Sebelum melakukan estimasi model ECM ada beberapa tahapan pengujian yang harus dilakukan seperti uji stasioneritas data, uji kointegrasi Johansen, dan uji kausalitas Granger. Misalkan data yang akan diolah adalah data harga ekspor bulanan tuna (US$) dari tiga negara eksportir di ASEAN yaitu Indonesia, Thailand, dan Filipina ke dunia. Tahapan pertama adalah import data dari MS. Excel ke E-views.

1. Uji stasioneritas data

Salah satu syarat dapat dilakukannya model ECM adalah data tidak stasioner pada level. Data yang tidak stasioner pada level memiliki kemungkinan terkointegrasi, sehingga perlu dilakukan uji kointegrasi. Uji stasioneritas dilakukan dengan menggunakan uji akar unit (unit root test) dengan metode Dicky Fuller (DF) untuk menguji hipotesis-hipotesis berikut:

H0. Data mengandung unit root (tidak stasioner)

H1. Data tidak mengandung unit root (stasioner

Pada pilihan include in test equation: intercept, trend and intercept, atau none? Sebenarnya perbedaan hasil antara ketiganya tidak terlalu besar. Namun, sebagian peneliti memilih untuk memasukkan trend/intercept. Maximum lags gunakan otomatis dari software saja. Hasil uji unit root pada data level menunjukkan bahwa data belum stasioner pada level (Prob*> 0.05), sehingga kita lanjutkan ke uji unit root pada data 1stdifference.

Hasil uji unit root pada data 1stdifference menunjukkan data sudah stasioner (Prob*<0.05). 

2. Uji kointegrasi Johansen

Tahapan uji kointegrasi Johansen adalah sebagai berikut. Uji ini dilakukan untuk menguji hubungan kointegrasi pada variabel data time series. 

Hasil uji kointegrasi menunjukkan hasil trace dan max-eigen statistics mengkonfirmasi terdapat 1 persamaan kointegrasi pada 0.05 levelĀ sehingga model ECM dapat digunakan.

Selain itu juga diuji apakah residualnya sudah stasioner pada jangka panjang melalui prosedur berikut:

Kemudian variabel baru yang terbentuk (resid01) diuji stasioneritasnya melalui uji ADF pada data level. Hasil menunjukkan residual model jangka panjang sudah stasioner pada level(prob*<0.05). 

3. Uji kausalitas Granger

Uji ini dilakukan untuk menguji hubungan kausalitas antar variable. Kelemahan dari uji ini adalah sangat sensitif terhadap panjang lag. Tidak ada ketentuan panjang lag pada uji ini. Penentuan panjang lag dapat berdasarkan kriteria Akaike Information Criterion (AIC) atau Schwatz Bayesian (SBC). Idealnya nilai AIC dan SBC yang digunakan adalah yang sekecil mungkin (nilai adalah nilai mutlak, tanda positif/negatif diabaikan) dan penentuan jumlah lag dapat dicoba mulai dari lag 1. Pengujian lag akan terus berlangsung sampai nilai AIC dan SBC menurun. Pengujian lag akan berhenti jika nilai AIC dan SBC mulai meningkat dan yang digunakan adalah lag terakhir sebelum terjadi peningkatan nilai AIC tau SBC. Tahapan penentuan lag optimal pada uji kausalitas granger.

a. Hasil AIC pada lag 1= 1.419

b. Hasil AIC pada lag 2= 1.320

c. Hasil AIC pada lag 3== 1.332 (Nilai sudah meningkat, sehingga lag yang dipakai adalah lag 2).

Sehingga tahapan uji kausalitas granger dengan lag 2:

Leave a Reply