Model ECM muncul sebagai jawaban bagi data yang tidak stasioner pada level,

namun telah stasioner setelah dilakukan differensiasi. Model ECM mensyaratkan terjadinya
kointegrasi antara variabel Y dan variabel X. Kointegrasi dinyatakan bahwa ketika kedua
variabel tidak mencapai keseimbangan dan menyimpang dari titik keseimbangan pada jangka
pendek, namun pada keadaan jangka panjang, mekanisme ekonomi akan membawa hubungan
kedua variabel tersebut ke titik ekuilibrium. Hal ini dapat dideteksi ketika residual dari kedua
variabel tersebut stasioner, sehingga cara untuk menguji apa ada kointegrasi adalah
melakukan pengujian stasioneritas pada residual dari kedua variabel tersebut.
Pada Kointegrasi, hubungan kedua variabel yang keduanya tidak stasioner pada level
namun stasioner pada differens yang sama, akan menghasilkan suatu kombinasi linear yang
stasioner pada level. Hubungan kedua variabel yang tidak stasioner namun memiliki
kombinasi linear yang stasioner menandakan bahwa hubungan kedua variabel tersebut tidak
akan menggambarkan suatu keseimbangan dan sesuai harapan pada jangka pendek, namun
akan menuju keseimbangan pada keadaan jangka panjang. Adanya penyimpangan kondisi
jangka pendek dari keadaan keseimbangan membutuhkan suatu koreksi agar persamaan
tersebut dapat menuju ke keadaan keseimbangan pada kondisi jangka panjang. Oleh karena
itu dibutuhkan suatu teknik untuk mengoreksi ketidakseimbangan jangka pendek menuju
keseimbangan jangka panjang, Atau dengan kata lain diperlukan model yang memasukkan
penyesuaian untuk melakukan koreksi bagi ketidakseimbangan yaitu Model Koreksi
Kesalahan. Rumusan ECM yang digunakan pada kajian ini mengacu pada Model Koreksi
Kesalahan Engle Granger.
Model yang digunakan pada penelitian ini menggunakan model ECM, dimana model
ECM adalah model yang digunakan untuk mengkoreksi penyimpangan dari kondisi jangka
pendek untuk menuju ke keseimbangan jangka panjang. Model ECM muncul ketika
ditemukan masalah spurious regression ( regresi palsu ), dimana nilai R-square besar namun
nilai Durbin Watson (DW) kecil sehingga terjadi autokorelasi. Masalah regresi palsu ini
sangat mengganggu analisis data dikarenakan model yang terbentuk tidak akan memiliki arti.