KEBIJAKAN EKONOMI MAKRO DAN PENDAPATAN NASIONAL DI INDONESIA
OLEH:
CHENNY SEFTARITA (Dosen Fakultas Ekonomi Unsyiah)
Jurnal diterbitkan oleh:
Jurnal Ekonomi dan Pembangunan (EKONOMIKA) Universitas Almuslim Bireun-Aceh
ISSN: 2086-6011 (Vol.V No.9/2014)
ABSTRAK
Abstrak-The nature of links between the government activity and economic growth that
operated in Indonesia over periode 1982-2012 are examined. This study has conducted a series of unit root, cointegration, and Vector Error Correction Models (VECM) analyses to ascertain the relationship between government Economics policy (including fiscal and Monetary policy ) and Economic growth.
Empirical results show the presence of cointegration between the variables, which suggest a stable long-run relationship between government policy and Economic growth in Indonesia. In short run, fiscal and Monetary variables have no relationship with economic growth. The findings of the study furnish supportive evidence that government has played and important role in economic development in Indonesia.
BAB I
PENDAHULUAN
1.1. Latar Belakang
Perlunya koordinasi dari bauran keijakan fiskal dan kebijakan moneter (policy mix) akhir-akhir ini semakin mengemuka seiring semakin banyaknya penelitian dan kajian-kajian tentang efektivitas dua kebijakan ini terhadap pertumbuhan ekonomi suatu negara. Adanya fluktuasi ekonomi yang dialami setiap negara baik fluktuasi yang dikategorikan normal hingga fluktuasi yang dikategorikan sebagai krisis ekonomi, menuntut peran suatu kebijakan ekonomi yang efektif dan saling berkoordinasi dengan baik.
Sumber: Asian Development Bank, data diolah
Gambar.1.1. Pendapatan Nasional Indonesia
Pada gambar.1.1.terlihat pasca krisis moneter tahun 1997 pendapatan nasional Indonesia meningkat cukup tinggi. Stabilitas ekonomi yang memulih dan sistem perekonomian yang mulai tertata dengan baik menyebabkan perekonomian Indonesia bergerak naik. Dari sisi moneter, restrukturisasi perbankan dan penguatan sektor keuangan pasca krisis berdampak baik terhadap kinerja ekonomi keseluruhan. Stabilitas ini dapat terus terjaga bahkan ketika krisis global terjadi yaitu pada tahun 2008-2009, perekonomian Indonesia dinilai cukup stabil.
Kajian tentang peran kebijakan fiskal dan moneter berkembang seiring zaman perkembangan. Hagen dan Mundshenk (2003) dalam studi literaturnya memperlihatkan bahwa kebijakan fiskal dan kebijakan moneter dapat diandalkan sebagai salah satu kebijakan dengan target jangka panjang. Dalam jangka waktu tersebut, kebijakan moneter dapat mencapai stabilitas harga dalam jangka panjang tanpa mempengaruhi efektivitas kebijakan fiskal dalam mempengaruhi output misalnya dengan merubah pajak dan pengeluaran pemerintah. Karena dua kebijakan ini dapat bersinergi dengan baik pada jangka panjang maka koordinasi tidak terlalu difokuskan pada target jangka panjang, namun lebih diarahkan pada jangka pendek. Dalam analisis jangka pendek, kebijakan yang tidak saling berkoordinasi dengan baik, misalnya kebijakan fiskal yang tidak beraturan akan menyebabkan efektivitas kebijakan moneter berkurang.
0 1,000 2,000 3,000 4,000 5,000 6,000 7,000 8,000 9,000
1985 1990 1995 2000 2005 2010
Ketidakseimbangan peran kebijakan fiskal dan moneter sering kali menyebabkan permasalahan fluktuasi ekonomi semakin buruk. Kita masih ingat kejadian pencetakan uang untuk kebutuhan fiskal tahun 1965 yang menyebabkan hiper inflasi di Indonesia, atau minimnya peran kebijakan moneter yang berdampak pada minimnya peran lembaga keuangan dalam perekonomian di era tahun 1970. Kasus yang tidak pernah kita lupa yaitu dominasi kebijakan moneter dengan lahirnya deregulasi sektor keuangan yang titik puncaknya adalah tahun 1997/1998 (Seftarita, 2005). Perkembangan sektor keuangan tanpa diiringi dengan sistem pengawasan yang baik berujung pada krisis moneter.
Beberapa isu seperti perbedaan target kerja kebijakan moneter yang lebih diarahkan pada stabilitas harga terutama inflasi, dan kebijakan fiskal untuk menstimulus perekonomian dan penyerapan tenaga kerja semakin memperkuat keinginan peneliti untuk melihat bagaimana kemampuan dua kebijakan ini bersinergi mempengaruhi pertumbuhan ekonomi dalam jangka panjang dan jangka pendek. Dengan pendekatan Vector error Correction Model (VECM), penelitian ini diharapkan mampu menjawab bagaimana hubungan antara
kebijakan fiskal dan moneter terhadap pertumbuhan ekonomi di Indonesia.
1.2. Perumusan Masalah
Berdasarkan latar belakang tersebut diatas, penulis tertarik untuk melakukan penelitian dengan permasalahan sebagai berikut:
1. Apakah terdapat hubungan yang signifikan antara pengeluaran pemerintah, Jumlah Uang Beredar, kurs dengan pendapatan nasional di Indonesia?
1.3. Tujuan Penelitian
Jumlah Uang Beredar, kurs dengan pendapatan nasional di Indonesia.
1.4. Manfaat Penelitian
Penelitian ini diharapkan dapat bermanfaat untuk:
1. Mengetahui apakah terdapat hubungan yang signifikan antara pengeluaran pemerintah, Jumlah Uang Beredar, kurs dengan pendapatan nasional di Indonesia.
2. Sebagai bahan masukan bagi pembuat kebijakan terutama pemerintah dan BI dalam pelaksanaan kebijakan fiskal dan moneter.
3. Bahan acuan bagi peneliti lain yang berminat meneliti masalah jumlah uang beredar dan pendapatan nasional.
BAB II
TINJAUAN PUSTAKA
2.1. Model IS-LM
Model yang digunakan dalam penelitian ini diadopsi dari model IS-LM. Berikut model keseimbangan IS-LM (Seftarita, 2005):
)) ( ( ) 1 ( ) 1 ( h k x k f M Y h k x bt b n bt b G d be a
Y
………..(1)
Terlihat bahwa pertumbuhan ekonomi adalah fungsi dari pengeluaran pemerintah (G) dan jumlah uang beredar (M). Sehingga diringkas:
Y = f ( G, M)……….………(2)
Variabel nilai tukar akan dimasukkan sebagai variabel kontrol (control variable) atau variabel luar, sehingga:
Y= f ( GOV, M, EXR)………...………..(3)
2.2. Studi Literatur
Analisis perlu atau tidaknya koordinasi kebijakan fiskal dan moneter berkembang dengan melihat aspek waktu dalam aplikasi dua kebijakan tersebut. Hagen dan Mundshenk (2003) dalam studi literaturnya memperlihatkan bahwa kebijakan fiskal dan kebijakan moneter dapat diandalkan sebagai salah satu kebijakan dengan target jangka panjang. Dalam jangka waktu tersebut, kebijakan moneter dapat mencapai stabilitas harga dalam jangka panjang tanpa mempengaruhi efektivitas kebijakan fiskal dalam mempengaruhi output misalnya dengan merubah pajak dan pengeluaran pemerintah. Karena dua kebijakan ini dapat bersinergi dengan baik pada jangka panjang maka koordinasi tidak terlalu difokuskan pada target jangka panjang, namun lebih diarahkan pada jangka pendek. Dalam analisis jangka pendek, kebijakan yang tidak saling berkoordinasi dengan baik, misalnya kebijakan fiskal yang tidak beraturan akan menyebabkan efektivitas kebijakan moneter berkurang.
menyebabkan kebijakan moneter lebih efektif dalam mempengaruhi perekonomian, misalnya dengan menaikkan tingkat bunga. Jika kebijakan fiskal dilakukan secara aktif misalnya dengan pengendalian utang, kebijakan moneter dengan peningkatan tingkat bunga riil akan mempengaruhi output dan ketidakstabilan utang pemerintah (Creel, 2002).
2.3. Penelitian Sebelumnya
Kajian-kajian teoritis diatas kemudian diperkuat dengan penelitian-penelitian yang menemukan bagaimana peran koordinasi kebijakan fiskal dan moneter dalam mempengaruhi output di berbagai negara. Penelitian yang di lakukan di Nigeria (Abata, 2012) menunjukkan bahwa kebijakan fiskal meliputi pengeluaran pemerintah, pajak, dan pinjaman dinilai gagal dalam meningkatkan output dan permintaan agregat. Kebijakan fiskal yang tidak teratur bahkan menjadi alasan penyebab kegagalan perekonomian dalam 10 tahun terakhir di Nigeria. Buruknya manajemen anggaran menyebabkan meningkatnya korupsi, penyalahgunaan anggaran, memburuknya utang dan ketidaktransparanan. Kebijakan moneter lebih memiliki pengaruh yang positif dalam menjaga stabilitas perekonomian. Lebih jauh penulis merekomendasikan bahwa manajemen anggaran harus diarahkan pada peningkatan investasi nonmigas yang menyerap banyak lapangan kerja, pembangunan infrastruktur, dan mengurangi utang.
Di Indonesia, Gulo (2008) meneliti pengaruh kebijakan fiskal dan moneter terhadap PDB Indonesia tahun 1988-2007. Dengan metode Ordinary Least Square (OLS), hasil estimasi memperlihatkan bahwa variabel pengeluaran pemerintah berpengaruh positif namun tidak signifikan. Sedangkan jumlah uang beredar dan penerimaan pajak berpengaruh positif dan signifikan terhadap pertumbuhan ekonomi Indonesia.
yang erat antara kebijakan pemerintah (kebijakan fiskal dan moneter), liberalisasi perdagangan, dan pertumbuhan ekonomi. Penelitian ini menggunakan pendekatan Error Correction Model (ECM).
2.4 Kerangkapemikiran
Variabel pengeluaran pemerintah (GOV), Jumlah uang beredar (JUB), Kurs (EXR) memiliki hubungan yang positif terhadap pendapatan nasional, dimana peningkatan GOV akan meningkatkan GDP. Selain memiliki hubungan searah, antar variabel juga memiliki hubungan kausalitas yang saling mempengaruhi.
2.5. Hipotesis
BAB III
METODOLOGI PENELITIAN
3.1. Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah untuk melihat gabungan kebijakan fiskal dan kebijakan moneter serta hubungannya dengan pendapatan nasional di Indonesia kurun tahun 1982-2012. Analisis dilakukan dengan pendekatan Vector Error Correction Model (VECM) .
3.2. Jenis dan Sumber Data
Penelitian ini dilakukan di Indonesia, dengan menggunakan data time series 1982-2012. Data dan referensi yang digunakan bersumber dari Key Indicators For Asia and The Pacific, jurnal-jurnal dan hasil-hasil penelitian, serta sumber bacaan lainnya. Data yang
dengan GDP (harga pasar), pengeluaran pemerintah untuk pembangunan (GOV), nilai tukar rupiah terhadap US $ (EXR), dan jumlah uang beredar (M2).
3.3. Metode Analisis
Model estimasi yang diadopsi dari persamaan IS-LM pada persamaan (3) kemudian dibuat dalam bentuk persamaan (4), yaitu:
GDP = a0+ a1GOV+ a2M2+ a3EXR + e...…...…..(4)
Dimana, GOV merupakan variabel kebijakan fiskal yaitu pengeluaran pemerintah untuk anggaran pembangunan (capital Expenditure). Variabel M2 merupakan variabel kebijakan moneter yaitu jumlah uang beredar dalam arti luas (M2), dan EXR merupakan variabel kontrol yaitu nilai tukar rupiah terhadap dolar US.
Model kemudian akan diestimasi menggunakan pendekatan Vector Error Correction Model (VECM). Namun sebelum di regresi, akan dilakukan pengujian akar-akar unit dengan pendekatan Augmented Dickey Fuller (ADF), untuk melihat apakah data stasioner atau tidak. Pengujian dilakukan untuk menghindari kesalahan dan kerancuan estimasi atau spourius problem. Pada tingkat level (1(0)), ika nilai ADF lebih besar (>) dari nilai critical value
maka data adalah tidak stasioner. Pengujian harus dilanjutkan pada tingkat First difference (1(1)) dan atau second difference (1(2)) jika belum juga stasioner, sehingga ditemukan pada
tingkat mana data tersebut stasioner yaitu nilai ADF lebih kecil (<) dari critical value pada tingkat kepercayaan 5%.
Dengan pendekatan Johansen, pengujian dilakukan dengan membandingkan nilai Max-Eigen dan Trace statistik terhadap nilai critical value.
Uji selanjutnya adalah uji VECM atau Vector Error Correction Model. Model koreksi kesalahan (VECM) merupakan model dinamik yang dapat digunakan untuk pemilihan model terbaik, serta meliput banyak variabel untuk menganalisis fenomena jangka panjang dan jangka pendek. VECM mampu menguji konsistensi model empirik dengan teori ekonomi, dan menjadi solusi bagi permasalahan data yang tidak stasioner dan regresi lancung (Seftarita, 2005).
Berikut persamaan VECM:
Yt = a0+ a1Xt + a2 t -1+ e...(5)
Yt adalah pertumbuhan ekonomi, Xt adalah variabel kebijakan fiskal dan moneter, adalah operator first difference, e adalah error term, dant -1adalah Error Correction Term (ECT).
ECT merupakan lag satu periode dari error term, dimana:
t -1= (Yt-1- a0- a1Xt-1)...(9)
Koefisien yang negatif dan signifikan pada ECT mengandung arti bahwa pertumbuhan ekonomi akan merespon fluktuasi dari perubahan instrumen kebijakan fiskal dan moneter dalam jangka panjang. Untuk melihat hubungan jangka pendek antar variabel, uji VECM dilanjutkan dengan uji Wald Test. Jika didapat nilai F-statistik dan Chi-square yang signifikan, berarti terdapat hubungan saling mempengaruhi antar variabel dalam jangka pendek.
3.4. Definisi Operasional Variabel
2. GDP adalah Gross Domestic Product, data berdasarkan harga berlaku dalam satuan triliun rupiah.
3. EXR adalah nilai tukar rupiah terhadap dolar dengan satuan rupiah.
4. GOV pengeluaran pemerintah untukanggaran pembangunan dengan satuan miliar rupiah.
BAB IV
HASIL DAN PEMBAHASAN
4.1. Uji Akar Unit (Unit Root Test)
Untuk melihat apakah data stasioner atau tidak, dilakukan uji akar unit dengan pendekatan Augmented-Dickey Fuller (ADF). Hasil uji ADF terlihat bahwa variabel GDP dan M2 tidak stasioner pada tingkat level (1(0)) dan First difference (1(1)). Hal ini terlihat dari nilai ADF yang lebih besar dari nilai critical value. Data kemudian didiferensi pada tingkat kedua (1(2) atau second difference, dan pada tingkat ini data GDP dan M2 digolongkan sebagai data yang stasioner, dimana nilai ADF lebih kecil daripada nilai critical value pada tingkat kepercayaan 5%. Variabel GOV dan EXR terlihat tidak stasioner pada
tingkat level, namun stasioner pada tingkat First difference.
Tabel 1. Ringkasan Hasil Uji Akar-akar Unit
GOV
M2
EXR
Tidak Stasioner
Tidak Stasioner
Tidak Stasioner
Stasioner
Tidak Stasioner
Stasioner
-Stasioner
-4.2. Uji Model Kointegrasi
Setelah uji stasionary dilakukan, maka akan dilihat bagimana hubungan jangka panjang antar variabel (uji kointegrasi). Dari hasil uji kointegrasi pada tabel (2) terlihat bahwa dalam jangka panjang variabel kebijakan moneter, kebijakan fiskal, dan pertumbuhan ekonomi mempunyai hubungan kointegrasi (keseimbangan jangka panjang). Hubungan kointegrasi dapat dilihat dari nilai Trace statistic dan nilai Max-Eigen statistic yang lebih besar (>) dari nilai critical value pada tingkat kepercayaan 5%.
Tabel 2.
Hasil Uji Kointegrasi Variabel D2GDP= F(DGOV, D2M2, DEXR)
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.975550 158.6212 47.85613 0.0000
At most 1 * 0.822957 65.84287 29.79707 0.0000
At most 2 * 0.516328 22.55882 15.49471 0.0037
At most 3 * 0.161386 4.400125 3.841466 0.0359
Trace test indicates 4 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.975550 92.77828 27.58434 0.0000
At most 1 * 0.822957 43.28405 21.13162 0.0000
At most 2 * 0.516328 18.15870 14.26460 0.0115
At most 3 * 0.161386 4.400125 3.841466 0.0359
**MacKinnon-Haug-Michelis (1999) p-values
Pada tabel (1) diatas terlihat bahwa empat persamaan kointegrasi adalah signifikan, artinya variabel fiskal yaitu variabel GOV, variabel moneter M2, dan variabel EXR memiliki hubungan kointegrasi dengan GDP. Hal yang ini terlihat dari signifikannya nilai Trace statistic dan nilai Max-Eigen statistic yang lebih besar (>) dari nilai critical value pada tingkat kepercayaan 5%. Hasil uji kointegrasi ini memperlihatkan bahwa terdapat hubungan keseimbangan jangka panjang antara kebijakan fiskal, kebijakan moneter dan pertumbuhan ekonomi di Indonesia.
4.3. Vector Error Correction Model (VECM)
Untuk melihat hubungan keseimbangan kebijakan fiskal, kebijakan moneter dan pertumbuhan ekonomi dalam jangka pendek, pengujian dilakukan dengan metode Vector Error Correction Model (VECM). Hasil uji VECM dapat dilihat dari nilai koefisien ECT
(error correction term) yang negatif. Koefisien yang negatif dan signifikan pada ECT
menerangkan bahwa pertumbuhan ekonomi akan merespon fluktuasi dari perubahan-perubahan variabel kebijakan fiskal dan moneter. Uji signifikansi didasarkan pada nilai t-statistik yang signifikan pada tingkat kepercayaan 5%.
Tabel 3. Hasil Uji VECM D2GDP=DGOV, D2M2, DEXR
Error Correction Term
(ECT) Coefficient Std. Error t-Statistic Prob. DGOV * -1.259491 0.323380 -3.894768 0.0009
Pada tabel 3 terlihat bahwa nilai koefisien ECT adalah negatif dan signifikan yang menandakan variabel GDP dapat merespons fluktuasi variabel GOV, M2, dan EXR dalam jangka panjang. Hal ini berarti variabel kebijakan fiskal dan moneter mempengaruhi (menyebabkan) GDP dalam jangka panjang. Pengujian dilanjutkan dengan uji Wald test untuk melihat hubungan jangka pendek.
Tabel.4 Uji Wald Test untuk variabel D2GDP, DGOV
Wald Test:
Equation: D2GDP, DGOV
Test Statistic Value Df Probability
F-statistic* 5.467112 (2, 20) 0.0128
Chi-square* 10.93422 2 0.0042
Tabel 4 memperlihatkan hubungan variabel GOV dengan GDP. Berdasarkan uji Wald Test, terdapat hubungan jangka pendek antara GOV dan GDP, dimana variabel GOV menyebabkan GDP. Hasil ini berdasarkan signifikannya nilai F-statistik dan chi-square pada tingkat kepercayaan 5 %. Jika dilihat secara teoritis temuan ini cukup beralasan, mengingat pengeluaran pemerintah untuk anggaran pengeluaran dalam jangka pendek akan meningkatkan permintaan agregat secara langsung.
Tabel.5 Uji Wald Test untuk variabel D2GDP, D2M2
Wald Test:
Equation:D2GDP, DM2
Test Statistic Value df Probability
F-statistic 1.751046 (2, 20) 0.1992
Chi-square 3.502092 2 0.1736
Tabel.6 Uji Wald Test untuk variabel D2GDP, DEXR
Wald Test:
Equation: D2GDP,DEXR
F-statistic 2.511853 (2, 20) 0.1064
Chi-square 5.023707 2 0.0811
BAB IV
KESIMPULAN DAN SARAN
4.1. Kesimpulan
memperkuat temuan sebelumnya tentang perlunya koordinasi antara kebijakan fiskal dan moneter dalam jangka pendek sehingga dapat bersinergi meningkatkan pertumbuhan ekonomi.
4.2. Saran
DAFTAR PUSTAKA
Abata, Kehinde, and Bolarinwa (2012), Fiscal/Monetary policy and Economic growth in Nigeria; A Theoretical Exploration, International Journal Of Academic Research In Economics and Management Sciences.
Albatel, H Abdullah (2003), Government Activity and Policy and Economic Development in Saudi Arabia, Journal of Economics and Administrative Sciences. Anders Walter (1995), Applied Econometric Time Series, Jhon Wiley & Sons-Inc, United
States Of America.
Creel Jerome (2002), Strategic Interactions Between Monetary And Fiscal Policies: A Case Study For The European Stability Pact, IFO-Studien, ABI/INFORM Global.
Giavazzi Francesco (2003), Inflation Targeting and The Fiscal Policy Regime: The Experience in Brazil, Bank Of England Quarterly bulletin.
Gujarati, N Damodar (2003), Basic Econometric, 4thed, McGraw Hill, New York.
Gulo Angandrowa (2008), Analisis pengaruh aspek moneter dan fiskal terhadap pertumbuhan ekonomi Indonesia, VISI, 16,3,595-611
Koran Kompas (2004), Finn Kydland dan Edward Prescott Raih Hadiah Nobel Ekonomi 2004, Harian (12 Oktober): 12.
Manurung Bonar Rikardo (2002), Twin Defisit di Indonesia, Tesis, Magister Ekonomi Pembangunan USU, Medan.
Nopirin (2000), Ekonomi Moneter, Buku I Dan II, Jilid 1, BPFE Yogyakrata, Yogyakarta. Nanga Muana (2001), Makroekonomi Teori, Masalah Dan Kebijakan, Edisi Perdana, PT
Raja Grafindo Persada, Jakarta.
Rahardja Prathama dan Manurung Mandala (2001), Teori Ekonomi Makro, Lembaga Penerbit Fakultas Ekonomi Universitas Indonesia, Jakarta.
Seftarita Chenny (2005), Kebijakan Fiskal, Kebijakan Moneter dan Pertumbuhan Ekonomi Di Indonesia, Tesis, Magister Ekonomi Pembangunan USU, Medan.
Turnovsky, J. Stephen (2000),The Transitional Dynamics of Fiscal Policy:Long-Run Capital Accumulation, and Growth, University of Washington, Seattle.
Lampiran 1. Data
Obs GDP GOV M2 EXR
2008 4948.7 72773.00 1895.8 9699.000 2009 5606.2 75871.00 2141.4 10390.00 2010 6446.9 80287.00 2471.2 9090.000 2011 7422.8 117118.0 2877.2 8770.000 2012 8241.9 205022.0 3304.6 9387.000
Sumber: Key Indicators For Asia And The Pacipic GDP dan M2 : dalam triliun rupiah
GOV: dalam Miliar Rupiah
EXR: nilai tukar rupiah terhadap dolar Amerika
2. Uji Akar-akar Unit
Null Hypothesis: D(GDP,2) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=5)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -8.401825 0.0000 Test critical values: 1% level -3.689194
5% level -2.971853 10% level -2.625121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(GDP,3) Method: Least Squares Date: 10/20/13 Time: 12:54 Sample (adjusted): 1985 2012
Included observations: 28 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(GDP(-1),2) -1.498080 0.178304 -8.401825 0.0000 C 45.90735 23.63643 1.942228 0.0630
R-squared 0.730823 Mean dependent var -5.492857 Adjusted R-squared 0.720470 S.D. dependent var 228.5017 S.E. of regression 120.8103 Akaike info criterion 12.49507 Sum squared resid 379473.1 Schwarz criterion 12.59023 Log likelihood -172.9310 Hannan-Quinn criter. 12.52416 F-statistic 70.59066 Durbin-Watson stat 2.152897
Null Hypothesis: D(M2,2) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=7)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.265757 0.0000 Test critical values: 1% level -3.689194
10% level -2.625121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(M2,3)
Method: Least Squares Date: 10/20/13 Time: 12:56 Sample (adjusted): 1985 2012
Included observations: 28 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(M2(-1),2) -1.338855 0.184269 -7.265757 0.0000 C 20.01625 10.07430 1.986863 0.0576
R-squared 0.670014 Mean dependent var 0.775000 S.D. dependent var 87.86228 S.E. of regression 51.43342 Akaike info criterion 10.78720 Sum squared resid 68780.32 Schwarz criterion 10.88236 Log likelihood -149.0208 Hannan-Quinn criter. 10.81629 F-statistic 52.79122 Durbin-Watson stat 2.003164
Null Hypothesis: D(GOV) has a unit root Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=2)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -4.475707 0.0014 Test critical values: 1% level -3.679322
5% level -2.967767 10% level -2.622989
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(GOV,2) Method: Least Squares Date: 10/22/13 Time: 14:15 Sample (adjusted): 1984 2012
Included observations: 29 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(GOV(-1)) -1.022146 0.228376 -4.475707 0.0001 C 6812.197 5547.315 1.228017 0.2300
Null Hypothesis: D(EXR) has a unit root Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=2)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -5.765924 0.0001 Test critical values: 1% level -3.689194
5% level -2.971853 10% level -2.625121
*MacKinnon (1996) one-sided p-values.
Augmented Dickey-Fuller Test Equation Dependent Variable: D(EXR,2)
Method: Least Squares Date: 10/22/13 Time: 14:16 Sample (adjusted): 1985 2012
Included observations: 28 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
D(EXR(-1)) -1.759460 0.305148 -5.765924 0.0000 D(EXR(-1),2) 0.339254 0.188458 1.800155 0.0839 C 518.7075 377.4500 1.374242 0.1816
R-squared 0.696305 Mean dependent var 17.85714 Adjusted R-squared 0.672010 S.D. dependent var 3389.568 S.E. of regression 1941.221 Akaike info criterion 18.08098 Sum squared resid 94208464 Schwarz criterion 18.22372 Log likelihood -250.1337 Hannan-Quinn criter. 18.12461 F-statistic 28.65973 Durbin-Watson stat 2.016732
3. Uji Kointegrasi
Date: 10/22/13 Time: 09:57 Sample (adjusted): 1988 2012
Included observations: 25 after adjustments Trend assumption: Linear deterministic trend Series: D2GDP DGOV D2M2 DEXR Lags interval (in first differences): 1 to 3
Unrestricted Cointegration Rank Test (Trace)
Hypothesized Trace 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
Trace test indicates 4 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level **MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegration Rank Test (Maximum Eigenvalue)
Hypothesized Max-Eigen 0.05
No. of CE(s) Eigenvalue Statistic Critical Value Prob.**
None * 0.975550 92.77828 27.58434 0.0000 At most 1 * 0.822957 43.28405 21.13162 0.0000 At most 2 * 0.516328 18.15870 14.26460 0.0115 At most 3 * 0.161386 4.400125 3.841466 0.0359
Max-eigenvalue test indicates 4 cointegrating eqn(s) at the 0.05 level * denotes rejection of the hypothesis at the 0.05 level
**MacKinnon-Haug-Michelis (1999) p-values
Unrestricted Cointegrating Coefficients (normalized by b'*S11*b=I):
D2GDP DGOV D2M2 DEXR
-0.043828 -0.000171 0.159224 0.001137 0.039136 -0.000253 -0.125257 0.000912 0.044344 0.000486 -0.077611 -0.005390 -0.032352 4.66E-05 0.018015 -0.002033
Unrestricted Adjustment Coefficients (alpha):
D(D2GDP) 15.48811 2.536835 -16.26948 15.45366 D(DGOV) 7890.596 6643.338 -712.4693 682.2620 D(D2M2) 0.696559 23.80507 -6.573476 11.69446 D(DEXR) 1056.623 50.48819 -216.5831 405.6900
1 Cointegrating Equation(s): Log likelihood -650.5131
Normalized cointegrating coefficients (standard error in parentheses)
D2GDP DGOV D2M2 DEXR
1.000000 0.003902 -3.632960 -0.025937 (0.00058) (0.09901) (0.00595)
Adjustment coefficients (standard error in parentheses) D(D2GDP) -0.678806
(0.59189) D(DGOV) -345.8254 (101.551) D(D2M2) -0.030528 (0.53182) D(DEXR) -46.30918 (14.1200)
2 Cointegrating Equation(s): Log likelihood -628.8711
Normalized cointegrating coefficients (standard error in parentheses)
0.000000 1.000000 -41.73459 -4.753715 (31.9252) (0.84585)
Adjustment coefficients (standard error in parentheses) D(D2GDP) -0.579524 -0.003290
(0.79226) (0.00411) D(DGOV) -85.83166 -3.028598 (68.4366) (0.35546) D(D2M2) 0.901107 -0.006137 (0.57489) (0.00299) D(DEXR) -44.33327 -0.193444 (18.9090) (0.09821)
3 Cointegrating Equation(s): Log likelihood -619.7917
Normalized cointegrating coefficients (standard error in parentheses)
D2GDP DGOV D2M2 DEXR
1.000000 0.000000 0.000000 -0.106237 (0.02527) 0.000000 1.000000 0.000000 -5.942526 (0.70173) 0.000000 0.000000 1.000000 -0.028485 (0.00706)
Adjustment coefficients (standard error in parentheses)
D(D2GDP) -1.300976 -0.011201 3.411005 (0.92453) (0.00721) (2.72470) D(DGOV) -117.4253 -3.375037 479.5393 (84.2678) (0.65719) (248.346) D(D2M2) 0.609614 -0.009333 -2.360674 (0.70531) (0.00550) (2.07861) D(DEXR) -53.93740 -0.298758 178.7246 (23.1967) (0.18091) (68.3630)
4. Hasil VECM
Vector Error Correction Estimates Date: 10/21/13 Time: 16:05 Sample (adjusted): 1987 2012
Included observations: 26 after adjustments Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
D2GDP(-1) 1.000000
DGOV(-1) 0.004726 (0.00141) [ 3.35291]
C -56.57868
Error Correction: D(D2GDP) D(DGOV)
D(D2GDP(-1)) -0.426497 149.0939 (0.25728) (82.1514) [-1.65774] [ 1.81487]
D(D2GDP(-2)) -0.443944 80.90295 (0.17215) (54.9707) [-2.57877] [ 1.47175]
D(DGOV(-1)) 0.004203 -0.390981 (0.00132) (0.42006) [ 3.19469] [-0.93078]
D(DGOV(-2)) 0.001732 -0.203542 (0.00089) (0.28547) [ 1.93748] [-0.71300]
C -6.597362 2730.472 (20.1429) (6431.89) [-0.32753] [ 0.42452]
R-squared 0.856005 0.493306 Adj. R-squared 0.820007 0.366632 Sum sq. resids 202981.4 2.07E+10 S.E. equation 100.7426 32168.37 F-statistic 23.77880 3.894308 Log likelihood -153.4085 -303.3289 Akaike AIC 12.26219 23.79453 Schwarz SC 12.55252 24.08486 Mean dependent -5.984615 3540.808 S.D. dependent 237.4569 40420.45
Determinant resid covariance (dof adj.) 1.05E+13 Determinant resid covariance 6.21E+12
Log likelihood -456.7339
Akaike information criterion 36.21030 Schwarz criterion 36.88773
5.
Dependent Variable: D(D2GDP) Method: Least Squares Date: 10/21/13 Time: 16:06 Sample (adjusted): 1987 2012
Included observations: 26 after adjustments
D(D2GDP) = C(1)*( D2GDP(1) + 0.00472629905762*DGOV(1) -56.5786785914 ) + C(2)*D(D2GDP(-1)) + C(3)*D(D2GDP(-2)) + C(4) *D(DGOV(-1)) + C(5)*D(DGOV(-2)) + C(6)
Coefficient Std. Error t-Statistic Prob.
S.E. of regression 100.7426 Akaike info criterion 12.26219 Sum squared resid 202981.4 Schwarz criterion 12.55252 Log likelihood -153.4085 Hannan-Quinn criter. 12.34579 F-statistic 23.77880 Durbin-Watson stat 2.212344
6.
Wald Test: Equation: Untitled
Test Statistic Value Df Probability
F-statistic 5.467112 (2, 20) 0.0128 Chi-square 10.93422 2 0.0042
Null Hypothesis: C(4)=C(5)=0 Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(4) 0.004203 0.001316
C(5) 0.001732 0.000894
Restrictions are linear in coefficients.
Vector Error Correction Estimates Date: 10/22/13 Time: 10:04 Sample (adjusted): 1987 2012
Included observations: 26 after adjustments Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
D2GDP(-1) 1.000000
D2M2(-1) -1.893984 (0.53073) [-3.56865]
C -8.068889
Error Correction: D(D2GDP) D(D2M2)
CointEq1 -1.680604 0.007384 (0.70923) (0.37444) [-2.36960] [ 0.01972]
D(D2GDP(-1)) -0.233000 -0.099447 (0.52690) (0.27818) [-0.44221] [-0.35750]
D(D2GDP(-2)) -0.442194 -0.127289 (0.25316) (0.13365) [-1.74673] [-0.95239]
D(D2M2(-2)) -0.536835 -0.375131 (0.62494) (0.32994) [-0.85902] [-1.13698]
C 5.293686 6.198377 (22.6132) (11.9386) [ 0.23410] [ 0.51919]
R-squared 0.813044 0.647557 Adj. R-squared 0.766305 0.559446 Sum sq. resids 263541.1 73456.43 S.E. equation 114.7914 60.60381 F-statistic 17.39545 7.349340 Log likelihood -156.8027 -140.1950 Akaike AIC 12.52328 11.24577 Schwarz SC 12.81361 11.53610 Mean dependent -5.984615 0.850000 S.D. dependent 237.4569 91.30619
Determinant resid covariance (dof adj.) 33689016 Determinant resid covariance 19934329
Log likelihood -292.2882
Akaike information criterion 23.56063 Schwarz criterion 24.23807
7.
Dependent Variable: D(D2GDP) Method: Least Squares Date: 10/22/13 Time: 10:05 Sample (adjusted): 1987 2012
Included observations: 26 after adjustments
D(D2GDP) = C(1)*( D2GDP(-1) - 1.89398427544*D2M2(-1) - 8.068888554 ) + C(2)*D(D2GDP(-1)) + C(3)*D(D2GDP(-2)) + C(4)*D(D2M2(-1)) + C(5) *D(D2M2(-2)) + C(6)
Coefficient Std. Error t-Statistic Prob.
C(1) -1.680604 0.709234 -2.369603 0.0280 C(2) -0.233000 0.526902 -0.442207 0.6631 C(3) -0.442194 0.253155 -1.746733 0.0960 C(4) -1.787665 1.129691 -1.582436 0.1292 C(5) -0.536835 0.624940 -0.859019 0.4005 C(6) 5.293686 22.61320 0.234097 0.8173
R-squared 0.813044 Mean dependent var -5.984615 Adjusted R-squared 0.766305 S.D. dependent var 237.4569 S.E. of regression 114.7914 Akaike info criterion 12.52328 Sum squared resid 263541.1 Schwarz criterion 12.81361 Log likelihood -156.8027 Hannan-Quinn criter. 12.60689 F-statistic 17.39545 Durbin-Watson stat 1.957144
8.
Wald Test: Equation: Untitled
Null Hypothesis: C(4)=C(5)=0 Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(4) -1.787665 1.129691
C(5) -0.536835 0.624940
Restrictions are linear in coefficients. 9.
Vector Error Correction Estimates Date: 10/22/13 Time: 10:08 Sample (adjusted): 1987 2012
Included observations: 26 after adjustments Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1
D2GDP(-1) 1.000000
DEXR(-1) 0.131056 (0.03937) [ 3.32871]
C -75.87152
Error Correction: D(D2GDP) D(DEXR)
CointEq1 -0.533381 -12.41663 (0.16235) (4.12889) [-3.28534] [-3.00726]
D(D2GDP(-1)) -0.222117 5.958367 (0.27051) (6.87948) [-0.82111] [ 0.86611]
D(D2GDP(-2)) -0.365840 1.887855 (0.14044) (3.57153) [-2.60503] [ 0.52858]
D(DEXR(-1)) 0.016656 0.383272 (0.01798) (0.45737) [ 0.92617] [ 0.83799]
D(DEXR(-2)) 0.033153 -0.050244 (0.01514) (0.38509) [ 2.18944] [-0.13047]
C -0.098920 -25.34787 (17.1183) (435.347) [-0.00578] [-0.05822]
Mean dependent -5.984615 17.11538 S.D. dependent 237.4569 3522.501
Determinant resid covariance (dof adj.) 2.78E+10 Determinant resid covariance 1.65E+10
Log likelihood -379.6142
Akaike information criterion 30.27802 Schwarz criterion 30.95545
Dependent Variable: D(D2GDP) Method: Least Squares Date: 10/22/13 Time: 10:09 Sample (adjusted): 1987 2012
Included observations: 26 after adjustments
D(D2GDP) = C(1)*( D2GDP(1) + 0.131056218017*DEXR(1)
-75.8715220691 ) + C(2)*D(D2GDP(-1)) + C(3)*D(D2GDP(-2)) + C(4) *D(DEXR(-1)) + C(5)*D(DEXR(-2)) + C(6)
Coefficient Std. Error t-Statistic Prob.
C(1) -0.533381 0.162352 -3.285339 0.0037 C(2) -0.222117 0.270508 -0.821111 0.4213 C(3) -0.365840 0.140436 -2.605027 0.0169 C(4) 0.016656 0.017984 0.926167 0.3654 C(5) 0.033153 0.015142 2.189444 0.0406 C(6) -0.098920 17.11829 -0.005779 0.9954
R-squared 0.893397 Mean dependent var -5.984615 Adjusted R-squared 0.866746 S.D. dependent var 237.4569 S.E. of regression 86.68127 Akaike info criterion 11.96153 Sum squared resid 150272.8 Schwarz criterion 12.25186 Log likelihood -149.4998 Hannan-Quinn criter. 12.04513 F-statistic 33.52228 Durbin-Watson stat 1.866421
10.
Wald Test: Equation: Untitled
Test Statistic Value df Probability
F-statistic 2.511853 (2, 20) 0.1064 Chi-square 5.023707 2 0.0811
Null Hypothesis: C(4)=C(5)=0 Null Hypothesis Summary:
Normalized Restriction (= 0) Value Std. Err.
C(4) 0.016656 0.017984
C(5) 0.033153 0.015142