Vector Autoregressive

(VAR) dan Vector Error

Correction Model (VECM)
 TABLE OF CONTENTS

01 02 03

VAR VECM Tahapan Analisis

 01
Vector Autoregressive
(VAR)
DefinisiVector Autoregressive (VAR)
● Vector Autoregressive (VAR) adalah sebuah metode analisis deret
waktu yang dapat memodelkan dan meramalkan lebih dari satu
variabel (multivariat) secara simultan.

● Model VAR muncul karena sering kali teori ekonomi tidak dapat
menentukan spesifikasi yang tepat sebagai contoh misalnya teori
terlalu kompleks sehingga simplifikasi harus dibuat atau sebaliknya
fenomena yang ada terlalu kompleks jika hanya dijelaskan dengan
teori yang ada.

● Metode VAR menjelaskan bahwa setiap variabel yang terdapat

dalam model tergantung pada pergerakan masa lalu variabel itu
sendiri dan pergerakan masa lalu dari variabel lain yang terdapat
dalam sistem persamaan.
KeunggulanVector Autoregressive (VAR)
Gujarati (2004:853) menyatakan bahwa keunggulan dari metode VAR antara lain,
sebagai berikut:

1. Model VAR memiliki bentuk yang sederhana dimana semua variabel pada
model dianggap sebagai variabel endogen.

2. Model VAR dapat diestimasi dengan mudah menggunakan Ordinary Least

Square (OLS).

3. Hasil peramalan dengan menggunakan metode VAR memperoleh hasil yang

lebih baik dibanding dengan menggunakan metode dengan persamaan
simultan yang lebih kompleks.
KelemahanVector Autoregressive (VAR)
Menurut Nachrowi dan Usman (2006) model VAR juga memiliki kelemahan,
yaitu :

1. Model VAR tidak memanfaatkan informasi atau teori terdahulu (ateoritik)

dan sering juga disebut sebagai model yang non-struktural.

2. VAR kurang dapat digunakan untuk analisis kebijakan, mengingat tujuan

utama dari model VAR adalah untuk peramalan.

3. Semua variabel dalam VAR harus stasioner.

4. Koefisien yang didapatkan berdasarkan model VAR tidak mudah untuk

diinterpretasikan
PersamaanVector Autoregressive (VAR)

Keterangan :
: Vektor berukuran yang berisi peubah
: Vektor intersep berukuran
: Matriks parameter berukuran untuk setiap i
: Vektor error berukuran
Kegunaan AnalisisVector Autoregressive (VAR)
Menurut Juanda dan Junaidi (2012), analisis VAR dapat digunakan untuk :

a. Uji kausalitas untuk mengetahui hubungan sebab akibat antar variabel.

b. Peramalan yaitu dengan melakukan perkiraan nilai saat ini dan masa depan
seluruh variabel melalui pemanfaatan seluruh informasi masa lalu variabel.

c. Impulse Response Function (IRF) digunakan untuk melihat pengaruh shock

dari suatu variabel terhadap variabel yang lain dengan mendeteksi respon
setiap variabel baik pada saat ini maupun masa depan.

d. Forecast Error Decomposition of Variance (FEDV) digunakan untuk

melakukan peramalan terhadap partisipasi presentase varians setiap variabel
terhadap perubahan suatu variabel tertentu.
Bentuk ModelVector Autoregressive (VAR)
Dalam VAR, terdapat tiga bentuk model menrurut Juanda dan Junaidi
(2012:137), diantaranya sebagai berikut :

a. Unrestricted VAR, dimana model ini dibagi lagi menjadi dua bentuk, yaitu :

 VAR in level digunakan jika data telah stasioner pada level

 VAR in difference digunakan jika data tidak stasioner dalam level dan tidak
memiliki hubungan kointegrasi.

b. Restricted VAR atau sering disebut Vector Error Correction Model (VECM)
merupakan bentuk VAR yang terestriksi karena data tidak stasioner namun
terkointegrasi.

c. Struktural VAR merupakan bentuk VAR direstriksi berdasarkan hubungan

teoritis yang kuat dan erat antar variabel.
02
Vector Error Correction Model
(VECM)
DefinisiVector Autoregressive (VAR)

• Vector Error Correction Model (VECM) atau VAR yang terestriksi merupakan model
VAR yang dibatasi karena adanya kointegrasi pada differencing pertama.

• Model VECM adalah metode estimasi model dinamis yang tidak mengacu pada
model yang berdasarkan dengan konsep teoritis, model ini lebih kepada bentuk
model yang menyesuaikan fenomena ekonomi yang terjadi.

• VECM ini juga mampu menganalisis hubungan jangka panjang pada data. Karena
diduga adanya hubungan kointegrasi secara linear.
 03
Tahapan Analisis
1. Uji Stasioneritas
Suatu data time series dapat dikatakan stationer apabila pola data berada pada kesetimbangan
disekitar nilai rata-rata yang konstan dan variansi disekitar rata-rata tersebut konstan selama waktu
tertentu.
Uji stationeritas pada penelitian ini dilakukan dengan menggunakan uji Augmented Dickey Fuller
(ADF). Data yang stationer akan menggunakan pengujian VAR dengan metode biasa. Sedangkan data
tidak stationer dan berkointegrasi akan diteruskan pada VAR dalam bentuk VECM. Namun, jika data
tidak stationer tetapi tidak berkointegrasi maka akan dilanjutkan pada tahap VAR in Difference.

2. Menentukan Lag Optimal

Pemilihan lag optimal dapat dilaukan dengan memperhatikan nilai Akaike Information Criterion
(AIC). Dalam AIC nilai terendah dari indikator merupakan model yang paling baik (Nachrowi, Djalal 43
Nachrowi Usman, 2006: 367).
3. Uji Kointegrasi
Uji kointegrasi dilakukan untuk untuk menguji apakah sisaan regresi kointegrasi stasioner atau
tidak. Menurut Basuki & Prawoto (2016: 236), uji ini dilakukan guna melihat keseimbangan hubungan
jangka panjang, dilihat dari ada atau tidaknya kesamaan pergerakan dan stabilitas antar variabel. Uji ini
dilakukan setelah mendapatkan Lag optimum .
Uji kointegrasi dilakukan menggunakan Johansen’s Multivariate Cointegration Test. Hipotesis
pada uji kointegrasi menggunakan metode ini adalah sebagai berikut :

Apabila nilai trace statistic lebih besar dari nilai kritis pada tingkat kepercayaan α atau nilai probabilitas
lebih kecil dari α maka hipotesis nol ditolak yang artinya terjadi kointegrasi.
4. Uji Kausalitas
Uji kausalitas untuk mengetahui apakah terdapat hubungan yang saling
mempengaruhi antar peubah endogen sehingga spesifikasi model VAR menjadi tepat
digunakan. Uji kausalitas ini dapat dilakukan dengan menggunakan Granger’s Causality
Test.
Uji kausalitas Granger adalah uji hipotesis statistik untuk menentukan apakah satu
rangkaian waktu berguna dalam memperkirakan yang lain (Granger, 1969). Apabila nilai
probabilitas dari variabel-variabel yang digunakan lebih kecil dari α maka dapat
disimpulkan bahwa terdapat hubungan kasualitas antar variabel-variabel tersebut.
5. Estimasi Model VAR/VECM
Pada pemodelan VAR/VECM analisis model dapat menggunakan analisis impulse response dan variance
decomposition. Analisis impulse response bertujuan untuk melihat pengaruh dari setiap variabel jika diberikan
sebuah impulse. Sedangkan, analisis variance decomposition bertujuan untuk memprediksi kontribusi setiap
variabel yang diakibatkan oleh perubahan variabel tertentu dalam sebuah sistem.

• Impulse Response Function

Impulse Response Function adalah analisis yang menelaah sebuah shocks terhadap perubahan-
perubahan nilai variabel endogen pada masa sekarang dan masa depan. Jika terdapat goncangan (Impulse) terhadap
variabel i, maka secara langsung akan dapat berpengaruh terhadap variabel tersebut dan berdampak kepada seluruh
variabel endogen dengan melalui struktur dinamis VAR (Kurnia, 2005).

• Forecast Error Variance Decomposition

Forecast Error Variance Decomposition akan memberikan informasi mengenai proporsi dari pergerakan
pengaruh shock pada sebuah variabel terhadap shock variabel yang lain pada periode saat ini dan periode yang akan
datang. Uji ini juga dilakukan untuk memperkiraan error variance variabel, dengan menunjukan seberapa besar
perbandingan antara variance sebelum hingga sesudah guncangan.
THANK YOU!