Uji Kausalitas Granger

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?

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

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

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

Date: 09/08/04 Time: 13:37 Sample(adjusted): 1974 2002 Included observations: 29 after adjusting endpoints Standard errors & t-statistics in parentheses IMPOR GNP IMPOR(-1) 14.11412 -0.258001 (4.24428) (3.20377) (3.32544) (-0.08053) IMPOR(-2) -2.232664 -2.836740 (5.84599) (4.41281) (-0.38191) (-0.64284) IMPOR(-3) -7.923294 6.753519 (5.61590) (4.23913) (-1.41087) (1.59314) IMPOR(-4) 13.59194 -2.895396 (4.06804) (3.07073) (3.34115) (-0.94290) GNP(-1) -8.044967 0.984799 (2.06084) (1.55561) (-3.90373) (0.63306) GNP(-2) 7.730543 1.373807 (4.29886) (3.24497) (1.79828) (0.42337) GNP(-3) 0.323127 -5.305517 (5.27166) (3.97929) (0.06130) (-1.33328) GNP(-4) -2.105972 4.652364 (3.19332) (2.41046) (-0.65949) (1.93007) C 32649312 -7685037. (2.7E+07) (2.0E+07) (1.22159) (-0.38093) R-squared 0.993182 0.990797 Adj. R-squared 0.990454 0.987115 Sum sq. resids 8.59E+16 4.89E+16 S.E. equation 65533166 49467341 F-statistic 364.1594 269.1407 Log likelihood -557.7055 -549.5494 Akaike AIC 39.08314 38.52065 Schwarz SC 39.50747 38.94498 Mean dependent 1.88E+08 3.58E+08 S.D. dependent 6.71E+08 4.36E+08

Date: 09/08/04 Time: 14:04 Sample(adjusted): 1972 2002 Included observations: 31 after adjusting endpoints Standard errors & t-statistics in parentheses IMPOR GNP IMPOR(-1) 28.21177 -2.062712 (2.19703) (0.76050) (12.8409) (-2.71230) IMPOR(-2) 9.734768 0.017335 (2.09768) (0.72611) (4.64073) (0.02387) GNP(-1) -14.25459 2.040362 (0.91397) (0.31637) (-15.5964) (6.44927) GNP(-2) 8.188294 -0.552283 (0.84025) (0.29085) (9.74506) (-1.89884) C 1.62E+08 -772242.9 (4.2E+07) (1.5E+07) (3.82632) (-0.05278) R-squared 0.948428 0.985897 Adj. R-squared 0.940493 0.983727 Sum sq. resids 6.53E+17 7.83E+16 S.E. equation 1.58E+08 54859997 F-statistic 119.5365 454.3858 Log likelihood -626.5772 -593.6899 Akaike AIC 40.74692 38.62516 Schwarz SC 40.97821 38.85645 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 -1215.696 Akaike Information Criteria 79.07715 Schwarz Criteria 79.53973