Panduan Melakukan Uji Kausalitas Granger dalam Kerangka VAR VECM dengan Eviews

Peneliti sering menghadapi kendala serius saat menerapkan **Panduan Melakukan Uji Kausalitas Granger dalam Kerangka VAR VECM dengan Eviews** akibat ketidakcocokan antara sifat stasioneritas data dan pilihan kerangka model. Kesalahan fatal yang umum terjadi adalah menjalankan uji kausalitas Granger standar (*Pairwise Granger Causality*) pada variabel level yang tidak stasioner atau I(1). Tindakan ini memicu masalah regresi culas (*spurious regression*) dan menghasilkan nilai f-statistik yang berlebihan, sehingga peneliti menarik kesimpulan yang salah mengenai hubungan timbal balik antar variabel.

Masalah lain muncul ketika data terbukti memiliki kointegrasi, namun pengujian kausalitas tetap dilakukan dalam sistem *Vector Autoregression* (VAR) dalam bentuk *first difference* biasa tanpa memasukkan *Error Correction Term* (ECT). Mengabaikan komponen kointegrasi ini menyebabkan hilangnya informasi hubungan jangka panjang dan memicu *omitted variable bias*. Akibatnya, hubungan kausalitas jangka panjang yang dimediasi oleh jalur penyesuaian keseimbangan gagal terdeteksi oleh sistem EViews, sehingga analisis dinamika antar variabel menjadi tidak valid.

Konsep Teori Kausalitas Granger dan Integrasi Sistem Dinamik

Uji kausalitas Granger dikembangkan untuk menentukan apakah nilai masa lalu (*lagged values*) dari suatu variabel memiliki kemampuan prediktif terhadap nilai variabel lain saat ini (Granger, 1969). Secara statistik, variabel X dikatakan mempengaruhi Y secara kausalitas Granger jika prediksi terhadap Y menjadi lebih akurat ketika memperhitungkan nilai-nilai historis X dibandingkan hanya mengandalkan nilai-nilai historis Y itu sendiri.

Pengujian kausalitas tidak boleh dilepaskan dari pengujian kointegrasi dan stasioneritas data ekonometrika. Pemahaman dasar teoritis mengenai interaksi sistem dinamik ini dapat dibaca pada artikel konsep dasar uji kausalitas Granger dan VAR di www.statistikian.com.

Ketika variabel-variabel penelitian tidak stasioner pada tingkat level tetapi terkointegrasi, Teorema Representasi Granger menegaskan bahwa harus terdapat hubungan kausalitas setidaknya dalam satu arah (Engle & Granger, 1987). Dalam kondisi ini, pengujian kausalitas wajib dieksekusi dalam kerangka *Vector Error Correction Model* (VECM) untuk memisahkan kausalitas jangka pendek (*short-run causality*) dan kausalitas jangka panjang (*long-run causality*).

Kausalitas jangka pendek dievaluasi melalui uji Wald terhadap signifikansi bersama dari koefisien *lagged difference* variabel independen. Sementara itu, kausalitas jangka panjang terdeteksi apabila koefisien *Error Correction Term* (ECT atau CointEq1) bernilai negatif dan signifikan secara statistik (Miller & Russek, 1990).

Panduan Teknis Eksekusi Uji Kausalitas Granger pada EViews

Untuk menjalankan pengujian kausalitas Granger yang presisi dan valid di EViews sesuai dengan kerangka ekonometrika yang tepat, ikuti tahapan langkah berikut:

Langkah 1: Verifikasi Derajat Integrasi Data
Lakukan uji akar unit (ADF atau PP) pada seluruh variabel. Jika semua variabel stasioner pada level I(0), gunakan model VAR Level. Jika seluruh variabel stasioner pada *first difference* I(1), lanjutkan ke pengujian kointegrasi Johansen.

Langkah 2: Penentuan Lag Optimal Sistem
Buka kelompok variabel sebagai *Group* di EViews, lalu estimasi VAR standar tanpa terstriksi. Tentukan panjang *lag* optimal melalui kriteria informasi statistik:

View -> Lag Structure -> Lag Length Criteria
    

Pilihlah jumlah *lag* yang ditandai tanda bintang terbanyak berdasarkan kriteria *Akaike Information Criterion* (AIC) atau *Schwarz Information Criterion* (SIC) (Lütkepohl, 2005).

Langkah 3: Pelaksanaan Uji Kausalitas jika Data Stasioner I(0)
Jika variabel stasioner pada level, jalankan *Pairwise Granger Causality Test* langsung dari jendela *Group* di EViews:

View -> Granger Causality... -> Isikan Lag Structure sesuai Langkah 2
    

Langkah 4: Pelaksanaan Uji Kausalitas dalam Kerangka VECM jika Terkointegrasi
Jika variabel berintegrasi pada I(1) dan memiliki hubungan kointegrasi, estimasi model VECM di EViews. Buka window output VECM tersebut lalu pilih menu berikut untuk menguji kausalitas jangka pendek:

View -> Lag Structure -> VEC Granger Causality/Block Exogeneity Wald Tests
    

Langkah 5: Evaluasi Kausalitas Jangka Pendek (Block Exogeneity)
Amati nilai *Chi-square* dan *p-value* pada output *VEC Granger Causality*. Jika *p-value* < 0.05, maka hipotesis nol ditolak, yang berarti terdapat kausalitas jangka pendek dari variabel independen terhadap variabel dependen.

Langkah 6: Evaluasi Kausalitas Jangka Panjang (Mekanisme ECT)
Periksa koefisien `CointEq1` pada tabel estimasi VECM. Jika koefisien bernilai negatif, signifikan (p-value < 0.05), dan bernilai antara 0 hingga -1, maka terbukti ada kausalitas jangka panjang menuju variabel dependen.

Langkah 7: Alternatif Pendekatan Toda-Yamamoto untuk Data Campuran
Jika terdapat ketidakpastian derajat integrasi atau ada variabel I(0) dan I(1) tanpa kointegrasi, gunakan prosedur Toda-Yamamoto (Toda & Yamamoto, 1995) dengan mengestimasi VAR Level yang ditambah *lag* ekstra sesuai derajat integrasi maksimum.

Langkah 8: Evaluasi Uji Diagnostik Kestabilan VAR/VECM
Pastikan seluruh akar polinomial berada di dalam lingkaran satuan (*unit circle*) melalui menu *AR Roots Graph/Table* untuk menjamin model stabil dan hasil kausalitas tidak bias.

Langkah 9: Rangkuman Arah Kausalitas Sistem
Petakan hasil pengujian ke dalam empat kemungkinan kategori: kausalitas satu arah dari X ke Y, kausalitas satu arah dari Y ke X, kausalitas dua arah (*bi-directional/feedback*), atau tidak ada kausalitas sama sekali (*independen*).

Pembahasan Ilmiah: Evaluasi Metodologis Uji Kausalitas

Uji kausalitas Granger konvensional didasarkan pada asumsi bahwa variabel-variabel yang diamati bersifat stasioner I(0) dengan distribusi asymptotic normal (Granger, 1969). Ketika uji ini diterapkan pada variabel non-stasioner I(1), distribusi statistik F tidak lagi mengikuti distribusi standar F, melainkan berdistribusi non-standar yang bergantung pada *nuisance parameters* (Toda & Phillips, 1993).

Penelitian Toda dan Phillips (1993) membuktikan bahwa pengujian kausalitas Granger pada model VAR dalam bentuk level I(1) menghasilkan inferensi yang tidak valid akibat distorsi ukuran uji (*size distortion*). Oleh karena itu, pengujian kointegrasi Johansen (Johansen, 1991) menjadi langkah krusial untuk menentukan kerangka estimasi yang tepat.

Dalam kerangka VECM, struktur kausalitas terbagi menjadi dua mekanisme terpisah. Kausalitas jangka pendek mencerminkan pengaruh langsung dari dinamika perubahan variabel independen periode lalu terhadap variabel dependen. Sementara itu, kausalitas jangka panjang bekerja melalui koefisien *Error Correction Term* (ECT) yang mengukur kecepatan penyesuaian menuju titik keseimbangan (Hamilton, 1994).

Jika koefisien ECT signifikan, hal ini mengindikasikan bahwa variabel dependen merespons deviasi dari keseimbangan jangka panjang yang disebabkan oleh guncangan pada variabel independen, meskipun koefisien *lagged difference* jangka pendeknya tidak signifikan secara individual (Engle & Granger, 1987). Fenomena ini menegaskan pentingnya menyertakan komponen ECT dalam analisis kausalitas.

Guna mengatasi kelemahan kointegrasi Johansen yang sensitif terhadap ukuran sampel, Toda dan Yamamoto (1995) mengajukan pendekatan estimasi VAR Level yang dimodifikasi (*Modified WALD test*). Prosedur ini mengestimasi VAR pada tingkat level dengan menambah jumlah *lag* sebanyak derajat integrasi maksimum data, sehingga uji Wald tetap berdistribusi *Chi-square* standar tanpa memedulikan status kointegrasi.

Pemilihan jumlah *lag* yang tidak tepat juga dapat mengganggu validitas uji kausalitas. Penentuan *lag* yang terlalu sedikit akan menghasilkan residu yang terautokorelasi dan menyebabkan statistik p-value tidak valid, sedangkan *lag* yang terlalu banyak menurunkan *power of test* (Enders, 2015).

Dengan memahami kerangka ekonometrika kausalitas secara utuh—mulai dari integrasi data, pengujian kointegrasi, hingga pemilihan antara VECM *Block Exogeneity* dan Toda-Yamamoto—peneliti dapat menyajikan analisis kausalitas di EViews yang teruji secara ilmiah dan bebas dari jebakan regresi culas.

Kesimpulan

Pelaksanaan uji kausalitas Granger di EViews wajib disesuaikan dengan status stasioneritas dan keberadaan kointegrasi data. Gunakan *Pairwise Granger Causality* jika data stasioner I(0). Jika data berintegrasi I(1) dan terkointegrasi, gunakan *VEC Granger Causality/Block Exogeneity Wald Tests* untuk mendeteksi kausalitas jangka pendek serta evaluasi signifikansi *Error Correction Term* untuk kausalitas jangka panjang. Pemilihan metodologi yang tepat menjamin keabsahan inferensi hubungan timbal balik antar variabel ekonometrika.

Daftar Pustaka