Lanjutan 2: KEBIJAKAN MONETER, INTERMEDIASI KEUANGAN PERBANKAN, EKSPOR DAN TINGKAT OUTPUT DI INDONESIA: SUATU APLIKASI VECTOR ERROR CORRECTION MODEL (VECM), 1999-2009

Amaluddin
Staf Pengajar Fakultas Ekonomi Universitas Pattimura
Jln.Ir.M.Putuhena, Kampus Poka, Ambon
e-mail: Amaluddin001@gmail.com

METODOLOGI PENELITIAN

Penelitian ini menggunakan jenis data time series bulanan yaitu bulan Januari tahun 1999 sampai dengan bulan Desember tahun 2009, sehingga dapat diperoleh sebanyak 132 data observasi. Alasan dipilihnya data bulanan berkaitan dengan kebutuhan analisis time series yang memerlukan data panjang untuk mengatasi persoalan degree of freedom dan karena pertimbangan akurasi/ presisi serta ketajaman hasil analisis.

Semua data yang diperoleh adalah data bulanan kecuali data PDB dan Pembentukan Modal Tetap Domestik Bruto yang tersedia hanya data triwulan, sehingga diinterpolasi menjadi data bulanan dengan menggunakan maximum observation-cubic match last. Data yang diperoleh bersumber dari Badan Pusat Statistik (BPS), Departemen Perdagangan dan Statistik Ekonomi-Keuangan Indonesia (SEKI) yang dipublikasikan oleh Bank Indonesia (BI).

Alat analisis yang digunakan untuk menjawab permasalahan penelitian secara kuantitatif adalah Vector Autoregression (VAR). Model VAR digunakan untuk menjelaskan perilaku dinamis antar variabel yang diamati dan saling mempunyai keterkaitan dan akan diuraikan lebih lanjut melalui fungsi propertinya yaitu fungsi Impulse Response dan Variance Decomposition. VAR terdiri dari dua model alternatif yaitu : Unrestricted VAR model (UnVAR) dan Vector Error Correction Model (VECM). Model Unrestricted VAR digunakan jika terdapat sifat stationary dalam data time series pada nilai level atau data time series setiap variabel berintegrasi pada order 0, I[0]. Sebaliknya, jika data time series dari setiap variabel stabil pada nilai first difference atau berintegrasi pada order 1, I[1] dan seluruh variabel berkointegrasi pada order 1, CI[1,1], maka model yang digunakan adalah Vector Error Correction Model (VECM). 

Semua variabel yang digunakan dalam penelitian ini dikonversi ke dalam natural logaritma (Ln) kecuali variabel kebijakan moneter atau suku bunga SBI. Dalam model VAR memperlakukan kelima variabel yakni suku bunga SBI, LDR, investasi swasta, ekspor, dan GDP sebagai variabel endogen sebagaimana tertulis dalam persamaan berikut ini:

 

Dimana:

SBI adalah kebijakan moneter, diproksi dengan suku bunga SBI 1 Bulan (%). LDR adalah Intermediasi keuangan perbankan, diukur dengan nilai Loan to Deposit Ratio (%). INV adalah Investasi swasta, diproksi dengan nilai pembentukan Modal Tetap Domestik Bruto (Milyar Rupiah). EX adalah ekspor, diukur dengan nilai total ekspor barang dan jasa (USD juta). GDP adalah Tingkat Output, diukur dengan produk domestik bruto (GDP) atas dasar harga konstan tahun 2000 (Milyar Rp). adalah stochastic error term yang dalam bahasa VAR disebut impulses, innovations atau shock (Gujarati, 2004).

Apabila data dari variabel-variabel yang hendak diestimasi tidak stasioner pada nilai level, namun stasioner pada nilai first difference dan berkointegrasi, maka model VAR di atas harus dimodifikasi antara lain dengan mengubah setiap variabel dalam bentuk turunan pertamanya (delta), serta menambahkan sebuah persamaan kointegrasi ke dalam model untuk mengoreksi setiap perubahan sehingga terjadi keseimbangan dalam jangka panjang. Analisis VAR/VECM dilengkapi dengan beberapa tahapan pengujian untuk meningkatkan akurasi, presisi serta memenuhi aspek comprehensiveness dari keseluruhan analisis VAR. Adapun tahapan-tahapan penggunaan VAR/VECM sebagai berikut :

1. Uji Akar Unit (Unit Root Test). Uji akar unit digunakan untuk mengetahui ada tidaknya stasioneritas data. Pengertian stasioneritas terkait erat dengan konsistensi pergerakan data time series. Suatu data dikatakan stasioner apabila memenuhi tiga kriteria, yaitu jika nilai rata-rata dan varians konstan sepanjang waktu dan kovarians antara dua runtut waktu/periode waktu hanya tergantung dari kelambanan antara dua periode waktu tersebut. Estimasi model ekonometrik time series akan menghasilkan kesimpulan yang tidak berarti, ketika data yang digunakan mengandung akar unit (tidak stasioner). (Gujarati, 2004, Enders, 2004).
2. Penentuan Lag Optimum (Lag Length). Salah satu tahapan yang krusial di dalam estimasi VAR adalah masalah penentuan kelambanan atau penentuan lag optimum. Dalam penentuan lag optimum terdapat beberapa kriteria yang seringkali digunakan, namun dalam penelitian ini akan digunakan Akaike Information Criterion (AIC) dan Schwartz Information Criterion (SIC) dengan tetap mempertimbangkan adjusted R² sistem VAR. Panjang kelambanan optimal terjadi jika nilai Akaike Information Criterion (AIC) dan Schwartz Information Criterion (SIC) bernilai absolut paling kecil dan nilai adjusted R² paling tinggi. 
3. Uji Kointegrasi (Cointegration Test).  Dalam penelitian ini akan digunakan uji kointegrasi Engle-Granger (EG) dan uji kointegrasi Johansen. 
4. Uji Kausalitas (Granger Causality Test). Uji ini dimaksudkan untuk mendeteksi arah hubungan antara setiap dua variabel dengan lag-lag yang terdistribusi dalam suatu sistem VAR. Jika nilai F-Statistik ini lebih besar dari nilai F kritis pada tingkat signifikansi tertentu (α =1%; 5% atau 10%), maka null hypothesis (H₀ : ∑α_ij = 0) ditolak atau alternative hypothesis (Ha :∑α_ij ≠ 0) diterima, yang berarti terdapat pengaruh simultan dari suatu variabel bebas dengan distributed lag tertentu terhadap variabel terikat.  
5. Impulse Response Function (IRF). Impulse Response Function (IRF) digunakan untuk melihat shock suatu standar deviasi dari variabel inovasi terhadap nilai sekarang (current time value) dan nilai yang akan datang (future values) dari variabel variabel endogen yang terdapat dalam model yang diamati. Dengan kata lain, uji Impulse Response Function berguna untuk melacak respon saat ini dan masa depan setiap variabel akibat perubahan atau shock suatu variabel dengan memanfaatkan seluruh informasi masa lalu variabel.  
6. Variance Decomposition (VDC). Model analisis ini digunakan untuk menjelaskan proporsi perubahan-perubahan salah satu variabel dalam suatu sistem VAR/VECM yang disebabkan oleh goncangan-goncangan variabel tersebut dibanding goncangan-goncangan variabel lain. Variance Decomposition (VDC) berguna untuk memprediksi kontribusi persentase varian setiap variabel karena adanya perubahan variabel tertentu di dalam sistem VAR/VECM (Wang, 2003, Enders, 2004).

READ MORE....!

Tweet