APLIKASI MODEL VAR DAN VECM ( resume W 12 )
APLIKASI MODEL VAR DAN VECM
Dalam pemodelan ekonometrika dengan
menggunakan berbagai variabel time series, salah satu aspek yang diperhatikan
adalah keberadaan dinamika. Diantara berbagai variabel sangat mungkin terdapat
hubungan yang dinamis (satu variabel data yang saling mempengaruhi). Yakni
dimana nilai suatu variabel tidak hanya dipengaruhi oleh variabel lain pada
periode yang sama, tetapi juga oleh variabel yang sama pada titik waktu yang
berbeda.
Dalam analisis regresi variabel yang
dipengaruhi oleh variabel yang sama biasanya akan mengalami masalah
mispesifikasi yang berimplikasi pada parameter yang bias ataupun autokorelasi
dan heteroskedastisitas yang menyebabkan sulitnya melakukan inferensi. Ada dua
teknik dalam mengatasi keberadaan dinamika, yakni Auto-Regressive
Distributed Lag (ADL) dan Vector Auto Regression (VAR).
Pengertian VAR
Vector Autoregression atau VAR merupakan salah satu metode time
series yang sering digunakan dalam penelitian ekonomi.
Beberapa keuntungan menggunakan metode VAR
- Lebih sederhana karena tidak perlu memisahkan variabel bebas dan terikat.
- Estimasi sederhana karena menggunakan metode OLS (Ordinary Least Squares) biasa.
- Hasil estimasinya lebih baik dibandingkan metode lain yang lebih rumit.
Hubungan di antara variabel ekonomi sangat kompleks dan teori
ekonomi yang ada baru mampu mengungkapkan sebagian dari pola hubungan tersebut.
Model VAR hadir dengan pendekatan yang tidak membedakan antara variabel endogen
(terikat) serta eksogen (bebas), seluruh variabel dianggap sebagai endogen dan
estimasi dapat dilakukan secara serentak.
Representasi dan Estimasi
Suatu VAR sederhana terdiri dari 2 variabel dan 1 lag yang diformulasikan sebagai berikut
У1t = β10 + β11у1t-1
+ α11у2t-1+µ1t
У2t = β20 + β21у2t-1
+ α21у1t-1+µ2t
Keberadaan lag sangat penting bagi persamaan VAR. lag yang terlalu
sedikit akan berpotensi menimbulkan masalah bias spesifikasi sedangkan jika
terlalu banyak akan menghabiskan degree of freedom yang membuat estimasi
menjadi tidak efisien.
Kelebihan VAR
- VAR tidak memerukan spesifikasi model, dalam artian mengidentifikasi variabel endogen-eksogen dan membuat persamaan yang menghubungkannya. Semua variabel dalam VAR adalah endogen.
- Kemampuan prediksi VAR cukup baik, dan dibuktikan dengan beberapa kajian empiris yang dilakukan Sims 1980 dan Mcness 1986.
Kekurangan VAR
- VAR bersifat ateoritis (tidak memiliki landasan teori), karena seluruh variabel endogen.
- Koefisien sulit diinterpretasikan, karena kegunaan VAR untuk prediksi dan menguji stabilitas hubungan sebab akibat (impulse-response), sehingga biasanya koefisien masing – masing variabel jarang dibaca.
- Estimasi tidak efisien jika jumlah sampel yang digunakan sedikit (minimal sampel 30 data).
Alasan Umum Memilih Motode VAR
- Data yang digunakan merupakan data time series yang menggambarkan fluktuasi ekonomi.
- Dampak kebijakan moneter terhadap perkembangan di sektor riil melalui suatu mekanisme yang pada umumnya tidak berdampak seketika, biasanya membutuhkan tenggang waktu tertentu (lag).
- Metode sederhana, tidak perlu membedakan mana variabel endogen dan variabel eksogen.
- VAR merupakan alat analisis yang berguna dalam memahami hubungan timbal balik antara variabel – variabel ekonomi (data yang saling mempengaruhi), dsb.
Kapan digunakan?
- Ketika data yang digunakan adalah deret waktu atau time series.
- Ketika peneliti tidak mengetahui mana variabel yang memengaruhi (bebas) dan dipengaruhi (terikat).
- Ketika data cukup besar (lebih dari 50 observasi).
- Ketika asumsi-asumsinya terpenuhi.
Latihan Olah Data VAR
Dalam latihan kali ini kita akan menjelaskan hubungan antara tingkat suku bunga dan inflasi terhadap volatilitas nilai tukar.
- Input data seperti biasa menggunakan import/copy data ke excel ke workfile program eviews.
- Sebelum melakukan olah data yang perlu dilakukan adalah menguji kestasioneritasan (pergerakannya bisa dibaca) data (unit root).
- Cara menguji adalah dengan cara View - unit root test – pertama kali dilakukan uji unit root pada data level.
Uji Unit Root Pada Data Level
- Klik 2 kali pada variabel yang ingin diuji
- Klik View – Unit Root Test
- Di kotak Include in test qualification klik none
Uji stasioner variabel inflasi di tingkat level adalah sebagai berikut:
Uji stasioner variabel kurs di tingkat level adalah sebagai
berikut:
Karena data tidak stasioner pada tingkat level, maka kita akan
mencoba pada tingkat 1st difference.
Uji stasioner variabel suku bunga di tingkat level adalah sebagai
berikut:
Karena data tidak stasioner pada tingkat level, maka kita akan mencoba pada tingkat 1st difference.
Untuk membuat model VAR, harus dengan syarat bahwa seluruh variabel
harus stasioner pada data level (ketika menggunakan VAR in level), atau salah
satu variabel stasioner pada level dan lainnya pada difference (ketika menggunakan
VAR in difference). Jika seluruh data stasioner pada tingkat difference yang
sama seluruh variabel tidak boleh berkointegrasi. dan Jika tidak di tingkat
yang sama maka data tidak bisa menggunakan VAR. Jika data terindikasi mengalami
kointegrasi maka diwajibkan menggunakan VECM (Vector Error Correction Model).
Langkah-langkah Estimasi Model
Caranya:
- Blok ketiga variabel - klik kanan – open as VAR
- Di VAR type pilih Unrestricted VAR
- Panjang lag biarkan saja default sesuai sistem
Vector
Autoregression Estimates
|
|
||
Date:
12/25/17 Time: 18:29
|
|
||
Sample
(adjusted): 1994Q3 2003Q4
|
|
||
Included
observations: 38 after adjustments
|
|||
Standard
errors in ( ) & t-statistics in [ ]
|
|||
|
|
|
|
|
|
|
|
|
KURS
|
RATE
|
INFLASI
|
|
|
|
|
|
|
|
|
KURS(-1)
|
0.603796
|
0.000220
|
0.000304
|
|
(0.35208)
|
(0.00014)
|
(0.00059)
|
|
[ 1.71495]
|
[ 1.59881]
|
[ 0.51410]
|
|
|
|
|
KURS(-2)
|
0.232734
|
-0.000172
|
-0.000217
|
|
(0.32681)
|
(0.00013)
|
(0.00055)
|
|
[ 0.71213]
|
[-1.34675]
|
[-0.39589]
|
|
|
|
|
RATE(-1)
|
-676.7857
|
1.329556
|
-0.221512
|
|
(504.501)
|
(0.19673)
|
(0.84797)
|
|
[-1.34150]
|
[ 6.75842]
|
[-0.26122]
|
|
|
|
|
RATE(-2)
|
734.9638
|
-0.485607
|
-0.188619
|
|
(528.348)
|
(0.20602)
|
(0.88806)
|
|
[ 1.39106]
|
[-2.35703]
|
[-0.21239]
|
|
|
|
|
INFLASI(-1)
|
266.4913
|
-0.058129
|
0.028513
|
|
(232.746)
|
(0.09076)
|
(0.39120)
|
|
[ 1.14499]
|
[-0.64049]
|
[ 0.07289]
|
|
|
|
|
INFLASI(-2)
|
-9.944145
|
0.085450
|
-0.023839
|
|
(118.758)
|
(0.04631)
|
(0.19961)
|
|
[-0.08373]
|
[ 1.84522]
|
[-0.11943]
|
|
|
|
|
C
|
-258.0470
|
2.212122
|
8.604718
|
|
(2845.02)
|
(1.10939)
|
(4.78196)
|
|
[-0.09070]
|
[ 1.99400]
|
[ 1.79941]
|
|
|
|
|
|
|
|
|
R-squared
|
0.809447
|
0.921431
|
0.122131
|
Adj.
R-squared
|
0.772566
|
0.906224
|
-0.047780
|
Sum
sq. resids
|
86690017
|
13.18161
|
244.9129
|
S.E.
equation
|
1672.260
|
0.652084
|
2.810768
|
F-statistic
|
21.94742
|
60.59315
|
0.718794
|
Log
likelihood
|
-332.0847
|
-33.80315
|
-89.32268
|
Akaike
AIC
|
17.84656
|
2.147534
|
5.069615
|
Schwarz
SC
|
18.14822
|
2.449195
|
5.371275
|
Mean
dependent
|
6723.000
|
16.74211
|
2.378532
|
S.D.
dependent
|
3506.517
|
2.129406
|
2.745933
|
|
|
|
|
|
|
|
|
Determinant
resid covariance (dof adj.)
|
1771856.
|
|
|
Determinant
resid covariance
|
961972.4
|
|
|
Log
likelihood
|
-423.5171
|
|
|
Akaike
information criterion
|
23.39564
|
|
|
Schwarz
criterion
|
24.30062
|
|
|
|
|
|
|
|
|
|
|
Setelah itu yang dilakukan adalah melakukan identifikasi panjang length ,dengan mengisi lag maksimum hingga 8. Caranya klik View – Lag Structure – Lag Length Criteria.
Dari hasil yang diperoleh maka lag optimum dalam model ini adalah 6
ditunjukkan dengan banyaknya tanda bintang pada lag 6. Oleh sebab itu maka
dilakukan lagi estimasi data dengan menggunakan lag 6.
Output ada di File Word
Pada tiap – tiap variabel ada tiga nilai, yaitu koefisien variabel,
standar error dalam kurung biasa ( ) dan nilai statistik t parsial dalam kurung
siku [ ]. Dalam hal ini akan embandingkan nilai t-statistic parsial yang ada
pada kurung siku dengan nilai pada tabel (alpha/2, n-1) = 2.02269.
Hipotesis yang digunakan:
- H0 = variabel dependen tidak secara signifikan dipengaruhi oleh variabel independen
- H1 = variabel dependen secara signifikan dipengaruhi oleh variabel independen
- Wilayah tolak H0 : nilai stat > 2.02269 atau < - 2.02269
Vector
Autoregression Estimates
|
|
||
Date:
12/16/17 Time: 14:36
|
|
||
Sample
(adjusted): 1995Q3 2003Q4
|
|
||
Included
observations: 34 after adjustments
|
|||
Standard
errors in ( ) & t-statistics in [ ]
|
|||
|
|
|
|
|
|
|
|
|
KURS
|
RATE
|
INF
|
|
|
|
|
|
|
|
|
KURS(-1)
|
-0.446583
|
-3.27E-05
|
-0.001238
|
|
(0.52084)
|
(0.00016)
|
(0.00100)
|
|
[-0.85742]
|
[-0.20806]
|
[-1.23776]
|
|
|
|
|
KURS(-2)
|
-0.341673
|
-0.000256
|
-0.001170
|
|
(0.55193)
|
(0.00017)
|
(0.00106)
|
|
[-0.61905]
|
[-1.53919]
|
[-1.10387]
|
|
|
|
|
KURS(-3)
|
1.349310
|
0.000482
|
0.002418
|
|
(0.55488)
|
(0.00017)
|
(0.00107)
|
|
[ 2.43173]
|
[ 2.88239]
|
[ 2.26888]
|
|
|
|
|
KURS(-4)
|
-0.150826
|
-0.000260
|
-0.000247
|
|
(0.56695)
|
(0.00017)
|
(0.00109)
|
|
[-0.26603]
|
[-1.52048]
|
[-0.22670]
|
|
|
|
|
KURS(-5)
|
0.131355
|
0.000200
|
0.000276
|
|
(0.46133)
|
(0.00014)
|
(0.00089)
|
|
[ 0.28473]
|
[ 1.43887]
|
[ 0.31114]
|
|
|
|
|
KURS(-6)
|
0.036836
|
-0.000154
|
-0.000294
|
|
(0.36820)
|
(0.00011)
|
(0.00071)
|
|
[ 0.10004]
|
[-1.38293]
|
[-0.41627]
|
|
|
|
|
RATE(-1)
|
644.8363
|
1.145464
|
0.735825
|
|
(893.433)
|
(0.26940)
|
(1.71568)
|
|
[ 0.72175]
|
[ 4.25194]
|
[ 0.42888]
|
|
|
|
|
RATE(-2)
|
1423.086
|
-0.348007
|
1.915478
|
|
(1112.69)
|
(0.33551)
|
(2.13672)
|
|
[ 1.27896]
|
[-1.03725]
|
[ 0.89646]
|
|
|
|
|
RATE(-3)
|
1519.708
|
0.214853
|
2.889314
|
|
(1000.01)
|
(0.30153)
|
(1.92033)
|
|
[ 1.51970]
|
[ 0.71253]
|
[ 1.50459]
|
|
|
|
|
RATE(-4)
|
-1745.993
|
-0.023856
|
-2.804880
|
|
(881.337)
|
(0.26575)
|
(1.69245)
|
|
[-1.98107]
|
[-0.08977]
|
[-1.65729]
|
|
|
|
|
RATE(-5)
|
-1503.737
|
-0.078770
|
-1.914581
|
|
(907.133)
|
(0.27353)
|
(1.74199)
|
|
[-1.65768]
|
[-0.28798]
|
[-1.09908]
|
|
|
|
|
RATE(-6)
|
997.6937
|
-0.000544
|
0.593697
|
|
(601.033)
|
(0.18123)
|
(1.15418)
|
|
[ 1.65996]
|
[-0.00300]
|
[ 0.51439]
|
|
|
|
|
INF(-1)
|
636.9474
|
0.101214
|
0.585747
|
|
(304.657)
|
(0.09186)
|
(0.58504)
|
|
[ 2.09071]
|
[ 1.10178]
|
[ 1.00121]
|
|
|
|
|
INF(-2)
|
547.6155
|
0.217400
|
0.893341
|
|
(344.267)
|
(0.10381)
|
(0.66110)
|
|
[ 1.59067]
|
[ 2.09427]
|
[ 1.35129]
|
|
|
|
|
INF(-3)
|
-535.6011
|
-0.003577
|
-0.786144
|
|
(359.661)
|
(0.10845)
|
(0.69067)
|
|
[-1.48918]
|
[-0.03298]
|
[-1.13824]
|
|
|
|
|
INF(-4)
|
-912.5533
|
0.034043
|
-1.269335
|
|
(335.514)
|
(0.10117)
|
(0.64429)
|
|
[-2.71987]
|
[ 0.33650]
|
[-1.97012]
|
|
|
|
|
INF(-5)
|
-859.5067
|
-0.198654
|
-1.839285
|
|
(368.327)
|
(0.11106)
|
(0.70731)
|
|
[-2.33354]
|
[-1.78868]
|
[-2.60041]
|
|
|
|
|
INF(-6)
|
-642.0598
|
0.067469
|
-1.132600
|
|
(267.596)
|
(0.08069)
|
(0.51387)
|
|
[-2.39936]
|
[ 0.83616]
|
[-2.20406]
|
|
|
|
|
C
|
-14824.71
|
1.161614
|
-11.15103
|
|
(5599.14)
|
(1.68832)
|
(10.7521)
|
|
[-2.64767]
|
[ 0.68803]
|
[-1.03710]
|
|
|
|
|
|
|
|
|
R-squared
|
0.912780
|
0.979080
|
0.579081
|
Adj.
R-squared
|
0.808117
|
0.953976
|
0.073979
|
Sum
sq. resids
|
31743094
|
2.886113
|
117.0567
|
S.E.
equation
|
1454.719
|
0.438643
|
2.793525
|
F-statistic
|
8.721091
|
39.00134
|
1.146463
|
Log
likelihood
|
-281.9399
|
-6.314264
|
-69.26098
|
Akaike
AIC
|
17.70235
|
1.489074
|
5.191822
|
Schwarz
SC
|
18.55532
|
2.342041
|
6.044788
|
Mean
dependent
|
7253.765
|
17.04529
|
2.363079
|
S.D.
dependent
|
3320.936
|
2.044659
|
2.902967
|
|
|
|
|
|
|
|
|
Determinant
resid covariance (dof adj.)
|
279268.4
|
|
|
Determinant
resid covariance
|
23980.54
|
|
|
Log
likelihood
|
-316.1767
|
|
|
Akaike
information criterion
|
21.95157
|
|
|
Schwarz
criterion
|
24.51047
|
|
|
|
|
|
|
|
|
|
|
- Dari output yang terlihat maka variabel dependen KURS dipengaruhi oleh kurs -3 dan inflasi-1
- Sedangkan variabel dependen inflasi dipengaruhi oleh kurs -3, inflasi -5, inflasi -6,
- Variabel dependen rate dipengaruhi oleh kurs -3, inflasi -2 dan rate -1
Komentar
Posting Komentar