DAFTAR ISI

1 VECTOR AUTOREGRESSIVE (VAR) ................................................................... 2

2 VECTOR ERROR CORECTION MODEL (VECM) ............................................. 3

3 TAHAPAN ANALISIS VAR DAN VECM ............................................................... 4

3.1 Uji Stationer ............................................................................................................ 4

3.2 Uji Augmented Dickey-Fuller (ADF) ..................................................................... 4

3.3 Uji Lag Optimal ...................................................................................................... 4

3.4 Uji Kointegrasi ........................................................................................................ 5

3.5 Causality Granger ................................................................................................... 5

3.6 Pendugaan Parameter .............................................................................................. 6

3.7 Impulse Response ................................................................................................... 6

3.8 Variance Decomposition......................................................................................... 6

3.9 Memeriksa Kelayakan Model Terpilih ................................................................... 7

3.9.1 Uji White Noise................................................................................................ 7

3.9.2 Uji Kenormalan Error....................................................................................... 8

4 ILUSTRASI VAR MENGGUNAKAN EVIEWS ..................................................... 9

4.1 Langkah-langkah dalam Analisis VAR .................................................................. 9

4.1.1 Import Data ...................................................................................................... 9

4.1.2 Forcesting ....................................................................................................... 27

5 ILUSTRASI VECM MENGGUNAKAN EVIEWS ............................................... 29

5.1 Langkah-langkah dalam Analisis VECM ............................................................. 29

5.1.1 Import Data .................................................................................................... 29

5.1.2 Forcesting ....................................................................................................... 49

DAFTAR PUSTAKA ................................................................................................... 50

1|Analis is Deret Wak tu (mo del VAR and VE CM)

 1 VECTOR AUTOREGRESSIVE (VAR)

Jika data yang akan digunakan adalah data deret waktu (time series) dan
memiliki banyak peubah, data deret waktu multivariat ini dapat dimodelkan dengan
model VAR (vector autoregressive) yang merupakan perluasan dari model ARIMA
(Montgomery et al, 2008). Vector autoregressive (VAR) dikembangkan oleh Cristoper
A. Sims pada tahun 1980. Model VAR menjelaskan keterkaitan antar pengamatan pada
variabel tertentu pada suatu waktu dengan pengamatan pada variabel itu sendiri pada
waktu-waktu sebelumnya dan juga keterkaitannya dengan pengamatan pada variabel
lain pada waktu-waktu sebelumnya (Wutsqa dan Suhartono, 2010). Seperti halnya
model ARIMA, VAR memiliki asumsi bahwa data yang digunakan harus stasioner pada
rataan dan ragam dan sisaan bersifat white noise yakni acak (tak berpola), ragam
konstan, saling bebas dan berdistribusi normal. Kelebihan dari model VAR adalah:
1. Model VAR adalah model yang sederhana dan tidak erlu membedakan mana
variabel yang endogen dan eksogen. Semua variabel pada model VAR dapat
dianggap sebagai variabel endogen.
2. Cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS
pada setiap persamaan secara terpisah.
Secara umum, model VAR(p) dengan p merupakan ordo autoregressive serta peubah
sebanyak k pada waktu ke-t dapat ditulis sebagai berikut (Wei, 2006):

dimana 𝑍𝑍𝑡𝑡 adalah vektor data deret waktu berukuran kx1, 𝜔𝜔 adalah vektor konstanta
berukuran kx1, 𝜙𝜙𝑖𝑖 adalah matriks parameter autoregressive berukuran k x k ( untuk
setiap i=1,2,...,p) dan 𝜀𝜀𝑡𝑡 adalah vektor sisaan berukuran kx1.
Contoh model VAR yang sederhana adalah:
Z1t = φ10 + φ11Z1,t−1 + φ12Z2,t−1 + ε1t
Z2t = φ20 + φ21Z1,t−1 + φ22Z2,t−1 + ε2t
Dengan notasi maytiks sebagai brikut:
 x1,t  φ10  φ11 φ12   x1,t −1   ε 1,t 
x  =   +   + 
 2,t  φ20  φ21 φ22   x2,t −1  ε 2,t 
atau dituliskan sebagai berikut: Z t = w0 + Φ 1 Z t −1 + ε t

2|Analis is Deret Wak tu (mo del VAR and VE CM)

 2 VECTOR ERROR CORECTION MODEL (VECM)

Menurut Verbeek dalam Nugraha (2006), ketika dua atau lebih variabel yang
terlibat dalam suatu persamaan pada data level tidak stasioner maka kemungkinan
terdapat kointegrasi pada persamaan tersebut. Jika setelah dilakukan uji kointegrasi
terdapat persamaan kointegrasi dalam model yang digunakan maka dianjurkan untuk
memasukkan persamaan kointegrasi ke dalam model. Adanya hubungan kointegrasi di
antara kedua variabel mengisyaratkan bahwa sebuah formulasi eror pada metode VAR
dapat diestimasi. Hal ini dilakukan untuk mengantisipasi hilangnya informasi jangka
panjang dalam penelitian. Model ini dinamakan model VECM. Model VECM telah
memuat parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk
mengetahui respon pada jangka pendek dan jangka panjang. Dengan demikian, VECM
berbeda dengan VAR dimana VECM dapat digunakan untuk memodelkan data time
series yang terkointegrasi. Variabel yang digunakan pada model VECM harus stasioner
pada diferensiasi yang sama.
Model VECM tersusun dengan rank kointegrasi yang lebih besar dari 0. Model VECM
ordo p dank ran kointegrasi r dituliskan sebagai berikut :
𝑝−1
Δ (Z)=𝛼𝛼0+Π Z𝑡𝑡−1+∑𝑖=1 ΦΔZ𝑡𝑡−1 + ε𝑡𝑡
Dimana
𝑝

Φ𝑖 = � 𝐴𝑗
𝑗=𝑖+1

Dan
Π = 𝛼𝛼β
β = vector kointegrasi berukuran rx1
𝛼𝛼 = vektor adjustment berukuran rx1
Sedangkan untuk model VECM jangka panjang, persamaan yang digunakan adalah

3|Analis is Deret Wak tu (mo del VAR and VE CM)

 3 TAHAPAN ANALISIS VAR DAN VECM

3.1 Uji Stationer

Kestasioneran pada data menjadi syarat utama peramalan menggunakan konsep
ARIMA. Maka VAR dan VECM juga harus memenuhi asumsi stationeritas.
Kestasioneritas yang harus dipenuhi adalah stasioner dalam rataan dan ragam
(Wei,2006). Stationer dalam rataan artinya fluktuasi data berada di sekitar suatu nilai
rata-rata yang konstan, sedangkan stationer dalam ragam yaitu apabila struktur data dari
waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan (Wei,2006).
Pemeriksaan stasioneritas dari data dapat dilihat dari plot antara nilai observasi dan
waktu. Jika penggunaan plot ini dirasa belum cukup meyakinkan maka dapat dilakukan
uji formal menggunakan uji Augmented Dickey-Fuller (ADF) untuk memeriksa
kestasioneran.

3.2 Uji Augmented Dickey-Fuller (ADF)

Hipotesis yang digunakan dalam uji ADF adalah (Gujarati, 2003):
H0 : γ = 0 (ada unit roots yang artinya data tidak stasioner)
H1 : γ ≠ 0 (tidak ada unit roots yang artinya data stasioner)
Tolak H0 jika p-value < α.
Apabila diketahui data tidak stationer pada ragam maka diatasi dengan transformasi
data. Bila stationer dalam rata-rata tidak terpenuhi maka diatasi dengan differencing.
Rumus untuk differencing orde pertama, yaitu
Xt ′=Xt - X t-1
dengan
Xt ′= nilai variabel X pada waktu t setelah differencing

3.3 Uji Lag Optimal

Pembentukan Model ARIMA,VAR dan VECM diawali dengan penentuan orde

waktu (lag optimal). Identifikasi model ARIMA menggunakan plot ACF dan PACF
namun pada VAR dan VECM identifikasi model bisa menggunakan nilai AIC, FPE, SC
dan HQ yang bernilai paling kecil (Wei,2006). Namun sebelum menentukan lag optimal

4|Analis is Deret Wak tu (mo del VAR and VE CM)

tahap pertama yang harus dilakukan adalah menentukan panjang lag maksimum model
yang stabil. Stabilitas model dapat dilihat dari nilai inverse roots karakteristik AR
polinomialnya. Hal ini dapat dilihat dari nilai modulus pada tabel AR roots-nya. Jika
seluruh nilai AR roots-nya di bawah satu, maka model tersebut stabil.

Setelah didapatkan lag optimal,jika data pada level tidak stationer selanjutnya
dilakukan uji kointegrasi. Namun jika data sudah stationer pada level maka tidak perlu
dilakukan uji kointegrasi, langsung ke analisis VAR. Jika uji kointegrasi signifikan
maka dilanjutkan model VECM sedangkan jika uji kointegrasi tidak signifikan maka
dilanjutkan dengan menggunakan model VAR. Agar semua kriteria dapat dibandingkan
untuk berbagai lag, maka banyaknya observasi yang digunakan dalam setiap model
VAR yang dibandingkan haruslah sama

3.4 Uji 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). Salah satu metode yang digunakan
untuk melakukan uji kointegrasi, yaitu Johansen Cointegration Test. Pada uji ini
digunakan statistik uji trace dan statistik nilai eigen maksimum dengan hipoteis sebagai
berikut (Rosadi D, 2012) :
H0 : terdapat sebanyak banyaknya r persamaan kointegrasi.
H1 : terdapat persamaan kointegrasi lebih dari r
Pada tingkat signifikansi (1-α)100%, tolak H0 jika statistik uji trace dan nilai eigen
maksimum lebih besar dari nilai kritis pada saat α (Rosadi D, 2012).
Setelah diketahui bahwa persamaan variabel tersebut terkointegrasi maka
tahapan analisis dilanjutkan dengan analisis Vector Error Correction Model (VECM)
jika tidak terdapat kointegrasi maka dilanjutkan dengan analisis VAR.

3.5 Causality Granger

Uji kausalitas Granger (Granger Causality Test) dilakukan untuk melihat apakah
dua variabel memiliki hubungan timbal balik atau tidak karena setiap variabel dalam
penelitian mempunyai kesempatan untuk menjadi variabel endogen maupun eksogen.
Jika ada dua variabel y dan z, maka apakah y menyebabkan z atau z menyebabkan y

5|Analis is Deret Wak tu (mo del VAR and VE CM)

atau berlaku keduanya atau tidak ada hubungan keduanya. Variabel y menyebabkan
variabel z artinya berapa banyak nilai z pada periode sekarang dapat dijelaskan oleh
nilai y pada periode sebelumnya dan sebaliknya. Hipotesis untuk uji kausalitas granger
adalah sebagai brikut :

3.6 Pendugaan Parameter

Setelah diperoleh model awal VAR(p) dan VECM(p) selanjutnya parameter dari
model diduga sehingga didapatkan besaran koefisien dari model. Secara umum metode
pendugaan parameter model VAR dan VECM dapat dilakukan menggunakan Metode
kuadrat terkecil.

3.7 Impulse Response

Pendugaan parameter pada model VAR dan VECM yang terbentuk sering kali
sulit diintepretasikan, maka salah satu cara yang sering dilakukan adalah dengan
menggunakan pendekatan impulse response function (Gujarati, 2003). Impulse response
function (IRF) menggambarkan bagaimana respon dari suatu variabel di masa
mendatang jika terjadi shock atau guncangan pada satu variabel lainnya atau guncangan
dari dirinya sendiri serta laju dari shock atau guncangan sehingga melalui IRF ini, bisa
diketahui lamanya pengaruh dari terjadinya suatu shock atau goncangan tersebut. Shock
yang diberikan biasanya sebesar satu standar deviasi dari peubah (disebut Innovations).

3.8 Variance Decomposition

Variance decomposition digunakan untuk menggambarkan relatif pentingnya
setiap variabel di model VAR dalam menjelaskan kontribusi terhadap shock yang
ditimbulkannya untuk variabel lainnya. Maka dapat dikatakan bahwa variance
decomposition memberikan informasi penting mengenai hubungan antar variabel
(kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel
lainnya).

6|Analis is Deret Wak tu (mo del VAR and VE CM)

3.9 Memeriksa Kelayakan Model Terpilih
Uji kesesuaian model meliputi uji asumsi white noise dan asumsi normalitas
error. Model dikatakan baik atau sudah sesuai dan siap digunakan untuk peramalan jika
nilai error bersifat white noise (error bebas, stokastik dan identik) artinya sudah tidak
mempunyai pola tertentu lagi serta berdistribusi normal. Dengan kata lain model yang
diperoleh dapat menangkap dengan baik pola data yang ada. Untuk melihat hal ini nilai
error dilakukan pengujian

3.9.1 Uji White Noise

Uji white noise dapat dilihat dari plot ACF residual (Makridakis et al, 1999)..
Berdasarkan grafik/plot ACF, jika terdapat banyak korelasi yang signifikan, dan
menunjukan suatu pola maka model dikatakan belum memenuhi asumsi white noise.
Jika penggunaan plot ini dirasa belum cukup meyakinkan maka dapat dilakukan uji
formal seperti menggunakan uji portmanteau scara simultan duntuk memeriksa
kebebasan residual dan uji white untuk memeriksa kehomognan ragam residual.
Hipotesis uji portmanteau secara simultan sebagaai berikut (Enders, 2004):

Hipotesis uji white sebagaai berikut :

H0 : ragam residual homogen
H1 : ragam residual heterogen

7|Analis is Deret Wak tu (mo del VAR and VE CM)

3.9.2 Uji Kenormalan Error
Uji ini digunakan untuk memeriksa apakah suatu proses error berdistribusi
normal atau tidak. Uji kenormalan dapat dilakukan dengan berbagai macam ujiseperti
kolmogorovsmirnov, Anderson darling dll.
hipotesis yang digunakan adalah sebgai berikut
H0 : residual berdistribusi normal
H1 : residual tidak berdistribusi normal
Taraf signifikansi atau α yang digunakan adalah 5 %
Setelah model yang terpilih semua asumsinya terpenuhi maka selanjutnya model bisa
digunakan untuk peramalan.

8|Analis is Deret Wak tu (mo del VAR and VE CM)

 4 ILUSTRASI VAR MENGGUNAKAN EVIEWS

Ingin diramalkan variabel gdp, inflasi, kurs dan tingkat suku bunga selama 6
tahun kedepan dengan menggunakan data gdp, inflasi, kurs dan tingkat suku sebanyak
42 observasi dari tahu 1971 sampai tahun 2012. Data tersedia di Lampiran excel1
dengan nama “datavar”.

4.1 Langkah-langkah dalam Analisis VAR

4.1.1 Import Data

Buka workfile baru dengan cara File > New > Workfile. Maka akan muncul
tampilan seperti berikut yang digunakan untuk menentukan deskripsi data.

Workfile structure type : digunakan untuk menetukan struktur data. ada 3 jenis
struktur:
 unstructured/undated : tidak struktur atau tidak ditentukan waktunya untuk data
time series.
 Dated : menentukan waktu data untuk data time series.
 Balanced panel : menentukan data untuk data panel.
Karena kita sudah mengetahui periode data yang digunakan maka kita memilih Dated

9|Analis is Deret Wak tu (mo del VAR and VE CM)

Date specification: karena data yang digunakan tahuan maka kita memilih annual
Start date : isilah periode awal dari data yang akan digunakan
End date : isilah periode akhir + periode yang akan diramal dari data yang akan
digunakan. Pada kasus ini periode akhir Juli 2012+6 tahun data yang akan diramal.
Sehingga pada end date diisi 2018.

setelah itu akan muncul tampilan berikut.

Masukkan/import data series ke dalam Workfile di EViews. Salah satu caranya adalah
dengan mengcopy data yang akan kita gunakan di excel lalu kembali ke eviews dan
pilih Quick > empty group. kemudian copy data sehingga muncul data seperti berikut.

10 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Selanjutnya uji stationeritas variabel dengan cara klik satu variable misal inflasi sampai
terdapat tampilan sebagai berikut

11 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada jendela inflasi pilih View > graph maka akan muncul grafik seperti berikut.

INFLASI
10

-5

-10

-15

-20
5 10 15 20 25 30 35 40 45

Dari grafik diatas ecara eksploratif terlihat inflasi sudah stationr namun uutk
memastikan kita bisa menggunakan uji ADF dengn cara klik View > unit root test
maka akan muncul tampilan seperti berikut.

12 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih kriteria sesuai gambar diatas maka akan menghasilkan output sebagai berikut:

Null Hypothesis: INFLASI has a unit root

Exogenous: None
Lag Length: 1 (Automatic – based on SIC, maxlag=9)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.210017 0.0000

Test critical values: 1% level -2.628961
5% level -1.950117
10% level -1.611339

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

Dari output diatas ternyata p-value < 0.05 sehingga tolak H0 artinya inflasi tidak
memiliki unit root atau dengan kata lain inflasi sudah stationer pada level. Selanjutnya
lakukanlah ke tiga variabel lainya dengan langkah yang sama.
Langkah selanjutnya adalah penentuan lag optimal. Namun sebelum
menentukan lag optimal ditentukan terlebih dahulu sampai lag keberapa model VAR
stabil. Block variable yang akan digunakan lalu klik kanan, pilih Open > group> as
VAR maka akan muncul tampilan seperti berikut.

13 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih Unrestricted Var karena model yang akan kita gunakan ada lah VAR pada pilihan
VAR Type, lalu ketik nama variabel yang akan digunakan pada kotak endogenous
variables. Isilah lag setinggi tingginya misal 1 8 pada kotak lag intervals. Hal ini
dimaksudkan karena kita ingin mengetahui sampai lag keberapa model VAR masih
stabil dari lag 1 samai lag ke 8. Lalu tekan Ok maka akan muncul output sebagai berikut

14 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada jndelaa VAR pilih view > lag structure> AR root table maka akan muncul
tampilan seperti berikut.

Stabilitas model dapat dilihat dari nilai modulus pada tabel AR roots-nya. Jika seluruh
nilai AR roots-nya di bawah satu, maka model tersebut stabil. Pada output diatas
ternyata masih ada nilai modulus yang lebih dari 1 sehingga kita modelkan kembali
model VAR dengan mengurangi lag maksimumnya sampai didapatkan nilai modulus
kurang dari 1. Pada kasus ini ternyata dari lag 3 sampai 5 nilai modulus masih ada yang

15 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
bernilai diatas 1 maka kita coba modelkan kembali dengan lag maksimum 2. Pada
jendel VAR klik etimasi maka akan muncul kembali jendela sebagai berikut

Pada lag intervals isilah 1 2. Lalu tekan Ok. Pada jndelaa VAR pilih view > lag
structure> AR root table maka akan muncul tampilan seperti berikut.

16 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada output diatas ternyata sudah tidak adala lagi nilai modulus yang lebih dari 1
sehingga sampai lag ke 2 model masih stabil. Selanjutnya pilih view > lag structure>
lag length criteria maka akan muncul tampilan seperti berikut.

Pada box lags to include isilah nilai lag yang sudah kita dapatkan sebelumnya
yaitu lag 2 dimana lag 1 sampai lag 2 model VAR masih stabil. Klik ok maka akan
muncul tampilan seperti berikut.

VAR Lag Order Selection Criteria

Endogenous variables: GDP INFLASI
INTEREST KURS
Exogenous variables: C
Date: 11/23/18 Time: 10:10
Sample: 1971 2018
Included observations: 36

Lag LogL LR FPE AIC SC HQ

0 -609.0540 NA 7.27e+09 34.05856 34.23450* 34.11997

1 -588.7147 35.02879 5.75e+09 33.81748 34.69722 34.12453
2 -564.6404 36.11146* 3.81e+09* 33.36891* 34.95243 33.92160*

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5%
level)
FPE: Final prediction error
AIC: Akaike information criterion

17 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Identifikasi model VAR dan VECM menggunakan nilai AIC, FPE, SC dan HQ
yang bernilai paling kecil dan LR yang paling besar (Wei,2006). Atau pada output
eviews pilih lag yang paling banyak kode *. Dari output diatas ternyata lag optimal = 2
artinya model yang akan kita gunakan adalah VAR (2). Semua variabel yang ada dalam
model ini saling mempengaruhi satu sama lain tidak hanya pada periode sekarang,
namun variabel-variabel tersebut saling berkaitan sampai pada 2 periode sebelumnya.
Selanjutnya kembali lagi ke jendela pendugan parameter dengan cara pilih
view > estimation output maka akan muncul tampilan seperti berikut.
Vector Autoregression Estimates
Date: 11/23/18 Time: 10:03
Sample (adjusted): 1973 2012
Included observations: 36 after adjustments
Standard errors in ( ) & t-statistics in [ ]

GDP INFLASI INTEREST KURS

GDP(-1) 0.466798 1.039867 0.760178 -7.707611

(0.18647) (1.23467) (0.48404) (137.941)
[ 2.50333] [ 0.84222] [ 1.57049] [-0.05588]

GDP(-2) 0.048885 0.827293 0.108879 174.1702

(0.16765) (1.11007) (0.43519) (124.020)
[ 0.29158] [ 0.74526] [ 0.25019] [ 1.40437]

INFLASI(-1) -0.018196 -0.290089 -0.120133 -42.25551

(0.04834) (0.32007) (0.12548) (35.7590)
[-0.37642] [-0.90633] [-0.95739] [-1.18167]

INFLASI(-2) 0.032601 -0.354997 0.012313 2.243100

(0.04437) (0.29382) (0.11519) (32.8261)
[ 0.73468] [-1.20823] [ 0.10690] [ 0.06833]

18 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 INTEREST(-1) 0.333960 -0.640728 0.170188 4.425254
(0.09561) (0.63303) (0.24817) (70.7237)
[ 3.49311] [-1.01217] [ 0.68577] [ 0.06257]

INTEREST(-2) -0.104674 -0.544008 -0.581383 -12.39811

(0.12175) (0.80616) (0.31605) (90.0668)
[-0.85972] [-0.67481] [-1.83955] [-0.13765]

KURS(-1) -0.001254 -0.001448 -0.001272 -0.016782

(0.00051) (0.00339) (0.00133) (0.37830)
[-2.45295] [-0.42770] [-0.95825] [-0.04436]

KURS(-2) -0.000452 -0.001503 -0.000988 -0.251269

(0.00057) (0.00378) (0.00148) (0.42186)
[-0.79173] [-0.39817] [-0.66710] [-0.59563]

C 0.879087 -0.673760 -0.200257 170.8495

(0.39108) (2.58945) (1.01517) (289.302)
[ 2.24783] [-0.26019] [-0.19726] [ 0.59056]

R-squared 0.557008 0.391695 0.437543 0.179223

Adj. R-squared 0.425751 0.211456 0.270889 -0.063971
Sum sq. resids 82.93517 3635.948 558.8276 45384113
S.E. equation 1.752619 11.60451 4.549431 1296.493
F-statistic 4.243644 2.173203 2.625457 0.736956
Log likelihood -66.10351 -134.1537 -100.4436 -303.9306
Akaike AIC 4.172417 7.952983 6.080199 17.38503
Schwarz SC 4.568297 8.348863 6.476079 17.78091
Mean dependent 0.979323 -0.131944 -0.083056 262.7186
S.D. dependent 2.312796 13.06815 5.327950 1256.913

Determinant resid covariance (dof adj.) 1.56E+09

19 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 Determinant resid covariance 4.94E+08
Log likelihood -564.6404
Akaike information criterion 33.36891
Schwarz criterion 34.95243

Keterangan:
Terdapat 3 angka, angka yang pertama merupakan dugaan parameter. Angka dalam [ ]
adalah nilai t hitung
H0 : dugaan parameter signifikan
H1 : dugaan parameter tidak signifikan
Tolak H0 jika |t hitung| > t table atau
Setelah menduga parameter, langkah selajutnya dilakukan Pemeriksaan
kelayakan model yang. Hal ini dilakukan karena untuk mengetahui pakah model sudah
cocok untuk peramalan. Salah satu cara untuk melihat white noise dapat diuji melalui
plot ACF dari residual. Bila ACF tidak signifikan, ini mengindikasikan residual white
noise artinya modelnya sudah cocok, sebaliknya maka model tidak cocok.
Caranya dengan pilih View > Residual tests > Correlogram pada jendela
VAR. maka akan muncul output seperti berikut.

Pilih graph lalu isilah la setinggi-tingginya misal 24 pda box lags to include. Lalu tekan
ok.

20 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Dari output diatas terlihat bahwa dari lag 1 sampai ke 24 secara garis besar hampir pada
semua grafik tidak ada lag yang signifikan. Hanya beberapa grafik saja yang terdapat
lag yang tidak signifikan. Artinya tidak ada korelasi antar residual, residual sudah
homogen dan tidak ada pola pada residual. Hal ini menandakan bahwa residual sudah
white noise.
Selain melihat grafik ACF kita bisa juga menggunakan uji formal seperti uji
pormanteau. Caranya dengan pilih View > Residual tests > Portmanteau
Autocorrelation pada jendela VAR. maka akan muncul output seperti berikut.

21 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
isilah lag setinggi-tingginya misal 24 pda box lags to include. Lalu tekan ok.

Berdasarkan tabel diatas dapat diketahui bahwa p-value dari Q-statistik > (0.05) untuk
semua lag sehingga gagal tolak artinya tidak terdapat autokorelasi sisaan pada model.
Selanjutnya lakukan uji formal white. Caranya dengan pilih View > Residual
tests > White heteroskedasticity (no cross terms) pada jendela VAR. maka akan
muncul output seperti berikut.

22 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Berdasarkan tabel diatas dapat diketahui bahwa p-value dari uji secara keseluruhan
(joint) > (0.05) sehingga gagal tolak artinya ragam sisaan homogen dan juga untuk
semua kombinasi persilangan residual antar variabel p-value > (0.05) sehingga gagal
tolak artinya ragam sisaan homogen.
Tahap berikutnya lakukan uji normalitas. Caranya dengan
pilih View > Residual tests > Normality test pada jendela VAR. maka akan muncul
output seperti berikut.

23 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Dari ouput uji jarque-bera diatas ternyata untuk uji normalitas bergandanya p-value<
0.05 artinya tolak H0 shingga residul tidak berdistribusi normal berganda. Namun untuk
uji residual pada masing-masing variabel hanya saat model dengan variabel kurs
sebagai variabel respon p-value uji normalitasnya >0.05 artinya gagal tolak H0 sehingga
residual berdistribusi normal.
Pendugaan parameter pada model VAR maupun VECM yang terbentuk sering
kali sulit diintepretasikan, maka salah satu cara yang sering dilakukan adalah dengan
menggunakan pendekatan impulse response function (Gujarati, 2004). Caranya
pilih View > impulse reponse pada jendela VAR. maka akan muncul output seperti
berikut.

24 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Berdasarkan gambar pojok kanan atas, pada awal periode yaitu tahun pertama sampai
kira-kira tahun ke 5, perubahan GDP merespon negatif sejak terjadinya shock atau
goncangan terhadap peubah perubahan KURS. Selanjutnya mulai tahun ke 6 sampai
tahun ke 10 fluktuasi mulai mengecil artinya perubahan GDP tidak lagi sangat
bergejolak seperti periode sebelumnya. Langkah selanjutnya adalah meliha variance
decomposition. Caranya pilih View > variance decomposition pada jendela VAR.
maka akan muncul output seperti berikut.

25 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 Misal saat variabel bebasnya adalah tingkat suku bunga, berdasarkan tabel di
atas pada periode pertama, keragaman perubahan tingkat suku bunga dijelaskan oleh
shock perubahan tingkat suku bunga (58%) yang artinya kontribusi perubahan tingkat
suku bunga dalam mempengaruhi perubahan tingkat suku bunga itu sendiri ssbesar
58%. Selain itu keragaman perubahan tingkat suku bunga juga dijelaskan oleh shock
perubahan inflasi (42%) yang artinya kontribusi perubahan inflasi dalam mempengaruhi
perubahan tingkat suku bunga itu sendiri sebesar 42%. Sementara pada periode itu
shock perubahan variabel lain belum memberikan pengaruh yang besar pada tingkat
suku bunga. Seterusnya mulai dari tahun ke 2 sampai seterusnya, kontribusi perubahan
tingkat suku bunga dalam mempengaruhi perubahan tingkat suku bunga itu sendiri

26 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
semakin menurus tidak seperti kontribusi perubahan inflasi dalam mempengaruhi
perubahan tingkat suku bunga semakin naik menjadi 52,5%. Artinya peranan inflasi
sangat penting dalam perubahan tinkat suku bunga.

4.1.2 Forcesting

Setelah memperoleh model yang sudah baik atau sesuai, langkah selanjutnya
yaitu melakukan peramalan (forecasting). Jangan close window VAR, Pilih proc >
forecast lalu akan muncul tampilan sebagai berikut

Klik ok. Maka di workfile akan muncul 4 variabel baru yang berisikan hasil ramalan
sebagai berikut

27 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
28 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 5 ILUSTRASI VECM MENGGUNAKAN EVIEWS

Ingin diramalkan variabel harga bawang grosiran, harga bawang eceran dan
harga bawang produsen di wilayah Jakarta selama 5 periode kedepan dengan
menggunakan data sebanyak 104 observasi. Data tersedia di Lampiran excel2 dengan
nama “datavecm”.

5.1 Langkah-langkah dalam Analisis VECM

5.1.1 Import Data

Buka workfile baru dengan cara File > New > Workfile. Maka akan muncul
tampilan seperti berikut yang digunakan untuk menentukan deskripsi data.

Workfile structure type : digunakan untuk menetukan struktur data. ada 3 jenis
struktur:
 unstructured/undated : tidak struktur atau tidak ditentukan waktunya untuk data
time series.
 Dated : menentukan waktu data untuk data time series.
 Balanced panel : menentukan data untuk data panel.

29 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Karena kita tidak mengetahui periode data yang digunakan maka kita memilih
unstructured/undated.
Observations : isilah banyaknya data + periode yang akan diramal dari data yang akan
digunakan. Pada kasus ini banyaknya data=104+6 tahun data yang akan diramal.
Sehingga pada end date diisi 109. Setelah itu akan muncul tampilan berikut.

Masukkan/import data series ke dalam Workfile di EViews. Salah satu caranya adalah
dengan mengcopy data yang akan kita gunakan di excel lalu kembali ke eviews dan
pilih Quick > empty group. kemudian copy data sehingga muncul data seperti berikut.

30 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Selanjutnya uji stationeritas variabel dengan cara klik satu variable misal harga grosir.
Lalu pada jendela grosir pilih View > graph maka akan muncul grafik seperti berikut.

31 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 HARGA_GROSIR
10.8

10.6

10.4

10.2

10.0

9.8

9.6

9.4

9.2
10 20 30 40 50 60 70 80 90 100

Dari grafik diatas secara eksploratif terlihat data belum stationr namun untuk
memastikan kita bisa menggunakan uji ADF dengn cara klik View > unit root test
maka akan muncul tampilan seperti berikut.

32 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih kriteria sesuai gambar diatas maka akan menghasilkan output sebagai berikut

Null Hypothesis: HARGA_GROSIR has a unit root

Exogenous: None
Lag Length: 1 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.391887 0.5405

Test critical values: 1% level -2.587831
5% level -1.944006
10% level -1.614656

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

Berdasarkan output ADF ternyata p-value>alpha=0.05 maka Terima H0 yang

artinya data mempunyai unit root (data tidak stationer).karena data tidak stationer pada
rataan maka dilakukan differencing 1 kali. Oleh karena itu kita ulang kembali
pengujian. Sama dengan sebelumnya, tekan view lalu pilih unit root. Selanjutnya akan
muncul tampilan sebagai berikut.

Karena kita akan melakukan differencing 1 kali maka kita pilih 1st difference. Lalu
tekan ok.

33 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 Null Hypothesis: D(HARGA_GROSIR) has a unit root
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=12)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -7.229556 0.0000

Test critical values: 1% level -2.587831
5% level -1.944006
10% level -1.614656

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

Berdasarkan output ADF ternyata p-value<alpha=0.05 maka Tolak H0 yang artinya data
tidak mempunyai unit root (data stationer). Karena data sudah stationer pada
differencing 1 kali maka kita sudah bisa melanjutkan analisis.
Langkah selanjutnya adalah penentuan lag optimal. Namun sebelum
menentukan lag optimal ditentukan terlebih dahulu sampai lag keberapa model VAR
stabil. Block variable yang akan digunakan lalu klik kanan, pilih Open > group> as
VAR maka akan muncul tampilan seperti berikut.

34 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih Unrestricted Var karena model yang akan kita gunakan ada lah VAR pada pilihan
VAR Type, lalu ketik nama variabel yang akan digunakan pada kotak endogenous
variables. Isilah lag setinggi tingginya misal 1 12 pada kotak lag intervals. Hal ini
dimaksudkan karena kita ingin mengetahui sampai lag keberapa model VAR masih
stabil dari lag 1 sampai lag ke 12. Lalu tekan Ok. Pada jendela VAR pilih view > lag
structure> AR root table maka akan muncul tampilan seperti berikut.

35 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Stabilitas model dapat dilihat dari nilai modulus pada tabel AR roots-nya. Jika seluruh
nilai AR roots-nya di bawah satu, maka model tersebut stabil. Pada output diatas
ternyata sudah tidak ada lagi nilai modulus yang lebih dari 1 sehingga sampai lag ke 12
model masih stabil. Selanjutnya pilih view > lag structure> lag length criteria maka
akan muncul tampilan seperti berikut.

36 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada box lags to include isilah nilai lag yang sudah kita dapatkan sebelumnya yaitu lag
12 dimana lag 1 sampai lag 12 model VAR masih stabil. Klik ok maka akan muncul
tampilan seperti berikut.
VAR Lag Order Selection Criteria
Endogenous variables: D(HARGA_ECERAN) D(HARGA_GROSIR)
D(HARGA_PRODUSEN)
Exogenous variables: C
Date: 11/23/18 Time: 12:27
Sample: 1 104
Included observations: 91

Lag LogL LR FPE AIC SC HQ

0 219.2722 NA 1.73e-06 -4.753236 -4.670460 -4.719841

1 252.6495 63.82021 1.01e-06 -5.288999 -4.957897* -5.155420
2 264.6054 22.07242 9.50e-07 -5.353964 -4.774535 -5.120200
3 280.8662 28.94783* 8.11e-07* -5.513543* -4.685787 -5.179595*
4 288.7486 13.51266 8.34e-07 -5.488980 -4.412897 -5.054847
5 291.5050 4.543527 9.62e-07 -5.351758 -4.027348 -4.817441
6 294.3866 4.560001 1.11e-06 -5.217289 -3.644553 -4.582788
7 300.5801 9.392285 1.19e-06 -5.155607 -3.334544 -4.420921
8 304.1982 5.248189 1.36e-06 -5.037323 -2.967933 -4.202453
9 309.6060 7.487756 1.50e-06 -4.958374 -2.640657 -4.023319
10 318.7654 12.07837 1.53e-06 -4.961878 -2.395834 -3.926639
11 324.6409 7.360524 1.69e-06 -4.893207 -2.078837 -3.757784
12 326.8703 2.645779 2.03e-06 -4.744401 -1.681704 -3.508794

* indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion

37 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Identifikasi model VAR dan VECM menggunakan nilai AIC, FPE, SC dan HQ yang
bernilai paling kecil dan LR yang paling besar (Wei,2006). Atau pada output eviews
pilih lag yang paling banyak kode *. Dari output diatas ternyata lag optimal = 3. Semua
variabel yang ada dalam model ini saling mempengaruhi satu sama lain tidak hanya
pada periode sekarang, namun variabel-variabel tersebut saling berkaitan sampai pada 3
periode sebelumnya.

Karena data yang digunakan tidak stationer maka kita harus melakukan uji
kointegrasi. Untuk melakukan uji kointegrasi pilih Quick> group statistics>johansen
maka akan muncul tampilan seperti berikut.

Jiia kita belum mengetahui apa asumsi data kita maka kita pilih no 6 pada deterministic
trend assumption. Lalu isilah nilai lag optimal pada box lag intervals yaitu 1 3. Tekan
ok maka akan muncul tampilan seperti berikut.

38 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 Date: 11/23/18 Time: 12:35
Sample: 1 104
Included observations: 100
Series: HARGA_ECERAN HARGA_GROSIR
HARGA_PRODUSEN
Lags interval: 1 to 3

Data Trend: None None Linear Linear Quadratic

Test Type No Intercept Intercept Intercept Intercept Intercept
No Trend No Trend No Trend Trend Trend
Trace 0 0 0 1 1
Max-Eig 0 0 0 1 1

*Critical values based on MacKinnon-Haug-Michelis (1999)

berdasarkan uji trace dan uji maximum eigenvalue maka terdapat 1 persamaan
kointegrasi. Selanjutnya analisis dilanjutkan menggunakan vecm. Langkah berikutnya
kembali lagi ke jendela VAR pilih estimate maka akan muncul tampilan seperti
berikut.

39 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih Vector error correction karena model yang akan kita gunakan adalah VECM pada
pilihan VAR Type, lalu ketik nama variabel yang akan digunakan pada kotak
endogenous variables. Isilah lag optimal pada kotak lag intervals yaitu 3. Lalu tekan
Cointegration maka akan muncul output sebagai berikut.

Berdasarkan uji kointegrasi didapatkan 1 persamaan kointegrasi maka pada box number
of cointegration masukkan 1 dimana kontegrasi ini didapat karena asumsi model no 4.
Lalu tekan ok maka akan muncul output sebagai berikut.

40 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Output diatas merupakan pendugan parameter untuk persamaan Jangka Panjang antar
variabel. Dan output dibawah merupakan pendugan parameter untuk persamaan Jangka
Pendek antar variabel.

D(HARGA_
D(HARGA_ D(HARGA_ PRODUSEN
Error Correction: ECERAN) GROSIR) )

CointEq1 0.017918 0.503109 0.209723

(0.07601) (0.10613) (0.11457)
[ 0.23572] [ 4.74053] [ 1.83045]

D(HARGA_ECERAN
(-1)) -0.574129 -0.326930 0.001160
(0.11843) (0.16535) (0.17851)
[-4.84774] [-1.97717] [ 0.00650]

41 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 D(HARGA_ECERAN
(-2)) -0.454579 -0.207384 -0.237669
(0.12192) (0.17022) (0.18376)
[-3.72858] [-1.21834] [-1.29334]

D(HARGA_ECERAN
(-3)) -0.224314 -0.059220 0.134885
(0.10575) (0.14764) (0.15939)
[-2.12120] [-0.40110] [ 0.84624]

D(HARGA_GROSIR(
-1)) 0.519864 0.385948 0.783337
(0.08397) (0.11724) (0.12657)
[ 6.19098] [ 3.29197] [ 6.18904]

D(HARGA_GROSIR(
-2)) 0.239034 0.124266 0.484935
(0.10227) (0.14278) (0.15415)
[ 2.33735] [ 0.87031] [ 3.14595]

D(HARGA_GROSIR(
-3)) 0.265702 -0.049941 0.184706
(0.09848) (0.13749) (0.14843)
[ 2.69816] [-0.36324] [ 1.24440]

D(HARGA_PRODUS
EN(-1)) 0.086734 0.319375 -0.125710
(0.07544) (0.10532) (0.11371)
[ 1.14975] [ 3.03230] [-1.10557]

D(HARGA_PRODUS
EN(-2)) -0.049483 0.201021 -0.273158

42 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 (0.07545) (0.10534) (0.11372)
[-0.65587] [ 1.90835] [-2.40202]

D(HARGA_PRODUS
EN(-3)) -0.088209 0.048127 -0.273236
(0.07073) (0.09876) (0.10662)
[-1.24705] [ 0.48733] [-2.56280]

C 0.004490 0.001999 -0.002565

(0.00765) (0.01069) (0.01154)
[ 0.58672] [ 0.18710] [-0.22239]

R-squared 0.458750 0.366680 0.468544

Adj. R-squared 0.397935 0.295521 0.408830
Sum sq. resids 0.511355 0.996796 1.161748
S.E. equation 0.075800 0.105830 0.114251
F-statistic 7.543406 5.152935 7.846454
Log likelihood 121.8992 88.52513 80.86837
Akaike AIC -2.217984 -1.550503 -1.397367
Schwarz SC -1.931415 -1.263934 -1.110799
Mean dependent 5.78E-05 -0.004735 -0.006220
S.D. dependent 0.097689 0.126088 0.148595

Determinant resid covariance (dof

adj.) 5.24E-07
Determinant resid covariance 3.69E-07
Log likelihood 314.8927
Akaike information criterion -5.557854
Schwarz criterion -4.593941

Keterangan:
Terdapat 3 angka, angka yang pertama merupakan dugaan parameter. Angka dalam [ ]
adalah nilai t hitung

43 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
H0 : dugaan parameter signifikan
H1 : dugaan parameter tidak signifikan
Tolak H0 jika |t hitung| > t table atau

Setelah menduga parameter, langkah selajutnya dilakukan Pemeriksaan kelayakan

model yang. Hal ini dilakukan karena untuk mengetahui pakah model sudah cocok
untuk peramalan. Salah satu cara untuk melihat white noise dapat diuji melalui plot
ACF dari residual. Bila ACF tidak signifikan, ini mengindikasikan residual white noise
artinya modelnya sudah cocok, sebaliknya maka model tidak cocok.
Caranya dengan pilih View > Residual tests > Correlogram. Pilih graph lalu
isilah la setinggi-tingginya misal 12 pada box lags to include. Lalu tekan ok.

Dari output diatas terlihat bahwa dari lag 1 sampai ke 12 secara garis besar hampir pada
semua grafik tidak ada lag yang signifikan. Hanya beberapa grafik saja yang terdapat
lag yang tidak signifikan. Artinya tidak ada korelasi antar residual, residual sudah
homogen dan tidak ada pola pada residual. Hal ini menandakan bahwa residual sudah
white noise.

44 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 Selain melihat grafik ACF kita bisa juga menggunakan uji formal seperti uji
pormanteau. Caranya dengan pilih View > Residual tests > Portmanteau
Autocorrelation pada jendela VAR. isilah lag setinggi-tingginya misal 24 pda box lags
to include. Lalu tekan ok.

VEC Residual Portmanteau Tests for Autocorrelations

Null Hypothesis: no residual autocorrelations up to lag
h
Date: 11/23/18 Time: 12:40
Sample: 1 104
Included observations: 100

Lags Q-Stat Prob. Adj Q-Stat Prob. df

1 1.281260 NA* 1.294202 NA* NA*

2 1.984676 NA* 2.011974 NA* NA*
3 2.517702 NA* 2.561484 NA* NA*
4 6.235225 0.9853 6.433904 0.9827 16
5 9.787613 0.9972 10.17326 0.9962 25
6 19.53466 0.9777 20.54246 0.9666 34
7 26.79690 0.9749 28.35132 0.9583 43
8 32.55587 0.9841 34.61107 0.9697 52
9 36.63451 0.9943 39.09309 0.9870 61
10 42.94236 0.9955 46.10181 0.9878 70
11 48.30354 0.9975 52.12562 0.9916 79
12 51.17162 0.9994 55.38479 0.9974 88
13 69.41565 0.9845 76.35495 0.9399 97
14 74.90792 0.9904 82.74130 0.9540 106
15 80.22470 0.9943 88.99633 0.9656 115
16 92.62958 0.9841 103.7641 0.9065 124
17 97.28069 0.9914 109.3678 0.9336 133
18 112.0397 0.9700 127.3666 0.8052 142
19 122.3832 0.9577 140.1363 0.7265 151

45 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 20 134.1067 0.9327 154.7907 0.6014 160
21 138.2914 0.9597 160.0878 0.6762 169
22 147.9817 0.9510 172.5112 0.6020 178
23 151.4364 0.9735 176.9979 0.6887 187
24 155.0994 0.9859 181.8176 0.7582 196

*The test is valid only for lags larger than the VAR lag order.
df is degrees of freedom for (approximate) chi-square
distribution

Berdasarkan tabel diatas dapat diketahui bahwa p-value dari Q-statistik > (0.05)
untuk semua lag sehingga gagal tolak artinya tidak terdapat autokorelasi sisaan pada
model. Selanjutnya lakukan uji formal white. Caranya dengan pilih View > Residual
tests > White heteroskedasticity (no cross terms) pada jendela VAR. maka akan
muncul output seperti berikut.

Berdasarkan tabel diatas dapat diketahui bahwa p-value dari uji secara keseluruhan
(joint) > (0.05) sehingga gagal tolak artinya ragam sisaan homogen dan juga untuk

46 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
semua kombinasi persilangan residual antar variabel p-value > (0.05) sehingga gagal
tolak artinya ragam sisaan homogen.
Tahap berikutnya lakukan uji normalitas. Caranya dengan pilih View > Residual
tests > Normality test pada jendela VAR. maka akan muncul output seperti berikut.

Dari ouput uji jarque-bera diatas ternyata untuk uji normalitas bergandanya p-value<
0.05 artinya tolak H0 sehingga residul tidak berdistribusi normal berganda. Namun
untuk uji residual pada masing-masing variabel hanya saat model dengan variabel harga
produsen sebagai variabel respon p-value uji normalitasnya <0.05 artinya tolak H0
sehingga residual tidak berdistribusi normal.
Pendugaan parameter pada model VECM yang terbentuk sering kali sulit
diintepretasikan, maka salah satu cara yang sering dilakukan adalah dengan
menggunakan pendekatan impulse response function (Gujarati, 2004). Caranya
pilih View > impulse reponse pada jendela VAR. maka akan muncul output seperti
berikut.

47 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 Langkah selanjutnya adalah meliha variance decomposition. Caranya
pilih View > variance decomposition pada jendela VAR. maka akan muncul output
seperti berikut.

Misal saat variabel bebasnya adalah harga grosir, berdasarkan tabel di atas pada periode
pertama, keragaman perubahan harga grosir dijelaskan oleh shock perubahan harga
grosir (77,5%) yang artinya kontribusi perubahan harga grosir dalam mempengaruhi

48 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
perubahan harga grosir itu sendiri sesbesar 77,5%. Selain itu keragaman perubahan
harga grosir juga dijelaskan oleh shock perubahan harga eceran (22,6%) yang artinya
kontribusi perubahan harga eceran dalam mempengaruhi perubahan harga grosir sebesar
22,6%. Sementara pada periode itu shock perubahan harga produsen belum
memberikan pengaruh pada harga grosir. Seterusnya mulai dari peiode ke 2 sampai
seterusnya, kontribusi perubahan harga grosir dalam mempengaruhi perubahan harga
grosir itu sendiri semakin menurun tidak seperti kontribusi perubahan harga eceran
dalam mempengaruhi perubahan harga grosir semakin naik menjadi 46%. Artinya
peranan harga eceran sangat penting dalam perubahan harga grosir.

5.1.2 Forcesting
Setelah memperoleh model yang sudah baik atau sesuai, langkah selanjutnya
yaitu melakukan peramalan (forecasting). Jangan close window VAR, Pilih proc >
forecast. Klik ok. Maka di workfile akan muncul 3 variabel baru yang berisikan hasil
ramalan sebagai berikut

49 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
 DAFTAR PUSTAKA

Cassel, G. 1918. “Abnormal Deviations in International Exchanges.” Economic Journal

28: 413–15.
Eiteman, David K. Stonehill, Arthur I. Moffet, Michael H.. 2010. Manajemen Keuangan
Multinasional. Terjemahan. Edisi Kesebelas. Jakarta: Erlangga.
Enders, W., (2004), Applied Econometric Time Series, John Wiley and Sons, Canada
Gourinchas, Pierre-Olivier, and Helene Rey. 2007.“International Financial Adjustment.”
Journal of Political Economy 115 (4): 665–703.
Gujarati, Damondar N, 2003. Basic Econometrics, McGraw-Hill,Inc, Singapore
Hady, Hamdy, (2000). Ekonomi Internasional; Edisi ke dua. Ghalia: Indonesia, Jakarta.
Makridakis. 1999. Metode dan aplikasi peramalan. Edisi 2. Jakarta : Binarupa Aksara
Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley
Rosadi, D., 2012, Ekonometrika dan Analisis Runtun Waktu Terapan dengan Eviews,
Penerbit Andi Offset, Yogyakarta. 42.
Wei, W. W. S. 2006. Time Series Analysis: Univariate and Multivariate Methods.
California: Pearson Education, Inc.

50 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )