STATA untuk VECM Time Series Modelling

Apakah dosen perlu branding?
August 13, 2017
[AZ Skripsi] Bimbingan atau Ujian Skripsi – Checklist!
August 14, 2017
Show all

Tahapan dalam rencana analisis dalam uji Var/Vecm:

Contoh Data :

Year C Yd Wealth Interest Rate
1947 976.4 1035.2 5166.8 -10.351
1948 998.1 1090 5280.8 -4.72
1949 1025.3 1095.6 5607.4 1.044
1950 1090.9 1192.7 5759.5 0.407
1951 1107.1 1227 6086.1 -5.283
1952 1142.4 1266.8 6243.9 -0.277
1953 1197.2 1327.5 6355.6 0.561
1954 1221.9 1344 6797 -0.138
1955 1310.4 1433.8 7172.2 0.262
1956 1348.8 1502.3 7375.2 -0.736
1957 1381.8 1539.5 7315.3 -0.261
1958 1393 1553.7 7870 -0.575
1959 1470.7 1623.8 8188.1 2.296
1960 1510.8 1664.8 8351.8 1.511
1961 1541.2 1720 8971.9 1.296
1962 1617.3 1803.5 9091.5 1.396
1963 1684 1871.5 9436.1 2.058
1964 1784.8 2006.9 10003.4 2.027
1965 1897.6 2131 10562.8 2.112
1966 2006.1 2244.6 10522 2.02
1967 2066.2 2340.5 11312.1 1.213
1968 2184.2 2448.2 12145.4 1.055
1969 2264.8 2524.3 11672.3 1.732
1970 2314.5 2630 11650 1.166
1971 2405.2 2745.3 12312.9 -0.712
1972 2550.5 2874.3 13499.9 -0.156
1973 2675.9 3072.3 13081 1.414
1974 2653.7 3051.9 11868.8 -1.043
1975 2710.9 3108.5 12634.4 -3.534
1976 2868.9 3243.5 13456.8 -0.657

Keterangan :

Year                = periode tahunan 1947-1976

C                     = pengeluaran konsumsi rill, dalam miliar dolar

Yd                    = pendapatan bersih pribadi riil, dalam miliar dolar

Wealth             = kekayaan riil, dalam miliar dolar

Interest Rate   = hasil tahunan nominal pada sekuritas treasury 3 bulan/ tingkat suku bunga tahunan AS, dalam persen.

Disini kita ingin melihat pengaruh dari Pendapatan Bersih Pribadi Riil (Yd), Kekayaan Riil (Wealth), dan Tingkat Suku Bunga Tahunan di AS (Interest Rate) terhadap pengeluaran konsumsi riil (C) di Amerika Seikat.

Persamaan dalam estimasi ini :

Ct = α1 + ∑β1t . Ydt-1 + ∑β1t . Wealtht-1 + ∑β1t . InterestRatet-1 + ∑β1δt . Ct-1+ et

ESTIMASI PERSAMAAN MODEL

penulis akan menguraikan langkah demi langkah dalam uji stasionaritas menggunakan Augmented Dicky Fuller, pencarian Lag Optimal yang didahului oleh uji VAR, dan uji kointegrasi menggunakan Johansen Test, serta uji model VECM. Adapun uji stasionaritas digunakan untuk melihat apakah data yang digunakan bersifat stasioner atau non-stasioner, dimana apabila data yang digunakan bersifat non-stasioner, maka akan dilakukan proses derivasi hingga data pada akhirnya bersifat stasioner (maksimal diference kedua(I2)), yang mana juga berarti model yang akan digunakan adalah model VAR, sementara apabila data yang digunakan bersifat stasioner pada derajat level, maka model yang akan digunakan adalah model VAR. Selanjutnya, pencarian lag optimal digunakan untuk mendukung dilakukannya uji model VECM. Sedangkan uji kointegrasi digunakan untuk melihat adanya hubungan jangka panjang antarvariabel. Dimana uji kointegrasi dapat memberikan jawaban mengenai persamaan keberapa yang memuat hubungan kointegrasi dalam jangka panjang.

  1. UJI STASIONERITAS

Dalam uji stasioneritas ini untuk melihat apakah data yang digunakan bersifat stasioner atau non-stasioner, dimana apabila data yang digunakan bersifat non-stasioner, maka akan dilakukan proses derivasi hingga data pada akhirnya bersifat stasioner (maksimal derevasi derajat kedua(I2)).

Dimana dalam menggunakan aplikasi STATA sebelum kita melakukan uji apapun dilakukan setting data. Dalam contoh disini yaitu kita ketikkan tsset year.  Setelah itu langsung melakukan uji satsioneritas data. dalam uji ini adalah Test Statistic lebih besar dari pada Critical Value 5% maka variabel yang ingin diuji bersifat satsioner dengan nilai probabilitas (Prob*) atau p-value berada di bawah 0.05.

  • Ketik dfuller lalu diikuti variabel contoh : dfuller c

Maka output yang muncul:

Dickey-Fuller test for unit root                   Number of obs   =        29                                 ———- Interpolated Dickey-Fuller ———                   Test         1% Critical       5% Critical      10% Critical                Statistic           Value             Value             Value ——————————————————————————  Z(t)              2.779            -3.723            -2.989            -2.625 —————————————————————————— MacKinnon approximate p-value for Z(t) = 1.0000

 

Dapat kita lihat pada variabel pengeluaran konsumsi ril (C) tidak stasioner pada tingkat level.karena Test Statistic lebih kecil dari pada Critical Value 5%, maka akan dilakukan pengujian stasioneritas pada tingkat diferensi pertama.

 

Ketik  dfuller lalu diikuti variabel contoh : gen dc=d.c

(1 missing value generated)

replace dc=0 if dc==.

(1 real change made)

dfuller dc

Maka output yang muncul:

Dickey-Fuller test for unit root                   Number of obs   =        29

———- Interpolated Dickey-Fuller ———

Test         1% Critical       5% Critical      10% Critical

Statistic           Value             Value             Value

——————————————————————————

Z(t)             -3.738            -3.723            -2.989            -2.625

——————————————————————————

MacKinnon approximate p-value for Z(t) = 0.0036

Kemudian pada tingkat diferensi pertama Test Statistic lebih besar dari pada Critical Value 5% maka variabel yang diuji bersifat satsioner dengan nilai probabilitas (Prob*) atau p-value berada di bawah 0.05.

Lalu lakukan tahapan ini pada setiap variabel yang ingin diteliti. Dalam hal ini semua variabel stasioner pada tingkat diferensi pertama. Sehingga lakukan uji selanjutnya yaitu pencarian Lag Optimal yang didahului oleh uji VAR.

 

  1. UJI LAG OPTIMAL

Ketik var lalu diikuti variabel contoh : var c yd wealth interestrate untuk uji VAR.

Setelah itu ketik varsoc untuk pencarian Lag Optimal

Maka output yang muncul:

Selection-order criteria

Sample:  1949 – 1976                         Number of obs      =        28

+—————————————————————————+

|lag |    LL      LR      df    p      FPE       AIC      HQIC      SBIC    |

|—-+———————————————————————-|

|  0 | -598.199                      5.6e+13   43.0142   43.0724   43.2046  |

|  1 | -495.504  205.39   16  0.000  1.2e+11   36.8217   37.1126   37.7733* |

|  2 | -468.966  53.077*  16  0.000  6.0e+10*   36.069*  36.5926*  37.7818  |

+—————————————————————————+

Endogenous:  c yd wealth interestrate

Exogenous:  _cons

Dapat kita lihat hasilnya berdasarkan pengujian lag optimum dengan selection order criteria (LL, LR, FPE, AIC, HQIC, dan SBIC), diperoleh hasil bahwasannya lag optimum adalah lag kedua, yaitu yang memuat paling banyak tanda bintang.

Setelah diketahui lag optimum, maka langkah selanjutnya adalah pengujian kointegrasi menggunakan Johansen Test.

 

  1. UJI KOINTEGRASI

Ketik vecrank diikuti semua variabel contoh: vecrank  c yd wealth interestrate, lag (2)

 

Maka output yang keluar:

Johansen tests for cointegration

Trend: constant                                         Number of obs =      28

Sample:  1949 – 1976                                             Lags =       2

——————————————————————————-

5%

maximum                                      trace    critical

rank    parms       LL       eigenvalue  statistic    value

0      20     -515.85145           .     93.7718    47.21

1      27     -492.11485     0.81649     46.2986    29.68

2      32     -476.41497     0.67418     14.8989*   15.41

3      35     -469.10726     0.40666      0.2835     3.76

4      36     -468.96553     0.01007

Dari hasil diatas dapat kita lihat  uji kointegrasi menggunakan Johansen Test, diperoleh hasil bahwasannya variabel-variabel terkointegrasi dalam jangka panjang, yang mana ditunjukkan oleh trace statistic > critical value 5%. Jadi dalam jangka panjang variabel-variabel akan saling mempengaruhi, yang mana ditunjukkan oleh tanda bintang.

Maka setelah berbagai tahapan dan bahawa data stasioner pada tingkat diferensi pertama dan terjadi kointegrasi maka estimasi model akhir yang cocok digunakan adalah Vector Error Correction Model (VECM).

  1. UJI MODEL Vector Error Correction Model (VECM)

Langkah terakhir yang dilakukan adalah pengujian model VECM, dengan menggunakan lag optimum yaitu lah kedua.

  • Ketik vec dc dyd dwealth dinterestrate, lag (2)

Maka output yang keluar

Vector error-correction model

 

Sample:  1949 – 1976                               No. of obs      =        28

AIC             =  38.55035

Log likelihood = -512.7049                         HQIC            =  38.94307

Det(Sigma_ml)  =  9.43e+10                         SBIC            =  39.83498

 

Equation           Parms      RMSE     R-sq      chi2     P>chi2

—————————————————————-

D_dc                  6     20.9502   0.8686    145.393   0.0000

D_dyd                 6     32.6733   0.7689   73.20006   0.0000

D_dwealth             6     514.021   0.5233   24.15492   0.0005

D_dinterestrate       6     2.94689   0.3373    11.1955   0.0825

—————————————————————-

——————————————————————————

|      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]

————-+—————————————————————-

D_dc         |

_ce1 |

L1. |  -.6136616   .3092351    -1.98   0.047    -1.219751    -.007572

dc |

  1. | .1389198    .261772     0.53   0.596    -.3741437    .6519834

dyd |

  1. | -.5952483     .16891    -3.52   0.000    -.9263059   -.2641907

dwealth |

  1. | .0707451   .0066771    10.60   0.000     .0576581     .083832

dinterestr~e |

  1. | 2.194167   1.337971     1.64   0.101    -.4282077    4.816543

_cons |   3.580815   3.993263     0.90   0.370    -4.245836    11.40747

————-+—————————————————————-

D_dyd        |

_ce1 |

L1. |   .9914373   .4822728     2.06   0.040        .0462    1.936675

dc |

  1. | -.2309815   .4082508    -0.57   0.572    -1.031138    .5691755

dyd |

  1. | -.5320258   .2634265    -2.02   0.043    -1.048332   -.0157193

dwealth |

  1. | .0514751   .0104134     4.94   0.000     .0310652    .0718851

dinterestr~e |

  1. | 1.874012   2.086655     0.90   0.369    -2.215758    5.963781

_cons |   3.925869    6.22776     0.63   0.528    -8.280316    16.13205

————-+—————————————————————-

D_dwealth    |

_ce1 |

L1. |   -25.2562   7.587196    -3.33   0.001    -40.12683   -10.38557

dc |

  1. | 12.71795    6.42267     1.98   0.048     .1297458    25.30615

dyd |

  1. | -11.88007    4.14427    -2.87   0.004    -20.00269   -3.757454

dwealth |

  1. | .0648922    .163826     0.40   0.692    -.2562008    .3859851

dinterestr~e |

  1. |  -25.38644   32.82761    -0.77   0.439    -89.72737    38.95449

_cons |   .0671456   97.97616     0.00   0.999    -191.9626    192.0969

————-+—————————————————————-

D_dinteres~e |

_ce1 |

L1. |  -.0062149   .0434974    -0.14   0.886    -.0914682    .0790385

dc |

  1. | -.0013946   .0368212    -0.04   0.970    -.0735628    .0707736

dyd |

  1. | -.0124066   .0237591    -0.52   0.602    -.0589736    .0341604

dwealth |

  1. | .0024731   .0009392     2.63   0.008     .0006323    .0043139

dinterestr~e |

  1. | -.2059824   .1882008    -1.09   0.274    -.5748491    .1628843

_cons |  -.1611087   .5616976    -0.29   0.774    -1.262016    .9397983

——————————————————————————

 

Cointegrating equations

 

Equation           Parms    chi2     P>chi2

——————————————-

_ce1                  3   265.2132   0.0000

——————————————-

 

Identification:  beta is exactly identified

Johansen normalization restriction imposed

——————————————————————————

beta |      Coef.   Std. Err.      z    P>|z|     [95% Conf. Interval]

————-+—————————————————————-

_ce1         |

dc |          1          .        .       .            .           .

dyd |  -.8256322   .0571345   -14.45   0.000    -.9376138   -.7136507

dwealth |   .0230654   .0067912     3.40   0.001     .0097549    .0363758

dinterestr~e |   .5640724   1.085871     0.52   0.603    -1.564195     2.69234

_cons |  -7.861724          .        .       .            .           .

——————————————————————————

dimana dalam pengujian model VECM, terdapat syarat mutlak, yaitu ECTt-1 yang ditunjukkan oleh simbol Ce_1 dalam persamaan pertama adalah negatif dan signifikan, yang mana dalam pengujian VECM yang telah dilakukan, syarat tersebut telah terpenuhi.

  1. STEP IRF DAN FEVD
  • IRF
  • Untuk melakukan uji ini ketik kan : irf create vec1, set(my vec1) terdahulu. Tapi sebelumnya ketikan uji VAR

Disini contohnya kita ingin melihat apa yang terjadi pada variabel konsumsi rii (C) karena adanya shock dari variabel pendapatan bersih pribadi riil (Yd). Apa efek yang disebabkan menaikan attau menurunkan konsumsi rii.

Maka ketik:  irf graph irf, irf(vec1) impulse(yd) response(c)

  • FEVD
  • Untuk melakukan uji ini ketik: irf graph fevd, irf(vec1) impulse(yd) response(c)

Disini kita dapat melihat seberapa besar variabel yd menjelaskan c

Dias Satria
Dias Satria
Dias Satria, Research field :Economic development, international trade, Banking and small/medium enterprise Email. dias.satria@gmail.com Mobile Phone. +62 81 333 828 319 Office Phone. +62 341 551 396

Leave a Reply

Your email address will not be published. Required fields are marked *