MODEL ERROR CORECTION

MODEL (ECM)
Dr. Taosige Wau
Pendahuluan
• Model regresi time series dgn data yg tidak stasioner →
menghasilkan regresi lancung (spurious regression).
• Regresi lancung → 𝑅2 tinggi namun banyak variabel bebas yg
tidak signifikan (melalui uji 𝑡).
• Jika data tidak stasioner → model estimasi yg tepat model
koreksi kesalahan (Error Correction Model, ECM).
• Data yg tdk stasioner menunjukkan hubungan yg tidak seimbang
dalam jangka pendek, namun seimbang dalam jangka panjang.
• Ada tidaknya hubungan jangka panjang dalam variabel ekonomi
diketahui melalui uji kointegrasi.
Stasioneritas Data
• Data time series hasil proses random dikatakan stasioner, jika:
▪ Rata-rata konstan → 𝐸 𝑌𝑡 = 𝜇
▪ Varian konstan → 𝑣𝑎𝑟 𝑌𝑡 = 𝐸 𝑌𝑡 − 𝜇 2 = 𝜎 2
▪ Kovarian antar dua data time series hanya bergantung dari
kelambanan antar dua periode waktu tersebut → 𝛾𝑘 =
𝐸 𝑌𝑡 − 𝜇 𝑌𝑡+𝑘 − 𝜇
• Alat uji stasioner (materi sebelumnya) → uji correlogram.
• Alat uji yg lain → uji Dickey-Fuller (unit root test) dan uji Philips
Perron.
Unit Root Test
• Uji akar unit (unit root test) dikembangkan oleh Dickey-Fuller.
• Ide dasar unit root test dijelaska melalui model berikut:
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑒𝑡 ∀ −1 ≤ 𝜌 ≤ 1 (1)
Ket: 𝑌𝑡−1 adalah kelambanan 𝑌𝑡 , 𝑒𝑡 residual yg bersifat random
dan memenuhi asumsi OLS, atau white noise.
• Jika 𝜌 = 1 → variabel 𝑌𝑡 mempunyai unit root.
• Data time series yg memiliki unit root → maka data bergerak
secara random → data tidak stasioner.
Unit Root Test
• Jika persamaan (1) dikurangi dengan 𝑌𝑡−1 , maka:
𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1 + 𝑒𝑡 (2)
∆𝑌𝑡 = 𝜌 − 1 𝑌𝑡−1 + 𝑒𝑡 (3)
∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡 (4)
• Hasil estimasi persamaan (4), unit root diuji dgn hipotesis
𝐻0 : 𝜙 = 0 → data 𝑌𝑡 mengandung unit root
𝐻1 : 𝜙 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root
• Nilai estimasi 𝑡 dari koefisien 𝑌𝑡−1 mengikuti distribusi 𝜏 atau
distribusi Mackinnon.
Uji Dickey-Fuller
• Pengujian unit root pada data time series, Dickey-Fuller
menyarankan estimasi model-model berikut:
1. Uji tanpa konstanta dan trend waktu
∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡 (5)
2. Uji dengan konstanta dan tanpa trend waktu
∆𝑌𝑡 = 𝛼0 + 𝜙𝑌𝑡−1 + 𝑒𝑡 (6)
3. Uji dengan konstanta dan trend waktu
∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝜙𝑌𝑡−1 + 𝑒𝑡 (7)
Uji Dickey-Fuller
• Hipotesis:
• 𝐻0 : 𝜙 = 0 → data 𝑌𝑡 mengandung unit root (tidak stasioner)
• 𝐻1 : 𝜙 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root (stasioner)
• Prosedur pegujian:
• Nilai statistik Dickey-Fuller (DF) dibandingkan dengan nilai
distribusi statistik 𝜏 (statistik Mackinnon).
• Nilai statistik DF ditunjukkan oleh 𝑡-statistik koefisien 𝑌𝑡−1 (𝜙).
• Jika nilai absolut 𝑡 > 𝜏 → hipotesis nol ditolak → data stasioner.
Uji Augmented Dickey-Fuller
• Uji unit root di persamaan (5), (6), dan (7) digunakan jika data
time series hanya mengikuti pola AR(1).
• Jika AR lebih tinggi, residual (𝑒𝑡 ) pada persamaan (5), (6), dan
(7) terindikasi autokorelasi.
• Dickey-Fuller kemudian mengembangkan uji unit root untuk AR
yg lebih tinggi → menambah kelambanan variabel diferensi.
• Uji unit root seperti ini disebut → uji Augmented Dickey-Fuller
(ADF).
Uji Augmented Dickey-Fuller
• Model uji ADF:
𝑝
∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 ∆𝑌𝑡−𝑖 + 𝑒𝑡 (8)
𝑝
∆𝑌𝑡 = 𝛼0 + 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 ∆𝑌𝑡−𝑖 + 𝑒𝑡 (9)
𝑝
∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 ∆𝑌𝑡−𝑖 + 𝑒𝑡 (10)
• Panjang kelambanan (𝑝) ditentukan berdasarkan kriteria AIC dan SIC.
• Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SIC):
2𝑘 𝑆𝑆𝑅
ln 𝐴𝐼𝐶 = + ln (11)
𝑛 𝑛
𝑘 𝑆𝑆𝑅
ln 𝑆𝐼𝐶 = ln 𝑛 + ln (12)
𝑛 𝑛
• Keterangan: SSR adalah jumlah residual kuadrat, k adalah jumlah parameter
estimasi, dan n adalah jumlah observasi.
Uji Augmented Dickey-Fuller
• Hipotesis:
• 𝐻0 : 𝜙 = 0 → data 𝑌𝑡 mengandung unit root (tidak stasioner)
• 𝐻1 : 𝜙 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root (stasioner)
• Prosedur pegujian:
a. Nilai statistik ADF dibandingkan dengan nilai distribusi
statistik 𝜏 (statistik Mackinnon).
b. Nilai statistik ADF ditunjukkan oleh 𝑡-statistik koefisien 𝑌𝑡−1
(𝜙).
c. Jika nilai absolut 𝑡 > 𝜏 → hipotesis nol ditolak → data
stasioner.
Uji Philips-Perron
• Asumsi uji unit root DF → residual memenuhi asumsi
OLS.
• Jika terdapat autokorelasi pada residual model DF, maka
solusinya → uji Philips-Perron (PP)
• Model uji unit root Philips-Perron:
∆𝑌𝑡 = 𝛾𝑌𝑡−1 + 𝑒𝑡 (13)
∆𝑌𝑡 = 𝛼0 + 𝛾𝑌𝑡−1 + 𝑒𝑡 (14)
∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝛾𝑌𝑡−1 + 𝑒𝑡 (15)
Uji Philips-Perron
• Hipotesis:
• 𝐻0 : 𝛾 = 0 → data 𝑌𝑡 mengandung unit root (tidak stasioner)
• 𝐻1 : 𝛾 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root (stasioner)
• Prosedur pegujian:
a. Nilai statistik PP dibandingkan dengan nilai distribusi statistik
Mackinnon.
b. Nilai statistik PP ditunjukkan oleh 𝑡-statistik koefisien 𝑌𝑡−1 (𝛾).
c. Jika nilai absolut 𝑡 > statistik Mackinnon → hipotesis nol
ditolak → data stasioner.
Contoh
• Data nilai Kurs Rupiah terhadap Dollar Amerika (USD) dan
Nilai Eskport Indonesia adalah sbb:
• Kurs →
https://drive.google.com/file/d/1nCtH3zu5qXYvYqiSf9UBp1WnR
OSDYGu3/view?usp=sharing
• Eksport → https://drive.google.com/file/d/1n-
MBowYjcmJbau1MDxn12EaobNUASEZc/view?usp=sharing
• Ujilah Apakah data time series di atas bersifat stasioner
pada level atau stasioner pada diferensi.
 EKSPOR
20,000

18,000
Uji Stasioner: Variabel Eksport
16,000
Null Hypothesis: EKSPOR has a unit root
14,000 Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=14)
12,000
t-Statistic Prob.*
10,000

8,000 Augmented Dickey-Fuller test statistic -1.556984 0.5030

Test critical values: 1% level -3.457865
6,000 5% level -2.873543
4,000
10% level -2.573242

2,000 *MacKinnon (1996) one-sided p-values.

2002 2004 2006 2008 2010 2012 2014 2016 2018 2020
Null Hypothesis: EKSPOR has a unit root
Null Hypothesis: EKSPOR has a unit root Exogenous: Constant, Linear Trend
Exogenous: None Lag Length: 1 (Automatic - based on SIC, maxlag=14)
Lag Length: 1 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.035291 0.5786
Augmented Dickey-Fuller test statistic 0.468609 0.8153 Test critical values: 1% level -3.997250
Test critical values: 1% level -2.574756
5% level -3.428900
5% level -1.942170
10% level -3.137898
10% level -1.615807

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

 KURS
17,000 Uji Stasioner: Variabel Kurs
16,000

15,000 Null Hypothesis: KURS has a unit root

Exogenous: Constant, Linear Trend
14,000
Lag Length: 0 (Automatic - based on SIC, maxlag=14)
13,000
t-Statistic Prob.*
12,000

11,000 Augmented Dickey-Fuller test statistic -2.616103 0.2736

Test critical values: 1% level -3.997083
10,000 5% level -3.428819
9,000 10% level -3.137851

8,000 *MacKinnon (1996) one-sided p-values.

2002 2004 2006 2008 2010 2012 2014 2016 2018 2020

Null Hypothesis: KURS has a unit root

Null Hypothesis: KURS has a unit root Exogenous: Constant
Exogenous: None
Lag Length: 0 (Automatic - based on SIC, maxlag=14)
Lag Length: 0 (Automatic - based on SIC, maxlag=14)
t-Statistic Prob.*
t-Statistic Prob.*

Augmented Dickey-Fuller test statistic 0.574094 0.8397 Augmented Dickey-Fuller test statistic -1.051032 0.7350
Test critical values: 1% level -2.574714 Test critical values: 1% level -3.457747
5% level -1.942164 5% level -2.873492
10% level -1.615810 10% level -2.573215

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

Transformasi Data Nonstasioner
• Agar data time series yg tidak stasioner menjadi stasioner → data
ditransformasi → melalui proses diferensi data.
• Proses diferensi data → disebut uji derajat integrasi.
• Model uji derajat integrasi ADF:
𝑝
2∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 2∆𝑌𝑡−𝑖 + 𝑒𝑡 (16)
𝑝
2∆𝑌𝑡 = 𝛼0 + 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 2∆𝑌𝑡−𝑖 + 𝑒𝑡 (17)
𝑝
2∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 2∆𝑌𝑡−𝑖 + 𝑒𝑡 (18)
Dimana 2∆𝑌𝑡 = ∆𝑌𝑡 − ∆𝑌𝑡−1 .
Transformasi Data Nonstasioner
• Model uji derajat integrasi PP:
2∆𝑌𝑡 = 𝛾𝑌𝑡−1 + 𝑒𝑡 (19)
2∆𝑌𝑡 = 𝛼0 + 𝛾𝑌𝑡−1 + 𝑒𝑡 (20)
2∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝛾𝑌𝑡−1 + 𝑒𝑡 (21)
• Keputusan sampai pada derajat keberapa suatu data akan stasioner
→ membandingkan nilai statistik derajat integrasi integrasi ADF atau
PP dengan statistik Mackinnon.
• Jika nilai absolut statistik ADF atau PP lebih besar dari statistik
Mackinnon pada diferensi tingkat pertama, maka data stasioner pada
derajat satu.
• Jika sebaliknya, maka uji derajat integrasi perlu dilakukan hingga data
stasioner.
Kointegrasi
• Misal, model regresi data time series:
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 + 𝑒𝑡 (22)
Apabia 𝑌𝑡 dan 𝑋𝑡 keduanya tidak stasioner, maka kombinasi linear
(𝑒𝑡 ) keduanya bisa saja stasioner:
𝑒𝑡 = 𝑌𝑡 − 𝑏0 − 𝑏1 𝑋𝑡 (23)
• Jika 𝑌𝑡 dan 𝑋𝑡 tidak stasioner pada level namun stasioner pada
diferensi yg sama, maka 𝑌𝑡 dan 𝑋𝑡 disebut terkointegrasi →
mempunyai hubungan jangka panjang.
• Dengan demikian, persamaan (22) disebut regresi kointegrasi dan
parameternya disebut parameter kointegrasi.
• Uji kointegrasi hanya bisa dilakukan data yg digunakan berintegrasi
pada level yg sama.
Uji Kointegrasi: Engle-Granger
• Langkah uji Engle-Granger:
• Estimasi model (misal: 𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 + 𝑒𝑡 ) untuk mendapatkan
residual (𝑒𝑡 ).
• Residual yg diperoleh diuji dengan DF atau ADF:
∆𝑒𝑡 = 𝛽1 𝑒𝑡−1 (24)
𝑝
∆𝑒𝑡 = 𝛽1 𝑒𝑡−1 + 𝛽𝑖 σ𝑖=2 ∆𝑒𝑡−𝑖+1 (25)
• Dari hasil estimasi persamaan (24) dan (25), nilai statistik 𝑡 koefisien
𝛽1 dibandingkan dengan statistik Mackinnon.
• Jika nilai statistik t lebih besar dari statistik Mackinnon → variabel yg
diamat saling berkointegrasi.
Kointegrasi dan Model ECM
• Adanya kointegrasi antar dua variabel → berarti ada hubungan
atau keseimbangan jangka panjang antar kedua variabel.
• Dalam jangka pendek bisa saja ada ketidakseimbangan → sering
ditemui dlm perilaku ekonomi.
• Apa yg diinginkan belum tentu sama dengan apa yg terjadi.
• Perbedaan antara yg diinginkan pelaku ekonomi dengan apa yg
terjadi diperlukan penyesuaian (adjusment).
• Model yg memasukkan penyesuaian untuk melakukan koreksi
atas ketidakseimbangan → model koreksi kesalahan (Error
Correction Model, ECM)
Model ECM
• Model ECM diperkenalkan: Sargan → dikembangkan: Hendry →
dipopulerkan: Engel-Granger.
• Kegunaan model ECM: (1) mengatasi masalah data time series yg
tidak stasioner; (2) mengatasi masalah regresi lancung.
• Pemodelan, misalkan hubungan jangka panjang atau
keseimbangan antara Y dan X, sbb:
𝑌𝑡 = 𝛽0 + 𝛽1 𝑋𝑡 (26)
• Kenyataannya keseimbangan variabel ekonomi jarang ditemui.
Model ECM
• Jika 𝑌𝑡 berbeda dgn keseimbangan, maka:
𝐸𝐶𝑡 = 𝑌𝑡 − 𝛽0 − 𝛽1 𝑋𝑡 (27)
Dimana 𝐸𝐶𝑡 adalah kesalahan keseimbangan. Pada keseimbangan
𝐸𝐶𝑡 = 0.
• Karena Y dan X jarang dalam kondisi keseimbangan, hubungan
ketidakseimbangan jangka pendek dgn memasukkan unsur
kelambanan X dan Y:
𝑌𝑡 = 𝛼0 + 𝛼1 𝑋𝑡 + 𝛼2 𝑋𝑡−1 + 𝜙𝑌𝑡−1 + 𝑒𝑡 0 < 𝜙 < 1 (28)
Unsur kelambanan 1 orde (first order lags)
• Implikasi persamaan (28) → nilai Y membutuhkan waktu untuk
menyesuaikan dengan variasi X secara penuh.
Model ECM
• Apabila data pada persamaan (28) tidak stasioner pada level kedua sisi
dikurangi dengan 𝑌𝑡−1 :
𝑌𝑡 − 𝑌𝑡−1 = 𝛼0 + 𝛼1 𝑋𝑡 + 𝛼2 𝑋𝑡−1 + 𝜙𝑌𝑡−1 − 𝑌𝑡−1 + 𝑒𝑡 (29)
Δ𝑌𝑡 = 𝛼0 + 𝛼1 𝑋𝑡 + 𝛼2 𝑋𝑡−1 − (1 − 𝜙)𝑌𝑡−1 + 𝑒𝑡 (30)
• Persamaan (30) dimodifikasi dengan ±𝛼1 𝑋𝑡−1 , sehingga:
Δ𝑌𝑡 = 𝛼0 + 𝛼1 𝑋𝑡 − 𝛼1 𝑋𝑡−1 + 𝛼1 𝑋𝑡−1 + 𝛼2 𝑋𝑡−1 − (1 − 𝜙)𝑌𝑡−1 + 𝑒𝑡 (31)
Δ𝑌𝑡 = 𝛼0 + 𝛼1 ∆𝑋𝑡 + (𝛼1 + 𝛼2 )𝑋𝑡−1 − 𝜆𝑌𝑡−1 + 𝑒𝑡 (32)
Dimana, 𝜆 = 1 − 𝜙
• Parameterisasi ulang persamaan (32) menjadi:
Δ𝑌𝑡 = 𝛼0 + 𝛼1 ∆𝑋𝑡 − 𝜆(𝑌𝑡−1 − 𝛽1 𝑋𝑡−1 ) + 𝑒𝑡 (33)
(𝛼1 +𝛼2 )
Dimana, 𝛽1 =
𝜆
Model ECM
• Parameterisasi ulang persamaan (32) menjadi:
Δ𝑌𝑡 = 𝛼0 + 𝛼1 ∆𝑋𝑡 − 𝜆(𝑌𝑡−1 − 𝛽1 𝑋𝑡−1 ) + 𝑒𝑡 (33)
(𝛼1 +𝛼2 )
Dimana, 𝛽1 =
𝜆
• Parameterisasi ulang persamaan (33) menjadi:
Δ𝑌𝑡 = 𝛼1 ∆𝑋𝑡 − 𝜆(𝑌𝑡−1 − 𝛽0 − 𝛽1 𝑋𝑡−1 ) + 𝑒𝑡 (34)
𝛼0
Dimana, 𝛽0 =
𝜆
• Nilai −𝜆(𝑌𝑡−1 − 𝛽0 − 𝛽1 𝑋𝑡−1 ) → kesalahan keseimbangan dari periode waktu sebelumnya,
t − 1.
• Persamaan (34) → model ECM tingkat pertama (first order correction model). Dimana,
𝜆 adalah parameter penyesuaian, parameter 𝛼 merupakan pengaruh jangka pendek, dan
parameter 𝛽 merupakan pengaruh jangka panjang.
Model ECM
• Menurut Engel-Granger, jika variabel terikat (Y) dan variabel
bebas (X) tidak stasioner tetapi terkointegrasi, maka hubungan
keduanya dijelaskan dengan model ECM.
• Bentuk umum model ECM dari Persamaan (34):
Δ𝑌𝑡 = 𝛼0 + 𝛼1 ∆𝑋𝑡 + 𝛼2 𝐸𝐶𝑡−1 + 𝑒𝑡 (35)
• Koefisien koreksi ketidakseimbangan 𝛼2 menjelaskan seberapa
cepat waktu yg dibutuhkan untuk mendapatkan nilai
keseimbangan.
Contoh
• Apakah variabel kurs (X) dan nilai ekspor (Y) memiliki hubungan
jangka panjang (terkointegrasi)?
• Jika ya, estimasi kedua variabel dengan model ECM.
• Nilai ekspor dipengaruhi oleh nilai kurs.
TERIMA KASIH