Pertemuan 9 - Time Series

Kointegrasi dan ECM

Oleh: FITRI KARTIASIH, S.ST, S.E, M.Si

SEKOLAH TINGGI ILMU STATISTIK

Pendahuluan
Salah satu asumsi penting dalam pendugaan parameter
dg metode least square adl homoskedastis dan non
autokorelasi
Persolannya: data time series seringkali menunjukkan
kondisi tidak stasioner (heteroskedastis, auto korelasi)
Pada kondisi non stasioner, sering ditemui dua atau lbh
variabel time series bergerak dg arah yang sama atau
berlawanan, tetapi pergerakan tsb tjd scr kebetulan dan
tidak memiliki dasar teori atau logika.
Tahun Penduduk Indonesia Penduduk Amerika Serikat
2000 205132 282172
2001 207995 285082
2002 210898 287803
2003 213841 290326
2004 216826 293045
2005 219852 295753
2006 222747 298593
2007 225642 301579
2008 228523 304374
2009 231370 307006
2010 237556 308745
330000

310000

290000

270000

250000

230000

210000

190000

170000

150000
2000 2001 2002 2003 2004 2005 2006 2007 2008 2009 2010

Penduduk Indonesia Penduduk Amerika Serikat

Regression Analysis: Penduduk Indonesia versus Penduduk Amerika Serikat

The regression equation is

Penduduk Indonesia = - 114046 + 1.13 Penduduk Amerika Serikat

Predictor Coef SE Coef T P VIF

Constant -114046 12431 -9.17 0.000
Penduduk Amerika Serikat 1.12918 0.04200 26.89 0.000 1.000

S = 1195.27 R-Sq = 98.8% R-Sq(adj) = 98.6%

Analysis of Variance

Source DF SS MS F P
Regression 1 1032691714 1032691714 722.83 0.000
Residual Error 9 12858072 1428675
Total 10 1045549786

Durbin-Watson statistic = 1.43636

Spurious Regression
Ciri-ciri :
R2 sangat tinggi/rendah
T-test / F test sangat signifikan
DW rendah residual berkorelasi (non-
stasioner)
Biasanya R2 > DW
Mengapa hasil regresi tsb bagus?
Kedua data bergerak dengan arah yg sama
secara kebetulan, tetapi diantara keduanya tidak
ada hubungan kausalitasnya
Fenomena ini disebut spurious regression
Untuk menghindari spurious regression, sblm
mengembangkan model yang menggambarkan
hub sebab akibat, peneliti harus mengkaji latar
belakang teori hub sebab akibat tsb.
Regresi Terkointegrasi
Misalnya dua peubah Yt dan Xt tidak stationer pada level,
tetapi stasioner pada diferensi yg sama (misalnya pd diferensi
pertama).
Jika et juga stasioner, kedua peubah adalah terkointegrasi
dan regresi antara Xt dan Yt disebut sebagai regresi yang
terkointegrasi.
 Contoh hubungan dua variabel yang tidak stasioner dalam
analisis time series tetapi keduanya terkointegrasi
 Misalkan hubungan antara X danY berdasarkan Gambar di atas:
= 0 + 1 + (1) Persamaan Jangka Panjang
Meskipun kedua variable di atas Yt dan Xt di atas tidak
stasioner di level, tapi mungkin saja kombinasi linier kedua
variable tsb stasioner.
= 0 1
1 = 1 0 1 1
= 0 + 1 + 2 + (2) Persamaan Jangka Pendek
= 1
Error Term ( ) dalam hal ini mrp kombinasi linier. Jika
stasioner, kedua peubah adalah terkointegrasi dan regresi antara
Xt dan Yt disebut sebagai regresi yang terkointegrasi.
 Model ECM dua peubah diberikan sbb:
= 0 + 1 + 2 + pers.jangka pendek untuk
forecast
Dimana:
= differens
= 1 = lag1 dari nilai residual yang diinterpretasikan
sebagai kesalahan keseimbangan(error correction component)
periode waktu sebelumnya(t-1)
=error yang memenuhi asumsi klasik
Merupakan model ECM tingkat pertama(first order error
correction model) karena menggunakan lag 1 dari error
correction.
Dapat menggunakan ordo lag yang lebih besar dari satu
sehingga memperoleh model ECM tingkat kedua atau tingkat
ketiga(tidak dipelajari dalam kuliah ini).
Error Correction Term

The error correction term tells us the speed with

which our model returns to equilibrium
following an exogenous shock.
It should be negatively signed, indicating a
move back towards equilibrium, a positive sign
indicates movement away from equilibrium
The coefficient should lie between 0 and 1, 0
suggesting no adjustment one time period later,
1 indicates full adjustment
 Dalam time series, variabel2 yang saling
terkointegrasi berarti mempunyai hubungan
jangka panjang dan dikatakan dalam keadaan
long run equilibrium
Meskipun Yt dan Xt stasioner dan mungkin
spurious regression, namun jika terkointegrasi,
maka regresinya menjadi meaning full dan
bukan spurious regression.
 Untuk mengetahui apakah X dan Y mempunyai hubungan
jangka panjang yang stabil atau dalam ekonometrika
mempunyai hubungan kointegrasi dapat dilakukan dengan
menguji residual dari persamaan regresi .
Uji residual tersebut
mempunyai hipotesis:
H0 : et mengandung unit root (tidak stasioner)
H1 : et tidak mengandung unit root (stasioner)
atau dengan kata lain:
H0 : X dan Y tidak terkointegrasi
H1 : X dan Y terkointegrasi
Kointegrasi
Kointegrasi dapat diartikan sebagai suatu hubungan
jangka panjang (long term relationship/ekuilibrium)
antara variabel-variabel yang tidak stasioner.
Keberadaan hubungan kointegrasi memberikan
peluang bagi data-data yang secara individual tidak
stasioner untuk menghasilkan sebuah kombinasi linier
diantara mereka sehingga tercipta kondisi yang
stasioner
Error Correction Mechanism (ECM)

Secara ekonomi, kointegrasi menunjukkan adanya hubungan

keseimbangan jangka panjang antara kedua peubah.
Namun, walaupun tdpt keseimbangan jangka panjang, dlm jangka
pendek mungkin saja keduanya tidak mencapai keseimbangan.
Dalam jangka pendek apa yang diinginkan pelaku ekonomi (desired)
belum tentu sama dengan apa yang terjadi sebenarnya.
Terjadinya perbedaan antara yang diinginkan dengan yang terjadi
sebenarnya tersebut, memerlukan adanya penyesuaian (adjusment).
Model yang memasukkan penyesuaian untuk melakukan koreksi
ketidakseimbangan jangka pendek menuju keseimbangan jangka
panjang disebut Error Correction Mechanism (ECM)
Model Error Correction Mecahnism
(ECM)
Error Correction Mechanism (ECM)
merupakan model yang digunakan untuk
mengkoreksi persamaan regresi antara variabel-
variabel yang secara individual tidak stasioner
agar kembali ke nilai ekuilibriumnya di jangka
panjang, dengan syarat utama berupa
keberadaan hubungan kointegrasi di antara
variabel-variabel penyusunnya
Pengujian Hubungan Kointegrasi

Kointegrasi adalah suatu hubungan jangka panjang antara

variabel-variabel yang meskipun secara individual tidak
stasioner, tetapi kombinasi linier antara variabel tersebut dapat
menjadi stasioner (Thomas, 1997).
Metode yang dapat digunakan untuk melakukan uji
kointegrasi, seperti Engle-Granger Cointegration Test,
Johansen Cointegration Test, dan Cointegration Regression
Durbin-Watson Test.

18
Kointegrasi Engle-Granger (1987)
Model Permintaan Uang Riil

nmrt = + 1gdprt + 2rirt + ut (1)

Kombinasi linier dicerminkan oleh ut sehingga

nmrt - - 1gdprt - 2rirt = ut (2)

Uji ut apakah stasioner atau tidak dengan metode ADF. Jika stasioner
maka persamaan (1) adalah persamaan yang terkointegrasi sehingga
parameter-parameter yang dihasilkan dalam persamaan (1) adalah
parameter-parameter kointegrasi (jangka panjang).
Contoh:
Dependent Variable: LOG(NMR)
Method: Least Squares
Date: 08/06/08 Time: 09:55
Sample: 1970:1 2001:4
Included observations: 128
Newey-West HAC Standard Errors & Covariance (lag truncation=4)

Variable Coefficient Std. Error t-Statistic Prob. Uji Stasioner

terhadap residual
C -1.856794 0.198831 -9.338543 0.0000
LOG(GDPR) 1.089952 0.018558 58.73170 0.0000 Persamaan ini
RIR -0.722611 0.137536 -5.253967 0.0000

R-squared 0.990947 Mean dependent var 9.908557

Adjusted R-squared 0.990802 S.D. dependent var 0.781381
S.E. of regression 0.074940 Akaike info criterion -2.321099
Sum squared resid 0.702001 Schwarz criterion -2.254255
Log likelihood 151.5504 F-statistic 6841.039
Durbin-Watson stat 0.534934 Prob(F-statistic) 0.000000
Null Hypothesis: U has a unit root
Exogenous: None
Lag Length: 5 (Fixed)

t-Statistic Prob.*
Uji Kointegrasi
Augmented Dickey-Fuller test statistic -4.402289 0.0000
Test critical values: 1% level -2.584055
5% level -1.943471
10% level -1.614984

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

H0: tidak kointegrasi
H1: terkointegrasi
Augmented Dickey-Fuller Test Equation
Dependent Variable: D(U)
Method: Least Squares
Date: 08/06/08 Time: 09:59
Nilai t-ADF/t-AEG
Sample (adjusted): 1971:3 2001:4
Included observations: 122 after adjustments
= - 4,402 lebih kecil
Variable Coefficient Std. Error t-Statistic Prob.
dibanding critical values
U(-1) -0.374096 0.084978 -4.402289 0.0000
sehingga signifikan dan bisa
D(U(-1))
D(U(-2))
0.003366
0.234894
0.096035
0.092060
0.035053
2.551519
0.9721
0.0120
tolak H0
D(U(-3)) 0.030091 0.090767 0.331513 0.7409
D(U(-4)) 0.213650 0.090519 2.360275 0.0199
D(U(-5)) 0.084999 0.088666 0.958642 0.3397
Artinya antara ketiga
R-squared
Adjusted R-squared
0.236958
0.204069
Mean dependent var
S.D. dependent var
-8.86E-05
0.053206
variabel yang dianalisis
S.E. of regression 0.047468 Akaike info criterion -3.209611
Sum squared resid 0.261368 Schwarz criterion -3.071708
adalah terkointegrasi
Log likelihood 201.7863 Durbin-Watson stat 2.000273
Fakta.
Variabel nmr dan gdpr adalah variabel-variabel yang tidak
stasioner pada level tapi stasioner pada first difference atau
~I(1), sementara rir stasione pada level atau rir ~I(0).
Kombinasi linier ketiga variabel (diwakili oleh u) tersebut
stasioner atau u~I(0). Terkointegrasi.
Model yang paling baik dengan karakteristik variabel-variabel
time-series seperti ini adalah model koreksi kesalahan (error
correction model/ECM).
ECM dapat menjelaskan pengaruh jangka pendek sekaligus
pengaruh jangka panjang dari variabel-variabel independen
terhadap variabel dependennya.
Ada koefisien koreksi (penyesuaian) jangka pendek menuju
jangka panjang (equilibrium).
Variabel-variabel yang digunakan adalah variabel-variabel yang
stasioner.
ECM Engle-Granger (1987)
Model Umum
nmrt 1gdprt 2 rirt 3ut 1 t
adalah first difference dan 1< 3 < 0 (Hendry,
1997). Koefisien 3 adalah error correction terms
(ECT) atau speed of adjusment (harus bersifat
negatif), karena koefisien ini mewakili kecepatan
penyesuaian dari jangka pendek ke jangka panjang
atau equilibrium. Ut-1 adl variabel ECM (error
jangka panjang). t Adalah error jk pendek
 Persamaan jangka panjang pada metode ECM
memilki keterbatasan interpretasi, sedangkan
persamaan jangka pendeknya bebas
diinterpretasikan, tentu saja dengan pengujian
asumsi2 regresi dulu sebelumnya. Koefisien
regresi pada persamaan jangka panjang hanya
dapat diinterpretasi berdasarkan arah
pengaruhnya, positif atau negatif.
Langkah-langkah dalam ECM
1. Uji stasioneritas semua variabel
2. Jika variabel tidak stasioner pada level, maka lakukan uji
stasioneritas pada first difference. Jika stasioner pada diff yg sama
maka lanjut ke langkah berikutnya
3. regresikan persamaan dari variabel yg tdk stasioner tsb
4. simpan residual dari pers regresi tsb
5. uji stasioneritas dari residual. Jika residual stasioner, maka
variabel2 tsb dikatakan terkointegrasi. Jika tidak stasioner balik lg
ke langkah 1
6. regresikan persamaan ECM nya
Syarat model ECM:
Variabel tidak stasioner pada level
Harus stasioner pada diff yang sama
Error/residual harus stasioner di level
Kesimpulan
Beberapa variabel dalam analisis time series terkadang bersifat tidak
stasioner. Hubungan beberapa variabel dalam analisis time series dimana
minimal terdapat satu variabel yang tidak stasioner bisa menghasilkan
hubungan yang semu (spurious regression). Akan tetapi hubungan tersebut
juga bisa menghasilkan hubungan jangka panjang yang stabil. Hubungan
jangka panjang yang stabil ini bisa diketahui dengan metode uji kointegrasi.