ANALISA HUBUNGAN INDEX HARGA SAHAM GABUNGAN
(IHSG) JAKARTA (JSX), LONDON (FTSE), TOKYO (NIKKEI) DAN
SINGAPURA (SSI)
Pendekatan Model Ekonometri – Autocorrelation Condition Heteroscedasticity (ARCH) / Generalized Autocorrelation Condition Heteroscedasticity (GARCH) Dan
Vector Autoregression (VAR) - Suatu studi empiris tahun 2000 – 2005
LUDOVICUS SENSI WONDABIO Program Doctoral – Program Ilmu akuntansi
Fakultas Ekonomi Universitas Indonesia
ABSTRACT: The objective of this research is to analyze the relationship between Jakarta’s Stock Price Index (JSX) and London Stock Price Index (FTSE), Tokyo Stock Price Index (NIKKEI) and Singapore Stock Price Index (SSI) using Econometric Model of Autocorrelation Condition Heteroscedasticity (ARCH) / Generalized Autocorrelation Condition Heteroscedasticity (GARCH) and Vector Autoregression (VAR) for the years 2001 - 2005. Based on the result of this research, the pattern of relationship between JSX and FTSE, NIKKEI and SSI has a difference pattern and unique characteristics. FTSE and NIKKEI have a significant impact to JSX but JSX did not have impact to FTSE and NIKKEI. This condition has approved that the developed countries has a significant impact to the economy of developing country. The relationship between JSX and SSI has a negative impact to JSX
Key words: Stock Price Index, Capital Market, ARCH/GARCH and VAR
1. PENDAHULUAN
Dalam abad ke 21 ini, dunia mengalami dampak globalisasi serta revolusi dalam informasi dan teknologi. Pengaruh kejadian pada belahan dunia yang satu dapat cepat berpengaruh terhadap belahan dunia lain. Dampak globalisasi dibidang ekonomi diikuti oleh adanya liberalisasi dalam bidang perekonomian. Artinya dalam pasar global saat ini, setiap investor dapat berinvestasi dimanapun dia berada (capital does not carry any flag).
Salah satu indikator keberhasilan ekonomi makro suatu negara adalah Index Harga Saham (IHSG) selain faktor tingkat bunga (interest rate), nilai tukar (exchange rate) dan GNP. Telah terbukti secara empiris bahwa variabel ekonomi makro berpengaruh signifikan terhadap return saham pada emiten yang terdaftar di BEJ (Lestari Murti, 2005). Bila kondisi ekonomi suatu negara baik maka IHSG tentunya juga menunjukkan adanya trend yang meningkat tetapi jika kondisi ekonomi suatu negara dalam keadaan turun maka akan berpengaruh juga terhadap IHSG tersebut. Dengan adanya revolusi informasi, investor dimanapun dapat mengamati IHSG pada waktu yang bersamaan. Ketika kondisi suatu negara dalam keadaan menurun maka IHSG juga akan mengalami penurunan yang berakibat investor akan keluar dari pasar (Anoraga Panji dan Pakarti Piji, 2006)
Banyak penelitian dan pendapat dari para ahli yang mengatakan bahwa perekonomian suatu negara banyak dipengaruhi oleh perkembangan perekonomian negara lain. Ekonomi negara yang lebih kuat mempunyai kecenderungan untuk mendominasi negara yang perekonomiannya lebih lemah. Berdasarkan kajian ini maka diperkirakan negara yang kuat selalu menang dalam persaingan, sehingga negara yang lemah akan cenderung mengalami kerugian. Hal ini dapat diartikan juga bahwa ketergantungan negara yang lemah terhadap negara yang kuat akan semakin nyata. Sebagaimana telah dijelaskan diatas bahwa IHSG adalah salah satu variabel ekonomi makro, sehingga IHSG suatu negara yang kuat akan berpengaruh terhadap IHSG dari negara yang lemah.
Untuk penulisan penelitian ini akan dilihat pengaruh IHSG di Singapura, Jepang dan London terhadap IHSG di Jakarta. Alasan pemilihan IHSG Singapura dikarenakan Singapura merupakan negara maju yang terdekat dengan Indonesia (satu region). Sedangkan IHSG NIKKEI dipilih karena Jepang merupakan negara maju di Asia yang memiliki investasi besar di Indonesia. Selanjutnya IHSG London, merupakan wakil dari negara barat yang maju (developed country). Tujuan penelitian adalah untuk melihat pola hubungan antara IHSG Jakarta dengan IHSG Singapore (SSI), Tokyo (NIKKEI) dan London (FTSE) dan membentuk model ekonometri yang tepat untuk pola hubungan tersebut.
2. LANDASAN TEORI
2.1. Contagion Effect Theory
Para ahli berpendapat bahwa kondisi perekonomian suatu negara akan berpengaruh terhadap kondisi perekonomian negara. Kondisi krisis negara-negara Asia tahun 1997 menurut penelitian Bank Dunia terutama disebabkan oleh adanya contagion effect (domino effect) dari negara lain (Tan, Jose Antonio, 1998). Belajar dari krisis tahun 1997, Indonesia sebagai salah satu negara berkembang ternyata hingga saat ini masih sangat tergantung pada kondisi perekonomian luar negri terutama yang berkaitan dengan investasi. Akibatnya, kondisi pasar modal di Indonesia diduga dipengaruhi oleh kondisi luar negeri terutama kondisi pasar modal yang ada pada negara-negara maju.
2.2. Teori pasar kuat terhadap pasar yang lebih lemah
Menurut para ahli, liberalisasi dalam bidang perekonomian cenderung menguntungkan perekonomian negara maju dan berdampak merugikan terhadap perekonomian negara yang sedang berkembang akibat lemahnya pondasi perekonomian yang dimilikinya. Pola pengembangan perekonomian antara negara-negara maju (developed countries) ternyata memiliki perbedaan dengan negara-negara yang sedang berkembang (developing countries). Dalam perekonomian dunia saat ini, suatu negara yang memiliki
3. METODOLOGI PENELITIAN
3.1. Rancangan Pengumpulan Data
Data yang digunakan dalam penelitian ini adalah kurs efek bulanan yang disediakan oleh Pusat Data Informasi di Bursa Efek Jakarta untuk masing-masing negara yang dijadikan penelitian. Data yang digunakan adalah dari bulan Januari 2000 sampai dengan Juni 2005 (66 Bulan).
3.2. Metode Analisis
Dalam penelitian ini akan dipergunakan berbagai metode analisis yang ada dalam ekonometri, yaitu :
a. Test Granger Causality
Merupakan metode untuk melihat bentuk hubungan antar variabel (searah atau simultan). b. Model VAR
Merupakan model yang menggambarkan hubungan simultan antar variabel. Persamaan model VAR dapat dilihat dibawah ini:
1
Yt =
α
+β
1χ
1 +β
2χ
2 + ….. +β
kχ
3Penjelasan:
Yt = Variable terikat
χt = Variable bebas
α1, β1, β2, βk = koefisien regresi
d. Model Regresi Terkointegrasi
Merupakan model regresi yang mengandung auto korelasi tetapi mempunyai error yang stasioner sehingga sekalipun melanggar asumsi tetapi masih dapat dipergunakan sebagai pemodelan yang bersifat jangka panjang.
e. Model ARCH (GARCH)
Merupakan model untuk mengatasi masalah heteroskedastisitas pada model regresi yang dibuat. Persamaan Model ARCH/GARCH adalah sebagai berikut:
Model ARCH
ARCH (P)
k k
t X X X
Y =
β
0 +β
1 1+β
2 2+...β
dengan varian :
P t P t
t
t =α +α l − +α l − + +α l −
Model GARCH
Berdasarkan penjelasan tersebut diatas maka untuk mempermudah proses pembentukan model dapat dilihat dalam Gambar 1 (lihat Lampiran - 1 )
4. HASIL DAN PEMBAHASAN
Sebagaimana telah dijelaskan dalam pembahasan sebelumnya, bahwa pembentukan model akan diawali dengan melakukan test kausalitas granger. Tahapan proses pembentukan model adalah sebagai berikut:
4.1. Tahap I – Tes Kausalitas Granger
Tes Kausalitas Granger adalah suatu pengujian untuk melihat hubungan kausalitas antar variabel. Untuk melihat hubungan kausalitas antar varibel IHSG antara JSX terhadap SSI, NIKKEI dan FTSI, maka penulis melakukan pengujian secara sendiri-sendiri untuk masing-masing variabel IHSG sebagai berikut :
4.1.1. Analisa hubungan IHSG JSX dan FTSE
Pairwise Granger Causality Tests
Date: 05/23/06 Time: 13:59
Sample: 2000:01 2005:06
Lags: 1
Null Hypothesis: Obs F-Statistic Probability
FTSE does not Granger Cause JSX 65 5.45286 0.02279
JSX does not Granger Cause FTSE 0.42167 0.51850
4.1.2 Analisa hubungan IHSG JSX dan NIKKEI
Dari output eview yang tersaji dibawah ini, dapat terlihat bahwa IHSG Nikkei mempengaruhi IHSG JSX pada α = 5%, yang berarti dapat disimpulkan bahwa IHSG Nikkei mempengaruhi JSX sedangkan JSX tidak mempengaruhi IHSG Nikkei. Sehingga dapat dikatakan bahwa hubungan kedua IHSG tersebut adalah searah dan bukan hubungan dua arah (simultan). Sebagaimana halnya dengan hubungan antara JSX dan FTSE maka pemodelan untuk menunjukkan hubungan antara JSX dan NIKKEI juga menggunakan model regresi.
Pairwise Granger Causality Tests
Date: 05/23/06 Time: 14:48
Sample: 2000:01 2005:06
Lags: 1
Null Hypothesis: Obs F-Statistic Probability
NIKKEI does not Granger Cause JSX 65 8.79261 0.00429
JSX does not Granger Cause NIKKEI 0.77514 0.38203
4.1.3. Analisa hubungan IHSG JSX dan SSI
Pairwise Granger Causality Tests
Date: 05/23/06 Time: 14:59
Sample: 2000:01 2005:06
Lags: 1
Null Hypothesis: Obs F-Statistic Probability
SSI does not Granger Cause JSX 65 5.18901 0.02619
JSX does not Granger Cause SSI 5.07669 0.02780
hubungan antara JSX dengan FTSE serta NIKKEI. Oleh karena itu, pemodelan untuk JSX dan SSI harus dibuat dengan pendekatan Model Vector Autoregression (VAR).
3.2. Tahap II – Pemodelan
Berdasarkan pengujian kausalitas granger tersebut diatas (Tahap -1) dapat kita tarik kesimpulan bahwa hubungan antar pasar saham antar negara ternyata tidak saling mempengaruhi, kecuali untuk SSI dengan JSX yang saling mempengaruhi (dua arah). Berdasarkan kondisi ini khusus untuk SSI dan JSX dibuat dengan pendekatan model VAR (Vector Auto Regression) sedangkan untuk hubungan JSX dengan FTSE dan NIKKEI digunakan pendekatan model regresi. Hasil output model regresi untuk semua variabel dapat dilihat sebagai berikut :
Dependent Variable: JSX
Method: Least Squares
Date: 05/23/06 Time: 15:18
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
JSX(-1) 1.010698 0.061975 16.30816 0.0000
FTSE(-1) 0.002348 0.015471 0.151791 0.8799
NIKKEI(-1) -0.007347 0.004001 -1.836430 0.0712
SSI(-1) 0.027493 0.061522 0.446878 0.6566
C 27.87124 37.72954 0.738711 0.4630
R-squared 0.968739 Mean dependent var 576.1697
Adjusted R-squared 0.966655 S.D. dependent var 209.2814
S.E. of regression 38.21601 Akaike info criterion 10.19819
Sum squared resid 87627.81 Schwarz criterion 10.36545
Log likelihood -326.4412 F-statistic 464.8336
Durbin-Watson stat 1.986944 Prob(F-statistic) 0.000000
variabel bebas tersebut saling berkorelasi atau terjadi multikolinearitas ini (Test Correlation Matrix)
Melihat kondisi seperti ini maka untuk melihat pengaruh ketiga stock exchange
tersebut terhadap JSX maka model akan dibuat per masing-masing stock exchange.
4.2. Pemodelan Antara JSX Dan FTSE
Model regresi antara JSX dan FTSE menginformasikan bahwa FTSE t-1 mempunyai pengaruh yang signifikan terhadap JSX (lihat uji t). Akan tetapi model tersebut masih mempunyai R-square yang rendah dan ternyata nilai Durbin Watson (DW) sangat kecil, sehingga dapat disimpulkan masih mengandung otokorelasi.
Dependent Variable: JSX
Method: Least Squares
Date: 05/23/06 Time: 14:40
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
FTSE(-1) -0.052950 0.019874 -2.664258 0.0098
C 839.3853 113.5898 7.389616 0.0000
R-squared 0.049016 Mean dependent var 576.1697
Adjusted R-squared 0.033921 S.D. dependent var 209.2814
S.E. of regression 205.7013 Akaike info criterion 13.52101
Sum squared resid 2665720. Schwarz criterion 13.58792
Log likelihood -437.4329 F-statistic 3.247172
Disamping permasalahan diatas, ternyata berdasarkan white heteroskedasitas test
menunujukkan bahwa variance error masih heteroskedastis (lihat hasil output dibawah).
White Heteroskedasticity Test:
F-statistic 4.773324 Probability 0.011800 Obs*R-squared 8.673113 Probability 0.013081
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 05/23/06 Time: 14:41 Sample: 2000:02 2005:06 Included observations: 65
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C -614720.1 309571.4 -1.985714 0.0515 FTSE(-1) 277.1796 125.5151 2.208336 0.0309 FTSE(-1)^2 -0.028358 0.012141 -2.335735 0.0228 R-squared 0.133433 Mean dependent var 41011.08 Adjusted R-squared 0.105479 S.D. dependent var 63652.31 S.E. of regression 60201.80 Akaike info criterion 24.89385 Sum squared resid 2.25E+11 Schwarz criterion 24.99420 Log likelihood -806.0500 F-statistic 4.773324 Durbin-Watson stat 0.143364 Prob(F-statistic) 0.011800
Dependent Variable: JSX Method: ML – ARCH Date: 05/23/06 Time: 14:42 Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints Convergence not achieved after 500 iterations
Bollerslev-Wooldrige robust standard errors & covariance
Coefficient Std. Error z-Statistic Prob. FTSE(-1) 0.002890 0.004359 0.663021 0.5073
C 421.5514 23.05385 18.28551 0.0000 Variance Equation
C 2402.095 834.7844 2.877504 0.0040 ARCH(1) 0.902455 0.109241 8.261130 0.0000
R-squared -0.461623 Mean dependent var 576.1697 Adjusted R-squared -0.533506 S.D. dependent var 209.2814 S.E. of regression 259.1632 Akaike info criterion 12.25321 Sum squared resid 4097100. Schwarz criterion 12.38702 Log likelihood -394.2294 Durbin-Watson stat 0.025029
Berdasarkan output eviews diatas, ternyta model ARCH (1) masih belum baik karena pada model regresinya, variabel FTSE pada t-1 mempunyai koefisien yang tidak signifikan secara statistik pada α = 5%, yang berarti FTSE t-1 tidak mempunyai pengaruh terhadap JSX. Hal ini tentunya bertentangan dengan hasil uji kausalitas granger. Disamping itu terlihat bahwa nilai R-square adalah negatif. Hal ini tentunya adalah tidak benar karena R-square adalah nilai kuadrat sehingga tidak mungkin negatif
Dependent Variable: JSX
Method: ML – ARCH
Date: 05/23/06 Time: 14:44
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
Convergence achieved after 263 iterations
Coefficient Std. Error z-Statistic Prob.
FTSE(-1) -0.013324 0.012685 -1.050421 0.2935
C 514.7021 70.26185 7.325484 0.0000
Variance Equation
C 11256.34 4091.953 2.750847 0.0059
ARCH(1) 2.104070 0.349407 6.021831 0.0000
GARCH(1) -0.787796 0.059555 -13.22806 0.0000
R-squared -0.356595 Mean dependent var 576.1697
Adjusted R-squared -0.447035 S.D. dependent var 209.2814
S.E. of regression 251.7504 Akaike info criterion 12.36577
Sum squared resid 3802696. Schwarz criterion 12.53303
Log likelihood -396.8876 Durbin-Watson stat 0.027770
Dependent Variable: JSX
Method: ML – ARCH
Date: 05/23/06 Time: 14:45
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
Convergence not achieved after 500 iterations
Bollerslev-Wooldrige robust standard errors & covariance
Coefficient Std. Error z-Statistic Prob.
FTSE(-1) -0.013008 0.005109 -2.546145 0.0109
JSX(-1) 1.017986 0.021799 46.69913 0.0000
C 59.77046 30.26504 1.974901 0.0483
Variance Equation
C 1381.157 331.1189 4.171182 0.0000
ARCH(1) -0.078915 0.028305 -2.788064 0.0053
R-squared 0.966852 Mean dependent var 576.1697
Adjusted R-squared 0.964642 S.D. dependent var 209.2814
S.E. of regression 39.35287 Akaike info criterion 10.22961
Sum squared resid 92918.89 Schwarz criterion 10.39687
Log likelihood -327.4624 F-statistic 437.5104
Durbin-Watson stat 1.857465 Prob(F-statistic) 0.000000
Dengan demikian model yang didapat adalah sebagai berikut :
JSX t = 59,77046 + 1,017986 JSX t-1 – 0,013008 FTSE t-1 s.e (30,26504) (0,021799) (0,005109)
Dengan persamaan varian :
σ2
t = 1381,157 – 0,078915 e t-1
s.e (331,1189) (0,028305)
4.4. Pemodelan Antara JSX Dan NIKKEI
Model regresi antara JSX dan NIKKEI menunjukkan bahwa NIKKEI t-1 mempunyai pengaruh yang signifikan terhadap JSX (lihat uji t). Akan tetapi model tersebut masih mempunyai R-square yang rendah dan ternyata nilai Durbin Watson (DW) sangat kecil, sehingga dapat disimpulkan masih mengandung otokorelasi.
Dependent Variable: JSX
Method: Least Squares
Date: 05/23/06 Time: 14:50
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
Variable Coefficient Std. Error t-Statistic Prob.
NIKKEI(-1) -0.004993 0.009121 -0.547417 0.5860
C 635.2410 111.0210 5.721810 0.0000
R-squared 0.004734 Mean dependent var 576.1697
Adjusted R-squared -0.011064 S.D. dependent var 209.2814
S.E. of regression 210.4360 Akaike info criterion 13.56653
Sum squared resid 2789847. Schwarz criterion 13.63343
Log likelihood -438.9121 F-statistic 0.299666
Durbin-Watson stat 0.037729 Prob(F-statistic) 0.586026
White Heteroskedasticity Test:
F-statistic 2.571279 Probability 0.084568
Obs*R-squared 4.978456 Probability 0.082974
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/23/06 Time: 14:51
Sample: 2000:02 2005:06
Included observations: 65
Variable Coefficient Std. Error t-Statistic Prob.
C -173718.0 136819.3 -1.269690 0.2089
NIKKEI(-1) 36.60382 20.92363 1.749401 0.0852
NIKKEI(-1)^2 -0.001461 0.000760 -1.920964 0.0593
R-squared 0.076592 Mean dependent var 42920.73
Adjusted R-squared 0.046804 S.D. dependent var 63797.26
S.E. of regression 62286.37 Akaike info criterion 24.96193
Sum squared resid 2.41E+11 Schwarz criterion 25.06228
Log likelihood -808.2627 F-statistic 2.571279
Durbin-Watson stat 0.099720 Prob(F-statistic) 0.084568
Dependent Variable: JSX
Method: ML – ARCH
Date: 05/23/06 Time: 14:53
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
Convergence not achieved after 500 iterations
Coefficient Std. Error z-Statistic Prob.
NIKKEI(-1) 0.002387 0.015402 0.154962 0.8769
C 453.9505 186.1678 2.438395 0.0148
Variance Equation
C 28109.88 11480.68 2.448450 0.0143
ARCH(1) 0.668672 1.000076 0.668621 0.5037
R-squared -0.210427 Mean dependent var 576.1697
Adjusted R-squared -0.269957 S.D. dependent var 209.2814
S.E. of regression 235.8442 Akaike info criterion 13.13607
Sum squared resid 3392970. Schwarz criterion 13.26988
Log likelihood -422.9223 Durbin-Watson stat 0.030196
Dependent Variable: JSX Method: ML – ARCH Date: 05/23/06 Time: 14:55 Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints Convergence achieved after 278 iterations
Coefficient Std. Error z-Statistic Prob.
JSX(-1) 1.026836 0.020150 50.95890 0.0000 NIKKEI(-1) -0.004907 0.001712 -2.865479 0.0042 C 47.94450 25.54277 1.877028 0.0605
Variance Equation
C 1316.892 207.0904 6.359018 0.0000 ARCH(1) -0.078027 0.069693 -1.119584 0.2629 R-squared 0.968393 Mean dependent var 576.1697 Adjusted R-squared 0.966285 S.D. dependent var 209.2814 S.E. of regression 38.42727 Akaike info criterion 10.17269 Sum squared resid 88599.30 Schwarz criterion 10.33996 Log likelihood -325.6126 F-statistic 459.5722 Durbin-Watson stat 1.930192 Prob(F-statistic) 0.000000
Dependent Variable: JSX
Method: ML – ARCH
Date: 05/23/06 Time: 14:56
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting endpoints
Convergence achieved after 108 iterations
Coefficient Std. Error z-Statistic Prob.
JSX(-1) 1.028767 0.019488 52.78898 0.0000
NIKKEI(-1) -0.005390 0.001982 -2.720135 0.0065
C 51.47839 30.39002 1.693924 0.0903
Variance Equation
C 362.8059 73.86664 4.911633 0.0000
ARCH(1) -0.144046 0.018554 -7.763520 0.0000
GARCH(1) 0.875210 0.036255 24.14069 0.0000
R-squared 0.968233 Mean dependent var 576.1697
Adjusted R-squared 0.965541 S.D. dependent var 209.2814
S.E. of regression 38.84943 Akaike info criterion 10.14096
Sum squared resid 89047.41 Schwarz criterion 10.34167
Log likelihood -323.5811 F-statistic 359.6514
Durbin-Watson stat 1.919523 Prob(F-statistic) 0.000000
Berdasarkan output diatas model yang didapat adalah sebagai berikut :
JSX t = 51,47839 + 1,028767 JSX t-1 – 0,005390 NIKKEI t-1 s.e (30,39002) (0,019488) (0,001982)
Dengan persamaan varian :
σ2
t = 362,8059 – 0,144046 e t-1 + 0,875210 σ2t-1
s.e (73,86664) (0,018554) (0,036255)
4.5. Pemodelan Antara JSX Dan SSI
Sebagaimana telah dibuktikan dalam uji kausalitas granger bahwa antara JSX dan SSI mempunyai hubungan dua arah atau simultan maka model yang akan digunakan untuk menggambarkan hubungan kedua pasar modal tersebut adalah menggunkan model VAR. Setelah dilakukan pengolahan data diadapat output yang menunjukkan adanya pengaruh signifikan dari JSX terhadap SSI dan begitu pulan sebaliknya (lihat output). Adapun model yang didapat adalah :
JSX = 54.531403 + 1.0713459 JSX t-1 - 0.0502697 SSI t-1
s.e (32.1921) (0.03004) (0.02207)
SSI = 189.789025 + 0.183608 JSX t-1 + 0.831646 SSI t-1 s.e (87.3294) (0.08149) (0.05987)
Date: 05/23/06 Time: 15:01
Sample(adjusted): 2000:02 2005:06
Included observations: 65 after adjusting
Endpoints
Standard errors & t-statistics in parentheses
JSX SSI
JSX(-1) 1.071346 0.183608
(0.03004) (0.08149)
(35.6648) (2.25315)
SSI(-1) -0.050270 0.831646
(0.02207) (0.05987)
(-2.27794) (13.8919)
C 54.53140 189.7890
(32.1921) (87.3294)
(1.69394) (2.17325)
R-squared 0.966792 0.852638
Adj. R-squared 0.965721 0.847884
Sum sq. resids 93086.19 685026.9
S.E. equation 38.74778 105.1134
F-statistic 902.5073 179.3662
Log likelihood -328.4051 -393.2729
Akaike AIC 10.19708 12.19301
Schwarz SC 10.29743 12.29337
Mean dependent 576.1697 1753.321
S.D. dependent 209.2814 269.5075
Determinant Residual Covariance 11838825
Log Likelihood -713.7861
Akaike Information Criteria 22.14726
5. KESIMPULAN PENELITIAN DAN SARAN UNTUK PENELITIAN
SELANJUTNYA
5.1. Kesimpulan Penelitian
Berdasarkan pembahasan pada bab-bab sebelumnya berikut adalah beberapa kesimpulan yang dapat ditarik dalam penelitian ini.
a. Pola hubungan antara JSX dan FTSE, NIKEI dan SSI ternyata memiliki hubungan yang berbeda-beda.
b. FTSE dan NIKKEI ternyata mempunyai pengaruh terhadap JSX, tetapi JSX tidak mempunyai pengaruh terhadap FTSE dan NIKKEI. Ini menunjukkan bahwa kondisi perekonomian negara maju akan berpengaruh terhadap perekonomian negara berkembang.
c. Hubungan FTSE dan NIKKEI terhadap JSX adalah negatif atau berbalik dimana jika FTSE / NIKKEI naik maka JSX turun. Ini menandakan bahwa kenaikan FTSE dan NIKKEI justru menekan JSX. Hal ini dapat diduga adanya pengalihan investasi oleh para investor.
d. JSX dan SSI berhubungan simultan tetapi JSX mempengaruhi SSI secara positif sedangkan SSI mempengaruhi JSX secara negatif. Artinya jika JSX naik maka SSI naik. Sedangkan jika SSI naik maka JSX malah turun.
5.2. Saran untuk Penelitian yang Akan Datang
DAFTAR PUSTAKA
Anoraga Pandji, Pakarti Piji, Pengantar Pasar Modal, Cetakan kelima, 2006, Rineka Cipta.
Gujarati, Damodar N, 2003, Basic Econometrics, 4th edition, McGraw-Hill, Inc, New York.
Hatter Mary Louise, Macroeconomics for Management, 2nd edition, Prentice-Hall, Englewood Cliffs, New Jersey, 1996.
Lestari Murti, Pengaruh variabel makro terhadap return saham di Bursa Efek Jakarta Pendekatan beberapa model, Paper Seminar Nasional Akuntansi VIII, 2005
Roberts S Pindyck and Daniel, L Rubinfeld, 1998, Econometric Models and
Economic Forecast, 4th edition, Irwin Mcgraw-hill, New York.
Novita Mila, Nachrowi Djalal, Dynamic Analysis of the Stock Price Index and the Exchange Rate Using Vector Autoregression (VAR) (an Empirical Study of the Jakarta Stock exchange, 2001-2004, keywords: Stock Price Index, Indonesia, Capital Market, Exchange Rate.
Nahrowi Djalal, Hardius Eko, Memahami Model ARCH dan GARCH, Bahan Kuliah Ekonometri 2, Program Ilmu Akuntansi, FEUI.
Tan, Jose Antonio R, Contagion Effects During the Asian Financial Crisis: Some Evidence from Stock Price Data (Pacific Basin Working Paper Series, Center for Pacific Basin Monetary and Economic Studies Economic Research Department Federal Reserve Bank of San Francisco, 1998.