PEMAHAMAN KONSEP ANALISIS TIME SERIES COINTEGRATION PERHAPS ERROR CORRECTION MODEL {Coint(ECM)}, ANALISIS VECTOR AUTO REGRESSION(VAR), ANALISIS VECTOR ERROR CORRECTION MODEL (VECM) DAN ANALISIS REGRESI BIASA (Dasar Penerapan Contoh Kasus Cointergration Perhaps Error Correction Model)

PEMAHAMAN KONSEP ANALISIS TIME SERIES COINTEGRATION  PERHAPS ERROR CORRECTION MODEL {Coint(ECM)}, ANALISIS VECTOR AUTO REGRESSION(VAR), ANALISIS VECTOR ERROR CORRECTION MODEL (VECM)  DAN ANALISIS REGRESI BIASA (Dasar Penerapan Contoh Kasus Cointergration Perhaps Error Correction Model)

 

Siang sobat semua..  Apa kabarnya neeeh? Moga baik, sehat, sukses dan semangat selalu yaa.. Amiiin hehehe.. Oke deh sooob setelah kita sudah kupas tuntas tentang analisis time series ARIMA, maka kali ini kita masuk ke bahasan yang lebih baru lagi yaitu pehamaman konsep analisis Error Correction Model (ECM), analisis Vector Auto Regression (VAR), analisis Vector Error Correction Model dan analisis regresi biasa hehehe...

Naaah, pertama.. sobat pasti sudah tahu doong gimana konsep bahkan prosedur uji stasioneritas variabel (unit rot test).. Nah, uji unit root sudah pernah saya pakai sebelumnya pada analisis ARIMA dan analisis data panel. 

Apabila variabel penelitian yang kita pakai seluruhnya stasioner pada data level (mean dan varians konstan sepanjang periode waktu), maka kita menggunakan analisis regresi biasa. Dalam analisis time series, syarat stasioner seluruh variabel bebas harus dipenuhi untuk penerapan metode analisis regresi biasa (simpel atau berganda). 

Nah, jika terdapat satu saja (minimal satu) variabel yang stasioner pada level sedangkan variabel lainnya stasioner pada differens pertama, maka kita harus menggunakan analisis vector auto regression (VAR) dengan data pada differens. Biasanya dikenal dengan VAR in difference hehehe.. 

Nah, karena dalam analisis VAR ini diminta minimal satu saja ada variabel yang sudah stasioner pada level, maka pertanyaannya, bisakah kita pakai analisis VAR jika seluruh stasioner nyatanya sudah stasioner pada level? Hayooo gimana hehehe,, Yaaa bisa dooong yaitu dengan analisis VAR pada data level. Biasanya dikenal dengan istilah VAR in level. Ingaaat, ini saya baru bicara persyaratan uji stasioneritas lhooo,, Pertimbangan berikutnya yang  tidak kalah penting adalah apa tujuan analisis sobat..

Next, jika setelah kita uji stasioneritas, ternyata tidak ada satupun variabel yang stasioner pada level TETAPI (ingeeeet yaa), seluruh variabel harus stasioner pada differens yang sama, katakanlah differens pertama, maka kita bisa pakai analisis “kointegrasi kemungkinan ECM”. 

Ingeeet, kointegrasinya sudah pasti, tetapi ECM nya masih “kemungkinan” ya sooob hehehe.. Okee, apa sih itu kointegrasi dan apa sih itu ECM? Nah, kointegrasi itu adalah analisis regresi biasa model jangka panjang. Nah, prinsipnya nanti sobat regresikan biasa saja variabel penelitian pada data aslinya/level (yang belum stasioner untuk seluruh variabel), lalu ambil nilai residualnya dan silahkan lakukan lagi uji unit root pada residual model kointegrasi (model jangka panjangnya). 

Naaaah, jika residualnya ternyata bisa stasioner pada level (inilah maksudnya terkointegrasi ya sooob, residual stasioner pada level), maka kita bisa turunkan deh model ECM alias model jangka pendeknya sooob.. Kalau, ternyata residual regresi biasa (pada level) tidak stasioner pada level berarti menunjukkan tidak ada hubungan kointegrasi (hubungan jangka panjang), maka analisis cukup berhenti sampai pada kointegrasi saja (model ECM/model jangka pendeknya tidak bisa diturunkan). 

Ingat syarat ECM adalah terpenuhinya kointegrasi.. Gimanaa sooob,, sampai disini saya harap paham dulu yaaaa hehehe.. Jadi, biar dibolak balik gimana pun sobat gak bingung..

Next, kita masuk ke analisis Vector Error Correction Model (VECM) sooob.. Nah analisis yang satu ini adalah kasus khusus dari analisis Vector Auto Regression (VAR) atau VAR yang terestriksi. Suatu kasus dimana data tidak stasioner pada level tetapi terdapat kointegrasi (hubungan jangka panjang), maka disinilah kita pakai analisis VECM ini soooob..   

Tiba-tiba terbersit pertanyaan di benak saya.. Begini sooob, apakah untuk analisis VAR dan VECM kita perlu lakukan uji kointegrasi seperti halnya dalam analisis ECM? Jawabnya, gak pakai tawar-tawar lagi, YA, PERLU. Saya yakin sobat paham kemana arah/tembakan pertanyaan saya ini yaa hehehe..

Nah, lebih lanjut sekarang tentang konsep pemahaman tujuan analisisnya ya sooob,, Untuk regresi biasa saya rasa sobat sudah biasalah dengan analisis ini. Yang perlu dimantapkan disini adalah konsep ECM dan VARnya yaa..

Untuk ECM dulu deeh, ingat kembali kalau kointegrasi bisa kita artikan sebagai adanya hubungan jangka panjang (long term relationship) antara beberapa variabel yang tidak stasioner pada data aslinya. Munculnya kointegrasi ini ibarat memberi harapan baru untuk mencapai terciptanya suatu kondisi stasioner dalam jangka panjang melalui kombinasi linier variabelnya.. Jadi, intinya dikatakan terkointegrasi jika dalam jangka panjang akan tercapai titik keseimbangan (ekuilibrium) fenomena data.

Nah, bagaimana analisis kointegrasi kemungkinan ECM bisa menempuhnya? Caranya dengan memperhitungkan koefisien residual sebagai penyesuai pengembalian fenomena ekuilibrium. Kalau pengujian kita lolos sampai ke analisis ECM (hubungan jangka pendek), nanti kita akan bertemu dengan istilah Error Correction Term (ECT). Inilah yang dipakai sebagai penyesuian keadaan ekulibrium (speed of adjustment) yang kita harapkan bernilai negatif (konvergen). Satu hal lagi, dalam analisis kointegrasi kemungkinan ECM, sama saja dengan regresi biasa yaitu dikenal istilah variabel bebas dan terikat.

Lanjut, kita masuk ke analisis VAR neeh soob.. Analisis ini dikembangkan oleh Christopher Sims tahun 1980. Nah, analisis VAR ini hanya terbatas hanya pada analisis hubungan saja. Dalam analisis VAR, kita tidak memperlakukan variabel sebagai terikat ataupun bebas. 

Yaa, alasan yang agak sedikit naif yaaa karena si peneliti agak kesulitan untuk menentukan mana yang terikat dan mana yang bebas sehingga seluruh variabel dianggap sebagai endogent variabel saja.. Akan tetapi, ada baiknya kita kembalikan saja ke tujuan analisis penelitian kita dulu. Kalau hanya mau melihat hubungan ya pakailah analisis VAR. 

Menurut Gujarati, analisis VAR ini punya keuntungan yaitu kemampuannya dalam melihat banyak variabel secara jangka panjang dan pendek, mengkaji kekonsistenan antara model empiris dengan teori, memberi solusi untuk variabel yang tidak stasioner dan regresi lancung (spurious regression) akibat ketidakstasioneran data. 

Namun, Gujarati menganggap suatu kemudahan jika dalam VAR, peneliti tidak perlu dipusingkan dengan penentuan mana variabel bebas dan terikat. Next, analisis VAR bisa melakukan forecasting/peramalan yang dalam beberapa kasus lebih baik dibanding dengan model persamaan simultan yang ribet. 

Keunggulan lain VAR adalah kemampuannya dalam melacak bagaimana respon setiap variabel pada saat ini dan masa mendatang jika terjadi shock/goncangan (misalnya krisis moneter, melonjaknya harga minyak secara fantastis) melalui fitur Impulse Response Function (IRF). Terakhir, adalah ketersediaan fitur Variance Decomposition (VD) yang mampu memberi informasi terkait seberapa besar kontribusi setiap variabel untuk suatu variabel tertentu.

Untuk konsep pemahaman tujuan analisis VECM pada umumnya hampir sama dengan VAR dan diperlengkapi dengan fitur IRF dan VD sooob. Hanya karena sifat VECM yang merupakan VAR terestriksi, maka analisis VECM membatasi hubungan jangka panjang variabel endogennya agar KONVERGEN ke dalam hubungan jangka pendeknya tetapi dengan tetap memberi kebebasan pergerakan dalam hubungan jangka pendeknya.

Nah, begitu deh sob pemahamannya hehehe.. Yaa, kalau belum paham silahkan pelan-pelan  dan sabar bacanya.. Saya yakin pasti sobat juga bisa memahaminya dengan baik kok hehehe.. Ingeeet dong istilah kita hehe “Harus ada semangat untuk bisa” hahaha.. 

Oke deeeh soob, sampai disni dulu penjelasan yang saya berikan terkait analisis Coint (ECM), VAR, VECM dan Regresi Biasa.. Saya berharap postingan ini bermanfaat buat kita semua.. Kurang lebihnya saya mohon maaf. Kritik dan saran untuk peningkatan kualitas isi postingan, sangat saya harapkan hehehe.. Yaaap, next akan saya berikan contoh kasus penerapan dengan ECM dulu yaaa.. 

Tetap setia di wajibstat.blogspot.com karena masih banyak analisis yang akan kita diskusikan di blog ini.. Semangaaaat belajar dan sukses selalu.. Salam hangat terdahsyat dari saya sooob hahaha :-)