VECTOR AUTOREGRESSIONS

Latar Belakang
Dalam suatu modelling bila kita tidak yakin apakah suatu variabel
eksogen atau endogen, maka utk pembentukan model yg
melibatkan banyak variabel sebaiknya memperlakukan semua
variabel menjadi variabel endogen (Sim, 1980).
Vector Auto Regression (VAR) adalah model yg memperlakukan
setiap variabel dlm model secara simetris, artinya: variabel yg ada
di RHS juga ada di LHS
Estimasi model VAR mengharus data series harus stasioner.
Namun, bagaimana jika data series tersebut non-stasioner?
apakah persoalan spurius akan muncul?
Dengan Model VECM (vector error corection model) dapat
digunakan walupun data series tersebut non-stasioner asal ter-
kointegrasi (punya hubungan jangka panjang atau terjadi
ekulibrium).

2
Model VAR
1. Variabel yang saling berinteraksi yang perlu
dimasukkan dalam sistem.
2. Banyaknya variabel jeda yang perlu
diikutsertakan dalam model yang
diharapkan dapat menangkap hubungan
antar variabel dalam sistem.
3. Oleh karena itu, langkah pertama yang
harus dilakukan adalah melihat hubungan
kausalitas antar variabel. Untuk melihat
hubungan tersebut, kita menggunakan
Granger Causality Test

3
Data Set
Unit Root Test
Vector
Autoregression
Cointegration
Error Correction
Models
Impulse Response Functions
Variance Decomposition
Granger Causality Tests
Non-stasioner
stasioner
4
Granger Causality Test
Apakah x menyebabkan y untuk melihat seberapa besar
nilai y yang sekarang dapat dijelaskan oleh nilai-nilai y di
masa lalu dan untuk melihat apakah penambahan lag
dari x dapat memperbaiki penjelasan.
y disebut Granger-caused oleh x jika x membantu di
dalam peramalan y, atau secara ekuivalen jika koefisien-
koefisien pada lag x secara statistik signifikan.
Hubungan sebab-akibat 2 arah :
x Granger causes y dan y Granger causes x
5
Lanjutan
t j t
q
j
j
p
i
i t i t
u x y y + + =

= =

1 1
| o
t j t
q
j
j
p
i
i t i t
u x y x + + =

= =


1 1
| o
dimana u
t
adalah white noise, p adalah lag untuk y, and q adalah
lag untuk x. Hipotesis nol bahwa x tidak Granger
menyebabkan y dimana untuk j=1,2,,q. Demikian juga,
Hipotesis nol bahwa y tidak Granger menyebabkan x dimana
untuk i=1,2,,p.
0 =
j
|
Oleh karena itu restricted model
=

+ =
p
i
t i t i t
u y y
1
o
0 =
i
o
6




dimana
T : jumlah observasi dalam unrestricted model,
ESSU : jumlah kuadrat error,
ESSR : jumlah kuadrat error untuk restricted model.
Test statistic adalah standard Wald F-statistic
( )
( ) q p T ESSU
q ESSU ESSR
F

=
/
/
7
Contoh
Kita ingin melihat hubungan kausalitas
antara Gross National Product (GNP)
dengan impor.
Persamaannya sebagai berikut:
8
Gambaran Persamaan
GNP pada waktu t mempunyai hubungan
dengan GNP dan impor masa lalu
Impor pada waktu t mempunyai hubungan
dengan GNP dan impor pada masa lalu.
Pada konteks ini, baik GNP maupun impor
diperlakukan sebagai variabel endogen,
sehingga persamaan di atas tidak memiliki
variabel eksogen. Model inilah yang
merupakan dasar pembentukan model VAR.

9
Interpretasi Persamaan
1. Jika secara statistik ai 0 dan bj = 0, maka
dapat disimpulkan impor menyebabkan GNP.
2. Jika secara statistik ci = 0 dan dj 0, maka
dapat disimpulkan GNP menyebabkan impor.
3. Jika secara statistik ai 0 dan dj 0, maka
dapat disimpulkan GNP dan impor saling
menyebabkan.
4. Jika secara statistik ai = 0 dan dj = 0, maka
dapat disimpulkan tidak ada ketergantungan
antara GNP dan impor.
10
Granger Causality Test
Tahapan dalam E-views :
1) Quick/Group Statistics/Granger Causality
2) List of series: Impor GNP
3) Lag: 2 (Anda boleh memilih lag yang lain)

> Jika anda ingin menjalankan Granger Causality test
dengan variabel eksogen lainnya (misal variabel
dummy musiman atau trend linear) atau jika anda ingin
menyelesaikan Likelihood Ratio (LR) test, jalankan
pengujian regresi secara langsung menggunakan
equation object.
11
Pengolahan Data dengan
Eviews
PDB ADHB dan Nilai Tambah Impor
Indonesia, Tahun 1970-2002

12
Output Eviews
13
Lag=4 (-+) lag=2
Pada lag = 4, impor dan GNP mempunyai
hubungan kausalitas.
Lag=5, probability persamaan sudah tidak
signifikan tolak hipotesis
Pada lag = 5, impor tidak lagi mempunyai
pengaruh secara signifikan terhadap GNP.
Tetapi GNP masih mempunyai pengaruh
yang signifikan terhadap impor.
Hasil
14
1. Semakin besar lag, maka ada
kecenderungan persamaan menjadi
tidak signifikan.
2. Pada kasus ini khususnya kita dapat
memilih lag = 4. Sehingga kita dapat
menyimpulkan bahwa impor dan
GNP mempunyai hubungan
kausalitas.
Kesimpulan
15
VAR
Bila berdasarkan uji kausalitas keduanya menunjukkan
hubungan yang saling menyebabkan, barulah kita
dapat membentuk model VAR.
Model VAR sama dengan persamaan kausalitas, hanya
saja kita perlu menambahkan intercept, sehingga secara
umum modelnya menjadi:


dan

16
VAR
Dari model tersebut, kita memiliki variabel independent
yang merupakan lag dari variabel dependent dan kita
harus menentukan banyaknya lag yang akan digunakan
dalam persamaan tersebut.
Dalam penentuan lag kita dapat menggunakan Akaike
Information Criterion (AIC) dan Schwarz Information
Criterion (SIC) untuk membandingkan dua model agar
didapat model yang lebih baik. Kita bisa menggunakan
lag dari yang kecil, kemudian berhenti pada saat nilai AIC
dan atau SIC membesar.

17
Akaike information criteria (AIC)
Schwarz information Criteria (SIC)
.
T
T n
T
SC
T
n
T
AIC
log 2
2 2

=
+

( ) pk d k n + = Adalah jumlah parameter estimasi pada VAR.

Contoh
.
Information criteria digunakan untuk menentukan panjang lag pada
VAR, semakin kecil nilai AIC/SIC yang lebih dipilih
Lag Criteria IP M1
1
AIC 16.03988 * 14.01753
SIC 16.23736 ** 14.21501 **
2
AIC 16.21444 13.98522 *
SIC 16.5120 14.28278
3
AIC 16.35470 14.1813
SIC 16.75262 14.5792
4
AIC 16.14098 14.14144
SIC 16.63885 14.63931
hasil diatas SC, dipilih Lag 1 untuk model VAR.
Note:
* dan ** nilai terkecil
AIC dan SIC sebagai
pertimbangan
Kelebihan VAR
1. Model VAR adalah model yang sederhana dan tidak
perlu membedakan mana variabel yang endogen dan
mana yang 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 VAR pada beberapa hal lebih
baik dibanding menggunakan model dengan persamaan
simultan yang lebih kompleks.

20
Kelemahan VAR
1. Model VAR seringkali tidak didasarkan
pada pemanfaatan informasi atau teori
terlebih dahulu. Oleh karena itu, model
tersebut sering disebut sebagai model
yang tidak terstruktural.
2. Mengingat tujuan utama VAR untuk
peramalan maka model VAR kurang
cocok untuk analisis kebijakan.

21
Kelemahan VAR
3. Pemilihan banyaknya lag yang digunakan dalam
persamaan juga dapat menimbulkan masalah. Misal kita
mempunyai 3 variabel bebas, dengan masing-masing
lag sebanyak 8. Hal tersebut berarti kita harus
mengestimasi paling sedikit 24 parameter. Untuk
kepentingan tersebut, kita harus mempunyai data atau
pengamatan yang relatif banyak.
4. Semua variabel dalam VAR harus stationer, jika tidak
stationer harus ditransformasi terlebih dahulu.
5. Interpretasi koefisien yang didapat berdasarkan model
VAR tidak mudah.
22
Tahapan VAR pada Eviews
Objects/new objects/VAR
Maka akan muncul dialogue box:
23
Output VAR
24
Lanjutan
Nilai koefisien pada baris pertama.
Nilai standar error koefisien pada baris
kedua.
Uji-t pada baris ketiga. Pada model ini
ternyata kita tidak mendapatkan nilai
probability untuk uji-t, sehingga kita perlu
melihat tabel-t sebagai pembanding untuk
menentukan hasil uji hipotesis terhadap
koefisiennya. Atau, untuk sampel besar
gunakan standar tolak hipotesis jika nilai
uji-t >2.
25
Lanjutan
Berdasarkan output VAR terlihat bahwa
variabel yang mempengaruhi impor secara
signifikan adalah impor pada t-1, impor
pada t-4, dan GNP pada t-1 serta GNP
pada t-2. Sedangkan untuk GNP hanya
variabel bebas GNP pada t-4 saja yang
mempunyai pengaruh yang signifikan.
26
27
Proses dan Identifikasi Model
Uji Stasioneritas
pada Level
All Stasioner
Tdk Stasioner,
Stasioner pada Ordo-r
yang sama, VECM!
Estimasi Model
Impulse Respon
Pengujian
Asumsi Klasik
Spesifikasi Model
VECM
Dekomposisi
Varians
Granger
Causailities
Review
Pengujian VAR: (Granger-causality)
Model: VAR
Hipotesis Null:
X does not Granger-cause Y
Y does not Granger-cause X
Statistik Uji: Wald test ~dist F
Estimasi Model VAR
Least Square
Pilih Lag dg kriteria AIC SIC
Estimate model

Impuls Respon Function
Untuk melihat efek gejolak (shock) suatu standar
deviasi dari variabel inovasi terhadap nilai
sekarang (current time values) dan nilai yang
akan datang (future values) dari variabel-variabel
endogen yang terdapat dalam model yang
diamati.
VAR sebagai salah satu model forecasting bisa
memasukkan / meng-generate variabel/ efek
shock
( ) ( )
( ) ( )
(

+
(

=
(

i xt
i yt
i
t
t
i i
i i
X
Y
X
Y
c
c
| |
| |
0
22 21
12 11
shock
Variance Decomposition
Variance Decomposition (The Cholesky
Decomposition):
Memberikan informasi mengenai variabel inovasi
yang relatif lebih penting dalam VAR.
Pada dasarnya test ini merupakan metode lain untuk
menggambarkan sistem dinamis yang terdapat
dalam VAR.
Digunakan untuk menyusun perkiraan error variance
suatu variabel, yaitu seberapa besar perbedaan
antara variance sebelum dan sesudah shock, baik
shock yang berasal dari diri sendiri maupun shock
dari variabel lain.
30
APLIKASI
31
32
Aplikasi: Transmisi Kebijakan
Moneter
Pass Through Effect (Interest Rate Channel)
r
sbi
r
PUAB
r
dep
r
kre
I
C
Efek substitusi
dan pendapatan
Efek biaya modal
t

Y

33
Aplikasi: Transmisi Kebijakan
Moneter
Model Empiris Jalur Suku Bunga:





Data: Data kwartalan, 2002Q1 2006Q4
Tujuan:
Melihat sejauh mana interaksi antara PDB, Inflasi dan
Kebijakan moneter.
Sejauh mana nilai tukar rupiah berpengaruh terhadap
variabel makro dan kebijakan moneter.

(
(
(

+
(
(
(

+
(
(
(

=
(
(
(

t
t
t
t
t t
t
t
t t
t
t
v
v
v
ex
g
g
g
M or SBI
CPI
GDP
L
M or SBI
CPI
GDP
3
2
1
3
2
1
1 1
1
1
) 1 (
) (
) 1 (
B C A
} {REER ex =
34
Pengujian Stasioneritas
Hanya PDB dan CPI yang stasioner.
Null Hypothesis: PDB has a unit root Null Hypothesis: CPI has a unit root
Exogenous: Constant, Linear Trend Exogenous: Constant
t-Statistic Prob.* t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -3.764038 0.0475 Augmented Dickey-Fuller test statistic -3.322271 0.0312
Test critical values: 1% level -4.667883 Test critical values: 1% level -3.92035
5% level -3.7332 5% level -3.065585
10% level -3.310349 10% level -2.673459
Null Hypothesis: SBI has a unit root Null Hypothesis: KURS has a unit root
Exogenous: Constant Exogenous: Constant
t-Statistic Prob.* t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -2.301429 0.1819 Augmented Dickey-Fuller test statistic -1.675524 0.4269
Test critical values: 1% level -3.857386 Test critical values: 1% level -3.831511
5% level -3.040391 5% level -3.02997
10% level -2.660551 10% level -2.655194
35
Estimasi Model VAR
E-Views:
Select the variables
Open As VAR
Set the lag: 1 1

Sign inspection:
Blok PDB:
PDB
-1
: +, Ok
CPI
-1
: +, Ok
SBI
-1
: -, Ok
Kurs: +, Ok
Blok CPI
Kurs: - , Ok

Vector Autoregression Estimates
Date: 02/12/08 Time: 22:39
Sample (adjusted): 2002Q2 2006Q4
Included observations: 19 after adjustments
Standard errors in ( ) & t-statistics in [ ]
PDB CPI SBI
PDB(-1) 0.335757 0.232163 0.128154
-0.21702 -0.17983 -0.05102
[ 1.54715] [ 1.29102] [ 2.51196]
CPI(-1) 0.942524 0.331243 -0.124176
-0.45094 -0.37367 -0.10601
[ 2.09013] [ 0.88646] [-1.17137]
SBI(-1) -1.603321 0.358765 0.904351
-0.58988 -0.4888 -0.13867
[-2.71803] [ 0.73397] [ 6.52144]
KURS 0.001947 -0.00011 -5.98E-07
-0.00058 -0.00048 -0.00014
[ 3.37097] [-0.23083] [-0.00441]
R-squared 0.725412 0.553444 0.902587
Adj. R-squared 0.670494 0.464132 0.883104
36
Impulse Respon
E-Views:
From VAR object.
View Impulse Respon
Fact:
Respons PDB terhadap inovasi
PDB dominan sampai 2 periode.
Respon PDB terhadap CPI
bernilai positif dan meningkat
untuk 2 periode, namun menurun
sesudah periode ke-2.
Respon PDB terhadap inovasi
pada SBI positif dan menurun.
Sampai pada periode ke-5,
responnya bernilai negatif.
Respon PDB terhadap inovasi
CPI lebih besar dibanding
terhadap inovasi SBI.

-1
0
1
2
3
4
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of PDB to Generalized One
S.D. Innovations
-0.5
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of CPI to Generalized One
S.D. Innovations
.0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of SBI to Generalized One
S.D. Innovations
37
Impulse Respon (Cont.)
Fact:
Proses penyesuaian harga
berlangsung efektif dalam
1 kwartal.
Respon CPI terhadap PDB
positif dan meningkat
sampai 1 kwartal. Mulai
periode 2, respon ini
menurun.
Respon CPI terhadap PDB
dan SBI, sama sejak
periode-2.


-1
0
1
2
3
4
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of PDB to Generalized One
S.D. Innovations
-0.5
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of CPI to Generalized One
S.D. Innovations
.0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of SBI to Generalized One
S.D. Innovations
38
Impulse Respon (Cont.)
Fact:
Respon SBI membutuhkan waktu
penyesuaian yang lebih lama.
Respon SBI thd inovasi CPI
bersifat persisten sampai 4
periode.
SBI merespon inovasi PDB
secara positif dan meningkat
sampai 1 periode, dan setelahnya
mengalami penurunan meski
dalam nilai yang tetap positif.
Sampai akhir kwartal 1, respon
SBI terhadap CPI, lebih besar
dibandingkan terhadap inovasi
PDB, namun:
Mulai kwartal 2 s.d. 4, respon SBI
terhadap PDB justru lebih besar.
-1
0
1
2
3
4
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of PDB to Generalized One
S.D. Innovations
-0.5
0.0
0.5
1.0
1.5
2.0
2.5
3.0
3.5
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of CPI to Generalized One
S.D. Innovations
.0
.1
.2
.3
.4
.5
.6
.7
.8
.9
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Response of SBI to Generalized One
S.D. Innovations
39
Varians Decomposition
E-Views: View Variance
Decomposition
Menunjukkan peran relatif masing-
masing informasi.
Fact:
Dalam jangka panjang, own
shock PDB mendominasi (+
70%).
Peran CPI terhadap variasi
PDB, dalam jangka panjang
sebesar +20%


0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of PDB
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of CPI
10
20
30
40
50
60
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of SBI
40
Varians Decomposition
(Cont.)
Fact:
Variasi CPI dominan
dijelaskan oleh own effect.
PDB berpengaruh sebesar
hampir 30% terhadap variasi
CPI dalam jangka panjang.
SBI tidak berpengaruh banyak
terhadap variasi CPI.
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of PDB
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of CPI
10
20
30
40
50
60
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of SBI
41
Varians Decomposition
(Cont.)
Fact:
Variasi SBI dalam jangka
panjang, sangat terpengaruh
oleh PDB (+50% )
Peran variasi CPI terhadap
variasi SBI, dalam jangka
panjang kurang dari 30%.
Own effect justru merupakan
kontributor terkecil.
Shall we raise a question
about the ITF
implementation?

0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of PDB
0
20
40
60
80
100
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of CPI
10
20
30
40
50
60
1 2 3 4 5 6 7 8 9 10
PDB CPI SBI
Variance Decomposition of SBI
42
Granger Causalities
See the red font
CPI and SBI granger cause
PDB.
PDB granger cause SBI (BI
care about growth?)
VAR Granger Causality/Block Exogeneity Wald Tests
Date: 02/12/08 Time: 22:53
Sample: 2002Q1 2006Q4
Included observations: 19
Dependent variable: PDB
Excluded Chi-sq df Prob.
CPI 4.368656 1 0.0366
SBI 7.387692 1 0.0066
All 7.721521 2 0.0211
Dependent variable: CPI
Excluded Chi-sq df Prob.
PDB 1.666729 1 0.1967
SBI 0.538708 1 0.463
All 1.70064 2 0.4273
Dependent variable: SBI
Excluded Chi-sq df Prob.
PDB 6.309963 1 0.012
CPI 1.3721 1 0.2415
All 7.06799 2 0.0292
43
Asumsi Klasik
Model sudah terbebas
dari serial korelasi
VAR Residual Serial Correlation LM Tests
H0: no serial correlation at lag order h
Date: 02/12/08 Time: 22:49
Sample: 2002Q1 2006Q4
Included observations: 19
Lags LM-Stat Prob
1 13.78574 0.1302
2 14.76927 0.0975
3 7.837441 0.5506
4 21.95504 0.009
5 6.302626 0.7093
6 19.5838 0.0207
7 13.49225 0.1416
8 15.75375 0.0722
9 13.32463 0.1485
10 18.97443 0.0254
11 15.0631 0.0892
12 18.69097 0.028
Probs from chi-square with 9 df.
VECM
44
COINTEGRATION
Pengertian
Dua variabel time series; Xt dan Yt yg
keduanya non-stasioner.
Ada variabel Zt, dimana Zt=Yt-Xt bersifat
stasioner.
Maka Xt dan Yt adalah dua variabel yg
terkointegrasi.
Dua variabel yg terintegrasi menunjukan
variabel tersebut mempunyai trend stokastik
yg sama dan selanjutnya mempunyai arah
pergerakan yg sama dlm jangka panjang
(mempunyai hubungan jangka panjang)
COINTEGRATION
Cointegration Test
Model: VECM
Prosedure Engle-Granger menggunakan
ADF test menguji stasioneritas residual
Hipotesis
Ho: =0 (tidak ada kointegrasi)
H1: <0 (ada kointegrasi)
Bila variabel Yt dan Xt terkointergasi dg
model Yt=+Xt+et, maka Yt dan Xt
mempunyai hubungan jangka panjang/
ekulibrium dg nilai long run

ECM
Pengertian:
Terjadinya kointegrasi 2 variabel
menunjukan adanya hubungan jangka
panjang atau ekulibrium antara keduanya.
Dalam jangka pendek mungkin terjadi
disekulibrium
Error term, pada model Yt=
1+2Xt+et,dapat diperlakukan sebagai
ekulibrium error dan dpt digunakan utk
mengikat tingkat laku jangka pendek
variabel Yt terhadap nilai jangka
panjangnya.
To be continue ......