Kapan Harus Menggunakan VAR Level, Var Difference atau VECM dan ARDL pada Eviews? Algoritma Pemilihan

Dalam ekonometrika runtun waktu (*time series*), para peneliti dan praktisi sering kali mengalami kebingungan metodologis ketika menentukan Kapan Harus Menggunakan VAR Level, Var Diff atau VECM dan ARDL pada Eviews. Permasalahan ini umumnya muncul ke permukaan saat output estimasi EViews menunjukkan hasil yang tidak masuk akal, seperti regresi palsu (*spurious regression*) dengan nilai R-squared tinggi tetapi t-statistik tidak signifikan, nilai *Error Correction Term* (ECT) pada VECM bernilai positif atau lebih besar dari nol, atau munculnya pesan peringatan *near singular matrix* dan kegagalan konvergensi saat menentukan lag optimal.

Kemunculan gejala kegagalan estimasi ini bersumber dari kekeliruan dalam mengidentifikasi derajat integrasi variabel melalui uji akar-akar unit (*unit root test*) serta ketidaktepatan penentuan keberadaan hubungan kointegrasi jangka panjang. Ketika model *Vector Autoregression* (VAR) dalam bentuk level dipaksakan pada data yang tidak stasioner tanpa adanya kointegrasi, atau ketika model *Vector Error Correction Model* (VECM) diterapkan pada data dengan derajat integrasi campuran I(0) dan I(1), struktur estimasi yang dibentuk oleh EViews menjadi cacat. Hal ini merusak analisis *Impulse Response Function* (IRF) dan *Variance Decomposition* (VD) serta membiaskan seluruh simpulan penelitian.

Konsep Teori Model Time Series Simultan dan Dinamis

Model *Vector Autoregression* (VAR) dalam bentuk level yang diperkenalkan oleh Sims (1980) dirancang untuk menangkap dinamika hubungan timbal balik antar variabel tanpa membedakan variabel endogen dan eksogen secara kaku. Namun, asumsi mendasar dari VAR Level adalah seluruh variabel dalam sistem wajib stasioner pada tingkat level atau I(0). Jika VAR Level diterapkan pada variabel yang mengandung akar unit, maka statistik pengujian standar tidak lagi berdistribusi normal.

Apabila variabel tidak stasioner pada tingkat level tetapi stasioner pada diferensiasi pertama atau I(1), pemodelan dapat dialihkan ke *VAR First Difference* (VAR Diff) atau *Vector Error Correction Model* (VECM). Peneliti yang ingin memahami fondasi teoritis mengenai konsep dasar pengujian stasioneritas dan kointegrasi dapat mengelaborasi materinya secara komprehensif di www.statistikian.com.

Menurut Engle dan Granger (1987) serta Johansen (1988), jika sekumpulan variabel stasioner pada diferensiasi pertama I(1) dan terbukti memiliki hubungan kointegrasi, maka VECM merupakan spesifikasi yang tepat. VECM menggabungkan dinamika jangka pendek dalam bentuk diferensiasi dengan penyesuaian keseimbangan jangka panjang melalui komponen *Error Correction Term* (ECT). Sebaliknya, jika data bersifat I(1) tetapi tidak terkointegrasi, VAR Diff wajib digunakan untuk menghindari pengabaian spesifikasi.

Dalam perkembangan ekonometrika modern, Pesaran, Shin, dan Smith (2001) mengembangkan pendekatan *Autoregressive Distributed Lag* (ARDL) / *Bounds Testing Approach*. ARDL memberikan fleksibilitas tinggi karena dapat diterapkan pada data dengan derajat integrasi campuran, yaitu kombinasi antara variabel stasioner pada level I(0) dan stasioner pada diferensiasi pertama I(1), selama tidak ada variabel yang terintegrasi pada derajat kedua atau I(2).

Algoritma dan Prosedur Pemilihan Model di EViews

Untuk memastikan spesifikasi model ekonometrika yang dipilih valid dan terbebas dari kesalahan struktur, ikuti algoritma keputusan teknis berikut secara bertahap:

Langkah 1: Pelaksanaan Uji Akar-Akar Unit (Unit Root Test)
Jalankan pengujian stasioneritas pada setiap variabel menggunakan uji *Augmented Dickey-Fuller* (ADF) atau *Phillips-Perron* (PP) di EViews, baik pada tingkat *Level* maupun *First Difference*.

Langkah 2: Klasifikasi Derajat Integrasi Seluruh Variabel
Petakan hasil uji akar unit ke dalam tiga kategori utama: seluruh variabel stasioner pada level I(0), seluruh variabel stasioner pada diferensiasi pertama I(1), atau kombinasi campuran antara I(0) dan I(1).

Langkah 3: Pemilihan VAR Level (Kondisi Seluruh Variabel I(0))
Jika seluruh variabel terbukti stasioner pada tingkat level I(0), pilihlah model **VAR Level**. Estimasi dilakukan tanpa perlu mendiferensiasikan data dan tanpa uji kointegrasi lanjutan:

EViews Menu: Quick -> Estimate VAR -> VAR Type: Unrestricted VAR -> Endogenous Variables: y x1 x2
    

Langkah 4: Evaluasi Uji Kointegrasi Johansen (Kondisi Murni Seluruh Variabel I(1))
Jika seluruh variabel tidak stasioner pada level tetapi stasioner pada diferensiasi pertama I(1), lakukan **Johansen Cointegration Test** di EViews untuk memeriksa keberadaan hubungan jangka panjang.

Langkah 5: Pemilihan VECM (Kondisi Seluruh Variabel I(1) dan Terkointegrasi)
Jika hasil uji Johansen menunjukkan terdapat minimal satu persamaan kointegrasi (p-value Trace / Max-Eigen < 0.05), pilihlah model **VECM**. Spesifikasi ini mengekstrak vektor kointegrasi dan estimasi penyesuaian jangka pendek:

EViews Menu: Quick -> Estimate VAR -> VAR Type: Vector Error Correction -> Cointegration Tab: Select Trend Specification
    

Langkah 6: Pemilihan VAR Difference (Kondisi Seluruh Variabel I(1) Tanpa Kointegrasi)
Jika seluruh variabel bersifat I(1) tetapi uji Johansen gagal menemukan kointegrasi (p-value > 0.05), pilihlah model **VAR First Difference** (VAR Diff). Seluruh variabel diestimasi dalam bentuk diferensiasi pertama d(y), d(x1), d(x2).

Langkah 7: Pemilihan ARDL / Bounds Test (Kondisi Derajat Integrasi Campuran I(0) dan I(1))
Jika sebagian variabel stasioner pada I(0) dan sebagian lagi pada I(1), pilihlah model **ARDL**. Estimasi dilakukan menggunakan pendekatan *Bounds Test* untuk menguji hubungan kointegrasi jangka panjang (Pesaran et al., 2001):

EViews Menu: Quick -> Estimate Equation -> Method: ARDL - Autoregressive Distributed Lag -> Dependent: y | Dynamic Regressors: x1 x2
    

Langkah 8: Penanganan Kasus Keberadaan Variabel I(2)
Periksa dengan teliti agar tidak ada variabel yang baru stasioner pada diferensiasi kedua atau I(2). Keberadaan variabel I(2) membatalkan keabsahan uji statistik pada model VAR, VECM, maupun ARDL.

Langkah 9: Pengujian Diagnostik Asumsi Residu Model
Setiap model yang dipilih wajib lolos uji diagnostik residu di EViews, yang meliputi uji bebas autokorelasi (*Autocorrelation LM Test*), uji homoskedastisitas, serta uji stabilitas struktur (*AR Roots Table / CUSUM Test*).

Pembahasan Ilmiah: Justifikasi Ekonometrika dan Implikasi Terhadap Hasil

Rasional ilmiah di balik hirarki pemilihan model ini berakar pada struktur matematis hubungan jangka panjang dan jangka pendek. Ketika variabel stasioner pada I(0), estimasi VAR Level memberikan parameter yang konsisten tanpa perlu mentransformasi data. Namun, jika VAR Level dipaksakan pada variabel non-stasioner, distribusi T-stat dan F-stat mengalami distorsi hebat, situasi yang dikenal sebagai fenomena regresi non-sense (Sims, Stock, & Watson, 1990).

Lütkepohl (2005) menjelaskan bahwa melakukan diferensiasi pertama pada variabel non-stasioner untuk membentuk VAR Diff secara efektif menghilangkan komponen *trend* stokastik. Kendati demikian, apabila variabel-variabel tersebut sebenarnya terkointegrasi, mendiferensiasikan data tanpa memasukkan komponen kointegrasi akan membuang informasi hubungan keseimbangan jangka panjang yang berharga. Oleh karena itu, VECM hadir untuk menjembatani dinamika jangka pendek dan jangka panjang (Engle & Granger, 1987).

Sifat krusial dari VECM terletak pada koefisien *Error Correction Term* (ECT). Koefisien ECT wajib bernilai negatif dan signifikan secara statistik (berada di antara -1 dan 0). Nilai negatif ini mencerminkan kecepatan penyesuaian (*speed of adjustment*) kembali menuju keseimbangan jangka panjang setelah terjadi guncangan jangka pendek. Koefisien ECT yang bernilai positif mengindikasikan misspesifikasi model atau ketidakvalidan hubungan kointegrasi (Johansen, 1995).

Di sisi lain, keunggulan ekonometrika dari model ARDL terletak pada fleksibilitasnya mengatasi masalah kointegrasi pada sampel berukuran kecil hingga sedang (Pesaran et al., 2001). Tidak seperti pengujian Johansen yang sangat sensitif terhadap penentuan jumlah lag, pendekatan *ARDL Bounds Testing* mampu menguji keberadaan hubungan jangka panjang tanpa mempermasalahkan apakah variabel penjelas bersifat I(0) atau I(1).

Sebagai alternatif bagi peneliti yang menghadapi variabel dengan derajat integrasi berbeda namun tetap ingin mengestimasi analisis kausalitas Granger dalam kerangka VAR, prosedur Toda dan Yamamoto (1995) dapat diterapkan. Metode Toda-Yamamoto mengestimasi VAR Level dengan menambahkan lag ekstra sesuai derajat integrasi maksimum data, sehingga uji *Wald test* tetap berdistribusi chi-square standar.

Kesalahan spesifikasi model secara langsung merusak hasil *Impulse Response Function* (IRF) dan *Variance Decomposition* (VD). Pada VAR Diff yang kehilangan kointegrasi, respon shock akan kembali ke nol secara prematur. Sebaliknya, pada VECM yang valid, dampak shock memperlihatkan akumulasi efek permanen atau transitori yang sesuai dengan teori ekonomi (Lütkepohl, 2005).

Dengan menerapkan algoritma pemilihan berbasis kriteria ekonometrika yang ketat ini, estimasi time series yang dihasilkan di EViews akan memiliki daya penjelas yang tinggi, terbebas dari kesalahan struktur, serta diakui keabsahannya dalam publikasi ilmiah.

Kesimpulan

Pemilihan antara VAR Level, VAR Difference, VECM, dan ARDL di EViews wajib didasarkan pada hasil uji akar unit dan pengujian kointegrasi. Gunakan **VAR Level** jika seluruh variabel stasioner pada I(0); gunakan **VECM** jika seluruh variabel stasioner pada I(1) dan terbukti terkointegrasi; gunakan **VAR Difference** jika seluruh variabel stasioner pada I(1) tetapi tidak terkointegrasi; dan gunakan **ARDL** jika terdapat kombinasi derajat integrasi I(0) dan I(1). Pengadaan uji diagnostik residu merupakan tahap penutup yang wajib dipenuhi untuk menjamin keabsahan inferensi.

Daftar Pustaka