PEMAHAMAN KONSEP ANALISIS TIME SERIES

COINTEGRATION PERHAPS ERROR CORRECTION

MODEL {Coint(ECM)}, ANALISIS VECTOR AUTO
REGRESSION(VAR), ANALISIS VECTOR ERROR
CORRECTION MODEL (VECM) DAN ANALISIS REGRESI
BIASA (Dasar Penerapan Contoh Kasus Cointergration
Perhaps Error Correction Model)
Siang sobat semua.. Apa kabarnya neeeh? Moga baik,
sehat, sukses dan semangat selalu yaa.. Amiiin
hehehe.. Oke deh sooob setelah kita sudah kupas
tuntas tentang analisis time series ARIMA, maka kali ini
kita masuk ke bahasan yang lebih baru lagi yaitu
pehamaman konsep analisis Error Correction Model
(ECM), analisis Vector Auto Regression (VAR), analisis
Vector Error Correction Model dan analisis regresi biasa
hehehe...
Naaah, pertama.. sobat pasti sudah tahu doong gimana
konsep bahkan prosedur uji stasioneritas variabel (unit
rot test).. Nah, uji unit root sudah pernah saya pakai
sebelumnya pada analisis ARIMA dan analisis data
panel.
Apabila variabel penelitian yang kita pakai seluruhnya
stasioner pada data level (mean dan varians konstan
sepanjang periode waktu), maka kita menggunakan
analisis regresi biasa. Dalam analisis time series, syarat
stasioner seluruh variabel bebas harus dipenuhi untuk
penerapan metode analisis regresi biasa (simpel atau
berganda).

Nah, jika terdapat satu saja (minimal satu) variabel

yang stasioner pada level sedangkan variabel lainnya
stasioner pada differens pertama, maka kita harus
menggunakan analisis vector auto regression (VAR)
dengan data pada differens. Biasanya dikenal dengan
VAR in difference hehehe..
Nah, karena dalam analisis VAR ini diminta minimal
satu saja ada variabel yang sudah stasioner pada level,
maka pertanyaannya, bisakah kita pakai analisis VAR
jika seluruh stasioner nyatanya sudah stasioner pada
level? Hayooo gimana hehehe,, Yaaa bisa dooong yaitu
dengan analisis VAR pada data level. Biasanya dikenal
dengan istilah VAR in level. Ingaaat, ini saya baru
bicara
persyaratan
uji
stasioneritas
lhooo,,
Pertimbangan berikutnya yang tidak kalah penting
adalah apa tujuan analisis sobat..
Next, jika setelah kita uji stasioneritas, ternyata tidak
ada satupun variabel yang stasioner pada level TETAPI
(ingeeeet yaa), seluruh variabel harus stasioner pada
differens yang sama, katakanlah differens pertama,
maka kita bisa pakai analisis kointegrasi kemungkinan
ECM.
Ingeeet, kointegrasinya sudah pasti, tetapi ECM nya
masih kemungkinan ya sooob hehehe.. Okee, apa sih
itu kointegrasi dan apa sih itu ECM? Nah, kointegrasi itu
adalah analisis regresi biasa model jangka panjang.
Nah, prinsipnya nanti sobat regresikan biasa saja
variabel penelitian pada data aslinya/level (yang
belum stasioner untuk seluruh variabel), lalu ambil
nilai residualnya dan silahkan lakukan lagi uji unit root

pada residual
panjangnya).

model

kointegrasi

(model

jangka

Naaaah, jika residualnya ternyata bisa stasioner pada

level (inilah maksudnya terkointegrasi ya sooob,
residual stasioner pada level), maka kita bisa turunkan
deh model ECM alias model jangka pendeknya sooob..
Kalau, ternyata residual regresi biasa (pada level) tidak
stasioner pada level berarti menunjukkan tidak ada
hubungan kointegrasi (hubungan jangka panjang),
maka analisis cukup berhenti sampai pada kointegrasi
saja (model ECM/model jangka pendeknya tidak bisa
diturunkan).
Ingat syarat ECM adalah terpenuhinya kointegrasi..
Gimanaa sooob,, sampai disini saya harap paham dulu
yaaaa hehehe.. Jadi, biar dibolak balik gimana pun
sobat gak bingung..
Next, kita masuk ke analisis Vector Error Correction
Model (VECM) sooob.. Nah analisis yang satu ini adalah
kasus khusus dari analisis Vector Auto Regression (VAR)
atau VAR yang terestriksi. Suatu kasus dimana data
tidak stasioner pada level tetapi terdapat kointegrasi
(hubungan jangka panjang), maka disinilah kita pakai
analisis VECM ini soooob..
Tiba-tiba terbersit pertanyaan di benak saya.. Begini
sooob, apakah untuk analisis VAR dan VECM kita perlu
lakukan uji kointegrasi seperti halnya dalam analisis
ECM? Jawabnya, gak pakai tawar-tawar lagi, YA,
PERLU.
Saya
yakin
sobat
paham
kemana
arah/tembakan pertanyaan saya ini yaa hehehe..

Nah, lebih lanjut sekarang tentang konsep pemahaman

tujuan analisisnya ya sooob,, Untuk regresi biasa saya
rasa sobat sudah biasalah dengan analisis ini. Yang
perlu dimantapkan disini adalah konsep ECM dan
VARnya yaa..
Untuk ECM dulu deeh, ingat kembali kalau kointegrasi
bisa kita artikan sebagai adanya hubungan jangka
panjang (long term relationship) antara beberapa
variabel yang tidak stasioner pada data aslinya.
Munculnya kointegrasi ini ibarat memberi harapan baru
untuk mencapai terciptanya suatu kondisi stasioner
dalam jangka panjang melalui kombinasi linier
variabelnya.. Jadi, intinya dikatakan terkointegrasi jika
dalam
jangka
panjang
akan
tercapai
titik
keseimbangan (ekuilibrium) fenomena data.
Nah, bagaimana analisis kointegrasi kemungkinan ECM
bisa menempuhnya? Caranya dengan memperhitungkan
koefisien residual sebagai penyesuai pengembalian
fenomena ekuilibrium. Kalau pengujian kita lolos
sampai ke analisis ECM (hubungan jangka pendek),
nanti kita akan bertemu dengan istilah Error Correction
Term (ECT). Inilah yang dipakai sebagai penyesuian
keadaan ekulibrium (speed of adjustment) yang kita
harapkan bernilai negatif (konvergen). Satu hal lagi,
dalam analisis kointegrasi kemungkinan ECM, sama saja
dengan regresi biasa yaitu dikenal istilah variabel
bebas dan terikat.

Lanjut, kita masuk ke analisis VAR neeh soob.. Analisis

ini dikembangkan oleh Christopher Sims tahun 1980.
Nah, analisis VAR ini hanya terbatas hanya pada analisis
hubungan saja. Dalam analisis VAR, kita tidak
memperlakukan variabel sebagai terikat ataupun
bebas.
Yaa, alasan yang agak sedikit naif yaaa karena si
peneliti agak kesulitan untuk menentukan mana yang
terikat dan mana yang bebas sehingga seluruh variabel
dianggap sebagai endogent variabel saja.. Akan tetapi,
ada baiknya kita kembalikan saja ke tujuan analisis
penelitian kita dulu. Kalau hanya mau melihat
hubungan ya pakailah analisis VAR.
Menurut Gujarati, analisis VAR ini punya keuntungan
yaitu kemampuannya dalam melihat banyak variabel
secara jangka panjang dan pendek, mengkaji
kekonsistenan antara model empiris dengan teori,
memberi solusi untuk variabel yang tidak stasioner dan
regresi
lancung
(spurious
regression)
akibat
ketidakstasioneran data.
Namun, Gujarati menganggap suatu kemudahan jika
dalam VAR, peneliti tidak perlu dipusingkan dengan
penentuan mana variabel bebas dan terikat. Next,
analisis VAR bisa melakukan forecasting/peramalan
yang dalam beberapa kasus lebih baik dibanding
dengan model persamaan simultan yang ribet.
Keunggulan lain VAR adalah kemampuannya dalam
melacak bagaimana respon setiap variabel pada saat
ini dan masa mendatang jika terjadi shock/goncangan
(misalnya krisis moneter, melonjaknya harga minyak

secara fantastis) melalui fitur Impulse Response

Function (IRF). Terakhir, adalah ketersediaan fitur
Variance Decomposition (VD) yang mampu memberi
informasi terkait seberapa besar kontribusi setiap
variabel untuk suatu variabel tertentu.
Untuk konsep pemahaman tujuan analisis VECM pada
umumnya hampir sama dengan VAR dan diperlengkapi
dengan fitur IRF dan VD sooob. Hanya karena sifat
VECM yang merupakan VAR terestriksi, maka analisis
VECM membatasi hubungan jangka panjang variabel
endogennya agar KONVERGEN ke dalam hubungan
jangka pendeknya tetapi dengan tetap memberi
kebebasan pergerakan dalam hubungan jangka
pendeknya.
Nah, begitu deh sob pemahamannya hehehe.. Yaa,
kalau belum paham silahkan pelan-pelan dan sabar
bacanya.. Saya yakin pasti sobat juga bisa
memahaminya dengan baik kok hehehe.. Ingeeet dong
istilah kita hehe Harus ada semangat untuk bisa
hahaha..
Oke deeeh soob, sampai disni dulu penjelasan yang
saya berikan terkait analisis Coint (ECM), VAR, VECM
dan Regresi Biasa.. Saya berharap postingan ini
bermanfaat buat kita semua.. Kurang lebihnya saya
mohon maaf. Kritik dan saran untuk peningkatan
kualitas isi postingan, sangat saya harapkan hehehe..
Yaaap, next akan saya berikan contoh kasus penerapan
dengan ECM dulu yaaa..

Tetap setia di wajibstat.blogspot.com karena masih

banyak analisis yang akan kita diskusikan di blog ini..
Semangaaaat belajar dan sukses selalu.. Salam hangat
terdahsyat dari saya sooob hahaha :-)