MODUL
vars:
4
size:
1,288 (99.9% of memory free)
---------------------------------------------------------------------------------------------storage display
value
variable name
type
format
label
variable label
---------------------------------------------------------------------------------------------inv
int
%8.0g
investment
inc
int
%8.0g
income
consump
int
%8.0g
consumption
qtr
float %tq
quarter
---------------------------------------------------------------------------------------------Sorted by: qtr
Note: dataset has changed since last saved
Terlihat bahwa data kita terdiri dari empat variabel. Dengan perintah describe
mengetahui variabel name, storage type, display format, value label dan variable label dari
data kita. Sementara itu untuk melihat nilai rata-rata, minimal, maksimal dan
banyaknya observasi dari data kita, dapat kita lakukan dengan seperti berikut:
summarize
Variable |
Obs
Mean
Std. Dev.
Min
Max
-------------+-------------------------------------------------------inv |
92
471.913
210.7467
179
870
inc |
92
1355.087
698.9288
451
2651
consump |
92
1166.674
590.9236
415
2271
qtr |
92
45.5
26.70206
0
91
Hasil dari perintah summarize diatas belum lah menditel keterangan seperti
kurtosis, sweknes serta nilai median belum ditampilkan. Dengan menambahkan
option detail pada perintah summarize kita dapat mendapatkan hal itu, seperti
summarize, detail
akbarsuwardi@gmail.com
||
||
Setidaknya ada 7 tahap penting yang harus dilakukan ketika menggunakan model
Vector Autoregressivee (VAR), yaitu:
1.
2.
3.
4.
5.
6.
7.
Sebelum kita melakukan estimasi dengan menggunakan model yang sifatnya time
series, maka kita wajib untuk mendifine atau mengeset waktu pada data kita. Di
STATA kita dapat melakukannya dengan cara
tsset variabeltime
Contoh dalam modul kita adalah
tsset qtr
time variable:
delta:
500
1000
1500
2000
2500
1960q1
1965q1
1970q1
1975q1
1980q1
1985q1
quarter
investment
consumption
akbarsuwardi@gmail.com
||
income
||
Number of obs
91
dfuller
inc
Number of obs
91
dfuller
consump
akbarsuwardi@gmail.com
||
||
Number of obs
91
Terlihat bahwa pada ketiga variabel kita inv, inc, dan consump tidak stasioner. Hal ini
ditandai dengan Test Statistic (dengan nilai mutlak) lebih kecil dari nilai critical Value
atau nilai MacKinnon approximate p-value for Z(t) > (0.05).
Untuk membuat data kita stasioner, kita dapat melakukan differencing (turunan)
dengan berbagai tingkatan. Namun data biasanya sudah stasioner dengan
melakukan
differencing (turunan) pada tingkat pertama, di STATA dapat
dilakuakan dengan cara:
gen dinv = D.inv
(1 missing value generated)
gen dinc = D.inc
(1 missing value generated)
gen dconsump = D.consump
(1 missing value generated)
Setelah kita melakukan differencing atau turunan (tingkat pertama) maka kita dapat
melakukan uji Dickey Fuller kembali. Hal ini untuk memastikan bahwa data yang
kita gunakan adalah stasioner. Misal kita melakukan pada data dinv,
dfuller
dinv
Number of obs
90
Sedangkan jika kita lihat menggunakan grafik dari dinv, dinc, dan dconsump maka
nilai dari ketiga variabel tersebut akan stasioner (tidak memiliki trend, hanya
bergerak pada range tertentu).
akbarsuwardi@gmail.com
||
||
-40
-20
20
40
60
tsline
1960q1
1965q1
1970q1
1975q1
1980q1
1985q1
quarter
dinv
dconsump
dinc
2. VAR Estimation
Melakukan estimasi VAR dengan variabel yang telah distasionerkan pada
tahap sebelumnya
var dinv dinc dconsump
Vector autoregression
Sample: 1960q4 - 1982q4
Log likelihood = -1071.653
FPE
=
9261266
Det(Sigma_ml) =
5771627
No. of obs
AIC
HQIC
SBIC
=
=
=
=
89
24.55401
24.79069
25.14121
Equation
Parms
RMSE
R-sq
chi2
P>chi2
---------------------------------------------------------------dinv
7
18.6479
0.0624
5.922548
0.4319
dinc
7
15.0371
0.2575
30.86653
0.0000
dconsump
7
13.4229
0.2436
28.66277
0.0001
--------------------------------------------------------------------------------------------------------------------------------------------|
Coef.
Std. Err.
z
P>|z|
[95% Conf. Interval]
-------------+---------------------------------------------------------------dinv
|
dinv |
L1. |
-.011013
.1147616
-0.10
0.924
-.2359415
.2139156
L2. | -.0846655
.1147714
-0.74
0.461
-.3096133
.1402823
|
dinc |
L1. |
.3425359
.165669
2.07
0.039
.0178307
.6672412
L2. |
.0409944
.1655493
0.25
0.804
-.2834763
.3654652
|
dconsump |
L1. | -.1471804
.1943114
-0.76
0.449
-.5280238
.233663
L2. | -.0360702
.1895116
-0.19
0.849
-.4075062
.3353658
|
akbarsuwardi@gmail.com
||
||
akbarsuwardi@gmail.com
||
||
4. VAR Stability
Tahapan untuk mendapatkan nilai VAR Stability, di STATA dapat dilakukan
dengan seperti berikut:
a. var dinv dinc dconsump
b. varstable
Eigenvalue stability condition
+----------------------------------------+
|
Eigenvalue
|
Modulus
|
|--------------------------+-------------|
|
.66969
|
.66969
|
|
-.200236 + .4667263i |
.507866
|
|
-.200236 - .4667263i |
.507866
|
| -.08369268 +
.335679i |
.345955
|
| -.08369268 .335679i |
.345955
|
| -.2561272
|
.256127
|
+----------------------------------------+
All the eigenvalues lie inside the unit circle.
VAR satisfies stability condition.
Dikarenakan nilai modulus tiap eigenvalue lebih kecil dari 1, maka hasil
estimasi memenuhi eigenvalue stability condition.
5. Granger Causality
Tahapan untuk mendapatkan uji Granger Causality, di STATA dapat
dilakukan dengan seperti berikut:
a. var dinv dinc dconsump
b. Vargranger
Granger causality Wald tests
+------------------------------------------------------------------+
|
Equation
Excluded |
chi2
df Prob > chi2 |
|--------------------------------------+---------------------------|
|
dinv
dinc | 4.3097
2
0.116
|
|
dinv
dconsump | .57373
2
0.751
|
|
dinv
ALL | 5.6955
4
0.223
|
|--------------------------------------+---------------------------|
|
dinc
dinv | 7.5007
2
0.024
|
|
dinc
dconsump |
2.935
2
0.230
|
|
dinc
ALL | 14.383
4
0.006
|
|--------------------------------------+---------------------------|
|
dconsump
dinv | 5.8767
2
0.053
|
|
dconsump
dinc | 13.542
2
0.001
|
|
dconsump
ALL | 20.216
4
0.000
|
+------------------------------------------------------------------+
akbarsuwardi@gmail.com
||
||
Pada Uji Granger Causality, Hipotesis Nol (H0) adalah variabel di Excluded
tidak dapat mempengaruhi (Granger-cause) variabel di Equation. Misalnya,
pada baris pertama. H0: dinc tidak dapat mempengaruhi (Granger-cause)
dinv. Dengan kriteria penolakan, tolak H0 jika nilai Prob Chi2 < alfa, maka
Hipotesis H0 tidak dapat ditolak karena nilai Prob Chi2 > alfa. Artinya, dinc
tidak dapat mempengaruhi (Granger-cause) dinv. Begitu Seterusnya.
Lalu pada baris ketiga, H0: dic dan dconsump, secara bersamaan, tidak dapat
mempengaruhi (Granger-cause) dinv. Dengan kriteria penolakan, tolak H0
jika nilai Prob Chi2 < alfa, maka Hipotesis H0 tidak dapat ditolak karena nilai
Prob Chi2 > alfa. Artinya, dic dan dconsump, secara bersamaan, tidak dapat
mempengaruhi (Granger-cause) dinv. Begitu Seterusnya.
Note: Namun Beberapa referensi manyatakan, ketika melakukan Granger Causality
harus pada tingkat Level atau tidak harus distasionerkan dahulu.
6. Impulse Response Function (IRF)
Tahapan untuk melakukan IRF dengan model VAR di STATA dapat
dilakukan seperti berikut:
a. var dinv dinc dconsump
(omitted output)
b. irf create irf1, set(myirf1)
(file myirf1.irf now active)
(file myirf1.irf updated)
c. irf graph irf, impulse(dinc) response(dinv)
.5
-.5
0
step
95% CI
akbarsuwardi@gmail.com
||
||
7. VAR forecasting
Tahapan untuk melakukan forecast dengan model VAR di STATA dapat
dilakukan seperti berikut:
a. var dinv dinc dconsump
b. fcast compute m1_, step (30)
list
93.
94.
95.
96.
97.
98.
99.
100.
101.
102.
103.
-20
20
40
60
80
1960q1 1965q1 1970q1 1975q1 1980q1 1985q1 1990q1 1995q1 2000q1 2005q1
quarter
dinc
95% UB for m1_dinc
akbarsuwardi@gmail.com
||
m1_dinc, dyn(1983q1)
SE for m1_dinc
||
Walau hasilnya terlihat lebih statis, nilai m1_dinc adalah nilai tengah (bukan
nilai rata-rata), nilai SE for m1_dinc adalah nilai paling bawah, dan nilai 95%
UB for m1_dinc adalah nilai paling atas dari estimasi.
Note:
Proses tahapan dalam melakukan VAR yang dilakukan di modul ini merupakan tahapan
kebiasaan dari penulis.
Daftar Pustaka
Hamilton, L. 2006. Statistics With STATA: Updated for Version9. Belmont: Duxbury Thomson
Learning.
Harris, Mark and Laszlo Matyas. 1998. The econometrics of gravity models. Melbourne
Institute Working Paper no 5/98. Melbourne Institute of Applied Economic and Social
Research.
Manual Stata 11. 2009. Stata Press Publication, College Station, Texas
Jika ada kritik dan saran atas modul ini atau ingin berdiskusi, silahkan email ke
akbarsuwardi@gmail.com
Segala kritik dan saran dan sangat berharga bagi penulis.
akbarsuwardi@gmail.com
||
||
10