Uji Kausalitas Granger

Presentasi berjudul: "Uji Kausalitas Granger"— Transcript presentasi:

1 Uji Kausalitas Granger

2 Konsep Regresi  Hubungan satu arah
Realitas  Banyak hubungan dua arah Uji Granger  membuktikan apakah suatu variabel mempunyai hubungan dua arah, atau hanya satu arah saja. Data  Time series. Uji Granger  pengaruh masa lalu terhadap kondisi sekarang. Contoh: Dolar melemah  IHSG turun  Investor di Valas ‘Profit Taking’ Membeli saham  IHSG menguat  Dolar menguat. Konsumsi naik  Uang beredar naik  Inflasi  Konsumsi turun Telur  Ayam  Telur atau Ayam  Telur  Ayam?

3 Tahapan Metode H0 : X tidak menyebabkan Y.
Buat regresi penuh dan dapatkan Sum Square of Error (SSE) Yt = Σαi Yt-i + Σβi Xt-i + εt Buat regresi terbatas dan dapatkan pula Sum Square of Error (SSE) Yt = Σαi Yt-i + εt Lakukan Uji F berdasarkan SSE yang didapat, dengan formula: Dimana: N adalah banyaknya pengamatan k adalah banyaknya parameter model penuh q adalah banyaknya parameter model terbatas

4 Bila H0 ditolak, berarti X mempengaruhi Y.
Cara yang sama juga dapat dilakukan untuk melihat apakah Y mempunyai pengaruh terhadap X. Pertanyaan yang banyak muncul dalam Uji Kausalitas Granger ini adalah: “berapa lag yang harus digunakan?”. Ingat kembali SIC, AIC, Log Likelkihood. Hipotesis: (i) H0 : Investasi tidak mempengaruhi (tidak menyebabkan) Kurs H1 : Investasi mempengaruhi (menyebabkan) Kurs (ii) H0 : Kurs tidak mempengaruhi (tidak menyebabkan) Investasi H1 : Kurs mempengaruhi (menyebabkan) Investasi

5 Vektor Otoregresi (VAR)
Konsep VAR  Y saat ini dipengaruhi X pada waktu lalu, dan X saat ini dipengaruhi Y pada waktu lalu. Contoh: Investasi  GDP  Investasi Money Supply  Inflasi  Money Supply Model Yt = α1i + Σβ1i Yt-i + Σγ1i Xt-i + εt dan Xt = α2i + Σβ2i Yt-i + Σγ2i Xt-i + εt Perhatikan bahwa model diatas mempunyai variabel bebas yang merupakan lag dari variabel terikatnya. Kembali muncul pertanyaan: “berapa banyak lag yang harus digunakan?”. AIC, SIC, dan Log Likelihood adalah indikator untuk memutuskan lag yang digunakan. Estimasi? OLS

6 Date: 09/08/04 Time: 13:37 Sample(adjusted): Included observations: 29 after adjusting endpoints Standard errors & t-statistics in parentheses IMPOR GNP IMPOR(-1) ( ) ( ) ( ) ( ) IMPOR(-2) ( ) ( ) ( ) ( ) IMPOR(-3) ( ) ( ) ( ) ( ) IMPOR(-4) ( ) ( ) ( ) ( ) GNP(-1) ( ) ( ) ( ) ( ) GNP(-2) ( ) ( ) ( ) ( ) GNP(-3) ( ) ( ) ( ) ( ) GNP(-4) ( ) ( ) ( ) ( ) C (2.7E+07) (2.0E+07) ( ) ( ) R-squared Adj. R-squared Sum sq. resids 8.59E+16 4.89E+16 S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent 1.88E+08 3.58E+08 S.D. dependent 6.71E+08 4.36E+08

7 Date: 09/08/04 Time: 14:04 Sample(adjusted): Included observations: 31 after adjusting endpoints Standard errors & t-statistics in parentheses IMPOR GNP IMPOR(-1) ( ) ( ) ( ) ( ) IMPOR(-2) ( ) ( ) ( ) ( ) GNP(-1) ( ) ( ) ( ) ( ) GNP(-2) ( ) ( ) ( ) ( ) C 1.62E+08 (4.2E+07) (1.5E+07) ( ) ( ) R-squared Adj. R-squared Sum sq. resids 6.53E+17 7.83E+16 S.E. equation 1.58E+08 F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent 1.76E+08 3.35E+08 S.D. dependent 6.50E+08 4.30E+08 Determinant Residual Covariance 3.96E+31 Log Likelihood Akaike Information Criteria Schwarz Criteria