BAB I

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

Ada beberapa keunggulan metode ARDL:

1. ARDL tidak mementingkan tingkat stasioner data (berbeda pada metode Vector
Autoregression (VAR) dan Vector Error Correction Model (VECM) yang
mengharuskan stasioner pada ordo yang sama, akan tetapi ARDL tidak bisa
digunakan jika data stasioner dalam bentuk 2nd differencing).
2. ARDL tidak mempermasalahkan jumlah sampel atau observasi yang sedikit.
3. Tidak bias dan efisien karena model ARDL dapat digunakan dalam sampel yang
sedikit
4. ARDL dapat mengetimasi pengaruh jangka panjang maupun jangka pendek secara
serentak yang akan mneghindarkan terjadinya masalah autokorelasi.
5. Metode ARDL dapat membedakan antar variabel independen dan variabel
dependen.

1.3 Kekurangan
Ada beberapa kekurangan ARDL:
Karena menggunakan penentuan Lag Otomatis, kita tidak bisa melihat pengaruh dan
urutan Lag.
 BAB II
PEMBAHASAN

2.1 Teori ARDL

Model ARDL merupakan model dinamis dalam ekonometrika yang bermanfaat dalam
ekonometrika empiris karena membuat teori ekonomi yang bersifat statis menjadi dinamis
dengan memperhitungkan peranan waktu secara eksplisit. Model ARDL secara umum
diterapkan dalam kasus ekonomi. Salah satu kasus ekonomi adalah pengaruh kurs dan
inflasi terhadap harga saham. Dalam konteks perekonomian suatu negara, pertumbuhan
nilai mata uang yang stabil menunjukkan bahwa negara tersebut memiliki kondisi
ekonomi yang relatif baik atau stabil (Dornbusch, 2008).
Metode ARDL pertama kali diperkenalkan oleh Pesaran dan Shin (1997) dengan
pendekatan uji kointegrasi dengan pengujian Bound TestCointegration (Deni Apriyanto,
2016 : 14). Model ADL dapat disingkat dengan model ARDL.Metode ARDL merupakan
salah satu bentuk metode dalam ekonometrika. Metode ini dapat mengestimasi model
regresi linear dalam menganalisis hubungan jangka panjang yang melibatkan adanya uji
kointegrasi diantara variabel-variabel times series (H. Elkadhi, R. Hamida, 2014 :
ARDL adalah metode regresi yang memasukkan lag dari kedua variabel dependen
dan independen secara bersamaan. Dengan menggunakan model ini, kita bisa
menganalisis hubungan jangka panjang ketika variabel-variabel penjelasnya campuran
antara yang bersifat 1(1) dan 1(0). Estimator ARDL akan menghasilkan koefisien jangka
panjang yang konsisten yang dapat dibuat dengan menggunakan standard normal
asymplotic theory..Salah satu keunggulan dari pendekatan ARDL ini adalah
menghasilkan estimasi yang konsisten dengan koefisien jangka panjang yang bagus tanpa
peduli apakah variabel-variabel penjelasnya atau regresornya 1(0) ataupun 1(1).
Dalam kasus adanya jangka ppanjang yang bersifat trend stationarity, dengan ARDL
dapat dilakukan detrending terhadap series dan memodelkan detrended series tersebut
sebagai distributed lag yang stasioner. (Nur Fadhilah, 2017:835). Model AR adalah model
yag menggunakan satu atau lebih data masa lampau dari varabel dependen diantara
variabel penjelas. Model DL adalah model regresi melibatkan data pada waktu sekarang
dan waktu masa lampau (lagged) dari variabel penjelas (Gujarati & Porter, 2010 : 22).
Model ARDL sangat berguna dalam ekonometrik empiris, karena membuat teori
ekonomi yang bersifat statis menjadi dinamis dengan memperhitungkan peranan waktu
secara explisit. Model ini dapat membedakan respon jangka pendek dan jangka panjang
dari variabel tak bebas terhadap satu unit perubahan dalam nilai variabel penjelas
(Gujarati, 2012 : 23). Keistimewaan dari model autoregressive dan model distribusi lag
adalah model tersebut membuat teori statis menjadi dinamis karena model regresi yang
biasanya mengabaikan pengaruh waktu, melalui model autoregressive dan model
distribusi lag, waktu ikut diperhitungkan dan panjang beda kala (lag) diketahui (Gujarati,
2014 : 23).
Distribution lag model adalah model regresi yang tidak hanya mencakup nilai
sekarang tetapi juga nilai masa lalu (lag) dari variabel penjelas (X) sedangkan
autoregressive distributed lag adalag model yang mencakup saru atau lebih nilai masa lalu
(lag) dari variabel terkait antara variabel penjelasnya. “Model regresi yang memasukkan
nilai variabel yang menjelaskan nilai masa kini atau nilai masa lalu (lag) dari variabel tak
bebas sebagai salah satu variabel penjelas disebut autoregressive distributed lag (ARDL).
Model ini dapat membedakan respon jangka pendek dan jangka panjang dari variabel tak
bebas terhadap suatu unit perubahan dalam nilai variabel penjelas” (Gujarati, 2014: 144).
Formula yang dapat diterapkan pada Metode Autoregressive Distributed Lag: Rumus
formula apabila menggunakan 1 data :
X  0 1Xt1 (1)
Rumus formula apabila menggunakan 2 data :
X    Xt  pXt p   Yt  qYtq .... .... 0 1 1 0 (2)
Dimana X adalah stasionertingkat level / variabel terikat,  0 adalah konstanta , 1
adalah koefisien dependent, Xt1 adalah variabel waktu sebelumnya, t 1 adalah waktu
sebelumnya, t adalah waktu, dan Yt1 adalah variable data kedua waktu sebelumnya.
Beberapa penelitian sebelumnya menujukkan hasil yang bervariasi untuk dapat digunakan
sebagai dasar penelitian dan bahan kajian penelitian yang dilakukan.
Metode ARDL sebetulnya adalah model yang dinamis di dalam ekonometrika. Model
ini juga merupakan gabungan antara dua model yang ada, yaitu model AR atau Auto
Regressive, dan model DL yaitu Distributed Lag.
Model AR sendiri yaitu model yang memanfaatkan antara satu atau lebih data-data di
masa lalu, yang diperoleh dari variabel dependen di antara variabel-variabel penjelasnya.
Sementara, model DL adalah model regresi yang menggunakan data di waktu saat ini
serta data dari masa lalu yang didapat dari variabel penjelas.
Ketika keduanya bergabung menjadi metode ARDL, maka hasilnya pun akan lebih
kompleks. Jika sebelumnya hanya bisa melihat nilai jangka panjang saja, dengan ini maka
pengaruh antara variabel Y dan X dari satu waktu ke waktu berikutnya bisa dilihat.
Peneliti juga dapat melihat variabel Y dan pengaruhnya di masa lalu, dan apa
pengaruhnya di saat yang akan datang.
Berikut langkah-langkah untuk meregresi model ARDL :
1. Menyiapkan data lebih dulu dalam bentuk excel
2. Menguji akar unitnya, termasuk dalam tingkat level dan first difference
3. Mengestimasi model.
4. Dari lag yang sudah dipilih, bisa dilihat Graphnya
5. Melakukan pengujian autokorelasi
6. Menguji heteroskedastisitas
7. Menguji normalitas
8. Menguji stabilitas modelnya, termasuk cusum dan cusumq
9. Terakhir adalah menguji bound test
 BAB III
Metodologi penelitian

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)

Nilai Tukar (X2)

Model yang diperoleh pada penelitian ini adalah sebagai berikut:

D(y) D(x1) D(x2)
Keterangan :
Y : Ekspor Kayu Manis
X1 : PDB
X2 : Nilai Tukar
D : karena variabel stationel di level 1st diffrence (d)
3. 2 Data
Adapun data yang di gunakan adalah sebagai berikut :
Data Ekspor Kayu Manis di Indonesia
No Tahun Y X1 X2

1 1989 8654390 8835 1770

2 1990 11820250 9001 1843

3 1991 12978034 8991 1950

4 1992 13788921 9308 2030

5 1993 15330726 9564 2087

6 1994 13646874 9950 2161

7 1995 11190375 10217 2249

8 1996 10850242 10602 2342

9 1997 15524315 11074 2909

10 1998 19599054 11570 10014

11 1999 15031780 12120 7855

12 2000 13697664 12620 8422

13 2001 14362542 12746 10261

14 2002 14191380 12968 9311

15 2003 14342441 13339 8577

16 2004 15500945 13846 8939

17 2005 15324075 14332 9705

18 2006 19250985 14742 9159

19 2007 18312583 15018 9141

20 2008 20731950 14998 9699

21 2009 16214442 14617 10390

22 2010 20737616 14992 9090

23 2011 21168589 15225 8770

24 2012 15340908 15567 9387

25 2013 24144556 15854 10461

26 2014 23540805 16243 118655

 27 2015 21221208 16710 13389

28 2016 21593367 16972 13308

29 2017 23644722 17349 13381

30 2018 18967057 17844 14237

Keterangan :
Y : Ekspor Kayu Manis di indonesia
X 1 : PDB
X2 : Nilai Tukar

3.3 Penelitian Terdahulu (Jurnal)

Penelitian terdahulu adalah suatu penelitian yang telah lebih dahulu dilaksanakan dan
memiliki keterkaitan dengan penelitian baru yang sedang dilaksanakan. Tujuan tercantumnya
penelitian terdahulu adalah untuk mengetahui kerangka teori dan keilmuan yang telah
digunakan oleh peneliti terdahulu, agar penelitian yang dilaksakan dapat melengkapi dan
memperkaya penelitian yang telah dilaksanakan sebelumnya.
Adapun Jurnal yang di ambil sebagai acuan merupakan Jurnal international yamg berjudul
“Autoregressive Distributed Lag (ARDL) cointegration technique: application and
interpretation”. Untuk lebih lengkapnya jurnal terlapir pada halan akhir.
 BAB V
HASIL DAN PEMBAHASAN

5.1 Pengaplikasian dengan Menggunakan Data

Data Ekspor Kayu Manis di Indonesia
No Tahun Y X1 X2
1 1989 8654390 8835 1770
2 1990 11820250 9001 1843
3 1991 12978034 8991 1950
4 1992 13788921 9308 2030
5 1993 15330726 9564 2087
6 1994 13646874 9950 2161
7 1995 11190375 10217 2249
8 1996 10850242 10602 2342
9 1997 15524315 11074 2909
10 1998 19599054 11570 10014
11 1999 15031780 12120 7855
12 2000 13697664 12620 8422
13 2001 14362542 12746 10261
14 2002 14191380 12968 9311
15 2003 14342441 13339 8577
16 2004 15500945 13846 8939
17 2005 15324075 14332 9705
18 2006 19250985 14742 9159
19 2007 18312583 15018 9141
20 2008 20731950 14998 9699
21 2009 16214442 14617 10390
22 2010 20737616 14992 9090
23 2011 21168589 15225 8770
24 2012 15340908 15567 9387
25 2013 24144556 15854 10461
26 2014 23540805 16243 118655
27 2015 21221208 16710 13389
28 2016 21593367 16972 13308
29 2017 23644722 17349 13381
30 2018 18967057 17844 14237

Keterangan :
Y : Ekspor Kayu Manis di indonesia
X 1 : PDB
X2 : Nilai Tukar

Adapun prosedur modal ARDL

1. Uji stasioner metode ardl tidak cocok digunakan untuk data yang stasioner di
diferensing 2
2. Uji kointegrasi dengan ardl bon tes untuk mengetahui apakah variabel memiliki
 hubungan keseimbangan dalam jangka panjang jika nilai f stat < dari I (1) Bond tidak
terkointegrasi. Jika data stasioner dan tidak terkointegrasi baru cocok digunakan
ARDL
3. Asumsi klasik : uji normalitas, autokorelasi, homoskedastisitas, dan multikolinearitas
4. Goodness of fit : R2 uji f uji t
5. Uji stabilitas

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?

5.2 Langkah –Langkah penyelesaian

1. Step Import data di Eviews

 File
 New
 WorkFile
 Isikan data seperti contoh dibawah

Data Setelah dimasukkan ke dalam Eviews

2. Uji Statoneritas Pada Masing Masing Variabel dan secara bersamaan

Teknik Uji stationer di Eviews dengan Uji ADF :

Berikut langkah langkah untuk menguji masing masing stationer serta variabel
secara bersamaan apakah sudah stationner atau belum.

a. Pada masing masing statinoer

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)

Null Hypothesis: D(Y) has a unit root

Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=7)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.219000 0.0000

Test critical values: 1% level -3.699871
5% level -2.976263
10% level -2.627420

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

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(Y,2)
Method: Least Squares
Date: 05/31/23 Time: 00:46
Sample (adjusted): 1992 2018
Included observations: 27 after adjustments

Coefficien
Variable t Std. Error t-Statistic Prob.

D(Y(-1)) -1.950148 0.313579 -6.219000 0.0000

D(Y(-1),2) 0.423708 0.190761 2.221140 0.0360
C 655416.7 575996.5 1.137883 0.2664

-
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)

Null Hypothesis: D(X1) has a unit root

Exogenous: Constant
Lag Length: 0 (Automatic - based on SIC, maxlag=7)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -3.390227 0.0200

Test critical values: 1% level -3.689194
5% level -2.971853
10% level -2.625121

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

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X1,2)
Method: Least Squares
Date: 05/31/23 Time: 00:47
Sample (adjusted): 1991 2018
Included observations: 28 after adjustments

Coefficien
Variable t Std. Error t-Statistic Prob.

D(X1(-1)) -0.619442 0.182714 -3.390227 0.0022

C 200.1047 65.91293 3.035895 0.0054

R-squared 0.306549 Mean dependent var 11.75000

Adjusted R-squared 0.279878 S.D. dependent var 221.1480
S.E. of regression 187.6662 Akaike info criterion 13.37596
Sum squared resid 915683.4 Schwarz criterion 13.47111
Log likelihood -185.2634 Hannan-Quinn criter. 13.40505
F-statistic 11.49364 Durbin-Watson stat 1.916094
Prob(F-statistic) 0.002239

Pada Uji ADF dengan Tingkat 1st (Diference) Hasil ini menunjukkan bahwa
variabel Independent (X1) sudah stationer karena nilainya Prob < 0,05

Uji ADF (Root Rotes) Pada Variabel Dependent (X2)

Null Hypothesis: D(X2) has a unit root

Exogenous: Constant
Lag Length: 3 (Automatic - based on SIC, maxlag=7)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -4.372017 0.0022

Test critical values: 1% level -3.724070
5% level -2.986225
10% level -2.632604

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

Augmented Dickey-Fuller Test Equation

Dependent Variable: D(X2,2)
Method: Least Squares
Date: 05/31/23 Time: 00:48
Sample (adjusted): 1994 2018
Included observations: 25 after adjustments

Coefficien
Variable t Std. Error t-Statistic Prob.

D(X2(-1)) -5.321726 1.217225 -4.372017 0.0003

D(X2(-1),2) 3.295334 1.065788 3.091923 0.0057
D(X2(-2),2) 2.237116 0.803365 2.784683 0.0114
D(X2(-3),2) 1.138588 0.448250 2.540072 0.0195
C 7263.493 5259.037 1.381145 0.1825

R-squared 0.840034 Mean dependent var 31.96000

Adjusted R-squared 0.808041 S.D. dependent var 53330.63
S.E. of regression 23365.81 Akaike info criterion 23.13279
Sum squared resid 1.09E+10 Schwarz criterion 23.37657
Log likelihood -284.1599 Hannan-Quinn criter. 23.20040
F-statistic 26.25669 Durbin-Watson stat 2.003288
Prob(F-statistic) 0.000000
Pada Uji ADF dengan Tingkat 1st (Diference) Hasil ini menunjukkan bahwa
variabel Independent (X2) sudah stationer karena nilainya Prob < 0,05

b. Uji stationari Variabel Secara bersama- sama

Klik ketiga Variable yang ingin di uji > View > Unit Root Tests

Hasil Uji Root Test Secara Bersamaan

Null Hypothesis: Unit root (individual unit root process)

Series: Y, X2, X1
Date: 05/31/23 Time: 00:52
Sample: 1989 2018
Exogenous variables: Individual effects
Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0 to 3
Total number of observations: 80
Cross-sections included: 3

Method Statistic Prob.**

ADF - Fisher Chi-square 41.7557 0.0000
ADF - Choi Z-stat -5.20512 0.0000

** Probabilities for Fisher tests are computed using an

asymptotic Chi
-square distribution. All other tests assume asymptotic
normality.
 Intermediate ADF test results D(UNTITLED)

Series Prob. Lag Max Lag Obs

D(Y) 0.0000 1 6 27
D(X2) 0.0022 3 6 25
D(X1) 0.0200 0 6 28

Bisa dilihat bahwa Prob dari semua variabel tersebut < 0,05 dan dapat dikatakan
stationari

3. Uji Kointekrasi

Langkah Selanjutnya adalah uji kointegrasi yaitu Membuktikan apakah cocok

menggunakan model ARDL dan Membuktikan kointegrasi dengan ARDL
tersebut bisa untuk melihat hubungan jangka panjang yang bia digunakan
untuk peramalan

Teknik Uji kointegrasi di Eviews ada 2 macam :

 Klik Variable Y, X1, X2 > Open as agroup> View Cointegration test>

johansen

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

Unrestricted Cointegration Rank Test (Trace)

Hypothesi
zed Trace 0.05
No. of Eigenvalu Critical Prob.*
CE(s) e Statistic Value *
None 0.397739 26.19853 29.79707 0.1229
At most 1 0.347534 12.00073 15.49471 0.1569
At most 2 0.001600 0.044824 3.841465 0.8323
Trace test indicates no cointegration at the 0.05
level
* denotes rejection of the hypothesis at the 0.05
level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegration Rank Test (Maximum

Eigenvalue)
Hypothesi Max-
zed Eigen 0.05
No. of Eigenvalu Critical Prob.*
CE(s) e Statistic Value *
None 0.397739 14.19780 21.13162 0.3490
At most 1 0.347534 11.95591 14.26460 0.1123
At most 2 0.001600 0.044824 3.841465 0.8323
Max-eigenvalue test indicates no cointegration at
the 0.05 level
* denotes rejection of the hypothesis at the 0.05
level
**MacKinnon-Haug-Michelis (1999) p-values

Unrestricted Cointegrating Coefficients

(normalized by b'*S11*b=I):
Y X2 X1
3.10E-07 5.18E-05 -0.000512
5.59E-07 -7.33E-05 -0.000422

7.26E-08 -1.31E-06 -0.000472

Unrestricted Adjustment Coefficients (alpha):
D(Y) -1312844. -1206659. 16928.06
D(X2) -11002.06 6277.508 120.5006
D(X1) 2.004998 4.237149 7.068847

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)

Adjustment coefficients (standard error in

parentheses)
D(Y) -0.406896
(0.17072)
D(X2) -0.003410
(0.00113)
D(X1) 6.21E-07
(1.1E-05)
 Dari Uji Johansen di atas daapt dilihat bahwa Prob > dari 0,05 yang
berarti tidak ada kointegrasi sehingga cocok menggunakan model
ARDL

 Kointegrasi berikutnya yaitu dengan menggunakan bond test.

Estimate ARDL dengan menggunakan D(y) D(X1) D(X2) –

Quick > Esrimation> ketik modelnya >pilih ARDL Model> OK.

Kemudian ambil View > Coeficient Diagnostic > Bond test

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.

Dependent Variable: D(Y)

Method: ARDL
Date: 05/31/23 Time: 01:19
Sample (adjusted): 1992 2018
Included observations: 27 after adjustments
Maximum dependent lags: 4 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (4 lags, automatic): D(X2) D(X1)
Fixed regressors: C
Number of models evalulated: 100
Selected Model: ARDL(2, 0, 0)
Note: final equation sample is larger than selection sample

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

Mean dependent 221815.

R-squared 0.313973 var 7
Adjusted R- 3283379
squared 0.189240 S.D. dependent var .
Akaike info 32.8024
S.E. of regression 2956427. criterion 4
33.0424
Sum squared resid 1.92E+14 Schwarz criterion 1
- Hannan-Quinn 32.8737
Log likelihood 437.8329 criter. 9
1.96013
F-statistic 2.517172 Durbin-Watson stat 0
Prob(F-statistic) 0.070547

*Note: p-values and any subsequent tests do not account for

model
selection.
Adapun Lag Otomatis yang terpilih adalah ARDL (2, 0, 0)

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)

Null Hypothesis: No levels

F-Bounds Test relationship
Test Statistic Value Signif. I(0) I(1)
Asymptotic
: n=1000
F-statistic 9.601360 10% 2.63 3.35
k 2 5% 3.1 3.87
2.5% 3.55 4.38
1% 4.13 5

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%.

4. Melihat laq Optimum

Teknik Estimate Model ARDL di Eviews :

Quick > Estimatee equation > masukkan rumus sesuai staioner,dan Method nya di
ganti ARDL.

Akaike Information Criteria (top 20 models)

33.04

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

Dependent Variable: D(Y)

Method: ARDL
Date: 05/31/23 Time: 01:50
Sample (adjusted): 1992 2018
Included observations: 27 after adjustments
Maximum dependent lags: 2 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (0 lag, automatic): D(X1) D(X2)
Fixed regressors: C
Number of models evalulated: 2
Selected Model: ARDL(2, 0, 0)

Coefficien
Variable t 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(X1) 3089.364 3094.754 0.998258 0.3290
D(X2) 4.990264 26.87048 0.185716 0.8544
C -340775.8 1147240. -0.297040 0.7692

R-squared 0.313973 Mean dependent var 221815.7

Adjusted R-squared 0.189240 S.D. dependent var 3283379.
S.E. of regression 2956427. Akaike info criterion 32.80244
Sum squared resid 1.92E+14 Schwarz criterion 33.04241
Hannan-Quinn
Log likelihood -437.8329 criter. 32.87379
F-statistic 2.517172 Durbin-Watson stat 1.960130
Prob(F-statistic) 0.070547

*Note: p-values and any subsequent tests do not account for

model
selection.
 5.Uji Asumsi Klasik

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

Breusch-Godfrey Serial Correlation LM Test:

Null hypothesis: No serial correlation at up to 2 lags

F-statistic 0.566121 Prob. F(2,20) 0.5766

Obs*R-squared 1.446631 Prob. Chi-Square(2) 0.4851

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.

D(Y(-1)) -0.097598 0.581952 -0.167709 0.8685

D(Y(-2)) 0.307725 0.395053 0.778946 0.4451
D(X1) -1089.847 3596.349 -0.303043 0.7650
D(X2) 4.176370 29.17388 0.143154 0.8876
C 325310.5 1232857. 0.263867 0.7946
 RESID(-1) -0.014526 0.645173 -0.022515 0.9823
RESID(-2) -0.468790 0.515988 -0.908530 0.3744

R-squared 0.053579 Mean dependent var 0.000000

Adjusted R-squared -0.230347 S.D. dependent var 2719517.
S.E. of regression 3016516. Akaike info criterion 32.89552
Sum squared resid 1.82E+14 Schwarz criterion 33.23148
Hannan-Quinn
Log likelihood -437.0895 criter. 32.99542
F-statistic 0.188707 Durbin-Watson stat 2.044946
Prob(F-statistic) 0.976506

Pada uji autokorelasii F statistic dan obs R squared nya lebih > 0,05 yang
berarti tidak terjadi auttokorelasi

Uji Heteroskedastisitas

Heteroskedasticity Test: Breusch-Pagan-Godfrey

Null hypothesis: Homoskedasticity

F-statistic 0.900082 Prob. F(4,22) 0.4808

Obs*R-squared 3.797173 Prob. Chi-Square(4) 0.4342
Scaled explained
SS 1.679631 Prob. Chi-Square(4) 0.7944

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.

C 6.96E+12 3.28E+12 2.123663 0.0452

D(Y(-1)) -787993.4 587007.9 -1.342390 0.1932
D(Y(-2)) 828044.6 704179.9 1.175899 0.2522
D(X1) 2.05E+08 8.84E+09 0.023212 0.9817
D(X2) 99544547 76734987 1.297251 0.2080

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

Dependent Variable: D(Y)

Method: ARDL
Date: 05/31/23 Time: 01:50
Sample (adjusted): 1992 2018
Included observations: 27 after adjustments
Maximum dependent lags: 2 (Automatic selection)
Model selection method: Akaike info criterion (AIC)
Dynamic regressors (0 lag, automatic): D(X1) D(X2)
Fixed regressors: C
Number of models evalulated: 2
Selected Model: ARDL(2, 0, 0)

Coefficien
Variable t 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(X1) 3089.364 3094.754 0.998258 0.3290
D(X2) 4.990264 26.87048 0.185716 0.8544
C -340775.8 1147240. -0.297040 0.7692

R-squared 0.313973 Mean dependent var 221815.7

Adjusted R-squared 0.189240 S.D. dependent var 3283379.
S.E. of regression 2956427. Akaike info criterion 32.80244
Sum squared resid 1.92E+14 Schwarz criterion 33.04241
Hannan-Quinn
Log likelihood -437.8329 criter. 32.87379
F-statistic 2.517172 Durbin-Watson stat 1.960130
Prob(F-statistic) 0.070547

*Note: p-values and any subsequent tests do not account for

model
selection.

Dari Model ARDL (2,0,0)

Uji T yang < 0,05 hanya pada Y-1 (1 tahun yang lalu)
Uji F < 0,05,sehingga menolak H0
R squared 31,39%
 Long Run
View> residual Diagnostic> cointegration and long run

Coefficien
Variable t 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

Untuk jangka panjang pada variabel X1 dan X2 tidak ada yang mempengaruhi
karena prob > 0,05

Conditional Error Correction Regression

Coefficien
Variable t 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

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

Uji stabilitas digunakan Untuk Mendeteksi Stabilitas Parameter dalam jangka

panjang dan jangka pendek.Model di kembalikan lagi ke model OLS nya. Model
dinyatakan stabil karena garis biru tidak keluar dari batas garis merah.

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