![Modul VAR VECM PDF [PDF]](https://pdfs.asia/img/200x200/modul-var-vecm-pdf.jpg)
19 0 1 MB
DAFTAR ISI 1 VECTOR AUTOREGRESSIVE (VAR) ................................................................... 2 2 VECTOR ERROR CORECTION MODEL (VECM) ............................................. 3 3 TAHAPAN ANALISIS VAR DAN VECM ............................................................... 4 3.1 Uji Stationer ............................................................................................................ 4 3.2 Uji Augmented Dickey-Fuller (ADF) ..................................................................... 4 3.3 Uji Lag Optimal ...................................................................................................... 4 3.4 Uji Kointegrasi ........................................................................................................ 5 3.5 Causality Granger ................................................................................................... 5 3.6 Pendugaan Parameter .............................................................................................. 6 3.7 Impulse Response ................................................................................................... 6 3.8 Variance Decomposition......................................................................................... 6 3.9 Memeriksa Kelayakan Model Terpilih ................................................................... 7 3.9.1 Uji White Noise................................................................................................ 7 3.9.2 Uji Kenormalan Error....................................................................................... 8 4 ILUSTRASI VAR MENGGUNAKAN EVIEWS ..................................................... 9 4.1 Langkah-langkah dalam Analisis VAR .................................................................. 9 4.1.1 Import Data ...................................................................................................... 9 4.1.2 Forcesting ....................................................................................................... 27 5 ILUSTRASI VECM MENGGUNAKAN EVIEWS ............................................... 29 5.1 Langkah-langkah dalam Analisis VECM ............................................................. 29 5.1.1 Import Data .................................................................................................... 29 5.1.2 Forcesting ....................................................................................................... 49 DAFTAR PUSTAKA ................................................................................................... 50
1|Analis is Deret Wak tu (mo del VAR and VE CM)
1 VECTOR AUTOREGRESSIVE (VAR) Jika data yang akan digunakan adalah data deret waktu (time series) dan memiliki banyak peubah, data deret waktu multivariat ini dapat dimodelkan dengan model VAR (vector autoregressive) yang merupakan perluasan dari model ARIMA (Montgomery et al, 2008). Vector autoregressive (VAR) dikembangkan oleh Cristoper A. Sims pada tahun 1980. Model VAR menjelaskan keterkaitan antar pengamatan pada variabel tertentu pada suatu waktu dengan pengamatan pada variabel itu sendiri pada waktu-waktu sebelumnya dan juga keterkaitannya dengan pengamatan pada variabel lain pada waktu-waktu sebelumnya (Wutsqa dan Suhartono, 2010). Seperti halnya model ARIMA, VAR memiliki asumsi bahwa data yang digunakan harus stasioner pada rataan dan ragam dan sisaan bersifat white noise yakni acak (tak berpola), ragam konstan, saling bebas dan berdistribusi normal. Kelebihan dari model VAR adalah: 1. Model VAR adalah model yang sederhana dan tidak erlu membedakan mana variabel yang endogen dan eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen. 2. Cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS pada setiap persamaan secara terpisah. Secara umum, model VAR(p) dengan p merupakan ordo autoregressive serta peubah sebanyak k pada waktu ke-t dapat ditulis sebagai berikut (Wei, 2006):
dimana 𝑍𝑍𝑡𝑡 adalah vektor data deret waktu berukuran kx1, 𝜔𝜔 adalah vektor konstanta
berukuran kx1, 𝜙𝜙𝑖𝑖 adalah matriks parameter autoregressive berukuran k x k ( untuk
setiap i=1,2,...,p) dan 𝜀𝜀𝑡𝑡 adalah vektor sisaan berukuran kx1. Contoh model VAR yang sederhana adalah:
Z1t = φ10 + φ11Z1,t−1 + φ12Z2,t−1 + ε1t Z2t = φ20 + φ21Z1,t−1 + φ22Z2,t−1 + ε2t Dengan notasi maytiks sebagai brikut: x1,t φ10 φ11 φ12 x1,t −1 ε 1,t + x = + 2,t φ20 φ21 φ22 x2,t −1 ε 2,t
atau dituliskan sebagai berikut: Z t = w0 + Φ 1 Z t −1 + ε t
2|Analis is Deret Wak tu (mo del VAR and VE CM)
2 VECTOR ERROR CORECTION MODEL (VECM) Menurut Verbeek dalam Nugraha (2006), ketika dua atau lebih variabel yang terlibat dalam suatu persamaan pada data level tidak stasioner maka kemungkinan terdapat kointegrasi pada persamaan tersebut. Jika setelah dilakukan uji kointegrasi terdapat persamaan kointegrasi dalam model yang digunakan maka dianjurkan untuk memasukkan persamaan kointegrasi ke dalam model. Adanya hubungan kointegrasi di antara kedua variabel mengisyaratkan bahwa sebuah formulasi eror pada metode VAR dapat diestimasi. Hal ini dilakukan untuk mengantisipasi hilangnya informasi jangka panjang dalam penelitian. Model ini dinamakan model VECM. Model VECM telah memuat parameter jangka pendek dan jangka panjang yang memungkinkan kita untuk mengetahui respon pada jangka pendek dan jangka panjang. Dengan demikian, VECM berbeda dengan VAR dimana VECM dapat digunakan untuk memodelkan data time series yang terkointegrasi. Variabel yang digunakan pada model VECM harus stasioner pada diferensiasi yang sama. Model VECM tersusun dengan rank kointegrasi yang lebih besar dari 0. Model VECM ordo p dank ran kointegrasi r dituliskan sebagai berikut :
Dimana
𝑝−1 Δ (Z)=𝛼𝛼0+Π Z𝑡𝑡−1+∑𝑖=1 ΦΔZ𝑡𝑡−1 + ε𝑡𝑡 𝑝
Dan
Φ𝑖 = � 𝐴𝑗 𝑗=𝑖+1
Π = 𝛼𝛼β
β = vector kointegrasi berukuran rx1 𝛼𝛼 = vektor adjustment berukuran rx1
Sedangkan untuk model VECM jangka panjang, persamaan yang digunakan adalah
3|Analis is Deret Wak tu (mo del VAR and VE CM)
3 TAHAPAN ANALISIS VAR DAN VECM 3.1 Uji Stationer Kestasioneran pada data menjadi syarat utama peramalan menggunakan konsep ARIMA. Maka VAR dan VECM juga harus memenuhi asumsi stationeritas. Kestasioneritas yang harus dipenuhi adalah stasioner dalam rataan dan ragam (Wei,2006). Stationer dalam rataan artinya fluktuasi data berada di sekitar suatu nilai rata-rata yang konstan, sedangkan stationer dalam ragam yaitu apabila struktur data dari waktu ke waktu mempunyai fluktuasi data yang tetap atau konstan (Wei,2006). Pemeriksaan stasioneritas dari data dapat dilihat dari plot antara nilai observasi dan waktu. Jika penggunaan plot ini dirasa belum cukup meyakinkan maka dapat dilakukan uji formal menggunakan uji Augmented Dickey-Fuller (ADF) untuk memeriksa kestasioneran.
3.2 Uji Augmented Dickey-Fuller (ADF) Hipotesis yang digunakan dalam uji ADF adalah (Gujarati, 2003): H0 : γ = 0 (ada unit roots yang artinya data tidak stasioner) H1 : γ ≠ 0 (tidak ada unit roots yang artinya data stasioner) Tolak H0 jika p-value < α. Apabila diketahui data tidak stationer pada ragam maka diatasi dengan transformasi data. Bila stationer dalam rata-rata tidak terpenuhi maka diatasi dengan differencing. Rumus untuk differencing orde pertama, yaitu Xt ′=Xt - X t-1 dengan Xt ′= nilai variabel X pada waktu t setelah differencing
3.3 Uji Lag Optimal Pembentukan Model ARIMA,VAR dan VECM diawali dengan penentuan orde waktu (lag optimal). Identifikasi model ARIMA menggunakan plot ACF dan PACF namun pada VAR dan VECM identifikasi model bisa menggunakan nilai AIC, FPE, SC dan HQ yang bernilai paling kecil (Wei,2006). Namun sebelum menentukan lag optimal
4|Analis is Deret Wak tu (mo del VAR and VE CM)
tahap pertama yang harus dilakukan adalah menentukan panjang lag maksimum model yang stabil. Stabilitas model dapat dilihat dari nilai inverse roots karakteristik AR polinomialnya. Hal ini dapat dilihat dari nilai modulus pada tabel AR roots-nya. Jika seluruh nilai AR roots-nya di bawah satu, maka model tersebut stabil. Setelah didapatkan lag optimal,jika data pada level tidak stationer selanjutnya dilakukan uji kointegrasi. Namun jika data sudah stationer pada level maka tidak perlu dilakukan uji kointegrasi, langsung ke analisis VAR. Jika uji kointegrasi signifikan maka dilanjutkan model VECM sedangkan jika uji kointegrasi tidak signifikan maka dilanjutkan dengan menggunakan model VAR. Agar semua kriteria dapat dibandingkan untuk berbagai lag, maka banyaknya observasi yang digunakan dalam setiap model VAR yang dibandingkan haruslah sama
3.4 Uji Kointegrasi Kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner (Thomas, 1997). Salah satu metode yang digunakan untuk melakukan uji kointegrasi, yaitu Johansen Cointegration Test. Pada uji ini digunakan statistik uji trace dan statistik nilai eigen maksimum dengan hipoteis sebagai berikut (Rosadi D, 2012) : H0 : terdapat sebanyak banyaknya r persamaan kointegrasi. H1 : terdapat persamaan kointegrasi lebih dari r Pada tingkat signifikansi (1-α)100%, tolak H0 jika statistik uji trace dan nilai eigen maksimum lebih besar dari nilai kritis pada saat α (Rosadi D, 2012). Setelah diketahui bahwa persamaan variabel tersebut terkointegrasi maka tahapan analisis dilanjutkan dengan analisis Vector Error Correction Model (VECM) jika tidak terdapat kointegrasi maka dilanjutkan dengan analisis VAR.
3.5 Causality Granger Uji kausalitas Granger (Granger Causality Test) dilakukan untuk melihat apakah dua variabel memiliki hubungan timbal balik atau tidak karena setiap variabel dalam penelitian mempunyai kesempatan untuk menjadi variabel endogen maupun eksogen. Jika ada dua variabel y dan z, maka apakah y menyebabkan z atau z menyebabkan y 5|Analis is Deret Wak tu (mo del VAR and VE CM)
atau berlaku keduanya atau tidak ada hubungan keduanya. Variabel y menyebabkan variabel z artinya berapa banyak nilai z pada periode sekarang dapat dijelaskan oleh nilai y pada periode sebelumnya dan sebaliknya. Hipotesis untuk uji kausalitas granger adalah sebagai brikut :
3.6 Pendugaan Parameter Setelah diperoleh model awal VAR(p) dan VECM(p) selanjutnya parameter dari model diduga sehingga didapatkan besaran koefisien dari model. Secara umum metode pendugaan parameter model VAR dan VECM dapat dilakukan menggunakan Metode kuadrat terkecil.
3.7 Impulse Response Pendugaan parameter pada model VAR dan VECM yang terbentuk sering kali sulit diintepretasikan, maka salah satu cara yang sering dilakukan adalah dengan menggunakan pendekatan impulse response function (Gujarati, 2003). Impulse response function (IRF) menggambarkan bagaimana respon dari suatu variabel di masa mendatang jika terjadi shock atau guncangan pada satu variabel lainnya atau guncangan dari dirinya sendiri serta laju dari shock atau guncangan sehingga melalui IRF ini, bisa diketahui lamanya pengaruh dari terjadinya suatu shock atau goncangan tersebut. Shock yang diberikan biasanya sebesar satu standar deviasi dari peubah (disebut Innovations).
3.8 Variance Decomposition Variance decomposition digunakan untuk menggambarkan relatif pentingnya setiap variabel di model VAR dalam menjelaskan kontribusi terhadap shock yang ditimbulkannya untuk variabel lainnya. Maka dapat dikatakan bahwa variance decomposition memberikan informasi penting mengenai hubungan antar variabel (kekuatan dan kelemahan dari masing-masing variabel dalam mempengaruhi variabel lainnya).
6|Analis is Deret Wak tu (mo del VAR and VE CM)
3.9 Memeriksa Kelayakan Model Terpilih Uji kesesuaian model meliputi uji asumsi white noise dan asumsi normalitas error. Model dikatakan baik atau sudah sesuai dan siap digunakan untuk peramalan jika nilai error bersifat white noise (error bebas, stokastik dan identik) artinya sudah tidak mempunyai pola tertentu lagi serta berdistribusi normal. Dengan kata lain model yang diperoleh dapat menangkap dengan baik pola data yang ada. Untuk melihat hal ini nilai error dilakukan pengujian
3.9.1 Uji White Noise Uji white noise dapat dilihat dari plot ACF residual (Makridakis et al, 1999).. Berdasarkan grafik/plot ACF, jika terdapat banyak korelasi yang signifikan, dan menunjukan suatu pola maka model dikatakan belum memenuhi asumsi white noise. Jika penggunaan plot ini dirasa belum cukup meyakinkan maka dapat dilakukan uji formal seperti menggunakan uji portmanteau scara simultan duntuk memeriksa kebebasan residual dan uji white untuk memeriksa kehomognan ragam residual. Hipotesis uji portmanteau secara simultan sebagaai berikut (Enders, 2004):
Hipotesis uji white sebagaai berikut : H0 : ragam residual homogen H1 : ragam residual heterogen
7|Analis is Deret Wak tu (mo del VAR and VE CM)
3.9.2 Uji Kenormalan Error Uji ini digunakan untuk memeriksa apakah suatu proses error berdistribusi normal atau tidak. Uji kenormalan dapat dilakukan dengan berbagai macam ujiseperti kolmogorovsmirnov, Anderson darling dll. hipotesis yang digunakan adalah sebgai berikut H0 : residual berdistribusi normal H1 : residual tidak berdistribusi normal Taraf signifikansi atau α yang digunakan adalah 5 % Setelah model yang terpilih semua asumsinya terpenuhi maka selanjutnya model bisa digunakan untuk peramalan.
8|Analis is Deret Wak tu (mo del VAR and VE CM)
4 ILUSTRASI VAR MENGGUNAKAN EVIEWS Ingin diramalkan variabel gdp, inflasi, kurs dan tingkat suku bunga selama 6 tahun kedepan dengan menggunakan data gdp, inflasi, kurs dan tingkat suku sebanyak 42 observasi dari tahu 1971 sampai tahun 2012. Data tersedia di Lampiran excel1 dengan nama “datavar”.
4.1 Langkah-langkah dalam Analisis VAR 4.1.1 Import Data Buka workfile baru dengan cara File > New > Workfile. Maka akan muncul tampilan seperti berikut yang digunakan untuk menentukan deskripsi data.
Workfile structure type : digunakan untuk menetukan struktur data. ada 3 jenis struktur:
unstructured/undated : tidak struktur atau tidak ditentukan waktunya untuk data time series.
Dated : menentukan waktu data untuk data time series.
Balanced panel : menentukan data untuk data panel.
Karena kita sudah mengetahui periode data yang digunakan maka kita memilih Dated 9|Analis is Deret Wak tu (mo del VAR and VE CM)
Date specification: karena data yang digunakan tahuan maka kita memilih annual Start date : isilah periode awal dari data yang akan digunakan End date : isilah periode akhir + periode yang akan diramal dari data yang akan digunakan. Pada kasus ini periode akhir Juli 2012+6 tahun data yang akan diramal. Sehingga pada end date diisi 2018.
setelah itu akan muncul tampilan berikut.
Masukkan/import data series ke dalam Workfile di EViews. Salah satu caranya adalah dengan mengcopy data yang akan kita gunakan di excel lalu kembali ke eviews dan pilih Quick > empty group. kemudian copy data sehingga muncul data seperti berikut.
10 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Selanjutnya uji stationeritas variabel dengan cara klik satu variable misal inflasi sampai terdapat tampilan sebagai berikut
11 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada jendela inflasi pilih View > graph maka akan muncul grafik seperti berikut. INFLASI 10
5
0
-5
-10
-15
-20 5
10
15
20
25
30
35
40
45
Dari grafik diatas ecara eksploratif terlihat inflasi sudah stationr namun uutk memastikan kita bisa menggunakan uji ADF dengn cara klik View > unit root test maka akan muncul tampilan seperti berikut.
12 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih kriteria sesuai gambar diatas maka akan menghasilkan output sebagai berikut: Null Hypothesis: INFLASI has a unit root Exogenous: None Lag Length: 1 (Automatic – based on SIC, maxlag=9) t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic
-7.210017
0.0000
Test critical values:
1% level
-2.628961
5% level
-1.950117
10% level
-1.611339
*MacKinnon (1996) one-sided p-values.
Dari output diatas ternyata p-value < 0.05 sehingga tolak H0 artinya inflasi tidak memiliki unit root atau dengan kata lain inflasi sudah stationer pada level. Selanjutnya lakukanlah ke tiga variabel lainya dengan langkah yang sama. Langkah selanjutnya adalah penentuan lag optimal. Namun sebelum menentukan lag optimal ditentukan terlebih dahulu sampai lag keberapa model VAR stabil. Block variable yang akan digunakan lalu klik kanan, pilih Open > group> as VAR maka akan muncul tampilan seperti berikut.
13 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih Unrestricted Var karena model yang akan kita gunakan ada lah VAR pada pilihan VAR Type, lalu ketik nama variabel yang akan digunakan pada kotak endogenous variables. Isilah lag setinggi tingginya misal 1 8 pada kotak lag intervals. Hal ini dimaksudkan karena kita ingin mengetahui sampai lag keberapa model VAR masih stabil dari lag 1 samai lag ke 8. Lalu tekan Ok maka akan muncul output sebagai berikut
14 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada jndelaa VAR pilih view > lag structure> AR root table maka akan muncul tampilan seperti berikut.
Stabilitas model dapat dilihat dari nilai modulus pada tabel AR roots-nya. Jika seluruh nilai AR roots-nya di bawah satu, maka model tersebut stabil. Pada output diatas ternyata masih ada nilai modulus yang lebih dari 1 sehingga kita modelkan kembali model VAR dengan mengurangi lag maksimumnya sampai didapatkan nilai modulus kurang dari 1. Pada kasus ini ternyata dari lag 3 sampai 5 nilai modulus masih ada yang
15 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
bernilai diatas 1 maka kita coba modelkan kembali dengan lag maksimum 2. Pada jendel VAR klik etimasi maka akan muncul kembali jendela sebagai berikut
Pada lag intervals isilah 1 2. Lalu tekan Ok. Pada jndelaa VAR pilih view > lag structure> AR root table maka akan muncul tampilan seperti berikut.
16 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada output diatas ternyata sudah tidak adala lagi nilai modulus yang lebih dari 1 sehingga sampai lag ke 2 model masih stabil. Selanjutnya pilih view > lag structure> lag length criteria maka akan muncul tampilan seperti berikut.
Pada box lags to include isilah nilai lag yang sudah kita dapatkan sebelumnya yaitu lag 2 dimana lag 1 sampai lag 2 model VAR masih stabil. Klik ok maka akan muncul tampilan seperti berikut. VAR Lag Order Selection Criteria Endogenous variables: GDP INFLASI INTEREST KURS Exogenous variables: C Date: 11/23/18 Time: 10:10 Sample: 1971 2018 Included observations: 36 Lag
LogL
LR
FPE
AIC
SC
HQ
0
-609.0540
NA
7.27e+09
34.05856
34.23450*
34.11997
1
-588.7147
35.02879
5.75e+09
33.81748
34.69722
34.12453
2
-564.6404
36.11146*
3.81e+09*
33.36891*
34.95243
33.92160*
* 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
17 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
SC: Schwarz information criterion HQ: Hannan-Quinn information criterion Identifikasi model VAR dan VECM menggunakan nilai AIC, FPE, SC dan HQ yang bernilai paling kecil dan LR yang paling besar (Wei,2006). Atau pada output eviews pilih lag yang paling banyak kode *. Dari output diatas ternyata lag optimal = 2 artinya model yang akan kita gunakan adalah VAR (2). Semua variabel yang ada dalam model ini saling mempengaruhi satu sama lain tidak hanya pada periode sekarang, namun variabel-variabel tersebut saling berkaitan sampai pada 2 periode sebelumnya. Selanjutnya kembali lagi ke jendela pendugan parameter dengan cara pilih view > estimation output maka akan muncul tampilan seperti berikut. Vector Autoregression Estimates Date: 11/23/18 Time: 10:03 Sample (adjusted): 1973 2012 Included observations: 36 after adjustments Standard errors in ( ) & t-statistics in [ ]
GDP(-1)
GDP(-2)
INFLASI(-1)
INFLASI(-2)
GDP
INFLASI
INTEREST
KURS
0.466798
1.039867
0.760178
-7.707611
(0.18647)
(1.23467)
(0.48404)
(137.941)
[ 2.50333]
[ 0.84222]
[ 1.57049]
[-0.05588]
0.048885
0.827293
0.108879
174.1702
(0.16765)
(1.11007)
(0.43519)
(124.020)
[ 0.29158]
[ 0.74526]
[ 0.25019]
[ 1.40437]
-0.018196
-0.290089
-0.120133
-42.25551
(0.04834)
(0.32007)
(0.12548)
(35.7590)
[-0.37642]
[-0.90633]
[-0.95739]
[-1.18167]
0.032601
-0.354997
0.012313
2.243100
(0.04437)
(0.29382)
(0.11519)
(32.8261)
[ 0.73468]
[-1.20823]
[ 0.10690]
[ 0.06833]
18 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
INTEREST(-1)
0.333960
-0.640728
0.170188
4.425254
(0.09561)
(0.63303)
(0.24817)
(70.7237)
[ 3.49311]
[-1.01217]
[ 0.68577]
[ 0.06257]
-0.104674
-0.544008
-0.581383
-12.39811
(0.12175)
(0.80616)
(0.31605)
(90.0668)
[-0.85972]
[-0.67481]
[-1.83955]
[-0.13765]
-0.001254
-0.001448
-0.001272
-0.016782
(0.00051)
(0.00339)
(0.00133)
(0.37830)
[-2.45295]
[-0.42770]
[-0.95825]
[-0.04436]
-0.000452
-0.001503
-0.000988
-0.251269
(0.00057)
(0.00378)
(0.00148)
(0.42186)
[-0.79173]
[-0.39817]
[-0.66710]
[-0.59563]
0.879087
-0.673760
-0.200257
170.8495
(0.39108)
(2.58945)
(1.01517)
(289.302)
[ 2.24783]
[-0.26019]
[-0.19726]
[ 0.59056]
R-squared
0.557008
0.391695
0.437543
0.179223
Adj. R-squared
0.425751
0.211456
0.270889
-0.063971
Sum sq. resids
82.93517
3635.948
558.8276
45384113
S.E. equation
1.752619
11.60451
4.549431
1296.493
F-statistic
4.243644
2.173203
2.625457
0.736956
Log likelihood
-66.10351
-134.1537
-100.4436
-303.9306
Akaike AIC
4.172417
7.952983
6.080199
17.38503
Schwarz SC
4.568297
8.348863
6.476079
17.78091
Mean dependent
0.979323
-0.131944
-0.083056
262.7186
S.D. dependent
2.312796
13.06815
5.327950
1256.913
Determinant resid covariance (dof adj.)
1.56E+09
INTEREST(-2)
KURS(-1)
KURS(-2)
C
19 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Determinant resid covariance
4.94E+08
Log likelihood
-564.6404
Akaike information criterion
33.36891
Schwarz criterion
34.95243
Keterangan: Terdapat 3 angka, angka yang pertama merupakan dugaan parameter. Angka dalam [ ] adalah nilai t hitung H0 : dugaan parameter signifikan H1 : dugaan parameter tidak signifikan Tolak H0 jika |t hitung| > t table atau Setelah menduga parameter, langkah selajutnya dilakukan Pemeriksaan kelayakan model yang. Hal ini dilakukan karena untuk mengetahui pakah model sudah cocok untuk peramalan. Salah satu cara untuk melihat white noise dapat diuji melalui plot ACF dari residual. Bila ACF tidak signifikan, ini mengindikasikan residual white noise artinya modelnya sudah cocok, sebaliknya maka model tidak cocok. Caranya dengan pilih View > Residual tests > Correlogram
pada jendela
VAR. maka akan muncul output seperti berikut.
Pilih graph lalu isilah la setinggi-tingginya misal 24 pda box lags to include. Lalu tekan ok.
20 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Dari output diatas terlihat bahwa dari lag 1 sampai ke 24 secara garis besar hampir pada semua grafik tidak ada lag yang signifikan. Hanya beberapa grafik saja yang terdapat lag yang tidak signifikan. Artinya tidak ada korelasi antar residual, residual sudah homogen dan tidak ada pola pada residual. Hal ini menandakan bahwa residual sudah white noise. Selain melihat grafik ACF kita bisa juga menggunakan uji formal seperti uji pormanteau.
Caranya
dengan
pilih View > Residual
tests > Portmanteau
Autocorrelation pada jendela VAR. maka akan muncul output seperti berikut.
21 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
isilah lag setinggi-tingginya misal 24 pda box lags to include. Lalu tekan ok.
Berdasarkan tabel diatas dapat diketahui bahwa p-value dari Q-statistik > (0.05) untuk semua lag sehingga gagal tolak artinya tidak terdapat autokorelasi sisaan pada model. Selanjutnya lakukan uji formal white. Caranya dengan pilih View > Residual tests > White heteroskedasticity (no cross terms) pada jendela VAR. maka akan muncul output seperti berikut.
22 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Berdasarkan tabel diatas dapat diketahui bahwa p-value dari uji secara keseluruhan (joint) > (0.05) sehingga gagal tolak artinya ragam sisaan homogen dan juga untuk semua kombinasi persilangan residual antar variabel p-value > (0.05) sehingga gagal tolak artinya ragam sisaan homogen. Tahap
berikutnya
lakukan
uji
normalitas.
Caranya
dengan
pilih View > Residual tests > Normality test pada jendela VAR. maka akan muncul output seperti berikut.
23 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Dari ouput uji jarque-bera diatas ternyata untuk uji normalitas bergandanya p-value< 0.05 artinya tolak H0 shingga residul tidak berdistribusi normal berganda. Namun untuk uji residual pada masing-masing variabel hanya saat model dengan variabel kurs sebagai variabel respon p-value uji normalitasnya >0.05 artinya gagal tolak H0 sehingga residual berdistribusi normal. Pendugaan parameter pada model VAR maupun VECM yang terbentuk sering kali sulit diintepretasikan, maka salah satu cara yang sering dilakukan adalah dengan menggunakan pendekatan impulse response function (Gujarati, 2004). Caranya pilih View > impulse reponse pada jendela VAR. maka akan muncul output seperti berikut.
24 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Berdasarkan gambar pojok kanan atas, pada awal periode yaitu tahun pertama sampai kira-kira tahun ke 5, perubahan GDP merespon negatif sejak terjadinya shock atau goncangan terhadap peubah perubahan KURS. Selanjutnya mulai tahun ke 6 sampai tahun ke 10 fluktuasi mulai mengecil artinya perubahan GDP tidak lagi sangat bergejolak seperti periode sebelumnya. Langkah selanjutnya adalah meliha variance decomposition. Caranya pilih View > variance decomposition pada jendela VAR. maka akan muncul output seperti berikut.
25 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Misal saat variabel bebasnya adalah tingkat suku bunga, berdasarkan tabel di atas pada periode pertama, keragaman perubahan tingkat suku bunga dijelaskan oleh shock perubahan tingkat suku bunga (58%) yang artinya kontribusi perubahan tingkat suku bunga dalam mempengaruhi perubahan tingkat suku bunga itu sendiri ssbesar 58%. Selain itu keragaman perubahan tingkat suku bunga juga dijelaskan oleh shock perubahan inflasi (42%) yang artinya kontribusi perubahan inflasi dalam mempengaruhi perubahan tingkat suku bunga itu sendiri sebesar 42%. Sementara pada periode itu shock perubahan variabel lain belum memberikan pengaruh yang besar pada tingkat suku bunga. Seterusnya mulai dari tahun ke 2 sampai seterusnya, kontribusi perubahan tingkat suku bunga dalam mempengaruhi perubahan tingkat suku bunga itu sendiri
26 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
semakin menurus tidak seperti kontribusi perubahan inflasi dalam mempengaruhi perubahan tingkat suku bunga semakin naik menjadi 52,5%. Artinya peranan inflasi sangat penting dalam perubahan tinkat suku bunga. 4.1.2 Forcesting Setelah memperoleh model yang sudah baik atau sesuai, langkah selanjutnya yaitu melakukan peramalan (forecasting). Jangan close window VAR, Pilih proc > forecast lalu akan muncul tampilan sebagai berikut
Klik ok. Maka di workfile akan muncul 4 variabel baru yang berisikan hasil ramalan sebagai berikut
27 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
28 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
5 ILUSTRASI VECM MENGGUNAKAN EVIEWS Ingin diramalkan variabel harga bawang grosiran, harga bawang eceran dan harga bawang produsen di wilayah Jakarta selama 5 periode kedepan dengan menggunakan data sebanyak 104 observasi. Data tersedia di Lampiran excel2 dengan nama “datavecm”.
5.1 Langkah-langkah dalam Analisis VECM 5.1.1 Import Data Buka workfile baru dengan cara File > New > Workfile. Maka akan muncul tampilan seperti berikut yang digunakan untuk menentukan deskripsi data.
Workfile structure type : digunakan untuk menetukan struktur data. ada 3 jenis struktur:
unstructured/undated : tidak struktur atau tidak ditentukan waktunya untuk data time series.
Dated : menentukan waktu data untuk data time series.
Balanced panel : menentukan data untuk data panel.
29 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Karena kita tidak mengetahui periode data yang digunakan maka kita memilih unstructured/undated. Observations : isilah banyaknya data + periode yang akan diramal dari data yang akan digunakan. Pada kasus ini banyaknya data=104+6 tahun data yang akan diramal. Sehingga pada end date diisi 109. Setelah itu akan muncul tampilan berikut.
Masukkan/import data series ke dalam Workfile di EViews. Salah satu caranya adalah dengan mengcopy data yang akan kita gunakan di excel lalu kembali ke eviews dan pilih Quick > empty group. kemudian copy data sehingga muncul data seperti berikut.
30 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Selanjutnya uji stationeritas variabel dengan cara klik satu variable misal harga grosir. Lalu pada jendela grosir pilih View > graph maka akan muncul grafik seperti berikut.
31 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
HARGA_GROSIR 10.8 10.6 10.4 10.2 10.0 9.8 9.6 9.4 9.2 10
20
30
40
50
60
70
80
90
100
Dari grafik diatas secara eksploratif terlihat data belum stationr namun untuk memastikan kita bisa menggunakan uji ADF dengn cara klik View > unit root test maka akan muncul tampilan seperti berikut.
32 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih kriteria sesuai gambar diatas maka akan menghasilkan output sebagai berikut Null Hypothesis: HARGA_GROSIR has a unit root Exogenous: None Lag Length: 1 (Automatic - based on SIC, maxlag=12) t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic
-0.391887
0.5405
Test critical values:
1% level
-2.587831
5% level
-1.944006
10% level
-1.614656
*MacKinnon (1996) one-sided p-values.
Berdasarkan output ADF ternyata p-value>alpha=0.05 maka Terima H0 yang artinya data mempunyai unit root (data tidak stationer).karena data tidak stationer pada rataan maka dilakukan differencing 1 kali. Oleh karena itu kita ulang kembali pengujian. Sama dengan sebelumnya, tekan view lalu pilih unit root. Selanjutnya akan muncul tampilan sebagai berikut.
Karena kita akan melakukan differencing 1 kali maka kita pilih 1st difference. Lalu tekan ok. 33 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Null Hypothesis: D(HARGA_GROSIR) has a unit root Exogenous: None Lag Length: 0 (Automatic - based on SIC, maxlag=12) t-Statistic
Prob.*
Augmented Dickey-Fuller test statistic
-7.229556
0.0000
Test critical values:
1% level
-2.587831
5% level
-1.944006
10% level
-1.614656
*MacKinnon (1996) one-sided p-values.
Berdasarkan output ADF ternyata p-value group> as VAR maka akan muncul tampilan seperti berikut.
34 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih Unrestricted Var karena model yang akan kita gunakan ada lah VAR pada pilihan VAR Type, lalu ketik nama variabel yang akan digunakan pada kotak endogenous variables. Isilah lag setinggi tingginya misal 1 12 pada kotak lag intervals. Hal ini dimaksudkan karena kita ingin mengetahui sampai lag keberapa model VAR masih stabil dari lag 1 sampai lag ke 12. Lalu tekan Ok. Pada jendela VAR pilih view > lag structure> AR root table maka akan muncul tampilan seperti berikut.
35 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Stabilitas model dapat dilihat dari nilai modulus pada tabel AR roots-nya. Jika seluruh nilai AR roots-nya di bawah satu, maka model tersebut stabil. Pada output diatas ternyata sudah tidak ada lagi nilai modulus yang lebih dari 1 sehingga sampai lag ke 12 model masih stabil. Selanjutnya pilih view > lag structure> lag length criteria maka akan muncul tampilan seperti berikut.
36 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pada box lags to include isilah nilai lag yang sudah kita dapatkan sebelumnya yaitu lag 12 dimana lag 1 sampai lag 12 model VAR masih stabil. Klik ok maka akan muncul tampilan seperti berikut. VAR Lag Order Selection Criteria Endogenous variables: D(HARGA_ECERAN) D(HARGA_GROSIR) D(HARGA_PRODUSEN) Exogenous variables: C Date: 11/23/18 Time: 12:27 Sample: 1 104 Included observations: 91 Lag
LogL
LR
FPE
AIC
SC
HQ
0
219.2722
NA
1.73e-06
-4.753236
-4.670460
-4.719841
1
252.6495
63.82021
1.01e-06
-5.288999
-4.957897* -5.155420
2
264.6054
22.07242
9.50e-07
-5.353964
-4.774535
3
280.8662
28.94783*
8.11e-07*
-5.513543* -4.685787
-5.179595*
4
288.7486
13.51266
8.34e-07
-5.488980
-4.412897
-5.054847
5
291.5050
4.543527
9.62e-07
-5.351758
-4.027348
-4.817441
6
294.3866
4.560001
1.11e-06
-5.217289
-3.644553
-4.582788
7
300.5801
9.392285
1.19e-06
-5.155607
-3.334544
-4.420921
8
304.1982
5.248189
1.36e-06
-5.037323
-2.967933
-4.202453
9
309.6060
7.487756
1.50e-06
-4.958374
-2.640657
-4.023319
10
318.7654
12.07837
1.53e-06
-4.961878
-2.395834
-3.926639
11
324.6409
7.360524
1.69e-06
-4.893207
-2.078837
-3.757784
12
326.8703
2.645779
2.03e-06
-4.744401
-1.681704
-3.508794
* 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
37 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
-5.120200
Identifikasi model VAR dan VECM menggunakan nilai AIC, FPE, SC dan HQ yang bernilai paling kecil dan LR yang paling besar (Wei,2006). Atau pada output eviews pilih lag yang paling banyak kode *. Dari output diatas ternyata lag optimal = 3. Semua variabel yang ada dalam model ini saling mempengaruhi satu sama lain tidak hanya pada periode sekarang, namun variabel-variabel tersebut saling berkaitan sampai pada 3 periode sebelumnya. Karena data yang digunakan tidak stationer maka kita harus melakukan uji kointegrasi. Untuk melakukan uji kointegrasi pilih Quick> group statistics>johansen maka akan muncul tampilan seperti berikut.
Jiia kita belum mengetahui apa asumsi data kita maka kita pilih no 6 pada deterministic trend assumption. Lalu isilah nilai lag optimal pada box lag intervals yaitu 1 3. Tekan ok maka akan muncul tampilan seperti berikut.
38 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Date: 11/23/18 Time: 12:35 Sample: 1 104 Included observations: 100 Series: HARGA_ECERAN HARGA_GROSIR HARGA_PRODUSEN Lags interval: 1 to 3
Data Trend:
None
None
Linear
Linear
Quadratic
Test Type No Intercept Intercept
Intercept
Intercept
Intercept
No Trend
No Trend
No Trend
Trend
Trend
Trace
0
0
0
1
1
Max-Eig
0
0
0
1
1
*Critical values based on MacKinnon-Haug-Michelis (1999)
berdasarkan uji trace dan uji maximum eigenvalue maka terdapat 1 persamaan kointegrasi. Selanjutnya analisis dilanjutkan menggunakan vecm. Langkah berikutnya kembali lagi ke jendela VAR pilih estimate maka akan muncul tampilan seperti berikut.
39 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Pilih Vector error correction karena model yang akan kita gunakan adalah VECM pada pilihan VAR Type, lalu ketik nama variabel yang akan digunakan pada kotak endogenous variables. Isilah lag optimal pada kotak lag intervals yaitu 3. Lalu tekan Cointegration maka akan muncul output sebagai berikut.
Berdasarkan uji kointegrasi didapatkan 1 persamaan kointegrasi maka pada box number of cointegration masukkan 1 dimana kontegrasi ini didapat karena asumsi model no 4. Lalu tekan ok maka akan muncul output sebagai berikut.
40 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Output diatas merupakan pendugan parameter untuk persamaan Jangka Panjang antar variabel. Dan output dibawah merupakan pendugan parameter untuk persamaan Jangka Pendek antar variabel.
D(HARGA_ D(HARGA_ D(HARGA_ PRODUSEN Error Correction:
ECERAN)
GROSIR)
)
CointEq1
0.017918
0.503109
0.209723
(0.07601)
(0.10613)
(0.11457)
[ 0.23572]
[ 4.74053]
[ 1.83045]
-0.574129
-0.326930
0.001160
(0.11843)
(0.16535)
(0.17851)
[-4.84774]
[-1.97717]
[ 0.00650]
D(HARGA_ECERAN (-1))
41 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
D(HARGA_ECERAN (-2))
-0.454579
-0.207384
-0.237669
(0.12192)
(0.17022)
(0.18376)
[-3.72858]
[-1.21834]
[-1.29334]
-0.224314
-0.059220
0.134885
(0.10575)
(0.14764)
(0.15939)
[-2.12120]
[-0.40110]
[ 0.84624]
0.519864
0.385948
0.783337
(0.08397)
(0.11724)
(0.12657)
[ 6.19098]
[ 3.29197]
[ 6.18904]
0.239034
0.124266
0.484935
(0.10227)
(0.14278)
(0.15415)
[ 2.33735]
[ 0.87031]
[ 3.14595]
0.265702
-0.049941
0.184706
(0.09848)
(0.13749)
(0.14843)
[ 2.69816]
[-0.36324]
[ 1.24440]
0.086734
0.319375
-0.125710
(0.07544)
(0.10532)
(0.11371)
[ 1.14975]
[ 3.03230]
[-1.10557]
-0.049483
0.201021
-0.273158
D(HARGA_ECERAN (-3))
D(HARGA_GROSIR( -1))
D(HARGA_GROSIR( -2))
D(HARGA_GROSIR( -3))
D(HARGA_PRODUS EN(-1))
D(HARGA_PRODUS EN(-2))
42 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
(0.07545)
(0.10534)
(0.11372)
[-0.65587]
[ 1.90835]
[-2.40202]
-0.088209
0.048127
-0.273236
(0.07073)
(0.09876)
(0.10662)
[-1.24705]
[ 0.48733]
[-2.56280]
0.004490
0.001999
-0.002565
(0.00765)
(0.01069)
(0.01154)
[ 0.58672]
[ 0.18710]
[-0.22239]
R-squared
0.458750
0.366680
0.468544
Adj. R-squared
0.397935
0.295521
0.408830
Sum sq. resids
0.511355
0.996796
1.161748
S.E. equation
0.075800
0.105830
0.114251
F-statistic
7.543406
5.152935
7.846454
Log likelihood
121.8992
88.52513
80.86837
Akaike AIC
-2.217984
-1.550503
-1.397367
Schwarz SC
-1.931415
-1.263934
-1.110799
Mean dependent
5.78E-05
-0.004735
-0.006220
S.D. dependent
0.097689
0.126088
0.148595
D(HARGA_PRODUS EN(-3))
C
Determinant resid covariance (dof adj.)
5.24E-07
Determinant resid covariance
3.69E-07
Log likelihood
314.8927
Akaike information criterion
-5.557854
Schwarz criterion
-4.593941
Keterangan: Terdapat 3 angka, angka yang pertama merupakan dugaan parameter. Angka dalam [ ] adalah nilai t hitung 43 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
H0 : dugaan parameter signifikan H1 : dugaan parameter tidak signifikan Tolak H0 jika |t hitung| > t table atau
Setelah menduga parameter, langkah selajutnya dilakukan Pemeriksaan kelayakan model yang. Hal ini dilakukan karena untuk mengetahui pakah model sudah cocok untuk peramalan. Salah satu cara untuk melihat white noise dapat diuji melalui plot ACF dari residual. Bila ACF tidak signifikan, ini mengindikasikan residual white noise artinya modelnya sudah cocok, sebaliknya maka model tidak cocok. Caranya dengan pilih View > Residual tests > Correlogram. Pilih graph lalu isilah la setinggi-tingginya misal 12 pada box lags to include. Lalu tekan ok.
Dari output diatas terlihat bahwa dari lag 1 sampai ke 12 secara garis besar hampir pada semua grafik tidak ada lag yang signifikan. Hanya beberapa grafik saja yang terdapat lag yang tidak signifikan. Artinya tidak ada korelasi antar residual, residual sudah homogen dan tidak ada pola pada residual. Hal ini menandakan bahwa residual sudah white noise.
44 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Selain melihat grafik ACF kita bisa juga menggunakan uji formal seperti uji pormanteau.
Caranya
dengan
pilih View > Residual
tests > Portmanteau
Autocorrelation pada jendela VAR. isilah lag setinggi-tingginya misal 24 pda box lags to include. Lalu tekan ok.
VEC Residual Portmanteau Tests for Autocorrelations Null Hypothesis: no residual autocorrelations up to lag h Date: 11/23/18 Time: 12:40 Sample: 1 104 Included observations: 100 Lags
Q-Stat
Prob.
Adj Q-Stat
Prob.
df
1
1.281260
NA*
1.294202
NA*
NA*
2
1.984676
NA*
2.011974
NA*
NA*
3
2.517702
NA*
2.561484
NA*
NA*
4
6.235225
0.9853
6.433904
0.9827
16
5
9.787613
0.9972
10.17326
0.9962
25
6
19.53466
0.9777
20.54246
0.9666
34
7
26.79690
0.9749
28.35132
0.9583
43
8
32.55587
0.9841
34.61107
0.9697
52
9
36.63451
0.9943
39.09309
0.9870
61
10
42.94236
0.9955
46.10181
0.9878
70
11
48.30354
0.9975
52.12562
0.9916
79
12
51.17162
0.9994
55.38479
0.9974
88
13
69.41565
0.9845
76.35495
0.9399
97
14
74.90792
0.9904
82.74130
0.9540
106
15
80.22470
0.9943
88.99633
0.9656
115
16
92.62958
0.9841
103.7641
0.9065
124
17
97.28069
0.9914
109.3678
0.9336
133
18
112.0397
0.9700
127.3666
0.8052
142
19
122.3832
0.9577
140.1363
0.7265
151
45 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
20
134.1067
0.9327
154.7907
0.6014
160
21
138.2914
0.9597
160.0878
0.6762
169
22
147.9817
0.9510
172.5112
0.6020
178
23
151.4364
0.9735
176.9979
0.6887
187
24
155.0994
0.9859
181.8176
0.7582
196
*The test is valid only for lags larger than the VAR lag order. df is degrees of freedom for (approximate) chi-square distribution
Berdasarkan tabel diatas dapat diketahui bahwa p-value dari Q-statistik > (0.05) untuk semua lag sehingga gagal tolak artinya tidak terdapat autokorelasi sisaan pada model. Selanjutnya lakukan uji formal white. Caranya dengan pilih View > Residual tests > White heteroskedasticity (no cross terms) pada jendela VAR. maka akan muncul output seperti berikut.
Berdasarkan tabel diatas dapat diketahui bahwa p-value dari uji secara keseluruhan (joint) > (0.05) sehingga gagal tolak artinya ragam sisaan homogen dan juga untuk
46 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
semua kombinasi persilangan residual antar variabel p-value > (0.05) sehingga gagal tolak artinya ragam sisaan homogen. Tahap berikutnya lakukan uji normalitas. Caranya dengan pilih View > Residual tests > Normality test pada jendela VAR. maka akan muncul output seperti berikut.
Dari ouput uji jarque-bera diatas ternyata untuk uji normalitas bergandanya p-value< 0.05 artinya tolak H0 sehingga residul tidak berdistribusi normal berganda. Namun untuk uji residual pada masing-masing variabel hanya saat model dengan variabel harga produsen sebagai variabel respon p-value uji normalitasnya impulse reponse pada jendela VAR. maka akan muncul output seperti berikut.
47 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
Langkah
selanjutnya
adalah
meliha
variance
decomposition.
Caranya
pilih View > variance decomposition pada jendela VAR. maka akan muncul output seperti berikut.
Misal saat variabel bebasnya adalah harga grosir, berdasarkan tabel di atas pada periode pertama, keragaman perubahan harga grosir dijelaskan oleh shock perubahan harga grosir (77,5%) yang artinya kontribusi perubahan harga grosir dalam mempengaruhi
48 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
perubahan harga grosir itu sendiri sesbesar 77,5%. Selain itu keragaman perubahan harga grosir juga dijelaskan oleh shock perubahan harga eceran (22,6%) yang artinya kontribusi perubahan harga eceran dalam mempengaruhi perubahan harga grosir sebesar 22,6%.
Sementara pada periode itu shock perubahan harga produsen belum
memberikan pengaruh pada harga grosir. Seterusnya mulai dari peiode ke 2 sampai seterusnya, kontribusi perubahan harga grosir dalam mempengaruhi perubahan harga grosir itu sendiri semakin menurun tidak seperti kontribusi perubahan harga eceran dalam mempengaruhi perubahan harga grosir semakin naik menjadi 46%. Artinya peranan harga eceran sangat penting dalam perubahan harga grosir.
5.1.2 Forcesting Setelah memperoleh model yang sudah baik atau sesuai, langkah selanjutnya yaitu melakukan peramalan (forecasting). Jangan close window VAR, Pilih proc > forecast. Klik ok. Maka di workfile akan muncul 3 variabel baru yang berisikan hasil ramalan sebagai berikut
49 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
DAFTAR PUSTAKA Cassel, G. 1918. “Abnormal Deviations in International Exchanges.” Economic Journal 28: 413–15. Eiteman, David K. Stonehill, Arthur I. Moffet, Michael H.. 2010. Manajemen Keuangan Multinasional. Terjemahan. Edisi Kesebelas. Jakarta: Erlangga. Enders, W., (2004), Applied Econometric Time Series, John Wiley and Sons, Canada Gourinchas, Pierre-Olivier, and Helene Rey. 2007.“International Financial Adjustment.” Journal of Political Economy 115 (4): 665–703. Gujarati, Damondar N, 2003. Basic Econometrics, McGraw-Hill,Inc, Singapore Hady, Hamdy, (2000). Ekonomi Internasional; Edisi ke dua. Ghalia: Indonesia, Jakarta. Makridakis. 1999. Metode dan aplikasi peramalan. Edisi 2. Jakarta : Binarupa Aksara Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis 2nd. John Wiley Rosadi, D., 2012, Ekonometrika dan Analisis Runtun Waktu Terapan dengan Eviews, Penerbit Andi Offset, Yogyakarta. 42. Wei, W. W. S. 2006. Time Series Analysis: Univariate and Multivariate Methods. California: Pearson Education, Inc.
50 | A n a l i s i s D e r e t W a k t u ( m o d e l V A R a n d V E C M )
