BAB III METODOLOGI PENELITIAN
LANDASAN TEORI
E. Metode Analisis Data
Metode analisis yang dipakai untuk penelitian ini adalah vector error
correction model (VECM). VECM adalah bentuk vector autoregressive (VAR)
yang terestriksi. Retriksi diberikan karena data tidak stasioner namun terkointegrasi.28 Spesifikasi VECM merestriksi hubungan jangka panjang antara variabel yang ada agar konvergen ke dalam hubungan kointegrasi namun tetap membiarkan perubahan-perubahan dinamis dalam jangka pendek.29
1. Uji Stasioneritas
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data
(stasionery stochastic process). Data stasioner adalah data yang varians nya
tidak terlalu besar dan punya kecendrungan untuk mendekati nilai rata-ratanya. Tujuan uji ini adalah agar nilai rata-rata stabil dan random error nya sama dengan nol.
a. Uji akar unit (unit root test)
Uji ini dilakukan untuk mengetahui apakah data stasioner atau tidak. Uji ini dilakukan dengan menggunakan augmented dickey-fuller
(ADF) pada derajat yang sama (level atau difference) hingga diperoleh suatu data yang stasioner.
28
Bambang Juanda dan Junaidi,”Ekonometrika Deret Waktu”, (Bogor: PT Penerbit IPB Press, 2012) h. 165
29
Agus Widarjono,” Ekonometrika, Pengantar dan Aplikasinya”, (Jogjakarta : Ekonisia Fakultas Ekonomi UII, 2009), h. 349
Hipotesis :
H0 : data tidak stasioner H1 : data stasioner
Dengan mengikuti pernyataan bahwa :
1) Nilai t-statistik ADF < nilai kritis ADF pada level 5% maka H0 diterima.
2) Nilai t-statistik ADF > nilai kritis ADF pada level 5% maka H1 diterima.
Pada penelitian ini nilai kritis yang digunakan adalah 5% yang mana tidak terlalu rendah dan tidak terlalu tinggi. Cara yang cukup cepat dalam menentukan data yang sudah stasioner atau belum adalah dengan melihat probabilitasnya, apabila lebih kecil dari 0,05 maka data sudah stasioner.
b. Uji derajat integrasi
Pada data time series umumnya tidak stasioner pada level, sehingga harus di uji kembali pada derajat berapakah data menjadi stasioner. Uji ini dilakukan apabila data tidak stasioner pada level, uji ini mirip dengan uji akar unit dengan cara mendiferensasi data pada tingkat tertentu hingga stasioner.
38
H0 : data tidak stasioner
H1 : data stasioner
Dengan mengikuti pernyataan bahwa :
3) Nilai t-statistik ADF < nilai kritis ADF pada level 5% maka H0 diterima. 4) Nilai t-statistik ADF > nilai kritis ADF pada level 5% maka H1 diterima.
2. Uji lag length
Salah satu permasalahan yang terjadi dalam uji stasioneritas adalah penentuan lag optimal. Jika lag yang digunakan dalam stasioneritas terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise
sehingga model tidak dapat mengestimasi actual error secara tepat. Namun jika lag yang digunakan terlalu banyak, maka dapat mengurangi kemampuan untuk menolak H0 karena tambahan parameter terlalu banyak akan mengurangi derajat bebas. Dalam penentuan lag optimal dilakukan melalui
likelihood ratio test, tentukan criteria yang mempunyai Final Frediction Error
(FPE), Akaike Information Criterion (AIC), Schwarz Criterion (SC), dan
3. Uji Kointegrasi
Kestasioneran data melalui diferensiasi dinilai masih belum cukup apabila peneliti meneruskan uji VECM. Model harus memiliki kointegrasi atau hubungan jangka pendek dan jangka panjang. Pendeteksian ini dapat dilakukan dengan Metode Johansen. Pengujian kointegrasi dalam penelitian ini dilaksanakan dengan derajat kepercayaan 5% dengan cara membandingkan
trace statistic atau max eigen statistic dengan critical value-nya.30
Hipotesis :
H0 : terdapat hubungan jangka panjang antara variabel independen dan variabel dependent
H1 : tidak terdapat hubungan jangka panjang antara variabel independen dan variabel dependen
Dengan mengikuti pernyataan bahwa:
1. Jika nilai trace statistic > nilai critical value maka H0 diterima, model terkointegrasi
2. Jika nilai trace statistic < nilai critical value maka H1 diterima, model tidak terkointegrasi.
30
Moch. Doddy Ariefianto, “Ekonometrika : Esensi dan Aplikasi Dengan Menggunakan Eviews”, (Jakarta: Erlangga, 2012), h. 113
40
4. Uji Vector Error Correction Model (VECM)
VECM merupakan suatu model analisis ekonometrika yang digunakan untuk mengetahui tingkah laku jangka pendek dari suatu variabel jangka panjangnya (Kostov dan Lingard, 2000).31 Insukindro (1992) berpendapat VECM dapat digunakan pada variabel runtun waktu yang tidak stasioner dan regresi atau korelasi lancing.32
Gujarati berpendapat VECM ini dinilai kurang cocok jika digunakan dalam menganalisis suatu kebijakan. Hal ini dikarenakan analisis VECM yang ateori dan terlalu menekankan pada forecasting atau peramalan pada suatu ekonometrika.33
Apabila variabel-variabel tidak terkointegrasi pada stasioner atau ordo yang sama, maka VECM tidak dapat diterapkan. Sebagai gantinya peneliti dapat menggunakan VAR standar yang hasilnya identik dengan ordinary least
square (OLS) . Pelaku dinamis VECM dapat dilihat dari respon dari setiap
variabel terikat terhadap shock pada variabel tersebut maupun terhadap variabel bebas lainnya. Ada dua cara untuk melihat karakteristik dinamis VECM, yaitu melalui IRF (impulse response function) dan variance
decomposition.
31
Shochrul R. Ajija, Dkk., “Cara Cerdas Menguasai Eviews”, (Jakarta: Salemba Empat, 2011), h. 180
32
Shochrul R. Ajija, Dkk., “Cara Cerdas Menguasai Eviews”. h. 180
33
Damodar N.Gujarati, “Basic Econometric’s, 4th
Edition”, (New York: Megraw-Hill, 2003), h.853
1) Impulse response function (IRF)
Analisis IRF dapat melacak respon dari variabel terikat di dalam sistem VECM karena adanya shock dari variabel bebas pada persamaan variabel terikat dalam suatu system VECM. Misalnya variabel bebas mengalami kenaikan sebesar x maka akan mempengaruhi variabel terikat untuk saat ini atau masa depan. Menurut Sims (1992) fungsi IRF menggambarkan ekspektasi periode ke depan dari kesalahan prediksi suatu variabel akibat inovasi dari variabel yang lain. Sehingga lamanya pengaruh shock pada suatu variabel terhadap variabel lain hingga pengaruhnya hilang atau kembali pada titik keseimbangan dapat dilihat.34
2) Variance decomposition
Disebut juga forecast error variance decomposition, merupakan perangkat yang dapat menggambarkan relatif pentingnya variabel-variabel bebas pada model VECM karena shock dan menjelaskan seberapa kuat peranan variabel tertentu terhadap variabel lainnya. Analisis ini dilaksanakan dengan cara pemisahan variasi dari sejumlah variabel yang diestimasi menjadi komponen-komponen shock, dengan asumsi bahwa komponen-komponen tidak saling berkolerasi.
34
Shochrul R. Ajija, Dkk., “Cara Cerdas Menguasai Eviews” (Jakarta: Salemba Empat, 2011), h. 168.
42