BAB III METODELOGI PENELITIAN
D. Teknik Analisis
VECM (Vector Error Correction Model) merupakan suatu model analisis ekonometrika yang dapat digunakan untuk mengetahui tingkah laku jangka pendek dari suatu variabel terhadap jangka panjangnya, akibat adanya shock yang permanen. Analisis VECM juga dapat digunakan untuk mencari pemecahan terhadap persoalan variabel runtun waktu (time series) yang tidak stasioner (
non-stasionary) dan regresi lancung (spurious regression) atau korelasi lancung
(spurious correlation) dalam analisis ekonometrika. Namun demikian, VECM
dinilai kurang cocok dalam menganalisis kebijakan. Hal ini dikarenakan analisis VECM yang atheoritic dan terlalu menekankan pada forecasting atau peramalan
dari suatu model ekonometrika. (Shochrul R. Ajija, dkk, 2011: 189). Permodelan VECM dapat dilihat sebagai berikut.
Y = f (X1, X2, X3, ..., Xn )
Keterangan:
Y = Variabel Dependen
X1 = Variabel Independen ke-1 X2 = Variabel Independen ke-2 X3 = Variabel Independen ke-3 Xn = Variabel Independen ke-n
Asumsi yang harus dipenuhi dalam VECM adalah semua variabel independen harus bersifat stasioner. Hal ini ditandai dengan semua sisaan bersifat
white noise, yaitu memiliki rataan nol, ragam konstan, dan di antara variabel tak
bebas tidak ada korelasi. Uji kestasioneran data dapat dilakukan melalui pengujian terhadap ada tidaknya unit root dalam variabel dengan uji Augmented Dickey
Fuller (ADF). Uji stasioneritas data ini penting dilakukan karena dengan adanya
unit root akan menghasilkan persamaan regresi yang spurious. Pendekatan yang
dilakukan untuk mengatasi persamaan regresi yang spurious adalah dengan melakukan diferensiasi atas variabel endogen dan eksogennya. Dengan demikian, akan diperoleh variabel yang stasioner dengan derajat I(n). (Shochrul R. Ajija, dkk, 2011: 190).
1. Uji Stasioneritas Data & Derajat Integrasi
Langkah pertama yang harus dilakukan dalam estimasi model ekonomi dengan data time series adalah dengan menguji stasioneritas pada data atau disebut juga stationary stochastic process. Uji ini merupakan pengujian yang sangat popular, dan dikenalkan oleh David Dickey dan Wayne Fuller. (Nachrowi D Nachrowi & Hardius Usman, 2006: 353). Uji stasioneritas data ini dapat dilakukan dengan menggunakan Augmented
Dickey Fuller (ADF) pada derajat yang sama (level atau different) hingga
diperoleh suatu data yang stasioner, yaitu data yang variansnya tidak terlalu besar dan mempunyai kecenderungan untuk mendekati nilai rata-ratanya.
Jika dalam uji stasioneritas ini menunjukkan nilai ADFSTATISTIK yang lebih besar daripada Mackinnon critical value, maka dapat diketahui bahwa data tersebut stasioner karena tidak memgandung unit root. Sebaliknya, jika nilai ADFSTATISTIK yang lebih kecil daripada Mackinnon
critical value, maka dapat disimpulkan data tersebut tidak stasioner pada
derajat level. Dengan demikian, differencing data untuk memperoleh data yang stasioner pada derajat yang sama di first different I(1) harus dilakukan, yaitu dengan mengurangi data tersebut dengan data periode sebelumnya. (Shochrul R. Ajija, dkk, 2011: 166).
2. Uji Kausalitas Granger
Metode yang digunakan untuk menganalisa hubungan kausalitas antar variabel yang diamati adalah dengan Uji Kausalitas Granger. Dalam penelitian ini, uji kausalitas Granger digunakan untuk melihat arah hubungan di antara variabel-variabel. (Shochrul R. Ajija, dkk, 2011: 167).
Secara umum, suatu persamaan Granger dapat diinterpretasikan sebagai berikut:
a. Unindirectional causality dari variabel dependen ke variabel
independen. Hal ini terjadi ketika koefisien lag variabel dependen secara statistik signifikan berbeda dengan nol, sedangkan koefisien
lag seluruh variabel independen sama dengan nol. Dalam ilmu ekonomi ketergantungan suatu variabel Y (variabel tak bebas) atas variabel lain X (variabel yang menjelaskan) jarang bersifat seketika. Sangat sering, Y bereaksi terhadap X dengan suatu selang waktu. Selang waktu seperti itu disebut suatu lag. (Damodar Gujarati, 1999: 234).
b. Feedback/bilaterall causality jika koefisien lag seluruh variabel,
baik variabel dependen maupun independen secara statistik signifikan berbeda dengan nol.
c. Independence jika koefisien lag seluruh variabel, baik variabel
dependen maupun independen secara statistik tidak berbeda dengan nol.
3. Uji Kointegrasi
Dua variabel yang tidak stasioner sebelum dideferensi namun stasioner pada tingkat deferensi pertama, besar kemungkinan akan terjadi kointegrasi, yang berarti terdapat hubungan jangka panjang di antara keduanya. (Wing Wahyu Winarno, 2009: 260). Salah satu pendekatan yang dapat digunakan dalam uji kointegrasi adalah dengan metode Johansen. (Shochrul R. Ajija, dkk, 2011: 190). Metode Johansen digunakan untuk mengestimasi matriks Π dari unrestricted VAR dan untuk melakukan pengujian apakah hasil reduced rank Π dapat diterima atau tidak. Dalam pengujian reduced rank tersebut, Johansen menggunakan dua pengujian statistik yang berbeda, yaitu trace test
(λtrace) dan maximum eigenvalue test (λmax). Penentuan ini dapat dilihat dengan membandingkan nilai Max-Eigen dengan nilai trace-nya. Jika nilai
Max-Eigen dan nilai trace-nya lebih besar daripada nilai kritis 1% dan 5%,
maka data terkointegrasi. (Shochrul R. Ajija, dkk, 2011: 200).
4. Estimasi VECM
Perilaku dinamis dari model VEC dapat dilihat melalui respons dari setiap variabel endogen terhadap kejutan pada variabel tersebut maupun terhadap variabel endogen lainnya. Ada dua cara untuk melihat karakteristik dinamis model VEC, yaitu melalui IRF function dan variance
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 standar dan mengestimasi hubungan jangka panjang dengan menggunakan lag residual dari regresi yang terkointegrasi. (Shochrul R. Ajija, dkk, 2011: 191).
5. IRF (Impulse Response Function)
IRF menggambarkan ekspektasi k-periode ke depan dari kesalahan prediksi suatu variabel akibat inovasi dari variabel yang lain. Dengan demikian, lamanya pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau kembali ke titik keseimbangan dapat dilihat atau diketahui. (Shochrul R. Ajija, dkk, 2011: 168).
6. Variance Decomposition
Variance decomposition atau disebut juga forecast error variance
decomposition merupakan perangkat pada model VAR yang akan
memisahkan variasi dari sejumlah variabel yang diestimasi menjadi komponen-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. (Shochrul R. Ajija, dkk, 2011: 168).