VECM
VECM
VAR
Bentuk:
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 Peramalan yang diperoleh dari VAR dsalam beberapa kasus lebih baik dengan menggunakan
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
ü Jika model VAR terdiri dari n variabel, maka ke-n variabel tersebut seharusnya 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
ü Jika variabel tidak deterministic atau stasioner, maka OLS tidak bisa dipakai
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
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
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:
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
Dalam VECM juga diperlukan mekanisme transmisi dan dapat dibuat IRF seperti halnya VAR
Estimasi VECM dengan EViews
Langkah-langkah:
1. Uji stasioneritas
ADF Test
LRER
ADF pada derajat level ADF pada 1st differences
LGDP
ADF pada derajat level ADF pada 1st differences
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
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
VAR ini menggunakan lag maksimal setiap variabel endogen sebesar tiga.
3. Uji Stabilitas
karena itu, model VAR dengan lag tiga memenuhi syarat stabil.
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
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
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
Block LRER, LTB, LGDP, klik kanan à open as var à Basics à VAR Type: VEC, lag interval: 1
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]
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
pengaruh shock pada sebuah variabel terhadap shock variabel lain pada periode saat ini
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 Poltak Harahap: “MODUL LAB VIII: CSB (Cointegration for Structural Break) dan