Panduan Uji Kointegrasi Johansen di EViews untuk Mengetahui Hubungan Jangka Panjang
Uji Kointegrasi Johansen di EViews merupakan prosedur ekonometrika mendasar yang digunakan untuk mendeteksi keberadaan hubungan keseimbangan jangka panjang antarvariabel non-stasioner yang terintegrasi pada derajat yang sama, yaitu I(1). Namun, dalam praktik analisis empiris, peneliti sering menghadapi kendala teknis saat hasil uji menunjukkan kontradiksi antara statistik Trace dan statistik Maximum Eigenvalue. Ketidakpastian ini menimbulkan keraguan dalam menentukan jumlah vektor kointegrasi yang tepat, yang jika salah ditentukan akan berakibat pada kegagalan estimasi model Vector Error Correction Model (VECM) atau menghasilkan regresi culas (spurious regression).
Gejala permasalahan teknis ini makin terlihat ketika EViews mengeluarkan peringatan bahwa sistem persamaan tidak stasioner pada tahap estimasi VECM, atau ketika nilai matriks mendekati singularitas (near singular matrix). Peneliti sering kali terjebak dalam dilema operasional saat menentukan apakah sistem memiliki satu, dua, atau tidak ada vektor kointegrasi sama sekali. Tanpa pemahaman mendalam mengenai hierarki penentuan kointegrasi, proses analisis ekonometrika akan terhenti pada tahap diagnosis dasar.
Latar belakang teoretis mengenai kointegrasi pertama kali digagas oleh Granger (1981) dan dikembangkan lebih lanjut oleh Engle dan Granger (1987). Konsep ini menyatakan bahwa meskipun beberapa variabel statistik bersifat tidak stasioner pada tingkat level, kombinasi linier dari variabel-variabel tersebut dapat menghasilkan kointegrasi yang stasioner pada derajat I(0). Bagi peneliti yang membutuhkan pembahasan konseptual komprehensif mengenai dasar teori kointegrasi dan linieritas data, rujukan lengkap dapat diakses pada domain utama statistikian.com.
Pendekatan dua langkah Engle-Granger memiliki keterbatasan mendasar karena hanya dapat mengidentifikasi satu vektor kointegrasi dalam kerangka kerja persamaan tunggal. Untuk mengatasi kelemahan tersebut, Johansen (1988) mengembangkan metode berbasis perkiraan kemungkinan maksimum (Maximum Likelihood) dalam sistem persamaan multivariat. Prosedur ini memungkinkan pendeteksian lebih dari satu hubungan kointegrasi secara bersamaan dalam sistem Vector Autoregressive (VAR).
Johansen dan Juselius (1990) memperluas formula ini dengan merumuskan matriks dampak jangka panjang yang merepresentasikan penyesuaian sistem terhadap penyimpangan keseimbangan. Matriks ini didekomposisi menjadi dua matriks komponen utama, yaitu matriks bobot kointegrasi dan matriks kecepatan penyesuaian menuju keseimbangan jangka panjang. Nilai peringkat (rank) dari matriks tersebut menentukan jumlah vektor kointegrasi independen yang ada di dalam sistem.
Menurut Johansen (1991), dua statistik uji digunakan untuk mengevaluasi peringkat matriks kointegrasi, yaitu uji Trace dan uji Maximum Eigenvalue. Uji Trace menguji hipotesis nol bahwa jumlah vektor kointegrasi kurang dari atau sama dengan nilai tertentu, melawan alternatif bahwa jumlahnya melebihi nilai tersebut. Pendekatan ini mengevaluasi seluruh nilai eigen terkecil secara kumulatif.
Di sisi lain, uji Maximum Eigenvalue menguji hipotesis nol bahwa terdapat sejumlah vektor kointegrasi melawan alternatif spesifik bahwa terdapat tepat satu vektor kointegrasi tambahan. Lutkepohl (2005) mencatat bahwa meskipun kedua pengujian berasal dari kerangka kerja matematika yang serupa, performa statistik keduanya dapat berbeda bergantung pada ukuran sampel dan spesifikasi lag yang digunakan dalam model.
Untuk mengatasi masalah teknis dan memperoleh hasil kointegrasi yang valid di EViews, langkah pertama yang wajib dilakukan adalah memastikan bahwa seluruh variabel yang diuji stasioner pada tingkat diferensiasi pertama atau I(1). Pengujian derajat integrasi ini dilakukan menggunakan uji Augmented Dickey-Fuller (ADF) atau uji Phillips-Perron (PP).
Langkah kedua adalah menentukan panjang lag optimum pada estimasi Unrestricted VAR. Penentu panjang lag yang tepat sangat vital karena kesalahan spesifikasi lag dapat merusak distribusi statistik uji Johansen. Pemilihan lag didasarkan pada nilai minimal dari kriteria Akaike Information Criterion (AIC) atau Schwarz Information Criterion (SIC).
Langkah ketiga adalah menjalankan menu pengujian di EViews melalui opsi View, kemudian memilih Cointegration Test, dan mengklik Johansen Cointegration Test pada jendela objek VAR yang telah diestimasi.
Langkah keempat adalah memilih asumsi tren deterministik (deterministic trend assumption) yang sesuai dengan karakteristik data ekonomi. EViews menyediakan lima opsi spesifikasi tren, mulai dari tidak ada konstanta hingga tren kuadratik.
Hamilton (1994) merekomendasikan penggunaan Opsi 3 (Linear deterministic trend) sebagai standar umum pada data makroekonomi, di mana persamaan kointegrasi memiliki intersep tetapi tidak memuat tren waktu linier secara langsung.
Langkah kelima adalah melakukan evaluasi terhadap tabel output statistik Trace dan Maximum Eigenvalue yang dihasilkan EViews dengan membandingkan nilai statistik hitung terhadap nilai kritis MacKinnon-Haug-Michelis (1999) pada tingkat signifikansi 5 persen.
Jika statistik Trace dan Maximum Eigenvalue memberikan indikasi jumlah vektor yang sama, maka penentuan rank kointegrasi dapat langsung ditetapkan tanpa keraguan teknis.
Namun, jika terjadi benturan hasil antara kedua uji tersebut, Juselius (2006) memberikan pedoman ilmiah untuk memprioritaskan statistik Trace. Statistik Trace memiliki keunggulan daya uji yang lebih stabil terhadap adanya pencilan (outliers) dan penyimpangan distribusi normalitas residual.
Langkah perbaikan alternatif saat kointegrasi tidak terdeteksi adalah dengan menguji ulang sensitivitas lag. Menambahkan atau mengurangi lag sebanyak satu periode sering kali mampu memulihkan struktur jangka panjang yang tersembunyi akibat hilangnya dinamika jangka pendek.
Selain itu, peneliti dapat menerapkan Pantula Principle dengan mengestimasi model pada beberapa kombinasi tren deterministik secara bersamaan untuk menemukan spesifikasi model paling optimal secara terstruktur.
Contoh Tabel/Diagram Output Uji Kointegrasi Johansen
Berdasarkan gambar output EViews di atas, pembacaan tabel kointegrasi dilakukan secara berurutan dari baris pertama. Pada baris hipotesis nol None (tidak ada kointegrasi), nilai statistik Trace sebesar 48,2154 melebihi nilai kritis 5 persen sebesar 29,7970 dengan nilai probabilitas 0,0001. Hal ini menunjukkan penolakan terhadap hipotesis nol, yang berarti terdapat minimal satu vektor kointegrasi dalam sistem.
Selanjutnya pada baris kedua dengan hipotesis nol At most 1 (maksimal satu vektor kointegrasi), nilai statistik Trace sebesar 8,1245 berada di bawah nilai kritis 15,4947 dengan probabilitas 0,4521. Hasil ini gagal menolak hipotesis nol, sehingga disimpulkan bahwa sistem memiliki tepat satu vektor kointegrasi (r = 1).
Pembahasan ilmiah mengenai identifikasi vektor kointegrasi memegang peranan krusial dalam pemodelan ekonometrika dinamis. Menurut Enders (2015), keberadaan hubungan kointegrasi menandakan adanya mekanisme koreksi kesalahan yang mengikat pergerakan jangka pendek variabel agar tidak menyimpang dari jalur keseimbangan jangka panjangnya.
Ketika sistem terbukti memiliki kointegrasi, estimasi VAR dalam bentuk diferensiasi pertama menjadi tidak valid karena menghilangkan informasi jangka panjang. Oleh karena itu, model harus ditransformasi ke dalam bentuk VECM.
Pesaran, Shin, dan Smith (2000) menekankan pentingnya presisi penanganan tren deterministik. Kesalahan dalam memilih kombinasi intersep dan tren akan merusak nilai kritis yang digunakan, sehingga menghasilkan keputusan kointegrasi yang keliru (false cointegration).
Apabila ditemukan lebih dari satu vektor kointegrasi (r > 1), interpretasi hubungan jangka panjang memerlukan identifikasi pembatasan struktural pada matriks kointegrasi agar masing-masing persamaan memiliki makna ekonomi yang jelas.
Aspek penting lainnya dalam prosedur Johansen adalah evaluasi residual model VAR dasar. Residual harus memenuhi asumsi multivariat normal dan bebas dari masalah autokorelasi agar uji kointegrasi memiliki daya statistik yang sahih.
Secara keseluruhan, pemahaman terhadap hierarki pengujian Johansen di EViews memfasilitasi peneliti dalam menyusun spesifikasi model ekonometrika yang tangguh, akurat, serta konsisten secara teoretis maupun empiris.
Kesimpulan
Uji kointegrasi Johansen di EViews merupakan instrumen utama untuk mengidentifikasi keberadaan dan jumlah vektor hubungan jangka panjang dalam sistem multivariat non-stasioner. Keberhasilan pengujian sangat bergantung pada ketepatan penentuan derajat integrasi I(1), pemilihan lag optimum, serta pemilihan asumsi tren deterministik yang sesuai. Ketika terjadi perbedaan keputusan antara statistik Trace dan Maximum Eigenvalue, memprioritaskan statistik Trace serta menerapkan Pantula Principle merupakan langkah perbaikan teknis yang direkomendasikan secara ilmiah untuk menghasilkan spesifikasi VECM yang valid.
Daftar Pustaka
- Enders, W. (2015). Applied Econometric Time Series (4th ed.). Wiley.
- Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica, 55(2), 251-276.
- Granger, C. W. (1981). Some properties of time series data and their use in econometric model specification. Journal of Econometrics, 16(1), 121-130.
- 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, 59(6), 1551-1580.
- Johansen, S., & Juselius, K. (1990). Maximum likelihood estimation and inference on cointegration—with applications to the demand for money. Oxford Bulletin of Economics and Statistics, 52(2), 169-210.
- Juselius, K. (2006). The Cointegrated VAR Model: Methodology and Applications. Oxford University Press.
- Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer Science & Business Media.
- MacKinnon, J. G., Haug, A. A., & Michelis, L. (1999). Numerical distribution functions of likelihood ratio tests for cointegration. Journal of Applied Econometrics, 14(5), 563-577.
- Pesaran, M. H., Shin, Y., & Smith, R. J. (2000). Structural analysis of vector autoregressive models with exogenous I(1) variables. Journal of Econometrics, 97(2), 293-343.