EKSISTENSI HUKUM OKUN DI INDONESIA

Oleh: Muhammad Fajar#

1. Latar Belakang

Keberhasilan kinerja perekonomian suatu Negara bisa dilihat dengan output, tingkat
pengangguran, dan inflasi. Tiga variabel makro tersebut saling berkaitan, jika output riil
yang dihasilkan suatu negara melebihi output potensial, maka akan menimbulkan inflasi.
Output riil yang melebihi output potensial berarti dalam prosesnya telah terjadi pemakaian
tenaga kerja lebih dari seperti biasanya yang digunakan untuk mendorong output melebihi
output potensialnya.
Hubungan negatif antara kesenjangan output riil dengan output potensial terhadap
pengangguran digambarkan oleh hukum Okun. Beberapa penelitian yang telah dilakukan
dan memberikan satu kesimpulan bahwa hukum Okun memang terbukti ada walaupun
terjadi variasi koefisien Okun di setiap Negara.
Tujuan dari paper ini untuk membuktikan keberadan hukum Okun dan jika memang
terbukti ada, maka seberapa besar koefisien Okun yang tercipta di Indonesia.

2. Kajian Literatur

Sejak Okun menemukan hubungan negatif antara tingkat pengangguran dengan

kesenjangan output, penurunan setiap 1 persen tingkat pengangguran untuk setiap
kenaikan 3 persen kesenjangan PDB, tetapi Barreto dan Howland (1993) menunjukan
bahwa koefisien Okun atas tingkat pengangguran telah berubah, bukan dari 2 atau 2.5
sampai 3 lagi tetapi bisa berbeda dari angka tersebut. Ngoo Yee Ting dan Loi Siew Ting
(2009) menemukan hubungan dua arah antara tingkat pengangguran dengan output
nasional untuk kasus Malaysia. Rubcova (2010) menunjukan tidak adanya hubungan
antara output dan tingkat pengangguran untuk kasus Negara-negara di Kawasan Baltik
karena data tidak reliable dan ukuran sampelnya kecil serta struktur pasar tenaga kerja
yang kaku dan inelastisnya tingkat pengangguran terhadap pergeseran output. Soegner
dan Stiassny (2002) menguji hukum Okun dan menunjukan adanya hubungan negatif
antara tingkat pengangguran dengan PDB riil.
 Moosa (2008) menemukan bahwa tidak ada hubungan antara tingkat pengangguran
dengan output untuk kasus Algeria, Mesir, Maroko, dan Tunisia karena tiga alasan:
pertama, pengangguran yang terjadi bukan sikis tetapi lebih kepada pengangguran
structural dan atau friksional, kedua, kekakuan pasar tenaga kerja yang terjadi di empat
Negara tersebut dimana pasar tenaga kerja didominasi Pemerintah sebagai sumber utama
permintaan tenaga kerja, ketiga, struktur perekonomian yang didominasi Pemerintah.
Petkov(2008) di Inggris hukum Okun dapat diterapkan dimana terjadi hubungan jangka
panjang antara tingkat pengangguran dengan kesenjangan PDB. Apergis dan Rezitis (2003)
menyelidiki hukum Okun dengan perubahan struktual, kesimpulannya bahwa
pengangguran mempunyai respon rendah terhadap perubahan output.

3. Metodologi

3.1 Metode Pengumpulan Data

Data yang digunakan dalam penelitian ini adalah data PDB Riil (tahun dasar 2000) dan
tingkat pengangguran terbuka (TPT) pada periode 1980 – 2009, yang bersumber dari
Badan Pusat Statistik. Data PDB riil dan TPT ditransformasi dengan logaritma natural.

3.2 Metode Analisis

3.2.1 Spesifikasi Model

Model Spesifikasi untuk pengujian hukum Okun:

a. Model first difference
𝑌𝑡 − 𝑌𝑡−1 = 𝛼 + 𝛽 𝑈𝑡 − 𝑈𝑡−1 + 𝜀𝑡 … (1)

∆𝑌𝑡 = 𝛼 + 𝛽∆𝑈𝑡 + 𝜀𝑡 … (2)

Dimana:
𝑌𝑡 ∶ PDB Riil pada tahun t
𝑌𝑡−1 ∶ PDB Riil pada tahun t − 1
𝑈𝑡 ∶ tingkat pengangguran terbuka pada tahun t
𝑈𝑡−1 ∶ tingkat pengangguran terbuka pada tahun t − 1

b. Model Gap
𝑌𝑡 − 𝑌𝑡∗
= 𝜃 + 𝛿 𝑈𝑡 − 𝑈 ∗ + 𝜂𝑡 … (3)
𝑌𝑡∗
Dimana:
𝑌𝑡∗ ∶ PDB Potensial pada tahun t
𝑈 ∗ ∶ tingkat pengangguran alamiah pada periode observasi

Untuk mendapatkan perkiraan tingkat pengangguran alamiah, kita gunakan bentuk

persamaan asli Hukum Okun, yakni:
𝑌𝑡 − 𝑌𝑡∗
𝜔 𝑈 ∗ − 𝑈𝑡 = … (4)
𝑌𝑡∗

Kita tidak dapat langsung mengukur 𝑈 ∗ (tingkat pengangguran alamiah) dari pers.(4),
maka kita harus menyusun ulang kembali pers.(4) menjadi:

1 𝑌𝑡 − 𝑌𝑡∗
𝑈𝑡 = 𝑈 ∗ − + 𝜇𝑡 … 5
𝜔 𝑌𝑡∗

𝑈𝑡 = 𝑈 ∗ − 𝜑𝐺𝑡 + 𝜇𝑡 … (6)

Konstanta dari pers.(5) adalah perkiraan tingkat pengangguran alamiah. Sehingga jika
telah mendapatkan nilai 𝑈 ∗ , kita masukan ke pers.(3). Pada pers.(3) dan (5) data tidak
ditransformasi logaritma natural.

3.2.1 Hodrick Prescot Filter (HP filter)

HP Filter adalah metode yang digunakan untuk mendapatkan perkiraan trend yang lebih
smooth pada PDB riil sehingga dari sinilah PDB potensial diperoleh. Metode ini dikembangkan
oleh Hodrick dan Prescott pada tahun 1980.
Metode ini menerapkan filter dua sisi untuk mendapatkan series s yang telah dismoothkan
dari series y. Hal ini dilakukan dengan meminimalkan varians y disekitar s dengan parameter λ
sebagai konstrain dari jumlah kuadrat second difference series s. Dengan demikian HP Filter
memilih s untuk meminimumkan:
𝑇 𝑇−1
2 2
(𝑦𝑡 − 𝑠𝑡 ) + 𝜆 𝑠𝑡+1 − 𝑠𝑡 − 𝑠𝑡 − 𝑠𝑡−1 … (7)
𝑡=1 𝑡=2

Untuk data level tahun program Eviews 5.1 merekomendasikan nilai λ = 100.
3.2.2 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 Jarque Bera untuk menguji
normalitas tingkat suku bunga dan inflasi.
Untuk memeriksa kenormalan residual pada model regresi maka digunakan uji Jarque
Bera. Dalam uji Jarque Bera 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:
2
𝑁−𝑘 2 𝐾−3
𝐽𝐵 = 𝑆 + … (8)
6 4
Dimana:
S adalah skewness data, K adalah kurtosis data, N adalah banyaknya titik data.

Dengan cara membandingkan nilai JB terhadap nilai 𝜒 2 dengan 2 derajat bebas

pada tabel Chi Square dengan level signifikansi (α) sebesar 0,05, maka aturan pengambilan
keputusan dalam uji ini adalah sebagai berikut:
2
 Jika JB ≤ 𝜒2,0.05 , maka Ho diterima
2
 Jika JB > 𝜒2,0.05 , maka Ho ditolak

Atau
 Jika P value dari JB > 0.05, maka Ho diterima
 Jika P value dari JB ≤ 0.05, maka Ho ditolak
Asumsi ini harus terpenuhi karena jika asumsi ini tidak terpenuhi maka analisis yang
dilakukan tidak sah dalam statistik parametrik.
3.2.3 Pengujian Unit Root

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:
𝑦𝑡 = 𝜌𝑦𝑡−1 + 𝑢𝑡 … (9),
Dimana ρ adalah koefisien otoregresif, 𝑢𝑡 adalah white noise term1. Jika nilai ρ = 1,
maka 𝑦𝑡 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 : 𝜌 = 1, berarti data mengandung akar unit (nonstasioner)
H1 : 𝜌< 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:
∆𝑦𝑡 = 𝜌 − 1 𝑦𝑡−1 + 𝑢𝑡 … (10)
∆𝑦𝑡 = 𝛼𝑦𝑡−1 + 𝑢𝑡 … (11) ,𝛼 =𝜌−1
Sehingga hipotesis yang diuji mempunyai bentuk:
Ho : 𝛼 = 1, berarti data mengandung akar unit (non stasioner)
H1 : 𝛼< 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:

1
Kondisi dimana 𝑢𝑡 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:
𝑋𝑡, = 𝑋𝑡 − 𝑋𝑡−1 .
 𝛾0 1/2 𝑇 𝑓0 − 𝛾0 𝑠𝑒(𝛼 )
𝑡𝛼 = 𝑡𝛼 − 1/2
… (12)
𝑓0 2𝑓0 𝑠
𝛼
𝑡𝛼 = … (13)
𝑠𝑒 𝛼
se α adalah standar eror dari koefisien yt−1 dan s adalah standar eror dari persamaan
(11). 𝛾0 merupakan estimasi yang konsisten dari varians eror pada persamaan (11),
dihitung dengan rumus :
𝑇
𝑇 − 𝑘 𝑠2 2
𝑢𝑡2
𝛾0 = … 14 , dimana𝑠 =
𝑇 𝑇−𝑘
𝑡=1

Dimana k adalah banyaknya variabel independen dan T adalah banyaknya

observasi.𝑓0 diestimasi dari persamaan:
𝑇−1

𝑓0 = 𝛾 𝑗 𝐾(𝑗/𝑙) … (15)
𝑗 =−(𝑇−1)
𝛾 𝑗 adalah sampel otokovariansi ke-j dari residual 𝑢𝑡 ,yang dirumuskan sebagai
berikut:
𝑇
𝑢𝑡 𝑢𝑡−𝑗
𝛾 𝑗 = … (16)
𝑇
𝑡=𝑗 +1

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

dirumuskan sebagai berikut:
𝐾 𝑥 = 1 − 𝑥 … (17) , jika 𝑥 ≤ 1
= 0 , lainnya
Selanjutnya nilai statistik Philips-Perron, yaitu 𝑡𝛼 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.
3.2.4 Kointegrasi Engel-Granger

Prosedur dua 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 pers.(2), 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.

4 Pembahasan

4.1 Stasioneritas Variabel

Phillips Perron Test

Variabel None Konstan Konstan dan Trend
adj t-stat P value adj t-stat P value adj t-stat P value
PDB Riil 5.561249 1.0000 1.45482 0.9987 -1.38941 0.8427
TPT 0.575494 0.8348 -0.910481 0.7703 -1.62507 0.7578
Ln PDB Riil 5.518136 1.0000 -0.715023 0.8275 -1.77613 0.6901
Ln TPT 1.242336 0.9416 -1.165657 0.6753 -2.03062 0.5609
D PDB Riil -2.20482 0.0288 -3.650896 0.0109 -3.87668 0.0269
D TPT -4.66005 0.0000 -4.724158 0.0008 -4.63764 0.0048
D Ln PDB Riil -2.3327 0.0215 -4.111344 0.0036 -4.03142 0.0192
D Ln TPT -5.96622 0.0000 -6.196261 0.0000 -6.05675 0.0002

Berdasarkan hasil pengujian Phillip-Perron menunjukkan bahwa baik data PDB riil
dan TPT dalam level maupun dalam transformasi logaritma terintegrasi pada order 1 (I
(1)) atau dengan lain kata telah stasioner pada bentuk first difference.

4.2 Normalitas

Jarque Bera Test

Variabel
JB P Value
PDB Riil 1.567076 0.456787
TPT 3.598118 0.165454
Ln PDB Riil 2.018238 0.364540
Ln TPT 2.905057 0.233978
 Berdasarkan hasil pengujian Jarque Bera membuktikan bahwa baik data PDB riil dan
TPT dalam level maupun dalam transformasi logaritma mengikuti distribusi normal.

4.3 Analisis

4.3.1 Model First Difference

Hasil estimasi model first difference pers.(2) pada lampiran no. 1 adalah:

∆𝑌𝑡 = 0.049 − 0.025∆𝑈𝑡 … (18)

Variabel dalam persamaan (18) terintegrasi pada orde 1 dan residual dari pers.(17) telah
stasioner pada level (lihat lampiran 7.a), berarti adanya keseimbangan jangka panjang
antara output dengan tingkat pengangguran terbuka dalam bentuk first difference. Tetapi
koefisien pers.(18) yang juga disebut koefisien Okun, tidak signifikan pada level α sebesar
lima persen.
Berdasarkan model first difference ini diindikasikan memang terjadi kointegrasi
antara output dalam hal ini PDB riil dengan tingkat pengangguran terbuka akan tetapi
hukum Okun dapat dikatakan tidak terjadi di Indonesia karena koefisien Okun tidak
signifikan.

4.3.2 Model Gap

Hasil estimasi persamaan (5) adalah sebagai berikut:

𝑈𝑡 = 5 − 0.104𝐺𝑡 … (19)

Intersep pada persamaan (19) adalah nilai estimasi tingkat pengangguran alamiah
Indonesia pada periode 1980 – 2009 sebesar lima persen, signifikan pada level α sebesar
lima persen. Sedangkan koefisien persamaan (19) tidak signifikan.
Hasil estimasi model Gap adalah:

𝐺𝑡 = −0.105 − 0.282 𝑈𝑡 − 5 … (20)

Intersep dan koefisien pada pers.(20) tidak signifikan. Variabel pada persamaan (20)
terintegrasi pada order 1 dan residual dari persamaan tersebut stasioner pada level
sehingga dapat disimpulkan bahwa terdapat kointegrasi antara kesenjangan output dengan
tingkat pengangguran terbuka, hal ini senada dengan hasil model sebelumnya. Artinya
bahwa hukum Okun di Indonesia tidak terjadi, hal ini didukung oleh koefisien pers.(18)
yang tidak signifikan. Penjelasan tidak signifikannya hukum Okun di Indonesia dapat
dijelaskan sebagai berikut: Pertama, ukuran sampel data yang digunakan terlalu kecil
sehingga kurang power full jika digunakan oleh alat uji. Kedua, adanya shock krisis ekonomi
1997/1998 yang tidak diakomodir dalam kedua model hukum Okun. Ketiga, pertumbuhan
ekonomi yang sedikit sekali mengurangi pengangguran yang terjadi.

5 Kesimpulan

Berdasarkan pembahasan sebelumnya dapat disimpulkan:

1. Tingkat pengangguran alamiah Indonesia yang ditaksir dari model gap hukum Okun
untuk periode 1980 – 2009 sebesar lima persen.
2. Terdapat hubungan jangka panjang antara kesenjangan output dengan tingkat
pengangguran terbuka tetapi bukan dalam bentuk hukum Okun.
3. Hukum Okun tidak terjadi di Indonesia diindikasikan oleh koefisien okun yang tidak
signifikan dapat dijelaskan: Pertama, ukuran sampel data yang digunakan terlalu kecil
sehingga kurang power full jika digunakan oleh alat uji. Kedua, adanya shock krisis
ekonomi 1997/1998 yang tidak diakomodir dalam kedua model hukum Okun. Ketiga,
pertumbuhan ekonomi sedikit sekali mengurangi pengangguran yang terjadi
(pertumbuhan ekonomi yang tidak berkualitas).

# Alumnus Sekolah Tinggi Ilmu Statistik Angkatan 46, sekarang bekerja sebagai PLT Kasie Statistik
Sosial BPS Kabupaten Waropen
.
Karya ini dibuat Desember tahun 2010
6. Referensi

Apergis, Nicholas dan Rezitis, Anthony. (2003). An examination of Okun’s law: evidence
from regional areas in Greece. Applied Economics, 35, 1147-1151.

Barreto, H. dan Howand, F. (1993). There are two Okun’s law relationship between output
and unemployment. Wabash College, Crawfordsville, USA.

Gujarati, Damodar. 1995. Basic Econometrics. New York: McGraw-Hill.

Hodrick, R. dan Prescott E. C. (1997). Postwar U.S. bussines cycle: an empirical

investigation. Journal of Money, Credit, and Banking, 29(1), 1 – 16.

Lal, I.,Sulaiman, D., Jalil, M.A., dan Hussain, A. (2010) Test of Okun’s law in some Asian
countries: Cointegration approach. European Journal of Scientific Research, 40(1).
73– 80.

Moosa, I.A. (2008). Economic growth and unemployment in Arab countries: Is Okun’s law
valid?. International conference on the unemployment crisis in the Arab countries.

Okun, A.M. (1962). Potential GNP: Its measurement and significance. Proceeding of the
Business and Economics Statistics Section, 98-104.

Petkov, Boris. (2008). The labour market and output in the UK – Does Okun’s law still
stand?. Bulgarian National Bank. Bulgaria.

Rubcova, Anna. (2010). Okun’s law: evidence from the Baltic States. SSE Riga Student
Research Papers (126).

Soegner, Leopold dan Stiassny, Alfred. (2002). An Analysis on the structural stability of
Okun’s law. Applied Economics, 14, 1775-1787.

Ting, Ngoo Yee dan Ting, Loi Siew. (2009). Okun’s law in Malaysia: approach ARDL with HP
Filter. University Putra Malaysia, Malaysia.
7. Lampiran

a. Model first Difference

Dependent Variable: D(LPDB)
Method: Least Squares
Date: 12/19/10 Time: 09:39
Sample (adjusted): 1981 2008
Included observations: 28 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 0.048517 0.008392 5.781657 0.0000

D(LTPT) -0.024839 0.045454 -0.546463 0.5894
First Difference
R-squared 0.011355 Mean dependent var 0.047132
Adjusted R-squared -0.026670 S.D. dependent var 0.041775
S.E. of regression 0.042329 Akaike info criterion -3.417946
Sum squared resid 0.046585 Schwarz criterion -3.322788
Log likelihood 49.85124 Durbin-Watson stat 1.572493

b. Estimasi Persamaan (7)

Dependent Variable: TPT
Method: Least Squares Tingkat Pengangguran Alamiah
Date: 12/19/10 Time: 09:59 (NAIRU)
Sample (adjusted): 1980 2008
Included observations: 29 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C(1) 5.000081 0.571455 8.749733 0.0000

GR -0.104063 0.115249 -0.902936 0.3745

R-squared 0.029311 Mean dependent var 5.011371

Adjusted R-squared -0.006640 S.D. dependent var 3.066479
S.E. of regression 3.076644 Akaike info criterion 5.152028
Sum squared resid 255.5749 Schwarz criterion 5.246324
Log likelihood -72.70440 Durbin-Watson stat 0.080002
C. Stasioner residual dari Model First Difference

Null Hypothesis: RESID_FD has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -4.084581 0.0176

Test critical values: 1% level -4.339330
5% level -3.587527
10% level -3.229230

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

Residual variance (no correction) 0.001601

HAC corrected variance (Bartlett kernel) 0.001673

d. Model Gap
Dependent Variable: GR
Method: Least Squares
Date: 12/19/10 Time: 10:18
Sample (adjusted): 1980 2008
Included observations: 29 after adjustments

Variable Coefficient Std. Error t-Statistic Prob.

C(1) -0.105316 0.939941 -0.112045 0.9116

TPT-5.000081 -0.281666 0.311945 -0.902936 0.3745

R-squared 0.029311 Mean dependent var -0.108496

Adjusted R-squared -0.006640 S.D. dependent var 5.044978
S.E. of regression 5.061701 Akaike info criterion 6.147754
Sum squared resid 691.7621 Schwarz criterion 6.242051
Log likelihood -87.14244 Durbin-Watson stat 0.622148
E. Stasioneritas Residual dari model gap
Null Hypothesis: RESID_GAP has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -2.337326 0.4018

Test critical values: 1% level -4.323979
5% level -3.580623
10% level -3.225334

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

Residual variance (no correction) 12.72943

HAC corrected variance (Bartlett kernel) 15.13503

F. Hasil Pengujian Phillips Perron beberapa variabel

Null Hypothesis: D(GR) has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 4 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -4.473938 0.0071

Test critical values: 1% level -4.323979
5% level -3.580623
10% level -3.225334

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

Residual variance (no correction) 15.00279

HAC corrected variance (Bartlett kernel) 11.59293
Null Hypothesis: LPDB_R has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -1.776133 0.6901

Test critical values: 1% level -4.309824
5% level -3.574244
10%
level -3.221728

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

Residual variance (no correction) 0.001469

HAC corrected variance (Bartlett kernel) 0.001884

Null Hypothesis: D(LPDB_R) has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -4.031416 0.0192

Test critical values: 1% level -4.323979
5% level -3.580623
10%
level -3.225334

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

Residual variance (no correction) 0.001564

HAC corrected variance (Bartlett kernel) 0.001633
Null Hypothesis: LPDB_P has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 4 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -1.632321 0.7548

Test critical values: 1% level -4.309824
5% level -3.574244
10%
level -3.221728

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

Residual variance (no correction) 4.11E-05

HAC corrected variance (Bartlett kernel) 0.000154

Null Hypothesis: D(LPDB_P) has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 4 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -1.473340 0.8147

Test critical values: 1% level -4.323979
5% level -3.580623
10%
level -3.225334

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

Residual variance (no correction) 5.43E-06

HAC corrected variance (Bartlett kernel) 1.89E-05
Null Hypothesis: LGAP has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 1 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -2.305618 0.4180

Test critical values: 1% level -4.309824
5% level -3.574244
10%
level -3.221728

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

Residual variance (no correction) 0.001174

HAC corrected variance (Bartlett kernel) 0.001416

Null Hypothesis: D(LGAP) has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 4 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -4.429526 0.0079

Test critical values: 1% level -4.323979
5% level -3.580623
10%
level -3.225334

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

Residual variance (no correction) 0.001393

HAC corrected variance (Bartlett kernel) 0.001090
Null Hypothesis: TPT has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 2 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -1.625069 0.7578

Test critical values: 1% level -4.309824
5% level -3.574244
10%
level -3.221728

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

Residual variance (no correction) 0.551633

HAC corrected variance (Bartlett kernel) 0.703296

Null Hypothesis: LTPT has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 0 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -2.030619 0.5609

Test critical values: 1% level -4.309824
5% level -3.574244
10%
level -3.221728

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

Residual variance (no correction) 0.025954

HAC corrected variance (Bartlett kernel) 0.025954
Null Hypothesis: D(TPT) has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 2 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -4.637640 0.0048

Test critical values: 1% level -4.323979
5% level -3.580623
10%
level -3.225334

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

Residual variance (no correction) 0.592232

HAC corrected variance (Bartlett kernel) 0.654534

Null Hypothesis: D(LTPT) has a unit root

Exogenous: Constant, Linear Trend
Bandwidth: 0 (Newey-West using Bartlett kernel)

Adj. t-Stat Prob.*

Phillips-Perron test statistic -6.056746 0.0002

Test critical values: 1% level -4.323979
5% level -3.580623
10%
level -3.225334

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

Residual variance (no correction) 0.025837

HAC corrected variance (Bartlett kernel) 0.025837
G. Normalitas

Test for normality of PDB_Riil:

Doornik-Hansen test = 2.22732, with p-value 0.328355

Shapiro-Wilk W = 0.947618, with p-value 0.145919

Lilliefors test = 0.10898, with p-value ~= 0.47

Jarque-Bera test = 1.56708, with p-value 0.456787

Test for normality of TPT:

Doornik-Hansen test = 14.2026, with p-value 0.000824046

Shapiro-Wilk W = 0.853016, with p-value 0.000717537

Lilliefors test = 0.221223, with p-value ~= 0

Jarque-Bera test = 3.59812, with p-value 0.165454