latihan eviews

APLIKASI MODEL VAR DAN VECM

Dalam pemodelan ekonometrika dengan menggunakan berbagai variabel time series, saah satu aspek yang diperhatikan adalah keberadaan dinamika. Diantara berbagai variabel sangat mungkin terdapat hubungan yang dinamis, 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). 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 serta eksogen, 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:

Keberadaan lag sangat penting bagi persamaan VAR. lag yangterlalu 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 juka jumlah sampel yang digunakan sedikit

ALASAN UMUM MEMILIH METODE 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 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 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

1.        Klik 2 kali pada variabel yang ingin diuji.

2.        Klik View – Unit Root Test.

3.        Di kotak Include in test qualification klik none

  

HASIL

1.        Lakukan hal yang sama pada kedua variabel lainnya, bagaimana hasilnya?

2.        Coba lakukan uji unit root pada tingkat first difference dan periksa hasilnya

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. Jika data terindikasi mengalami kointegrasi maka diwajibkan menggunakan VECM (Vector Error Correction Model).

Pada data di atas, perlukah kita menggunakan VECM?

Tidak. Karena syarat bahwa satu data stasioner di tingkat level dan lainnya stasioner di first difference (atau difference yang sama) maka kita boleh menggunakan VAR in difference. Uji kointegrasi baru dilakukan jika seluruh variabel tidak stasioner pada tingkat level atau stasioner pada difference yang sama. Jadi untuk data ini kita sudah dapat melanjutkan ke langkah berikutnya, yaitu menidentifikasi panjang lag (lag length) dan uji kointegrasi.

LANGKAH – LANGKAH ESTIMASI MODEL

1.      Blok ketiga variabel – klik kanan – open as VAR.

2.      Di VAR type pilih Unrestricted VAR.

3.      Panjang lag biarkan saja default sesuai system

LANGKAH – LANGKAH

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.

Vector Autoregression Estimates
Date: 12/16/17   Time: 08:35
Sample (adjusted): 1995Q3 2003Q4
Included observations: 34 after adjustments
Standard errors in ( ) & t-statistics in [ ]
	KURS	INF	RATE
KURS(-1)	-0.446583	-0.001238	-3.27E-05
	(0.52084)	(0.00100)	(0.00016)
	[-0.85742]	[-1.23776]	[-0.20806]
KURS(-2)	-0.341673	-0.001170	-0.000256
	(0.55193)	(0.00106)	(0.00017)
	[-0.61905]	[-1.10387]	[-1.53919]
KURS(-3)	1.349310	0.002418	0.000482
	(0.55488)	(0.00107)	(0.00017)
	[ 2.43173]	[ 2.26888]	[ 2.88239]
KURS(-4)	-0.150826	-0.000247	-0.000260
	(0.56695)	(0.00109)	(0.00017)
	[-0.26603]	[-0.22670]	[-1.52048]
KURS(-5)	0.131355	0.000276	0.000200
	(0.46133)	(0.00089)	(0.00014)
	[ 0.28473]	[ 0.31114]	[ 1.43887]
KURS(-6)	0.036836	-0.000294	-0.000154
	(0.36820)	(0.00071)	(0.00011)
	[ 0.10004]	[-0.41627]	[-1.38293]
INF(-1)	636.9474	0.585747	0.101214
	(304.657)	(0.58504)	(0.09186)
	[ 2.09071]	[ 1.00121]	[ 1.10178]
INF(-2)	547.6155	0.893341	0.217400
	(344.267)	(0.66110)	(0.10381)
	[ 1.59067]	[ 1.35129]	[ 2.09427]
INF(-3)	-535.6011	-0.786144	-0.003577
	(359.661)	(0.69067)	(0.10845)
	[-1.48918]	[-1.13824]	[-0.03298]
INF(-4)	-912.5533	-1.269335	0.034043
	(335.514)	(0.64429)	(0.10117)
	[-2.71987]	[-1.97012]	[ 0.33650]
INF(-5)	-859.5067	-1.839285	-0.198654
	(368.327)	(0.70731)	(0.11106)
	[-2.33354]	[-2.60041]	[-1.78868]
INF(-6)	-642.0598	-1.132600	0.067469
	(267.596)	(0.51387)	(0.08069)
	[-2.39936]	[-2.20406]	[ 0.83616]
RATE(-1)	644.8363	0.735825	1.145464
	(893.433)	(1.71568)	(0.26940)
	[ 0.72175]	[ 0.42888]	[ 4.25194]
RATE(-2)	1423.086	1.915478	-0.348007
	(1112.69)	(2.13672)	(0.33551)
	[ 1.27896]	[ 0.89646]	[-1.03725]
RATE(-3)	1519.708	2.889314	0.214853
	(1000.01)	(1.92033)	(0.30153)
	[ 1.51970]	[ 1.50459]	[ 0.71253]
RATE(-4)	-1745.993	-2.804880	-0.023856
	(881.337)	(1.69245)	(0.26575)
	[-1.98107]	[-1.65729]	[-0.08977]
RATE(-5)	-1503.737	-1.914581	-0.078770
	(907.133)	(1.74199)	(0.27353)
	[-1.65768]	[-1.09908]	[-0.28798]
RATE(-6)	997.6937	0.593697	-0.000544
	(601.033)	(1.15418)	(0.18123)
	[ 1.65996]	[ 0.51439]	[-0.00300]
C	-14824.71	-11.15103	1.161614
	(5599.14)	(10.7521)	(1.68832)
	[-2.64767]	[-1.03710]	[ 0.68803]
R-squared	0.912780	0.579081	0.979080
Adj. R-squared	0.808117	0.073979	0.953976
Sum sq. resids	31743094	117.0567	2.886113
S.E. equation	1454.719	2.793525	0.438643
F-statistic	8.721091	1.146463	39.00134
Log likelihood	-281.9399	-69.26098	-6.314264
Akaike AIC	17.70235	5.191822	1.489074
Schwarz SC	18.55532	6.044788	2.342041
Mean dependent	7253.765	2.363079	17.04529
S.D. dependent	3320.936	2.902967	2.044659
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

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

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

1.        Dari output yang terlihat maka variabel dependen KURS dipengaruhi oleh kurs -3 dan inflasi-1.

2.        Sedangkan variabel dependen inflasi dipengaruhi oleh kurs -3, inflasi -5, inflasi -6,

3.        Variabel dependen rate dipengaruhi oleh kurs -3, inflasi -2 dan rate -1.

4.        Adapun VAR Model substituted coefficientnya dapat dilihat melalui View dan Representations namun dalam pemodelan dan interpretasi, kita hanya memilih variabel  yang signifikan secara statistik.

Sekian dari saya semoga tulisan ini dapat membantu untuk proses pengolahan data dan menambah khazanah ilmu kita bersama.. Diharapkan juga kepada para pembaca kritik dan saran yang membangun demi proses perbaikan kedepannya. Terimakasih!!!

sumber: http://khairlectures.blogspot.co.id/