Pengaruh positif pertumbuhan penduduk terhadap perubahan konsumsi listrik yang signifikan secara statistik ditunjukkan eksistensinya dalam waktu jangka panjang yaitu pada tahun ke 18, 19, 20 dan kemungkinan seterusnya. Pada horizon jangka panjang tersebut, pertumbuhan penduduk yang meningkat atau jumlah penduduk yang bertambah banyak akan menyebabkan bertambahnya kebutuhan mengkonsumsi listrik.
Ini sangat jelas merupakan hasil impulse response yang universal, rasional dan teoritis. Dalam jangka panjang, pertumbuhan penduduk yang semakin lama semakin meningkat memiliki definisi bahwa pertambahan penduduk akan semakin besar, dengan kata lain jumlah penduduk terus mengalami peningkatan lebih besar daripada sebelumnya. Sehingga pola konsumsi dan kebutuhan terhadap listrik akan berubah menjadi lebih tinggi dari sebelumnya. Jadi ini jelas merupakan shock pengaruh yang nyata untuk merangsang konsumsi listrik merespon pengaruh tersebut.
7.11 Pengaruh Pertumbuhan Penduduk terhadap Pertumbuhan Ekonomi
Respon pertumbuhan ekonomi terhadap shock pertumbuhan penduduk digambarkan dalam gambar impulse response (lihat Lampiran 5). Keberadaan respon ini hanya terjadi di horizon tahun ke 2 dan tahun ke 5, yang terdapat pengaruh positif shock pertumbuhan penduduk terhadap pertumbuhan ekonomi telah signifikan secara statistik. Horizon selain dari kedua tahun tersebut tidak menunjukkan pengaruh positif dan signifikan. Hasil ini sudah jelas karena peran penduduk sebagai pelaku ekonomi, seseorang yang melaksanakan seluruh aktivitas perekonomian. Jadi pastiya shock penduduk dapat menentukan tingkat pertumbuhan ekonomi.
7.12 Sumber Fluktuasi
a. Fluktuasi Emisi Gas Rumah Kaca
Berdasarkan Tabel 7 dapat dilihat pada tahun pertama di masa mendatang, shock
variabel emisi gas rumah kaca dipengaruhi oleh dirinya sendiri sebesar 44 persen, variabel konsumsi energi listrik sebesar 2 persen, pertumbuhan ekonomi sebesar 7 persen dan pertumbuhan penduduk sebesar 48 persen. Pada tahun pertama ini variabel pertumbuhan penduduk merupakan variabel yang memiliki kontribusi pengaruh terbesar dibandingkan variabel lainnya.
Fenomena seperti ini berlanjut sampai 20 tahun mendatang, bahkan kemungkinan untuk di tahun seterusnya. Hal ini diyakini karena jumlah penduduk yang terus bertambah dari tahun ke tahun, walaupun pertumbuhannya perlahan terus menurun. Sehingga penduduk yang semakin bertambah ini diduga mengancam kualitas lingkungan, khususnya emisi gas rumah kaca.
Mengapa variabel konsumsi listrik bukan merupakan shock yang paling berpengaruh terhadap emisi gas rumah kaca di masa mendatang? Ini diduga disebabkan dengan proyeksi akan berkembangnya energi listrik yang berasal dari renewable sources di masa mendatang,
peran sumber energi dari bahan bakar fosil berkurang. Pernyataan ini didukung oleh catatan Bank Dunia (2013) yang menampilkan jumlah produksi listrik dari renewable sources pada tahun 2000 sebesar 1.280.626.000 kg.oe meningkat menjadi sebesar 2.333.008.000 kg.oe di tahun 2010. Oleh karena itu, kemungkinan angka produksi ini akan terus meningkat di tahun-tahun mendatang, sehingga akan tidak menyebabkan terjadinya emisi gas rumah kaca.
Tabel 7. Forecast Error Variance Decomposition Emisi Gas Rumah Kaca Energi Listrik Horizon
(tahun)
Source of Innovation (% contribution in LnCO)
PPOP GDP LnEC LnCO
1 48 7 2 44 3 45 20 1 34 5 46 21 1 32 7 52 18 1 28 9 55 18 1 25 11 57 19 2 23 13 58 18 2 22 15 61 18 1 20 17 66 16 1 17 20 71 14 1 14
Sample: 1971-2011, Variable: 4, Lags: 6
Proses Analisis dengan Software EasyReg International, 2014
Jadi dapat disimpulkan bahwa dalam beberapa tahun ke depan, diprediksikan perubahan intensitas emisi gas rumah kaca lebih dominan dipengaruhi shock yang diberikan oleh variabel pertumbuhan penduduk dibandingkan dengan shock pengaruh dari variabel konsumsi energi listrik dan pertumbuhan ekonomi, selain dipengaruhi oleh variabel emisi itu sendiri.
b. Fluktuasi Konsumsi Energi Listrik
Tabel 8 memperlihatkan besar kontribusi pengaruh (shock) yang menyebabkan perubahan konsumsi energi listrik di masa mendatang. Pada tahun pertama, variabel konsumsi listrik (EC) dipengaruhi oleh dirinya sendiri sebesar 52 persen, variabel pertumbuhan ekonomi (GDP) sebesar 30 persen dan pertumbuhan penduduk (PPOP) berkontribusi sebesar 18 persen. Ini menjadikan pertumbuhan ekonomi sebagai shock yang kontribusi pengaruhnya paling besar
sampai 3 tahun ke depan. Sebaliknya dalam 5 tahun ke depan, variabel konsumsi listrik dominan dipengaruhi oleh variabel PPOP yang kontribusi shock-nya naik menjadi 45 persen dan pengaruh dari pertumbuhan ekonomi turun menjadi 23 persen.
Tabel 8. Forecast Error Variance Decomposition Konsumsi Energi Listrik
Horizon (tahun)
Source of Innovation (% contribution in LnEC)
PPOP GDP LnEC LnCO
1 18 30 52 0 3 26 28 46 0 5 45 23 32 0 7 57 18 25 0 9 61 18 21 0 11 61 19 20 0 13 60 20 20 0 15 61 20 19 0 17 66 18 17 0 20 75 13 12 0
Sample: 1971-2011, Variable: 4, Lags: 6
Proses Analisis dengan Software EasyReg International, 2014
Selanjutnya sampai 20 tahun yang akan datang, pertumbuhan penduduk mendominasi
shock pengaruh terhadap perubahan konsumsi listrik, ddengan besar kontribusinya diproyeksikan sebesar tiga perempat dari seluruh shock yang dirasakan variabel EC. Hasil proyeksi tersebut terbilang rasional dan tepat, karena memang konsumsi listrik sangat erat kaitannya dengan penduduk yang merupakan user dari energi listrik. Sehingga jumlah penduduk yang semakin bertambah akan menyebabkan kebutuhan terhadap energi listrik terus meningkat.
c. Fluktuasi Pertumbuhan Ekonomi
Hasil uji FEVD untuk variabel pertumbuhan ekonomi (GDP) ditampilkan dalam Tabel 9, yang menjelaskan tentang proyeksi share kontribusi pengaruh terhadap variabel GDP untuk 20 tahun ke depan. Variabel pertumbuhan penduduk merupakan variabel yang sangat mempengaruhi pertumbuhan ekonomi di masa yang akan datang, yakni dari tahun pertama sampai 20 tahun ke depan. Hasil ini sangat signifikan karena penduduk atau manusia memang
merupakan aktor utama dalam berbagai aktivitas ekonomi. Sehingga baik-buruknya kualitas penduduk, yang dilihat melalui sumberdaya manusianya (human capital), akan mempengaruhi pertumbuhan ekonomi secara langsung. Jika penduduk dengan human capital yang bagus akan menciptakan pertumbuhan ekonomi yang positif dan meningkat. Sebaliknya, jika penduduk tidak memiliki human capital yang baik akan memperburuk perekonomian dan ekonomi akan tumbuh dengan rendah. Jadi jelas bahwa hasil FEVD variabel pertumbuhan ekonomi yang menunjukkan variabel pertumbuhan penduduk sebagai variabel yang memiliki kontribusi pengaruh paling besar ini sudah signifikan secara teoritis.
Tabel 9. Forecast Error Variance Decomposition Pertumbuhan Ekonomi
Horizon (tahun)
Source of Innovation (% contribution in GDP)
PPOP GDP LnEC LnCO
1 20 80 0 0 3 38 61 1 0 5 46 52 2 0 7 45 51 4 0 9 46 51 4 0 11 47 50 4 0 13 48 48 4 0 15 49 48 4 0 17 49 47 4 0 20 51 46 4 0
Sample: 1971-2011, Variable: 4, Lags: 6
Proses Analisis dengan Software EasyReg International, 2014
Jadi berdasarkan hasil analisis sumber flutuasi melalui FEVD di atas, sumber fluktuasi perubahan intensitas emisi gas rumah kaca, konsumsi listrik dan pertumbuhan ekonomi yang paling besar dalam 20 tahun ke depan bersumber dari shock penduduk. Hal ini dikarenakan penduduk merupakan aktor atau pelaku aktivitas perekonomian, sehingga tentu tinggi-rendahnya pertumbuhan ekonomi dipengaruhi oleh penduduk. Selain itu yang terkait penelitian ini, penduduk berperan sebagai konsumen energi listrik terbesar dengan dominasi share yang tinggi untuk rumah tangga, oleh karena itu fluktuasi konsumsi listrik dapat dipengaruhi oleh
maka selanjutnya shock penduduk ini juga dapat mempengaruhi fluktuasi pertambahan emisi gas rumah kaca.
Perlu diperhatikan bahwa bertambahnya penduduk atau meningkatnya pertumbuhan penduduk akan menyebabkan tingginya intensitas emisi gas rumah kaca dan bertambahnya konsumsi listrik di masa mendatang. Jadi Pemerintah Indonesia sudah seharusnya untuk mengurangi jumlah penduduk atau menekan laju pertumbuhannya. Jika hal itu tidak berhasil dilakukan, maka pemerintah harus mewujudkan peningkatan sumberdaya manusia penduduk melalui pendidikan dan berbagai program terkait lainnya. Walaupun alangkah lebih baiknya, pemerintah mengimplementasikan kedua solusi tersebut dalam penyelesaian permasalahan sektor kependudukan, sehingga tercipta keluarga berencana dan keluarga berkualitas.
8.Kesimpulan
Berdasarkan analisis yang telah dilakukan dalam penelitian ini, terdapat beberapa kesimpulan yang bisa dirangkum dari hasil analisis pengaruh dan berbagai uji statistik terkait, antara lain sebagai berikut:
1. Konsumsi energi listrik, pertumbuhan ekonomi dan penduduk dapat mempengaruhi perubahan intensitas emisi gas rumah kaca.
2. Pengaruh yang ditimbulkan oleh penduduk terhadap emisi gas rumah kaca merupakan pengaruh yang paling besar dibandingkan dengan pengaruh dari pertumbuhan ekonomi dan konsumsi energi listrik.
3. Tidak terdapat hubungan kausalitas (bi-directional) antara pertumbuhan ekonomi dengan konsumsi energi listrik. Hanya ada hubungan satu arah, yaitu pertumbuhan ekonomi yang mempengaruhi konsumsi energi listrik.
4. Lebih rendahnya konsumsi listrik sektor industri merupakan penyebab tidak adanya perubahan pada pertumbuhan ekonomi. Pemakaian listrik terungkap didominasi oleh rumah tangga, yang digunakan untuk kebutuhan hidup sehari-hari bukan untuk produktivitas (secara ekonomi). Oleh karena itu dapat didefinisikan hanya ada hubungan pengaruh satu arah antara konsumsi listrik dan pertumbuhan ekonomi. 5. Uji terhadap variabel penduduk didapatkan bahwa penduduk dapat mempengaruhi
perubahan konsumsi energi listrik.
6. Pertumbuhan penduduk tidak dapat mempengaruhi tingkat pertumbuhan ekonomi. 7. Shock dari konsumsi listrik cenderung tidak berpengaruh terhadap perubahan
shock yang diberikan oleh pertumbuhan ekonomi dan penduduk dapat dirasakan pengaruhnya oleh emisi gas rumah kaca, masing-masing secara berturut di dalam jangka pendek dan jangka panjang.
8. Respon konsumsi listrik terhadap shock pertumbuhan ekonomi ditemukan dalam jangka pendek dan shock dari penduduk terdapat di jangka panjang. Selanjutnya, pengaruh penduduk terhadap pertumbuhan ekonomi dirasakan pada tahun-tahun awal di masa mendatang.
9. Penduduk merupakan kontributor utama dalam mempengaruhi fluktuasi perubahan pada intensitas emisi gas rumah kaca, besar konsumsi listrik dan pertumbuhan ekonomi dalam 20 tahun ke depan. Persentase besar kontribusi variabel penduduk yang didapat lebih dari 50 persen, sehingga pengaruh besar shock penduduk terhadap fluktuasi variabel penelitian lain ini menjadi perhatian utama di masa depan.
10. Penduduk berperan sebagai aktor dalam segala aktivitas perekonomian, sehingga dapat mempengaruhi tinggi-rendahnya pertumbuhan ekonomi ke depan. Pengaruh penduduk terhadap besar konsumsi listrik masa mendatang merupakan salah satu aktivitas ekonomi yang dimaksud dengan berperan sebagai konsumen. Lalu perubahan besar konsumsi listrik oleh penduduk ini akan berdampak pada fluktuasi emisi gas rumah kaca. Jadi jelas penduduk merupakan shock dan kontributor utama yang sangat berpengaruh di masa yang akan datang.
9.Saran
Berdasarkan hasil penelitian yang telah disimpulkan, maka terdapat beberapa saran untuk menyelesaikan masalah, antara lain sebagai berikut:
1. Hasil estimasi mendapatkan bahwa konsumsi listrik tidak berpengaruh terhadap pertumbuhan ekonomi karena share listrik yang lebih besar pada sektor rumah tangga dan ini tidak produktif. Karena itu, pemerintah perlu mendorong tingkat investasi untuk memunculkan industri dan pabrik baru, sehingga pemerintah akan menambah
share listrik untuk sektor industri.
2. Peningkatan produksi listrik yang akan diusahakan pemerintah ini tentu sudah seharusnya merupakan energi listrik yang diproduksi dari pembangkit dengan input energi renewable sources, yang secara bersamaan sebagai solusi dalam mengurangi emisi gas rumah kaca. Jadi terdapat beberapa keuntungan dari pengembangan energi terbarukan, yaitu dapat mengatasi defisit produksi listrik, dapat menurunkan intensitas
emisi gas rumah kaca dan dapat mengurangi beban subsidi energi bahan bakar fosil dalam APBN.
3. Sumber energi terbarukan dinilai merupakan solusi yang paling tepat dan rasional menimbang kekayaan sumber daya alam yang dimiliki Indonesia. Persentase produksi energi listrik Indonesia yang berasal dari sumber terbarukan pada tahun 2011 hanya sebesar 7,53 persen dari total keseluruhan produksi energi listrik (Statistik PLN, 2011). Ironisnya, angka tersebut masih sangat kecil jika dilihat dari sisi ketersediaan sumber daya alam yang berlimpah. Sumber energi terbarukan yang dapat berpotensi berkembang di Indonesia antara lain panas bumi (geothermal), air (hydropower), surya (solar), bayu (wind), dan biomassa. Oleh karena itu, usaha memaksimalkan penggunaan renewable sources di bidang energi listrik merupakan salah satu kebijakan efektif yang harus dilakukan oleh Pemerintah Indonesia.
4. Solusi untuk mengatasi pengaruh lainnya seperti jumlah penduduk adalah dengan menekan laju pertumbuhan penduduk agar tidak cepat bertambah banyak, melalui penciptaan berbagai program seperti memaksimalkan dua program KB, yaitu keluarga berencana dan keluarga berkualitas.
5. Seperti kita ketahui penduduk merupakan pengguna energi listrik, sehingga dengan bertambahnya penduduk maka juga bertambah pula kebutuhan listrik yang harus tersedia. Jika sumber energi masih berbahan bakar fosil akan menyebabkan kenaikan intensitas emisi gas rumah kaca. Oleh karena itu, maksimalisasi sumber-sumber terbarukan juga menjadi solusi efektif jika laju pertumbuhan penduduk tidak terbendung.
6. Solusi lain adalah dengan meningkatkan human capital penduduk. Sehingga dengan tingginya pertumbuhan penduduk atau banyaknya penduduk bukan menjadi masalah terhadap ekonomi dan lingkungan, bahkan akan berdampak positif. Bidang pendidikan harus dijadikan perhatian utama pemerintah, naikkan share anggaran untuk pendidikan, pelatihan dan berbagai program edukatif lainnya, tentunya dengan memaksimalkan penggunaan anggarannya yang tepat sasaran.
10. Referensi
Al-Hasibi, R.A. (2010). “Peran Sumber Energi Terbarukan dalam Penyediaan Energi Listrik dan Penurunan Emisi CO2 di Provinsi Daerah Istimewa Yogyakarta”. Jurnal Ilmiah Semesta Teknika. Vol. 13, No. 2: 155-164.
Aliasuddin (2009). Exchange Rate Shocks and the Effectiveness of Macroeconomic Policies in Malaysia. Ph.D. Dissertation, Universiti Putra Malaysia.
Badan Pusat Statistik (2006). Statistik 60 Tahun Indonesia Merdeka. Jakarta.
Bierens, H.J. (2012). VAR: Guided Tour. EasyReg International, Pennyslvania, USA. (http://econ.la.psu.edu/~hbierens/EasyRegTours/VAR.HTM)
Carbon Dioxide Information Analysis Center (2013). Recent Greenhouse Gas Concentrations. (http://cdiac.ornl.gov/pns/current_ghg.html)
Direktorat Jenderal Anggaran, Kementerian Keuangan Republik Indonesia (2014). Data
Pokok APBN 2007-2013. Jakarta. (http://www.anggaran.depkeu.go.id
/dja/acontent/Data%20Pokok%20APBN%202013.pdf)
Direktorat Jenderal Ketenagalistrikan, Kementerian Energi dan Sumber Daya Mineral Republik Indonesia (2011). Statistik Ketenagalistrikan. Jakarta.
Elinur, et al. (2010). “Perkembangan Konsumsi dan Penyediaan Energi dalam Perekonomian Indonesia”. Indonesian Journal of Agricultural Economics. Vol. 2 : 97–119. Enders, W. (2004). Applied Econometric Time Series. Second Edition, Wiley International
Edition, USA.
Field, B.C. dan M.K. Field (2002). Environmental Economics, an Introduction. Third Edition, Mc-Graw Hill, New York, USA.
Goodstein, E.S (2014). Economics and the Environment. Seventh Edition, Wiley, USA. Idris (2012). “Environmental Kuznets Curve Bukti Empiris Hubungan antara Pertumbuhan
Ekonomi dan Kualitas Lingkungan di Indonesia”. Seminar Nasional dan Call For Papers. ISBN: 978-979-3649-65-8.
Juanda, B. dan Junaidi (2012). Ekonometrika Deret Waktu, Teori dan Aplikasi. IPB Press, Bogor.
Lean, H.H. and R. Smyth (2009). “CO₂ Emissions, Electricity Consumption and Output in Asean”. Development Research Unit Discussion Paper (DEVDP). 09-13.
Mallia, E. dan G. Lewis (2012). “Life Cycle Greenhouse Gas Emissions of Electricity Generation in the Province of Ontario, Canada”. International Journal Life Cycle Assessment, Springer. Vol. 18 : 377–391.
Mankiw, N.G. (2010). Principles of Economics. International Edition, 6th Edition, South-Western Cengage Learning, Canada.
Pao, H.T. dan C.M. Tsai (2010). “CO2 Emissions, Energy Consumption and Economic Growth in BRIC Countries”. Energy Policy, Elsevier. Vol. 38 : 7850 – 7860.
(2011a). “Modeling and Forecasting the CO2 Emissions, Energy Consumption and Economic Growth in Brazil”. Energy, Elsevier. Vol. 36 : 2450– 2458.
(2011b). “Modeling the CO2 Emissions, Energy Use and Economic Growth in Russia”. Energy, Elsevier. Vol. 36 : 5094–5100.
Perusahaan Listrik Negara (2009). Laporan Tahunan 2008. Jakarta. _____________________ (2012a). Laporan Tahunan 2011. Jakarta. _____________________ (2012b). Statistik PLN 2011. Jakarta.
_____________________ (2013). Laporan Tahunan 2012. Jakarta.
Samuelson, P.A. dan W.D. Nordhaus (2005). Ilmu Makroekonomi. Edisi Ketujuhbelas, PT. Media Global Edukasi, Jakarta.
Shaari, M.S., H.A. Rahim dan I.M.A. Rashid (2013). “Relationship Among Population, Energy Consumption and Economic Growth in Malaysia”. The International Journal of Social Science. Vol. 13, No. 1 : 39-45.
Sukirno, S. (2004). Makroekonomi Teori Pengantar. Edisi Ketiga, PT RajaGrafindo Persada, Jakarta.
Suparmoko, M. (2008). Ekonomi Sumber Daya Alam dan Lingkungan, Suatu Pendekatan Teoritis. Edisi 4 Revisi, BPFE, Yogyakarta.
Tang, C.F. dan E.C. Tan (2012). “Exploring The Nexus of Electricity Consumption, Economic Growth, Energy Prices and Technology Innovation in Malaysia”. Applied Energy, Elsevier. Vol. 104 : 297–305.
The World Bank (2013). Databank. (http://data.worldbank.org/)
Tietenberg, T. dan L. Lewis (2011). Environmental and Natural Resource Economics. Pearson Education, New jersey, USA.
Todaro, M.P. dan S.C. Smith (2006). Pembangunan Ekonomi. Edisi Kesembilan Jilid 1, Erlangga, Jakarta.
Xiangyang, D. dan Y. Guiqui (2011). “China’s Greenhouse Gas emissions’ dynamic effects in the process of its urbanization: A perspective from shocks decomposition under long-term constraints”. Energy Proceedia, Elsevier. Vol 5: 1660–1665.
Yao, C. (2013). “The Effects Mechanism of Population Urbanization and Carbon Emissions in China: Based on the Co-Integration Test of STIRPAT Model”. PAA 2013, Poster Session 3: Population, Economics, Development and the Environment. No.84: 1-11. (http://paa2013.princeton.edu/abstracts/130483)
Zaman, K. et al. (2012). “Determinant of Electricity Consumption Function in Pakistan: Old Wine in a New Bottle”. Energy Policy, Elsevier. Vol 50 : 623–634.
Zeshan, M. dan V. Ahmed (2013). “Energy Consumption and Economic Growth in Pakistan”. Bulletin of Energy Economics. Vol 1(2): 8–20.
Zhu, Q. dan X. Peng (2012). “The impacts of population change on carbon emissions in China during 1978–2008”. Abstrak Jurnal, Environmental Impact Assessment Review. Vol. 36 : 1 (Abstrak).
Lampiran 1: Tabel Belanja Pemerintah Pusat dan Subsidi dalam Data Pokok APBN 2007-2013
Belanja Pemerintah Pusat 2007-2013 (miliar rupiah)
2007 2008 2009 2010 2011 2012 2013 Uraian LKPP LKPP LKPP LKPP LKPP APBN-P APBN 1.Belanja Pegawai 90.425,0 112.829,9 127.669,7 148.078,1 175.737,9 212.255,1 241.606,3 2.Belanja Barang 54.511,4 55.963,5 80.667,9 97.596,8 124.639,5 162.012,3 200.735,2 3.Belanja Modal 64.288,7 72.772,5 75.870,8 80.287,1 117.854,5 176.051,4 184.363,5 4.Pembayaran Bunga Utang 79.806,4 88.429,8 93.782,1 88.383,2 93.262,0 117.785,4 113.243,8 a. Utang Dalam Negeri 54.079,4 59.887,0 63.755,9 61.480,6 66.824,9 84.749,3 80.703,3 b. Utang Luar Negeri 25.727,0 28.542,8 30.026,2 26.902,7 26.437,1 33.036,1 32.540,5
5.Subsidi 150.214,5 275.291,4 138.082,2 192.707,1 295.358,2 245.076,3 317.218,6 a. Energi 116.865,9 223.013,2 94.585,9 139.952,9 255.608,8 202.353,2 274.743,0
b. Non Energi 33.348,6 52.278,2 43.496,3 52.754,1 39.749,4 42.723,1 42.475,6 6.Belanja Hibah - - - 70,0 300,1 1.790,9 3.621,3 7.Bantuan Sosial 49.756,3 57.740,8 73.813,6 68.611,1 71.104,3 86.028,0 73.608,8
a. Penanggulangan Bencana Alam 1.888,9 2.939,8 2.223,6 2.681,0 3.978,3 4.000,0 4.000,0
b. Bantuan Melalui K/L 47.867,4 54.801,0 71.590,0 65.930,1 67.126,0 82.028,0 69.608,8 8.Belanja Lain-lain 15.621,2 30.328,1 38.926,2 21.673,0 5.465,4 68.535,0 19.983,4
Jumlah 504.623,4 693.356,0 628.812,4 697.406,4 883.722,0 1.069.534,4 1.154.380,9
Sumber: Direktorat Jenderal Anggaran Kementerian Keuangan Republik Indonesia, 2014.
Subsidi 2007-2013 (miliar rupiah)
2007 2008 2009 2010 2011 2012 2013 Jenis LKPP LKPP LKPP LKPP LKPP APBN-P APBN A. Energi 116.865,9 223.013,2 94.585,9 139.952,9 255.608,8 202.353,2 274.743,0 1.Subsidi BBM 83.792,3 139.106,7 45.039,4 82.351,3 165.161,3 137.379,8 193.805,2 2.Subsidi Listrik 33.073,5 83.906,5 49.546,5 57.601,6 90.447,5 64.973,4 80.937,8 B. Non Energi 33.348,6 52.278,2 43.496,3 52.754,1 39.749,4 42.723,1 42.475,6 1.Subsidi Pangan 6.584,3 12.095,9 12.987,0 15.153,8 16.539,3 20.926,3 17.197,9 2.Subsidi Pupuk 6.260,5 15.181,5 18.329,0 18.410,9 16.344,6 13.958,6 16.228,8 3.Subsidi Benih 479,0 985,2 1.597,2 2.177,5 96,9 129,5 1.454,2 4.PSO 1.025,0 1.729,1 1.339,4 1.373,9 1.833,9 2.151,4 1.521,1 5.Kredit Program 347,5 939,3 1.070,0 823,0 1.522,9 1.293,9 1.248,5
6.Subsidi Minyak Goreng 24,6 103,3 - - - -
-7.Subsidi Pajak 17.113,6 21.018,2 8.173,6 14.815,1 3.411,8 4.263,4 4.825,1
8.Subsidi Kedelai - 225,7 - - - -
-9.Subsidi Lainnya 1.514,0 - - - - -
-Jumlah 150.214,5 275.291,4 138.082,2 192.707,0 295.358,2 245.076,3 317.218,6
Sumber: Direktorat Jenderal Anggaran Kementerian Keuangan Republik Indonesia, 2014.
Lampiran 2: Output Uji Unit Root
--- EasyReg International [September 20, 2012] Session date: Wednesday January 29, 2014 Session time: 22:41:12
KPSS trend stationarity test
Reference: Kwiatkowski, D., P. Phillips, P. Schmidt, and Y. Shin (1992) Testing the Null of Stationarity Against the Alternative of a Unit Root Journal of Econometrics 54, 159-178.
Null hypothesis H0: z(t) = c + d.t + u(t), where u(t) is a zero-mean stationary process and c and d are constants.
Alternative hypothesis H1: z(t) is a unit root process with drift: z(t) = z(t-1) + c + u(t)
The KPSS test employs a Newey-West type variance estimator of the long-run variance of u(t), with truncation lag m = [c.n^s], where c > 0 and 0< s <1/2. The default values of c and s are c = 5, s = .25
PPOP
m = 12 = [c.n^s], where c=5, s=.25, n=41 5% critical region 10% critical region > 0.146 > 0.119
Test results:
Test statistic Conclusion (5%) Conclusion (10%) 0.1204 (accept H0) (reject H0)
---
KPSS trend stationarity test
Reference: Kwiatkowski, D., P. Phillips, P. Schmidt, and Y. Shin (1992) Testing the Null of Stationarity Against the Alternative of a Unit Root Journal of Econometrics 54, 159-178.
Null hypothesis H0: z(t) = c + d.t + u(t), where u(t) is a zero-mean stationary process and c and d are constants.
Alternative hypothesis H1: z(t) is a unit root process with drift: z(t) = z(t-1) + c + u(t)
The KPSS test employs a Newey-West type variance estimator of the long-run variance of u(t), with truncation lag m = [c.n^s], where c > 0 and 0< s <1/2. The default values of c and s are c = 5, s = .25
GDP
m = 12 = [c.n^s], where c=5, s=.25, n=41 5% critical region 10% critical region > 0.146 > 0.119
Test results:
Test statistic Conclusion (5%) Conclusion (10%) 0.1406 (accept H0) (reject H0)
---
KPSS trend stationarity test
Reference: Kwiatkowski, D., P. Phillips, P. Schmidt, and Y. Shin (1992) Testing the Null of Stationarity Against the Alternative of a Unit Root Journal of Econometrics 54, 159-178.
Null hypothesis H0: z(t) = c + d.t + u(t), where u(t) is a zero-mean stationary process and c and d are constants.
Alternative hypothesis H1: z(t) is a unit root process with drift: z(t) = z(t-1) + c + u(t)
The KPSS test employs a Newey-West type variance estimator of the long-run variance of u(t), with truncation lag m = [c.n^s], where c > 0 and 0< s <1/2. The default values of c and s are c = 5, s = .25
LnEC
m = 12 = [c.n^s], where c=5, s=.25, n=41 5% critical region 10% critical region > 0.146 > 0.119
Test results:
Test statistic Conclusion (5%) Conclusion (10%) 0.1421 (accept H0) (reject H0)
---
KPSS trend stationarity test
Reference: Kwiatkowski, D., P. Phillips, P. Schmidt, and Y. Shin (1992) Testing the Null of Stationarity Against the Alternative of a Unit Root Journal of Econometrics 54, 159-178.
Null hypothesis H0: z(t) = c + d.t + u(t), where u(t) is a zero-mean stationary process and c and d are constants.
Alternative hypothesis H1: z(t) is a unit root process with drift: z(t) = z(t-1) + c + u(t)
The KPSS test employs a Newey-West type variance estimator of the long-run variance of u(t), with truncation lag m = [c.n^s], where c > 0 and 0< s <1/2. The default values of c and s are c = 5, s = .25
LnCO
m = 12 = [c.n^s], where c=5, s=.25, n=41 5% critical region 10% critical region > 0.146 > 0.119
Test results:
Test statistic Conclusion (5%) Conclusion (10%) 0.1132 (accept H0) (accept H0)
Lampiran 3: Output Analisis Restricted VAR --- EasyReg International [September 20, 2012] Session date: Wednesday January 29, 2014 Session time: 15:51:24 --- z(t,1) = PPOP z(t,2) = GDP z(t,3) = LN[EC] z(t,4) = LN[CO] Dependent variables: Y(1) = PPOP Y(2) = GDP Y(3) = LN[EC] Y(4) = LN[CO] Characteristics: PPOP First observation = 1(=1971) Last observation = 41(=2011) Number of usable observations: 41 Minimum value: 1.2901294E+000 Maximum value: 2.5354793E+000 Sample mean: 1.8526096E+000 GDP
First observation = 1(=1971) Last observation = 41(=2011) Number of usable observations: 41 Minimum value: -1.3130000E+001 Maximum value: 9.7800000E+000 Sample mean: 5.9975610E+000 LN[EC]
First observation = 1(=1971) Last observation = 41(=2011) Number of usable observations: 41 Minimum value: 2.6713862E+000 Maximum value: 6.5216515E+000 Sample mean: 4.9086675E+000 LN[CO]
First observation = 1(=1971) Last observation = 41(=2011) Number of usable observations: 41 Minimum value: -2.9957323E+000 Maximum value: -3.8566248E-001 Sample mean: -1.5752305E+000
VAR(p) model:
z(t) = A(1)z(t-1) + ... +A(p)z(t-p) + B.d(t) + u(t),where d(t) is a vector of deterministic variables:
d(t)= 1 t (1971=1)
Information criteria:
1 -1.48252E+01 -1.44588E+01 -1.38118E+01 2 -1.78897E+01 -1.72776E+01 -1.61835E+01 3 -1.86554E+01 -1.77968E+01 -1.62421E+01 4 -1.93554E+01 -1.82502E+01 -1.62206E+01 5 -1.92509E+01 -1.78998E+01 -1.53800E+01 6 -2.19314E+01 -2.03360E+01 -1.73098E+01 p = 6 6 6
Chosen VAR(p) order: p = 6
Zeros in matrices A(1),..,A(6): (1 = nonzero) 1 1 0 0
1 1 1 0 1 1 1 0 1 1 1 1
SUR estimation results for SUR iteration round 10
y(1) = PPOP
Explanatory variables SUR estimate t-value [p-value] x(1,1) = LAG1[PPOP] 31.05260E-01 20.16 [0.00000] x(1,2) = LAG1[GDP] -10.08215E-05 -0.94 [0.34577] x(1,3) = LAG2[PPOP] -41.51793E-01 -8.47 [0.00000] x(1,4) = LAG2[GDP] 64.65342E-06 0.59 [0.55425] x(1,5) = LAG3[PPOP] 32.60157E-01 4.32 [0.00002] x(1,6) = LAG3[GDP] 33.00868E-06 0.31 [0.75746] x(1,7) = LAG4[PPOP] -19.58341E-01 -2.54 [0.01112] x(1,8) = LAG4[GDP] -93.81592E-06 -0.88 [0.37939] x(1,9) = LAG5[PPOP] 11.11541E-01 2.15 [0.03182] x(1,10) = LAG5[GDP] -25.76065E-05 -2.40 [0.01655] x(1,11) = LAG6[PPOP] -40.25435E-02 -2.43 [0.01524] x(1,12) = LAG6[GDP] 77.38115E-06 0.70 [0.48647] x(1,13) = 1 98.65241E-03 3.96 [0.00007] x(1,14) = t (1971=1) -13.02945E-04 -3.91 [0.00009] [The p-values are two-sided and based on the normal approximation] s.e.: 26.45904E-04
R-Square: 1.0000 n: 35
y(2) = GDP
Explanatory variables SUR estimate t-value [p-value] x(2,1) = LAG1[PPOP] -38.73401E+01 -1.33 [0.18251] x(2,2) = LAG1[GDP] 12.37104E-02 0.73 [0.46839] x(2,3) = LAG1[LN[EC]] 95.87790E-02 0.10 [0.91688] x(2,4) = LAG2[PPOP] 18.22289E+02 2.18 [0.02941] x(2,5) = LAG2[GDP] -17.19822E-02 -1.06 [0.28850] x(2,6) = LAG2[LN[EC]] -15.87832E+00 -1.11 [0.26719] x(2,7) = LAG3[PPOP] -33.85629E+02 -2.82 [0.00474] x(2,8) = LAG3[GDP] 14.48528E-02 0.93 [0.35108] x(2,9) = LAG3[LN[EC]] 75.74272E-01 0.48 [0.63377] x(2,10) = LAG4[PPOP] 36.74448E+02 3.04 [0.00238] x(2,11) = LAG4[GDP] 73.02239E-03 0.46
[0.64520] x(2,12) = LAG4[LN[EC]] -13.85006E+00 -0.91 [0.36100] x(2,13) = LAG5[PPOP] -25.53771E+02 -3.10 [0.00190] x(2,14) = LAG5[GDP] 10.20605E-02 0.64 [0.51992] x(2,15) = LAG5[LN[EC]] 24.15076E-01 0.17 [0.86738] x(2,16) = LAG6[PPOP] 88.00922E+01 3.29 [0.00099] x(2,17) = LAG6[GDP] -57.63343E-04 -0.03 [0.97283] x(2,18) = LAG6[LN[EC]] 21.54224E+00 1.86 [0.06343] x(2,19) = 1 -13.19295E+01 -1.46 [0.14556] x(2,20) = t (1971=1) 13.35983E-01 2.46 [0.01388] [The p-values are two-sided and based on the normal approximation] s.e.: 40.55079E-01
R-Square: 0.5222 n: 35
y(3) = LN[EC]
Explanatory variables SUR estimate t-value [p-value] x(3,1) = LAG1[PPOP] 23.00842E-01 0.83 [0.40895] x(3,2) = LAG1[GDP] 13.31313E-05 0.08 [0.93609] x(3,3) = LAG1[LN[EC]] 10.85520E-01 12.81 [0.00000] x(3,4) = LAG2[PPOP] -89.16463E-01 -1.10 [0.27040] x(3,5) = LAG2[GDP] 45.33453E-05 0.29 [0.77546] x(3,6) = LAG2[LN[EC]] -61.27886E-02 -4.64 [0.00000] x(3,7) = LAG3[PPOP] 10.80624E+00 0.93 [0.35442] x(3,8) = LAG3[GDP] -42.46335E-05 -0.28 [0.78098] x(3,9) = LAG3[LN[EC]] 39.97384E-02 2.73 [0.00642] x(3,10) = LAG4[PPOP] -42.29124E-01 -0.36 [0.71980] x(3,11) = LAG4[GDP] 10.01865E-04 0.64 [0.51943] x(3,12) = LAG4[LN[EC]] -21.69368E-02 -1.55 [0.12093] x(3,13) = LAG5[PPOP] -21.17698E-01 -0.26 [0.79143] x(3,14) = LAG5[GDP] 17.27009E-04 1.11 [0.26722] x(3,15) = LAG5[LN[EC]] -41.30845E-04 -0.03 [0.97530] x(3,16) = LAG6[PPOP] 19.50980E-01 0.75 [0.45279] x(3,17) = LAG6[GDP] -11.18955E-04 -0.68 [0.49899] x(3,18) = LAG6[LN[EC]] 89.31285E-03 0.83 [0.40421] x(3,19) = 1 13.95089E-01 1.65 [0.09886] x(3,20) = t (1971=1) 14.80448E-03 2.81 [0.00499] [The p-values are two-sided and based on the normal approximation] s.e.: 40.48486E-03
R-Square: 0.9992 n: 35
y(4) = LN[CO]
Explanatory variables SUR estimate t-value [p-value] x(4,1) = LAG1[PPOP] -81.54078E-01 -1.60 [0.10944]
x(4,2) = LAG1[GDP] 63.30034E-04 1.98 [0.04725] x(4,3) = LAG1[LN[EC]] -43.24202E-02 -2.51 [0.01205] x(4,4) = LAG1[LN[CO]] -40.36657E-02 -3.05 [0.00228] x(4,5) = LAG2[PPOP] 13.22375E+00 0.89 [0.37197] x(4,6) = LAG2[GDP] 10.55619E-03 3.51 [0.00044] x(4,7) = LAG2[LN[EC]] 25.86000E-02 1.09 [0.27719] x(4,8) = LAG2[LN[CO]] -84.64145E-02 -6.30 [0.00000] x(4,9) = LAG3[PPOP] -19.42916E+00 -0.90 [0.36741] x(4,10) = LAG3[GDP] 11.49671E-03 3.64 [0.00028] x(4,11) = LAG3[LN[EC]] -20.64905E-02 -0.78 [0.43788] x(4,12) = LAG3[LN[CO]] -55.80306E-02 -4.21 [0.00003] x(4,13) = LAG4[PPOP] 21.41127E+00 0.99 [0.32184] x(4,14) = LAG4[GDP] 16.23401E-03 4.96 [0.00000] x(4,15) = LAG4[LN[EC]] 39.41048E-03 0.16 [0.87472] x(4,16) = LAG4[LN[CO]] -50.39444E-02 -3.85 [0.00012] x(4,17) = LAG5[PPOP] -21.07370E+00 -1.43 [0.15209] x(4,18) = LAG5[GDP] 80.86322E-04 2.38 [0.01734] x(4,19) = LAG5[LN[EC]] 10.66605E-02 0.44 [0.65663] x(4,20) = LAG5[LN[CO]] -30.38918E-02 -2.90 [0.00377] x(4,21) = LAG6[PPOP] 65.56500E-01 1.34 [0.18144] x(4,22) = LAG6[GDP] 96.95986E-04 2.88 [0.00393] x(4,23) = LAG6[LN[EC]] 15.92638E-02 0.78 [0.43765] x(4,24) = LAG6[LN[CO]] -33.51175E-02 -3.74 [0.00018] x(4,25) = 1 67.05072E-01 3.29 [0.00099] x(4,26) = t (1971=1) 46.53875E-03 4.40 [0.00001] [The p-values are two-sided and based on the normal approximation] s.e.: 10.03632E-02
R-Square: 0.9956 n: 35
Error variance matrix based on SUR residuals:
4.20049E-006 -1.76569E-003 -2.63894E-005 -7.71072E-005 -1.76569E-003 7.04729E+000 4.59582E-002 1.56817E-002 -2.63894E-005 4.59582E-002 7.02439E-004 3.46600E-004 -7.71072E-005 1.56817E-002 3.46600E-004 2.59014E-003
= LL', where L =
2.04951E-003 0 0 0 -8.61519E-001 2.51099E+000 0 0 -1.28759E-002 1.38851E-002 1.85433E-002 0 -3.76223E-002 -6.66298E-003 -2.44329E-003 3.35311E-002
Maximum absolute difference of the elements of the matrix L with the corresponding elements of the previous matrix L: 16.72434E-004
L = 2.04951E-003 0 0 0 (5.17) [0.00000] -8.61519E-001 2.51099E+000 0 0 (-1.29) (10.73) [0.19871] [0.00000]
-1.28759E-002 1.38851E-002 1.85433E-002 0 (-2.26) (2.26) (7.25)
[0.02355] [0.02385] [0.00000]
-3.76223E-002 -6.66298E-003 -2.44329E-003 3.35311E-002 (-3.40) (-0.48) (-0.22) (6.13) [0.00067] [0.63202] [0.82526] [0.00000] (t-values in parenthesis)
[p-values in parenthesis (two-sided, based on the normal approximation)]
Log-likelihood: 24.418282E+001 Dependent Variables: y(1) = PPOP y(2) = GDP y(3) = LN[EC] y(4) = LN[CO] x(4,1) = LAG1[PPOP] -81.54078E-01 -1.60 x(4,2) = LAG1[GDP] 63.30034E-04 1.98 x(4,3) = LAG1[LN[EC]] -43.24202E-02 -2.51(*) x(4,4) = LAG1[LN[CO]] -40.36657E-02 -3.05 x(4,5) = LAG2[PPOP] 13.22375E+00 0.89 x(4,6) = LAG2[GDP] 10.55619E-03 3.51 x(4,7) = LAG2[LN[EC]] 25.86000E-02 1.09(*) x(4,8) = LAG2[LN[CO]] -84.64145E-02 -6.30 x(4,9) = LAG3[PPOP] -19.42916E+00 -0.90 x(4,10) = LAG3[GDP] 11.49671E-03 3.64 x(4,11) = LAG3[LN[EC]] -20.64905E-02 -0.78(*) x(4,12) = LAG3[LN[CO]] -55.80306E-02 -4.21 x(4,13) = LAG4[PPOP] 21.41127E+00 0.99 x(4,14) = LAG4[GDP] 16.23401E-03 4.96 x(4,15) = LAG4[LN[EC]] 39.41048E-03 0.16(*) x(4,16) = LAG4[LN[CO]] -50.39444E-02 -3.85 x(4,17) = LAG5[PPOP] -21.07370E+00 -1.43 x(4,18) = LAG5[GDP] 80.86322E-04 2.38 x(4,19) = LAG5[LN[EC]] 10.66605E-02 0.44(*) x(4,20) = LAG5[LN[CO]] -30.38918E-02 -2.90 x(4,21) = LAG6[PPOP] 65.56500E-01 1.34 x(4,22) = LAG6[GDP] 96.95986E-04 2.88 x(4,23) = LAG6[LN[EC]] 15.92638E-02 0.78(*) x(4,24) = LAG6[LN[CO]] -33.51175E-02 -3.74 x(4,25) = 1 67.05072E-01 3.29 x(4,26) = t (1971=1) 46.53875E-03 4.40 L(1,1) 20.49509E-04 5.17 L(2,1) -86.15194E-02 -1.29 L(2,2) 25.10990E-01 10.73 L(3,1) -12.87595E-03 -2.26 L(3,2) 13.88508E-03 2.26 L(3,3) 18.54328E-03 7.25 L(4,1) -37.62229E-03 -3.40 L(4,2) -66.62977E-04 -0.48 L(4,3) -24.43293E-04 -0.22 L(4,4) 33.53115E-03 6.13
Test of the null hypothesis that the parameters indicated by (*) are jointly zero: Wald test: 26.82
Asymptotic null distribution: Chi-square(6) p-value = 0.00016
Significance levels: 10% 5% Critical values: 10.64 12.59 Conclusions: reject reject
x(4,1) = LAG1[PPOP] -81.54078E-01 -1.60 x(4,2) = LAG1[GDP] 63.30034E-04 1.98(*) x(4,3) = LAG1[LN[EC]] -43.24202E-02 -2.51 x(4,4) = LAG1[LN[CO]] -40.36657E-02 -3.05 x(4,5) = LAG2[PPOP] 13.22375E+00 0.89 x(4,6) = LAG2[GDP] 10.55619E-03 3.51(*) x(4,7) = LAG2[LN[EC]] 25.86000E-02 1.09 x(4,8) = LAG2[LN[CO]] -84.64145E-02 -6.30 x(4,9) = LAG3[PPOP] -19.42916E+00 -0.90 x(4,10) = LAG3[GDP] 11.49671E-03 3.64(*) x(4,11) = LAG3[LN[EC]] -20.64905E-02 -0.78 x(4,12) = LAG3[LN[CO]] -55.80306E-02 -4.21 x(4,13) = LAG4[PPOP] 21.41127E+00 0.99 x(4,14) = LAG4[GDP] 16.23401E-03 4.96(*)
x(4,15) = LAG4[LN[EC]] 39.41048E-03 0.16 x(4,16) = LAG4[LN[CO]] -50.39444E-02 -3.85 x(4,17) = LAG5[PPOP] -21.07370E+00 -1.43 x(4,18) = LAG5[GDP] 80.86322E-04 2.38(*) x(4,19) = LAG5[LN[EC]] 10.66605E-02 0.44 x(4,20) = LAG5[LN[CO]] -30.38918E-02 -2.90 x(4,21) = LAG6[PPOP] 65.56500E-01 1.34 x(4,22) = LAG6[GDP] 96.95986E-04 2.88(*) x(4,23) = LAG6[LN[EC]] 15.92638E-02 0.78 x(4,24) = LAG6[LN[CO]] -33.51175E-02 -3.74 x(4,25) = 1 67.05072E-01 3.29 x(4,26) = t (1971=1) 46.53875E-03 4.40 L(1,1) 20.49509E-04 5.17 L(2,1) -86.15194E-02 -1.29 L(2,2) 25.10990E-01 10.73 L(3,1) -12.87595E-03 -2.26 L(3,2) 13.88508E-03 2.26 L(3,3) 18.54328E-03 7.25 L(4,1) -37.62229E-03 -3.40 L(4,2) -66.62977E-04 -0.48 L(4,3) -24.43293E-04 -0.22 L(4,4) 33.53115E-03 6.13
Test of the null hypothesis that the parameters indicated by (*) are jointly zero: Wald test: 51.55
Asymptotic null distribution: Chi-square(6) p-value = 0.00000
Significance levels: 10% 5% Critical values: 10.64 12.59 Conclusions: reject reject
x(4,1) = LAG1[PPOP] -81.54078E-01 -1.60(*) x(4,2) = LAG1[GDP] 63.30034E-04 1.98 x(4,3) = LAG1[LN[EC]] -43.24202E-02 -2.51 x(4,4) = LAG1[LN[CO]] -40.36657E-02 -3.05 x(4,5) = LAG2[PPOP] 13.22375E+00 0.89(*) x(4,6) = LAG2[GDP] 10.55619E-03 3.51 x(4,7) = LAG2[LN[EC]] 25.86000E-02 1.09 x(4,8) = LAG2[LN[CO]] -84.64145E-02 -6.30 x(4,9) = LAG3[PPOP] -19.42916E+00 -0.90(*) x(4,10) = LAG3[GDP] 11.49671E-03 3.64 x(4,11) = LAG3[LN[EC]] -20.64905E-02 -0.78 x(4,12) = LAG3[LN[CO]] -55.80306E-02 -4.21 x(4,13) = LAG4[PPOP] 21.41127E+00 0.99(*) x(4,14) = LAG4[GDP] 16.23401E-03 4.96 x(4,15) = LAG4[LN[EC]] 39.41048E-03 0.16 x(4,16) = LAG4[LN[CO]] -50.39444E-02 -3.85 x(4,17) = LAG5[PPOP] -21.07370E+00 -1.43(*) x(4,18) = LAG5[GDP] 80.86322E-04 2.38 x(4,19) = LAG5[LN[EC]] 10.66605E-02 0.44 x(4,20) = LAG5[LN[CO]] -30.38918E-02 -2.90 x(4,21) = LAG6[PPOP] 65.56500E-01 1.34(*) x(4,22) = LAG6[GDP] 96.95986E-04 2.88 x(4,23) = LAG6[LN[EC]] 15.92638E-02 0.78 x(4,24) = LAG6[LN[CO]] -33.51175E-02 -3.74 x(4,25) = 1 67.05072E-01 3.29 x(4,26) = t (1971=1) 46.53875E-03 4.40 L(1,1) 20.49509E-04 5.17 L(2,1) -86.15194E-02 -1.29 L(2,2) 25.10990E-01 10.73 L(3,1) -12.87595E-03 -2.26 L(3,2) 13.88508E-03 2.26 L(3,3) 18.54328E-03 7.25 L(4,1) -37.62229E-03 -3.40 L(4,2) -66.62977E-04 -0.48 L(4,3) -24.43293E-04 -0.22 L(4,4) 33.53115E-03 6.13
Test of the null hypothesis that the parameters indicated by (*) are jointly zero: Wald test: 105.94
Asymptotic null distribution: Chi-square(6) p-value = 0.00000
Significance levels: 10% 5% Critical values: 10.64 12.59 Conclusions: reject reject
x(2,2) = LAG1[GDP] 12.37104E-02 0.73 x(2,3) = LAG1[LN[EC]] 95.87790E-02 0.10(*) x(2,4) = LAG2[PPOP] 18.22289E+02 2.18 x(2,5) = LAG2[GDP] -17.19822E-02 -1.06 x(2,6) = LAG2[LN[EC]] -15.87832E+00 -1.11(*) x(2,7) = LAG3[PPOP] -33.85629E+02 -2.82 x(2,8) = LAG3[GDP] 14.48528E-02 0.93 x(2,9) = LAG3[LN[EC]] 75.74272E-01 0.48(*) x(2,10) = LAG4[PPOP] 36.74448E+02 3.04 x(2,11) = LAG4[GDP] 73.02239E-03 0.46 x(2,12) = LAG4[LN[EC]] -13.85006E+00 -0.91(*) x(2,13) = LAG5[PPOP] -25.53771E+02 -3.10 x(2,14) = LAG5[GDP] 10.20605E-02 0.64 x(2,15) = LAG5[LN[EC]] 24.15076E-01 0.17(*) x(2,16) = LAG6[PPOP] 88.00922E+01 3.29 x(2,17) = LAG6[GDP] -57.63343E-04 -0.03 x(2,18) = LAG6[LN[EC]] 21.54224E+00 1.86(*) x(2,19) = 1 -13.19295E+01 -1.46 x(2,20) = t (1971=1) 13.35983E-01 2.46 x(3,1) = LAG1[PPOP] 23.00842E-01 0.83 x(3,2) = LAG1[GDP] 13.31313E-05 0.08(*) x(3,3) = LAG1[LN[EC]] 10.85520E-01 12.81 x(3,4) = LAG2[PPOP] -89.16463E-01 -1.10 x(3,5) = LAG2[GDP] 45.33453E-05 0.29(*) x(3,6) = LAG2[LN[EC]] -61.27886E-02 -4.64 x(3,7) = LAG3[PPOP] 10.80624E+00 0.93 x(3,8) = LAG3[GDP] -42.46335E-05 -0.28(*) x(3,9) = LAG3[LN[EC]] 39.97384E-02 2.73 x(3,10) = LAG4[PPOP] -42.29124E-01 -0.36 x(3,11) = LAG4[GDP] 10.01865E-04 0.64(*) x(3,12) = LAG4[LN[EC]] -21.69368E-02 -1.55 x(3,13) = LAG5[PPOP] -21.17698E-01 -0.26 x(3,14) = LAG5[GDP] 17.27009E-04 1.11(*) x(3,15) = LAG5[LN[EC]] -41.30845E-04 -0.03 x(3,16) = LAG6[PPOP] 19.50980E-01 0.75 x(3,17) = LAG6[GDP] -11.18955E-04 -0.68(*) x(3,18) = LAG6[LN[EC]] 89.31285E-03 0.83 L(1,1) 20.49509E-04 5.17 L(2,1) -86.15194E-02 -1.29 L(2,2) 25.10990E-01 10.73 L(3,1) -12.87595E-03 -2.26 L(3,2) 13.88508E-03 2.26 L(3,3) 18.54328E-03 7.25 L(4,1) -37.62229E-03 -3.40 L(4,2) -66.62977E-04 -0.48 L(4,3) -24.43293E-04 -0.22 L(4,4) 33.53115E-03 6.13
Test of the null hypothesis that the parameters indicated by (*) are jointly zero: Wald test: 24.33
Asymptotic null distribution: Chi-square(12) p-value = 0.01834
Significance levels: 10% 5% Critical values: 18.55 21.03 Conclusions: reject reject
x(3,1) = LAG1[PPOP] 23.00842E-01 0.83(*) x(3,2) = LAG1[GDP] 13.31313E-05 0.08 x(3,3) = LAG1[LN[EC]] 10.85520E-01 12.81 x(3,4) = LAG2[PPOP] -89.16463E-01 -1.10(*) x(3,5) = LAG2[GDP] 45.33453E-05 0.29 x(3,6) = LAG2[LN[EC]] -61.27886E-02 -4.64 x(3,7) = LAG3[PPOP] 10.80624E+00 0.93(*) x(3,8) = LAG3[GDP] -42.46335E-05 -0.28 x(3,9) = LAG3[LN[EC]] 39.97384E-02 2.73 x(3,10) = LAG4[PPOP] -42.29124E-01 -0.36(*) x(3,11) = LAG4[GDP] 10.01865E-04 0.64 x(3,12) = LAG4[LN[EC]] -21.69368E-02 -1.55 x(3,13) = LAG5[PPOP] -21.17698E-01 -0.26(*) x(3,14) = LAG5[GDP] 17.27009E-04 1.11 x(3,15) = LAG5[LN[EC]] -41.30845E-04 -0.03 x(3,16) = LAG6[PPOP] 19.50980E-01 0.75(*) x(3,17) = LAG6[GDP] -11.18955E-04 -0.68 x(3,18) = LAG6[LN[EC]] 89.31285E-03 0.83 x(3,19) = 1 13.95089E-01 1.65 x(3,20) = t (1971=1) 14.80448E-03 2.81 L(1,1) 20.49509E-04 5.17
L(2,1) -86.15194E-02 -1.29 L(2,2) 25.10990E-01 10.73 L(3,1) -12.87595E-03 -2.26 L(3,2) 13.88508E-03 2.26 L(3,3) 18.54328E-03 7.25 L(4,1) -37.62229E-03 -3.40 L(4,2) -66.62977E-04 -0.48 L(4,3) -24.43293E-04 -0.22 L(4,4) 33.53115E-03 6.13
Test of the null hypothesis that the parameters indicated by (*) are jointly zero: Wald test: 19.32
Asymptotic null distribution: Chi-square(6) p-value = 0.00366
Significance levels: 10% 5% Critical values: 10.64 12.59 Conclusions: reject reject
Lampiran 4: Output Analisis Structural VAR