1. Model VAR
Vector Autoregression atau VAR merupakan salah satu metode time series yang
sering digunakan dalam penelitian, terutama dalam bidang ekonomi. Menurut Gujarati (2004) ada beberapa keuntungan menggunakan VAR
dibandingkan metode lainnya:
1. Lebih sederhana karena tidak perlu memisahkan variabel bebas dan terikat.
2. Estimasi sederhana karena menggunakan metode OLS (Ordinary Least
Square) biasa.
3. Hasil estimasinya lebih baik dibandingkan metode lain yang lebih rumit
Alasan dipilihnya metode VAR adalah dengan pertimbangan sebagai berikut:
1.) Metode regresi linier yang menyatakan bahwa variabel pertumbuhan
diregresikan atas variabel ekspor atau variabel impor telah banyak dikritik dan
merupakan metode yang sangat lemah sehingga hasil penggunaannya dapat
menyesatkan. Dua kritik utama terhadap metode regresi linier adalah :
Pertama, meregresikan variabel pendapatan nasional tahun berjalan atas
ekspor tahun berjalan merupakan sebagian pendapatan nasional tahun
berjalan yang bermakna bahwa kita meregresikan suatu variabel atas dirinya
sendiri. Kedua, metode regresi linier tidak mendeteksi kausalitas antara
variabel-variabel yang digunakan secara dinamis. Dapat terjadi kumulatif
ekspor yang tidak mempunyai dampak positif terhadap pertumbuhan ekonomi
(Halwani, 2002).
2.) Data yang digunakan merupakan data time series yang menggambarkan
fluktuasi ekonomi.
3.) Dampak kebijakan moneter terhadap perkembangan di sektor riil melalui
suatu mekanisme yang pada umumnya tidak berdampak seketika, biasanya
membutuhkan tenggang waktu tertentu (lag). Ketiga persoalan ini dapat
dijawab oleh model VAR sebagai salah satu bentuk model makroekonometrika
yang paling sering digunakan untuk melihat permasalahan
fluktuasi ekonomi.
Di samping itu, Analisis VAR memiliki beberapa keunggulan antara lain:
(1) Metode
ini sederhana, kita tidak perlu khawatir untuk membedakan mana variabel endogen,
mana variabel eksogen;
(2) Estimasinya sederhana, dimana metode OLS biasa
dapat diaplikasikan pada tiap-tiap persamaan secara terpisah;
(3) Hasil perkiraan
(forecast) yang diperoleh dengan menggunakan metode ini dalam banyak kasus lebih bagus dibandingkan dengan hasil yang didapat dengan menggunakan model
persamaan simultan yang kompleks sekalipun (hasil estimasinya lebih baik dibandingkan metode lain yang lebih rumit).
Selain itu, VAR juga merupakan alat analisis yang sangat berguna, baik dalam memahami adanya hubungan timbal balik antara variabel-variabel ekonomi, maupun di dalam pembentukan model ekonomi berstruktur (Enders, 2004).
Model VAR tidak hanya
menghasilkan rekomendasi berdasarkan keluaran modelnya dalam merespon
adanya suatu guncangan dalam perekonomian tetapi membiarkan hal ini bekerja
melalui model teoritik dan dapat melihat respon jangka panjang berdasarkan data
historisnya.
Kapan kita bisa memilih menggunakan metode VAR ini?
1. Ketika data yang kita gunakan adalah deret waktu atau time series.
2. Ketika kita tidak mengetahui mana variabel yang mempengaruhi (bebas) dan
dipengaruhi (terikat).
3. Ketika data kita cukup besar (lebih dari 50 observasi). 4 Ketika asumsi-asumsinya terpenuhi.
3. Ketika data kita cukup besar (lebih dari 50 observasi). 4 Ketika asumsi-asumsinya terpenuhi.
Representasi Dan Estimasi
Suatu VAR sederhana terdiri dari 2 variabel dan 1 lag yang diformulasikan sebagai berikut:
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 dari model VAR adalah:
1. Model VAR adalah model yang sederhana dan tidak perlu 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.
3. Peramalan menggunakan model VAR pada beberpa hal lebih baik dibanding
menggunakan model dengan persamaan simulatan yang lebih kompleks.
Kekurangan dari model VAR adalah:
1. Model VAR lebih bersifat a teoritik karena tidak memanfaatkan informasi atau
teori terdahulu dan sering disebut sebagai model yang tidak struktural.
2. Model VAR kurang cocok untuk analisis kebijakan.
3. Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat
menimbulkan permasalahan.
4. Semua variabel dalam VAR harus stasioner. Jika tidak stasioner, maka harus
ditransfomasikan terlebih dahulu.
5. Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.
LATIHAN OLAH DATA VAR
Data yang digunakan:
Dalam latihan kali ini kita akan menjelaskan hubungan antara
tingkat suku bunga dan inflasi terhadap volatilitas (naik turunnya data dalam
jangka waktu pendek/data unstasioner) 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 data (unit root)
- Cara menguji adalah dengan cara View - unit root test – pertama kali dilakukan uji unit root pada data level
*Langkah Pertama
Salah satu prosedur yang harus dilakukan dalam estimasi model ekonomi dengan
data runtut waktu adalah menguji apakah data runtut waktu tersebut stasioner atau
tidak. Data stasioner merupakan data runtut waktu yang tidak mengandung
akar-akar unit (unit roots), sebaliknya data yang tidak stasioner jika mean, variance
dan covariance data tersebut konstan sepanjang waktu (Thomas, 1997:374).
Data stasioner adalah data yang dapat dilihat pola
fluktuasinya (naik turunnya suatu data dalam jangka waktu panjang).
- Untuk uji root pada data level, silahkan klik 2 kali pada variabel yang ingin di uji
- Lalu klik view - Unit Root Test
- Di kotak Include in Test qualification, lalu klik none
>> Uji stasioner variabel inflasi pada tingkat level sebagai berikut:
*Lakukan hal yang sama untuk variabel kurs dan suku bunga.
>> Uji stasioner variabel kurs pada tingkat level sebagai berikut:
*Karena data tidak stasioner pada tingkat level, maka kita akan mencoba pada tingkat first differance, dan hasilnya:
>> Uji stasioner variabel suku bunga (rate) pada tingkat level sebagai berikut:
*Karena data tidak stasioner pada tingkat level, maka kita akan mencoba pada tingkat first differance, dan hasilnya:
Syarat yang harus untuk membuat model
VAR adalah 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 Kedua
>> Penentuan panjang lag
Estimasi dengan VAR mensyaratkan data dalam kondisi stasioner. Oleh karena data
variabel sudah stasioner pada pada tingkat 1
st Difference maka estimasi diharapkan
akan menghasilkan keluaran model yang valid. Dengan demikian kesimpulan
penelitian akan mempunyai tingkat validitas yang tinggi pula.
Estimasi model VAR dimulai dengan menentukan berapa panjang lag yang tepat
dalam model VAR. Penentuan panjangnya lag optimal merupakan hal penting dalam
pemodelan VAR. Jika lag optimal yang dimasukan terlalu pendek maka dikhawatirkan tidak dapat menjelaskan kedinamisan model secara menyeluruh.
Namun, lag optimal yang terlalu panjang akan menghasilkan estimasi yang tidak
efisien karena berkurangnya degree of freedom (terutama model dengan sampel
kecil). Oleh karena itu perlu mengetahui lag optimal sebelum melakukan estimasi
VAR.
> Cara nya: Blok seluruh variabel yang akan di gunakan lalu > klik open > as VAR > pilih VAR type unrestricted VAR > lalu klik OK. Hasilnya adalah:
Setelah itu, langkah selanjutnya adalah identifikasi panjang length, dengan mengisi lag maksimum hingga 8. Caranya yaitu klik View > Lag Structure > Lag Length Criteria > Log Specification: 6, dan hasilnya:
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.
*Langkah Ketiga
>> Output pada 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
1 = koefisien
2 = error
3 = t parsial
Hipotesis yang digunakan:
H0 = variabel dependen tidak secara signifikan dipengaruhi oleh variabel independen
H1 = variabel dependen secara signifikan dipengaruhi oleh variabel independena
> Wilayah tolak H0:
Jika nilai stat > 2,02269
Jika nilai stat < - 2,02269
Maka hasilnya:
>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.
______________________________________________________________________
Sumber tambahan:
Basuki, Agus Tri. Bahan Ajar: Aplikasi Model Var dan VECM Dalam Ekonomi. Universitas Muhammadiyah Yogyakarta. https://ekonometrikblog.files.wordpress.com/2015/10/model-var-dan-vecm.pdf
