BAB III METODOLOGI PENELITIAN Identifikasi Variabel dan Data yang Digunakan

Transkripsi

1 23 BAB III METODOLOGI PENELITIAN 3.1. Idetifikasi Variabel da Data yag Diguaka Berdasarka kajia literatur, peelitia ii aka megguaka pedekata kuatitatif deskriptif yag merupaka pegujia hipotesis dega data yag terukur. Selajutya aka diperoleh parameter dari pegaruh perubaha suatu variabel ekoomi terhadap variabel ekoomi laiya serta pejelasa dari asumsi ilmu ekoomi utuk medapatka suatu kesimpula megeai korelasi atar variabel dalam peelitia ii dega megguaka metodologi time series serta pedekata Grager Causality da VAR atau VECM sebagaimaa yag perah diguaka oleh Copelma (2000) serta Rousseau da Xiao (2007). Pedekata tersebut dipilih dega pertimbaga bahwa secara spesifik Grager Causality diguaka utuk melakuka uji kausalitas atara variabel output dega variabel sistem keuaga serta utuk melihat hubuga jagka pajagya, semetara VAR atau VECM diguaka utuk melihat itesitas da speed of adjustmet atau respo dari masigmasig variabel dalam peelitia. Utuk megaalisa data yag telah dihimpu dalam peelitia ii, peulis aka megguaka alat batu berupa peragkat luak E-views versi 5.0. Betuk dasar model VAR memperlakuka seluruh variabel secara simetris tapa membedaka variabel bebas maupu terikat. Seluruh variabel dalam peelitia ii aka diperlakuka sebagai variabel edoge. Adapu variabel yag aka diguaka dalam peelitia ii adalah sebagai berikut: 1. Pertumbuha Ekoomi. Data Produk Domestik Bruto (PDB) Riil dega harga kosta tahu 2000 yag diperoleh dari Statistik Ekoomi da Keuaga Idoesia (SEKI) yag diterbitka Bak Idoesia yag diolah da aka diperguaka sebagai proxy pertumbuha ekoomi.

2 24 2. Sektor Perbaka. Data volume peyalura kredit oleh bak umum (KREDIT) kepada sektor swasta dalam Rupiah da Valuta Asig yag juga diperoleh dari SEKI aka diguaka sebagai idikator perkembaga sektor perbaka. Pemiliha variabel ii didasarka pada dugaa bahwa peigkata volume kredit megidikasika peigkata ivestasi yag memiliki hubuga positif dega peigkata pertumbuha ekoomi. 3. Sektor Pasar Modal. Data kapitalisasi saham da obligasi dipasar modal (KAPSHM) yag merupaka akumulasi dari perkalia jumlah lembar saham beredar dega harga saham di pasar dari seluruh perusahaa yag terdaftar di Bursa Efek Idoesia (BEI) aka diguaka sebagai idikator perkembaga sektor pasar modal. Data kapitalisasi saham dimaksud berhasil diperoleh dari lagsug dari BEI. Pemiliha variabel ii didasarka pada dugaa bahwa peigkata kapitalisasi pasar megidikasika adaya peigkata jumlah saham maupu emite yag mecermika adaya alira daa bagi ivestasi pada emite-emite tersebut yag secara agregat dapat meigkatka pertumbuha ekoomi. 4. Tigkat Suku Buga. Data tigkat suku Sertifikat Bak Idoesia (SBI) dega teor 1 (satu) bula yag diperoleh dari SEKI merupaka variabel kotrol, yaki variabel sektor keuaga maupu sektor moeter yag diaggap turut memegaruhi pertumbuha ekoomi. Variabel kotrol dimaksud megacu pada peelitia yag dilakuka oleh Iggrid (2006) yag megivestigasi peraa sektor keuaga dalam memicu pertumbuha ekoomi di Idoesia. Peelitia ii megguaka variabel kotrol berupa tigkat suku buga SBI teor 1 (satu) bula dega pertimbaga bahwa suku buga SBI merupaka salah satu alat kotrol bagi otoritas moeter dalam megedalika peawara da permitaa uag beredar dalam perekoomia Idoesia. Pegguaa variabel tigkat suku buga dimaksud juga megacu pada peelitia sebelumya dega

3 25 dugaa memiliki tigkat sigifikasi yag baik dalam peerapa pada model yag aka disusu. Data yag diguaka dalam peelitia ii adalah data sekuder dalam betuk time series periode bulaa yag diperoleh dari Stastistik Ekoomi Keuaga Idoesia (SEKI) yag diterbitka oleh Bak Idoesia da diperoleh lagsug dari Bursa Efek Idoesia (BEI). Namu karea keterbatasa data yag tersedia maka peelitia ii haya dilakuka dalam retag waktu Jauari 1997 s.d Jui Selai itu, megigat periode data PDB yag tersedia bersifat triwulaa, maka khusus utuk data PDB dilakuka perubaha melalui metode itrapolasi gua memperoleh data PDB periode bulaa dega batua aplikasi E-views versi Metode Pegolaha da Aalisis data Peelitia ii aka megguaka metodologi time series dega pedekata VAR jika data yag diguaka adalah stasioer da tidak terdapat koitegrasi, atau pedekata VECM jika data yag diguaka kemudia diketahui stasioer da terdapat koitegrasi. VAR dikembagka oleh seorag ahli Ekoometrika, Christopher A. Sims, sebagai pedekata alteratif model terhadap model persamaa gada dega pertimbaga memiimalka pedekata teori yag bertujua agar mampu meagkap feomea ekoomi dega baik (Widarjoo, 2007). Sims berpedapat bahwa jika terdapat hubuga simulta atar variabel yag diamati, maka variabelvariabel tersebut harus diperlakuka sama sehigga tidak ada lagi variabel edoge da eksoge (Nachrowi, 2006). Berawal dari pemikira iilah Sims memperkealka kosep VAR, yag teryata juga mejawab tataga kesulita yag ditemui akibat model struktural yag tidak harus megacu pada teori melaika haya perlu meetuka variabel yag salig beriteraksi da perlu. Dega kata lai, model VAR tidak bayak bergatug pada teori tetapi kita haya perlu meetuka variabel yag salig beriteraksi da perlu dimasukka dalam sistem serta meetuka bayakya jeda da perlu diikutsertaka dalam model yag diharapka dapat meagkap keterkaita atar variabel dalam model.

4 26 Keutuga dari aalisis VAR atara lai adalah metode yag sederhaa da tidak perlu membedaka maa variabel edoge da eksoge, estimasi yag sederhaa dimaa metode Ordiary Least Square (OLS) biasa dapat diaplikasika pada setiap persamaa secara terpisah, da hasil estimasi yag diperoleh dega megguaka pedekata VAR pada beberapa kasus lebih baik dibadigka dega hasil yag diperoleh dega megguaka model persamaa simulta yag kompleks sekalipu. Meskipu bayak kelebiha, Gujarati (2003) megemukaka beberapa kelemaha VAR sebagai berikut: 1. Lebih bersifat a teoretik megigat pedekata VAR tidak memafaatka iformasi terlebih dahulu sehigga model mejadi tidak struktural. 2. Kurag sesuai utuk aalisis kebijaka karea lebih meitikberatka pada peramala (forecastig). 3. Peetua bayakya lag yag diaggap optimal dapat meimbulka permasalaha megigat data yag diamati harus relatif bayak. 4. Semua variabel dalam VAR yag belum stasioer harus ditrasformasika terlebih dahulu agar stasioer. 5. Koefisie dalam estimasi VAR sulit utuk diiterprestasika Model Umum Vector Auto Regressio (VAR) Metode VAR megaggap bahwa semua variabel adalah edoge. Dalam kasus dua variabel (yt) da (zt); ilai sekarag (yt) dipegaruhi oleh ilai sekarag da ilai masa lalu (zt), sedagka ilai sekarag (zt) dipegaruhi oleh ilai sekarag da ilai masa lalu (yt). Secara sederhaa, Eders (1995) meuliska sistem bivariat tersebut sebagai berikut: y t = b 10 b 12 z t + γ 11 y t-1 + γ 12 z t-1 + ε yt.. (3.1) z t = b 20 b 22 z t + γ 21 y t-1 + γ 22 z t-1 + ε zt Persamaa (3.1) di atas dikeal sebagai first order atau primitive VAR dega asumsi:

5 27 1. y t da z t adalah stasioer, 2. ε yt da ε zt adalah proses white oise dega stadar deviasi αy da αz, da 3. ε yt da ε zt tidak salig berkorelasi. Selajutya, persamaa (3.1) tersebut diubah dalam betuk matriks atau mejadi Bx t = Г 0 + Г 0 x t-1 + ε t.. (3.2) da megalikaya terhadap iverse matriks B (B -1 ) sehigga diperoleh persamaa VAR dalam betuk stadar x t = A 0 + A 1 x t-1 + l 1 (3.3) dimaa A 0 = B -1 Г 0, A 1 = B -1 Г 0 da l 1 = B -1 ε t. Jika α i0 didefiisika sebagai eleme baris I dari vektor A 0, α ij sebagai eleme baris i da kolom j dari matriks A 1, ε it sebagai eleme baris i dari l t maka persamaa VAR yag baru adalah : y t = α 10 + α 11y t-1 + α 12z t-1 + ε 1t.. (3.4) z t = α 20 + α 21 y t-1 + α 22z t-1 + ε 2t dari persamaa dasar tersebut dapat dituruka beberapa macam betuk estimasi, dimaa salah satuya adalah respos terhadap iovasi Tahapa da Prosedur Pembetuka VAR Model VAR merupaka model persamaa regresi yag megguaka data time series yag berkaita dega masalah stasioeritas da koitegrasi atar variabel di dalamya. Pembetuka model VAR diawali dega uji stasioeritas data, dimaa model VAR biasa (urestricted VAR) aka diperoleh apabila data telah stasioer pada tigkat level. Namu jika data tidak stasioer pada tigkat level tetapi stasioer pada proses diferesiasi yag sama, maka harus dilakuka uji koitegrasi utuk megetahui apakah data tersebut mempuyai hubuga dalam jagka pajag atau tidak. Dalam hal data stasioer pada proses diferesiasi amu tidak terkoitegrasi, maka dapat dibetuk model VAR dega data diferesiasi (VAR i differece). Namu apabila terdapat koitegrasi maka dibetuk Vector Error Correctio Model (VECM), yag merupaka model VAR yag terektriksi (restricted VAR) megigat

6 28 adaya koitegrasi yag meujukka hubuga jagka pajag atar variabel dalam model VAR. Spesifikasi VECM merestriksi hubuga perilaku jagka pajag atar variabel agar koverge ke dalam hubuga koitegrasi amu tetap membiarka perubaha diamis dalam jagka pedek. Termiologi koitegrasi ii dikeal sebagai koreksi kesalaha (error correctio) karea bila terjadi deviasi terhadap keseimbaga jagka pajag aka dikoreksi melalui peyesuaia parsial jagka pedek secara bertahap. Secara meyeluruh, prosedur pegguaa alat ekoometri dalam peelitia ii dapat digambarka pada diagram 3.1 di halama berikut.

7 29 Data Time Series Uji Stasioeritas Stasioer Tidak Stasioer VAR i Level VAR i Differece Peetua Pajag Lag Uji Kausalitas Uji Koitegrasi Tidak Terkoitegrasi Terkoitegrasi VAR Estimatio Model VECM Estimatio Model Iovatio Accoutig Impulse Respose Fuctio Variace Decompositio Sumber : Agus Widarjoo (2007), diolah. Diagram 3.1 Prosedur Pegguaa Alat Ekoometri dalam Pedekata VAR Adapu tahapa dalam melakuka aalisis dega pedekata VAR adalah sebagai berikut: Uji Stasioeritas Uji stasioeritas merupaka lagkah pertama dalam membagu model VAR gua memastika bahwa data yag diguaka adalah data yag stasioer sehigga hasil regresi yag dihasilka tidak meggambarka hubuga variabel yag ampakya sigifika secara statistik amu dalam keyataaya tidak demikia

8 30 (spurious). Stasioeritas data dilihat dega megguaka uji formal, yaki Uji Akar Uit (uit root test) yag diperkealka oleh David Dickey da Waye Fuller, dega tujua utuk megetahui apakah data time series stasioer atau tidak, megigat studi terhadap data yag tidak stasioer haya dapat dilakuka pada waktu yag bersagkuta saja. Gujarati (2003) megemukaka bahwa data time series dapat dikataka stasioer jika rata-rata da variaya kosta sepajag waktu serta kovaria atara dua rutut waktuya haya tergatug dari kelambaa (lag) atara dua periode waktu tersebut. Secara statistik peryataa Gujarati dimaksud dapat dituliska sebagai berikut: Rata-rata : E(Y t ) = µ Varia : Var (Y t ) = E(Y t - µ) 2 = σ 2 Kovaria : γ k = E [(Y t - µ)( Y t-k - µ)] dimaa γ k, kovaria pada lag k, merupaka kovaria atara ilai Y t da Y t-k yaki atara ilai Y pada iterval k periode. Pemikira uji stasioeritas data dega pegujia akar uit dapat dijelaska melalui model sebagai berikut: Y t = ρy t-1 + µ t... (3.5) dimaa -1 < ρ < 1 da µ t adalah variabel gaggua yag bersifat radom atau stokastik dega rata-rata ol, varia yag kosta da tidak salig berhubuga. Jika ρ=1 maka variabel Y t mempuya akar uit, yag bergerak secara radom (radom walk) tapa tred dimaa varia Y t tidak stasioer. Hal ii meujukka bahwa Y t merupaka data yag tidak stasioer karea memiliki uit root. Bila persamaa (3.5) dikuragi dega Yt-1 pada kedua sisiya, maka aka diperoleh persamaa sebagai berikut: Y t Y t-1 = ρ Y t-1 Y t-1 + µ t.... (3.6) Y t = (ρ-1)y t-1 + µ t atau dapat ditulis dalam betuk Y t = δy t-1 + µ t... (3.7)

9 31 dimaa δ = (ρ-1) da merupaka first differece operator. Pegujia uit root dilakuka terhadap persamaa Y t = δy t-1 + µ t dega melakuka regresi first differece dari Y t terhadap Y t-1 dega hipotesa H 0 : δ = 0 da H 1 : δ 0. Jika δ = 0 maka ρ = 1, meujukka bahwa data time series memiliki uit root dimaa Y t tidak stasioer. Sedagka apabila δ 0 maka Y t adalah stasioer. Model-model di atas megasumsika µ t tidak berkorelasi, sehigga Dickey- Fuller megembagka suatu pegujia Augmeted Dickey-Fuller Test (ADF test) utuk megatisipasi adaya korelasi dimaksud. Estimasi utuk ADF test dilakuka melalui persamaa sebagai berikut: m Y t = β 1 + β 2 + δ Y t-1 + Y t µ t.. (3.8) dimaa Y t = betuk first differece, β 1 = itersep, Y = variabel yag sedag diuji, m = pajag lag yag diguaka, da µ = error term. i-1 Prosedur utuk meetuka apakah data stasioer atau tidak adalah dega cara membadigka ilai statistik ADF test dega ilai kritis distribusi statistik MacKio, dimaa ilai statistik ADF test ditujukka oleh ilai t statistik koefisie δy t-1 pada persamaa (3.8). Jika ilai absolut statistik ADF test lebih besar dari ilai kritis distribusi statistik MacKio maka H 0 ditolak, dalam arti data time series yag diamati telah statioer. Da sebalikya, jika ilai absolut statistik ADF test lebih kecil dari ilai kritis distribusi statistik MacKio, maka H 0 diterima, yag berarti data time series tidak statioer. Dalam hal hasil ADF test meujukka bahwa data time series yag diamati tidak stasioer dalam betuk level, maka perlu dilakuka trasformasi melalui proses differecig agar data mejadi stasioer. Data dalam betuk differece merupaka data yag telah dituruka dega periode sebelumya, dimaa betuk derajat pertama (first differece) dapat diotasika dega I(1) dega fugsi Y t = (Y t - Y t-1 ).... (3.9)

10 32 Prosedur ADF test kembali dilakuka apabila data time series yag diamati masih belum stasioer pada derajat pertama sehiggga kembali dilakuka differecig yag kedua (secod differece) utuk memperoleh data yag stasioer Peetua Pajag Lag Optimal Peetua kelambaa (lag) optimal merupaka tahapa yag sagat petig dalam model VAR megigat tujua membagu model VAR adalah utuk melihat perilaku da hubuga dari setiap variabel dalam sistem. Utuk kepetiga tersebut, dapat diguaka beberapa kriteria sebagai berikut: Akaike Iformatio Criterio (AIC): -2 ( / T) + 2 (k + T) Schwartz Iformatio Criterio (SIC): -2 ( / T) + k log (T) / T Haa-Qui Iformatio Criterio (HQ): -2 ( / T) + 2k log (log(t)) / T dimaa = Sum of Squared Residual, T = Jumlah Observasi, k = Parameter yag Diestimasi. Peetua lag optimal dega megguaka kriteria iformasi tersebut diperoleh dega memilih kriteria yag mempuyai ilai palig kecil di atara berbagai lag yag diajuka. Sagat dimugkika utuk membagu model VAR sebayak persamaa yag megadug kelambaa sebayak ρ lag da variabel ke dalam model VAR megigat seluruh variabel yag releva da memiliki pegaruh ekoomi dapat dimasukka kedalam persamaa model VAR. Karea itu lag optimal yag diguaka dalam model VAR bisa jadi sagat pajag (Sucahyo, 2008). Dalam peelitia ii peulis aka megguaka Schwartz Iformatio Criterio (SIC) utuk meetuka pajag lag optimal. Model VAR aka diestimasi dega tigkat lag yag berbeda-beda da selajutya ilai SIC terkecil aka diguaka sebagai ilai lag yag optimal.

11 Uji Kausalitas Tahapa selajutya dalam model VAR setelah meetuka pajag lag optimal adalah melakuka uji kausalitas Grager gua megetahui apakah terdapat hubuga yag salig mempegaruhi atar variabel edoge sehigga spesifikasi model VAR mejadi tepat utuk diguaka megigat sifatya yag o struktural. Uji kausalitas Grager melihat pegaruh masa lalu terhadap kodisi sekarag sehigga uji ii memag tepat diperguaka utuk data time series. Dalam kosep kausalitas Grager, dua peragkat data time series yag liier berkaita dega variabel X day diformulasika dalam dua betuk model regresi. Hasil-hasil regresi pada kedua betuk model regresi liier tersebut aka meghasilka empat kemugkia megeai ilai koefisie regresi masig-masig sebagai berikut: 1. β 0 da δ = 0, terdapat kausalitas satu arah dari Y ke X. i=1 i=1 2. β = 0 da δ 0, terdapat kausalitas satu arah dari X ke Y. i=1 i=1 3. β 0 da δ 0, terdapat kausalitas dua arah dari X ke Y. i=1 i=1 4. β 0 da δ = 0, tidak terdapat kausalitas atara X da Y. i=1 i= Uji Koitegrasi Tahapa selajutya dalam estimasi VAR adalah melakuka uji koitegrasi gua megetahui keberadaa hubuga jagka pajag atar variabel. Pada tahapa ii aka diketahui apakah model yag aka diguaka merupaka model VAR tigkat diferesiasi, jika tidak terdapat koitegrasi, atau model VECM, jika terdapat koitegrasi. Egle Grager meyataka bahwa kombiasi liier dari dua atau lebih variabel time series yag tidak stasioer dapat mejadi stasioer. Jika kombiasi dari variabel-variabel yag tidak stasioer meghasilka residual yag stasioer maka variabel tersebut dikataka terkoitegrasi atau memiliki hubuga jagka pajag atar variabel di dalam sistem VAR.

12 34 Megigat peelitia ii aka megguaka pedekata VAR maka metode koitegrasi yag aka diguaka utuk memperoleh hubuga jagka pajag atar variabel dalam peelitia ii adalah metode koitegrasi Johase. Metode koitegrasi Johase utuk beberapa persamaa agak berbeda dega metode Egle Grager yag lazim diguaka utuk satu persamaa saja Spesifikasi Model Secara teoretis, variabel pertumbuha ekoomi, perkembaga perbaka, pasar modal da tigkat suku buga mempuyai hubuga sehigga keempat variabel tersebut merupaka variabel edoge, yag kemudia dapat diaalisis dega megguaka metode VAR. Adapu model yag aka diguaka dalam megamati hubuga kausalitas atara pertumbuha ekoomi, perkembaga perbaka, pasar modal da tigkat suku buga pada peelitia ii adalah megacu pada model yag perah dikembagka oleh Rousseau da Xiao (2007), Jeifer Lee (2005) serta Rousseau da Watchel (1998) sebagai berikut: k k k k X 1,t = a 1,0 + a 1,i X 1,t-i + b 1,i X 2,t-i + c 1,i X 3,t-i + d 1,i X 4,t-i + µ 1,t i=1 i=1 i=1 i=1 k k k k X 2,t = a 2,0 + a 2,i X 1,t-i + b 2,i X 2,t-i + c 3,i X 3,t-i + d 4,i X 4,t-i + µ 2,t i=1 i=1 i=1 i=1 k k k k X 3,t = a 3,0 + a 3,i X 1,t-i + b 3,i X 2,t-i + c 3,i X 3,t-i + d 3,i X 4,t-i + µ 3,t i=1 i=1 i=1 i=1 k k k k X 4,t = a 4,0 + a 4,i X 1,t-i + b 4,i X 2,t-i + c 4,i X 3,t-i + d 4,i X 4,t-i + µ 4,t i=1 i=1 i=1 i=1 dimaa: X 1 adalah Produk Domestik Bruto X 2 adalah Volume Peyalura Kredit oleh Perbaka X 3 adalah Nilai Kapitalisasi Pasar Modal, X 4 adalah Tigkat Suku Buga SBI teor 1 (satu) bula.

13 35 Seluruh variabel aka diyataka dalam betuk logaritma, kecuali variabel tigkat suku buga SBI yag diyataka dalam prosetase Iovatio Accoutig Model VAR meghasilka Impulse Respose Fuctio (IRF) da Variace Decompositio (VD) yag diguaka utuk megamati struktur diamis data time series dari sistem variabel yag dicermika melalui iovatio accoutig. a. Impulse Respose Fuctio (IRF) Respo terhadap adaya iovasi (shock) merupaka salah satu metode pada VAR yag diguaka utuk melihat respo variabel edoge terhadap pegaruh iovasi variabel edoge lai yag ada dalam model. Aalisis IRF mampu melacak respo dari variabel edoge dalam model VAR akibat adaya suatu shock atau perubaha di dalam variabel gaggua (e), yag selajutya dapat melihat lamaya pegaruh dari shock suatu variabel terhadap variabel lai higga pegaruhya hilag da kembali koverge. Fugsi impulse respose didapat melalui model VAR yag diubah mejadi vektor rata-rata bergerak (vector movig average) dimaa koefisie merupaka respo terhadap adaya iovasi (Eders, 1995). Adaya shock variabel gaggua (e 1t ) pada persamaa variabel edoge ke-1 dalam model VAR, misalya e 1t megalami keaika sebesar satu stadar deviasi, maka aka mempegaruhi variabel edoge ke-1 itu sediri utuk saat ii maupu di masa yag aka datag. Megigat variabel edoge tersebut juga mucul dalam persamaa variabel edoge yag lai, maka shock variabel gaggua e 1t tersebut juga aka mejalar ke variabel edoge laiya melalui struktur diamis VAR. Dega demikia, shock atas suatu variabel dega adaya iformasi baru aka mempegaruhi variabel itu sediri da variabel laiya dalam model. b. Variace Decompositio (VD) Aalisis Variace Decompositio (VD) atau dikeal sebagai forecast error variace decompositio merupaka alat aalisis pada model VAR yag aka memberika iformasi megeai proporsi dari pergeraka pegaruh shock pada satu variabel terhadap variabel laiya pada saat ii da periode ke depaya.

14 36 VD meggambarka relatif petigya setiap variabel dalam model VAR karea adaya shock atau seberapa kuat komposisi dari peraa variabel tertetu terhadap variabel laiya. Berbeda dega IRF, VD bergua utuk memprediksi kotribusi prosetase varia setiap variabel karea adaya perubaha variabel tertetu, sedagka IRF diguaka utuk melacak dampak shock dari satu variabel edoge terhadap variabel laiya dalam model VAR.