Jurnal Konvergensi

Vol. 4, No. 1, April, 2014

KOINTEGRASI DAN ESTIMASI ECM PADA DATA TIME SERIES

Malim Muhammad
Universitas Muhammadiyah Purwokerto
malim.muhammad@gmail.com

Abstrak
Pada persamaan regresi linier sederhana dimana variabel dependen dan variabel
independen tidak stasioner pada mean dan variansi, tetapi apabila diregresikan
kombinasi liniernya menjadi stasioner. Jika variabel error stasioner, maka variabel
dependen dan variabel independen disebut regresi terkointegrasi. Bila variabel
dependen dan variabel independen tidak stasioner tetapi saling berkointegrasi, maka
dapat disimpulkan bahwa ada hubungan kesetimbangan (equilibrium) jangka jangka
panjang antara kedua variabel tersebut. Dalam jangka pendek ada kemungkinan
terjadi ketidaksetimbangan (disequilibrium) dan untuk mengatasinya digunakan
model koreksi kesalahan (Error Correction Model). Tujuan penelitian ini adalah
menerapkan uji kointegrasi untuk melihat apakah terdapat hubungan kesetimbangan
(equilibrium) jangka panjang data runtun waktu antara Tingkat Inflasi (variabel
dependen) dengan BI rate (variabel independen). Penelitian ini menggunakan data
runtun waktu bulanan dari September 2008 sampai September 2013. Pengolahan
data dilakukan dengan menggunakan program Eviews versi 7. Berdasarkan hasil
yang diperoleh dapat disimpulkan bahwa data Tingkat Inflasi dan BI rate tidak
stasioner dan mempunyai hubungan kesetimbangan (equilibrium) jangka panjang
(berkointegrasi). Dalam jangka pendek terjadi ketidaksetimbangan (disekuilibrium),
sehingga digunakan model koreksi kesalahan (Error Correction Model atau
disingkat ECM). Dengan menggunakan ECM masalah regresi lancung akan hilang.
Karena variabel dependen dan variabel independen berkointegrasi mengakibatkan
error kesetimbangan (equilibrium) akan stasioner, sehingga Tingkat Inflasi
(variabel dependen) dengan BI rate (variabel independen) pada model ECM menjadi
stasioner.

Kata kunci : Unit Root, Regresi Lancung, Kointegrasi, dan Error Correction Model
1. Pendahuluan
Uji Kointegrasi merupakan salah satu metode untuk mengindikasikan
kemungkinan adanya hubungan kesetimbangan (equilibrium) jangka panjang antara
variabel dependen dan variabel independen. Namun, walaupun terdapat
kesetimbangan jangka panjang akan tetapi dalam jangka pendek mungkin saja
keduanya tidak mencapai kesetimbangan. Pada regresi linier Y  Xe
t 0 1 t t

dimana variabel Yt dan Xt tidak stasioner pada mean dan variansi, tetapi apabila
diregresikan kombinasi liniernya menjadi stasioner. Kointegrasi juga dapat
menyebabkan terjadinya semu/regresi lancung (spurious regression). Kointegrasi
mudah terjadi pada data time series yang melibatkan jangka waktu yang lama.
Regresi lancung dapat terjadi apabila antara variabel dependen Yt  dan variabel
independen  Xt dengan 1  0 . Namun, estimator Ordinary Least Square (OLS)


Kointegrasi dan Estimasi ECM Pada Data Time Series 1

Malim Muhammad
akan menyatakan 1 signifikan atau uji statistik menyimpulkan 1  0 dengan nilai
koefisien determinasi R2 yang relatif besar yaitu ketika nilai koefisien determinasi
2
R lebih besar dibanding nilai Durbin Watson. Dalam kasus regresi lancung perlu
diingat untuk tidak melakukan analisis regresi diantara variabel-variabel runtun
waktu Yt dan Xt ketika keduanya memiliki unit root, kecuali keadaan dimana Yt
dan Xt berkointegrasi.
Rumusan masalah dari penulisan ini adalah bagaimana menggunakan Error
Correction Model atau disingkat (ECM) untuk menghilangkan masalah regresi
lancung, sehingga error kesetimbangan (equilibrium) menjadi stasioner
mengakibatkan variabel dependen dan variabel independen stasioner?.

2. Tinjauan Pustaka
Analisis regresi merupakan suatu analisis yang menggambarkan hubungan antara
dua variabel atau lebih. Ada dua jenis variabel pada analisis regresi yaitu variabel
dependen (tak bebas) adalah variabel yang dipengaruhi oleh variabel lainnya,
dinotasikan dengan Y dan variabel independen (bebas) adalah variabel yang tidak
dipengaruhi oleh variabel lainnya, dinotasikan dengan X. Berdasarkan banyaknya
variabel independen, regresi linier dibagi menjadi dua macam yaitu regresi linier
sederhana dan regresi linier berganda. Regresi linier sederhana adalah model regresi
dengan satu variabel independen, sedangkan regresi linier berganda adalah model
regresi dengan variabel independen lebih dari satu. Persamaan regresi linier
sederhana yaitu Y     X  dan persamaan regresi linier berganda yaitu
t t

et
Yt    1 X1  2 X 2  ...  t Xt  et .
Ada beberapa metode yang dapat digunakan dalam membentuk fungsi regresi.
Namun demikian, dari sekian banyak metode, yang paling umum digunakan adalah
metode kuadrat terkecil biasa (Ordinary Least Squares = OLS).

Definisi 2.1 (Purwanto, 2006)

Jika Yt  menyatakan output variabel yang diperoleh dari hubungan variabel
Xt , dengan t
 , xt ,..., xtk   keduanya Yt dan Xt diasumsikan
X
 xt1 2 n.
diperoleh dari hasil observasi t  1, 2,...,T , sehingga diperoleh hubungan model
linier berikut:
yX
dengan asumsi OLS
1. X bersifat deterministik artinya dari pengamatan masa lalu, keadaan masa
datang dapat diramalkan secara pasti.
2. Rank(x)  n, artinya X bersifat full rank
3. E( )  0
4. E( ')   2 I
5.  2  0, tidak ada batasan untuk  dan  2
 6.  berdistribusi multivariat normal
t

Dengan pendekatan SSE (Sum Squares Error) didapat ˆ  ( X ' X )1 X ' y
OL
S
yang bersifat BLUE dengan
) dan 2
)   ( X ' X )1.
E(ˆ
OL
S
 Var(ˆ
OL
2.1 Regresi Lancung S

Regresi lancung biasanya terjadi pada data yang bersifat trend. Data variabel
dependen dan variabel independen sama-sama menunjukkan kecenderungan
meningkat dengan bertambahnya waktu. Data seperti ini tidak bersifat stasioner,
tetapi bila dianalisis secara bersama-sama akan bersifat stasioner. Biasanya pada
diferensi pertama akan bersifat stasioner. Regresi lancung dapat terjadi apabila
Yt dan variabel independen  Xt 
antara variabel dependen dengan 1  0 .

1
Namun, estimator Ordinary Least Square (OLS) akan menyatakan signifikan atau
1  0
uji statistik menyimpulkan dengan nilai koefisien determinasi yang relatif
R2
besar (Granger and Newbold, 1974). Sebagai acuan, (Gujarati, 2004) mengusulkan
untuk mewaspadai ketika nilai koefisien determinasi R2 lebih besar dibanding nilai
Durbin Watson.
Ada tidaknya regresi lancung dapat dilihat dari beberapa output analisis. Jadi, data
harus di analisis dulu untuk mengetahui apakah regresi yang terjadi bersifat lancung
atau tidak. Menurut (Wing Wahyu Winarno, 2009) ada empat ciri-ciri regresi
lancung sebagai berikut:
1. Memiliki koefisien determinasi (nilai F) tinggi.
2. Memiliki nilai R2 tinggi.
3. Memiliki nilai signifikansi (t) tinggi.
4. Memiliki nilai Durbin Watson rendah.

2.2 Kointegrasi
Dalam kasus regresi lancung (spurious regression) perlu diingat untuk tidak
melakukan analisis regresi diantara variabel-variabel runtun waktu dan Xt ketika
Yt
keduanya memiliki unit root, kecuali keadaan dimana Yt dan Xt berkointegrasi.
Kointegrasi terjadi apabila variabel independen dan variabel dependen sama-sama
merupakan suatu trend, sehingga masing-masing tidak stasioner. Namun apabila
keduanya diregresikan akan menyebabkan kombinasi liniernya menjadi stasioner.
Didefinisikan et sebagai residual dari suatu persamaan regresi linier sederhana
antara dan X , e  Y     Dalam keadaan dimana Y dan X
t t t t t
Yt sehingga Xt .
keduanya memiliki unit root (yakni masing-masing memiliki trend), maka et akan
mengandung unit root. Pada keadaan ini muncul kasus regresi lancung. Namun
seringkali terjadi dimana et tidak mengandung trend, nilainya tidak terlalu besar dan
meskipun dan X mengandung trend, nilainya tidak terlalu divergen antara satu
t
Yt
dengan yang lainnya (arah trendnya sama atau mengandung common trend atau co-
trend). Keadaan yang demikian ini sering disebut sebagai kasus dimana Yt dan X t
berkointegrasi. Dengan demikian, jika terjadi kointegrasi, maka masalah regresi
lancung akan hilang dan lebih lanjut terdapat hubungan kesetimbangan (equilibrium)
antara Yt dan X dalam bentuk arah trend yang sama. Pada keadaan dimana
t

terdapat kointegrasi, maka persamaan regresi Y     X  disebut persamaan

t t

et
regresi kointegrasi dan parameter  dapat diinterpretasikan sebagai long-run
multiplier yang mengukur pengaruh jangka panjang (long-run effect) secara
permanen dari X t terhadap variabel Yt .
Definisi 2.2 (Engle and Granger, 1987)
Komponen-komponen dari vektor xt   xt1, xt2 ,..., xtk ' dikatakan
berkointegrasi
dalam orde d,b atau ditulis xt ~ CI d , b apabila berlaku:
1. Semua komponen dari xt merupakan proses integrated order d, atau I (d)
2. Terdapat vektor α  1 ,  2 ,...,  k  ( 0), sedemikian hingga
k

α'x t    i xti  I (d  b), b  Vektor α sering disebut sebagai vektor

0.
i1
kointegrasi.
Definisi kointegrasi ini menjadi penting karena dengan konsep ini dapat diamati
hubungan equilibrium jangka panjang (long-run equilibrium) dari variabel-variabel
yang tidak stasioner (karena mengandung trend). Sebagai contoh, ambil d  1,b  1
, yakni semua variabel yang diamati adalah poses integrated order
k
C  1 , maka
terdapat vektor α hingga kombinasi linier
α'x t    i akan bersifat

xti
i 1

I (d  b)  I (0) atau proses yang stasioner. Jadi, meskipun semua data

xt1, xt 2 ,..., masing-masing non-stasioner, namun kombinasi liniernya yang
xtk
didefinisikan oleh vektor α akan stasioner.
2.3 Pengujian Kointegrasi
Untuk menguji adanya kointegrasi dapat dilakukan dengan menggunakan metode
uji Engle-Granger dua langkah dan uji Johansen (Johansen, 1988). Namun, pada
penelitian ini hanya menggunakan metode uji Engle-Granger dua langkah, berikut
akan dibahas uji Engle-Granger yang langkah-langkah secara singkat diberikan
dibawah ini.
 1. Ujilah adanya unit root dalam variabel Yt dan Xt (misalnya dengan
menggunakan uji Augmented Dickey-Fuller atau ADF). Orde unit root ini harus
sama dan bernilai d . Jika hipotesis adanya unit root ditolak, maka hipotesis adanya
kointegrasi antar variabel akan ditolak.
2. Selanjutnya, estimasi persamaan regresi antara terhadap variabel Xt dan
Yt
residual et .
3. Lakukan uji unit root terhadap residual et
yang diperoleh pada langkah 2.
Jika hipotesis adanya unit root ditolak, maka disimpulkan bahwa Yt dan X t
berkointegrasi. Penting diketahui bahwa dalam pengujian unit root terhadap residual
et , jangan memasukkan komponen trend ke dalam statistik uji.
3. Model Koreksi Kesalahan Error Correction Model
Apabila Yt dan Xt berkointegrasi, maka terdapat hubungan jangka panjang
diantara kedua variabel. Dalam jangka pendek, tentu mungkin terdapat
ketidaksetimbangan (disequlibrium) antar kedua kedua variabel. Berdasarkan teori
yang disebut sebagai Granger Representation Theorem, maka apabila Yt dan Xt
berkointegrasi, sifat hubungan jangka pendek di antara keduanya dapat dinyatakan
dalam bentuk Model Koreksi Kesalahan (Error Correction Model).
Untuk memahami Error Correction Model (ECM) akan digunakan bentuk yang
paling sederhana dari model ECM yang dapat dinyatakan sebagai:
Yt    et 1  0 X t   t . et adalah error yang diperoleh dari
Disini 1

persamaan regresi antara Y dan X, yaitu et1  Yt1     atau secara umum
Xt1 

X t1 , X t 2 ,..., Xtk , yakni et 1  Yt 1     1 X t 1,1 ...  k

antara
da dan
Yt
n
X t 1,k 
 t adalah komponen error dalam model ECM. Disini diasumsikan   0.
Untuk memudahkan menginterpretasikan model ECM, asumsikan
Xt  0 dan
selanjutnya asumsikan e  0 , sehingga e  Y     X  atau nilai
t 1 t 1 t 1 t 1

0
dari Yt 1 akan berada diatas equilibrium    X t 1 . Karena nilai   0 , maka
et 1
akan bernilai negatif. Demikian juga halnya dengan Yt . Dengan kata lain, Jika Y
pada periode waktu t-1 berada di atas nilai equilibriumnya, maka nilainya akan turun
pada periode waktu berikutnya (waktu ke t), sehingga nilai error equilibrium et
dalam model akan terkoreksi (fakta ini yang menyebabkan model ini disebut Error
Correction Model). Pada et 1  0 akan terjadi hal sebaliknya, yakni nilai dari Yt 1
akan berada dibawah nilai equilibriumnya dan et 1  da  akan bernilai
0 n Yt
positif, menyebabkan naiknya nilai Y dari periode waktu ke t.
Model ECM tidak akan mengalami masalah regresi lancung. Karena Y dan X
mengandung unit root, maka  dan Xt masing-masing akan stasioner. Lebih
Yt
lanjut, karena Y dan X berkointegrasi, maka error equilibrium akan stasioner
sehingga variabel dependen dan semua variabel independen didalam model ECM
akan stasioner. Dengan demikian, metode OLS dan inferensi terhadap koefisien
dengan uji t dapat diinterpretasikan seperti dalam model regresi biasa. Satu-satunya
hal yang perlu diperhatikan adalah adanya variabel error yang tidak terobservasi
et1 .
Berba gai metode telah dikemukakan di dalam literatur untuk estimasi model
ECM, berikut diberikan estimasi model ECM dengan teknik estimasi dua langkah:
1. Estimasi persamaan regresi antara dan Xt dan residual pada langkah ini
Yt
sama dengan nilai residual pada langkah 2 pada pengujian kointegrasi.
2. Estimasi persamaan ECM, Y     e   X  antara Y dan
t t 1 0 t

t
X dengan menggunakan residual dari langkah pertama.
Secara umum bentuk model ECM antara Yt dan Xt yang berkointegrasi
diberikan oleh persamaan berikut:
 K
Yt   0  1t  1et 1   1,i X t i   2,i Yt i   1,t
i0 i0
K
X t   0   2t  2 et 1   1,i Yt i    2,i X t i   2,t

4. Studi Kasus i0 i0

Dalam studi kasus ini akan dilihat pengaruh antara Tingkat Inflasi dengan BI
rate. Diasumsikan bahwa Tingkat Inflasi dipengaruhi oleh BI rate, dengan terjadi
kenaikan suku bunga bank, maka perusahaan melakukan peminjaman uang dari
Bank akan terbebani oleh tingginya tingkat suku bunga ketika membayar
utangnya, sehingga untuk menutupi beban tersebut, maka perusahaan
menyiapkan dana yang salah satunya dengan cara menaikan harga barang/jasa.
Singkatnya, hal inilah yang menyebabkan terjadinya Inflasi. Pengolahan data
dilakukan dengan menggunakan program Eviews versi 7 dan buku acuan
(Rosadi, 2011).
Selanjutnya data Inflasi dan BI rate diperoleh dari
http://www.bi.go.id/id/moneter/bi-rate/data/Default.aspx dan
http://www.bi.go.id/id/moneter/ Tingkat Inflasi /data/Default.aspx yakni data
bulan September 2008 sampai September 2013, yang dapat dilihat pada grafik di
bawah ini:
.14

.12

.10

.08

.06

.04

.02
III IV I II III IV I II III IV I II III IV I II III IV I II III
2008 2009 2010 2011 2012 2013

TINGKAT_INFLASI BI_RATE

Gambar 1. Plot Data Tingkat Tingkat Inflasi dan BI Rate

Dari gambar di atas dapat dilihat bahwa kedua data di atas masih mengandung
trend yang menunjukkan kedua data tersebut belum stationer. Untuk memastikannya
dilakukan Uji Unit Root.
4.1 Uji Unit Root/ Stationeritas Data
Selanjutnya akan dilakukan Uji Unit Root (Augmented Dikey Fuller Unit Root
Test) dengan kriteria sebagai berikut :
1. Ho: Ada unit root
Ha: Tidak ada unit root
2. Tingkat signifikansi 95% atau   5%
3. Statistik uji: nilai ADF
 4. Daerah kritis: Ho ditolak jika Nilai ADF < Critical Value (   5% )
5. Kesimpulan: Ho diterima karena Nilai ADF > Critical Value (   5% )

4.1.1 Uji Unit Root untuk Data Tingkat Inflasi

Dari hasil di atas disimpulkan bahwa, Ho diterima karena statistik uji ADF (-
2.699446) > Nilai kritis ADF pada   5% (-3.487845) dan juga nilai prob
(0.2407) > 0.05. Dengan demikian, data Tingkat Inflasi mengandung unit root
dengan kata lain data tidak stationer.

4.1.2 Uji Unit Root untuk Data BI Rate

Dari hasil di atas disimpulkan bahwa, Ho diterima karena statistik uji ADF (-
3.148284) > Nilai kritis ADF pada  (-3.487845) dan juga nilai prob
5%
(0.1051) > 0.05. Dengan demikian data BI rate mengandung unit root dengan kata
lain data tidak stationer.

4.2 Uji Kointegrasi

Terlihat bahwa data Tingkat Inflasi dan BI rate, keduanya tidak stationer.
Selanjutnya akan diuji kointegrasi kedua variabel (dengan menggunakan Uji Engle-
Granger) yaitu dengan melihat stationeritas dari residual hasil regresi antara Tingkat
Inflasi dan BI rate dengan langkah sebagai berikut:
1. Melakukan regresi antara Tingkat Inflasi dan BI rate
 2. Membuat data
residual yang
baru yang
merupakan
replikasi dari
data resid. Yakni dengan menggunakan Generate Equation. Tulis: residual =
resid
3. Menguji Stationeritas Residual dengan melihat apakah mengandung unit root
atau tidak.

Dari hasil di atas disimpulkan bahwa, Ho ditolak karena statistik uji ADF (-
2.071971) < Nilai kritis ADF pada   5% (-1.946447). Dengan demikian
residual tidak mengandung unit root dengan kata lain data stationer. Dengan
demikian, diperoleh persamaan regresi kointegrasi:
Tingkat Inflasi  0.069866  1.895044BI
rate

4.3 Estimasi Error Correction Model (ECM)

Dengan mengetahui bahwa kedua data saling berkointegrasi, berarti ada
hubungan jangka panjang (equilibrium) antara kedua variabel tersebut. Dalam
jangka pendek ada kemungkinan terjadi ketidaksetimbangan (disekuilibrium).
Karena adanya ketidaksetimbangan ini maka diperlukan adanya koreksi dengan
model koreksi kesalahan (Error correction Model, disingkat ECM). Persamaan
untuk ECM sederhana dapat ditulis aebagai berikut :
(Tingkat Inflasi)  C   et 1  0 (BI rate)   t

Karena C memiliki probabilitas paling tinggi (0.7401) > 0.05 (berarti C tidak
signifikan), maka dilakukan pengujian ulang tanpa menggunakan C. Diperoleh:

Karena residual(-1) memiliki probabilitas paling tinggi (0.7200) > 0.05

(berarti residual(-1) tidak signifikan), maka dilakukan pengujian ulang tanpa
menggunakan residual(-1). Diperoleh:
 Karena dbi_rate(-1) memiliki probabilitas paling tinggi (0.6432) > 0.05
(berarti dbi_rate(-1) tidak signifikan), maka dilakukan pengujian ulang tanpa
menggunakan dbi_rate(-1). Diperoleh:

Tampak bahwa probabilitas dari variabel dbi_rate (0.0000) < 0.05, berarti
variabel dbi_rate telah signifikan. Dengan demikian, diperoleh persamaan
estimasi ECM , yakni:
(Tingkat Inflasi)  2.017778(BI rate)
5. Penutup
5.1 Kesimpulan.
Uji Kointegrasi merupakan salah satu metode untuk mengindikasikan
kemungkinan adanya hubungan kesetimbangan (equilibrium) jangka panjang antara
variabel dependen dan variabel independen. Namun, walaupun terdapat
kesetimbangan jangka panjang akan tetapi dalam jangka pendek mungkin saja
keduanya tidak mencapai kesetimbangan. Regresi lancung biasanya terjadi pada data
yang bersifat trend. Data variabel dependen dan variabel independen sama-sama
menunjukkan kecenderungan meningkat dengan bertambahnya waktu. Data seperti
ini tidak bersifat stasioner, tetapi bila dianalisis secara bersama-sama akan bersifat
stasioner. Biasanya pada diferensi pertama akan bersifat stasioner.
 Dalam kasus regresi lancung (spurious regression) perlu diingat untuk tidak
melakukan analisis regresi diantara variabel-variabel runtun waktu dan Xt ketika
Yt
keduanya memiliki unit root, kecuali keadaan dimana Yt dan Xt berkointegrasi.
Kointegrasi terjadi apabila variabel independen dan variabel dependen sama-sama
merupakan suatu trend, sehingga masing-masing tidak stasioner. Namun apabila
keduanya diregresikan akan menyebabkan kombinasi liniernya menjadi stasioner.
Untuk mengatasinya digunakan model koreksi kesalahan (Error Correction
Model). Tujuan penelitian ini adalah menerapkan uji kointegrasi untuk melihat
apakah terdapat hubungan kesetimbangan jangka panjang data runtun waktu antara
Tingkat Inflasi (variabel dependen) dengan BI rate (variabel independen).
5.2 Saran
Penyusun juga memberikan beberapa saran untuk penelitian lebih lanjut
1. Uji kointegrasi menjadi sangat penting karena dengan konsep ini dapat
diamati hubungan equilibrium jangka panjang (long-run equilibrium) dari
variabel-variabel yang tidak stasioner (karena mengandung trend).
2. Untuk para peneliti berikutnya yang sejenis dengan penelitian ini masih bisa
menggunakan uji Johansen terhadap data yang berkointegrasi untuk
dikembangkan.

6. Daftar Pustaka
[1] Engle, R.F. and Granger, C.W.J., Cointegration and Error Correction
Representation, Estimation and Testing, Econometrica, 55, 251-276. (1987)
[2] Granger, C.W.J., and Newbold, P., Spurious Regressions in Econometrics,
Journal of Econometrics, 2, 111-120. (1974)
[3] Gujarati, Damodar, Basic Econometrics, Fourth Edition, New York: McGraw
Hill International Edition. (2004)
[4 ]Johansen, S. Statistical Analysis of Cointegration Vectors, Journal of Economic
Dynamics and Control, 12, 231-254. (1988)
[5] Purwanto, Joko. Analisis Data Panel Model Dinamik. Tesis, tidak
dipublikasikan. Universitas Gadjah Mada. (2006)
[6] Rosadi, Dedi, Ekonometrika dan Analisis Runtun Waktu Terapan Dengan
Eviews, Yogyakarta: Penerbit ANDI. (2011)
[7] Winarno, Wing Wahyu, Analisis Ekonometrika dan Statistika dengan Eviews,
Yogyakarta: STIM YKPN. (2009)
http://www.bi.go.id/id/moneter/bi-rate/data/Default.aspx
http://www.bi.go.id/id/moneter/ Tingkat Inflasi /data/Default.aspx