Panduan Analisis VECM di EViews: Dari Uji Stabilitas Hingga Interpretasi IRF dan FEVD

Panduan Analisis VECM di EViews: Dari Uji Stabilitas Hingga Interpretasi IRF dan FEVD menjadi rujukan praktis saat peneliti menghadapi masalah ekonometrika pada data time series. Kendala utama yang sering muncul adalah model Vector Error Correction Model (VECM) menghasilkan output yang tidak stabil, ditandai dengan nilai Roots of AR Characteristic Polynomial yang melebihi angka 1. Akibatnya, grafik Impulse Response Function (IRF) tidak kembali ke titik keseimbangan (steady-state), melainkan meledak secara eksponensial (explosive), serta proporsi peramalan pada Forecast Error Variance Decomposition (FEVD) menjadi tidak rasional.

Gejala kegagalan ini biasanya disebabkan oleh kesalahan penentuan lag optimal pada model dasar VAR, ketidaktepatan pemilihan opsi tren deterministik pada Uji Kointegrasi Johansen, serta kekeliruan dalam pengurutan variabel pada identifikasi matriks kovarians (Cholesky Decomposition Ordering). Jika masalah ini dibiarkan, estimasi jangka pendek maupun jangka panjang akan menghasilkan simpulan yang bias.

Pemodelan VECM merupakan pengembangan dari Vector Autoregression (VAR) linier yang digagas oleh Sims (1980). Pemodelan VAR dirancang untuk menangkap hubungan dinamis simultan antar variabel tanpa membedakan variabel eksogen dan endogen. Namun, jika variabel memiliki hubungan keseimbangan jangka panjang dan stasioner pada diferensiasi pertama atau I(1), pemodelan VAR dalam bentuk first difference biasa akan menghilangkan informasi jangka panjang tersebut.

Untuk mengatasi kelemahan tersebut, Engle dan Granger (1987) merumuskan Granger Representation Theorem. Teorema ini menyatakan bahwa jika sekumpulan variabel time series terbukti terintegrasi pada ordo I(1) dan saling terkointegrasi, maka sistem tersebut wajib direpresentasikan dalam bentuk VECM. Pemodelan VECM secara elegan memisahkan hubungan jangka panjang (long-run equilibrium) dari penyesuaian jangka pendek (short-run dynamics) melalui mekanisme koreksi kesalahan.

Pengujian kointegrasi multivariat dikembangkan lebih lanjut oleh Johansen (1988, 1991) menggunakan pendekatan maximum likelihood. Pembacaan dasar mengenai matriks kointegrasi ini dapat Anda pelajari pada rujukan teori dasar uji kointegrasi Johansen di statistikian.com. Prosedur Johansen menentukan banyaknya hubungan kointegrasi linier independen yang mengikat variabel-variabel dalam jangka panjang.

Mengenai kriteria stabilitas model, Lütkepohl (2005) memberikan batasan matematis yang sangat jelas. Dalam sistem VECM dengan K variabel dan r vektor kointegrasi, matriks polinomial karakteristik wajib memiliki tepat sebanyak K-r akar unit (unit roots) yang bernilai sama dengan 1. Seluruh sisa akar karakteristik lainnya harus berada di dalam lingkaran satuan (unit circle) dengan nilai modulus secara eksplisit lebih kecil dari 1. Jika terdapat modulus sisa yang bernilai sama dengan atau lebih besar dari 1, maka VECM dinyatakan tidak stabil.

Kondisi ketidakstabilan ini berdampak langsung pada keabsahan instrumen dinamis. Enders (2015) menjelaskan bahwa IRF berfungsi mengukur lintasan respons suatu variabel akibat guncangan acak (stochastic shock) sebesar satu standar deviasi dari variabel lain. Jika sistem tidak stabil, respons IRF tidak akan pernah konvergen. Sementara itu, Hamilton (1994) menegaskan bahwa FEVD menguraikan persentase kontribusi varians galat peramalan, sehingga ketidakstabilan sistem akan memicu angka pembagian varians yang menyesatkan.

Untuk menyelesaikan permasalahan tersebut, berikut adalah tahapan perbaikan teknis mandiri yang harus Anda lakukan di EViews:

1. Uji Stasioneritas Data: Lakukan pengujian akar unit ADF pada tingkat level dan first difference. Seluruh variabel wajib terintegrasi pada ordo I(1). Penjelasan konsep ini dapat disimak pada rujukan teori uji stasioneritas ekonometrika di statistikian.com.
2. Penentuan Lag Optimal VAR: Pilih lag optimal berdasarkan kriteria informasi (AIC atau SC) terendah yang terbukti menghasilkan residual bebas dari autokorelasi.
3. Pengujian Kointegrasi Johansen: Buka menu View > Cointegration Test > Johansen System Cointegration Test. Tentukan jumlah rank kointegrasi (r) berdasarkan statistik Trace dan Maximum Eigenvalue.
4. Estimasi VECM: Ubah VAR Type menjadi Vector Error Correction, masukkan lag interval VECM (lag VAR minus 1), serta masukkan nilai rank kointegrasi hasil uji Johansen.
5. Uji Stabilitas AR Roots: Klik View > Lag Structure > Roots of Characteristic Polynomial. Pastikan tepat ada K-r akar bernilai 1.000000 dan sisa modulus akar bernilai < 1.000000.
6. Identifikasi Cholesky IRF: Pada menu Impulse, pilih metode Cholesky - do degrees of freedom adjustment. Urutkan variabel dari yang paling eksogen ke yang paling endogen.
7. Ekstraksi FEVD: Klik tombol Variance Decomposition dan tentukan horizon periode peramalan untuk melihat pembagian varians galat.

Contoh Tabel/Diagram Output Analisis VECM, Stabilitas AR Roots, IRF, dan FEVD di EViews

Berdasarkan output pada ilustrasi di atas, evaluasi stabilitas VECM menjadi tahap krusial pertama sebelum menafsirkan grafik IRF dan tabel FEVD. Pada panel Roots of AR Characteristic Polynomial, sistem yang terdiri dari 3 variabel (K = 3) dengan 1 vektor kointegrasi (r = 1) terbukti memiliki tepat K-r = 2 akar unit bernilai 1.000000. Sementara itu, seluruh sisa akar karakteristik memiliki nilai modulus 0.593210 dan 0.381204. Karena seluruh sisa modulus bernilai di bawah 1.000000, maka model VECM dipastikan stabil.

Hasil analisis FEVD pada panel kedua memberikan gambaran mengenai besarnya kontribusi transmisi guncangan antar variabel. Pada periode awal (periode 1), fluktuasi variabel Y dijelaskan sebesar 100% oleh guncangan internalnya sendiri. Hal ini sesuai dengan asumsi eksogenitas kontemporer dalam skema pembentukan matriks kovarians. Namun, memasuki periode ke-10, kontribusi variabel Y menurun menjadi 51.4820%, sementara guncangan suku bunga (X1) dan inflasi (X2) masing-masing memberikan kontribusi sebesar 33.2100% dan 15.3080%.

Dalam kajian ekonometrika dinamis, Stock dan Watson (2001) mengingatkan bahwa residual dari estimasi VECM standar masih saling berkorelasi (contemporaneously correlated). Kondisi ini menyebabkan guncangan acak dari satu variabel tidak dapat diisolasi secara murni tanpa adanya ortogonalisasi residual.

Dekomposisi Cholesky hadir untuk memecahkan masalah korelasi residual tersebut melalui transformasi matriks segitiga bawah. Namun, Sims (1980) menggarisbawahi bahwa metode ini sangat sensitif terhadap urutan penempatan variabel (variable ordering). Variabel yang diletakkan di posisi teratas dianggap paling eksogen secara kontemporer, sedangkan variabel di posisi paling bawah merespons seluruh guncangan variabel lain secara bersamaan.

Peneliti wajib mendasarkan urutan variabel dalam instrumen IRF pada teori ekonomi yang baku. Apabila teori ekonomi tidak memberikan petunjuk yang tegas mengenai skema eksogenitas, Greene (2018) merekomendasikan penggunaan Generalized Impulse Response Function (GIRF) dari Pesaran dan Shin (1998). Metode GIRF menghasilkan lintasan respons yang independen dan tidak terpengaruh oleh perubahan urutan variabel.

Terakhir, Gujarati dan Porter (2009) mengingatkan pentingnya Uji Diagnostik Residual multivariat. Model VECM yang stabil tetap membutuhkan residual yang bebas dari masalah autokorelasi serial. Pengujian VEC Residual Serial Correlation LM Test di EViews harus menghasilkan nilai p-value di atas 0.05 pada seluruh lag. Jika autokorelasi masih ditemukan, penambahan panjang lag pada model VAR dasar menjadi langkah korektif yang wajib dilakukan.

Kesimpulan

Pemodelan VECM (Vector Error Correction Model) di EViews memberikan metodologi yang sangat andal untuk menganalisis dinamika hubungan jangka pendek dan jangka panjang pada variabel terkointegrasi I(1). Pengujian stabilitas AR Roots merupakan syarat mutlak agar grafik Impulse Response Function (IRF) dan tabel Forecast Error Variance Decomposition (FEVD) tidak bersifat explosive. Dengan menerapkan penentuan lag optimal yang tepat, penetapan urutan Cholesky berlandaskan teori ekonomi, serta verifikasi bebas autokorelasi residual, analisis VECM di EViews dapat dijadikan rujukan ilmiah yang sah dan akurat untuk peramalan serta pengambilan keputusan kebijakan.

Daftar Pustaka

• Enders, W. (2015). Applied Econometric Time Series (4th ed.). John Wiley & Sons.
• Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica: Journal of the Econometric Society, 55(2), 251-276.
• Greene, W. H. (2018). Econometric Analysis (8th ed.). Pearson Education.
• Gujarati, D. N., & Porter, D. C. (2009). Basic Econometrics (5th ed.). McGraw-Hill/Irwin.
• Hamilton, J. D. (1994). Time Series Analysis. Princeton University Press.
• Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control, 12(2-3), 231-254.
• Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica: Journal of the Econometric Society, 59(6), 1551-1580.
• Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.
• Pesaran, H. H., & Shin, Y. (1998). Generalized impulse response analysis in linear multivariate models. Economics Letters, 58(1), 17-29.
• Sims, C. A. (1980). Macroeconomics and reality. Econometrica: Journal of the Econometric Society, 48(1), 1-48.
• Stock, J. H., & Watson, M. W. (2001). Vector autoregressions. Journal of Economic Perspectives, 15(4), 101-115.