Bagaimana Cara Memilih Jenis Uji Stasioneritas Untuk Analisis Time Series pada Eviews?
Dalam pemodelan data ekonometrika, pemahaman mengenai **Cara Memilih Jenis Uji Stasioneritas Untuk Analisis Time Series pada Eviews** sering kali menjadi tantangan utama bagi para peneliti. Masalah umum yang kerap memicu kebingungan adalah munculnya hasil pengujian yang kontradiktif antar metode di EViews. Sebagai contoh, saat pengujian dilakukan dengan *Augmented Dickey-Fuller* (ADF), data dinyatakan tidak stasioner pada tingkat level atau mengandung akar unit. Namun, ketika peneliti menjalankan uji *Kwiatkowski-Phillips-Schmidt-Shin* (KPSS) atau *Phillips-Perron* (PP) pada variabel yang sama, hasilnya justru menunjukkan bahwa data telah stasioner.
Pertentangan hasil antar uji stasioneritas tersebut bukan disebabkan oleh kesalahan perangkat lunak EViews, melainkan karena setiap metode memiliki asumsi dasar, penanganan autokorelasi, dan sensitivitas yang berbeda terhadap karakteristik data. Pemilihan uji stasioneritas yang tidak tepat dapat menyebabkan kesalahan penentuan derajat integrasi variabel. Dampak lanjutannya adalah risiko terjadinya regresi culas (*spurious regression*), kesalahan pemilihan model estimasi seperti VAR, VECM, atau ARDL, serta menghasilkan interpretasi hubungan jangka panjang yang bias dan tidak valid.
Konsep Teori Stasioneritas dan Akar Unit dalam Ekonomitrika
Secara teoritis, suatu deret waktu dikatakan stasioner secara lemah (*weakly stationary*) apabila nilai rata-rata (*mean*) dan variansnya bersifat konstan sepanjang waktu, serta nilai kovarians antara dua periode waktu hanya tergantung pada selisih waktu (*lag*) dan bukan pada waktu aktual perhitungan (Hamilton, 1994). Jika kondisi ini tidak terpenuhi, maka data tersebut dikategorikan sebagai deret non-stasioner yang mengandung akar unit (*unit root*).
Studi empiris pionir oleh Nelson dan Plosser (1982) menunjukkan bahwa sebagian besar variabel ekonomi makro historis seperti Produk Domestik Bruto, indeks harga, dan suku bunga bersifat non-stasioner pada tingkat level I(0). Pemahaman mengenai perbedaan antara *Trend Stationary Process* (TSP) dan *Difference Stationary Process* (DSP) menjadi fondasi penting sebelum melakukan estimasi model ekonometrika lanjutan. Pembaca yang ingin mempelajari lebih dalam mengenai kerangka teoritis pengujian ini dapat merujuk pada artikel konsep dasar uji stasioneritas dan akar unit di www.statistikian.com.
Perbedaan mendasar antar metode uji terletak pada perumusan hipotesis nol. Pada uji *Augmented Dickey-Fuller* (Dickey & Fuller, 1979) dan *Phillips-Perron* (Phillips & Perron, 1988), hipotesis nol menyatakan bahwa data mengandung akar unit (non-stasioner). Sebaliknya, pada uji KPSS (Kwiatkowski et al., 1992), hipotesis nol justru menyatakan bahwa data bersifat stasioner. Perbedaan struktur hipotesis ini menjelaskan mengapa kedua kelompok uji dapat memberikan kesimpulan yang tampak bertolak belakang pada sampel terbatas.
Selain itu, keberadaan patahan struktural (*structural break*) seperti krisis ekonomi atau perubahan kebijakan publik dapat menurunkan kekuatan uji statistik konvensional. Perron (1989) membuktikan bahwa uji ADF cenderung secara keliru menyimpulkan data memiliki akar unit padahal data sebenarnya stasioner di sekitar tren yang mengalami patahan struktural (*stationary around a broken trend*).
Panduan Praktis Pemilihan Jenis Uji Stasioneritas pada EViews
Untuk menentukan jenis uji stasioneritas yang paling tepat sesuai dengan karakteristik data di EViews, terapkan alur keputusan dan langkah-langkah teknis berikut:
Langkah 1: Eksplorasi Grafis dan Deteksi Pola Data
Buka deret variabel di EViews, lalu buat grafik garis untuk mengamati komponen tren, musiman, serta potensi terjadinya patahan struktural secara visual:
View -> Graph -> Basic type: Line & Symbol
Langkah 2: Penggunaan Uji Augmented Dickey-Fuller (ADF) sebagai Standar Utama
Gunakan uji ADF apabila grafik menunjukkan pola linear standar dan residu pengujian bersifat homoskedastis. Uji ADF menangani autokorelasi residu dengan memasukkan variabel *lagged difference* (Said & Dickey, 1984):
View -> Unit Root Tests... -> Test type: Augmented Dickey-Fuller
Langkah 3: Pemilihan Uji Phillips-Perron (PP) untuk Data Berheteroskedastisitas
Pilihlah uji PP jika data dicurigai memiliki masalah heteroskedastisitas atau bentuk autokorelasi yang tidak diketahui. Uji PP menggunakan koreksi non-parametrik *Newey-West* terhadap matriks kovarians tanpa menambah panjang *lag* pada persamaan (Phillips & Perron, 1988).
Langkah 4: Penerapan Uji KPSS sebagai Uji Konfirmasi (*Confirmatory Testing*)
Gunakan uji KPSS bersamaan dengan uji ADF atau PP untuk memperkuat kesimpulan (*joint testing*). Jika ADF menolak H0 dan KPSS gagal menolak H0, maka dapat dipastikan secara kuat bahwa data bersifat stasioner (Maddala & Kim, 1998).
Langkah 5: Penerapan Uji Breakpoint / Zivot-Andrews untuk Data Patahan
Apabila grafik data memperlihatkan lompatan atau penurunan drastis akibat peristiwa tertentu, gunakan opsi *Breakpont Unit Root Test* di EViews untuk menguji stasioneritas tanpa terganggu oleh *structural break* (Zivot & Andrews, 1992):
View -> Unit Root Tests... -> Test type: Breakpoint Unit Root Test
Langkah 6: Pemilihan Komponen Deterministik Persamaan Test
Pilih opsi *Trend and Intercept* jika grafik data menunjukkan kecenderungan naik/turun seiring waktu. Pilih opsi *Intercept* jika data fluktuatif di sekitar nilai rata-rata non-nol, atau *None* jika data bergerak di sekitar angka nol.
Langkah 7: Penentuan Lags Selection Criterion
Gunakan kriteria informasi otomatis seperti *Schwarz Info Criterion* (SIC) di EViews. SIC dikenal parsimoni dan konsisten dalam mencegah pemilihan jumlah *lag* yang berlebihan pada sampel berukuran sedang hingga kecil (Lütkepohl, 2005).
Langkah 8: Evaluasi Pengujian pada Tingkat First Difference
Jika pengujian pada tingkat level I(0) menunjukkan data tidak stasioner, ubah opsi *Test status* di EViews menjadi *First Difference* I(1) dan ulangi prosedur pengujian hingga diperoleh nilai p-value < 0.05.
Langkah 9: Dokumentasi Hasil Derajat Integrasi Final
Catat derajat integrasi dari setiap variabel penelitian. Variabel yang stasioner pada I(0) dan I(1) dapat digabungkan dalam pemodelan ARDL, sedangkan jika seluruh variabel stasioner pada I(1) dan terkointegrasi, model VECM dapat diterapkan.
Pembahasan Ilmiah: evaluasi Statistik dan Robustness Testing
Pemilihan metode pengujian stasioneritas secara ilmiah harus mempertimbangkan dua aspek utama statistik inferensial, yaitu ukuran uji (*size of the test*) dan kekuatan uji (*power of the test*). Davidson dan MacKinnon (2004) menyatakan bahwa uji ADF sering kali memiliki kekuatan uji yang rendah (*low power*) pada sampel berukuran kecil atau ketika data memiliki akar yang mendekati persatuan (*near unit root process*).
Dalam kondisi *near unit root*, uji ADF cenderung gagal menolak hipotesis nol, sehingga peneliti berisiko melakukan diferensiasi berlebihan (*over-differencing*). Plosser dan Schwert (1978) mengingatkan bahwa tindakan *over-differencing* pada deret yang sebenarnya stasioner pada level dapat memasukkan akar rata-rata bergerak (*moving average unit root*) pada varians residu, yang berdampak buruk pada efisiensi estimasi.
Keunggulan uji Phillips-Perron terletak pada penggunaan estimator non-parametrik *Newey-West* untuk mengoreksi autokorelasi dan heteroskedastisitas bentuk umum tanpa memperhitungkan struktur *lag* parametrik (Newey & West, 1987). Namun, Schwert (1989) menemukan bahwa uji PP dapat mengalami distorsi ukuran (*size distortion*) yang signifikan jika terdapat komponen *moving average* negatif yang kuat dalam data time series.
Guna mengatasi kelemahan individual dari masing-masing uji, pendekatan pengujian konfirmasi (*confirmatory testing*) yang menggabungkan uji ADF/PP dengan uji KPSS sangat direkomendasikan dalam literatur modern (Carrion-i-Silvestre et al., 2005). Ketika ADF menolak nol akar unit dan KPSS gagal menolak nol stasioneritas, simpulan stasioneritas berada pada tingkat kepastian tertinggi.
Terkait dengan perubahan kondisi eksternal seperti krisis keuangan global atau pandemi, analisis ekonometrika klasik tanpa memperhitungkan *structural break* sering kali menghasilkan simpulan yang salah. Perron (1989) menegaskan bahwa sebagian besar variabel makroekonomi yang dianggap memiliki akar unit sebenarnya merupakan deret stasioner tren dengan patahan pada konstanta atau kemiringan (*slope*).
Penggunaan *Breakpoint Unit Root Test* dengan metode Zivot dan Andrews (1992) memungkinkan penentuan titik patahan secara endogen dari data tanpa bias apriori peneliti. Prosedur ini menjamin bahwa penetapan derajat integrasi variabel I(0) atau I(1) tetap valid meskipun periode pengamatan mencakup rentang waktu krisis yang fluktuatif.
Dengan menerapkan hirarki pemilihan uji yang ketat berbasis karakteristik data, peneliti dapat menghindari kesalahan spesifikasi model dan memastikan bahwa analisis ekonometrika tahap berikutnya memiliki landasan statistik yang kokoh.
Kesimpulan
Memilih jenis uji stasioneritas di EViews membutuhkan evaluasi cermat terhadap pola visual data, keberadaan autokorelasi, heteroskedastisitas, dan patahan struktural. Uji ADF merupakan pilihan standar utama untuk data linear parametrik, sedangkan uji PP lebih unggul saat terdapat heteroskedastisitas non-parametrik. Uji KPSS berfungsi penting sebagai pengujian konfirmasi (*confirmatory test*), dan uji Zivot-Andrews wajib digunakan saat data melewati periode krisis atau perubahan struktur. Penggabungan metode pengujian yang tepat akan menjamin keabsahan derajat integrasi data sebelum melangkah ke pemodelan estimasi time series lanjutan.
Daftar Pustaka
Carrion-i-Silvestre, J. L., Del Barrio-Castro, T., & Lopez-Bazo, E. (2005). Break point evaluation in confirmatory stationarity tests. Journal of Time Series Analysis, 26(4), 547-562.
Davidson, R., & MacKinnon, J. G. (2004). Econometric Theory and Methods. Oxford University Press.
Dickey, D. A., & Fuller, W. A. (1979). Distribution of the estimators for autoregressive time series with a unit root. Journal of the American Statistical Association, 74(366a), 427-431.
Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
Kwiatkowski, D., Phillips, P. C., Schmidt, P., & Shin, Y. (1992). Testing the null hypothesis of stationarity against the alternative of a unit root. Journal of Econometrics, 54(1-3), 159-178.
Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.
Maddala, G. S., & Kim, I. M. (1998). Unit Roots, Cointegration, and Structural Change. Cambridge University Press.
Nelson, C. R., & Plosser, C. R. (1982). Trends and random walks in macroeonomic time series: some evidence and implications. Journal of Monetary Economics, 10(2), 139-162.
Newey, W. K., & West, K. D. (1987). A simple, positive semi-definite, heteroskedasticity and autocorrelation consistent covariance matrix. Econometrica, 55(3), 703-708.
Perron, P. (1989). The great crash, the oil price shock, and the unit root hypothesis. Econometrica, 57(6), 1361-1401.
Phillips, P. C., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75(2), 335-346.
Plosser, C. I., & Schwert, G. W. (1978). Money, income, and sunspots: measuring economic relationships and the effects of differencing. Journal of Monetary Economics, 4(4), 637-660.
Said, S. E., & Dickey, D. A. (1984). Testing for unit roots in autoregressive-moving average models of unknown order. Biometrika, 71(3), 599-607.
Schwert, G. W. (1989). Tests for unit roots: A Monte Carlo investigation. Journal of Business & Economic Statistics, 7(2), 147-159.
Zivot, E., & Andrews, D. W. K. (1992). Further evidence on the great crash, the oil-price shock, and the unit-root hypothesis. Journal of Business & Economic Statistics, 10(3), 251-270.