Vector Autoregression Estimates
Sample (adjusted): 2 108
Included observations: 107 after adjustments Standard errors in ( ) & t-statistics in [ ] Log likelihood -525.8628 -683.1494 Akaike AIC 9.885286 12.82522 Schwarz SC 9.960225 12.90016 Mean dependent 1592.777 8026.230 S.D. dependent 286.4135 555.1954 Determinant resid covariance (dof adj.) 21080727 Determinant resid covariance 19915201
Log likelihood -1202.827
Akaike information criterion 22.59490
Schwarz criterion 22.74478
Sumber : Hasil pengolahan EViews 5.1
Dari model di atas dapat dinyatakan bahwa antara JSX dan DJIA mempunyai hubungan terbalik (dengan koefisien DJIA negatif -0.366190 seperti pada tabel IV.11), hubungan terbalik ini menunjukan bahwa peningkatan DJIA berakibat buruk terhadap JSX.
Ada beberapa hal yang mungkin menyebabkan hubungan terbalik ini berdasarkan analisa penulis yang dihubungkan dengan kondisi ekonomi negara tersebut:
1. Periode 1 Januari 2007 sampai 31 Desember 2008 merupakan periode yang sangat dipengaruhi oleh adanya krisis subprime mortgage, dimana terjadi anomali pasar.
Diawali oleh kenaikan harga saham-saham di NYSE hingga menembus level tertingginya sepanjang sejarah, namun kenaikan ini sama sekali tidak didukung oleh faktor fundamental, seperti perbaikan infrastruktur, efisiensi, maupun perbaikan struktur ekonomi. Kenaikan ini hanya dikarenakan terjadinya pembelanjaan besar-besaran yang mendorong terjadinya permintaan berlebihan untuk waktu sesaat. Pembelanjaan besar-besaran ini disebabkan adanya pasokan kredit yang melimpah, dimana yang dijadikan agunan adalah perumahan. Kondisi yang berbeda terjadi di negara-negara berkembang termasuk Indonesia, dimana perputaran ekonomi mulai melambat, harga bahan pokok menjadi semakin tinggi, dan likuiditas berkurang. Jadi ketika AS sedang mengalami peningkatan, Indonesia justru mulai menghadapi penurunan di bidang ekonomi.
2. Sebagai emerging market, Indonesia masih berada dalam tahap perkembangan awal untuk pasar modalnya. Hal ini dapat dilihat dari jumlah emiten, frekuensi transaksi dan kapitalisasi pasar modal. Dalam transaksi harian normal terhitung untuk periode 1 Januari 2007 sampai 31 Desember 2008, rata-rata nilai transaksi yang terjadi di BEI berkisar di angka Rp 2 triliun, rasio dari jumlah ini jika dibandingkan indikator makro ekonomi seperti Gross Domestic Product dapat dikatakan masih kecil terutama jika
dibandingkan dengan negara-negara maju. Padahal dalam kenyataannya, banyak investor perorangan atau institusi yang memiliki dana lebih dari 1 triliun rupiah di Indonesia, hal ini tentunya berakibat terjadinya praktek perbandaran saham, dimana untuk saham-saham tertentu pergerakannya dapat diatur oleh investor yang bersangkutan, bahkan dapat berlawanan dengan pasar.
3. Pada saat krisis subprime mortgage sudah mulai terkuak dan memuncak, ditandai dengan bangkrutnya beberapa institusi keuangan raksasa di AS, terjadi arus pemindahan dana investasi. Para institusi keuangan yang semula menempatkan dananya di emerging market, termasuk Indonesia menarik dananya untuk menutupi kerugian investasi di negara asalnya yaitu AS. Tindakan penarikan dana investasi secara serentak ini memicu penurunan bursa saham di negara-negara berkembang.
Dilihat dari hasil pemodelan VAR IDX dan DJI pada table IV.12 di atas, terdapat pengaruh signifikan dari IDX terhadap DJI yang berlaku sebaliknya. Model yang didapat dari pemodelan tersebut:
1. Pengaruh DJI terhadap IDX
IDX = 26.43099 + 1.009141 IDXt-1 – 0.004412 DJIt-1
Persamaan tersebut di atas diinterpretasikan sebagai berikut:
a. Koefisien regresi variabel IDXt-1 sebesar 1.009141 yang berarti bahwa setiap kenaikan satu satuan IDXt-1 akan menaikkan IDX sebesar 1.009141 satuan, berlaku juga sebaliknya.
b. Koefisien regresi variabel DJI t-1 sebesar -0.004412 dimana setiap kenaikan satu satuan DJI t-1 akan menurunkan IDX sebesar 0.004412 satuan, yang berarti hubungan
negatif antara DJI dan IDX. Semakin tinggi DJI t-1 maka akan semakin menurunkan IDX.
2. Pengaruh IDX terhadap DJI
DJI = 587.318 + 0.172604 IDXt-1 – 0.892165 DJIt-1
Persamaan tersebut di atas diinterpretasikan sebagai berikut:
a. Koefisien regresi variabel IDXt-1 sebesar 0.172604 yang berarti bahwa setiap kenaikan satu satuan IDXt-1 akan menaikkan DJI sebesar 0.172604 satuan, berlaku juga sebaliknya.
b. Koefisien regresi variabel DJIt-1 sebesar -0.892165 dimana setiap kenaikan satu satuan DJIt-1 akan menurunkan DJI sebesar 0.892165 satuan, yang berarti hubungan negatif antara DJI dan DJI t-1. Semakin tinggi DJI t-1 maka akan semakin menurunkan DJI.
Berbanding terbalik dengan hasil regresi JSX dan DJI, hasil korelasi positif antara IDX dan DJI dimana IDXt-1 mempengaruhi kenaikan DJI setiap kenaikan IDXt-1 menunjukkan bahwa Indonesia mempengaruhi keadaan ekonomi Amerika Serikat melalui indeks bursa saham DowJones dan sejalan dengan hasil penelitian yang disampaikan sebelumnya pada penelitian Granger di atas yang menyebutkan bahwa kestabilan ekonomi Indonesia sebagai bagian dari negara-negara di Asia Tenggara mempengaruhi secara positif perekonomian negara maju seperti Amerika Serikat.
Indeks Hubungan dengan JSX Hubungan dengan IDX DJI Hubungan 1 arah terbalik dimana
kenaikan DJIA akan berpengaruh pada penurunan JSX
Hubungan 2 arah dimana kenaikan DJIA mempengaruhi penurunan IDX dan sebaliknya kenaikan IDX berpengaruh positif terhadap kenaikan DJIA
IV.2.3.2.2. Pemodelan Antara JSX, IDX Dan FTSE
Untuk melihat hubungan antara JSX dan FTSE, pertama akan dicoba dengan menggunakan metode regresi sederhana. Hasil pemodelan untuk JSX dan FTSE dapat dilihat pada Tabel IV.13 berikut:
Tabel IV.13
Pemodelan Regresi JSX, IDX dan FTSE
Dependent Variable: Y_JSX Method: Least Squares Sample (adjusted): 2 648
Included observations: 647 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -274.6627 168.2772 -1.632204 0.1031
FTSE(-1) 0.367636 0.028364 12.96117 0.0000 R-squared 0.206634 Mean dependent var 1895.041
Adjusted R-squared 0.205404 S.D. dependent var 489.5582 S.E. of regression 436.3927 Akaike info criterion 14.99805 Sum squared resid 1.23E+08 Schwarz criterion 15.01187 Log likelihood -4849.869 F-statistic 167.9920 Durbin-Watson stat 1.011173 Prob(F-statistic) 0.000000
Dependent Variable: IDX Method: Least Squares Sample (adjusted): 2 108
Included observations: 107 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -1368.080 338.4837 -4.041789 0.0001
FTSE(-1) 0.715504 0.081636 8.764527 0.0000 R-squared 0.422496 Mean dependent var 1592.777
Adjusted R-squared 0.416996 S.D. dependent var 286.4135 S.E. of regression 218.6902 Akaike info criterion 13.63170 Sum squared resid 5021667. Schwarz criterion 13.68166 Log likelihood -727.2962 F-statistic 76.81693 Durbin-Watson stat 1.075194 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Model regresi antara JSX, IDX dan FTSE menginformasikan bahwa FTSE t-1 mempunyai pengaruh yang signifikan terhadap JSX dan IDX, nilai probabilitas untuk FTSE t-1 = 0,0000; lebih kecil dari 0,05. Hal ini sejalan dengan hasil uji kausalitas granger, dimana FTSE memiliki pengaruh yang signifikan terhadap JSX. Tetapi model tersebut masih memiliki nilai Durbin Watson kecil yaitu kurang dari 1.54, sehingga dapat disimpulkan masih mengandung autokorelasi.
Untuk model regresi sederhana di atas, ternyata berdasarkan white heteroskedasitas test menunujukkan bahwa variance error masih heteroskedastis (lihat Tabel IV.13); karena nilai probabilitas untuk Obs*R-squared adalah 0,000000; lebih kecil dari 0,05.
Tabel IV.14
Uji White JSX, IDX dan FTSE
White Heteroskedasticity Test (JSX):
F-statistic 107.5768 Prob. F(2,644) 0.000000 Obs*R-squared 162.0250 Prob. Chi-Square(2) 0.000000
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Sample: 2 648
Included observations: 647
Variable Coefficient Std. Error t-Statistic Prob.
C -4425513. 315311.9 -14.03535 0.0000
FTSE(-1) 1718.169 117.2000 14.66014 0.0000 FTSE(-1)^2 -0.156971 0.010769 -14.57608 0.0000 R-squared 0.250425 Mean dependent var 189849.9 Adjusted R-squared 0.248097 S.D. dependent var 164333.5 S.E. of regression 142497.4 Akaike info criterion 26.57666 Sum squared resid 1.31E+13 Schwarz criterion 26.59740 Log likelihood -8594.550 F-statistic 107.5768 Durbin-Watson stat 0.099877 Prob(F-statistic) 0.000000
White Heteroskedasticity Test (IDX):
F-statistic 23.57770 Prob. F(2,104) 0.000000 Obs*R-squared 33.38040 Prob. Chi-Square(2) 0.000000
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Sample: 2 108
Included observations: 107
Variable Coefficient Std. Error t-Statistic Prob.
C 1576096. 1029292. 1.531243 0.1287
FTSE(-1) -870.5028 504.2785 -1.726234 0.0873 FTSE(-1)^2 0.120590 0.061590 1.957949 0.0529 R-squared 0.311966 Mean dependent var 46931.47
Adjusted R-squared 0.298735 S.D. dependent var 56496.00 S.E. of regression 47310.63 Akaike info criterion 24.39449 Sum squared resid 2.33E+11 Schwarz criterion 24.46943 Log likelihood -1302.105 F-statistic 23.57770 Durbin-Watson stat 1.197457 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Berdasarkan pemodelan regresi pada Tabel IV.14 di atas asumsi bebas autokorelasi dan homoskedastisitas masih dilanggar maka pemodelan dilakukan dengan ARCH untuk menghilangkan unsur heteroskedastisitas. Pada langkah pertama dicoba model ARCH (1) yang merupakan model ARCH yang paling sederhana. Setelah dilakukan pengolahan data maka didapat output sebagai berikut :
Tabel IV.15
Pemodelan ARCH (1) JSX, IDX dan FTSE
Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 648
Included observations: 647 after adjustments Failure to improve Likelihood after 11 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C -102.3457 300.2333 -0.340887 0.7332
FTSE(-1) 0.327075 0.050465 6.481276 0.0000
Variance Equation
C 124721.7 20824.59 5.989155 0.0000
ARCH(1) 0.514235 0.309237 1.662918 0.0963
R-squared 0.185323 Mean dependent var 1895.041 Adjusted R-squared 0.181522 S.D. dependent var 489.5582 S.E. of regression 442.9022 Akaike info criterion 14.78248 Sum squared resid 1.26E+08 Schwarz criterion 14.81013 Log likelihood -4778.134 F-statistic 48.75661 Durbin-Watson stat 0.009932 Prob(F-statistic) 0.000000
Dependent Variable: IDX
Method: ML - ARCH (Marquardt) Sample (adjusted): 2 108
Included observations: 107 after adjustments Convergence achieved after 95 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C -1284.090 137.5357 -9.336417 0.0000
FTSE(-1) 0.708273 0.034217 20.69975 0.0000
Variance Equation
C 2948.063 976.3614 3.019439 0.0025
ARCH(1) 0.855043 0.414542 2.062619 0.0391
R-squared 0.386484 Mean dependent var 1592.777 Adjusted R-squared 0.368615 S.D. dependent var 286.4135 S.E. of regression 227.5835 Akaike info criterion 12.79016 Sum squared resid 5334808. Schwarz criterion 12.89008 Log likelihood -680.2738 F-statistic 21.62826 Durbin-Watson stat 1.619682 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Berdasarkan output EViews di atas, ternyata model ARCH (1) pada JSX masih belum baik meskipun pada model regresinya, variabel FTSE pada t-1 mempunyai koefisien yang sudah signifikan secara statistik, nilai probabilitas = 0,0000; lebih kecil dari 0,05; yang berarti FTSE t-1 mempunyai pengaruh terhadap JSX. Hal ini tentunya sesuai dengan hasil uji kausalitas granger, tetapi kesalahan terlihat pada nilai Durbin Watson yang masih lebih kecil dari 1.54. Sedangkan untuk model ARCH (1) pada IDX sudah menunjukkan hasil yang baik dan bebas dari autokorelasi (Durbin-Watson stat diantara 1.54 dan 2.46) dan tidak terdapat heteroskedastisitas karena nilai semua probabilitasnya di bawah 0.05 dengan tingkat signifikansi 95%.
Pemodelan untuk JSX selanjutnya dilakukan dengan GARCH (1,1), berdasarkan Tabel IV.15, hasilnya menunjukan bahwa model masih belum baik karena nilai Durbin Watson yang masih di bawah 1.54 meskipun nilai koefisien sudah signifikan sebesar 0,0000.
Tabel IV.16
Pemodelan GARCH (1) JSX dan FTSE
Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 648
Included observations: 647 after adjustments Convergence achieved after 84 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C -169.8464 19.95233 -8.512610 0.0000
FTSE(-1) 0.338225 0.003626 93.28476 0.0000
Variance Equation
C 166.3545 100.5705 1.654109 0.0981
ARCH(1) 0.548426 0.241063 2.275031 0.0229
GARCH(1) 0.454373 0.146755 3.096132 0.0020 R-squared 0.185554 Mean dependent var 1895.041
Adjusted R-squared 0.180480 S.D. dependent var 489.5582 S.E. of regression 443.1841 Akaike info criterion 14.18359 Sum squared resid 1.26E+08 Schwarz criterion 14.21816 Log likelihood -4583.393 F-statistic 36.56652 Durbin-Watson stat 1.810183 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Selanjutnya dicoba untuk membentuk model transformasi GARCH (1) dan menurunkan
variabel independen JSX menjadi JSX t-1. Model yang dipilih adalah ARCH (1) karena
nilai koefisien telah signifikan. Hasil pemodelan untuk JSX dan FTSE dapat dilihat pada Tabel IV.17 berikut ini:
Tabel IV.17
Pemodelan transformasi GARCH (1) JSX dan FTSE
Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 648
Included observations: 647 after adjustments Convergence achieved after 36 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C -38.76980 13.12563 -2.953747 0.0031
Y_JSX(-1) 0.988522 0.001621 609.8394 0.0000 FTSE(-1) -0.009852 0.002287 4.307753 0.0000
Variance Equation
C 14.39545 5.048368 2.851506 0.0044
ARCH(1) 0.168696 0.024937 6.765011 0.0000
GARCH(1) 0.850778 0.018415 46.19937 0.0000 R-squared 0.994447 Mean dependent var 1895.041
Adjusted R-squared 0.994403 S.D. dependent var 489.5582 S.E. of regression 36.62375 Akaike info criterion 9.725930 Sum squared resid 859772.5 Schwarz criterion 9.767405 Log likelihood -3140.338 F-statistic 22957.64 Durbin-Watson stat 1.942243 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Pada Tabel IV.17 hasilnya menunjukkan bahwa kedua variabel independen telah signifikan secara statistik pada α = 5% dan koefisien dari ARCH (1) telah signifikan secara stattistik pada α = 5%. Nilai probabilitas untuk JSX t-1 = 0,0000; FTSE t-1 = 0,0000; dan ARCH(1) = 0,0000; semuanya lebih kecil dari 0,05. Hasil output EViews menunjukan
bahwa adjusted R-squared telah memliki nilai yang tinggi. Dengan demikian dapat dinyatakan bahwa model telah baik.
Dari tabel IV.15 dan tabel IV.17 di atas dapat dinyatakan bahwa:
1. Hubungan JSX dan FTSE
JSX = -38.7698 + 0.988522 JSXt-1 - 0.009852 FTSEt-1
Dari persamaan regresi di atas dapat diartikan bahwa setiap kenaikan FTSE t-1 sebesar satu satuan akan memberikan dampak penurunan JSX sebesar 0.009852 satuan, yang berarti bahwa hubungan antara JSX dan FTSE adalah hubungan terbalik. Hal ini sejalan dengan keadaan ekonomi Inggris yang memiliki korelasi kuat seperti ditunjukkan pada tabel IV.2 dimana tingkat korelasi indeks Inggris dan Amerika adalah sebesar 0.916329 terhadap JSX, yang berarti keterkaitan atau kesamaan pola hubungan antara Amerika dan Inggris yang dicerminkan melalui indeks masing-masing negara mencapai 91.6329%. Seperti halnya hubungan JSX dan DJI yang telah dijelaskan sebelumnya dapat disimpulkan bahwa ekonomi Inggris mempengaruhi ekonomi Indonesia dilihat dari angka GDP (Gross Domestic Product) Inggris yang jauh lebih besar dibanding Indonesia sehingga dapat terjadi praktek-praktek perbandaran saham seperti yang telah dijelaskan di hubungan JSX dan DJI sebelumnya.
2. Hubungan IDX dan FTSE
IDX = -1284.09 + 0.78273 FTSEt-1
Dari persamaan regresi di atas dapat diartikan bahwa setiap kenaikan FTSE t-1 sebesar satu satuan akan memberikan dampak kenaikan IDX sebesar 0.78273 satuan, yang berarti bahwa hubungan antara IDX dan FTSE adalah hubungan searah dimana hal ini sejalan dengan korelasi yang kuat antara ekonomi Inggris yang memiliki karakteristik
yang menyerupai Amerika seperti ditunjukkan pada tabel IV.3 dimana tingkat korelasi indeks Inggris dan Amerika adalah sebesar 0.944909 terhadap IDX.
Hasil regresi JSX dan FTSE sejalan dengan penelitian yang dilakukan oleh Bagus (2008) dimana hubungan terbalik yang terjadi antara JSX dan FTSE salah satunya dipengaruhi oleh indikator ekonomi makro seperti Gross Domestic Product yang sangat jauh berbeda antara Indonesia dan Inggris sehingga investor yang memiliki dana lebih dari Rp 1 triliun di Indonesia dapat melakukan praktek perbandaran saham (atau istilah yang lebih dikenal adalah penggorengan saham) dimana pergerakan saham domestik dapat diatur oleh investor yang bersangkutan sehingga dapat berlawanan dengan keadaan pasar. Hal ini bertolak belakang dengan kondisi di Inggris yang memiliki kemungkinan lebih kecil terjadinya praktek tersebut. Hasil regresi IDX dengan FTSE menunjukkan fakta yang sebaliknya, dimana kondisi ekonomi Inggris setelah Subprime Mortgage (periode 1 Januari 2009 sampai dengan 30 Juni 2009) yang mengalami keterpurukan karena memiliki saham di bursa Amerika sehingga menyebabkan penarikan dana atas sahamnya di bursa Indonesia untuk menutupi kekurangan dana habis di bursa Amerika yang secara tidak langsung menyebabkan penurunan kinerja bursa saham Indonesia seperti yang diindikasikan dari hasil regresi IDX dan FTSE yang menunjukkan bahwa hubungan antara IDX dan FTSE adalah hubungan searah.
Indeks Hubungan dengan JSX Hubungan dengan IDX FTSE Hubungan 1 arah terbalik dimana
kenaikan FTSE akan menyebabkan penurunan pada JSX
Hubungan 1 arah searah dimana IDX memiliki pengaruh positif terhadap FTSE
IV.2.3.2.3. Pemodelan antara JSX, IDX dan N225
Untuk melihat hubungan antara JSX dan N225, serta IDX dan N225 dicoba menggunakan model regresi sedehana seperti pada tabel IV.18 berikut:
Tabel IV.18
Pemodelan Regresi JSX, IDX dan N225
Dependent Variable: Y_JSX Method: Least Squares Sample (adjusted): 2 648
Included observations: 647 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 1598.755 117.9086 13.55927 0.0000
N225(-1) 0.019590 0.007692 2.546717 0.0111 R-squared 0.009955 Mean dependent var 1895.041
Adjusted R-squared 0.008420 S.D. dependent var 489.5582 S.E. of regression 487.4927 Akaike info criterion 15.21951 Sum squared resid 1.53E+08 Schwarz criterion 15.23334 Log likelihood -4921.513 F-statistic 6.485767 Durbin-Watson stat 1.005784 Prob(F-statistic) 0.011105 Dependent Variable: IDX
Method: Least Squares Sample (adjusted): 2 108
Included observations: 107 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -1080.555 110.3023 -9.796302 0.0000
N225(-1) 0.309835 0.012723 24.35320 0.0000 R-squared 0.849587 Mean dependent var 1592.777
Adjusted R-squared 0.848155 S.D. dependent var 286.4135 S.E. of regression 111.6077 Akaike info criterion 12.28637 Sum squared resid 1307910. Schwarz criterion 12.33633 Log likelihood -655.3209 F-statistic 593.0785 Durbin-Watson stat 1.398136 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Dari model regresi di atas dapat dilihat bahwa Nikkei memiliki pengaruh yang signifikan terhadap JSX (probabilitas = 0.0111; lebih kecil dari 0.05) dan IDX (probabilitas
= 0.0000; lebih kecil dari 0.05), akan tetapi model tersebut masih memiliki adjusted R-squared yang kecil kecuali untuk model IDX. Nilai Durbin-Watson kedua model regresi di atas juga masih belum mengindikasikan terbebas dari masalah autokorelasi karena angka Durbin-Watson yang masih di bawah 1.54, dimana hasil regresi ini sejalan dengan yang dilakukan Wondabio (2006) dan Bagus (2008).
Selanjutnya untuk mengetahui apakah terdapat masalah heteroskedastisitas dilakukan uji white yang hasilnya adalah sebagai berikut:
Tabel IV.19
Uji White JSX, IDX dan N225
White Heteroskedasticity Test:
F-statistic 53.86310 Prob. F(2,644) 0.000000 Obs*R-squared 92.71840 Prob. Chi-Square(2) 0.000000 Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Sample: 2 648
Included observations: 647
Variable Coefficient Std. Error t-Statistic Prob.
C -1064566. 170126.4 -6.257496 0.0000
N225(-1) 221.6533 25.70154 8.624125 0.0000 N225(-1)^2 -0.008729 0.000946 -9.231459 0.0000 R-squared 0.143305 Mean dependent var 236914.6 Adjusted R-squared 0.140645 S.D. dependent var 202215.6 S.E. of regression 187456.7 Akaike info criterion 27.12511 Sum squared resid 2.26E+13 Schwarz criterion 27.14585 Log likelihood -8771.973 F-statistic 53.86310 Durbin-Watson stat 1.406936 Prob(F-statistic) 0.000000
White Heteroskedasticity Test:
F-statistic 0.747234 Prob. F(2,104) 0.047621 Obs*R-squared 1.515795 Prob. Chi-Square(2) 0.468651
Test Equation:
Variable Coefficient Std. Error t-Statistic Prob.
C -238116.2 228503.2 -1.042070 0.2998
N225(-1) 57.16796 53.43877 1.069784 0.2872 N225(-1)^2 -0.003232 0.003101 -1.042315 0.2997 R-squared 0.014166 Mean dependent var 12223.46 Adjusted R-squared -0.004792 S.D. dependent var 20871.16 S.E. of regression 20921.11 Akaike info criterion 22.76254 Sum squared resid 4.55E+10 Schwarz criterion 22.83748 Log likelihood -1214.796 F-statistic 0.747234 Durbin-Watson stat 1.565140 Prob(F-statistic) 0.476201
Sumber : Hasil pengolahan EViews 5.1
Berdasarkan hasil uji White di atas variance error masih heteroskedastis untuk variabel JSX, hal ini ditunjukkan dari nilai probabilitas Obs*R-squared yang lebih kecil dari 0.05 (0.0000). Untuk variabel IDX hasil regresi sudah terbebas dari masalah heteroskedastisitas (nilai probabilitas Obs*R-squared lebih besar dari 0.05,yaitu 0.468651) dan autokorelasi (Durbin-Watson ada diantara angka 1.54 sampai 2.46) akan tetapi nilai Adjusted R-squared masih sangat rendah, oleh karena itu kedua pemodelan di atas selanjutnya akan dicoba dengan menggunakan model ARCH(1) seperti yang ditampilkan berikut:
Tabel IV.20
Pemodelan ARCH(1) JSX, IDX dan N225
Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 648
Included observations: 647 after adjustments Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C 825.0856 11.37394 72.54178 0.0000
N225(-1) 0.055355 0.000733 75.47877 0.0000
Variance Equation
C 545.7782 156.5380 3.486555 0.0005
ARCH(1) 0.993617 0.234439 4.238270 0.0000 R-squared -0.249637 Mean dependent var 1895.041 Adjusted R-squared -0.255467 S.D. dependent var 489.5582 S.E. of regression 548.5384 Akaike info criterion 14.16939 Sum squared resid 1.93E+08 Schwarz criterion 14.19704 Log likelihood -4579.798 Durbin-Watson stat 2.205131
Dependent Variable: IDX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 108
Included observations: 107 after adjustments Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C -1236.985 101.6752 -12.16605 0.0000
N225(-1) 0.329372 0.011776 27.97013 0.0000
Variance Equation
C 4731.559 1167.749 4.051864 0.0001
ARCH(1) 0.497586 0.238835 2.083392 0.0372
R-squared 0.844397 Mean dependent var 1592.777 Adjusted R-squared 0.839865 S.D. dependent var 286.4135 S.E. of regression 114.6139 Akaike info criterion 11.98009 Sum squared resid 1353043. Schwarz criterion 12.08001 Log likelihood -636.9347 F-statistic 186.3132 Durbin-Watson stat 2.042092 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Berdasarkan output Eviews di atas, hasil model ARCH(1) ternyata telah menunjukkan hasil yang baik karena semua nilai probabilitasnya tidak lebih dari 0.05 dengan tingkat signifikansi α = 5%. Selain itu, nilai Adjusted R-squared yang tinggi dan nilai Durbin-Watson yang tidak menunjukkan adanya autokorelasi pada IDX menunjukkan bahwa model di atas sudah valid, akan tetapi untuk pemodelan JSX tidak dapat menggunakan model di atas dikarenakan nilai Adjusted R-squared yang negatif, oleh karena itu dicoba menggunakan pemodelan GARCH.
Tabel IV.21
Pemodelan GARCH (1,1) JSX dan N225
Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 648
Included observations: 647 after adjustments Convergence achieved after 329 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C 1020.460 50.96251 20.02374 0.0000
N225(-1) 0.044155 0.003699 11.93786 0.0000
Variance Equation
C 57164.54 11534.05 4.956156 0.0000
ARCH(1) 1.423673 0.471552 3.019124 0.0025
GARCH(1) -0.734249 0.116203 -6.318675 0.0000 R-squared -0.184375 Mean dependent var 1895.041 Adjusted R-squared -0.191755 S.D. dependent var 489.5582 S.E. of regression 534.4386 Akaike info criterion 14.62871 Sum squared resid 1.83E+08 Schwarz criterion 14.66327 Log likelihood -4727.387 Durbin-Watson stat 0.005170
Sumber : Hasil pengolahan EViews 5.1
Pemodelan GARCH untuk JSX masih belum mencerminkan hasil yang baik ditandai dengan nilai Adjusted R-squared yang masih negatif. Selanjutnya dicoba dengan menggunakan model transformasi GARCH.
Tabel IV.22
Pemodelan Transformasi GARCH (1,1) JSX dan N225
Dependent Variable: Y_JSX Method: ML - ARCH (Marquardt) Sample (adjusted): 2 648
Included observations: 647 after adjustments Convergence achieved after 45 iterations Variance backcast: ON
Coefficient Std. Error z-Statistic Prob.
C -5.875705 9.994215 -0.587911 0.0466
Y_JSX(-1) 0.992344 0.001671 594.0129 0.0000 N225(-1) 0.001242 0.000519 2.394549 0.0166
Variance Equation
C 15.41698 5.189623 2.970733 0.0030
ARCH(1) 0.167883 0.024333 6.899484 0.0000
GARCH(1) 0.850152 0.017758 47.87404 0.0000 R-squared 0.994397 Mean dependent var 1895.041
Adjusted R-squared 0.994353 S.D. dependent var 489.5582 S.E. of regression 36.78826 Akaike info criterion 9.739075 Sum squared resid 867514.1 Schwarz criterion 9.780550 Log likelihood -3144.591 F-statistic 22751.63 Durbin-Watson stat 1.924796 Prob(F-statistic) 0.000000
Sumber : Hasil pengolahan EViews 5.1
Hasil pemodelan JSX dan N225 di atas telah menunjukkan hasil yang baik ditandai dengan nilai probabilitas keseluruhan yang tidak lebih dari 0.05, nilai Durbin-Watson yang
berada dalam lingkup yang diterima, serta nilai Adjusted R-squared yang besar yang mengindikasikan model ini sudah dapat digunakan untuk menganalisa hubungan JSX dan Nikkei.
Untuk menganalisa hubungan IDX dan Nikkei dapat dilihat dari hasil uji regresi pada tabel IV.20, dimana persamaan yang didapat adalah:
IDX = -1,236.985 + 0.329372 N225t-1
yang menunjukkan bahwa setiap kenaikan indeks saham Nikkei t-1 sebesar satu satuan akan berdampak bagi kenaikan IDX sebesar 0.329372 satuan, dan berlaku sebaliknya apabila indeks Nikkei t-1 mengalami penurunan sebesar satu satuan akan mempengaruhi penurunan IDX sebesar 0.329372 satuan.
Sedangkan untuk menganalisa hubungan JSX dan Nikkei dapat dilihat dari hasil uji regresi pada tabel IV.22 sehingga didapat persamaan sebagai berikut:
JSX = -5.875705 + 0.992344 JSXt-1 + 0.001242 N225 t-1
Persamaan regresi di atas dapat diartikan bahwa setiap kenaikan indeks N225t-1 sebesar satu satuan akan berdampak pada kenaikan JSX sebesar 0.001242 satuan, begitu pula sebaliknya. Dengan demikian, hubungan IDX dan JSX adalah hubungan yang searah dengan tingkat pengaruh indeks Nikkei terhadap IDX lebih besar dibanding terhadap JSX, hal ini dapat dilihat dari besarnya nilai satuan yang berdampak bagi IDX yaitu sekitar 265 kali lipat (0.329372 dibagi 0.001242) lebih besar dibanding pengaruh indeks Nikkei terhadap IDX. Mendukung data tersebut, kenaikan pengaruh indeks Jepang terhadap indeks
terbuka bagi terjalinnya kerja sama dengan perusahaan-perusahaan lokal, pernyataan tersebut disadur dari artikel yang berjudul “Hubungan Ekonomi Indonesia-Jepang”
(http://ekonomi.kompasiana.com/). Sehingga, pengembangan industri di Indonesia berpeluang untuk makin beragam dan tersebar, yang menyebabkan bursa Indonesia (IDX) mengalami peningkatan yang memberikan pengaruh kepada bursa Jepang karena perusahaan-perusahaan Indonesia mendapatkan bantuan dari perusahaan-perusahaan Jepang sehingga mendorong faktor regional Indonesia yang meningkat seiring dengan peningkatan bursa Indonesia yang menyebabkan peningkatan bursa Jepang.
Indeks Hubungan dengan JSX Hubungan dengan IDX N225 Hubungan 1 arah searah dimana
kenaikan JSX berpengaruh terhadap kenaikan N225
Hubungan 1 arah searah dimana kenaikan IDX berpengaruh terhadap kenaikan N225
IV.2.3.2.4. Pemodelan antara JSX, IDX dan STI
Pemodelan JSX dan STI menggunakan model VAR karena hubungan saling mempengaruhi seperti yang dibuktikan pada uji Granger pada tabel IV.6 sebelumnya.
Tabel IV.23
Pemodelan VAR JSX dan STI
Vector Autoregression Estimates Sample (adjusted): 2 648
Included observations: 647 after adjustments Standard errors in ( ) & t-statistics in [ ] Log likelihood -3242.596 -3372.540 Akaike AIC 10.03275 10.43443 Schwarz SC 10.05349 10.45517 Mean dependent 1895.041 2885.788 S.D. dependent 489.5582 521.0315 Determinant resid covariance (dof adj.) 1354202.
Determinant resid covariance 1341673.
Log likelihood -6400.506
Akaike information criterion 19.80373
Schwarz criterion 19.84520
Sumber : Hasil pengolahan EViews 5.1
Dilihat dari hasil pemodelan VAR JSX dan STI pada table IV.23 di atas, terdapat pengaruh signifikan dari JSX terhadap STI yang berlaku sebaliknya. Model yang didapat
Dilihat dari hasil pemodelan VAR JSX dan STI pada table IV.23 di atas, terdapat pengaruh signifikan dari JSX terhadap STI yang berlaku sebaliknya. Model yang didapat