///***
DOSEN PENGAMPU:
Dr.Syaparuddin, S.E.,M.Si
KELOMPOK 6
DISUSUN OLEH :
A. Latar Belakang…………………………………………………………………………….2
B. Kelebihan VAR……………………………………………………………………………2
C. Kekurangan VAR………………………………………………………………………….3
D. Prosedur VAR……………………………………………………………………………..7
A. Simpulan ………………………………………………………………………………...30
B. Saran ……………………………………………………………………………………. 31
VAR adalah suatu sistem persamaan yang memperlihatkan setiap peubah sebagai
fungsi linear dari konstanta dan nilai lag dari peubah-peubah yang ada dalam sistem Enders,
2004. Dalam model VAR semua variabel yang digunakan dalam analisis dapat dianggap
berpotensi menjadi variabel endogen dengan mengabaikan pemisahan antara variabel
eksogen dan endogen atau dengan arti lain, semua variabel berhak menjadi variabel-variabel
dependen dan independen. Selain VAR terdapat pula VAR first diference.
Model VAR First Difference merupakan bentuk VAR yang terestriksi, namun
menjelaskan bahwa data yang diuji tidak stasioner pada level dan tidak memiliki hubungan
kointegrasi. Pada uji sebelumnya didapat bahwa data yang digunakan dalam penelitian ini
stasioner pada first difference sehingga penelitian ini adalah VAR Difference .
B. Kelebihan VAR
Model VAR sebagai alat analisis memiliki sejumlah kelebihan yang membuatnya
digunakan secara luas oleh dunia ekonomi dan ekonometrika. Kelebihan dari mdel ini
antara lain ;
1. Metode ini bebas dari berbagai Batasan teori ekonomi yang sering ada,seperti
variabel endogen dan eksogen palsu.
4. Tes var dapat mendeteksi semua hubungan antar variabel dalam system persamaan
dengan memperlakukan semua variabel,endogen.
6. Estimasi var sederhana,karena metode umum OLS dapat digunakan pada masing-
masing persamaan secara terepisah,dan
Adapun beberapa kelebihan dari model VAR, menurut Nachrowi dan Usman 2006, adalah
sebagai berikut :
1. Model VAR merupakan model yang sederhana sehingga tidak perlu dibedakan
mana variabel yang endogen dan mana variabel yang eksogen. Hal ini dikarenakan
semua variabel pada model VAR dapat dianggap sebagai variabel endogen.
2. Cara estimasi model VAR dapat dikatakan relatif mudah, yaitu dengan
menggunakan Ordinary Least Square OLS pada setiap persamaan secara terpisah.
3. Peramalan forecasting dengan menggunakan model VAR pada beberapa hal lebih
baik dibandingkan dengan menggunakan model persamaan simultan yang lebih
kompleks.
Sementara itu, Laksani dalam Jong 2005 mengemukakan beberapa kelebihan lain dari
model VAR, yakni :
C. Kekurangan VAR :
Di samping memiliki sejumlah kelebihan, menurut Nachrowi dan Usman 2006, VAR juga
memiliki beberapa kelemahan, yakni :
1. Model VAR lebih bersifat ateoritik karena tidak memanfaatkan informasi atau teori
terdahulu. Oleh karena itu, model tersebut sering disebut sebagai model yang tidak
struktural.
2. Meskipun VAR dapat digunakan untuk analisis kebijakan, tetapi hal ini bukan
yang utama, mengingat tujuan utama dari model VAR adalah untuk peramalan
forecasting . Karena itu, analisis implikasi kebijakan berdasarkan model VAR
kurang sesuai karena VAR tidak mempermasalahkan perbedaan variabel eksogen
dan endogen Laksani dalam Jong, 2005.
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan. Misalnya, terdapat tiga buah variabel eksogen dengan
masing-masing lag sebanyak delapan buah. Maka, pengestimasian yang dilakukan
paling sedikit sebanyak 24 parameter. Oleh karena itu, dibutuhkan data atau
pengamatan yang relatif banyak.
4. Seluruh variabel dalam VAR harus stasioner. Jika tidak stasioner, maka harus
ditransformasi terlebih dahulu.
5. Tidak mudah dalam menginterpretasikan koefisien yang diperoleh berdasarkan
model VAR.
BAB II
PEMBAHASAN
Model VAR didesain untuk variabel stasioner yang tidak mengandung trend.
Trend stokastik dalam data mengindikasikan bahwa ada komponen long-run (jangka
panjang) dan short-run (jangka pendek) dalam data time series. Penelitian tentang trend
stokastik dalam variabel ekonomi terus berkembang, sehingga pada tahun 1981, Granger
mengembangkan konsep kointegrasi. Pada tahun 1987, Engle bersama Granger
mengembangkan konsep kointegrasi dan koreksi error (error correction).
Vector Autoregression atau VAR merupakan salah satu metode time series yang
sering digunakan dalam penelitian, terutama dalam bidang ekonomi. Menurut Gujarati
(2004) ada beberapa keuntungan menggunakan VAR dibandingkan metode lainnya:
1. Lebih sederhana karena tidak perlu memisahkan variabel bebas dan terikat.
2. Estimasi sederhana karena menggunakan metode OLS (Ordinary Least Square) biasa.
3. Hasil estimasinya lebih baik dibandingkan metode lain yang lebih rumit.
Yt = α1i + ∑ β 1ⅈ Yt -1 + ∑y 1ⅈ Χt-1 + εt
Χt = α 2i + ∑β 2ⅈ Yt -1 + ∑y 2ⅈ Χt-1 + εt
Secara umum model Vector Autoregressive (VAR) dapat diformulasikan sebagai berikut:
𝑥𝑡 = A0 + A1𝑥𝑡−1 + A2𝑥𝑡−2 + A3𝑥𝑡−3 + ⋯ + A𝑝𝑥𝑡−𝑝 + 𝑒𝑡
Dimana :
𝑥𝑡 = vektor berukuran nx1 yang berisi n peubah dalam model VAR
A0 = vektor intersep berukuran nx1
A1 = matriks koefisien berukuran nxn
Salah satu kondisi yang harus diperhatikan dalam etimasi dengan menggunakan metode
VAR adalah kondisi penentuan panjang lag yang akan digunakan. Permasalahan yang
muncul apabila panjang lagnya terlalu kecil akan membuat model tersebut tidak dapat
digunakan karena kurang mampu menjelaskan hubungannya. Dan sebaliknya, jika
panjang lag yang digunakan terlalu besar maka derajat bebasnya (degree of freedom)
akan menjadi lebih besar sehingga tidak efisien lagi dalam menjelaskan. Salah satu
metode yang paling umum digunakan untuk menentukan panjang lag adalah dengan
melihat Akaike Information Criterion (AIC). Dimana rumusnya adalah (Gujarati, 2004) :
Dimana |Σ| adalah determinan dari matrik residual varians atau kovarian sedangkan N
adalah jumlah total dari parameter yang diestimasi dalam semua persamaan. Gujarati
memberikan pedoman dalam melihat nilai AIC, dimana nilai AIC terendah yang
didapatkan dari hasil estimasi VAR dengan berbagai lag menunjukkan bahwa panjang
lag tersebut yang paling baik untuk digunakan. Dalam penelitian ini, penulis akan
mencari lag optimal dengan menguji VECM dengan beberapa lag, yakni dari lag 1
sampai lag 4. Pengujian hanya sampai dengan lag 4 karena jumlah variabel dalam model
hanya 3, sehingga jika diuji hingga lebih 4 lag maka dikhawatirkan hasil estimasi tidak
akan lagi efisien karena derajat kebebasan yang terlalu besar. Dari pengujian keempat
lag tersebut, maka akan dilihat hasil output estimasi VECM model lag mana yang
mempunyai AIC terendah yang menunjukkan lag yang optimal.
Bentuk urutan menjadi sesuatu yang penting dalam model VAR/VECM, karena urutan
variabel yang tepat akan membeikan informasi yang akurat pula. Bentuk urutan variabel
yang baik dapat dilihat dari korelasi residualnya. Gujarati (2004) menyatakan bahwa rule
of thumbs mengenai ini adalah jika korelasi residual di dalam sistem secara mayoritas
kurang dari 0,2 maka urutan tidak perlu dipermasalahkan. Atau bisa juga pengurutan ini
dilakukan dengan dasar teoritis, dimana urutan variabel ditentuan oleh urutan variabel.
Variabel dengan urutan pertama, berarti mempengaruhi variabel di urutan kedua, dan
seterusnya. Dengan pengurutan yang benar, maka hasil estimasi akan menjadi lebih
efisien dan lebih akurat dibandingkan tanpa pengurutan variabel di dalam metode VAR.
BAB III
MODEL DAN DATA
Langkah pertama :
Salah satu langkah yang harus dilakukan dalam estimasi model ekonomi dengan data runtut
waktu adalah menguji apakah data tersebut stasioner atau tidak. Data stasioner merupakan data
runtut waktu yang tidak mengandung akar-akar unit (unit roots), sebaliknya data yang tidak
stasioner jika mean, variance dan covariance data tersebut konstan sepanjang waktu (Thomas,
1997:374).
t-Statistic Prob.*
t-Statistic Prob.*
///
t-Statistic Prob.*
t-Statistic Prob. *
t-Statistic Prob.*
t-Statistic Prob. *
t-Statistic Prob.*
t-Statistic Prob.*
Dari hasil uji stasioner pada tingkat level hanya variabel inflasi yang lolos uji stasioner, yang dimana
diperoleh hasil 0,0005 < 0,05 sedangkan variabel interest, kurs dan bload money (BM) tidak lolos pada
data level karena hasilnya > dari 0,05. Maka uji dilanjutkan dengan uji statisioner pada tingkat first
different, dan hasilnya semua lolos pada tingkat first different sehingga model VAR first diferent bisa
dilanjukan.
Ketika seluruh variabel dilakukan uji akar unit, maka akan diperoleh tabel sebagai berikut :
Dari hasil uji stasioneritas berdasarkan uji Dickey–Fuller diperoleh data yang belum stasioner
pada data level atau integrasi derajat nol, I(0), maka syarat stasionaritas model ekonomi runtut
waktu dapat diperoleh dengan cara differencing data, yaitu mengurangi data tersebut dengan data
periode sebelumnya. Dengan demikian melalui differencing pertama (first difference) diperoleh
data selisih atau delta-nya (Δ). Prosedur uji Dickey–Fuller kemudian diaplikasikan untuk
menguji stasionaritas data yang telah di-differencing. Jika dari hasil uji ternyata data runtut waktu
belum stasioner, maka dilakukan differencing kedua (second differencing). Prosedur uji Dickey–
Fuller selanjutnya diaplikasikan untuk menguji stasionaritas data second differencing tersebut.
Setelah mengetahui bahwa data tidak stasioner pada tingkat level, maka langkah selanjutnya
adalah melakukan uji akar unit pada tingkat 1st Difference. Dan dari hasil uji akar unit maka
seluruh variabel lolos uji akar unit pada tingkat 1st Difference atau stasioner pada 1st Difference.
Langkah kedua
Estimasi model VAR dimulai dengan menentukan berapa panjang lag yang tepat dalam model
VAR. Penentuan panjangnya lag optimal merupakan hal penting dalam pemodelan VAR. Jika
lag optimal yang dimasukan terlalu pendek maka dikhawatirkan tidak dapat menjelaskan
kedinamisan model secara menyeluruh. Namun, lag optimal yang terlalu panjang akan
menghasilkan estimasi yang tidak efisien karena berkurangnya degree of freedom (terutama
model dengan sampel kecil). Oleh karena itu perlu mengetahui lag optimal sebelum melakukan
estimasi VAR.
Blok seluruh variabel yang akan digunakan open as VAR pilh VAR type standard
VAR
Pilih OK
Langkah berikutnya
Uji Kointegrasi
Berdasarkan hasil tabel di atas dapat dilihat bahwa nilai trace statistic dan maximum eigenvalue
pada r = 0 lebih kecil dari critical value dengan tingkat signifikansi 5%. Hal ini berarti
hipotesis nol yang menyatakan bahwa tidak ada kointegrasi diterima dan hipotesis alternatif
yang menyatakan bahwa ada kointegrasi ditolak. Berdasarkan analisis ekonometrik di atas
dapat dilihat bahwa di antara keempat variabel dalam penelitian ini, terdapat satu kointegrasi
pada tingkat signifikansi 5%. Dengan demikian, dari hasil uji kointegrasi mengindikasikan
bahwa di antara pergerakan Interest, Bm, Kurs dan Inflasi tidak memiliki hubungan
stabilitas/keseimbangan dan kesamaan pergerakan dalam jangka panjang.
System: UNTITLED
Estimation Method: Least Squares
Date: 03/06/23 Time: 15:47
Sample: 1973 2012
Included observations: 40
Total system (balanced) observations 160
Uji kausalitas Granger merupakan sebuah metode untuk mengetahui dimana di satu sisi suatu
variabel dependen (variabel tidak bebas ) dapat dipengaruhi oleh variabel lain (independen
variabel) dan disisi lain variabel independen tersebut dapat menempati posisi dependen
variabel. Hubungan seperti ini disebut sebagai hubungan kausalitas atau hubungan timbal
balik. Uji kausalitas ini juga dilakukan untuk mengetahui apakah suatu variabel endogen
dapat diperlakukan sebagai variabel eksogen. Hal ini bermula dari
ketidaktahuan keterpengaruhan antar variabel. Jika ada dua variabel y dan z, maka apakah y
menyebabkan z atau z menyebabkan y atau berlaku keduanya atau tidak ada hubungan
keduanya. Uji kausalitas dapat dilakukan dengan berbagai metode diantaranya metode
Granger’s Causality dan Error Correction Model Causality. Pada penelitian ini, digunakan
metode Granger’s Causality. Granger’s Causality digunakan untuk menguji adanya
hubungan kausalitas antara dua variabel. Kekuatan prediksi (predictive power) dari
informasi sebelumnya dapat menunjukkan adanya hubungan kausalitas antara y dan z dalam
jangka waktu lama.
Berikut caranya : Blok semua variabel yang akan diuji open as Group Granger
Causality
Pilih lag 2
Tekan Ok
Pairwise Granger Causality Tests
Date: 06/04/23 Time: 09:47
Sample: 1970 2012
Lags: 2
Berdasarkan hasil uji kaulitas di atas, diketahui bahwa yang memiliki hubungan kausalitas
adalah yang memiliki nilai probabilitas yang lebih kecil daripada alpha
0.05 sehingga nanti Ho akan ditolak yang berarti suatu variabel akan mempengaruhi variable
lain. Dari pengujian Granger diatas, kita mengetahui hubungan timbal-balik/ kausalitas sebagai
berikut:
Variabel inflasi (INF) secara statistik tidak signifikan mempengaruhi Broad Money (BM) dan
begitu pula sebaliknya variabel Broad Money (BM) secara statistik tidak signifikan
mempengaruhi variabel inflasi (INF) yang dibuktikan dengan nilai Prob masing-masing lebih
besar dari 0,05 yaitu 0,22 dan 0,68 (hasil keduanya adalah terima hipotesis nol) sehingga
disimpulkan bahwa hanya tidak terjadi kausalitas apapun untuk kedua variabel INF dan BM.
Variabel KURS secara statistik tidak secara signifikan mempengaruhi BM (0,07) sehingga
kita menerima hipotesis nol sedangkan BM secara statistik signifikan mempengaruhi KURS
(0,02) sehingga kita menolak hipotesis nol. Dengan demikian, disimpulkan bahwa terjadi
kausalitas searah antara variabel KURS dan BM yaitu hanya KURS yang secara statistik
signifikan memengaruhi BM dan tidak berlaku sebaliknya.
Variabel INTEREST secara statistik tidak signifikan mempengaruhi INFLASI (0,44)
sehingga kita menerima hipotesis nol sedangkan INFLASI secara statistik signifikan
mempengaruhi INTEREST (p = 0,08, jika kita gunakan alpha 0.10) sehingga kita menolak
hipotesis nol. Dengan demikian disimpulkan bahwa terjadi kausalitas searah antara variabel
INTEREST dan INFLASI yaitu hanya INTEREST yang secara statistik signifikan
memengaruhi INFLASI dan tidak berlaku sebaliknya.
Variabel KURS secara statistik tidak signifikan mempengaruhi INTEREST dan begitu pula
sebaliknya variabel INTEREST secara statistik tidak signifikan mempengaruhi variabel
KURS yang dibuktikan dengan nilai Prob masing-masing lebih besar dari 0,05 yaitu 0,39 dan
0,64 (hasil keduanya adalah terima hipotesis nol) sehingga disimpulkan bahwa hanya tidak
terjadi kausalitas apapun untuk kedua variabel KURS dan INTEREST.
Variance Decomposition
Variance Decomposition of
INFLASI:
Period S.E. KURS INTEREST INFLASI BM
PENUTUP
4.1 Kesimpulan
Pada data ekonomi makro indonesia tahun 1970-2012 dengan adanya variabel Inflasi,
Interest, Kurs, dan Broad Money/GDP dengan pengujian VAR (Vector Autoregression)
ditemukan bahwa hasil uji stasioner pada tingkat level hanya variabel inflasi yang lolos uji
stasioner, yang dimana diperoleh hasil 0,0005 < 0,05 sedangkan variabel interest, kurs dan
broad money (BM) tidak lolos pada data level karena hasilnya > dari 0,05.
Dari hasil uji stasioneritas berdasarkan uji Dickey–Fuller diperoleh data yang belum stasioner
pada data level atau integrasi derajat nol, I(0), maka syarat stasionaritas model ekonomi runtut
waktu dapat diperoleh dengan cara differencing data, yaitu mengurangi data tersebut dengan
data periode sebelumnya.
Variabel inflasi (INF) secara statistik tidak signifikan mempengaruhi Broad Money (BM) dan
begitu pula sebaliknya variabel Broad Money (BM) secara statistik tidak signifikan
mempengaruhi variabel inflasi (INF) yang dibuktikan dengan nilai Prob masing-masing lebih
besar dari 0,05 yaitu 0,22 dan 0,68 (hasil keduanya adalah terima hipotesis nol) sehingga
disimpulkan bahwa hanya tidak terjadi kausalitas apapun untuk kedua variabel INF dan BM.
Variabel KURS secara statistik tidak signifikan mempengaruhi INTEREST dan begitu pula
sebaliknya variabel INTEREST secara statistik tidak signifikan mempengaruhi variabel KURS
yang dibuktikan dengan nilai Prob masing-masing lebih besar dari 0,05 yaitu 0,39 dan 0,64
(hasil keduanya adalah terima hipotesis nol) sehingga disimpulkan bahwa hanya tidak terjadi
kausalitas apapun untuk kedua variabel KURS dan INTEREST.
4.2 Saran
1. Bagi penelitian selanjutnya yang tertarik ingin mengkaji lebih jauh tentang penelitian ini
disarankan untuk menggunakan regresi untuk melihat Teknik pengaruh variable konsep
diri terhadap variable konsep diri terhadap variable komunikasi interpersonal.
2. Bahan ajar ini disusun berdasarkan kebutuhan mahasiswa dan untuk pemahaman yang
lebih mendalam lagi perlu dikembangkan produk bahan ajar tentang reproduksi yang
cakupannya lebih luas lagi.
DAFTAR PUSTAKA
Tanjung, Hendri dan Devi, Abrista.2013. Metodologi penelitian Ekonomi Islam, Gramata
Publishing, Jakarta.
Ascarya., 2012, Penguatan Peran Perbankan Syariah dalam Perekonomian. Jurnal Ekonomi
Islam Republika, Januari 2012, Halaman 25.
Badan Pusat Statistik, Perkembangan Ekspor dan Impor (1985-2014), Badan Pusat Statistik,
Jakarta.
Badan Pusat Statistik, Perkembangan Utang Luar Negeri (1985-2014), Badan Pusat Statistik,
Jakarta.
Bank Indonesia, Perkembangan Besaran Moneter (Cadangan Devisa Tahun 1985- 2014), Bank
Indonesia, Jakarta.
Cahyono, Hadi., dalam Endang Suswanti (2011): Analisis Faktor-faktor Yang Mempengaruhi
Impor di Indonesia (1995-2009), Skripsi, Universitas Hasanudin, Makasar.
Kuncoro, M., 2011, Metode Kuantitatif Teori dan Aplikasi Untuk Bisnis & Ekonomi, Edisi
Keempat, UPP STIM YKPN, Yogyakarta.
Mankiw, N.Gregory., 2006, Pengantar Ekonomi Makro Edisi Ketiga, Salemba Empat, Jakarta.
Meier, G.M., 1996, dalam Juniartha R. Pinem (2009): Analisis Pengaruh Ekspor, Impor, Kurs
Nilai Tukar Rupiah Terhadap Cadangan Devisa Indonesia, USU Reposirtory
Rachbini, D.J., 2000, Pengembangan Ekonomi Dan Sumber Daya Manusia, Grasindo, Jakarta