ASISTENSI EKONOMETRIKA II

Romi Bhakti Hartarto HP: 083867700235 email: dederomii@yahoo.com

VECM (VECTOR ERROR CORRECTION MODEL)

VAR

Bentuk:

Yt = α10 + α12zt + β11Yt-1 + β12Zt-1 + εt Disebut juga dengan VAR order 1

zt = α20 + α21zt + β21Yt-1 + β22Zt-1 + εt

Keuntungan model VAR:

ü Metode pembentukan sederhana, tidak perlu memikirkan mana yang independen dan

dependen sehingga yang perlu diingat ialah harus menjelaskan mekanisme transmisi antar
 variabel dalam sistem VAR. Mekanisme transmisi ialah bagaimana suatu variabel menjelaskan

variabel lain.

ü Estimasi sederhana dan bisa digunakan OLS secara terpisah

ü Peramalan yang diperoleh dari VAR dsalam beberapa kasus lebih baik dengan menggunakan

peramalan dari persamaan simultan.

Permasalahan model VAR:

ü Berbeda dengan persamaan simultan yang bersifat teori, model VAR bersifat ateori

ü Teknik permodelan VAR adalah peramalan sehingga kurang cocok untuk analisis kebijakan

ü Tantangan terbesar adalah memilih lag optimal. Cara menentukan lag optimal ialah yang

pertama menentukan lag optimal untuk dirinya sendiri setelah itu baru dipasangkan dengan

variabel lain dalam sistem. Sebagai contoh, tentukan lag optimal variabel Zt dengan Zt-1, lalu

pasangkan dengan Yt dan lalu Yt-1

ü Jika model VAR terdiri dari n variabel, maka ke-n variabel tersebut seharusnya stasioner

atau kombinasi linearnya stasioner

ü Makna individu parameter estimasi tidak mudah sehingga dalam praktiknya, VAR lebih

dipusatkan pada IRF (Impulse Response Function). Sebagai contoh, konsumsi saat ini

dipengaruhi pendapatan setahun lalu, tiga tahun lalu, dst, sementara hal ini tidak ada

teorinya karena ekonomi itu steady state

ü Jika variabel tidak deterministic atau stasioner, maka OLS tidak bisa dipakai

Mengubah sistem persamaan VAR dalam bentuk matriks

1 -α12 Yt = α10 + β11 β12 Yt-1 + ε1t

-α21 1 zt = α20 β21 β22 zt-1 ε2t

Ω Xt = δ0 + δ1 Xt-1 + Цt

ΩXt = δ0 + δ1Xt-1 + Цt

ΩXt = δ0 + δ1 LXt + Цt

(Ω - δ1 L)Xt = δ0 + Цt

Xt = δ0 + 1 Цt shock
Ω - δ1 L Ω - δ1 L

Disebut juga VAR in level

Pengaruh dari shock tersebut sering disebut juga dengan IRF yang menunjukkan bagaimana pengaruh

kejutan suatu variabel terhadap variabel lain dalam model. IRF tidak Cuma milik VAR, tetapi juga

semua bentuk MA dalam bentuk matriks karena teori IRF lebih dahulu daripada VAR dan MA lebih

dahulu ada teorinya.

Bagaimana jika variabel tidak stasioner?

Misal:

Xt = I(1)

(Ω - δ1 L) ∆Xt = δ0 + Цt

∆Xt = Xt - Xt-1 merupakan kombinasi linier, jika sudah stasioner maka disebut dengan DVAR atau VAR

in difference

Yt = α0 + α1Xt + ε1t

Xt = β0 + β 1Yt + ε2t

Jika Xt dan Yt stasioner pada first difference juga ε1t dan ε2t stasioner pada derajat level terpenuhi,

maka pergunakanlah ECM-nya Engle-Granger. Sehingga, kedua persamaan tersebut dapat ditulis

sebagai berikut:

∆Yt = α0 + α1∆Xt + α2ε1t + Ц1t

∆Xt = β0 + β1∆Yt + β2ε2t + Ц2t

Sistem persamaan VAR tersebut disebut juga dengan VECM yang menunjukkan hubungan antar

variabel ada keseimbangan dan jika diestimasi dengan OLS hasilnya tidak bias dan konsisten. Sistem

persamaan tersebut dapat dibuat matriks, yakni sebagai berikut:

1 -α1 ∆Yt = α2 ε1t + Ц1t

-β1 1 ∆Xt = β2 ε2t Ц2t

Shock jangka panjang shock jangka pendek

Perbedaan VAR dengan VECM

VAR: tidak perlu memusingkan apakah kointegrasi atau tidak

VECM: mewajibkan ada penjelasan hubungan antar variabel terdapat keseimbangan

Dalam VECM juga diperlukan mekanisme transmisi dan dapat dibuat IRF seperti halnya VAR
Estimasi VECM dengan EViews

Langkah-langkah:

1. Uji stasioneritas

ADF Test

View à unit root test à ADF à level à OK wae

View à unit root test à ADF à 1st difference à OK wae

LRER
ADF pada derajat level ADF pada 1st differences

intersep Tren + intersep none intersep Tren + intersep none

-0.677974 -2.899224 -1.362155 -4.508919* -4.419894 * -4.223413 *

LGDP
ADF pada derajat level ADF pada 1st differences

intersep Tren + intersep none intersep Tren + intersep none

-0.770712 -3.795001* 3.366017 -7.359699* -7.272514* -5.228217*

LTB
ADF pada derajat level ADF pada 1st differences

intersep Tren + intersep none intersep Tren + intersep none

-3.269916* -3.050896 -0.606879 -5.605420* -5.891283* -5.627788*

Keterangan: * stasioner pada alfa 5%

Kesimpulan awal: Berdasarkan uji akar unit, data penelitian tidak stasioner pada derajat level

I(0) tetapi stasioner pada first difference I(1) sehingga data penelitian tidak dapat diolah

ke dalam system VAR in level dan kemungkinan dapat diolah kedalam system VAR in

difference, VECM atau SVAR.

2. Penentuan lag optimal

Pemilihan lag optimal merupakan syarat awal dalam mengestimasi model persamaan VAR.

Block LRER, LTB, LGDP, klik kanan à open as var à ok wae à view à lag structure à lag

length criteria à ok meneh

Lag Length Criteria

VAR Lag Order Selection Criteria
Endogenous variables: LGDP LRER LTB
Exogenous variables: C
Date: 11/28/11 Time: 22:08
Sample: 2000:1 2010:4
Included observations: 41
Lag LogL LR FPE AIC SC HQ
0 130.4483 NA 4.00E-07 -6.216990 -6.091606 -6.171332
 1 222.3227 165.8221 7.04E-09 -10.25964 -9.758110* -10.07701
2 236.0028 22.68902 5.65E-09 -10.48794 -9.610260 -10.16834
3 250.2858 21.59866* 4.46E-09* -10.74565* -9.491816 -10.28907*
* indicates lag order selected by the criterion
LR: sequential modified LR test statistic (each test at 5% level)
FPE: Final prediction error
AIC: Akaike information criterion
SC: Schwarz information criterion
HQ: Hannan-Quinn information criterion
Berdasarkan tabel diatas, kriteria AIC menunjukan lag optimal ada pada lag 3. Maka model

VAR ini menggunakan lag maksimal setiap variabel endogen sebesar tiga.

3. Uji Stabilitas

uji stabilitas dengan tabel AR roots

view à lag structure à AR roots table

Roots of Characteristic Polynomial
Endogenous variables: LGDP LRER LTB
Exogenous variables: C
Lag specification: 1 2
Date: 11/28/11 Time: 22:13
Root Modulus
0.977631 0.977631
0.751094 - 0.194850i 0.775956
0.751094 + 0.194850i 0.775956
-0.146048 - 0.457192i 0.479952
-0.146048 + 0.457192i 0.479952
-0.400102 0.400102
No root lies outside the unit circle.
VAR satisfies the stability condition.
Pada tabel diatas dapat terlihat nilai modulus dari root tidak ada yang lebih dari 1. Oleh

karena itu, model VAR dengan lag tiga memenuhi syarat stabil.

uji stabilitas dengan grafik AR roots

view à lag structure à AR roots graph

Inverse Roots of AR Characteristic Polynomial

1.5

1.0

0.5

0.0

-0.5

-1.0

-1.5
-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5
 Pada grafik diatas dapat terlihat nilai modulus dari root tidak ada yang keluar dari unit

lingkaran. Oleh karena itu, model VAR lag 3 memenuhi syarat stabil.

4. Uji Kointegrasi

Block LRER, LTB, LGDP, klik kanan à open as group à view à cointegration test à pilih no.6

à lag interval 1 3 à ok
Date: 11/29/11 Time: 09:54
Sample: 2000:1 2010:4
Included observations: 40
Series: LGDP LRER LTB
Lags interval: 1 to 3
Data Trend: None None Linear Linear Quadratic
Rank or No Intercept Intercept Intercept Intercept Intercept
No. of CEs No Trend No Trend No Trend Trend Trend
Selected (5%
level) Number
of
Cointegrating
Relations by
Model
(columns)
Trace 2 3 3 1 2
Max-Eig 2 3 1 1 2
Akaike
Information
Criteria by
Rank (rows)
and Model
(columns)
0 -9.911095 -9.911095 -10.85606 -10.85606 -10.90179
1 -10.89167 -10.85471 -11.39455 -11.38679 -11.44472
2 -11.27920 -11.32410 -11.41816 -11.50096 -11.60806*
3 -11.01491 -11.27571 -11.27571 -11.30885 -11.30885

Hasil estimasi di atas menunjukan, kriteria AIC menunjukan terdapat dua persamaan

kointegrasi di antara variabel-variabel yang akan digunakan dalam model. Sedangkan trend

deterministik yang digunakan adalah Quadratic trend in data.

view à cointegration test à pilih no.4 à lag interval 1 3 à ok

Unrestricted Cointegration Rank Test
Hypothesized Trace 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.585519 60.11174 42.44 48.45
At most 1 0.371342 24.88262 25.32 30.45
At most 2 0.146063 6.315896 12.25 16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Trace test indicates 1 cointegrating equation(s) at both 5% and 1% levels
 Hypothesized Max-Eigen 5 Percent 1 Percent
No. of CE(s) Eigenvalue Statistic Critical Value Critical Value
None ** 0.585519 35.22912 25.54 30.34
At most 1 0.371342 18.56673 18.96 23.65
At most 2 0.146063 6.315896 12.25 16.26
*(**) denotes rejection of the hypothesis at the 5%(1%) level
Max-eigenvalue test indicates 1 cointegrating equation(s) at both 5% and 1% levels
Berdasarkan hasil uji kointegrasi, terlihat bahwa nilai Trace statistic lebih besar dari nilai

kritis 5% dan 1%. Selain itu, nilai Max-Eigen juga lebih besar nilai kritis 5%, maka dapat

disimpulkan bahwa data tersebut terkointegrasi. Hal ini menujukkan bahwa terdapat

hubungan jangka panjang antara variabel LRER, LGDP, dan LTB. Terkointegrasinya suatu data

menunjukkan sinyal yang tepat untuk menggunakan metode VECM. Selanjutnya kita dapat

menentukan estimasi VECM.

5. Pembentukan Sistem VECM

Dalam estimasi VECM ini akan menunjukkan hubungan antara variabel satu dengan variabel

lain baik dalam jangka panjang maupun jangka pendek. Pada tabel bagian atas menunjukkan

hubungan antar variabel dalam jangka panjang, sedangkan bagian bawah menunjukkan

hubungan jangka pendek. *klo ndak salah caranya begini:

Block LRER, LTB, LGDP, klik kanan à open as var à Basics à VAR Type: VEC, lag interval: 1

3 à cointegration à rank:2, pilih nomor 4.

(Lag Optimal3, spesifikasi deterministiknya adalah Linear intercept and trend)

Vector Error Correction Estimates
Date: 11/29/11 Time: 10:18
Sample(adjusted): 2001:1 2010:4
Included observations: 40 after adjusting endpoints
Standard errors in ( ) & t-statistics in [ ]
Cointegrating Eq: CointEq1 CointEq2
LGDP(-1) 1.000000 0.000000

LRER(-1) 0.000000 1.000000

LTB(-1) -0.064221 -0.093486

(0.00966) (0.02950)
[-6.64879] [-3.16850]

@TREND(00:1) -0.005241 0.006354

(0.00018) (0.00056)
[-28.6900] [ 11.3860]

C -5.154166 -3.572737
Error Correction: D(LGDP) D(LRER) D(LTB)
 CointEq1 0.453221 0.889224 7.568998
(0.14875) (0.43038) (2.77734)
[ 3.04685] [ 2.06611] [ 2.72527]

CointEq2 -0.125978 -0.518584 2.037937

(0.05939) (0.17184) (1.10891)
[-2.12115] [-3.01784] [ 1.83779]

D(LGDP(-1)) -0.984978 -0.469331 -2.477724

(0.17126) (0.49550) (3.19756)
[-5.75147] [-0.94718] [-0.77488]

D(LGDP(-2)) -0.937949 0.038651 -11.65680

(0.15629) (0.45221) (2.91820)
[-6.00115] [ 0.08547] [-3.99452]

D(LGDP(-3)) -0.945070 -0.174387 -7.528685

(0.15372) (0.44477) (2.87017)
[-6.14791] [-0.39208] [-2.62308]

D(LRER(-1)) 0.115240 0.057779 2.888696

(0.05985) (0.17316) (1.11745)
[ 1.92551] [ 0.33367] [ 2.58507]

D(LRER(-2)) 0.080968 0.283403 -4.088405

(0.06320) (0.18286) (1.18004)
[ 1.28111] [ 1.54981] [-3.46462]

D(LRER(-3)) 0.089405 0.001167 -2.454601

(0.06604) (0.19108) (1.23309)
[ 1.35374] [ 0.00611] [-1.99061]

D(LTB(-1)) 0.003372 -0.038692 0.038542

(0.00698) (0.02019) (0.13029)
[ 0.48315] [-1.91638] [ 0.29581]

D(LTB(-2)) 0.008047 -0.013568 0.373914

(0.00649) (0.01878) (0.12122)
[ 1.23938] [-0.72226] [ 3.08452]

D(LTB(-3)) 0.011451 -0.016771 0.033800

(0.00594) (0.01718) (0.11087)
[ 1.92841] [-0.97612] [ 0.30486]

C 0.020512 -0.003100 0.082597

(0.00263) (0.00761) (0.04910)
[ 7.79996] [-0.40742] [ 1.68219]
R-squared 0.727679 0.449179 0.819113
Adj. R-squared 0.620696 0.232786 0.748051
Sum sq. resids 0.001742 0.014584 0.607340
S.E. equation 0.007888 0.022823 0.147278
F-statistic 6.801807 2.075749 11.52665
Log likelihood 144.0725 101.5762 26.99336
Akaike AIC -6.603625 -4.478808 -0.749668
Schwarz SC -6.096961 -3.972145 -0.243004
 Mean dependent 0.004750 -0.006750 -0.018250
S.D. dependent 0.012808 0.026056 0.293414
Determinant Residual 6.56E-10
Covariance
Log Likelihood 274.0191
Log Likelihood (d.f. adjusted) 252.6186
Akaike Information Criteria -10.43093
Schwarz Criteria -8.573163
6. Fungsi Impulse Respon

Fungsi impulse respon menggambarkan tingkat laju dari shock variabel yang satu terhadap

variabel yang lainnya pada suatu rentang periode tertentu. Sehingga dapat dilihat lamanya

pengaruh dari shock suatu variabel terhadap variabel lain sampai pengaruhnya hilang atau

kembali ke titik keseimbangan.

View – Impulse Respon à OK

Response to Cholesky One S.D. Innovations

Response of LGDP to LGDP Response of LGDP to LRER Response of LGDP to LTB

.008 .008 .008

.006 .006 .006

.004 .004 .004

.002 .002 .002

.000 .000 .000

-.002 -.002 -.002

-.004 -.004 -.004

-.006 -.006 -.006

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of LRER to LGDP Response of LRER to LRER Response of LRER to LTB

.025 .025 .025

.020 .020 .020

.015 .015 .015

.010 .010 .010

.005 .005 .005

.000 .000 .000

-.005 -.005 -.005

-.010 -.010 -.010

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10

Response of LTB to LGDP Response of LTB to LRER Response of LTB to LTB

.16 .16 .16

.12 .12 .12

.08 .08 .08

.04 .04 .04

.00 .00 .00

-.04 -.04 -.04

-.08 -.08 -.08

1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10 1 2 3 4 5 6 7 8 9 10
7. Variance Decompotition

Variance decompotition akan memberikan informasi mengenai proporsi dari pergerakan

pengaruh shock pada sebuah variabel terhadap shock variabel lain pada periode saat ini

dan periode yang akan datang.

Lakukan Prosedur berikut:

View à Variance Decompotition à Table à None

Varianc
e
Decom
positio
n of
LGDP:
Period S.E. LGDP LRER LTB
1 0.007888 100.0000 0.000000 0.000000
2 0.008893 94.89129 0.060548 5.048167
3 0.009409 88.13836 6.402253 5.459385
4 0.009487 88.25881 6.345817 5.395373
5 0.012472 89.74542 5.682000 4.572576
6 0.014326 83.95711 10.64351 5.399377
7 0.015272 78.79779 15.35422 5.847993
8 0.015636 76.98590 17.41568 5.598412
9 0.017429 78.68651 16.21343 5.100056
10 0.019196 76.21851 18.04042 5.741070

Varianc
e
Decom
positio
n of
LRER:
Period S.E. LGDP LRER LTB
1 0.022823 1.202831 98.79717 0.000000
2 0.027557 1.117966 92.83947 6.042563
3 0.029006 3.429961 89.78487 6.785168
4 0.030461 6.723793 84.44225 8.833962
5 0.030901 8.704021 82.70311 8.592866
6 0.031445 11.29428 80.18742 8.518301
7 0.032611 13.48215 78.40878 8.109063
8 0.034202 15.95656 76.53833 7.505114
9 0.035288 17.40289 75.54580 7.051308
10 0.036311 19.33375 73.95324 6.713016

Varianc
e
Decom
positio
n of
LTB:
Period S.E. LGDP LRER LTB
1 0.147278 0.456674 5.060564 94.48276
2 0.187928 3.077663 31.29215 65.63019
3 0.200473 3.238162 37.74691 59.01492
4 0.203133 3.944985 37.45114 58.60387
5 0.210202 8.963551 35.55491 55.48154
6 0.227220 21.08686 30.42878 48.48437
7 0.233808 21.73820 30.07208 48.18972
8 0.238566 23.70774 28.88467 47.40759
9 0.249336 29.53941 26.44683 44.01376
10 0.273789 38.54589 23.56631 37.88780

Tabel pertama menunjukkan variance decompotition dari variabel LGDP. Pada awal periode

baik variabel LRER maupun LTB tidak memberikan pengaruh apa-apa terhadap LGDP.

Sehingga pada awal periode, variabel LGDP dipengaruhi oleh variabel itu sendiri. Pada

periode ke-2 baik variabel LRER maupun LTB mulai memberikan pengaruhnya, walaupun

kontribusinya kecil karena kurang dari 10%. Hingga periode ke-10 kontribusi variabel LRER

semakin meningkat hingga melebihi 10% sementara kontribusi pada variabel LTB cenderung

tidak banyak berubah. Analisis yang sama juga dilakukan untuk variance decompotition yang

lain.

Referensi:

ü Nelmida: “Pengenalan Menu Eviews 4.1”

ü Poltak Harahap: “MODUL LAB VIII: CSB (Cointegration for Structural Break) dan

VECM (Vector Error Correction Model)”