Anda di halaman 1dari 17

STUDI EMPIRIS EFEK FISHER DI INDONESIA (1986 – 2010)

Oleh: Muhammad Fajar*

1. Pendahuluan

Dalam perekonomian ada dua sektor, sektor riil dan sektor moneter. Sektor riil muncul
terlebih dahulu karena terjadi produksi barang dan jasa untuk memenuhi kebutuhan hidup.
Sedangkan sektor moneter terlahir saat uang diciptakan dan dipakai sebagai alat tukar dalam
transaksi.. Suku bunga merupakan konektor kedua sektor perekonomian tersebut. Pada akhir
triwulan kedua di 2010 dan puasa ramadhan ini, kecenderungan harga sejumlah barang
kebutuhan pokok meningkat sehingga harga barang-barang lainnya pun ikut-ikutan naik.
Akhirnya terjadilah inflasi, inflasi yang tidak biasa kendalikan mempunai dampak buruk
terhadap perekonomian nasional.
Cara untuk mengendalikan/menekan inflasi adalah dengan mengambil langkah kebijakan
uang ketat. Mekanismenya berprinsip bahwa inflasi terjadi karena jumlah uang yang beredar di
masyarakat relatif terlalu banyak daripada peredaran barang dan jasa di sektor riil sehingga
dengan menaikan suku bunga dapat menarik jumlah uang beredar yang berlebihan di
masyarakat. Tetapi dengan tingginya suku bunga akan menambah biaya bunga yang harus
dipikul oleh para usahawan sehingga mengakibatkan makin besar biaya produksi, maka cara
usahawan agar tidak mengurangi kerugian dengan menaikkan harga jual barang yang
diproduksinya ke masyarakat.
Dengan demikian, tingginya suku bunga akan dapat memicu terjadinya kenaikan harga, atau
inflasi. Keduanya berhubungan sebagai sebab-akibat seperti lingkaran setan, saling berhubungan
tapi tidak dapat dilihat mana ujung, mana pangkal. Hubungan antara tingkat suku bunga dengan
inflasi disebut dengan efek fisher. Oleh karena itu, penulis ingin menyelidiki kausalitas antara
suku bunga dengan inflasi dan menguji keberadaan efek fisher dalam perspektif jangka panjang
dan jangka pendek serta melihat kestabilan parameter bila terdapat hubungan jangka panjang
antara keduanya karena adanya shock krisis moneter Juli 1997 dan krisis global Juni 2008.

2. Kajian Literatur

Studi mengenai efek fisher atau hubungan antara tingkat bunga dengan inflasi sebelumnya
pernah dilakukan antara lain seperti Mishkin (1992), dalam penelitiannya di Australia mencoba
untuk menjelaskan mengapa terdapat bukti kuat efek fisher untuk beberapa periode dan lainnya
tidak. Hasil penelitiannya menunjukan bahwa efek fisher hanya akan tampak pada sampel yang
inflasi dan suku bunganya mempunyai stochastic trend. Alasannya dikarenakan ketika dua series
menunjukan trend, maka keduanya akan mengandung akan mengandung trend secara simultan
dan hasinya adalah korelasi yang kuat antara keduanya.
Johansen dan juselius (dalam etty, 1990) bahwa dalam jangka panjang dan jangka pendek
terdapat hubungan antara suku bunga dan inflasi. Suyanto (dalam etty, 2000) belum bisa
disimpulkan bahwa efek fisher terjadi Indonesia karena adanya masah endogeneity dalam model
yang digunakannya, sehingga estimasi OLS menjadi tidak konsisten lagi.
Hartojo Wignojowijoto (dalam etty, 1996) memperlihatkan bahwa pengaruh suku bunga
terhadap inflasi di Indonesia kecil sekali. Etty (2005) menunjukkan terdapat hubungan jangka
panjang dan jangka pendek antara tingkat suku bunga dengan inflasi.

3. Metodologi

3.1 Metode Pengumpulan Data

Dalam penelitian ini data tingkat suku bunga diwakili oleh BI Rate (SBI) yang direbitkan
oleh Bank Indonesia dan data Inflasi oleh Badan Pusat Statistik (BPS) dari Triwulan kesatu 1986
sampai dengan Triwulan kedua 2010. Alasan periode penelitian ini dipilih karena mengandung
periode krisis moneter 1997 dan krisis global pada juli 2008.

3.2 Metode Analisis

3.2.1 Prasyarat advanced analysis

1. Normalitas Variabel
Sifat normalitas diperlukan agar menghasilkan parameter-parameter yang dihasilkan bisa
diujikan dan mengsinkronisasikan dengan alat uji statistik parametrik yang berakar pada asumsi
normalitas. Penulis merekomendasikan uji Kolmogorof Smirnov untuk menguji normalitas
tingkat suku bunga dan inflasi.
Untuk memeriksa kenormalan residual pada model regresi maka digunakan uji Kolmogorov-
Smirnov. Dalam uji Kolmogorov-Smirnov diasumsikan bahwa distribusi variabel yang sedang
diuji mempunyai sifat kontinyu.
Hipotesis yang digunakan:
H o : distribusi variabel mengikuti distribusi normal
H 1 : distribusi variabel tidak mengikuti distribusi normal
Statistik Uji : | ( ) ( )| ( )
dimana: ( ) = fungsi distribusi frekuensi kumulatif relatif dari distribusi
teoretis dalam kondisi Ho.
( ) = distribusi frekuensi kumulatif dari amatan sebanyak n.
Dengan cara membandingkan nilai D terhadap nilai D pada tabel Kolmogorov-Smirnov
dengan level signifikansi (α) sebesar 0,05, maka aturan pengambilan keputusan dalam uji ini
adalah sebagai berikut:
 Jika D ≤ Dtabel, maka Ho diterima
 Jika D > Dtabel, maka Ho ditolak
Asumsi ini harus terpenuhi karena jika asumsi ini tidak terpenuhi maka analisis yang
dilakukan tidak sah dalam statistik parametrik.
2. Stasioneritas Variabel
Stasioneritas sangat diperlukan dalam analisis time series agar tidak terjadi spurious pada
analisis. Karena pada periode penelitian terjadi dua shock krisis, maka penulis
merekomendasikan uji Philip-Perron untuk memeriksa stsioneritas dan alat uji ini mampu
merespon adanya shock yang terjadi.
Prosedur pengujian akar unit dengan menggunakan uji Philips-Perron adalah sebagai berikut:
1. Misal terdapat persamaan:
( ),
Dimana ρ adalah koefisien otoregresif, adalah white noise term1. Jika nilai ρ = 1, maka
memiliki sebuah akar unit. Dalam ekonometrika, suatu time series yang memiliki akar
unit disebut random walk time series. Apabila dinyatakan dalam bentuk hipotesis, menjadi:
Ho : = 1, berarti data mengandung akar unit (nonstasioner)
H1 : < 1, berarti data tidak mengandung akar unit (stasioner)
Jika data asli dari suatu series sudah stasioner, maka data tersebut berintegrasi pada order 0
atau dilambangkan I(0) tetapi bila data asli nonstasioner maka harus di-difference2-kan
sehingga diperoleh data yang stasioner pada order d ( I(d) ).
2. Persamaan di atas dapat juga dinyatakan dalam bentuk turunan pertama (first difference),
sebagai berikut:
( ) ( )
( ) ,
Sehingga hipotesis yang diuji mempunyai bentuk:
Ho : = 1, berarti data mengandung akar unit (non stasioner)
H1 : < 1, berarti data tidak mengandung akar unit (stasioner)
3. Untuk mengetahui ada atau tidaknya akar unit, lakukan penghitungan nilai statistik uji
Philips-Perron berdasarkan uji t-statistik yang disesuaikan:
( ) ( ̂)
̂ ( ) ( )

̂
( )
( ̂)
(α̂ ) adalah standar eror dari persamaan
(4). nerupakan estimasi yang konsisten dari varians eror pada persamaan ( ) , dihitung
dengan rumus :
( )
( ) ∑

Dimana k adalah banyaknya variabel independen dan T adalah banyaknya observasi.


diestimasi dari persamaan:

1
Kondisi dimana mempunyai mean sama dengan nol, varians konstan, dan kovarians sama dengan nol.
2
Membuat deret angka baru yang terdiri dari perbedaan angka antara periode yang berturut-turut dengan rumus:
.
̂ ∑ ̂( ) ( ) ( )
( )
̂( ) adalah sampel otokovariansi ke-j dari residual yang dirumuskan sebagai berikut:
̂ ̂
̂( ) ∑ ( )

l adalah koefisien Newey-West bandwisth, K merupakan fungsi kernel yang dapat


dirumuskan sebagai berikut:
( ) | | ( ) , jika | |
= 0 , lainnya
Selanjutnya nilai statistik Philips-Perron, yaitu ̂ dibandingkan dengan nilai kritis tabel
Mc Kinnon. Jika nilai statistik Philips-Perron lebih negatif dari nilai kritis tabel Mc Kinnon
atau nilai probabilitas statistik Philips-Perron kurang dari level signifikansi (α) sebesar 0.05;
maka Ho ditolak sehingga dapat disimpulkan bahwa data time series telah stasioner.

4. Lag Optimum
Penentuan lag optimum diperlukan karena alat analisis time series sangat sensitif
terhadap lag time yang digunakan pada model. Penulis merekomendasikan criteria selection lag
pada Schwarz Information Criterion hal ini didasarkan karena adanya shock dan sampel yang
digunakan sebanyak 223 observasi.
Schwarc Information Criterion:
( )
(⁄ ) ( )
Dimana:
( ) |̂| ( )

|̂| (∑ ) ( )

M adalah banyaknya persamaan pada Vector Autoregressive (VAR), SSR adalah Sum Square Of
Residual dari VAR pada pers. (13) dan (14).

3.2.2 Advanced Analysis

1. Uji Kausalitas Engel Granger


Uji kausalitas pertama kali dikemukakan oleh Engel dan Granger, sehingga uji ini
dinamakan Engel-Granger Causality Test. Hubungan kausalitas adalah hubungan jangka pendek
antara kelompok tetentu dengan menggunakan pendekatan ekonometrik yang mencakup
hubungan timbal balik (Granger dalam Juliyanto, 2004). Hubungan kausalitas dapat terjadi antar
dua variable, jika suatu variable y, yaitu BI rate dipengaruhi oleh variabel x, yaitu inflasi dengan
menggunakan lag. Uji kausalitas Granger bertujuan untuk melihat pengaruh masa lalu dari suatu
varibel terhadap kondisi variabel lain pada masa sekarang. Dengan kata lain uji kausalitas
Granger dapat digunakan untuk melihat apakah peramalan y dapat lebih akurat dengan
memasukan lag variabel x.
Bentuk umum dari model kausalitas Granger, adalah sebagai berikut:

 yt  11,1 yt 1  11, 2 yt  2  ........  11, p yt  p  12,1xt 1  12, 2 xt  2  .......  12, p xt  p atau


p p
yt   11,i yt  i  12,i xt  i  e1t (14)
i 1 i 1

 xt   21,1 yt 1   21, 2 yt  2  .......   21, p yt  p  22,1xt 1   22, 2 xt  2  ........  22, p xt  p atau


p p
xt   21,i yt  i    22,i xt i  e2t (15)
i 1 i 1

Bentuk matriks persamaan di atas, adalah:

 yt   11,1 12,1   yt 1   11, 2 12, 2   yt  2 


 x           ......
 t   21,1  22,1   xt 1   21, 2  22, 2   xt  2 
(16)
 11, p 12, p   yt  p   e1t 
   
 21, p  22, p   xt  p  e2t 

xt  i dan yt  i adalah operasi kelambanan dari xt dan yt , sedangkan dan adalah variabel
pengganggu dan diasumsikan tidak berkorelasi. Statistik uji yang digunakan pada uji kausalitas
Granger, adalah statistik uji F, dengan rumus:

( RSS R  RSSUR )
p
Fuji  (17)
RSS R /( n  k )
n
dimana : RSS R  restricted residual sum of square = 
t 1
2
1t

n
RSSUR  unrestricted residual sum of square = 
t 1
2
2t

p = panjang lag
n = jumlah observasi
k = jumlah parameter yang diestimasi dalam unrestricted
regression
1t = residual dari model yang direstriksi
 2t = residual dari model yang tidak direstriksi
Restricted residual sum of square ( RSS R ), adalah jumlah kuadrat residual dari model
yang direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang direstriksi
diperoleh dengan meregresikan variabel y dengan semua nilai lag y tanpa memasukan lag x
sebagai variabel bebasnya. Bentuk model yang direstriksi, adalah sebagai berikut:
p
yt   i yt i  1t (18)
i 1

Unrestricted residual sum of square ( RSSUR ), adalah jumlah kuadrat residual dari model
yang tidak direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang tidak
direstriksi diperoleh dengan meregresikan variabel y dengan semua nilai lag y dan nilai lag x
sebagai variabel bebasnya. Bentuk model yang tidak direstriksi, adalah sebagai berikut:
p p
yt   i yt  i   i xt  i   2t (19)
i 1 i 1

Dua hipotesis yang digunakan pada uji kausalitas Granger, adalah:

 Ho: 12,1  12, 2  ...........  12, p  0 (x tidak menyebabkan y)


H1: paling sedikit ada satu 12,i ≠0 (x menyebabkan y)

 Ho:  21,1   21, 2  ...........   21, p  0 (y tidak menyebabkan x)


H1: paling sedikit ada satu  21,i ≠0 (y menyebabkan x)

Jika nilai Fuji lebih besar dari nilai Ftabel((1 ); p , ( n  k )) maka Ho ditolak. Dari uji kausalitas
dapat diketahui variabel mana yang memiliki hubungan kausalitas dan variabel mana yang
terjadi sebelum variabel lainnya.
Asumsi pada uji Causality Engel-Granger, yakni sebagai berikut:
1. Bahwa variabel dalam persamaan Engel-Granger (14) dan (15) harus stasioner
2. Penentuan lag optimum harus tepat
3. Residual dari persamaan (14) dan (15) harus tidak saling berkorelasi.
Ada beberapa kemungkinan yang bisa terjadi dari hasil uji kausalitas Granger, yaitu:
(Gujarati, 2003)
1. x mempengaruhi y atau undirectional causality from x to y ( x  y ), dapat
diidentifikasikan jika Ho yang pertama ditolak dan Ho yang kedua tidak ditolak.
2. y mempengaruhi x atau undirectional causality from y to x ( y  x ), dapat
diidentifikasikan jika Ho yang pertama tidak ditolak dan Ho yang kedua ditolak.
3. x dan y saling mempengaruhi atau feedback atau bilateral causality ( x  y ), jika Ho
yang pertama dan kedua ditolak.
4. x dan y tidak saling mempengaruhi atau independent ( x // y ), jika Ho yang pertama dan
kedua tidak ditolak.
2. Kointegrasi Engel Granger
Prosedur 2 langkah Engel-Granger cocok digunakan bila dalam penelitian hanya terdapat
dua variabel. Langkah- langkah metode Engel-Granger, yaitu:
a. uji stasioneritas dari kedua variabel yang digunakan dan ketahui kedua variabel tersebut
berintegrasi pada order yang sama.
b. uji stasioneritas residual dari hasil regresi linear kedua variabel yang digunakan, jika residual
dari kedua variabel tersebut stasioner pada level atau berintegrasi pada order 0, maka dapat
dikatakan bahwa kedua variabel tersebut memiliki keseimbangan jangka panjang atau
kointegrasi jangka panjang.
( )
Dimana: β adalah parameter kointegrasi jika BI rate dan inflasi terbukti mempunyai hubungan
jangka panjang.

3. Cusum of Squre Test


Dalam Recursive Least Square3, persamaan diestimasi secara berulang dengan
menggunakan subset sampel data. Jika ada sebanyak k koefisien hasil estimasi didalam vektor
estimator b, lalu sebanyak k pertama observasi digunakan untuk membentuk perkiraan pertama
b. Observasi berikutnya lalu ditambahkan ke himpunan data dan k + 1 observasi digunakan
untuk menghitung perkiraan kedua b. Proses ini dilakukan secara berulang-ulang sampai semua
T titik sampel telah digunakan hingga T – k + 1, untuk penaksiran vektor b. Pada setiap langkah
penaksiran yang terakhir untuk b, digunakan untuk memprediksi nilai berikutnya dari variabel
dependen. Residual hasil the one step ahead forecast digunakan untuk pengujian ini, disebut
residual rekursif (recursive residual).
Eviews menjelaskan prosedur untuk mendapatkan residual rekursif, yaitu misal
adalah matriks variabel independen berordo ( ) dari periode 1 sampai t – 1, dimana k
adalah jumlah variabel independen. adalah estimator untuk dari hasil OLS dengan
menggunakan titik sampel data ke-1 sampai t - 1. Vektor estimator tersebut lalu digunakan
untuk peramalan variabel dependen di periode t, yaitu , dimana ( ).
( )
( )
( ( ) )

adalah residual rekursif yang bersifat independen dan berdistribusi normal dengan mean
sebesar nol dan varians konstan.

Statistik Uji Cusum of Square adalah:

( ∑ )⁄( ∑ ) ( )

3
Metode OLS yang dimodifikasi dengan meminimalkan kuadrat residual regresi secara berulang.
Nilai Ekspektasi S dibawah Null Hipotesis Parameter Stabil didefinisikan:
( ) ( )
Pada pengolahan program Eviews hanya ditampilkan dalam bentuk grafik, dimana terdapat
sepasang garis putus-putus berwarna merah, yaitu garis signifikansi lima persen.
ditampilkankan dalam plot garis berwarna biru. Jika garis biru bergerak melewati garis
signifikansi lima persen, maka dapat disimpulkan terjadi instabilitas parameter dalam model
kointegrasi selama periode penelitian. Dan sebaliknya, jika garis biru bergerak dan tidak
melewati garis signifikansi lima persen, maka dapat disimpulkan terjadi parameter dalam model
kointegrasi tetap stabil selama periode penelitian sehingga dengan kata lain model stabil.

4. Error Correction Mechanism (ECM)


Error Correction Mechanism (ECM) adalah salah satu alat analisis yang dikembangkan
oleh Engel dan Granger (1987) untuk melakukan rekonsiliasi perilaku variable ekonomi dalam
jangka pendek dengan variable ekonomi dalam jangka panjang. Dalam ECM, hubungan dinamis
jangka pendek antar variable dalamsistem dipengaruhi oleh deviasi dari keseimbangan jangka
panjang. ECM menggunakan variable-variabel yang telah terkointegrasi pada suatu order
integrasi yang sama. ECM dalam penelitian ini sebagai turunan dari persamaan kointegrasi (20)
adalah sebagai berikut:
( )
Dimana:

( )

3.3 Analisis dan Pembahasan

1. Normalitas Variabel
Dari hasil pengujian Kolmogorof-Smirnov yang terlampir pada lampiran 6.a ternyata
variable inflasi dan BI rate berdistribusi normal pada level signifikansi 5 persen sehingga shahih
dapat dianalisis lebih lanjut.

2. Stasioneritas
Berdasarkan pengujian Philip-Perron ternyata variable BI Rate dan inflasi memiliki unit root
artinya data tidak stasioner (lampiran 6.b). Tetapi kedua variable tersebut stasioner pada level
difference 1, artinya kedua variable tersebut terintegrasi pada I(1).
3. Kausalitas Engel Granger
Pairwise Granger Causality Tests
Sample: 1992M01 2010M07
Lags: 4

Null Hypothesis: Obs F-Statistic Probability

D_INFLASI does not Granger Cause D_BI_RATE 218 14.4637 1.9E-10


D_BI_RATE does not Granger Cause D_INFLASI 17.1841 3.3E-12

Berdasarkan penentuan lag optimum berdasarkan SIC (lampiran 6.c) diperoleh lag optimum
untuk persamaan kedua variable tersebut adalah 4, sehingga hasil tersebut digunakan untuk
pengujian Engel-granger. Dari pengujian Engel-Granger dapat disimpulkan bahwa hubungan
antara inflasi dan BI rate bersifat saling mempengaruhi (bilateral causality) sesuai dengan teori
bahwa jika inflasi tinggi, maka cara menekannya dengan menaikkan tingkat suku bunga (BI rate)
tetapi dengan tingginya suku bunga menyebabkan biaya produksi menjadi mahal akibatnya para
produsen akan menaikan harga jual dari semula kepada masyarakat sehingga menyebabkan
kecenderungan harga-harga meingkat (inflasi), jadi kedua hubungan variable tersebut seperti
lingkaran setan karena saling mempengaruhi.

4. Kointegrasi
Variabel inflasi dan BI rate terintegrasi pada order 1 sehingga dikatakan memenuhi syarat
pengujian kointegrasi Engel-Granger. Selanjutnya kita regresikan sesuai dengan rumus efek
fisher yang tertulis pada pers.(20), yang memberikan hasil estimasi sebagai berikut (lampiran
6.d):
̂ ( )
Dari persamaan diatas kita uji stasioner residualnya, yang memberikan hasil pada lampiran 6.e,
ternyata pada level signifikansi sebesar 5 persen, residual telah stasioner. Artinya inflasi dan BI
rate memiliki hubungan jangka panjang, koefisien kointegrasi pada pers.(25) signifikan. Bila
terjadi kenaikan inflasi sebesar 1 persen, maka dalam jangka panjang BI rate juga ikut meningkat
sebesar 0.65.

5. ECM
Berdasarkan pers.(25) di atas kita dapat, membentuk ECM-nya hasil estimasi ECM
(lampiran 6.f), sebagai berikut:

̂ ( )
Interpretasi dari persamaan ECM di atas adalah bahwa pada level signifikansi 5 persen speed of
adjustment yang tercipta sebagai interaksi antara inflasi terhadap BI rate dalam jangka pendek
sebesar -0.08, artinya kecepatan error correction untuk mengoreksi perilaku inflasi dalam jangka
pendek untuk menuju keseimbangan baru sebesar 8 persen per bulan. Ketidakseimbangan
hubungan antara inflasi dengan BI rate akan diperbaiki sebesar 44 persen oleh inflasi setiap
bulannya.

6. Stabilitas Parameter

1.2

1.0

0.8

0.6

0.4

0.2

0.0

-0.2
92 94 96 98 00 02 04 06 08 10

CUSUM of Squares
5% Significance

Berdasarkan grafik pengujian Cusum of Square menunjukan garis biru melewazti dua garis
batas merah yang berarti telah terjadi ketidakstabilan parameter pada pers.(25) pada periode
penelitian yang disebabkan berbagai peristiwa di Indonesia yang mempengaruhi keadaan
perekonomian seperti krisis moneter, peristiwa 1998, dan Pemilu 1999 (hal ini didasarkan daerah
keluarnya garis biru yang jatuh pada sekitar 1996 – 2002). Tetapi pada periode terjadinya krisis
global, yakni 2008, tidak ada garis biru melewati dua batas garis merah. Hal tersebut berarti
bahwa Indonesia berhasil menghadapi krisis global dengan melakukan berbagai kebijakan yang
tepat, seperti sejak mei 2008 Bank Indonesia menaikkan BI rate dari 8 persen secara bertahap
menjadi 9.5 persen pada Oktober 2008. Dengan kebijakan moneter tersebut ekspektasi inflasi
masyarakat tidak terakselerasi lebih lanjut dan tekanan neraca pembayaran dapat dikurangi.

7. Pemeriksaan Perubahan Struktural

Selama periode penelitian terjadi dua shock krisis, yakni krisis moneter terjadi sekitar juli
1997 dan krisis keuangan global pada juni 2008. Oleh karena itu, kita akan memeriksa apakah
shock tersebut mempengaruhi persamaan kointegrasi (25), dari pengujian Chow memberikan
hasil sebagai berikut:
Chow Breakpoint Test: 1997M07 2008M06

F-statistic 5.994757 Prob. F(4,217) 0.000136


Log likelihood ratio 23.37321 Prob. Chi-Square(4) 0.000107

Berdasarkan hasil di atas dapat disimpulkan bahwa pada level signifikansi 5 persen terjadinya
kedua shock krisis tersebut menyebabkan perubahan struktural kointegrasi yang terjadi. Ketika
shock terjadi, maka ECM bereaksi untuk meyesuaikan kembali menuju pada keadaan
ekulibrium.

4. Kesimpulan

Dari hasil analisis dan pembahasan sebelumnya dapat ditarik beberapa kesimpulan dari
penelitian ini, yakni sebagai berikut:
a. Inflasi dan BI Rate saling mempengaruhi (Bilaterral Causality)
b. Efek Fisher terjadi di Indonesia, hal ini dibuktikan oleh adanya hubungan jangka panjang
antara inflasi dengan BI Rate, dimana pengaruh inflasi signifikan terhadap BI Rate.
c. Terdapat hubungan jangka pendek antara inflasi dengan BI Rate, dimana speed of
adjustment yang tercipta sebesar 8 persen.
d. Shock krisis moneter pada Juli 1997 dan krisis global pada Juni 2008, ternyata menyebabkan
perubahan struktural pada hubungan antara inflasi dengan BI Rate tetapi error correction
menstabilkan kondisi ketidakseimbangan antara inflasi dan BI Rate akibat pengaruh kedua
shock tersebeut sehingga hubungan jangka panjang antara inflasi dengan BI rate tetap
persisten.

*) Alumnus Sekolah Tinggi Ilmu Statistik Angkatan 46, sekarang bekerja sebagai Koordinator
Statistik Distribusi BPS Kabupaten Waropen
.
Karya ini dibuat tahun 2010
5. Referensi

Enders, Walter. 2004. Applied Econometrics Time Series. Second Edition. New York:
John Wiley & Son, Inc.

Khim, venus dan Sen Liew. 2004. Which Lag Length Selection Criteria Should We Employ.
Economics Bulletin 3: 1 – 9.

Nurty, Etty Meilia. 2006. Efek Fisher: Pendekatan Asymmtric Error Correction Model (Kasus
Indonesia, Periode 1990-2005) [skripsi]. Jakarta: STIS.

Green, William H. 2003. Econometric Analysis. Fifth Edition. New York: Prentice Hall.

Johnston, Jack and John Di Nardo. 2003. Econometric Method. Fourth Edition. New York:
Mc Graw-Hill.

Beyer, Andreas, Alfred A. Haug, and William G. Dewald. 2009. Structural Breaks,
Cointegration and The Fisher Effect. Frankfurt: European Central Bank.

Hatemi, Abdulnasser J. 2009. The International Fisher Effect: Theory and Application.
Investment Management and Financial Innovation, Vol.6.

Lungu, Laurian. 1998. Is There Evidence of The Fisher Effect? [Disertasi]. Liverpool:
University of Liverpool.

Mishkin, Frederic S. and John Simon. 1994. An Empirical Examination Of The Fisher Effect
In Australia. Canberra: Reserve Bank of Australia.

Peek, Joe and James A. Wilcox. 1982. The Postwar Stability of The Fisher Effect. Finance Series
Working Paper No.129.

Johnson, Paul A. 2005. Is It Really The Fisher Effect?. Vassar College Economics Working
Paper No.58.

Jensen, Mark J. 2006. The Long Run Fisher Effect: Can It Be Tested?. Federal Reserve Bank of
Atlanta Working Paper Series.
6. Lampiran

6.a Normalitas

Kolmogorof Test

Variabel D Hitung D Tabel ( 5 % )

Inflasi 0.313 14.979


BI_Rate 0.262 14.979

Pengujian menggunakan taraf uji sebesar 5% ,


Kenormalan data diterima jika D Hitung lebih kecil
dari D Tabel

6.b Stasioneritas
Philip Perron Test
Variabel Constant and Trend
adj t-stat P value
Inflasi -3.14837 0.0979
BI Rate -2.84545 0.1827
ΔInflasi -6.11401 0.0000
Δ BI Rate -9.09885 0.0000

Null Hypothesis: INFLASI has a unit root


Exogenous: Constant, Linear Trend
Bandwidth: 10 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -3.148271 0.0979


Test critical values: 1% level -3.999930
5% level -3.430196
10% level -3.138663

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 7.824782


HAC corrected variance (Bartlett kernel) 36.60013
Null Hypothesis: BI_RATE has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 7 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -2.845448 0.1827


Test critical values: 1% level -3.999930
5% level -3.430196
10% level -3.138663

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 5.735582


HAC corrected variance (Bartlett kernel) 14.13098

Null Hypothesis: D(INFLASI) has a unit root


Exogenous: Constant, Linear Trend
Bandwidth: 6 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -6.114601 0.0000


Test critical values: 1% level -4.000122
5% level -3.430289
10% level -3.138717

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 3.790194


HAC corrected variance (Bartlett kernel) 4.148468
Null Hypothesis: D(BI_RATE) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 2 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -9.098864 0.0000


Test critical values: 1% level -4.000122
5% level -3.430289
10% level -3.138717

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 4.625995


HAC corrected variance (Bartlett kernel) 4.818483

6.c Lag Optimum


VAR Lag Order Selection Criteria
Endogenous variables: D_BI_RATE D_INFLASI
Exogenous variables: C
Date: 08/15/10 Time: 13:20
Sample: 1992M01 2010M07
Included observations: 214

Lag LogL LR FPE AIC SC HQ

0 -999.8016 NA 39.92002 9.362632 9.394090 9.375344


1 -899.9039 196.9945 16.29147 8.466392 8.560765 8.504527
2 -886.6330 25.92174 14.93953 8.379748 8.537036 8.443306
3 -870.3536 31.49380 13.32017 8.264987 8.485191 8.353969
4 -850.5519 37.93781 11.49202 8.117308 8.400427* 8.231713
5 -841.8280 16.55092 10.99660 8.073159 8.419194 8.212988
6 -836.5011 10.00666 10.86236 8.060758 8.469708 8.226011
7 -830.0111 12.07017 10.61421 8.037487 8.509353 8.228163
8 -815.1655 27.33262* 9.593087* 7.936126* 8.470907 8.152226*

* indicates lag order selected by the criterion


LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
6.d Kointegrasi

Dependent Variable: BI_RATE


Method: Least Squares
Date: 08/17/10 Time: 15:26
Sample: 1992M01 2010M07
Included observations: 223

Variable Coefficient Std. Error t-Statistic Prob.

C 6.353292 0.379034 16.76180 0.0000


INFLASI 0.646681 0.020212 31.99504 0.0000

R-squared 0.822445 Mean dependent var 14.07137


Adjusted R-squared 0.821641 S.D. dependent var 10.33779
S.E. of regression 4.365912 Akaike info criterion 5.794460
Sum squared resid 4212.523 Schwarz criterion 5.825017
Log likelihood -644.0822 F-statistic 1023.682
Durbin-Watson stat 0.272505 Prob(F-statistic) 0.000000

6.e Stasioneritas residual persamaan kointegrasi

Null Hypothesis: RESIDU_KOINTG_1 has a unit root


Exogenous: Constant, Linear Trend
Bandwidth: 10 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -4.283566 0.0040


Test critical values: 1% level -3.999930
5% level -3.430196
10% level -3.138663

*MacKinnon (1996) one-sided p-values.

Residual variance (no correction) 4.735331


HAC corrected variance (Bartlett kernel) 4.253784
6.f ECM
Dependent Variable: D_BI_RATE
Method: Least Squares
Date: 08/17/10 Time: 16:18
Sample (adjusted): 1992M02 2010M07
Included observations: 222 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C -0.043704 0.144097 -0.303296 0.7620


D_INFLASI 0.442564 0.057702 7.669787 0.0000
RESIDU_KOINTG_1(-1) -0.077759 0.037314 -2.083914 0.0383

R-squared 0.219144 Mean dependent var -0.051802


Adjusted R-squared 0.212013 S.D. dependent var 2.418552
S.E. of regression 2.146915 Akaike info criterion 4.379362
Sum squared resid 1009.425 Schwarz criterion 4.425345
Log likelihood -483.1092 F-statistic 30.73081
Durbin-Watson stat 1.484665 Prob(F-statistic) 0.000000

6.g

Hubungan Inflasi Vs BI Rate


48
7 7.

57
6 4.

66
5 1.
BI Rate

74
3 8.

83
2 5.

91
1 2.

0
0 .0
-9.85 7.52 24.88 42.25 59.62 76.98 94.35

Inflasi

Anda mungkin juga menyukai