Σγj = 0, maka terdapat kausalitas satu arah (unindirectional causality) dari Y ke X.
2. Jika secara statistik Σßj = 0 dan Σγj ≠ 0, maka terdapat kausalitas satu arah (unindirectional causality) dari X ke Y.
3. Jika secara statistik Σßj = 0 dan Σγj = 0, maka X dan Y bebas antara satu dengan yang lainnya, artinya antara Y ke X tidak saling mempengaruhi (independence atau tidak signifikan) antara satu dengan lainnya.
4. Jika secara statistik Σßj≠ 0 dan Σγj ≠ 0, maka terdapat kausalitas dua arah antara Y dan X atau terdapat hubungan kausalitas (feedback atau bilateral causality) antara satu dengan lainnya.
3.6.5 Estimasi VECM
Jika suatu data time series model VAR telah terbukti terdapat hubungan kointegrasi, maka VECM dapat digunakan untuk mengetahui tingkah laku jangka pendek dari suatu variabel terhadap nilai jangka panjangnya. Vector Error Correction Model (VECM) adalah pengembangan model VAR untuk runtun waktu yang tidak stasioner dan memiliki satu atau lebih hubungan kointegrasi.
Perilaku dinamis dari VECM dapat dilihat melalui respon dari setiap variabel dependen terhadap guncangan/shock pada variabel tersebut maupun terhadap variabel dependen lainnya. Ada dua cara untuk dapat melihat karakteristik model VECM, yaitu melalui impulse response function dan variance decomposition.
3.6.5.1 Impulse Response Impulsive (IRF)
Analisis ini melacak respon dari variabel endogen didalam VECM karena adanya goncangan atau perubahan didalam variabel gangguan. Estimasi yang dilakukan untuk IRF ini di titik beratkan pada respon suatu variabel pada perubahan satu standar deviasi dari variabel itu sendiri maupun dari variabel
lainnya yang terdapat dalam model. Uji ini dilakukan dengan melihat satu standar deviasi dari variabel yang kita amati terhadap standar deviasi variabel yang lain.
IRF merupakan ukuran arah pergerakan setiap variabel transmit akibat perubahan variabel transmit lainnya (Manurung, 2005).
Dengan demikian, lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat atau diketahui. Nilai peramalan VAR dapat ditulis sebagai berikut:
Y
t+n= E(Y) + ∑θi 𝜀
𝑡+𝑛−𝑖𝑌Z
t+n= E(Z) + ∑θi 𝜀
𝑡+𝑛−𝑖𝑍Dimana E(Y) dan E(Z) masing-masing nilai rata-rata dari Y dan Z.
3.6.5.2 Variance Decomposition
Variance decomposition dilakukan untuk mengetahui seberapa besar perbedaan antara varians suatu variabel yang disebabkan oleh inovasi (baik yang berasal dari diri sendiri maupun variabel lain). Variance decomposition adalah perangkat dari model VAR yang akan digunakan untuk mengetahui seberapa besar varian prediksi suatu variabel yang bersumber dari variabel inovasi.
Variabel yang dimasudkan baik berasal dari variabel itu sendiri maupun variabel lain yang ada dalam model.
Analisis variance decomposition dapat diturunkan dengan permodelan sebagai berikut.
E
tX
t+1= A
0+ A
1X
1Dimana nilai A0 dan A1 digunakan untuk mengestimasi nilai masa depan Xt+1.
BAB IV