Tutorial Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test di EViews

Tutorial Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test di EViews menjadi solusi utama ketika peneliti menghadapi dilema analisis ekonometrika runtut waktu (time series) dengan tingkat stasioneritas data yang tidak seragam. Masalah klasik yang sering memicu kegagalan analisis adalah ketika variabel dependen terintegrasi pada ordo pertama I(1), sedangkan variabel independen memiliki ordo integrasi campuran, yaitu sebagian stasioner pada level I(0) dan sebagian lagi pada first difference I(1). Jika peneliti memaksa menggunakan metode kointegrasi konvensional seperti Uji Kointegrasi Johansen atau Engle-Granger, sistem EViews akan menghasilkan estimasi yang bias atau bahkan gagal mengeksekusi perhitungan kointegrasi secara valid.

Gejala kesalahan teknis yang sering terjadi di EViews meliputi ketidakmampuan membentuk persamaan kointegrasi jangka panjang, munculnya autokorelasi berat pada residual model, hingga munculnya peringatan error bahwa terdapat variabel yang terintegrasi pada ordo kedua atau I(2). Masalah ini timbul akibat ketidaksesuaian asumsi metodologi tradisional yang mensyaratkan seluruh variabel harus stasioner pada ordo yang sama persis. Oleh karena itu, penerapan pendekatan ARDL Bounds Testing menjadi pilihan metodologis yang paling fleksibel dan handal untuk mengatasi ketidakseragaman ordo integrasi data tersebut.

Secara teoretis, pemodelan Autoregressive Distributed Lag (ARDL) dikembangkan untuk menjembatani keterbatasan metode kointegrasi linier tradisional. Pendekatan ini diperkenalkan secara komprehensif oleh Pesaran, Shin, dan Smith (2001) sebagai metode pengujian kointegrasi yang mampu bekerja pada variabel dengan tingkat integrasi berbeda, baik murni I(0), murni I(1), maupun kombinasi mutlak antara keduanya. Keunggulan ini membuat model ARDL sangat populer dalam riset ekonomi modern karena sebagian besar variabel makroekonomi tidak selalu stasioner pada tingkat ordo yang sama.

Model ARDL memasukkan nilai masa lalu (lagged values) dari variabel dependen serta nilai masa kini dan masa lalu dari variabel independen ke dalam satu struktur persamaan dinamis. Struktur ini memungkinkan peneliti untuk menangkap respons penyesuaian dinamis dalam jangka pendek sekaligus menguji keberadaan hubungan keseimbangan jangka panjang melalui mekanisme pengujian batas atau Bounds Testing procedure. Untuk pemahaman yang lebih mendalam mengenai konsep dasar pengujian stasioneritas dan akar unit, Anda dapat mempelajari materi teori uji stasioneritas dan akar unit di website utama statistikian.com.

Uji Bounds Test didasarkan pada pengujian hipotesis bersama menggunakan statistik F (F-statistic) atau statistik t (t-statistic) terhadap koefisien variabel yang tereliminasi dalam bentuk persamaan pemodelan koreksi kesalahan (Error Correction Model atau ECM). Pesaran et al. (2001) menyajikan dua himpunan nilai kritis (critical values bounds), yaitu batas bawah (lower bound) yang mengasumsikan seluruh variabel adalah I(0), dan batas atas (upper bound) yang mengasumsikan seluruh variabel adalah I(1).

Jika nilai statistik F yang dihitung berada di atas batas nilai kritis I(1) Upper Bound, maka hipotesis nol yang menyatakan tidak ada kointegrasi ditolak secara tegas. Hal ini mengonfirmasi adanya hubungan kointegrasi jangka panjang antar variabel. Sebaliknya, jika nilai statistik F berada di bawah batas I(0) Lower Bound, maka tidak terdapat kointegrasi. Apabila nilai berada di antara kedua batas tersebut, hasilnya dianggap tidak pasti (inconclusive). Penjelasan teoretis mengenai pengujian kointegrasi klasik dapat dibaca pada referensi teori dasar uji kointegrasi ekonometrika.

Selain fleksibel terhadap ordo integrasi, Narayan (2005) menggarisbawahi bahwa uji Bounds Test ARDL memiliki keunggulan statistik yang sangat signifikan pada sampel data kecil dibandingkan dengan metode kointegrasi Johansen. Metode Johansen membutuhkan jumlah sampel yang besar agar fungsi prediksinya stabil, sedangkan ARDL tetap menghasilkan estimasi koefisien yang efisien dan tidak bias meskipun sampel time series relatif terbatas (misalnya observasi berkisar antara 30 hingga 80 periode).

Langkah-langkah praktis dan sistematis untuk melakukan analisis ARDL dan uji Bounds Test di software EViews dapat dilakukan melalui prosedur teknis sebagai berikut:

1. Uji Stasioneritas Akar Unit (Unit Root Test): Lakukan uji Augmented Dickey-Fuller (ADF) atau Phillips-Perron (PP) pada semua variabel. Pastikan variabel dependen wajib stasioner pada ordo I(1) dan TIDAK ADA satu pun variabel yang terintegrasi pada ordo I(2). Kehadiran variabel I(2) akan merusak keabsahan statistik F pada Bounds Test.
2. Spesifikasi Estimasi Persamaan ARDL: Pada menu utama EViews, klik Quick > Estimate Equation. Ubah pilihan Method menjadi ARDL - Autoregressive Distributed Lag. Masukkan variabel dependen diikuti oleh variabel-variabel independen.
3. Penentuan Lag Maksimum dan Model Selection: Tentukan lag maksimum untuk variabel dependen dan independen (misalnya lag 2 atau lag 4 untuk data tahunan/kuartalan). Pilih kriteria kriteria informasi otomatis seperti Akaike Information Criterion (AIC) atau Schwarz Criterion (SIC) untuk memilih kombinasi lag paling optimal.
4. Menjalankan Uji Bounds Test: Setelah output estimasi ARDL muncul, klik tombol View pada jendela persamaan > Coefficient Diagnostics > pilih Long Run Form and Bounds Tests.
5. Evaluasi Kointegrasi Jangka Panjang: Bandingkan nilai F-Statistic hasil analisis dengan tabel Bounds Critical Values pada tingkat signifikansi 5%. Jika F-statistic melebihi nilai I(1) Bound, lanjutkan ke pembentukan model jangka panjang dan Error Correction Model (ECM).
6. Uji Diagnostik Residual dan Stabilitas Model: Lakukan uji asumsi klasik meliputi Uji Autokorelasi (Breusch-Godfrey LM Test), Uji Heteroskedastisitas, Uji Normalitas Residual, serta uji stabilitas parameter CUSUM dan CUSUMSQ.

Contoh tabel/diagram output ARDL Bounds Test dan Error Correction Model di EViews

Cara membaca tabel output EViews hasil estimasi ARDL Bounds Test dan Error Correction Model di atas terbagi menjadi dua tahapan utama, yaitu analisis keterikatan jangka panjang (kointegrasi) dan analisis dinamika jangka pendek. Pada bagian pertama, perhatikan nilai statistik F yang tercantum pada F-Bounds Test. Nilai F-statistic hasil kalkulasi adalah sebesar 6.842105. Nilai ini kemudian dibandingkan dengan batas nilai kritis I(1) Upper Bound pada tingkat signifikansi 5%, yaitu sebesar 3.67. Karena nilai F-statistic jauh lebih besar dibandingkan batas atasnya (6.842 > 3.67), maka hipotesis nol ditolak secara signifikan. Hasil ini membuktikan bahwa terdapat hubungan kointegrasi jangka panjang yang stabil antara variabel dependen dan independen.

Pada bagian kedua, perhatikan koefisien parameter COINTEQ01 atau sering disebut sebagai Error Correction Term (ECT(-1)) pada persamaan regresi jangka pendek. Dalam konsep ekonometrika dinamis, variabel ECT(-1) ini mengukur seberapa cepat ketidakseimbangan (disequilibrium) jangka pendek yang terjadi pada periode sebelumnya dikoreksi kembali menuju nilai keseimbangan jangka panjang pada periode berjalan.

Syarat absolut agar model ECM ARDL dianggap valid adalah koefisien ECT(-1) harus bernilai negatif dan signifikan secara statistik (p-value < 0.05). Pada contoh output EViews di atas, koefisien ECT(-1) bernilai -0.425810 dengan nilai p-value sebesar 0.0000. Angka -0.425810 ini mengandung arti bahwa sekitar 42.58% dari deviasi atau ketidakseimbangan jangka pendek akan dikoreksi dan disesuaikan kembali menuju arah keseimbangan jangka panjang dalam waktu satu periode waktu (misalnya satu tahun atau satu kuartal).

Dalam diskusi ilmiah ekonometrika modern, penentuan panjang lag optimal pada model ARDL merupakan fondasi yang sangat menentukan validitas estimasi. Pesaran dan Pesaran (1997) menegaskan bahwa lag yang terlalu pendek (underfitting) dapat mengakibatkan timbulnya masalah autokorelasi pada residual model, sehingga estimator OLS tidak lagi bersifat BLUE (Best Linear Unbiased Estimator). Di sisi lain, lag yang terlalu panjang (overfitting) akan membuang derajat bebas (degrees of freedom) dan menurunkan efisiensi estimasi.

Oleh karena itu, penggunaan kriteria otomatis seperti Akaike Information Criterion (AIC) sangat direkomendasikan. EViews menyediakan fitur penentuan lag otomatis yang mengevaluasi ratusan hingga ribuan kombinasi spesifikasi model ARDL, lalu memilih kombinasi lag terbaik yang meminimalkan nilai AIC. Grafik *Model Selection Summary* pada EViews dapat menampilkan visualisasi perbandingan nilai AIC dari masing-masing spesifikasi lag yang diuji.

Setelah hubungan kointegrasi dan koefisien ECM terkonfirmasi, syarat mutlak berikutnya yang wajib dipenuhi oleh peneliti adalah melakukan pengujian diagnostik residual dan stabilitas struktural model. Gujarati dan Porter (2009) menyatakan bahwa ketidakbebasan residual dari autokorelasi akan merusak distribusi statistik F pada Bounds Test, sehingga kesimpulan kointegrasi yang diambil menjadi tidak valid (spurious cointegration).

Uji diagnostik utama yang harus dijalankan meliputi Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test (dipastikan nilai p-value Obs*R-squared > 0.05) dan Uji Heteroskedastisitas Breusch-Pagan-Godfrey atau ARCH test. Selain itu, pengujian normalitas residual dengan statistik Jarque-Bera juga perlu dilakukan untuk memastikan bahwa galat terdistribusi secara normal.

Tahap akhir yang tidak kalah penting adalah melakukan uji stabilitas koefisien jangka panjang dan jangka pendek menggunakan metode Cumulative Sum of Recursive Residuals (CUSUM) dan Cumulative Sum of Squares of Recursive Residuals (CUSUMSQ) yang diperkenalkan oleh Brown, Durbin, dan Evans (1975). Greene (2018) menekankan bahwa jika plot garis CUSUM dan CUSUMSQ berada di dalam koridor batas kritis signifikansi 5% (ditandai dengan dua garis merah putus-putus pada grafik EViews), maka koefisien regresi model ARDL terbukti stabil secara struktural sepanjang rentang waktu pengamatan.

Kesimpulan

Model ARDL (Autoregressive Distributed Lag) dan Uji Bounds Test merupakan conceptual & metodologi ekonometrika yang sangat responsif dan akurat dalam menangani analisis kointegrasi pada data time series ber-ordo integrasi campuran I(0) dan I(1). Dengan mengikuti langkah-langkah praktis di EViews—mulai dari pengujian stasioneritas akar unit untuk memastikan tidak ada variabel I(2), penentuan lag optimal berbasis kriteria AIC, evaluasi nilai F-statistic Bounds Test, hingga pengujian diagnostik residual dan uji stabilitas CUSUM—peneliti dapat menghasilkan model estimasi jangka panjang dan jangka pendek yang sah, efisien, serta berakar kuat pada teori ekonomi ekonometrika.

Daftar Pustaka

• Brown, R. L., Durbin, J., & Evans, J. M. (1975). Techniques for testing the constancy of regression relationships over time. Journal of the Royal Statistical Society: Series B (Methodological), 37(2), 149-163.
• Engle, R. F., & Granger, C. W. (1987). Co-integration and error correction: representation, estimation, and testing. Econometrica: Journal of the Econometric Society, 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.
• Johansen, S. (1988). Statistical analysis of cointegration vectors. Journal of Economic Dynamics and Control, 12(2-3), 231-254.
• Narayan, P. K. (2005). The saving and investment nexus for China: evidence from cointegration tests. Applied Economics, 37(17), 1979-1990.
• Pesaran, M. H., & Pesaran, B. (1997). Working with Microfit 4.0: Interactive Econometric Analysis. Oxford University Press.
• Pesaran, M. H., Shin, Y., & Smith, R. J. (2001). Bounds testing approaches to the analysis of level relationships. Journal of Applied Econometrics, 16(3), 289-326.