Selanjutnya akan tampak workfile range, yaitu tampilan untuk memasukkan periode
observasi. Dimana terdapat jenis periode, start date, dan end date.
Periode data diisi sesuai dengan data yang telah dientry dalam Excel. Dimana data tersebut
adalah data tahunan, mulai 1996 2005
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
Lakukan prosedur berikut: Klik Annual (tahunan) Start date: 1996 End date: 2005
- OK
Kemudian kita akan mengimport data, memasukkan data yang akan diolah.
Klik Procs - Import Read Text Lotus - Excel.
Cari dimana file data yang telah disimpan.
Pada Upper left data cell tertulis B2, hal inimenunjukkan bahwa data yang kita tulis dimulai
pada cell B2. Excel 5+ sheet name, menunjukkan di sheet mana data kita entry. Jika pada
sheet 1, maka kita tidak perlu mengisinya. Namun jika data dientry pada sheet kedua dan
seterusnya, maka kita perlu mengisi sesuai dengan sheet tersebut. Name for series or
diisi dengan nama semua variabel yang akan diolah, atau dapat juga diisi dengan jumlah
semua variabel. Misal kita isi dengan X dan Y, kemudian Klik OK
Setelah muncul data yang akan diolah, kemudian blok variable X dan Y - Klik kanan:
Open - as Group. Maka, akan muncul tampilan :
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
yang kita tulis pertama adalah variabel dependen, selanjutnya adalah konstanta
contoh,
apabila
ditanyakan
berapa
tingkat
konsumsi
individu
jika
pendapatan tahun depan diperkirakan sebesar 5000 milyar dollar US?. Maka
Y = 24.45455 + 0.509091(5000)
Y = 2569.91
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
Jadi, jika pendapatan sebesar 5000 milyar dolar US maka tingkat konsumsi individu adalah
sebesar 2569.91 milyar dolar US.
B. Regresi Berganda
Model regresi berganda merupakan suatu model regresi yang terdiri dari lebih dari
satu variabel independen. Bentuk umum regresi berganda dapat ditulis sebagai berikut:
Y1 = 0 + 1X1 + 2X2 + 3X3 + .+ nXn + ei
Pada intinya, langkah langkah estimasi regresi berganda didalam Eviews tidak jauh
berbeda dengan regresi sederhana seperti yang telah dibahas sebelumnya. Berikut ini adalah
tampilan data yang akan digunakan dalam regresi berganda.
Dengan cara yang sama seperti pada regresi sederhana kita akan meregresi variabell
dependen yaitu ekspor dan variabel independen yang terdiri dari suku bunga, nilai tukar
rupiah, serta inflasi. Dari hasil regresi akan diperoleh estimasi sebagai berikut:
Cara mengintepretasikan hasil regresi sama dengan estimasi pada regresi sederhana.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
0.025;39
memiliki nilai t-stat sebesar 5,479 sedangkan nilai t-tabel pada t 0.025;39 adalah 2,021. Artinya
nilai t-stat > t-tabel, sehingga hipotesa H 0 ditolak, dapat disimpulkan bahwa terdapat
hubungan antara ekspor dan inflasi.
Pengujian hipotesis dapat juga dilakukan dengan konsep P-Value. Cara ini relatif
lebih mudah dilakukan karena tersedia pada menu Eviews. Konsep ini membandingkan
dengan nilai P-Value. Jika nilai P-Value kurang dari , maka H0 ditolak. Pada contoh kasus
diatas nilai P-Value dari variabel inflasi adalah 0,0000 artinya pada = 1%, 5%, dan 10%
hipotesa H0 ditolak. Artinya pada berbagai tingkat keyakinan tersebut ekspor memiliki
hubungan dengan inflasi.
Sedangkan Uji F merupakan uji model secara keseluruhan. Oleh sebab itu Uji F ini
lebih relevan dilakukan pada regresi berganda. Pada prinsipnya Uji F memiliki konsep yang
tidak jauh berbeda dengan Uji t. Jika Uji t digunakan untuk melihat pengaruh variabel bebas
terhadap variabel terikat secara individu, maka Uji F digunakan untuk melihat pengaruh
variabel bebas terhadap varibel terikat secara bersama-sama. Formulasi dari Uji F adalah
sebagai berikut:
Ho : 1 = 2 = ....= n = 0
H1 : paling tidak salah satu tidak sama dengan nol
Dengan menggunakan konsep P-Value, maka pada contoh diatas P-Value dari F = 0,000012.
Artinya pada = 1%, 5%, dan 10% hipotesa H0 ditolak. Variabel independen dalam
persamaan tersebut secara bersama-sama berpengaruh terhadap variasi dari variabel
dependen.
D. Uji Asumsi Klasik
Dalam melakukan estimasi persamaan linier dengan menggunakan metode OLS,
maka asumsi-asumsi dari OLS harus dipenuhi. Apabila asumsi tersebut tidak dipenuhi maka
tidak akan menghasilkan nilai parameter yang BLUE (Best Linear Unbiased Estimator).
Asumsi BLUE antara lain:
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
Pada
regresi
linear
berganda
tidak
terjadi
hubungan
antar
variabel
bebas
(multicolinearity).
D.1. Uji Multikolinieritas
Multikolinearitas adalah adanya hubungan linier yang signifikan antara beberapa atau
semua
variabel
independent
dalam
model
regresi.
Untuk
melihat
ada
tidaknya
multikolinieritas dapat dilihat dari koefisien korelasi dari masing-masing variabel bebas. Jika
koefisien korelasi antara masing-masing variabel bebas lebih besar dari 0,8 berarti terjadi
mulikolinieritas.
Lakukan prosedur berikut: Dari workfile Blok semua variabel kecuali c dan resid
Klik kanan: Open As Group
Setelah tampil semua variabel, Klik View Correlation Common Sampel.
Dari tampilan diatas terlihat bahwa antara variabel X 2, X3, X4, X5, dan X6 terjadi
multikolinieritas, karena memiliki nilai Correlation matrix ledih dari 0,8. Cara mengatasi
adanya multikol dapat dilakukan dengan cara: (1) menghilangkan variabel independen, (2)
transformasi variabel, (3) penambahan data. Berikut ini dilakukan cara mengatasi multikol
dengan transformasi data, yaitu penambahan log. Dari hasil tersebut, semua koefisien telah
signifikan.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
D.2. Heteroskedasitas
Heteroskedasitas merupakan keadaan dimana varians dari setiap gangguan tidak
konstan.
Uji
heteroskedasitas
dapat
dilakukan
dengan
menggunakan
White
Heteroskedasticity yang tersedia dalam program Eviews. Hasil yang perlu diperhatikan dari
Uji ini adalah nilai F dan Obs*R-Squared. Jika nilai Obs*R-Squared lebih kecil dari X2 tabel
maka tidak terjadi heteroskedastisitas, dan sebaliknya.
Untuk mendeteksi adanya masalah hetero dapat dilihat pada residual dari hasil estimasi. Jika
residual bergerak konstan artinya tidak ada hetero dan jika membentuk suatu pola tertentu
maka mengindikasikan adanya hetero.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
Dengan melihat hasil tersebut, dapat diduga terjadi hetero pada hasil estimasi. Dimana
residualnya membentuk suatu pola atau tidak konstan. Untuk membuktikan dugaan tersebut
perlu dilakukan Uji White Hetero.
Lakukan prosedur berikut: Dari hasil Estimasi Klik View Residual test White
Hetero (no cross) - OK
Probability
Probability
0.001508
0.011638
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
D.3. Autokorelasi
Autokorelasi
menunjukkan
adanya
hubungan
antar
gangguan.
Metode
yang
digunakan dalam mendeteksi ada tidaknya masalah autokorelasi adalah Metode BrueschGodfrey yang lebih dkenal dengan LM-Test. Metode ini didasarkan pada nilai F dan Obs*RSquared. Dimana jika nilai probabilitas dari Obs*R-Squared melebihi tingkat kepercayaan
maka Ho diterima, berarti tidak ada masalah autokorelasi.
Dapat dilihat dari hasil estimasi sepertinya tidak terjadi per masalahan yang
melanggar asumsi klasik. Dimana terlihat bahwa nilai t-statistik signifikan, R2 bagus, dan Uji
F juga signifikan. Namun dalam hasil tersebut terdapat DW stat yang relatif kecil. Nilai DW
yang kecil tersebut merupakan salah satu indikator adanya masalah autokorelasi.
Untuk membuktikan adanya masalah autokorelasi dalam model dapat kita lakukan
dengan melakukan uji LM.
Lakukan prosedur berikut: Dari hasil estimasi Klik View Residual test Serial
Correlation LM test - OK
0.000060
0.000169
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
Dari hasil diatas maka langkah selanjutnya adalah melakukan uji normalitas error term:
1. H0 : error term terdistribusi normal
H1 : error term tidak terdistribusi normal
2. = 5% maka daerah kritis penolakan H0 adalah P-Value <
3. Karena P-Value = 0,678100 > 0,05 maka H0 diterima
4. Kesimpulan, dengan tingkat keyakinan 95% ( = 5%) maka dapat dikatakan bahwa error
term terdistribusi normal.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
10
Lakukan pengujian pada tingkat Level dengan asumsi trend dan intercept -OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
11
Prob.*
0.4749
probabilitas diatas 10%, yaitu 0,4749. Berarti data masih mengandung akar unit, dengan
kata lain data tidak stasioner pada tingkat level. Lakukan kembali pengujian unit root pada
tingkat first difference.
Klik View Unit root test Pilih first difference - Intercept OK
Prob.*
0.0000
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
12
Dari pengujian yang kedua didapat bahwa nilai ADFstatistik lebih besar dari critical value dan
probabilitasnya signifikan pada tingkat keyakinan 1%. Hal ini berarti data telah stasioner
pada first difference. Secara tidak langsung ordo integrasi telah ditemukan, yaitu d = 1.
Berikutnya adalah penentuan ordo suku AR dan MA.
b. Penentuan Ordo AR MA
Lakukan pengujian correlogram, dengan hasil derajat integrasi yang diperoleh dari
uji unit root dan biarkan Eviews menentukan panjang lag maksimumnya.
Lakukan prosedur berikut ini:
Klik View Correlogram First Difference - OK
Dari grafik diatas terlihat bahwa terjadi pelanggaran garis batang AC pada lag 1, 8, dan 12,
maka kita memiliki kandidat MA (1). Dari grafik batang PAC, terlihat kalau pelanggaran garis
batas juga terjadi pada lag 1, maka diperoleh juga kandidat AR (1). 3 kandidat model yang
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
13
akan digunakan adalah bentuk ARIMA (1,1,1); ARIMA (1,1,0) atau ARI (1) dan ARIMA
(0,1,1) atau IMA (1). Selanjutnya adalah penentuan model terbaik.
c. Penentuan Model Terbaik.
Untuk model ARIMA (1,1,1) : Klik Quick Estimate equation Ketik: d(gdp) c AR(1)
MA(1) OK
Jangan lupa untuk memberi nama persamaan tersebut, Klik Name Arima OK
Variable
C
AR(1)
MA(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Inverted MA Roots
Coefficient
23.50643
0.499690
-0.201502
0.105750
0.084202
34.39166
98171.24
-424.7539
1.994227
.50
.20
Std. Error
t-Statistic
5.942537
3.955622
0.275101
1.816384
0.312614 -0.644572
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0002
0.0729
0.5210
23.34535
35.93794
9.947766
10.03338
4.907606
0.009673
Hasil regresi pada model ARIMA (1,1,1) menunjukkan bahwa probabilitas MA(1) tidak
signifikan, yaitu sebesar 0,5210, maka model ini dinyatakan gugur.
Selanjutnya kita akan melihat model yang kedua yaitu model ARI(1) Klik Quick
Estimate equation ketik: d(gdp) c AR(1) OK. Kemudian namai persamaan tersebut,
misal ARI. Begitu pula untuk model yang ketiga yaitu, IMA (1), kembali Klik Quick
Estimate equation ketik: d(gdp) c MA(1) - OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
14
Variable
C
AR(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted AR Roots
Coefficient
23.44152
0.317238
0.101516
0.090820
34.26717
98636.06
-424.9570
2.034425
.32
Std. Error
t-Statistic
5.412216
4.331223
0.102975
3.080716
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0028
23.34535
35.93794
9.929234
9.986311
9.490809
0.002791
Variable
C
MA(1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
Inverted MA Roots
Coefficient
22.79699
0.258497
0.080866
0.070053
34.65297
102070.4
-430.8843
1.911508
-.26
Std. Error
t-Statistic
4.666313
4.885441
0.104584
2.471667
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0154
22.93333
35.93448
9.951364
10.00805
7.478367
0.007598
Model ARI(1) dan IMA(1), memiliki nilai probabilitas yang signifikan, hal ini didukung pula
oleh nilai IRM< 1. Maka pemilihan model terbaik akan dilanjutkan dengan pengujian
autokorelasi.
Lakukan uji correlogram Q stat, Klik View residual test correlogram Q statistic - OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
15
Correlogram AR
Correlogram MA
Adjusted R-square
0.070053
0.09082
0.084202
AIC
9.951364
9.929234
9.947766
SC
10.00805
9.986311
10.03338
d. Peramalan
Dengan menggunakan model ARI(1), kita lakukan pengecekan kelayakan model bagi
peramalan. Dalam hal ini data yang digunakan adalah data asli, yaitu GDP, karena data ini
yang akan diramal. Klik Forecast pilih GDP - OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
16
Terlihat bahwa nilai bias proportion sebesar 0.053880 (dibawah 0.2), sementara covariance
proportion 0.856076 (hampir mendekati 1), maka model ini dapat meramal nilai GDP
kedepan.
Bila
mengasumsi
model
sudah
benar,
maka
langkah
selanjutnya
adalah
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
17
Ubah juga sample data : Procs sample ketik tahun yang akan diforcast
Kembali ke estimasi : Procs - Make model Solve OK
Sehingga akan terbentuk variabel forecast gdpf dengan tambahan nilai konsumsi 1992:1
1991:2
1991:3
1991:4
1992:1
4865.329
4888.771
4912.212
4935.654
ARCH/GARCH
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
18
1. Pengantar
Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan
inflasi, sering kali bervolatilitas. Implikasi data yang bervolatilitas adalah variance dari error
tidak konstan. Dengan kata lain mengalami heteroskedatisitas. Implikasi dari adanya
heteroskedatisitas terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval
keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of precision yang salah.
Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas, peralatan standar
yang digunakan adalah model ARCH/GARCH. Model ini menganggap variance yang tidak
konstan (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat dgunakan untuk
modeling dan peramalan.
2. Prosedur dalam Eviews
Langkah pertama dalam metode ARCH/GARCH adalah melihat apakah data tersebut
mengandung efek ARCH/GARCH. Dalam kasus ini kita akan menguji ada tidaknya efek
ARCH/GARCH dengan menggunakan ARCH LM Test.
Lakukan prosedur berikut: Import data hingga muncul data pada Workfile
Kemudian Klik Quick Estimate Equation pada Equation spesifikation ketik: CPI c OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
19
Kemudian lakukan Uji ARCH LM: Dari hasil Estimasi - View Residual test ARCH LM
test
ARCH Test:
F-statistic
Obs*R-squared
6235215.
635.9353
Probability
Probability
0.000000
0.000000
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
20
Dari hasi uji ARCH LM terlihat nilai probabilitasnya yang signifikan pada 1%, maka dapat
disimpulkan bahwa data tersebut mengandung ARCH effect. Selanjutnya data tersebut dapat
diteruskan dengan metode ARCH.
Lakukan prosedur berikut:
Klik Quick - Estimate Equation Ketik: cpi c Pilih metode: ARCH - OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
21
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
22
tersebut
dalam
jangka
panjang
akan
mendekati
atau
mencapai
kondisi
equilibriumnya. Error Correction Model (ECM) merupakan model yang digunakan untuk
mengoreksi persamaan regresi antara variabel-variabel yang secara individual tidak stasioner
agar kembali ke nilai equilibriumnya di jangka panjang, dengan syarat utama berupa
keberadaan hubungan kointegrasi diantara variabel-variabel penyusunnya. Ada banyak cara
untuk melakukan uji kointegrasi, namun dalam modul ini hanya memaparkan Engle-Granger
Cointegration Test.
2. Petunjuk Operasional Dalam Eviews.
a. Uji Stasioneritas Data
Pada kasus ini, uji stasioneritas juga dilakukan pada setiap variabel. Dengan cara
yang sama seperti pada modul sebelumnya, maka didapat bahwa hasil sebagai berikut:
Null Hypothesis: D(PDI) has a unit root
Augmented Dickey-Fuller test statistic
Test critical values:
1% level
5% level
t-Statistic
-9.592898
-4.068290
-3.462912
Prob.*
0.0000
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
23
10% level
-3.157836
t-Statistic
-7.567202
-4.068290
-3.462912
-3.157836
Prob.*
0.0000
Dimana kedua variabel stasioner pada tingkat first difference. Selanjutnya, kedua variabel
diregresi sehingga dihasilkan bentuk output Eviews sebagai berikut:
Std. Error
t-Statistic
0.008069
119.8712
22.91725 -7.480880
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
Prob.
0.0000
0.0000
2537.042
463.1134
10.02339
10.07969
14369.10
0.000000
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
24
t-Statistic
-3.779071
-2.591813
-1.944574
-1.614315
0.142205
24.25937
50612.48
-400.3706
Prob.*
0.0002
Prob.
0.0003
0.405877
26.19315
9.226911
9.255255
2.277512
Hasil unit root test dapat ditulis dalam bentuk persamaan sebagai berikut:
t = -0275132ut-1
Hasil test unit root dari residual (u), kita bandingkan dengan nilai , hasil perhitungan.
Rumus untuk nilai adalah:
= + 1T-1 + 2T-2
T= jumlah observasi
Jika nilai nilai > t-statistik, maka Ho ditolak, ada kointegrasi. Dan sebaliknya.
Bentuk persamaan regresi ECM adalah sebagai berikut:
PCEt = 0 + 1PDI + 2ut-1 + t
Hasil regresi Eviews akan menghasilkan output pada tabel dibawah ini:
Dependent Variable: D(PCE)
Method: Least Squares
Variable
Coefficient
C
11.69183
D(PDI)
0.290602
Std. Error
2.195675
0.069660
t-Statistic
5.324936
4.171715
Prob.
0.0000
0.0001
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
25
RESID02(-1)
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat
-0.086706
0.171727
0.152006
16.84283
23829.19
-367.6026
1.923381
0.054180 -1.600311
Mean dependent var
S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)
0.1133
16.90345
18.29021
8.519601
8.604632
8.707918
0.000366
1. Pengantar
Metode Vector Autoregression (VAR) pertama kali dikembangkan oleh Christoper
Sims (1980). Kerangka analisis yang praktis dalam model ini akan memberikan informasi
yang sistematis dan mampu menaksir dengan baik informasi dalam persamaan yang
dibentuk dari data time series. Selain itu perangkat estimasi dalam model VAR mudah
digunakan dan diintepretasikan. Perangkat estimasi yang akan digunakan dalam model VAR
ini adalah fungsi impulse respon dan variance decompotition.
Ada beberapa keuntungan dari VAR (Gujarati, 1995:387) yaitu :
1. VAR mampu melihat lebih banyak variabel dalam menganalisis fenomena ekonomi
jangka pendek dan jangka panjang.
2. VAR mampu mengkaji konsistensi model empirik dengan teori ekonometrika.
3. VAR mampu mencari pemecahan terhadap persoalan variabel runtun waktu yang tidak
stasioner ( non stasionary ) dan regresi lancung ( spurious regresion ) atau korelasi
lancung ( spurious correlation ) dalam analisis ekonometrika.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
26
Metode yang ditekankan pada penerapan model VAR adalah (Gujarati, 2003:853) :
1.
2.
3.
4.
Impulse Respon Function (IRF). IRF melacak respon saat ini dan masa
depan setiap variabel akibat perubahan atau shock suatu variabel tertentu.
5.
Model VAR merupakan model yang atheoritic atau tidak berdasarkan teori, hal ini
tidak seperti pada persamaan simultan. Pada persamaan simultan, pemilihan
variabel yang akan dimasukkan dalam persamaan memegang peranan penting dalam
mengidentifikasi model.
2.
Pada model VAR penekanannya terletak pada forecasting atau peramalan sehingga
model ini kurang cocok digunakan dalam menganalisis kebijakan.
3.
Permasalahan yang besar dalam model VAR adalah pada pemilihan lag length atau
panjang lag yang tepat. Karena semakin panjang lag, maka akan menambah jumlah
parameter yang akan bermasalah pada degrees of freedom.
4.
Variabel yang tergabung pada model VAR harus stasioner. Apabila tidak stasioner,
perlu dilakukan transformasi bentuk data, misalnya melalui first difference.
5.
Sering ditemui kesulitan dalam menginterpretasi tiap koefisien pada estimasi model
VAR, sehingga sebagian besar peneliti melakukan interpretasi pada estimasi fungsi
impulse respon dan variance decompotition.
Ada beberapa hal yang penting dalam melakukan estimasi menggunakan model
2.
3.
process.
Data
time
series
dikatakan
stasioner
jika
data
tersebut
tidak
mengandung akar-akar unit (unit root) dengan kata mean, variance, dan covariant konstan
sepanjang waktu. Pengujian akar unit dilakukan dengan metode Augmented Dickey Fuller
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
27
(ADF), yaitu dengan membandingkan nilai ADF statistik dengan Mackinnon critical value 1%,
5%, dan 10%.
Lakukan prosedur berikut :
Workfile Klik variabel yang akan di uji View - Unit root test
Kita akan menguji data pada tingkat level I(0). Jika nilai ADFstatistik lebih besar dari Mackinnon
critical value, maka data tidak mengandung unit root sehingga data dikatakan stasioner.
Demikian pula sebaliknya, jika nilai ADFstatistik lebih kecil dari t-statistik pada Mackinnon
critical value berarti terdapat unit root sehingga data dikatakan tidak stasioner.
Null Hypothesis: M1 has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic
Augmented Dickey-Fuller test statistic
-0.931216
Test critical values:
1% level
-4.211868
5% level
-3.529758
10% level
-3.196411
Prob.*
0.9419
Dari hasil pengujian ternyata variabel M1 pada tingkat level tidak stasioner. Hal ini
dapat dilihat pada nilai ADF test statistic yang lebih kecil dari test critical values-nya, baik
1%, 5%, dan 10%. Selain itu juga terlihat nilai probabilitas yang lebih besar dari = 10%.
Jika dari hasil uji stasioneritas berdasarkan uji ADF diperoleh data seluruh variabel belum
stasioner pada level, maka untuk memperoleh data yang stasioner dapat dilakukan dengan
cara differencing data, yaitu dengan mengurangi data tersebut dengan data periode
sebelumnya, sehingga akan diperoleh data dalam bentuk first difference.
Setelah data dirubah kedalam bentuk first difference maka diperoleh hasil sebagai
berikut:
Null Hypothesis: D(M1) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 0 (Automatic based on SIC, MAXLAG=9)
t-Statistic
Augmented Dickey-Fuller test statistic
-5.065505
Test critical values:
1% level
-4.219126
5% level
-3.533083
10% level
-3.198312
Prob.*
0.0011
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
28
Prob.*
0.0053
Baik pada variabel M1 dan R data telah stasioner pada tingkat first difference. Dapat dilihat
bahwa nilai ADF test statistic kedua variabel lebih besar dari nilai test critical values-nya dan
nilai probabilitas keduanya signifikan pada = 1%. Sehingga kedua variabel tersebut telah
stasioner.
b. Penetuan Lag Optimal
Penentuan jumlah lag dalam model VAR ditentukan pada kriteria informasi yang
direkomendasikan oleh Final Prediction Error (FPE), Aike Information Criterion (AIC),
Schwarz Criterion (SC), dan Hannan-Quinn (HQ). Tanda bintang menunjukkan lag optimal
yang direkomendasikan oleh kriteria diatas.
Lakukan prosedur berikut:
Tandai seluruh variabel Klik kanan Open as VAR OK
Dari VAR Estimation - Pilih View Lag Structure - Lag Length Criteria
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
29
AIC
24.40288
19.26018
19.00355*
19.13157
SC
24.48995
19.52141
19.43893*
19.74111
HQ
24.43357
19.35227
19.15704*
19.34646
Yt 1 j Yt j 2 j X t j u1t
j 1
j 1
j 1
j 1
X t 1 j Yt j 2 j X t j u 2 t
Ada beberapa kasus yang dapat diintepretasikan dari persamaan Granger Causality
diatas (Gujarati,2003:696-697) :
1.
2.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
30
dengan nol dan koefisien lag Y pada persamaan Yt secara statistik signifikan sama
dengan nol.
3.
4.
Independence, artinya tidak saling ketergantungan yang terjadi jika koefisien lag Y
dan lag X adalah secara statistik sama dengan nol pada masing-masing persamaan
Yt dan Xt diatas.
Sedangkan hipotesis statistik untuk pengujian kausalitas dengan menggunakan
Ho :
i 1
it
H1 :
i 1
it
0
0
hasil
pengujian
Obs
38
Granger
F-Statistic
12.9266
3.22343
disebutkan
bahwa
Probability
7.1E-05
0.05263
Ho
menyatakan
tidak
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
31
d. Estimasi VAR
Pada kasus ini persamaan VAR dapat ditulis sebagai berikut:
n
M 1t j M 1t j j Rt j u1t
j 1
j 1
j 1
j 1
Rt j M 1t j j Rt j u 2t
Dari Workfile, tandai semua variabel Klik kanan Open as VAR pilih
Unrestricted VAR OK.
0.257899
(0.16435)
[ 1.56921]
-0.000413
(0.00054)
[-0.76871]
D(R(-1))
-235.9120
(53.3880)
[-4.41882]
0.161317
(0.17432)
[ 0.92541]
D(R(-2))
-7.438080
(58.2922)
[-0.12760]
0.137387
(0.19033)
[ 0.72183]
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
32
222.8912
(113.810)
[ 1.95844]
R-squared
0.414380
Adj. R-squared
0.341178
Sum sq. resids
7187605.
S.E. equation
473.9332
F-statistic
5.660741
Log likelihood
-277.7743
Akaike AIC
15.28510
Schwarz SC
15.50279
Mean dependent
405.9368
S.D. dependent
583.8926
Determinant Residual
Covariance
Log Likelihood (d.f. adjusted)
Akaike Information Criteria
Schwarz Criteria
Untuk melihat apakah
-0.533556
(0.37161)
[-1.43580]
0.250815
0.157166
76.62843
1.547462
2.678264
-65.96965
3.836198
4.053889
-0.026126
1.685579
536064.1
-349.0536
19.40830
19.84369
cara membandingkan nilai t-statistic hasil estimasi dengan nilai t-tabel. Jika nilai t-statistic
lebih besar dari nilai t-tabelnya, maka dapat dikatakan bahwa variabel M1 mempengaruhi R.
e. Fungsi Impulse Respon
Untuk mengetahui pengaruh shock dalam perekonomian maka digunakan metode
impulse respon function. Selama koefisien pada persamaan struktural VAR di atas sulit untuk
diintepretasikan maka banyak praktisi menyarankan menggunakan impulse respon function.
Fungsi impulse respon menggambarkan tingkat laju dari shock variabel yang satu terhadap
variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya
pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau
kembali ke titik keseimbangan. Fungsi ini akan melacak respon dari variabel tergantung
apabila terdapat shock dalam u1 dan u2.
Lakukan Prosedur berikut ini:
Dari Hasil Estimasi VAR View Impulse Respon
Impulse Respon Multiple graph - Analytic
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
33
f. Variance Decompositions
Variance
decompotition
akan
memberikan
informasi
mengenai
proporsi
dari
pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada
periode saat ini dan periode yang akan datang.
Lakukan Prosedur berikut:
Dari hasil estimasi VAR View Variance Decompotition
Variance Decompotition Table None (standart Errors)
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
34
Period
1
2
3
4
5
6
7
8
9
10
D(R)
0.000000
36.79896
39.41012
39.62643
39.64829
39.64361
39.64760
39.64856
39.64886
39.64887
Period
1
2
3
4
5
6
7
8
9
10
D(R)
99.66496
79.61664
80.32013
80.36521
80.38896
80.38651
80.38483
80.38473
80.38470
80.38472
Pada tabel pertama, menjelaskan tentang variance decompotition dari variabel M1,
variabel apa saja dan seberapa besar variabel tersebut mempengaruhi variabel M1.
Pada periode pertama, variabel M1 dipengaruhi oleh variabel itu sendiri (100%).
Namun pada periode kedua variabel R memberikan kontribusinya sebesar 36,79%,
nilai ini terus meningkat hingga periode ke-10 sebesar 39,64%.
Pada tabel kedua, menjelaskan tentang variance decompotition dari variabel R. Pada
awal periode, variabel M1 memberikan pengaruhnya sebesar 0,33%. Pada periode
ke-2, pengaruhnya mulai meningkat hingga 20,38%. Kemudian menurun sebesar
1% hingga periode ke-10, yaitu sebesar 19,61%
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
35
g. Forecast
Metode VAR juga dapat digunakan untuk meramal data di periode yang akan datang.
Lakukan prosedur berikut: Klik Procs Change Workfile Range (Ubah End date:
1989:4)
Ubah juga pada sampel, Klik Procs Sample Ubah End date: 1989:4
Kembali ke estimasi VAR, Klik Procs Make Model Solve OK
Maka di kertas kerja akan muncul data baru yang didalamnya terdapat data periode yang
diramalkan.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
36
Karena itulah VECM sering disebut sebagai desain VAR bagi series nonstasioner yang
memiliki hubungan kointegrasi.
Spesifikasi VECM merestriksi hubungan jangka panjang variabel-variabel endogen
agar konvergen ke dalam hubungan kointegrasinya, namun tetap membiarkan keberadaan
dinamisasi jangka pendek. Istilah kointegrasi dikenal juga sebagai istilah error, karena
deviasi terhadap ekuilibrium jangka panjang dikoreksi secara bertahap melalui series parsial
penyesuaian jangka pendek.
2. Prosedur dalam Eviews
a. Uji Stasioneritas Data
Uji stasioneritas data dalam kasus ini digunakan untuk melihat tingkat kestasioneritasan
suatu data. Jika dalam suatu data terdapat derajat integrasi yang berbeda maka
diindikasikan adanya kointegrasi. Dengan prosedur yang sama seperti modul sebelumya,
didapat hasil uji kointegrasi sebagai berikut:
y
I(1) = I(0)
r
I(1)
Lag
0
1
2
3
4
5
6
LogL
45.06723
257.3937
272.7921
281.1133
319.0398
328.3972
329.5543
LR
NA
407.3201
28.59704
14.94429
65.79086
15.65928
1.865521
FPE
8.51E-05
1.34E-06
1.18E-06
1.20E-06
6.65E-07
6.63E-07*
7.82E-07
AIC
-0.858515
-5.008034
-5.138614
-5.124762
-5.715099
-5.722392*
-5.562333
SC
-0.779383
-4.691508*
-4.584692
-4.333446
-4.686387
-4.456286
-4.058831
HQ
-0.826508
-4.880006
-4.914564
-4.804691
-5.299006*
-5.210278
-4.954197
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
37
7
8
335.7140
348.0830
9.553857
18.42718*
8.36E-07
7.89E-07
-5.504368
-5.573122
-3.763472
-3.594830
-4.800211
-4.772944
Berdasarkan hasil penentuan lag optimal, Lag optimal pada VAR adalah 5 (tanda bintang
yang paling banyak). Maka lag optimal pada VECM adalah 4
c. Uji Kointegrasi
Lakukan prosedur berikut : Tandai semua variabel Klik kanan: as VAR pilih VEC
Cointegration pilih no.5 OK
(summary) - OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
38
Perhatikan letak tanda bintang, tanda bintang menunjukkan lag yang digunakan. Dari hasil
regresi tersebut terdapat dua kriteria, yaitu SC dan AIC. Keputusan penentuan kriteria
antara SC dan AIC tidak dipermasalahkan. Selain penentuan lag, dari hasil tersebut juga
diperlukan dalam menentukan spesifikasi deterministik. Penentuannya adalah dengan
melihat letak tanda bintang berada pada kolom apa Dari hasil tersebut, berdasarkan kriteria
yang kita pilih, misalnya AIC, maka spesifikasi deterministiknya adalah Linear intercept and
trend
Setelah tren data diketahui, langkah selanjutnya adalah menentukan apakah data
tersebut terkointegrasi atau tidak. Penentuan ini dapat dilihat dengan membandingkan nilai
Max-Eigen dan nilai trace-nya. Jika nilai Max-Eigen dan nilai trace-nya lebih besar dari nilai
kritis 1% dan 5% maka data terkointegrasi.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
39
Hypothesized
No. of CE(s) Eigenvalue
Trace
Statistic
5 Percent
1 Percent
Critical Value Critical Value
None **
0.235046
51.74072
42.44
48.45
At most 1
0.186624
24.67886
25.32
30.45
At most 2
0.037078
3.816108
12.25
16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Hypothesized
No. of CE(s) Eigenvalue
Max-Eigen
Statistic
5 Percent
1 Percent
Critical Value Critical Value
None *
0.235046
27.06186
25.54
30.34
At most 1 *
0.186624
20.86275
18.96
23.65
At most 2
0.037078
3.816108
12.25
16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Max-eigenvalue test indicates 2 cointegrating equation(s) at the 5% level
Max-eigenvalue test indicates no cointegration at the 1% level
Berdasarkan hasil uji kointegrasi, terlihat bahwa nilai Trace statistic lebih besar dari
nilai kritis 5% dan 1%. Selain itu, nilai Max-Eigen juga lebih besar nilai kritis 5%, maka
dapat disimpulkan bahwa data tersebut terkointegrasi. Hal ini menujukkan behwa terdapat
hubungan jangka panjang antara variabel y, m, dan r. Terkointegrasinya suatu data
menunjukkan sinyal yang tepat untuk menggunakan metode VECM. Selanjutnya kita dapat
menentukan estimasi VECM.
d. Estimasi VECM
Dalam estimasi VECM ini akan menunjukkan hubungan antara variabel satu dengan
variabel lain baik dalam jangka panjang maupun jangka pendek. Pada tabel bagian atas
menunjukkan hubungan antar variabel dalam jangka panjang, sedangkan bagian bawah
menunjukkan hubungan jangka pendek.
Prosedur: Dari hasil kointegrasi sebelumnya, pilih estimate pastikan lag pada lag
optimal check lagi spesifikasinya sesuai dengan hasil uji kointegrasi Johansen
pada endogenous variabel, pastikan variabel dependent ada didepan OK
Cointegrating Eq:
Y(-1)
CointEq1
1.000000
M(-1)
0.261660
(0.05059)
[ 5.17208]
R(-1)
-0.173293
(1.07856)
[-0.16067]
@TREND(1)
-0.014203
(0.00183)
[-7.78090]
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
40
C
Error Correction:
CointEq1
-13.45238
D(Y)
0.007934
(0.01536)
[ 0.51661]
D(M)
-4.783336
(0.92859)
[-5.15120]
D(R)
0.006771
(0.01736)
[ 0.38998]
D(Y(-1))
-0.308585
(0.09643)
[-3.20015]
19.62085
(5.83017)
[ 3.36540]
0.334980
(0.10901)
[ 3.07303]
D(Y(-2))
-0.272241
(0.10212)
[-2.66585]
14.05796
(6.17436)
[ 2.27683]
0.124763
(0.11544)
[ 1.08075]
D(Y(-3))
-0.238260
(0.09873)
[-2.41319]
12.22537
(5.96948)
[ 2.04798]
0.170040
(0.11161)
[ 1.52351]
D(Y(-4))
0.554164
(0.09161)
[ 6.04945]
14.92603
(5.53857)
[ 2.69492]
0.269248
(0.10355)
[ 2.60006]
D(M(-1))
0.000507
(0.00354)
[ 0.14322]
0.199383
(0.21420)
[ 0.93084]
-0.000312
(0.00400)
[-0.07795]
D(M(-2))
-0.001527
(0.00299)
[-0.51060]
0.126259
(0.18082)
[ 0.69827]
-0.000339
(0.00338)
[-0.10032]
D(M(-3))
-0.000698
(0.00241)
[-0.29027]
0.100044
(0.14542)
[ 0.68797]
0.000161
(0.00272)
[ 0.05934]
D(M(-4))
0.000885
(0.00170)
[ 0.52177]
0.052163
(0.10253)
[ 0.50876]
0.000283
(0.00192)
[ 0.14776]
D(R(-1))
-0.098170
(0.09380)
[-1.04656]
-4.973172
(5.67144)
[-0.87688]
-0.304232
(0.10604)
[-2.86907]
D(R(-2))
-0.114581
(0.09638)
[-1.18881]
-5.638503
(5.82742)
[-0.96758]
-0.127013
(0.10896)
[-1.16574]
D(R(-3))
-0.069431
(0.09694)
[-0.71626]
-6.977150
(5.86081)
[-1.19048]
-0.076394
(0.10958)
[-0.69716]
D(R(-4))
-0.194061
(0.09286)
[-2.08987]
-1.270933
(5.61428)
[-0.22638]
-0.087437
(0.10497)
[-0.83297]
0.008921
(0.00325)
[ 2.74250]
0.683735
0.636477
0.038467
0.021027
14.46814
254.2770
-0.430221
(0.19668)
[-2.18740]
0.566555
0.501788
140.6189
1.271342
8.747515
-160.0249
-0.006475
(0.00368)
[-1.76076]
0.200525
0.081063
0.049157
0.023770
1.678571
241.8940
R-squared
Adj. R-squared
Sum sq. resids
S.E. equation
F-statistic
Log likelihood
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
41
Akaike AIC
-4.757961
Schwarz SC
-4.395469
Mean dependent
0.007178
S.D. dependent
0.034876
Determinant Residual
Covariance
Log Likelihood
Log Likelihood (d.f. adjusted)
Akaike Information Criteria
Schwarz Criteria
3.446038
3.808530
0.026289
1.801172
3.99E-07
-4.512752
-4.150260
5.69E-05
0.024796
336.7935
314.1878
-5.310650
-4.119605
Cara membaca impulse respon dalam VECM juga sama dengan membaca impulse respon
dalam VAR. Pada kuadran atas tengah menggambarkan bagaimana respon dari variabel Y
ketida ada shock/perubahan pada variabel M. Pada awal periode perubahan pada variabel M
direspon positif oleh Y hingga periode ke-3, kemudian kembali ke titik keseimbangan hingga
periode ke-4. Setelah periode ke-4, kembali direspon positif hingga periode ke-7, dan
seterusnya. Cara analisis yang sama juga berlaku untuk kuadran-kuadran yang lain.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
42
f. Variance Decompotition
Variance
decompotition
akan
memberikan
informasi
mengenai
proporsi
dari
pergerakan pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada
periode saat ini dan periode yang akan datang. Fungsi variance decompotition pada VAR dan
VECM adalah sama
Lakukan Prosedur berikut:
Dari hasil estimasi VECM View Variance Decompotition
Variance Decompotition Table None (standart Errors)
1
2
3
4
5
6
7
8
9
10
Variance Decomposition
S.E.
Y
0.021139
100.0000
0.025839
97.57081
0.028262
96.09882
0.029422
95.01546
0.037348
93.50825
0.040533
92.78137
0.042433
92.01668
0.043511
91.52031
0.048385
91.46999
0.050719
91.23877
of Y:
M
0.000000
1.638515
1.419300
1.339942
1.188237
1.416427
1.307736
1.262838
1.179670
1.264402
R
0.000000
0.790677
2.481880
3.644598
5.303511
5.802205
6.675588
7.216850
7.350343
7.496827
1
2
3
4
5
6
7
8
9
10
Variance Decomposition
S.E.
Y
1.278729
0.340643
1.321457
5.858214
1.327996
5.930684
1.336317
5.878751
1.338717
5.932915
1.339175
5.977487
1.346131
6.836227
1.349543
7.194223
1.349951
7.206192
1.350541
7.237450
of M:
M
99.65936
93.57737
92.79204
91.87353
91.72344
91.67374
90.73443
90.27748
90.23991
90.16444
R
0.000000
0.564415
1.277274
2.247720
2.343645
2.348770
2.429338
2.528300
2.553895
2.598108
1
2
3
4
5
6
7
8
9
10
Variance Decomposition
S.E.
Y
0.023764
0.974576
0.030144
9.346332
0.034270
12.11273
0.037618
15.28430
0.040741
20.03636
0.043801
24.49639
0.046135
25.91246
0.048313
27.02703
0.050671
28.67368
0.053074
30.49034
of R:
M
0.007788
0.437286
0.823662
0.878929
1.020732
1.151648
1.164449
1.147191
1.201958
1.251721
R
99.01764
90.21638
87.06360
83.83677
78.94291
74.35196
72.92309
71.82578
70.12436
68.25794
Period
Period
Period
Cara membaca variance decompotition ini sama dengan sebelumnya ketika VAR.
Pada tabel pertama, menunjukkan variance decompotition dari variabel Y. Pada awal periode
baik variabel M maupun R tidak memberikan pengaruh apa-apa terhadap Y. Sehingga pada
awal periode. Variabel Y dipengaruhi oleh variabel itu sendiri. Pada periode ke-2 baik variabel
M maupun R mulai memberikan pengaruhnya, walaupun kontribusinya sangat kecil. Hingga
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
43
periode ke-10 kedua variabel tersebut memberikan pengaruh yang kecil terhadap Y, kurang
dari 10%. Analisis yang sama juga dilakukan untuk variance decompotition yang lain.
PERSAMAAN SIMULTAN
variabel
tak
bebas
dalam
satu
atau
lebih
persamaan
juga
lebih
dulu
(nonstokastik).
Variabel
predetermined
terbagi
menjadi dua kategori, yaitu variabel eksogen dan variabel lag endogen.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
44
Qtd 0 1 Pt u1t
1< 0
Fungsi penawaran
Qts 0 1 Pt u 2t
1> 0
C t 0 1Yt u t
Fungsi pendapatan
Yt C t I t ( S t )
0<1<1
Wt 0 1UN t 2 Pt u1t
Pt 0 1Wt 2 Rt 3 M t u 2t
Dimana W adalah tingkat perubahan upah uang, UN adalah tingkat penganggur, P
adalah tingkat perubahan harga, R
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
45
adalah tingkat perubahan harga bahan baku yang diimpor, T adalah waktu, dan u 1,
u2 adalah gangguan stokastik
3. Masalah Identifikasi/Pengidentifikasian
Pengidentifikasian
adalah
menaksir
angka
dari
parameter
persamaan
struktural apakah dapat diperoleh dari koefisien bentuk yang direduksi dapat
ditaksir. Jika ini dapat dilakukan, kita mengatakan bahwa persamaan tertentu
diidentifikasikan (identified). Suatu persamaan yang diidentifikasikan bisa berupa
tepat (sepenuhnya) diidentifikasikan (exactly atau fully atau just identified) atau
terlalu diidentifikasikan (overidentified).
Dikatakan tepat diidentifikasikan jika nilai angka yang unik dari parameter
struktural dapat diperoleh. Dikatakan terlalu diidentifikasikan (overidentified) jika
lebih dari satu nilai angka dapat diperoleh untuk beberapa parameter persamaan
struktural.
0 1 Pt u1t 0 1 Pt u 2t
maka harga equilibrium (reduced form),
0 0
1 1
u u1t
vt 2 t
1 1
0
Pt 0 vt ,
dimana:
kemudian Q equilibrium,
1 0 0 1
1 1
u 1u1t
wt 1 2t
1 1
t
Qt t wt ,
dimana:
: Qt 0 1 Pt u 2t
1 < 0, 2 > 0
1 > 0
0 1 Pt 2 X t u1t 0 1 Pt u 2t
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
46
didapatkan Pt:
0 0
1 1
2
Pt 0 1 X t vt , dimana reduced form: 1
1 1
u u1t
vt 2t
1 1
0
kemudian Qt :
1 0 0 1
1 1
3 2 1
1 1
u 1u1t
wt 1 2 t
1 1
2
Qt 2 3 X t wt , dimana :
0 2 1 0 dan 1
3
1
3.3 Overidentification
Dalam fungsi demand : Qt 0 1 Pt 2 X t 3 Rt u1t
Fungsi supply : Qt 0 1 Pt 2 Pt 1 u 2t
Dimana, R merepresentasikan kekayaan (wealth).
Dengan cara yang sama didapat equilibrium harga dan kuantitas:
Pt 0 1 X t 2 Rt 3 Pt 1 vt
Qt 4 5 X t 6 X t 7 Pt 1 wt
2
1 1
2
3
1 1
5 2 1
1 1
7 1 2
1 1
u u1t
vt 2 t
1 1
1
dimana,
0 0
1 1
3
2
1 1
0 1
4 1 0
1 1
6 3 1
1 1
u 1u1t
wt 1 2t
1 1
0
47
struktural dapat diperoleh. Menurut Order and Rank Condition, agar sebuah sistem
persamaan simultan dengan M persamaan struktural dapat diidentifikasi maka
setidaknya harus memiliki M-1 variabel endogen. Jika jumlah variabel endogen
tepat M-1 maka persamaan tersebut dikatakan exactly identified dan jika jumlah
variabel endogen lebih dari M-1 maka persamaan tersebut dikatakan over identified
atau agar sebuah sistem persamaan simultan dengan M persamaan struktural
dapat diselesaikan, jumlah variabel predetermine yang ada dalam persamaan
tersebut harus tidak kurang dari jumlah variabel endogen yang ada dalam
persamaan dikurangi satu.
Maka, M = jumlah variabel endogen dalam model
m = jumlah variabel endogen pada setiap persamaan struktural
K = jumlah variabel predetermine dalam model
k = jumlah variabel predetermine pada setiap persamaan struktural dalam
model
a. Jika K-k = m-1 maka persamaan tersebut dikatakan exactly (just) identified
b. Jika K-k > m-1 maka persamaan tersebut over identified
c. Jika K-k < m-1 maka persamaan tersebut under identified
4. Metode Menyelesaikan Persamaan Simultan
a. Indirect Least Square (ILS/ Metode kuadrat terkecil tidak langsung)
Metode ini digunakan pada persamaan struktural yang tepat teridentifikasi
(exactly identified). Langkah-langkah penyelesaian ILS adalah sebagai berikut:
1. Mengubah persamaan struktural menjadi bentuk persamaan reduksi
2. Menerapkan metode OLS (Ordinary Least Square) untuk setiap persamaan
reduksi.
3. Mendapatkan nilai estimasi dari koefisien struktural asli dari koefisien reduksi
yang ditaksir dari langkah kedua..
b. Two Stage Least Square (2SLS/ Metode Kuadrat Terkecil Dua Tahap)
2SLS
digunakan
untuk
memperoleh
nilai
parameter
struktural
pada
persamaan yang teridentifikasi berlebih. Metode ini dapat diterapkan pada suatu
sistem persamaan individu dalam sistem tanpa memperhitungkan persamaan lain
secara langsung dalam sistem.
5. Aplikasi Pada Eviews
Menyelesaikan persamaan simultan dengan sistem just identified. Misalnya
model permintaan dan penawaran :
Fungsi demand : Qt 0 1 Pt 2 X t u1t
d
Fungsi supply
: Qt 0 1 Pt u 2t
s
48
Langkah pertama untuk Eviews sama seperti olah data time series atau
cross section yaitu import data. Buka Eviews Klik File New Workfile.
Pilih Frequency dan Range data sesuai data yang digunakan. Klik OK.
Pada tampilan Workfile, Klik Procs Import Read Text-Lotus-Excel.
Cari data excel sesuai dengan tempat data disimpan. Klik Open.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
49
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
50
Blok seluruh data Fitted dan copy ke Group. Caranya Blok semua data dalam
kolom Fitted Klik kanan Copy.
Buka Group, Klik Edit+/- tempatkan kursor pada kolom kosong sebelah
variabel X kemudian Klik kanan Paste. Pastikan data telah terkopi dengan
lengkap dan benar.
Kemudian pada Group, Klik Procs Make Equation Tulis persamaan pada
Equation Specification, Q menjadi endogen variabel, Fitted menjadi eksogen
variabel Method Least Square Klik OK.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
51
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
52
Muncul Equation Specification, ketik endogen variabel dan eksogen variabel. Pilih
Method Two-Stage Least Squares.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
53
3. METODE ILS
Buka Workfile dan Import data kedalam Workfile. Kemudian Blok
seluruh variabel dan Klik kanan Open as Group.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
54
Kemudian lakukan copy object untuk melakukan regresi persamaan kedua. Pada
Equation Klik Objects Copy Object. Kemudian di Equation yang baru buat
estimasi seperti tampilan dibawah ini. P menjadi endogen variabel dan X menjadi
eksogen variabel. Estimation Setting menggunakan Method Least Square.
Hasil regresi persamaan kedua telah didapatkan. Dua hasil regresi yang ada
menjadi sumber untuk mendapatkan persamaan model awal. Ambil koefisien dari
kedua hasil regresi ini dan kita hitung koefisien untuk persamaan awal.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
55
Panel Data
1. Pengantar
Data panel atau pooled data adalah kombinasi dari data time series dan data
cross section. Dengan menggabungkan data time series dan cross section
(pooling), maka jumlah observasi bertambah secara signifikan tanpa melakukan
treatment apapun terhadap data.
Ada tiga metode yang bisa digunakan untuk bekerja dengan data panel.
Menurut Verbeek (2000:313-19) metode yang pertama adalah pendekatan pooled
least square (PLS) secara sederhana menggabungkan (pooled) seluruh data time
series dan cross section dan kemudian mengestimasi model dengan menggunakan
metode ordinary least square (OLS). Kedua, pendekatan fixed effect (FE)
memperhitungkan kemungkinan bahwa peneliti menghadapi masalah omitted
variables dimana omitted variables mungkin membawa perubahan pada intercept
time series atau cross section. Model dengan FE menambahkan dummy variables
untuk mengizinkan adanya perubahan intercept ini. Ketiga, pendekatan efek acak
(random
effect)
memperbaiki
efisiensi
proses
least
square
dengan
....................(3.1)
b. Fixed effect
Yit = 1 + 2D2 + .....+ nDn + 2X2it + ...+ nXnit + uit
....................(3.2)
c. Random effect
Yit = 1 + 2X2it + ...+ nXnit + it + uit
....................(3.3)
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
56
.....................(3.4)
Selain itu, dalam teknik estimasi model regresi data panel, terdapat uji F dan uji
Hausman. Uji F dapat digunakan untuk memilih teknik dengan model pooled least
square (PLS) atau model fixed effect dengan rumus sebagai berikut (Gujarati,
2003:643):
( R 2 ur R 2 r ) /( m )
(1 R 2 ur ) /( n k )
....................( 3.5)
Di mana:
R2r
= R2 model PLS
R2ur
= R2 model FEM
= jumlah sample
hitung
> F
tabel
pada
= b_fixed b_random
Matrix var_diff
= cov_fixed cov_random
Matrix qform
= @transpose(b_diff)*@inverse(var_diff)*b_diff
57
H1 = fixed effect
Apabila Chi Sqare hitung > Chi Square tabel dan p-value signifikan maka H0 ditolak
dan model fixed effect lebih tepat untuk digunakan ( Aulia, 2004:31).
Misal kita ingin mengetahui bagaimana investasi (Y) tergantung pada nilai
perusahaan (X2) dan stok modal (X3). Untuk hal tersebut ada empat data
perusahaan yaitu General Electric (GE), General Motor (GM), U.S. Steel (US), dan
Westinghouse (WEST). Data untuk tiap perusahaan dengan tiga variabel tersebut
tersedia untuk periode 1935-1954. Maka ada empat cross-sectional units dan 20
time period. Untuk keseluruhan terdapat 80 observasi. X2 dan X3 diperkirakan
berhubungan positif terhadap Y.
Pooling atau combining semua 80 observasi, kita dapat menulis fungsi
investasi sebagai berikut:
Yit 1 2 X 2it 3 X 3it u it
i 1,2,3,4
t 1,2,...,20
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
58
Selanjutnya pada direktori New Object pilih Pool dan Klik OK.
Setelah Klik OK muncul Pool. Dibawah cross section identifiers kita isikan unit
cross-section. Kita tulis GE, GM, US, West sesuai dengan data yang ada dalam
program excel.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
59
Setelah itu masih tetap pada Pool, Klik Procs Import Pool data.
Kemudian kita cari file data panel yang telah disimpan sebelumnya.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
60
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
61
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
62
Beri nama salah satu Pool dengan Klik Name Object Name, misalnya kita beri
nama pls karena menunjukkan hasil estimasi pooled least square.
b. Fixed Effect
Pada Pool yang belum kita beri nama Klik Estimate dan langkahnya sama
seperti semula. Sekarang pada Intercept Klik fixed effect OK.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
63
Untuk mendapatkan hasil regresi random effect pada Pooled Estimation pilih
Intercept Random Effect.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
64
d. Uji Hausman
Jika kita ingin menjalankan program tes Hausman ada beberapa langkah
yang harus dijalankan. Pertama, Workfile tersebut kita simpan dalam Eviews data.
Caranya Klik File Save As. Cari Program Eviews Example Files Data.
Beri nama filenya misal lat2 lalu Klik OK.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
65
Cari Folder Eviews folder Example files folder cpr Hausman. prg
Open
Pada program Hausman ada beberapa command yang harus disesuaikan menurut
Workfile kita. Command tersebut adalah :
load..\data\lat2 (sesuai dengan tempat dan nama data disimpan)
Pada estimate fixed effects and store results:
fix.ls(f) y? x2? x3?
vector beta = fix.@coefs
matrix covar = fix.@cov
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
66
Pada Run Program, isi Program name or path sesuai dengan lokasi Workfile
disimpan. Jika sudah Klik OK
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
67
Hasil tes Hausman akan muncul seperti di bawah ini. Ada dua nilai yaitu chi-square
dan nilai probabilitas. Dari nilai tersebut kita dapat menentukan apakah H 0 ditolak
atau diterima.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
68
ARCH/GARCH
1. Pengantar
Data time series, terutama seperti data indeks saham, tingkat bunga, nilai tukar, dan
inflasi, sering kali bervolatilitas. Implikasi data yang bervolatilitas adalah variance dari error
tidak konstan. Dengan kata lain mengalami heteroskedatisitas. Implikasi dari adanya
heteroskedatisitas terhadap estimasi OLS tetap tidak bias, tetapi standart error dan interval
keyakinan menjadi terlalu sempit sehingga dapat memberikan sense of precision yang salah.
Untuk menjawab pertanyaan-pertanyaan mengenai volatilitas, peralatan standar
yang digunakan adalah model ARCH/GARCH. Model ini menganggap variance yang tidak
konstan (heteroskedatisitas) bukan suatu masalah, tetapi justru dapat dgunakan untuk
modeling dan peramalan.
2. Prosedur dalam Eviews
Langkah pertama dalam metode ARCH/GARCH adalah melihat apakah data tersebut
mengandung efek ARCH/GARCH. Dalam kasus ini kita akan menguji ada tidaknya efek
ARCH/GARCH dengan menggunakan ARCH LM Test.
Lakukan prosedur berikut: Import data hingga muncul data pada Workfile
Regresi variabel tersebut dengan OLS: return c - OK
Sehingga akan tampak hasil regresi seperti dibawah ini:
Langkah kedua adalah melihat apakah terdapat efek ARCH pada residu dari model OLS yang
ada. Ada beberapa cara untuk menguji efek ARCH, yaitu:
1. ARCH LM Test
Lakukan prosedur berikut: Dari hasil regresi OLS Klik View Residual test - ARCH
LM Test
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
69
Cara membaca test tersebut sama dengan ketika kita menguji ada tidaknya Autokorelasi.
Dengan melihat probabilitas F-statistik dan Obs*R-squared yang kurang dari 10%, maka Ho
yang menyatakan tidak ada efek ARCH, ditolak. Kesimpulannya adalah terdapat efek ARCH.
2. Correlogram Squared Residual
Jika persamaan varian pada model benar, maka Q-stat adalah signifikan, autokorelation dan
Korelasi parsial mendekati nol pada semua lag. Bila memang ada efek ARCH/GARCH pada
residu, maka dapat digunakan ARCH/GARCH untuk mengolah data.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
70
Pemilihan model yang baik berdasarkan pada signifikansi probabilitas dan nilai AIC dan SC
terkecil. Pada hasil estimasi diatas menunjukkan probabilitas semua parameter telah
significan. Untuk melihat apaka model ini sudah efektif, kita dapat membandingkan dengan
model lain. Misalnya dengan memasukkan suku GARCH.
Kembali pada box Equation Specification, Rubah order dengan menambahkan angka 1 pada
pilihan order.. Maka akan didapat hasil sebagai berikut:
Ternyata nilai AIC dan SC pada model kedua lebih besar dari model pertama. Maka model
pertama lebih baik daripada model kedua. Cara yang sama dapat dilakukan untuk mencarai
model yang terbaik.
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
71
Kampus B - Jl. Airlangga 4 Surabaya 60286 Telp. (031) 5033642; 5036584 Fax. (031) 5026288
Website: http://www.fe.unair.ac.id E-mail: fe@unair.ac.id, info@fe.unair.ac.id
72