PENDAHULUAN
1.1 Latar Belakang
ARDL adalah gabungan antara metode Autoregressive dan Distributed Lag. Lag
mempunyai arti suatu nilai masa lalu yang akan digunakan untuk melihat nilai masa
depan. Metode Autoregressive (AR) adalah metode yang menggunakan satu atau lebih
data masa lampau dari variabel Y, sedangkan Distributed Lag adalah metode regresi yang
melibatkan data pada waktu sekarang dan waktu masa lampau dari variabel X.
Model tersebut muncul karena dapat melihat pengaruh variable dependen dan variable
independen dari waktu ke waktu baik dalam jangka pendek maupun jangka Panjang.
Model ARDL merupakan gabungan dari AR (Autoregressive) dan DL (Distributed Lag)
(Zaretta, 2019). Menurut Gujarati dan Porter (2012) model AR merupakan model yang
menggunakan satu atau lebih data pada masa lampau variabel independen terhadap
variabel dependen. Sedangkan model DL merupakan model regresi yang melibatkan data
pada waktu masa kini dan masa lampau dari variabel penjelas. Model ARDL dapat
membedakan respon dalam jangka panjang dan pendek dari variabel dependen terhadap
perubahan dalam variabel independen.
1.2 Kelebihan
1.3 Kekurangan
Ada beberapa kekurangan ARDL:
Karena menggunakan penentuan Lag Otomatis, kita tidak bisa melihat pengaruh dan
urutan Lag.
BAB II
PEMBAHASAN
3.1 Model
Penelitian ini merupakan penelitian yang menguji pengaruh PDB dan Nilai Ttukar terhadap
Ekspor kayu manis di indonesia. Berdasarakan latar belakang,tujuan penelitian,dan tinjauan
pustaka maka Analisi Pengaruh Ekspor kayu manis terhadap PDB dan Nilai tukar serta
bagaimana ramalan nya dengan menggunakan pendekatan ARDL Pada pnelitian iini dapat di
gambarkan dengan model analisis sebagai berikut
PDB (X1)
PDB (X1)
Keterangan :
Y : Ekspor Kayu Manis di indonesia
X 1 : PDB
X2 : Nilai Tukar
Keterangan :
Y : Ekspor Kayu Manis di indonesia
X 1 : PDB
X2 : Nilai Tukar
Contoh kasus :
Seseorang peneliti ingin mengetetahui apakah PDB (X1) dan Nilai Tukar(X2)
Mempengaruhi jumlah ekspor kayu manis indonesia(Y) dan bagaimana ramalan
ekspor kayu manis tersebut?
View>Unit Root Test > Pilih ADF Test pada Level atau 1st difference.
Jika Pvalue < 0,05 berarti stationer
Uji ADF (Root Rotes) Pada Variabel Dependent (Y)
t-Statistic Prob.*
Coefficien
Variable t Std. Error t-Statistic Prob.
-
R-squared 0.724437 Mean dependent var 216127.7
Adjusted R-squared 0.701473 S.D. dependent var 5304324.
S.E. of regression 2898155. Akaike info criterion 32.70149
Sum squared resid 2.02E+14 Schwarz criterion 32.84547
Log likelihood -438.4701 Hannan-Quinn criter. 32.74430
F-statistic 31.54721 Durbin-Watson stat 2.033971
Prob(F-statistic) 0.000000
Pada Uji ADF dengan Tingkat 1st (Diference) Hasil ini menunjukkan bahwa
variabel Dependent (Y) sudah stationer karena nilainya Prob < 0,05
Uji ADF (Root Rotes) Pada Variabel Dependent (x1)
t-Statistic Prob.*
Coefficien
Variable t Std. Error t-Statistic Prob.
Pada Uji ADF dengan Tingkat 1st (Diference) Hasil ini menunjukkan bahwa
variabel Independent (X1) sudah stationer karena nilainya Prob < 0,05
t-Statistic Prob.*
Coefficien
Variable t Std. Error t-Statistic Prob.
Klik ketiga Variable yang ingin di uji > View > Unit Root Tests
Bisa dilihat bahwa Prob dari semua variabel tersebut < 0,05 dan dapat dikatakan
stationari
3. Uji Kointekrasi
Catatan
Jika Pvalue> 0,05 berarti tidak ada kointegrasi.
Jika Y dan X stationer dan tidak terjadi kointegrasi awal maka model
cocok digunakan adalah ARDL
Date: 05/31/23 Time: 00:54
Sample (adjusted): 1991 2018
Included observations: 28 after adjustments
Trend assumption: Linear deterministic trend
Series: Y X2 X1
Lags interval (in first differences): 1 to 1
1 Cointegrating Log
Equation(s): likelihood -950.9815
Normalized cointegrating coefficients (standard
error in parentheses)
Y X2 X1
1.000000 167.2201 -1651.466
(67.0085) (387.345)
Sebelum ke uji bound test kita cari terlebih dahulu lag otomatisnya.
Jika F stat > I1 bond berarti ada kointegrasi
Jika ada kointegrasi berarti ada hubungan jangka panjang yang bisa digunakan
untuk permalan.
Coefficie
Variable nt Std. Error t-Statistic Prob.*
-
D(Y(-1)) 0.553978 0.205554 -2.695051 0.0132
-
D(Y(-2)) 0.438287 0.246584 -1.777430 0.0893
D(X2) 4.990264 26.87048 0.185716 0.8544
D(X1) 3089.364 3094.754 0.998258 0.3290
-
C 340775.8 1147240. -0.297040 0.7692
Setelah iitu langkah berikutnya barru lah kita bisa menguji Boud
Test pada data tersebut.
ARDL Long
Run Form and Bounds Test
Dependent Variable: D(Y,2)
Selected Model: ARDL(2, 0, 0)
Case 2: Restricted Constant and No Trend
Date: 05/31/23 Time: 01:21
Sample: 1989 2018
Included observations: 27
Conditional Error Correction Regression
Coefficie
Variable nt Std. Error t-Statistic Prob.
C -340775.8 1147240. 0.000000 0.0000
D(Y(-1))* -1.992265 0.336570 -5.919318 0.0000
D(X2)** 4.990264 26.87048 0.185716 0.8544
D(X1)** 3089.364 3094.754 0.998258 0.3290
D(Y(-1),2) 0.438287 0.246584 1.777430 0.0893
* p-value incompatible with t-Bounds distribution.
** Variable interpreted as Z = Z(-1) + D(Z).
Levels Equation
Case 2: Restricted Constant and No Trend
Coefficie
Variable nt Std. Error t-Statistic Prob.
D(X2) 2.504820 13.60346 0.184131 0.8556
D(X1) 1550.679 1525.662 1.016397 0.3205
C -171049.4 575732.5 -0.297099 0.7692
EC = D(Y) - (2.5048*D(X2) + 1550.6791*D(X1) -
171049.4358)
Finite
Sample:
Actual Sample Size 27 n=35
10% 2.845 3.623
5% 3.478 4.335
1% 4.948 6.028
Finite
Sample:
n=30
10% 2.915 3.695
5% 3.538 4.428
1% 5.155 6.265
Jika F statistic lebih besar 5% berrati terkointegrasi dan dia ada memiliki
hubungan jangka panjang dan bisa diguanakan untuk jangka panjang,bisa di lihat
pada data di atas yang di garis merah f statistic itu bernilai 9,601360 sedangkan
pada actual sample size di 5% dengan nilai 3.478 yang berarti F statistic disini
lebih besar dari pada actual sample size pada 5%.
33.00
32.96
32.92
32.88
32.84
ARDL(2, 0, 0)
ARDL(2, 0, 1)
ARDL(3, 0, 0)
ARDL(4, 0, 3)
ARDL(2, 1, 0)
ARDL(1, 0, 0)
ARDL(4, 0, 0)
ARDL(2, 0, 3)
ARDL(2, 1, 1)
ARDL(3, 0, 1)
ARDL(2, 0, 2)
ARDL(4, 0, 1)
ARDL(4, 0, 4)
ARDL(2, 2, 0)
ARDL(3, 1, 0)
ARDL(4, 1, 3)
ARDL(2, 3, 0)
ARDL(2, 0, 4)
ARDL(2, 4, 0)
ARDL(1, 0, 1)
Kemudia Pilih > view > sodel selection Summary > Criteria Graph
Setelah di estimate :
Kriteria pemilihan lag dengan melihat AIC terkecilah yang paling baik,kriteria
terpilih adalah ARDL (2,0,0,) artinya Y berjumlah 2 Lag, X1 berjumlah 0 dan
X2 Berjumlah 0 lag
Coefficien
Variable t Std. Error t-Statistic Prob.*
Uji Normalitas
6
Series: Residuals
Sample 1992 2018
5
Observations 27
4
Mean 0.000000
Median -60167.51
3 Maximum 5287995.
Minimum -4570877.
2 Std. Dev. 2719517.
Skewness 0.248613
1 Kurtosis 2.332495
0 Jarque-Bera 0.779395
-4000000 -2000000 0 2000000 4000000 6000000 Probability 0.677262
Pada Uji Normalitas di atas dapat dilihat Probability > dari 0,05 yaitu dengan nilai
0.677262
Uji Autokorelasi
Test Equation:
Dependent Variable: RESID
Method: ARDL
Date: 05/31/23 Time: 01:53
Sample: 1992 2018
Included observations: 27
Presample missing value lagged residuals set to zero.
Coefficien
Variable t Std. Error t-Statistic Prob.
Pada uji autokorelasii F statistic dan obs R squared nya lebih > 0,05 yang
berarti tidak terjadi auttokorelasi
Uji Heteroskedastisitas
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 05/31/23 Time: 01:54
Sample: 1992 2018
Included observations: 27
Coefficien
Variable t Std. Error t-Statistic Prob.
7.12E+1
R-squared 0.140636 Mean dependent var 2
8.38E+1
Adjusted R-squared -0.015612 S.D. dependent var 2
S.E. of regression 8.44E+12 Akaike info criterion 62.53212
Sum squared resid 1.57E+27 Schwarz criterion 62.77209
Hannan-Quinn
Log likelihood -839.1836 criter. 62.60347
F-statistic 0.900082 Durbin-Watson stat 1.804358
Prob(F-statistic) 0.480814
Pada uji Heteroskedastisitas nilai Obs R Squared > 0,05 yang artinya tidak
terjadi heteroskedastisitas.
6. Model terbaik
Coefficien
Variable t Std. Error t-Statistic Prob.*
Coefficien
Variable t Std. Error t-Statistic Prob.
Untuk jangka panjang pada variabel X1 dan X2 tidak ada yang mempengaruhi
karena prob > 0,05
Coefficien
Variable t Std. Error t-Statistic Prob.
Akan tetapi pada Cointegrating C > 0,05 yang artinya bisa digunakan dalam
jangka waktu 3,4 tahun berrarti 3 tahun kemudian model tersebut bisa digunakan
7. Uji stabilitas
View>stabilitas diagnostic > recursive Ostimate (OLS only) > Coba cusum test dan
cusum Of Squares test
16
12
8
4
0
-4
-8
-12
-16
92 94 96 98 00 02 04 06 08 10 12 14 16 18
CUSUM 5% Significance