ILUSTRASI VECTOR AUTOREGRESSIVE (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.

Langkah-langkah dalam Analisis VAR

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. Terdapat 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

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.

Selanjutnya uji stationeritas variabel dengan cara klik satu variable misal inflasi sampai terdapat tampilan sebagai berikut

Pada jendela inflasi pilih View > graph maka akan muncul grafik seperti berikut.

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.

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.

Baca juga ;

Ilustrasi Vector Error Corection Model

Analisis Regresi Data Panel dengan Eviews

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.

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

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 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.

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
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	INFLASI	INTEREST	KURS
GDP(-1)	0.466798	1.039867	0.760178	-7.707611
	(0.18647)	(1.23467)	(0.48404)	(137.941)
	[ 2.50333]	[ 0.84222]	[ 1.57049]	[-0.05588]
GDP(-2)	0.048885	0.827293	0.108879	174.1702
	(0.16765)	(1.11007)	(0.43519)	(124.020)
	[ 0.29158]	[ 0.74526]	[ 0.25019]	[ 1.40437]
INFLASI(-1)	-0.018196	-0.290089	-0.120133	-42.25551
	(0.04834)	(0.32007)	(0.12548)	(35.7590)
	[-0.37642]	[-0.90633]	[-0.95739]	[-1.18167]
INFLASI(-2)	0.032601	-0.354997	0.012313	2.243100
	(0.04437)	(0.29382)	(0.11519)	(32.8261)
	[ 0.73468]	[-1.20823]	[ 0.10690]	[ 0.06833]
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]
INTEREST(-2)	-0.104674	-0.544008	-0.581383	-12.39811
	(0.12175)	(0.80616)	(0.31605)	(90.0668)
	[-0.85972]	[-0.67481]	[-1.83955]	[-0.13765]
KURS(-1)	-0.001254	-0.001448	-0.001272	-0.016782
	(0.00051)	(0.00339)	(0.00133)	(0.37830)
	[-2.45295]	[-0.42770]	[-0.95825]	[-0.04436]
KURS(-2)	-0.000452	-0.001503	-0.000988	-0.251269
	(0.00057)	(0.00378)	(0.00148)	(0.42186)
	[-0.79173]	[-0.39817]	[-0.66710]	[-0.59563]
C	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
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.

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.

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.

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.

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.

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.

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 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.

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