Fed Fund Rate
METODE PENELITIAN
3.6 Metode Analisis Data
Penelitian ini menggunakan metode Vector Error Correction Model (VECM), Penelitian dilakukan dengan metode deskriptif kuantitatif menggunakan VECM untuk mengetahui hubungan jangka panjang dan jangka pendek antar variabel. VECM merupakan metode turunan dari VAR. Asumsi yang perlu dipenuhi sama seperti VAR, kecuali masalah stasioneritas. Berbeda
43
dengan VAR, VECM harus stasioner pada diferensiasi pertama dan semua variabel harus memiliki stasioner yang sama, yaitu terdiferensiasi pada turunan pertama (First Difference). VECM digunakan untuk melihat intensitas dan speed of adjustment atau respon dari masing-masing variabel. Istilah VECM digunakan karena adanya koreksi secara bertahap melalui penyesuaian jangka pendek terhadap deviasi dari long run equilibrium model.
Pada metode VECM tahapan estimasi yang dilakukan meliputi: Uji stasioneritas, Uji kointegrasi multivariat: Johansen Cointegration Test, Estimasi VECM, Uji granger causality, Uji Statistik t, Uji Statistik F, Koefisien determinasi (R2), Analisis impulse response, dan Analisis variance decomposition (Sawala, 2012).
3.6.1 Uji Stasioneritas
Karakter terpenting dari data time series (runtut waktu) adalah non- stationary (ketidakstasioneran). Arti stasioner adalah apabila suatu data runtut waktu memiliki rata dan memiliki kecenderungan bergerak menuju rata-rata. Tujuan analisis data runtut waktu adalah mempelajari struktural temporal (dinamik) dari data. Bila yang dianalisis hanya satu jenis data runtut waktu, misalnya data penjualan harian suatu perusahaan selama satu tahun, maka disebut analisis runtut waktu univariat (univariate time-series). Sedangkan analisis atas beberapa data selama periode yang sama dinamakan analisis runtut waktu multivariat atau berganda (multivariate or multiple time-series) (Kuncoro, 2004).
Untuk menguji apakah suatu data time series stasioner atau tidak stasioner, bisa dengan melakukan uji akar-akar unit (unit roots) yang dikembangkan oleh Fuller, oleh karena itu uji ini sering disebut dengan uji Fuller (DF) dan pengembangannya disebut dengan uji Augmented Dickey-Fuller (ADF).
Pada Uji Stasioneritas nilai t statistik yang diperoleh dibandingkan dengan tMc Kinnon Critical Values.
a. Jika t-hitung lebih besar dari t-Tabel atau nilai probabilitas signifikansinya lebih kecil dari 5% maka data diuji stasioner.
b. Jika t-hitung lebih kecil dari t-Tabel atau nilai probabilitas signifikansinya lebih kecil dari 5% maka data diuji tidak stasioner.
Jika dari hasil uji stasionaritas berdasarkan uji Dickey – Fuller diperoleh data yang belum stasioner pada data level, atau integrasi derajat nol, I(0), syarat stasioneritas model ekonomi runtun waktu dapat diperoleh dengan cara differencing data, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya. Dengan demikian melalui differencing pertama (First difference) -nya. Prosedur uji Dickey – Fuller kemudian diaplikasikan untuk menguji stasionaritas data yang telah di-differencing. Jika dari hasil uji ternyata data differencing pertama (first difference) tersebut stasioner, maka dikatakan data runtun waktu stasioner pada derajat pertama, dinotasikan dengan I(1). Jika dari hasil uji ternyata data
45
runtun waktu belum stasioner, maka dilakukan differencing kedua (second differencing) (Sawala, 2012).
3.6.2 Penentuan Lag Optimal
Menurut Ajija, dkk (2011) salah satu permasalahan yang terjadi dalam uji stasioner adalah pentuan lag optimal. Jika lag yang digunakan terlalu sedikit, maka residual dari regresi tidak akan menampilkan proses white noise sehingga model tidak dapat mengestimasi secara tepat. Namun jika memasukkan terlalu banyak lag, maka dapat mengurangi kemampuan untuk menolak H0 karena tambahan parameter yang terlalu banyak akan mengurangi derajat bebas.
3.6.3 Uji Kointegrasi
Salah satu pendekatan yang dapat digunakan dalam uji kointegrasi (hubungan keseimbangan jangka panjang) adalah metode johansen. Dalam pengujian kointegrasi ada atau tidaknya keseimbangan jangka panjang antar variabel diidentifikasikan dengan cara membandingkan antara nilai estimasi trace statistic dan maximum eigen value dengan nilai kritisnya (critical value) dengan signifikasi 5%. Apabila nilai estimasi trace statistic dan maximum eigen value lebih besar daripada nilai kritisnya pada signifikan 5%, maka menunjukkan bahwa vector kointegrasi pada tingkat signifikan 5%. Namun, apabila nilai estimasi trace statistic dan maximum eigen value lebih kecil
daripada nilai kritisnya maka dapat dikatakan bahwa tidak terdapat ventor kointegrasi (Santosa, 2013:85).
3.6.4 Granger Causality
Dalam estimasi regresi terdapat variabel dependen Y dan sejumlah Variabel independen X lainnya. Jika digunakan data runtun waktu maka konsep kausalitas dapat diterangkan dengan cara berbeda dengan adanya fakta bahwa waktu tidak dapat berjalan mundur. Jika suatu kejadian A terjadi sebelum kejadian B, maka mungkin saja A menyebabkan B, namun tidak mungkin B menyebabkan kejadian A. Sifat yang demikian dapat dijelaskan dengan menggunakan konsep Granger Causality. X disebut granger cause Y jika nilai-nilai masa lalu dari variabel X dapat membantu untuk menjelaskan variabel Y. Perlu diingat bahwa jika X granger cause Y, tidak ada kepastian bahwa X menyebabkan Y, namun dapat dijelaskan sebagai X mungkin saja menyebabkan Y (Rosadi, 2012).
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. VECM juga digunakan untuk menghitung hubungan jangka pendek antar variabel melalui koefisien standart dan mengestimasi hubungan jangka panjang dengan menggunakan lag residual dan regresi yang terkointegrasi. Dalam estimasi
47
VECM untuk melihat apakah terdapat hubungan jangka panjang atau jangka pendek dengan melihat perbandingan nilai t-statistik hasil estimasi terhadap nilai t-tabel. Jika t-statistik lebih besar daripada nilai-t-table, maka dapat dikatakan bahwa terdapat hubungan jangka panjang atau jangka pendek (Ajija,
3.6.6 Uji Statistik t
Uji statistik t digunakan untuk menguji signifikansi antar variabel dan untuk melihat apakah variabel eksogen secara individu benar-benar mempengaruhi variabel endogen. Hipotesis nol (H0) yang hendak diuji adalah apakah suatu parameter (β) sama dengan nol, atau:
H0 : β = 0
Artinya apakah suatu variabel eksogen bukan merupakan penjelas yang signifikan terhadap variabel endogen. Hipotesis alternatifnya (HA) parameter suatu variabel tidak sama dengan nol, atau:
H1 : β ≠ 0
Tingkat kepercayaan yang digunakan 95% atau taraf signifikan adalah 5%
dengan kriteria sebagai berikut:
1. Jika t-hitung > t-tabel, maka H0 ditolak dan H1 diterima. Berarti masing- masing variabel bebas secara individu mempunyai pengaruh yang signifikan terhadap variabel terikat.
2. Jika t-hitung < t-tabel maka H0 diterima dan H1 ditolak. Berarti masing- masing variabel secara bebas secara individu tidak mempunyai pengaruh yang signifikan terhadap variabel terikat (Sawala, 2012)
3.6.7 Uji Statistik F
Uji statistik F pada dasarnya menunjukkan apakah semua variabel eksogen atau bebas yang dimasukkan dalam model mempunyai pengaruh secara bersama- sama terhadap variabel endogen. Hipotesis nol (H0) yang hendak diuji adalah apakah semua parameter dalam model sama dengan nol, atau :
H0 : β1 = β2 = β3 = β4 = 0
Artinya apakah semua variabel eksogen bukan merupakan penjelas yang signifikan terhadap variabel endogen. Hipotesis alternatifnya (Ha) tidak semua parameter secara simultan sama dengan nol, atau:
H1 : β1 ≠ β2 ≠ β3 ≠ β4 ≠ 0
Artinya semua variabel eksogen secara simultan merupakan penjelas yang signifikan terhadap variabel endogen. Tingkat kepercayaan yang digunakan 95% atau taraf signifikan adalah 5% dengan kriteria sebagai berikut:
1. Jika F hitung > F Tabel, H0 ditolak dan H1 diterima, berarti terdapat pengaruh yang signifikan antara variabel eksogen (X) secara bersama-sama terhadap variabel endogen (Y).
49
2. Jika F hitung < F Tabel, H0 diterima dan H1 ditolak, berarti tidak terdapat pengaruh yang signifikan antara variabel eksogen (X) secara bersama-sama terhadap variabel endogen (Y) (Sawala, 2012)
3.6.8 Uji Koefisien Determinasi (R2)
Menurut Suharyadi, Koefisien determinasi merupakan “ukuran untuk mengetahui kesesuaian atau ketepatan antara nilai dugaan atau garis regresi dengan data sampel”. Jika semua data observasi terletak pada garis regresi akan diperoleh garis regresi yang sesuai atau sempurna, namun apabila data observasi tersebut jauh dari nilai dugaan atau garis regresinya maka nilai dugaannya menjadi kurang sesuai.
3.6.9 Analisis Impulse Function Response
Analisis selanjutnya adalah analisis impulse response. Karena secara individual koefisien di dalam model VAR/VECM sulit diinterpretasikan maka para ahli ekonometrika menggunakan analisis impulse response. Impulse response ini merupakan salah satu analisis penting di dalam model VAR.
Analisis impulse response ini melacak respon dari variabel endogen dalam sistem VAR karena adanya goncangan (shock) atau perubahan di dalam variabel gangguan. Dengan menggunakan analisis impulse response ini kita bisa melacak shock untuk beberapa periode ke depan (Ariefianto, 2012).
3.7.0 Analisis Variance Decomposition
Variance Decomposition atau disebut juga forecast error variance decomposition merupakan perangkat pada model VAR yang akan memisahkan variasi dari sejumlah variabel yang diestimasikan menjadi komponen shock atau menjadi variabel innovation, dengan asumsi bahwa variabel-variabel innovation tidak saling berkorelasi. Kemudian, variance decomposition akan memberikan informasi mengenai proporsi dari pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel lainnya pada periode saat ini dan periode yang akan datang (Ajija dkk, 2011).
51 BAB IV