NIM : 2000010115 1
Dampak Indikator Ekonomi Makro terhadap Posisi Cadangan Devisa Indonesia
Rastiati
1 Fakultas Ekonomi dan Bisnis Universitas Ahmad Dahlan
ARTICLE INFO ABSTRACT
Article history:
Received Janaury 17, 2022 Revised Januari 17, 2022 Published Januari 17, 2022
Di setiap negara, cadangan devisa memainkan peran penting dalam perekonomian. Pasar keuangan dunia menganggap pertumbuhan dan ukuran cadangan suatu negara sebagai barometer kredibilitas kebijakan moneter dan kelayakan kreditnya. Faktor-faktor yang mempengaruhi cadangan devisa yaitu inflasi, kurs, utang luar negeri dan ekspor. Penelitian ini dilakukan dengan tujuan untuk mengetahui pengaruh inflasi, kurs, utang luar negeri dan ekspor terhadap cadangan devisa di Indonesia. Penelitian terdahulu yang membahas pengaruh inflasi, kurs, utang luar negeri dan ekspor terhadap cadangan devisa di Indonesia telah banyak dilakukan, akan tetapi penelitian ini akan ikut berkontribusi dengan data yang terbaru. Data yang digunakan dalam pendlitian ini bersumber dari World Bank dengan periode yang digunakan tahun 1971 hingga tahun 2020. Untuk menganalisis data menggunakan model lag terdistribusi autoregresif (ARDL). Semua variabel independen, selain ekspor, ditemukan mempengaruhi cadangan devisa dalam estimasi model ARDL jangka panjang. Menurut temuan, pada tingkat inflasi
=10%, pengaruh inflasi terhadap cadangan devisa menjadi signifikan secara statistik (koefisien = 1,134). Temuan koefisien tersebut dapat dipahami apabila inflasi meningkat sebesar 1% maka cadangan devisa akan meningkat sebesar 1,36%. Pada =10%, variabel nilai tukar rupiah berpengaruh positif cukup besar terhadap dolar AS dengan koefisien sebesar 0,0065. Hutang variabel (utang luar negeri) memiliki efek menguntungkan yang signifikan secara statistik pada tingkat signifikansi 10%..
Keywords:
Cadangan Devisa;
Inflasi;
Inflasi;
Utang Luar Negeri;
Ekspor;
Autoregressive Distributed Lag
This work is licensed under a Creative Commons Attribution-Share Alike 4.0
Corresponding Author:
Email: [email protected]
1. INTRODUCTION
Di setiap negara, cadangan devisa memainkan peran penting dalam perekonomian. Pasar keuangan dunia menganggap pertumbuhan dan ukuran cadangan suatu negara sebagai barometer kredibilitas kebijakan moneter dan kelayakan kreditnya. Menurut definisi cadangan devisa dan likuiditas mata uang asing, cadangan devisa mencakup semua aset luar negeri yang berada di bawah kendali otoritas moneter dan tersedia untuk digunakan setiap saat. Dijelaskan bahwa cadangan tersebut berfungsi sebagai alat untuk mengintervensi pasar valuta asing dan membiayai ketidakseimbangan neraca pembayaran antara lain kegunaannya dalam rangka stabilitas moneter [1], [2]. Di sisi lain, dalam neraca pembayaran, cadangan devisa dapat digunakan dalam membiayai impor serta dalam memberi pembayaran atas kewajiban luar negeri. Di sisi lain, ini membantu menjaga nilai mata uang tetap konstan, yang berkontribusi pada stabilitas moneter. Krisis keuangan global juga menyoroti pentingnya cadangan devisa sebagai sarana untuk mengurangi dampak guncangan eksternal dan menutup kesenjangan dalam neraca pembayaran nasional [2].
Inflasi merupakan salah satu faktor yang dapat mempengaruhi cadangan devisa suatu negara. Bahan baku yang digunakan dalam produksi dapat mengalami kenaikan harga karena inflasi terus meningkat. Akibat kenaikan biaya input, produsen harus mengurangi produksi, yang berdampak langsung pada pendapatan.
Akibat kenaikan inflasi, eksportir tidak akan dapat memaksimalkan produksinya, yang akan menyebabkan penurunan pengapalan komoditas ke negara lain. [1], [3]–[5]Tingkat inflasi domestik memiliki dampak yang
signifikan terhadap Indonesia karena status negara sebagai eksportir. Pada saat inflasi tinggi, nilai ekspor suatu negara akan turun sehingga mengakibatkan menipisnya cadangan devisanya[4]–[6].
Ekspor merupakan faktor lain yang dapat mempengaruhi cadangan devisa suatu negara [7], [8]. Ketika suatu negara memproduksi suatu produk di dalam negeri secara melimpah dan permintaan dalam negeri terpenuhi, maka akan terjadi kelebihan pasokan. Surplus pasokan ini pada akhirnya akan mendorong ekspor.
Ekspor merupakan salah satu kegiatan perdagangan internasional yang memberikan kontribusi signifikan terhadap perekonomian. Indonesia memiliki sumber daya yang melimpah yang dapat dijadikan komoditas untuk diperdagangkan. Keunggulan komparatif Indonesia sangat dipengaruhi oleh sumber daya alam, sumber daya manusia, dan lokasi yang strategis. Jika dikelola dengan baik, sumber daya Indonesia dapat meningkatkan kesejahteraan rakyatnya. Diperkirakan sumber daya yang dikelola dengan teknologi maju akan menjadi ekspor utama Indonesia. Oleh karena itu, ekspor merupakan salah satu kegiatan perdagangan yang sangat penting dengan sumber daya Indonesia yang melimpah mulai dari faktor produksi hingga tenaga kerja[9], [10].
Produktivitas akan meningkat jika terjadi surplus faktor produksi. Dengan peningkatan produktivitas maka akan melimpah barang ekspor sehingga meningkatkan kapasitas ekspor Indonesia. Hal ini akan berdampak pada peningkatan volume dan nilai ekspor Indonesia.
Selain itu, terdapat faktor lain yang dapat mempengaruhi cadangan devisa yaitu nilai tukar. Apabila nilai mata uang terdepresiasi, akan mengakibatkan melemahanya nilai mata uang dalam negeri terhadap nilai mata uang asing, sehingga hal ini berdampak pada harga komoditas ekspor menjadi menurun [11]. Akan tetapi, pada saat nilai mata uang dalam negeri mengalami apresia, akan menyebabkan nilai mata uang dalam negeri meningkat terhadap nilai mata uang asing, yang berakibat harga komoditi ekspor meningkat atau lebih mahal[12]. Keberadaan nilai tukar ini sangat menentukan bagaimana nilai ekspor suatu komoditas dilakukan oleh suatu negara pengekspor. Hal ini akan berdampak pada peningkatan volume ekspor komoditas tersebut disertai dengan peningkatan cadangan devisa negara [9][13].
Faktor terakhir yang mempengaruhi jumlah cadangan devisa yaitu hutang luar negeri. Jika Indonesia meminjam uang dari luar negeri, pemberi pinjaman kemungkinan akan memberikannya kepada mereka dalam mata uang asing, jadi semakin banyak pinjaman yang diambil negara, semakin banyak mata uang yang harus disimpan dalam bentuk cadangan devisa. Utang kepada orang asing untuk sementara dapat meningkatkan cadangan devisa suatu negara, tetapi dengan cepat menjadi kewajiban jika tidak dilunasi. Stabilitas ekonomi makro Indonesia dapat terancam tanpa pengelolaan utang luar negeri yang hati-hati, yang akan meningkatkan kemungkinan bahwa pemerintah terpaksa menaikkan pajak atau memotong pengeluaran di masa depan [14]–
[16].
Perubahan cadangan devisa ditunjukkan dari tahun 2000 hingga 2020, menurut data World Bank.
Cadangan devisa Indonesia turun menjadi $51,6 miliar dolar AS pada tahun 2008, dari $56,9 miliar pada tahun 2007 (sebelum krisis melanda), sebelum menunjukkan sedikit peningkatan pada tahun 2009. Pada tahun 2013, penurunan nilai alat sebesar 99,387 miliar dolar AS, dan itu terus meningkat di tahun-tahun sesudahnya.
Dimulai di Amerika Serikat pada tahun 2008, krisis ekonomi global dengan cepat menyebar ke negara lain.
Nilai Rupiah anjlok hingga Rp. 10.950 sebagai akibat langsung dari krisis (dari Rp 9.419 pada tahun 2007).
Dan mulai naik pada tahun 2009, mencapai Rp. 9.400 pada tahun yang sama. Dua faktor yang menyebabkan turunnya cadangan devisa pada tahun 2013:
(1) melemahnya ekonomi zona euro, yang akan menurunkan permintaan dan harga komoditas,
(2) keputusan pemerintah untuk mengakhiri subsidi BBM, yang akan menghentikan pembangunan infrastruktur dan mendongkrak logistik biaya.
Dampak berkelanjutan dari krisis zona euro terhadap permintaan ekspor dan harga komoditas diperkirakan akan menyebabkan penurunan volume ekspor. Pembayaran ini dilakukan dalam mata uang selain mata uang negara tersebut dan berjumlah 10,2 atau 9,8 bulan impor pada tahun 2020. Kinerja peralatan impor tiga bulan juga melebihi norma global [17], [18].
Gambar I. Grafik Cadangan Devisa Indonesia 2000-2020 Sumber: World Bank (diolah)
Sehingga penelitian ini dilakukan dengan tujuan untuk mengetahui pengaruh inflasi, kurs, utang luar negeri dan ekspor terhadap cadangan devisa di Indonesia. Penelitian terdahulu yang membahas pengaruh inflasi, kurs, utang luar negeri dan ekspor terhadap cadangan devisa di Indonesia telah banyak dilakukan, akan tetapi penelitian ini akan ikut berkontribusi dengan data yang terbaru. Dimana dengan data terbaru ini bisa menggambarkan selama keaadaan cadangan devisa pada saat pandemi Covid-19. Selain itu penelitian ini akan juga ikut berkontibusi dalam menggunakan model ARDL.
2. METHODS
Penelitian ini menggunakan metodologi pendekatan kuantitatif. Fokus penelitian ini adalah cadangan devisa yang diduga dipengaruhi oleh nilai tukar dolar, inflasi, nilai ekspor dan utang lura negeri. Data yang digunakan dalam penlitian ini bersumber dari World Bank dengan periode yang digunakan tahun 1971 hingga tahun 2020. Untuk menganalisis data, model lag terdistribusi autoregresif digunakan (ARDL).
2.1. Model Persamaan
Untuk menjelaskan pengaruh nilai tukar dolar, inflasi, nilai ekspor dan utang lura negeri terhadap cadangan devisa di Indonesia maka membangun model jangka panjang sebagai berikut,
𝐶𝑎𝑑𝑎𝑛𝑔𝑎𝑛𝑡= 𝛽1+ 𝛽2𝐼𝑁𝐹𝑡+ 𝛽3 𝐾𝑈𝑅𝑆𝑡+ 𝛽4 𝐷𝐸𝐵𝑇𝑡+ 𝛽5 𝐸𝐾𝑆𝑃𝑂𝑅𝑡+ 𝜀𝑡.... (1) Keterangan :
Cadangan : Cadangan Devisa INF : Tingkat Inflasi
KURS : Kurs rupiah terhadap dollar DEBT : Hutang luar negeri Indonesia Ekspor : Nilai Ekspor Indonesia
2.2. Uji Akar Unit
Metode ARDL dapat digunakan untuk menguji kointegrasi deret dan menghitung koefisien variabel yang diuji. Sebelum mengestimasi koefisien, penelitian ini menguji stasioneritas variabel terpilih menggunakan berbagai uji akar unit. Karena uji akar unit konvensional tidak memperhitungkan waktu patahan struktur, penelitian ini menggunakan satu uji akar satuan patahan struktural yang dikembangkan oleh Zivot dan Andrews pada tahun 1992 [19]–[21].
2.3. Uji Lag Optimum
Setelah uji stasioner, uji lag terbaik dapat dilakukan. Panjang jeda yang sesuai diuji untuk menyempurnakan analisis. Menurut sebuah penelitian Gujarati, . Pengaruh kesenjangan waktu pada observasi direpresentasikan dengan lag pada model ARDL. Penggunaan uji lag optimal sangat penting dalam metode analisis ARDL. Uji lag optimal juga dapat membantu menghilangkan masalah autokorelasi dalam penelitian.
Kriteria uji lag terbaik dapat ditentukan dengan menggunakan Final Prediction Error (FPE), Akaike Information Criterion (AIC), Schwarz Bayesian Criterion (SBC), atau model Hanan-Quinn (HQ). Kandidat lag yang ideal untuk setiap kriteria dapat ditentukan melalui pengujian dengan kriteria tersebut [22]–[24]. Latensi yang ideal ditunjukkan oleh tanda bintang yang paling sering muncul di banyak kriteria dalam perangkat lunak Eviews 10.0.
2.4. Uji Kointegrasi
Tidak seperti teknik kointegrasi lainnya yang memerlukan pra-pengujian tertentu untuk akar unit, apakah variabel terintegrasi pada urutan / level yang sama atau tidak. Semua teknik lain membutuhkan tingkat Stasioneritas variabel yang sama untuk proses selanjutnya. Tetapi model ARDL memberikan tes pengganti untuk memeriksa hubungan jangka panjang terlepas dari apakah variabel yang mendasarinya adalah I(0),I(1), atau terintegrasi secara fraksional. Pendekatan ini memiliki keunggulan ekonometrik berikut dibandingkan dengan prosedur kointegrasi lainnya.
1) Parameter jangka panjang dan jangka pendek dari model yang bersangkutan diestimasi secara bersamaan;
2) Pendekatan ARDL untuk menguji keberadaan hubungan jangka panjang antara variabel dalam level dapat diterapkan terlepas dari apakah regresi yang mendasarinya murni I(0), murni I(1), atau terintegrasi secara fraksional;
3) Sifat sampel kecil dari pendekatan pengujian batas jauh lebih unggul daripada kointegrasi multivariat. Pendekatan uji batas dari Pesaran et al. (2001) digunakan untuk menguji adanya hubungan kointegrasi antar variabel.
4) Metode ARDL yang dimodifikasi bebas dari masalah yang dihadapi oleh teknik tradisional dalam literatur.
3. HASIL DAN PEMBAHASAN 3.1. Statistik Deskriptif
Tabel 1. Statistik Deskriptif
Variabel Obs Mean
Standard Error
Standard
Deviation Minimum Maximum Cadangan
Devisa
(%) 50 22,64025204 1,644940487 11,63148573 3,099337175 50,14656784 Inflasi
(%) 50 10,64800215 1,389441195 9,824832909 1,920968006 58,45104447 Kurs
(US$) 50 5539,163346 703,4865077 4974,4008 391,875 14582,20347 Debt
(US$) 50 1,29133E+11 16118157544 1,13973E+11 4682274735 4,17532E+11 Ekspor
(US$) 50 79167753100 10706089925 75703487859 1345889843 2,35095E+11
Statistik deskriptif untuk variabel dependen yaitu Cadangan Devisa menunjukkan kisaran maksimal 40,146% hingga minimal 3,099% (lihat Tabel 1). Selain itu, ditetapkan bahwa selama 50 periode penelitian, nilai rata-rata Cadangan Devisa di Indonesia sebesar 22,64%, dengan standar deviasi 1,645%. Inflasi, variabel independen pertama, berkisar dari tertinggi 58,451% hingga terendah 1,921% berdasarkan data deskriptif.
Variabel inflasi memiliki rata-rata 10,648% selama 50 periode waktu dalam sampel dan standar deviasi 9,852%. Pengolahan statistik deskriptif menghasilkan kisaran 14.582,203 hingga 391,875 untuk variabel independen berikutnya, dimana nilai tukar adalah nilai rupiah relatif terhadap dolar AS. Selanjutnya, dengan ukuran sampel 50 periode, nilai rata-rata variabel nilai tukar ini adalah 5.539,163, dengan standar deviasi
$4974. Analisis statistik deskriptif menunjukkan kisaran 417 miliar hingga 4,68 miliar dolar AS untuk variabel
independen ketiga, Hutang. Selain itu, standar deviasi variabel utang atau utang luar negeri ini adalah 113 miliar dolar AS, dengan nilai rata-rata 129 miliar dolar AS dengan ukuran sampel 50 periode. Ekspor adalah variabel terakhir, dengan kisaran dari 235 miliar dolar AS hingga 1 miliar dolar AS yang diperoleh dengan mengolah statistik deskriptif. Standar deviasi variabel ekspor dihitung menjadi 75 miliar dolar AS sedangkan nilai rata-ratanya adalah 129 miliar dolar AS selama 50 periode pengambilan sampel.
3.2. Hasil Analisis ARDL
Untuk mengestimasi estimasi ekonometrika penentu cadangan devisa (utang luar negeri, nilai tukar, inflasi, dan ekspor), sejumlah uji prasyarat dilakukan. Dua uji prasyarat tersebut adalah uji stasioneritas dan ( uji kointegrasi. Hasil uji stasioner menunjukkan bahwa, kecuali variabel inflasi, tidak ada satu pun variabel yang terindikasi stasioner pada level tersebut. Akibatnya, diperlukan untuk menguji pada tingkat difference pertama. Hasil dari tingkat difference pertama menunjukkan bahwa semua variabel stasioner.
Seluruh variabel yang telah stasioner pada tingkat difference pertama. dapat dilanjutkan ke tahap uji kointegrasi. Hasil dari uji kointegrasi dapat digunakan untuk menentukan ada atau tidaknya persamaan dalam ekuilibrium jangka panjang. Dapat dilakukan dengan melihat nilai CointEq(-1). Berdasarkan hasil pengujian menunjukkan nilai CointEq(-1) menunjukkan nilai koefisien nilai minus yaitu -0,346 dengan signifikan 0,019 sehingga menujukkan terdapat persamaan kointegrasi.
Tabel 2. Hasil Estimasi Model Jangka Panjang
Variable Coefficient Std. Error t-Statistic Prob.
D(DEVISA(-1)) 0.349307 0.152116 2.296329 0.0296 D(DEVISA (-2)) -0.215069 0.120626 -1.782947 0.0858 D(INFLASI) 0.807321 0.155783 5.182341 0.0000 D(INFLASI (-1)) 0.056066 0.124794 0.449268 0.6568 D(INFLASI (-2)) -0.128715 0.083954 -1.533166 0.1369 D(KURS) -0.004890 0.001107 -4.415121 0.0001 D(KURS(-1)) -0.002853 0.001256 -2.270903 0.0313 D(KURS (-2)) 0.001082 0.000799 1.353747 0.1870 D(KURS (-3)) 0.000766 0.000589 1.300186 0.2045 D(DEBT) 0.000000 0.000000 1.692387 0.1021 D(DEBT (-1)) -0.000000 0.000000 -1.694628 0.1017 D(DEBT (-2)) 0.000000 0.000000 3.354707 0.0024 D(EKSPOR) -0.000000 0.000000 -1.997902 0.0559 CointEq(-1) -0.346074 0.138891 -2.491685 0.0192
Dalam penelitian penentuan panjang lag optimal menggunakan pendekatan Akaike Info Criterion (AIC), hasilnya diperoleh sebagai berikut:
Gambar 2. Hasil Uji Lag Optimum
Berdasarkan gambar 1.4 terdapat 20 top model. Apabila dilihat secara seksama model yang tepat untuk metode ARDL dalam penelitian ini adalalah ARDL (3,4,3,1) karena memiliki nilai AIC yang paling kecil dibandingkan model ARDL lainnya. Sehingga hasil ARDL pada lag (3,4,3,1) menunjukkan hasil sebagai berikut,
Tabel 4. Model ARDL (3,4,31)
Variable Coefficient Std. Error t-Statistic Prob.*
DEVISA(-1) 1.003234 0.176246 5.692235 0.0000 DEVISA(-2) -0.564377 0.199767 -2.825169 0.0088 DEVISA(-3) 0.215069 0.120626 1.782947 0.0858 INFLASI 0.807321 0.155783 5.182341 0.0000 INFLASI (-1) -0.486569 0.136980 -3.552111 0.0014 INFLASI (-2) -0.056066 0.124794 -0.449268 0.6568 INFLASI (-3) 0.128715 0.083954 1.533166 0.1369 KURS -0.004890 0.001107 -4.415121 0.0001 KURS (-1) 0.006132 0.001365 4.492743 0.0001 KURS (-2) 0.002853 0.001256 2.270903 0.0313 KURS (-3) -0.001082 0.000799 -1.353747 0.1870 KURS (-4) -0.000766 0.000589 -1.300186 0.2045
DEBT 1.47E-10 8.71E-11 1.692387 0.1021
DEBT (-1) -9.48E-11 1.10E-10 -0.864289 0.3950 DEBT (-2) 1.87E-10 1.10E-10 1.694628 0.1017 DEBT (-3) -3.62E-10 1.08E-10 -3.354707 0.0024 ESKPOR -1.18E-10 5.89E-11 -1.997902 0.0559 ESKPOR (-1) 1.49E-10 6.02E-11 2.478187 0.0198
C 1.270404 2.902017 0.437766 0.6650
Utang luar negeri, nilai tukar mata uang, inflasi, dan ekspor berdampak pada keseimbangan cadangan devisa dalam model jangka panjang. Berdasarkan hasil estimasi, menunjukkan hasil model jangka panjang pengaruh utang luar negeri, nilai tukar, inflasi, dan ekspor terhadap cadangan devisa di Indonesia, sebagai berikut:
Tabel 3. Koefisien Model Jangka Panjang
5.24 5.25 5.26 5.27 5.28 5.29 5.30
ARDL(3, 3, 4, 3, 1) ARDL(3, 1, 4, 3, 1) ARDL(4, 1, 4, 3, 1) ARDL(3, 3, 3, 3, 1) ARDL(3, 4, 3, 3, 1) ARDL(4, 3, 4, 3, 1) ARDL(4, 1, 4, 4, 1) ARDL(3, 1, 4, 4, 1) ARDL(3, 3, 4, 4, 1) ARDL(3, 2, 4, 3, 1) ARDL(3, 3, 4, 3, 2) ARDL(3, 4, 4, 3, 1) ARDL(4, 2, 4, 4, 1) ARDL(3, 1, 4, 3, 2) ARDL(2, 3, 4, 3, 2) ARDL(4, 3, 4, 4, 1) ARDL(4, 2, 4, 3, 1) ARDL(3, 4, 3, 4, 1) ARDL(4, 3, 3, 3, 1) ARDL(3, 2, 4, 4, 1) Akaike Information Criteria (top 20 models)
Variable Coefficient Std. Error t-Statistic Prob.
INFLASI 1.136754 0.651658 1.744401 0.0925 KURS 0.006493 0.003238 2.005271 0.0551 DEBT 1.47E-10 8.71E-11 -2.539682 0.0172 EKSPOR -1.18E-10 5.89E-11 0.826340 0.4159
C 3.670904 7.309239 0.502228 0.6196
Hasil estimasi model ARDL jangka panjang menunjukkan bahwa semua variabel independen berpengaruh terhadap cadangan devisa kecuali Ekspor. Berdasarkan hasil inflasi berpengaruh positif signifikan pada α=10% terhadap cadangan devisa yaitu memiliki koefisien sebesar 1,134. Hasil koefisien tersebut dapat diinterpretasikan ketika inflasi mengalami peningkatan 1% maka cadangan devisa akan mengalami peningkatan 1,36%. Hal ini diakibatkan dengan terjadinya kenaikan harga barang dan jasa, atau inflasi, cenderung memperlambat kegiatan ekonomi di suatu negara, cadangan devisa negara tersebut relatif tidak terpengaruh oleh inflasi [25]–[29]. Ketidakseimbangan perdagangan) akan menyebabkan penurunan cadangan devisa Indonesia. Ketika ada inflasi, biaya hidup naik secara keseluruhan. Nilai mata uang, bersama dengan bank dan cadangan devisa, semuanya dipengaruhi oleh faktor ini [3]–[5], [10], [11], [30]–[32].
Selanjutnya variabel kurs rupiah terhadap dollar Amerika Serikat berpengaruh positif signifikan pada α=10%, dengan koefisien sebesar 0,0065. Sehingga dapat diinterpretasikan bahwa peningkatan satu rupiah nilai tukar rupiah terhadap dollar maka akan mengkatkan cadangan devisa sebesar 0,0065%. Teori nilai tukar menunjukkan bahwa ini terjadi ketika investor asing menjual mata uang mereka [2]–[4] . Nilai tukar IDR versus USD jatuh akibat defisit neraca perdagangan yang pada akhirnya melemahkan rupiah. Demikian pula penelitian terdahulu menemukan bahwa nilai tukar berpengaruh negatif dan signifikan terhadap cadangan devisa. Namun, temuan penelitian ini bertolak belakang dengan penelitian sebelumnya [11], [17], [18].
Variabel utang luar negeri (debt) menunjukkan berpengaruh positif signifikan pada α=10%. Koefisien utang luar negeri menunjukkan nilai 1,47 sehingga peningkatan satu US dollar akan meningkatkan 1,47 milliar pada cadangan devisa di Indonesia. Temuan penelitian ini konsisten dengan konsep aliran modal. Bahwa meminjam dana dari luar negeri akan menyebabkan pertukaran mata uang akan dijelaskan oleh gagasan ini.
Jika negara lain meminjamkan uang ke Indonesia dalam bentuk mata uang asing, maka akan meningkatkan cadangan devisa Indonesia di neraca pembayaran. Temuan penelitian ini konsisten dengan temuan lainnyayang menemukan bahwa di Indonesia, utang luar negeri memiliki pengaruh yang menguntungkan bagi cadangan devisa negara [8], [14], [16], [30], [33]–[39].
Variabel ekspor menunjukkan berpengaruh negatif tetapi hasil menunjukkan tidak berpengaruh signifikan. Koefisien ekspor menunjukkan nilai -1,18 milliar sehingga peningkatan satu US dollar akan menurunkan 1,18 milliar pada cadangan devisa di Indonesia. Hal ini menunjukkan adanya ketidaksesuaian dengan teori dimana negara akan menerima nilai tukar yang dikenal dengan devisa yang merupakan salah satu sumber pendapatan negara, dan akan mengikuti teori keunggulan komparatif mengenai keterkaitan antara ekspor dan cadangan devisa dalam melakukan perdagangan internasional [2]–[4] .Akibatnya, cadangan devisa negara akan bertambah seiring dengan peningkatan ekspor. Penelitian sebelumnya menunjukkan bahwa ekspor memiliki pengaruh yang menguntungkan dan signifikan terhadap cadangan devisa di Indonesia [24], [27], [28]
.
4. KESIMPULAN
Semua variabel independen, selain ekspor, ditemukan mempengaruhi cadangan devisa dalam estimasi model ARDL jangka panjang. Menurut temuan, pada tingkat inflasi =10%, pengaruh inflasi terhadap cadangan devisa menjadi signifikan secara statistik (koefisien = 1,134). Temuan koefisien tersebut dapat dipahami apabila inflasi meningkat sebesar 1% maka cadangan devisa akan meningkat sebesar 1,36%. Pada =10%, variabel nilai tukar rupiah berpengaruh positif cukup besar terhadap dolar AS dengan koefisien sebesar 0,0065.
Hutang variabel (utang luar negeri) memiliki efek menguntungkan yang signifikan secara statistik pada tingkat signifikansi 10%. Karena Indonesia memiliki koefisien utang luar negeri sebesar 1,47, setiap dolar tambahan
yang diinvestasikan di luar negeri menghasilkan peningkatan cadangan devisa negara sebesar 1,47 miliar dolar.
Faktor terakhir adalah ekspor yang berdampak negatif akan tetapi tidak berpengaruh signifikan.
DAFTAR PUSTAKA
[1] M. S. Goeltom, ‘The Transmission Mechanisms of Monetary Policy in Indonesia’, BIS Pap. Chapters, vol. 35, no. 35, pp. 309–332, 2008.
[2] A. Inoue and B. Rossi, ‘The effects of conventional and unconventional monetary policy on exchange rates’, J.
Int. Econ., vol. 118, pp. 419–447, 2019, doi: 10.1016/j.jinteco.2019.01.015.
[3] B. G. H. Drama, ‘An Examination of Foreign Exchange Reserve and Inflation Relationship of Four West African Countries: Evidence from ADRL Model’, J. Financ. Econ., vol. 4, no. 4, pp. 36–50, 2016, doi:
10.12735/jfe.v4n4p36.
[4] M. Personal and R. Archive, ‘Munich Personal RePEc Archive Investigating the Relationship between Currency Substitution , Exchange Rate and Inflation in Nigeria : An Autoregressive Distributed Lag ( ARDL )’, no.
52551, 2013.
[5] M. K. Al-Jafari and H. H. A. Altaee, ‘Determinants of inflation sources in Iraq: An application of autoregressive distributed lag (ARDL) model’, J. Soc. Sci. Res., vol. 5, no. 2, pp. 381–388, 2019, doi:
10.32861/jssr.52.381.388.
[6] M. Lin and J. Wang, ‘Foreign exchange reserves and inflation : an empirical study of five East Asian economies’, Empir. Econ. Lett., vol. 8, no. 5, pp. 487–493, 2009.
[7] O. G. Akamobi and O. T. Ugwunna, ‘Determinants of Foreign Reserve in Nigeria’, J. Econ. Sustain. Dev. , vol.
8, no. 20, pp. 56–67, 2017, [Online]. Available: www.iiste.org.
[8] A. K. Dash, C. S. Shylajan, and S. Dutta, ‘An Empirical Analysis of Macroeconomic Variables Affecting Foreign Exchange Reserves Accumulation in India’, J. Appl. Bus. Econ., vol. 19, no. 5, pp. 69–81, 2017.
[9] W. Murti and S. Saleh, ‘The Effect of Export Import , Inflation , Interest Rates , and Exchange Rates against Indonesia ’ s Economic Growth’, vol. 4, no. August, pp. 449–460, 2021.
[10] F. Sumantri and U. Latifah, ‘the Influence of Interest Rate, Money Circulation, Inflation, and Cpi Against Export and Import in Indonesia 2012-2018’, J. Ekon. Pembang., vol. 17, no. 2, p. 108, 2020, doi:
10.22219/jep.v17i2.10242.
[11] F. V. Vieira and C. Gomes, ‘The Role of International Reserves on Real Exchange Rate: A Panel ARDL Model Approach’, pp. 1–16, 2018.
[12] aditia edy Utama, ‘FLUCTUATION ANALYSIS OF RUPIAH EXCHANGE RATE OF DOLLAR UNITED STATES IN INDONESIA’, vol. 5, no. 6, pp. 1–14, 2017.
[13] E. Papaioannou and G. Siourounis, ‘OPTIMAL CURRENCY SHARES IN INTERNATIONAL RESERVES THE IMPACT OF THE EURO AND THE PROSPECTS FOR THE DOLLAR’, 2019.
[14] A. Murni, U. Usman, J. Abubakar, and M. Rahmah, ‘the Influence of the Number of Foreign Tourists and Foreign Debt To Foreign Exchange Reserves in Indonesia’, J. Malikussaleh Public Econ., vol. 4, no. 2, p. 19, 2021, doi: 10.29103/jmpe.v4i2.6042.
[15] K. ANDRIYANI, T. MARWA, N. ADNAN, and M. MUIZZUDDIN, ‘The Determinants of Foreign Exchange Reserves: Evidence from Indonesia’, J. Asian Financ. Econ. Bus., vol. 7, no. 11, pp. 629–636, 2020, doi:
10.13106/jafeb.2020.vol7.no11.629.
[16] M. Rahim, M. Armawaddin, and A. Ahmad, ‘The Role Mediation of Export And Foreign Debt in Influences Exchanges Rate on Foreign Exchange Reserves: Evidence from Indonesian’, J. Ekon. Dan Stud. Pembang., vol.
11, no. 1, pp. 56–75, 2019, doi: 10.17977/um002v11i12019p056.
[17] P. B. Astuti and A. S. Mahardhika, ‘COVID-19: How does it impact to the Indonesian economy?’, J. Inov.
Ekon., vol. 5, no. 02, pp. 85–92, 2020, doi: 10.22219/jiko.v5i3.11751.
[18] E. Pasaribu, R. E. Febriani, and Septriani, ‘Efektifitas Transmisi Kebijakan Moneter Indonesia Jalur Nilai Tukar Pada Masa Pandemi Covid-19’, Pareto, vol. 3, no. 3(2), pp. 35–50, 2020, doi:
https://doi.org/10.32663/pareto.v3i2.1493.
[19] G. Cigdem, ‘COVID-19 and net foreign exchange reserve relationship in Turkey: evidence from ARDL bounds testing approach’, Pressacademia, vol. 9, no. 2, pp. 80–96, 2020, doi: 10.17261/pressacademia.2020.1216.
[20] S. Ghatak and J. U. Siddiki, ‘The use of the ARDL approach in estimating virtual exchange rates in India’, J.
Appl. Stat., vol. 28, no. 5, pp. 573–583, 2001, doi: 10.1080/02664760120047906.
[21] L. M. Khomo M., Mamba N., ‘Determinants of foreign exchange reserves in Eswatini : An ARDL approach’, African Rev. Econ. Financ., vol. 10, no. 2, pp. 134–150, 2018, [Online]. Available: http://www.separc.co.sz/wp- content/uploads/2018/12/Article-6_Determinants-of-foreign-reserves.pdf.
[22] Kasem Muhammad Abul and Islam Dr. Zohurul, ‘The relation of Foreign Exchange Reserve with its determinates in Bangladesh: A Time Series Analysis Seminar Paper’, no. 110, 2022.
[23] D. N. Gujarati, ‘Basic Econometric’. 2009.
[24] R. P. Gajurel, ‘Determinants of Nepal’s Foreign Exchange Reserve: An Empirical Study’, J. Manage., vol. 5, no. 1, pp. 76–98, 2022, doi: 10.3126/jom.v5i1.47763.
[25] B. H. Ngoc, ‘The asymmetric effect of inflation on economic growth in vietnam: Evidence by nonlinear ARDL approach’, J. Asian Financ. Econ. Bus., vol. 7, no. 2, pp. 143–149, 2020, doi:
10.13106/JAFEB.2020.VOL7.NO2.143.
[26] I. S. Chaudhry, M. H. Akhtar, K. Mahmood, and M. Z. Faridi, ‘Foreign Exchange and Inflation in Pakistan:
Evidence from ARDL Modelling Approach’, Int. J. Econ. Financ., vol. 3, no. 1, pp. 69–76, 2011, doi:
10.5539/ijef.v3n1p69.
[27] R. Maranata, H. Simamora, A. A. Bagus, and P. Widanta, ‘The Effect of Export Value, Exchange Rate, and Inflation on Indonesia’s Foreign Exchange Reserves’, IJISET-International J. Innov. Sci. Eng. Technol., vol. 8, no. 5, pp. 494–499, 2021, [Online]. Available: www.ijiset.com.
[28] N. Bhasin and V. Khandelwal, ‘Relationship between Foreign Institutional Investment, Exchange Rate and Foreign Exchange Reserves: The Case of India using ARDL Bounds Testing Approach’, GIS Bus., vol. 10, no.
1, pp. 33–39, 2019, doi: 10.26643/gis.v10i1.3720.
[29] I. A. Ojiako, ‘Linkages between External Reserves and Economic Performance in Nigeria, 1981-2018: Bounds Test and ARDL Approaches’, South Asian J. Soc. Stud. Econ., vol. 6, no. 1, pp. 44–62, 2020, doi:
10.9734/sajsse/2020/v6i130160.
[30] H. Y. Gereziher and N. Y. Nuru, ‘Determinants of foreign exchange reserve accumulation: empirical evidence from foreign exchange constrained economy’, J. Econ. Adm. Sci., vol. 37, no. 4, pp. 596–610, 2021, doi:
10.1108/jeas-06-2020-0093.
[31] T. K. P. Nguyen, V. T. Nguyen, and T. T. Hang Hoang, The impact of foreign reserves accumulation on inflation in Vietnam: An ardl bounds testing approach, vol. 809. Springer International Publishing, 2019.
[32] H. Ito and R. N. McCauley, ‘Currency composition of foreign exchange reserves’, J. Int. Money Financ., vol.
102, p. 102104, 2020, doi: 10.1016/j.jimonfin.2019.102104.
[33] A. Saeed, R. U. Awan, M. H. Sial, and F. Sher, ‘An econometric analysis of determinants of exchange rate in Pakistan’, Int. J. Bus. Soc. Sceinces, vol. 3, no. 6, pp. 184–196, 2012.
[34] A. Samour and U. K. Pata, ‘The impact of the US interest rate and oil prices on renewable energy in Turkey: a bootstrap ARDL approach’, Environ. Sci. Pollut. Res., vol. 29, no. 33, pp. 50352–50361, 2022, doi:
10.1007/s11356-022-19481-8.
[35] A. Samour, A. Z. Isiksal, and N. Gunsel Resatoglu, ‘The impact of external sovereign debt and the transmission effect of the US interest rate on Turkey’s equity market’, J. Int. Trade Econ. Dev., vol. 29, no. 3, pp. 319–333, 2020, doi: 10.1080/09638199.2019.1668047.
[36] M. Iacoviello and G. Navarro, ‘Foreign effects of higher U.S. interest rates’, J. Int. Money Financ., vol. 95, pp.
232–250, 2019, doi: 10.1016/j.jimonfin.2018.06.012.
[37] N. R. Jena and N. Sethi, ‘Determinants of foreign exchange reserves in Brazil: An empirical investigation’, J.
Public Aff., vol. 21, no. 2, 2021, doi: 10.1002/pa.2216.
[38] M. Kuswantoro, ‘Analisis Pengaruh Inflasi, Kurs, Utang Luar Negeri Dan Ekspor Terhadap Cadangan Devisa Indonesia’, Tirtayasa Ekon., vol. 12, no. 1, p. 146, 2017, doi: 10.35448/jte.v12i1.4442.
[39] V. Natasha and R. S. Aminda, ‘Proceeding Seminar Nasional & Call For Papers ANALISIS DETERMINASI CADANGAN DEVISA DI INDONESIA’, pp. 778–790, 2019.
[40] D. M. M. H. Rangkuty, ‘Using the ECM Approach between Growth of the current Account Balance and Foreign Exchange Reserves in Indonesia’, Ajhssr, vol. 3, no. 10, pp. 51–57, 2019, [Online]. Available:
https://www.ajhssr.com/wp-content/uploads/2019/10/G193105157.pdf.
BIOGRAPHY OF AUTHORS
Rastiati, adalah mahasiswi S1 Fakultas Ekonomi dan Bisnis Prodi Ekonomi Pembangunan Universitas Ahmad Dahlan Yogyakarta, Jl. Gondosuli gg. Lembayung Perum Gajah Tersenyum Kapling No. 5, Baciro, Gondokusuman, Kota Yogyakarta, Yogyakarta.
LAMPIRAN
1. Unit root ADF a. Level
Null Hypothesis: Unit root (individual unit root process) Series: Y, X1, X2, X3, X4
Date: 12/18/22 Time: 22:57 Sample: 1971 2020
Exogenous variables: Individual effects Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0 to 2 Total number of observations: 242
Cross-sections included: 5
Method Statistic Prob.**
ADF - Fisher Chi-square 17.3736 0.0665
ADF - Choi Z-stat 1.64124 0.9496
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Intermediate ADF test results UNTITLED
Series Prob. Lag Max Lag Obs
Y 0.6281 2 10 47
X1 0.0003 0 10 49
X2 0.9396 0 10 49
X3 0.9999 1 10 48
X4 0.9084 0 10 49
b. 1st difference
Null Hypothesis: Unit root (individual unit root process) Series: Y, X1, X2, X3, X4
Date: 12/18/22 Time: 23:00 Sample: 1971 2020
Exogenous variables: Individual effects Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0 to 1 Total number of observations: 238
Cross-sections included: 5
Method Statistic Prob.**
ADF - Fisher Chi-square 128.050 0.0000
ADF - Choi Z-stat -9.73532 0.0000
** Probabilities for Fisher tests are computed using an asymptotic Chi -square distribution. All other tests assume asymptotic normality.
Intermediate ADF test results D(UNTITLED)
Series Prob. Lag Max Lag Obs
D(Y) 0.0000 1 10 47
D(X1) 0.0000 1 10 47
D(X2) 0.0000 0 10 48
D(X3) 0.0222 0 10 48
D(X4) 0.0000 0 10 48
2. ARDL
Dependent Variable: Y Method: ARDL
Date: 12/18/22 Time: 23:02 Sample (adjusted): 1975 2020
Included observations: 46 after adjustments Maximum dependent lags: 4 (Automatic selection) Model selection method: Akaike info criterion (AIC) Dynamic regressors (4 lags, automatic): X1 X2 X3 X4 Fixed regressors: C
Number of models evalulated: 2500 Selected Model: ARDL(3, 3, 4, 3, 1)
Variable Coefficient Std. Error t-Statistic Prob.*
Y(-1) 1.003234 0.176246 5.692235 0.0000
Y(-2) -0.564377 0.199767 -2.825169 0.0088
Y(-3) 0.215069 0.120626 1.782947 0.0858
X1 0.807321 0.155783 5.182341 0.0000
X1(-1) -0.486569 0.136980 -3.552111 0.0014 X1(-2) -0.056066 0.124794 -0.449268 0.6568
X1(-3) 0.128715 0.083954 1.533166 0.1369
X2 -0.004890 0.001107 -4.415121 0.0001
X2(-1) 0.006132 0.001365 4.492743 0.0001
X2(-2) 0.002853 0.001256 2.270903 0.0313
X2(-3) -0.001082 0.000799 -1.353747 0.1870 X2(-4) -0.000766 0.000589 -1.300186 0.2045
X3 1.47E-10 8.71E-11 1.692387 0.1021
X3(-1) -9.48E-11 1.10E-10 -0.864289 0.3950
X3(-2) 1.87E-10 1.10E-10 1.694628 0.1017
X3(-3) -3.62E-10 1.08E-10 -3.354707 0.0024
X4 -1.18E-10 5.89E-11 -1.997902 0.0559
X4(-1) 1.49E-10 6.02E-11 2.478187 0.0198
C 1.270404 2.902017 0.437766 0.6650
R-squared 0.961899 Mean dependent var 23.72387 Adjusted R-squared 0.936498 S.D. dependent var 11.41465 S.E. of regression 2.876456 Akaike info criterion 5.244277 Sum squared resid 223.3980 Schwarz criterion 5.999586 Log likelihood -101.6184 Hannan-Quinn criter. 5.527220 F-statistic 37.86857 Durbin-Watson stat 1.980691 Prob(F-statistic) 0.000000
*Note: p-values and any subsequent tests do not account for model selection.
3. Lag Optimum
4. Cointegration and Long Run
ARDL Cointegrating And Long Run Form Dependent Variable: Y
Selected Model: ARDL(3, 3, 4, 3, 1) Date: 12/18/22 Time: 23:21 Sample: 1971 2020
Included observations: 46
Cointegrating Form
Variable Coefficient Std. Error t-Statistic Prob.
D(Y(-1)) 0.349307 0.152116 2.296329 0.0296
D(Y(-2)) -0.215069 0.120626 -1.782947 0.0858
D(X1) 0.807321 0.155783 5.182341 0.0000
D(X1(-1)) 0.056066 0.124794 0.449268 0.6568
D(X1(-2)) -0.128715 0.083954 -1.533166 0.1369
D(X2) -0.004890 0.001107 -4.415121 0.0001
D(X2(-1)) -0.002853 0.001256 -2.270903 0.0313
D(X2(-2)) 0.001082 0.000799 1.353747 0.1870
D(X2(-3)) 0.000766 0.000589 1.300186 0.2045
D(X3) 0.000000 0.000000 1.692387 0.1021
D(X3(-1)) -0.000000 0.000000 -1.694628 0.1017
D(X3(-2)) 0.000000 0.000000 3.354707 0.0024
D(X4) -0.000000 0.000000 -1.997902 0.0559
CointEq(-1) -0.346074 0.138891 -2.491685 0.0192 Cointeq = Y - (1.1368*X1 + 0.0065*X2 -0.0000*X3 + 0.0000*X4 + 3.6709 ) 5.24
5.25 5.26 5.27 5.28 5.29 5.30
ARDL(3, 3, 4, 3, 1) ARDL(3, 1, 4, 3, 1) ARDL(4, 1, 4, 3, 1) ARDL(3, 3, 3, 3, 1) ARDL(3, 4, 3, 3, 1) ARDL(4, 3, 4, 3, 1) ARDL(4, 1, 4, 4, 1) ARDL(3, 1, 4, 4, 1) ARDL(3, 3, 4, 4, 1) ARDL(3, 2, 4, 3, 1) ARDL(3, 3, 4, 3, 2) ARDL(3, 4, 4, 3, 1) ARDL(4, 2, 4, 4, 1) ARDL(3, 1, 4, 3, 2) ARDL(2, 3, 4, 3, 2) ARDL(4, 3, 4, 4, 1) ARDL(4, 2, 4, 3, 1) ARDL(3, 4, 3, 4, 1) ARDL(4, 3, 3, 3, 1) ARDL(3, 2, 4, 4, 1)
Akaike Information Criteria (top 20 models)
Long Run Coefficients
Variable Coefficient Std. Error t-Statistic Prob.
X1 1.136754 0.651658 1.744401 0.0925
X2 0.006493 0.003238 2.005271 0.0551
X3 -0.000000 0.000000 -2.539682 0.0172
X4 0.000000 0.000000 0.826340 0.4159
C 3.670904 7.309239 0.502228 0.6196
5. Bound test
ARDL Bounds Test
Date: 12/18/22 Time: 23:06 Sample: 1975 2020
Included observations: 46
Null Hypothesis: No long-run relationships exist
Test Statistic Value k
F-statistic 6.277738 4
Critical Value Bounds
Significance I0 Bound I1 Bound
10% 2.45 3.52
5% 2.86 4.01
2.5% 3.25 4.49
1% 3.74 5.06
Test Equation:
Dependent Variable: D(Y) Method: Least Squares Date: 12/18/22 Time: 23:06 Sample: 1975 2020
Included observations: 46
Variable Coefficient Std. Error t-Statistic Prob.
D(Y(-1)) 0.349307 0.152116 2.296329 0.0296 D(Y(-2)) -0.215069 0.120626 -1.782947 0.0858
D(X1) 0.807321 0.155783 5.182341 0.0000
D(X1(-1)) -0.072649 0.106581 -0.681632 0.5013 D(X1(-2)) -0.128715 0.083954 -1.533166 0.1369
D(X2) -0.004890 0.001107 -4.415121 0.0001
D(X2(-1)) -0.001004 0.000918 -1.094360 0.2835 D(X2(-2)) 0.001848 0.000756 2.444182 0.0213 D(X2(-3)) 0.000766 0.000589 1.300186 0.2045
D(X3) 1.47E-10 8.71E-11 1.692387 0.1021
D(X3(-1)) 1.75E-10 1.04E-10 1.687601 0.1030 D(X3(-2)) 3.62E-10 1.08E-10 3.354707 0.0024
D(X4) -1.18E-10 5.89E-11 -1.997902 0.0559
C 1.270404 2.902017 0.437766 0.6650
X1(-1) 0.393401 0.136881 2.874043 0.0078
X2(-1) 0.002247 0.000603 3.726734 0.0009
X3(-1) -1.23E-10 2.76E-11 -4.444265 0.0001
X4(-1) 3.15E-11 4.71E-11 0.669457 0.5089
Y(-1) -0.346074 0.138891 -2.491685 0.0192
R-squared 0.764990 Mean dependent var 0.349325 Adjusted R-squared 0.608317 S.D. dependent var 4.596110 S.E. of regression 2.876456 Akaike info criterion 5.244277 Sum squared resid 223.3980 Schwarz criterion 5.999586 Log likelihood -101.6184 Hannan-Quinn criter. 5.527220 F-statistic 4.882713 Durbin-Watson stat 1.980691 Prob(F-statistic) 0.000116
6. Normalitas
0 2 4 6 8 10 12
-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7
Series: Residuals Sample 1975 2020 Observations 46
Mean 9.19e-15 Median -0.252604 Maximum 6.314555 Minimum -4.717833 Std. Dev. 2.228093 Skewness 0.432217 Kurtosis 3.282585 Jarque-Bera 1.585278 Probability 0.452649
7. Hetero
Heteroskedasticity Test: Breusch-Pagan-Godfrey
F-statistic 0.829052 Prob. F(18,27) 0.6550
Obs*R-squared 16.37421 Prob. Chi-Square(18) 0.5664 Scaled explained SS 6.438271 Prob. Chi-Square(18) 0.9941
Test Equation:
Dependent Variable: RESID^2 Method: Least Squares Date: 12/18/22 Time: 23:07 Sample: 1975 2020
Included observations: 46
Variable Coefficient Std. Error t-Statistic Prob.
C -1.586360 7.754078 -0.204584 0.8394
Y(-1) 0.543295 0.470923 1.153683 0.2587 Y(-2) -0.667967 0.533771 -1.251412 0.2215
Y(-3) 0.225916 0.322308 0.700934 0.4893
X1 0.597774 0.416246 1.436107 0.1625
X1(-1) 0.232528 0.366006 0.635311 0.5306
X1(-2) -0.148509 0.333443 -0.445380 0.6596 X1(-3) -0.105199 0.224321 -0.468968 0.6429
X2 -0.003536 0.002959 -1.194915 0.2425
X2(-1) -0.000171 0.003647 -0.046913 0.9629
X2(-2) 0.003698 0.003356 1.101875 0.2802
X2(-3) 0.002223 0.002136 1.040984 0.3071
X2(-4) -0.000855 0.001575 -0.543083 0.5915
X3 7.33E-11 2.33E-10 0.314960 0.7552
X3(-1) -4.68E-11 2.93E-10 -0.159882 0.8742
X3(-2) 2.26E-10 2.94E-10 0.766852 0.4498
X3(-3) -3.07E-10 2.88E-10 -1.064743 0.2964
X4 -1.69E-10 1.57E-10 -1.076554 0.2912
X4(-1) 1.40E-10 1.61E-10 0.867721 0.3932
R-squared 0.355961 Mean dependent var 4.856478 Adjusted R-squared -0.073398 S.D. dependent var 7.418354 S.E. of regression 7.685780 Akaike info criterion 7.209903 Sum squared resid 1594.923 Schwarz criterion 7.965212 Log likelihood -146.8278 Hannan-Quinn criter. 7.492846 F-statistic 0.829052 Durbin-Watson stat 2.273447 Prob(F-statistic) 0.655024
8. Autokol
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.088194 Prob. F(2,25) 0.9159
Obs*R-squared 0.322279 Prob. Chi-Square(2) 0.8512
Test Equation:
Dependent Variable: RESID Method: ARDL
Date: 12/18/22 Time: 23:07 Sample: 1975 2020
Included observations: 46
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
Y(-1) 0.072909 0.256727 0.283997 0.7788
Y(-2) -0.026603 0.254988 -0.104329 0.9177 Y(-3) -0.001761 0.145141 -0.012135 0.9904
X1 0.004099 0.164267 0.024954 0.9803
X1(-1) -0.014496 0.148680 -0.097501 0.9231
X1(-2) 0.011516 0.139879 0.082327 0.9350
X1(-3) 0.003175 0.088055 0.036054 0.9715
X2 7.52E-05 0.001187 0.063341 0.9500
X2(-1) 6.22E-05 0.001422 0.043755 0.9654
X2(-2) -0.000174 0.001447 -0.120409 0.9051 X2(-3) -4.60E-05 0.000841 -0.054694 0.9568
X2(-4) 7.82E-05 0.000663 0.117977 0.9070
X3 4.08E-13 9.06E-11 0.004507 0.9964
X3(-1) 1.51E-12 1.15E-10 0.013180 0.9896
X3(-2) 1.53E-11 1.20E-10 0.127716 0.8994
X3(-3) -1.45E-11 1.17E-10 -0.123963 0.9023
X4 -1.50E-12 6.29E-11 -0.023891 0.9811
X4(-1) -8.81E-12 6.75E-11 -0.130565 0.8972
C -0.738629 3.501051 -0.210974 0.8346
RESID(-1) -0.124240 0.324393 -0.382993 0.7050 RESID(-2) -0.061437 0.294698 -0.208475 0.8365
R-squared 0.007006 Mean dependent var 9.19E-15 Adjusted R-squared -0.787389 S.D. dependent var 2.228093 S.E. of regression 2.978811 Akaike info criterion 5.324203 Sum squared resid 221.8328 Schwarz criterion 6.159018 Log likelihood -101.4567 Hannan-Quinn criter. 5.636930 F-statistic 0.008819 Durbin-Watson stat 1.869925 Prob(F-statistic) 1.000000
9. CUSUM
-16 -12 -8 -4 0 4 8 12 16
94 96 98 00 02 04 06 08 10 12 14 16 18 20
CUSUM 5% Significance 10. CUSUM Square
-0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4
94 96 98 00 02 04 06 08 10 12 14 16 18 20
CUSUM of Squares 5% Significance
`
