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

1. Lebih sederhana karena tidak perlu memisahkan variabel bebas dan terikat.
2. Estimasi sederhana karena menggunakan metode OLS (Ordinary Least Squares) biasa.
3. 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

У_{1t =} β₁₀ + β₁₁у_1t-1 + α₁₁у_2t-1+µ_1t

У_{2t =} β₂₀ + β₂₁у_2t-1 + α₂₁у_1t-1+µ_2t

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

1. VAR tidak memerukan spesifikasi model, dalam artian mengidentifikasi variabel endogen-eksogen dan membuat persamaan yang menghubungkannya. Semua variabel dalam VAR adalah endogen.
2. Kemampuan prediksi VAR cukup baik, dan dibuktikan dengan beberapa kajian empiris yang dilakukan Sims 1980 dan Mcness 1986.

Kekurangan VAR

1. VAR bersifat ateoritis (tidak memiliki landasan teori), karena seluruh variabel endogen.
2. Koefisien sulit diinterpretasikan, karena kegunaan VAR untuk prediksi dan menguji stabilitas hubungan sebab akibat (impulse-response), sehingga biasanya koefisien masing – masing variabel jarang dibaca.
3. Estimasi tidak efisien jika jumlah sampel yang digunakan sedikit (minimal sampel 30 data).

Alasan Umum Memilih Motode VAR

1. Data yang digunakan merupakan data time series yang menggambarkan fluktuasi ekonomi.
2. Dampak kebijakan moneter terhadap perkembangan di sektor riil melalui suatu mekanisme yang pada umumnya tidak berdampak seketika, biasanya membutuhkan tenggang waktu tertentu (lag).
3. Metode sederhana, tidak perlu membedakan mana variabel endogen dan variabel eksogen.
4. VAR merupakan alat analisis yang berguna dalam memahami hubungan timbal balik antara variabel – variabel ekonomi (data yang saling mempengaruhi), dsb.

Kapan digunakan?

1. Ketika data yang digunakan adalah deret waktu atau time series.
2. Ketika peneliti tidak mengetahui mana variabel yang memengaruhi (bebas) dan dipengaruhi (terikat).
3. Ketika data cukup besar (lebih dari 50 observasi).
4. 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 1^st 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 1^st 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