Resume W12: Aplikasi Model VAR dan VECM

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.

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