Analisis Kausalitas Ekspor vs Pertumbuhan Ekonomi Di Indonesia

ANALISIS KAUSALITAS ANTARA EKSPOR DAN PERTUMBUHAN EKONOMI

DI INDONESIA

Oleh: Muhammad Fajar*

1. Pendahuluan

Model perekonomian Negara Indonesia adalah model perekonomian terbuka. Ekspor

impor adalah imbas dari perekonomian terbuka, hal ditunjukkan bahwa ekspor impor merupakan

komponen pembentuk PDB. Jika ekspor meningkat, maka PDB juga meningkat dan sebaliknya.

Kebalikan dari ekspor, jika impor meningkat, maka akan menurunkan PDB.

Jika kita perhatikan trend PDB riil dari 1983 - 2011, maka terlihat PDB Indonesia

cenderung meningkat setiap tahunnya, terlihat pada saat krisis 1998 PDB sempat mengalami

penurunan. Sedangkan, ekspor pun cenderung meningkat, tetapi jika kita perhatikan pada saat

krisis 1998 dan krisis global 2008 sempat mengalami penurunan.

Gambar 1. Perkembangan PDB dan Ekspor Nominal Indonesia

Sumber: BPS, diolah.

Gambar 2. Perkembangan Andil Ekspor Terhadap PDB Indonesia

Sumber: BPS, diolah.

0

100,000

200,000

300,000

400,000

500,000

600,000

700,000

1985 1990 1995 2000 2005 2010

PDB EXPOR

0.00

10.00

20.00

30.00

40.00

50.00

60.00

Pergerakan andil ekspor terhadap PDB dari 1983 – 2011 tampak fluktuatif, rata – rata andil

ekspor terhadap PDB mencapai 29.28 persen, artinya hampir 30 persen ekspor menyumbang kue

perekonomian Indonesia. Dengan fenomena ekonomi yang telah dijelaskan sebelumnya, tujuan

paper ini untuk menginvestigasi apakah ekspor menyebabkan pertumbuhan ekonomi, atau

pertumbuhan ekonomi menyebabkan ekspor atau bahkan pertumbuhan ekonomi dan ekspor

saling menyebabkan.

2. Kajian Literatur

Berbagai penelitian telah menginvestigasi kausalitas antara ekspor dengan pertumbuhan

ekonomi, memberikan kesimpulan antara lain:

a. Investasi swasta, investasi pemerintah, dan ekspor non migas berpengaruh positif dan

signifikan terhadap pertumbuhan ekonomi, sedangkan ekspor non migas tidak signifikan

mempenaruhi pertumbuhan ekonomi. (Adrian Sutawijaya, 2007)

b. Terjadi kointegrasi antara impor, ekspor dan pertumbuhan ekonomi serta terjadi kauslitas

unidireksional dari ekspor kepada pertumbuhan ekonomi (Shirazi dan Manap, 2004)

c. Terjadi hubungan jangka panjang dan pendek antara ekspor dan pertumbuhan ekonomi serta

kausalitas bilateral antara keduanya. (Rahmadi dan Ichihashi, 2009)

d. Secara jangka pendek, terjadi kausalitas dari ekspor non minyak ke PDB non minyak.

(Shahnoushi dan Bakhshoodeh, 2008)

e. Hasil ECM (Error Correction Mechanism) menunjukkan terjadi kausalitas dari ekspor ke

pertumbuhan ekonomi di Bangladesh. (Al Mamun dan Nath, 2004)

3. Metodologi

3.1 Metode Pengumpulan Data

Dalam penelitian ini data ekspor barang dan jasa, dan PDB triwulanan atas dasar harga

konstan mulai 1983 s.d. 2012 triwulan III berasal dari Badan Pusat Statistik, kemudian

ditransformasi logaritma natural agar mengikuti distribusi normal sehingga dapat dianalisis

parametrik. Alasan periode penelitian ini dipilih karena mengandung periode krisis ekonomi

1998 dan krisis global pada juli 2008.

3.2 Metode Analisis

1. Normalitas

Sifat normalitas diperlukan agar menghasilkan parameter-parameter yang dihasilkan bisa

diujikan dan mengsinkronisasikan dengan alat uji statistik parametric yang berakar pada asumsi

normalitas. Penulis merekomendasikan uji Jarque-Berra untuk menguji normalitas tingkat suku

bunga dan inflasi.

Hipotesis yang digunakan:

Ho :distribusi data mengikuti distribusi normal

H1 :distribusi data tidak mengikuti distribusi normal

Statistik uji:

𝐽𝐵 = 𝑛 𝑆2

6+

(𝐾 − 3)2

24 … (1)

dimana:

𝑆 =1

𝑛

𝑦𝑖 − 𝑦

𝜎

3𝑛

𝑖=1 … (2)

𝐾 =1

𝑛

𝑦𝑖 − 𝑦

𝜎

4𝑛

𝑖=1 … (3)

𝜎 = 𝑠 (𝑛 − 1)/𝑛 … (4)

𝑠 = 𝑦𝑖 − 𝑦 2

𝑛

𝑖=1

/(𝑛 − 1) … (5)

Bandingkan nilai J-B hitung dengan X 2 – tabel, dengan aturan :

a. Bila nilai J-B hitung > nilai 𝜒2 tabel atau p value dari statistic JB kurang dari level signifikansi α, maka Ho ditolak.

b. Bila nilai J-B hitung < nilai 𝜒2 tabel, atau p value dari statistic JB lebih besar dari level signifikansi α, maka Ho tidak dapat ditolak.

2. Stasioneritas Data

Stasioneritas sangat diperlukan dalam analisis time series agar tidak terjadi spurious pada

analisis. Dalam pengujian penulis memakai uji KPSS dikarenakan pada data ekonomi makro

cenderung umumnya mengandung trend sehingga dapat dipilah apakah stasioneritas yang terjadi

pada data adalah stasioneritas differenced atau stasioneritas trend. Uji KPSS berbeda dengan uji

unit root lainnya, dalam uji ini data time series mengikuti hipotesis:

Ho : data stasioner

H1 : data tidak stasioner

Statistic uji KPSS berdasarkan residual dari regresi OLS1 𝑦𝑡 atas variabel endogen 𝑥𝑡 :

1 Ordinary Least Squared

𝑦𝑡 = 𝑥𝑡′𝛿 + 𝑢𝑡 … (6)

Statistik LM didefinisikan:

𝐿𝑀 = 𝑆(𝑡)2

𝑓𝑜𝑇2

𝑡

… (7)

Ho tidak ditolak jika statistic LM lebih besar dari nilai kritis asimtot yang dihaslkan pada output Eviews. Dimana 𝑓𝑜 adalah estimator spectrum residual pada frekuensi zero dan 𝑆(𝑡) adalah fungsi residual kumulatif:

𝑆 𝑡 = 𝑢 𝑟

𝑡

𝑟=1

… (8)

Dimana:

𝑢 𝑡 = 𝑦𝑡 − 𝑥𝑡′𝛿 0 … (9)

𝑓0diestimasi dari persamaan:

𝑓0 = 𝛾 𝑗 𝐾(𝑗/𝑙)

𝑇−1

𝑗=−(𝑇−1)

… (10)

𝛾 𝑗 adalah sampel otokovariansi ke-j dari residual 𝑢𝑡 ,yang dirumuskan sebagai berikut:

𝛾 𝑗 = 𝑢 𝑡𝑢 𝑡−𝑗

𝑇

𝑇

𝑡=𝑗+1

… 9 … (11)

l adalah koefisien Newey-West bandwith, K merupakan fungsi kernel.

Kita perhatikan bahwa estimator 𝛿 yang digunakan dalam perhitungan berbeda dari estimator 𝛿 yang digunakan GLS detrending karena hal tersebut berdasarkan regresi atas data asli dan bukan atas data quasi-differenced. 3. Lag Optimum

Penentuan lag optimum diperlukan karena alat analisis time series sangat sensitif

terhadap lag time yang digunakan pada model. Karena pada penelitian ini sampel yang

digunakan berjumlah kurang dari 120 titik data , maka penulis merekomendasikan criteria

selection lag pada Akaike Information Criterion (Khiem dan Liew, 2004).

𝐴𝐼𝐶 = −2 𝑙 𝑇 +2 𝑘

𝑇 … (12)

Dimana:

𝑙 = −𝑇𝑀

2 1 + 𝑙𝑜𝑔2𝜋 −

𝑇

2𝑙𝑜𝑔 Ω … (13)

Ω = 𝐷𝑒𝑡 𝑆𝑆𝑅/𝑇

𝑇

𝑡

… (14)

M adalah banyaknya persamaan pada Vector Autoregressive (VAR), SSR adalah Sum Square Of

Residual dari VAR pada persamaan (13) dan (14) dan k adalah banyak parameter.

4. Uji Kausalitas Engel Granger

Uji kausalitas pertama kali dikemukakan oleh Engel dan Granger, sehingga uji ini

dinamakan Engel-Granger Causality Test. Hubungan kausalitas adalah hubungan jangka pendek

antara kelompok tetentu dengan menggunakan pendekatan ekonometrik yang mencakup

hubungan timbal balik. Hubungan kausalitas dapat terjadi antar dua variabel, jika suatu variable

y, yaitu BI rate dipengaruhi oleh variabel x, yaitu inflasi dengan menggunakan lag. Uji

kausalitas Granger bertujuan untuk melihat pengaruh masa lalu dari suatu varibel terhadap

kondisi variabel lain pada masa sekarang. Dengan kata lain uji kausalitas Granger dapat

digunakan untuk melihat apakah peramalan y dapat lebih akurat dengan memasukan lag variabel

x.

Bentuk umum dari model kausalitas Granger, adalah sebagai berikut:

ptpttptpttt xxxyyyy ,1222,1211,12,1122,1111,11 ............... atau

t

p

i

iti

p

i

itit exyy 1

1

,12

1

,11

(15)

ptpttptpttt xxxyyyx ,22211,22,2122,2111,21 ...............2,22

atau

t

p

i

iti

p

i

itit exyx 2

1

,22

1

,21

(16)

Bentuk matriks persamaan di atas, adalah:

t

t

pt

pt

pp

pp

t

t

t

t

t

t

e

e

x

y

x

y

x

y

x

y

2

1

,22,21

,12,11

2

2

2,222,21

2,122,11

1

1

1,221,21

1,121,11......

(17)

itx dan ity adalah operasi kelambanan dari tx dan ty , sedangkan 𝑒1𝑡 dan 𝑒2𝑡 adalah variabel

pengganggu dan diasumsikan tidak berkorelasi.Statistik uji yang digunakan pada uji kausalitas

Granger, adalah statistik uji F, dengan rumus:

)/(

)(

knRSS

pRSSRSS

FR

URR

uji

(18)

dimana : RRSS restricted residual sum of square =

n

t

t

1

2

1

URRSS unrestricted residual sum of square =

n

t

t

1

2

2

p = panjang lag

n = jumlah observasi

k = jumlah parameter yang diestimasi dalam unrestricted

regression

t1 = residual dari model yang direstriksi

t2 = residual dari model yang tidak direstriksi

Restricted residual sum of square ( RRSS ), adalah jumlah kuadrat residual dari model

yang direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang direstriksi

diperoleh dengan meregresikan variabel y dengan semua nilai lag y tanpa memasukan lag x

sebagai variabel bebasnya. Bentuk model yang direstriksi, adalah sebagai berikut:

t

p

i

itit yy 1

1

(19)

Unrestricted residual sum of square ( URRSS ), adalah jumlah kuadrat residual dari model

yang tidak direstriksi. Misalkan variabel y adalah variabel tidak bebas, maka model yang tidak

direstriksi diperoleh dengan meregresikan variabel y dengan semua nilai lag y dan nilai lag x

sebagai variabel bebasnya. Bentuk model yang tidak direstriksi, adalah sebagai berikut:

t

p

i

iti

p

i

itit xyy 2

11

(20)

Dua hipotesis yang digunakan pada uji kausalitas Granger, adalah:

Ho: 0........... ,122,121,12 p (x tidak menyebabkan y)

H1: paling sedikit ada satu i,12 ≠0 (x menyebabkan y)

Ho: 0........... ,212,211,21 p (y tidak menyebabkan x)

H1: paling sedikit ada satu i,21 ≠0 (y menyebabkan x)

Jika nilai ujiF lebih besar dari nilai ))(,);1(( knptabelF maka Ho ditolak. Dari uji kausalitas

dapat diketahui variabel mana yang memiliki hubungan kausalitas dan variabel mana yang

terjadi sebelum variabel lainnya.

Asumsi pada uji Causality Engel-Granger, yakni sebagai berikut:

1. Bahwa variabel dalam persamaan Engel-Granger (15) dan (16) harus stasioner

2. Penentuan lag optimum harus tepat

3. Residual dari persamaan (15) dan (16) harus tidak saling berkorelasi.

Ada beberapa kemungkinan yang bisa terjadi dari hasil uji kausalitas Granger, yaitu:

(Gujarati, 2003)

1. x mempengaruhi y atau unidirectional causality from x to y ( yx ), dapat

diidentifikasikan jika Ho yang pertama ditolak dan Ho yang kedua tidak ditolak.

2. y mempengaruhi x atau unidirectional causality from y to x ( xy ), dapat

diidentifikasikan jika Ho yang pertama tidak ditolak dan Ho yang kedua ditolak.

3. x dan y saling mempengaruhi atau feedback atau bilateral causality ( yx ), jika Ho

yang pertama dan kedua ditolak.

4. x dan y tidak saling mempengaruhi atau independent ( yx // ), jika Ho yang pertama dan

kedua tidak ditolak.

5. Uji Kointegrasi Engel Granger

Prosedur dua langkah Engel-Granger cocok digunakan bila dalam penelitian hanya

terdapat dua variabel.Langkah- langkah metode Engel-Granger, yaitu:

a. uji stasioneritas dari kedua variabel yang digunakan dan ketahui kedua variabel tersebut

berintegrasi pada order yang sama.

b. uji stasioneritas residual dari hasil regresi linear kedua variabel yang digunakan, jika residual

dari kedua variabel tersebut stasioner pada level atau berintegrasi pada order 0, maka dapat

dikatakan bahwa kedua variabel tersebut memiliki keseimbangan jangka panjang atau

kointegrasi jangka panjang.

4. Analisis dan Pembahasan

4.1 Normalitas

Berdasarkan pengujian Jarque-Bera dengan level signifikansi sebesar lima persen

(lampiran no.1) dapat disimpulkan bahwa data ekspor barang/ jasa dan PDB atas dasar harga

konstan mengikuti distribusi normal.

4.2 Stasioneritas

Berdasarkan pengujian KPSS (lampiran no.2)dengan level signifikansi (α) sebesar lima persen, menunjukkan bahwa konsumsi riil rumah tangga dan pendapatan nasional telah stasioner pada data asli.

4.3 Kausalitas Engel Granger

Tabel 1. Hasil Pengujian Engel Granger

Pairwise Granger Causality Tests

Date: 01/23/13 Time: 11:33

Sample: 1983Q1 2012Q3

Lags: 5 Null Hypothesis: Obs F-Statistic Prob. LPDB does not Granger Cause LEXPOR 114 3.55505 0.0053

LEXPOR does not Granger Cause LPDB 3.14813 0.0110

Berdasarkan penentuan lag optimum berdasarkan AIC (lampiran 5) diperoleh lag optimum

untuk VAR dalam pengujian Engel Granger tersebut adalah 5 dan korelasi silang antar residual

pada VAR sebesar 0.1125 artinya hubungan antar residual lemah, sehingga hasil tersebut

digunakan untuk pengujian Engel Granger. Dari pengujian Engel Granger dapat disimpulkan

bahwa pada level signifikansi sebesar lima persen terjadi hubungan saling mempengaruhi

(bilateral causality) antara ekspor dengan pertumbuhan ekonomi.

Hal di atas dapat dijelaskan ketika terjadi peningkatan ekspor barang/ jasa, maka secara

positif ikut juga menaikkan output2 nasional akibatnya pertumbuhan ekonomi pun meningkat.

Saat pertumbuhan ekonomi meningkat mengindikasikan situasi ekonomi dan politik di suatu

Negara sedang baik sehingga kondisi ekonomi sangat baik untuk peningkatan perdagangan luar

negeri, sehingga ekspor pun meningkat guna memenuhi kebutuhan luar negeri, efeknya pun

produksi barang/ jasa dalam negeri untuk ekspor ikut meningkat dan akhirnya output nasional

meningkat pula.

4.4 Kointegrasi

Karena ekspor dan pertumbuhan ekonomi saling mempengaruhi maka bisa mengakibatkan

dua persamaan kointegrasi (lihat lampiran no.6), yaitu:

𝐿𝑃𝐷𝐵𝑡 = 5.16 + 0.64𝐿𝐸𝑋𝑃𝑂𝑅𝑡 + 휀𝑡 … (21)

𝐿𝐸𝑋𝑃𝑂𝑅𝑡 = −6.91 + 1.47𝐿𝑃𝐷𝐵𝑡 + 𝑣𝑡 … (22)

Berdasarkan pengujian stasioneritas terhadap residual 휀𝑡 dan 𝑣𝑡 (lihat lampiran no.7) yang

menunjukkan bahwa kedua series residual tersebut telah stasioner, maka dapat disimpulkan

pertumbuhan ekonomi dan ekspor memiliki keseimbangan jangka panjang.

2 Y = C + I + G + (Ekspor – Impor)

Jika persamaan (21) diinterpretasikan, maka bila terjadi ekspor mengalami kenaikan satu

persen menyebabkan PDB naik menjadi 0.64 persen. Namun sebaliknya, bila PDB mengalami

kenaikan satu persen menyebabkan ekspor naik 1.47 persen.

5. Kesimpulan

Dari hasil analisis dan pembahasan sebelumnya dapat ditarik beberapa kesimpulan dari

penelitian ini, yakni sebagai berikut:

a. Terjadi kausalitas dua arah antara ekspor dengan pertumbuhan ekonomi di Indonesia.

b. Terjadi keseimbangan jangka panjang antara ekspor dengan pertumbuhan ekonomi di

Indonesia.

*) Alumnus Sekolah Tinggi Ilmu Statistik Angkatan 46, sekarang bekerja sebagai Plt. Kasie Statistik Sosial BPS Kab. Waropen

. Karya ini dibuat tahun 2013

6. Referensi

Al Mamun, Khawaja Abdullah dan Hiranya K Nath. 2004. Export Led Growth in Bangladesh: A

Time Series Analysis. USA: Southen Methodist University.

Enders, Walter. 2004. Applied Econometrics Time Series. Second Edition. New York:

John Wiley & Son, Inc.

Johnston, Jack and John Di Nardo. 2003. Econometric Method. Fourth Edition. New York:

Mc Graw-Hill.

Green, William H. 2003. Econometric Analysis.Fifth Edition. New York: Prentice Hall.

Rahmadi, Rudy dan Masaru Ichihashi. 2009. Exports and Economic Growth in Indonesia: A

Causality Approach Based on Multi-Variate Error Correction Model. Jepang: Hiroshima

University.

Sutawijaya, Adrian. 2007. Pengaruh Ekspor dan Investasi Terhadap Pertumbuhan Ekonomi

Indonesia Tahun 1980 – 2006. Jakarta: Universitas Terbuka.

Shirazi, Nasim Shah dan Turkhan Ali Abdul Manap. 2004. Exports Led Growth Hypothesis:

Further Econometric Evidence from Pakistan. Malaysia: International Islamic University.

Shahnoushi, Naser dan Mohammad Bakhshoodeh. 2008. Causality Between Non Oil Exports and

GDP Growths in Iran. Ferdowsi University: Iran.

Lampiran

1. Normalitas

2. Stasioneritas

Null Hypothesis: LPDB is stationary

Exogenous: Constant, Linear Trend

Bandwidth: 9 (Newey-West using Bartlett kernel) LM-Stat. Kwiatkowski-Phillips-Schmidt-Shin test statistic 0.075403

Asymptotic critical values*: 1% level 0.216000

5% level 0.146000

10% level 0.119000 *Kwiatkowski-Phillips-Schmidt-Shin (1992, Table 1)

0

2

4

6

8

10

12

14

10.5 11.0 11.5 12.0 12.5

Series: LEXPOR

Sample 1983Q1 2012Q3

Observations 119

Mean 11.72688

Median 11.81002

Maximum 12.69266

Minimum 10.57821

Std. Dev. 0.554925

Skewness -0.134502

Kurtosis 1.980893

Jarque-Bera 5.508422

Probability 0.063659

0

2

4

6

8

10

12

12.2 12.4 12.6 12.8 13.0 13.2 13.4

Series: LPDB

Sample 1983Q1 2012Q3

Observations 119

Mean 12.71064

Median 12.74506

Maximum 13.41723

Minimum 12.08000

Std. Dev. 0.367628

Skewness 0.022716

Kurtosis 1.961805

Jarque-Bera 5.354572

Probability 0.068749

Residual variance (no correction) 0.006525

HAC corrected variance (Bartlett kernel) 0.044503

KPSS Test Equation

Dependent Variable: LPDB

Method: Least Squares

Date: 01/19/13 Time: 06:36

Sample: 1983Q1 2012Q3

Included observations: 119 Variable Coefficient Std. Error t-Statistic Prob. C 12.09738 0.014842 815.0970 0.0000

@TREND(1983Q1) 0.010394 0.000217 47.81400 0.0000 R-squared 0.951314 Mean dependent var 12.71064

Adjusted R-squared 0.950898 S.D. dependent var 0.367628

S.E. of regression 0.081462 Akaike info criterion -2.160688

Sum squared resid 0.776425 Schwarz criterion -2.113980

Log likelihood 130.5609 Hannan-Quinn criter. -2.141722

F-statistic 2286.179 Durbin-Watson stat 0.258276

Prob(F-statistic) 0.000000

Null Hypothesis: LEXPOR is stationary

Exogenous: Constant, Linear Trend



5% level 0.146000




KPSS Test Equation

Dependent Variable: LEXPOR


Date: 01/19/13 Time: 06:32

Sample: 1983Q1 2012Q3


@TREND(1983Q1) 0.015615 0.000357 43.69841 0.0000

R-squared 0.942266 Mean dependent var 11.72688







3. Lag Optimum

VAR Lag Order Selection Criteria

Endogenous variables: LEXPOR LPDB

Exogenous variables: C @TREND

Date: 01/23/13 Time: 11:31

Sample: 1983Q1 2012Q3

Included observations: 111 Lag LogL LR FPE AIC SC HQ 0 208.3515 NA 8.63e-05 -3.682009 -3.584368 -3.642399

1 324.1148 223.1834 1.15e-05 -5.695763 -5.500482* -5.616543*

2 327.7022 6.786897 1.16e-05 -5.688328 -5.395406 -5.569498

3 330.3286 4.874260 1.19e-05 -5.663579 -5.273016 -5.505139

4 331.8143 2.703643 1.25e-05 -5.618276 -5.130072 -5.420226

5 347.2629 27.55702 1.01e-05* -5.824557* -5.238713 -5.586897

6 348.4474 2.070079 1.07e-05 -5.773826 -5.090341 -5.496556

7 354.7608 10.80672* 1.03e-05 -5.815509 -5.034383 -5.498629

8 354.8096 0.081851 1.10e-05 -5.744317 -4.865551 -5.387828 * indicates lag order selected by the criterion

LR: sequential modified LR test statistic (each test at 5% level)

FPE: Final prediction error

AIC: Akaike information criterion

SC: Schwarz information criterion

HQ: Hannan-Quinn information criterion

4.Matriks Korelasi Residual

LEXPOR LPDB LEXPOR 1.000000 0.112529

LPDB 0.112529 1.000000

5. Hasil Pengujian Engel Granger

Pairwise Granger Causality Tests

Date: 02/02/13 Time: 22:08

Sample: 1983Q1 2012Q3

Lags: 5 Null Hypothesis: Obs F-Statistic Prob. LPDB does not Granger Cause LEXPOR 114 3.55505 0.0053

LEXPOR does not Granger Cause LPDB 3.14813 0.0110

6. Hasil Pengujian Kointegrasi Engel Granger

Dependent Variable: LPDB


Date: 03/22/13 Time: 08:22

Sample: 1983Q1 2012Q3


LEXPOR 0.643443 0.014578 44.13925 0.0000 R-squared 0.943349 Mean dependent var 12.71064







Dependent Variable: LEXPOR


Date: 03/22/13 Time: 08:29

Sample: 1983Q1 2012Q3

Included observations: 119 Variable Coefficient Std. Error t-Statistic Prob. C -6.908127 0.422362 -16.35595 0.0000

LPDB 1.466095 0.033215 44.13925 0.0000 R-squared 0.943349 Mean dependent var 11.72688







7.Stasioneritas residual persamaan kointegrasi

Null Hypothesis: 휀𝑡 is stationary

Exogenous: Constant



5% level 0.463000




Null Hypothesis: 𝑣𝑡 is stationary

Exogenous: Constant



5% level 0.463000




Analisis Kausalitas Ekspor vs Pertumbuhan Ekonomi Di Indonesia

Documents

Transcript of Analisis Kausalitas Ekspor vs Pertumbuhan Ekonomi Di Indonesia