Minipaper Ekonometrika 2 baru

ANALISIS VAR (VECTOR AUTO REGRESSIVE) TERHADAP KORELASI ANTARA

PERTUMBUHAN EKONOMI DAERAH DENGAN INVESTASI DAERAH DI DKI

JAKARTA, 1983-2006

MINIPAPER

Disusun untuk memenuhi tugas akhir asistensi matakuliah Ekonometrika 2

Disusun oleh :

Amalia Shalihah (0806348596)

Dea Nuriry Sadat (0806348665)

Khairunnisa Rangkuti (0806317735)

Puji Lestari Anugrah (0806464362)

Rachmanina Listya (0806348886)

Dosen: Arie Damayanti/N. Haidy Pasai

Asisten: Rahmasari Istiandari

Fakultas Ekonomi Universitas Indonesia

2010

Daftar Isi

I. Pendahuluan

II. Landasan Teori

III. Data

IV. Pengolahan dan Analisis Data

V. Kesimpulan

I. Pendahuluan

Setiap negara di seluruh dunia tentu memiliki ibukota sebagai pusat pemerintahan,

bahkan dibeberapa negara seperti Indonesia, ibukota negara adalah juga pusat

perekonomian. Daerah Khusus Ibukota (DKI) Jakarta adalah salah satu kota di Indonesia

yang perekonomiannya terus tumbuh melebihi provinsi-provinsi lain di Indonesia, hal ini

dapat dilihat dari pertumbuhan Produk Domestik Regional Bruto DKI Jakarta yang

mencapai 295,3 triliun pada tahun 2005. Kontribusi terbesar datang dari sektor keuangan,

persewaan dan jasa perusahaan yang mencapai Rp. 90,9 triliun atau 30,8% dari total PDRB

diikuti sektor perdagangan, hotel dan restoran serta sektor industri pengolahan dengan nilai

untuk masing-masing sektor tersebut sebesar Rp. 63,5 triliun (21,5%) dan Rp 51,2 triliun

(17,3%) (Portal Indonesia, 2010).

Sebagai pusat perekonomian, DKI Jakarta adalah lahan investasi yang terus tumbuh.

Fakta bahwa Jakarta adalah kota berpenduduk paling padat tidak hanya di Indonesia, tapi

juga di Asia Tenggara membuat Jakarta semakin menjanjikan bagi para investor untuk

menanamkan modalnya. DKI Jakarta terdiri dari 43 kecamatan dan 265 kelurahan. Wilayah

ini dihuni penduduk sejumlah 9.041.605 jiwa (data tahun 2005) dengan kepadatan

penduduk mencapai 13.668 jiwa per km². Wilayahnya sebagian besar digunakan untuk

pemukiman yang mencapai 43.788,57 ha serta daerah industri seluas 4.417,87 ha (Portal

Indonesia, 2010).

Seperti halnya Produk Domestik Bruto dalam suatu negara, produk Domestik

Regional Bruto dapat didefinisikan sebagai nilai akhir barang dan jasa berdasarkan haraga

yang berlaku yang diproduksi oleh suatu daerah dalam satu periode tertentu. Adapun

pertumbuhan ekonomi dapat dilihat dari pertumbuhan angka PDRB dari tahun ke tahun. 1Pertumbuhan ekonomi dipengaruhi oleh berbagai variabel diantaranya yaitu pertumbuhan

persediaan modal, pertumbuhan angkatan kerja, kemajuan teknologi dan sebagaiya.

Pertumbuhan ekonomi yang tinggi diharapkan akan meningkatkan kesejahteraan (welfare)

masyarakat sebagai pelaku ekonomi (Mankiw, 2007).

Dalam minipaper ini, tim penyusun mencoba berfokus pada akumulasi kapital2

sebagai salah satu variabel yang berpengaruh terhadap pertumbuhan ekonomi yang

diperlihatkan melalui data peningkatan PDRB DKI Jakarta sejak tahun 1983 sampai tahun

2006. Hipotesis yang digunakan yaitu bahwa keduanya saling mempengaruhi. Dengan

1 Pertumbuhan (gt) = {(GDPt – GDPt-1) / GDP t-1} x 100% (Mankiw, 2007)

2 Data yang digunakan yaitu Gross Capital Formation

adanya akumulasi kapital, peningkatan PDRB akan terjadi. Sebaliknya, PDRB yang tinggi

akan mendorong adanya akumulasi kapital, baik pemerintah maupun swasta, karena daerah

dengan PDRB yang cukup tinggi diasumsikan memiliki infrastruktur yang baik sehingga

mendorong terjadinya investasi (akumulasi kapital). Hal ini akan terus terjadi secara timbal

balik karena adanya interaksi yang saling mempengaruhi tersebut.

Dengan hipotesis ini, tim penyusun akan menganalisis korelasi antara PDRB

Provinsi DKI Jakarta dengan Gross Capital Formation (GCF) DKI Jakarta sejak tahaun

1983 sampai tahun 2006 dengan menggunakan metode Vector Auto Regressive (VAR).

Vector Auto Regression (VAR) merupakan alat analisis atau metode statistik yang bisa

digunakan baik untuk memproyeksikan sistem variabel-variabel runtut waktu maupun

untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem

variabel tersebut. Selain itu, VAR Analysis juga merupakan alat analisis yang sangat

berguna dalam memahami adanya hubungan timbal balik antara variabel-variabel ekonomi

(Hadi, 2003).

Diharapkan melalui minipaper ini, pemahaman tim penyusun terhadap VAR tidak

hanya secara teoritis tetapi juga secara aplikatif. Secara khusus, fokus masalah yang

dibahas dalam minipaper ini yaitu :

1. Menentukan lag yang paling appropriate dalam menganalisis hubungan timbal

balik antara variable pendapatan daerah (PDRB) dengan investasi daerah (Gross

Capital Formation)

2. Menganalisis output Impulse Response Test dan Variance Decomposition

II. Landasan Teori

Dalam minipaper ini, tim penyusun menggunakan dua landasan teori yaitu:

1. Teori Harrod-Domar

Dalam teori Harrod-Domar, dijelaskan adanya hubungan langsung antara besarnya

stok modal keseluruhan, K, dengan GNP, Y, yang diformulasikan sebagai rasio

modal/output (capital/output ratio, COR). Maka, semakin tinggi peningkatan stok modal,

semakin tinggi pula output yang dapat dihasilkan. Secara sederhana, teori Harrod-Domar

dapat dituliskan sebagai berikut: ΔY/Y = s/k

dimana:

ΔY/Y adalah tingkat perubahan atau tingkat pertumbuhan GNP (yaitu, persentase

perubahan GNP);

s adalah rasio tabungan nasional; dan

k adalah rasio modal/output nasional.

Persamaan di atas menyatakan bahwa tingkat pertumbuhan GNP (ΔY/Y) ditentukan

bersama-sama oleh rasio tabungan nasional, s, dan rasio modal/output nasional, k. Persamaan

tersebut juga menyatakan bahwa tingkat pertumbuhan pendapatan nasional akan secara langsung

berkaitan dengan rasio tabungan artinya semakin banyak bagian dari GNP yang ditabung, dan

diinvestasikan, maka pertumbuhan GNP juga akan semakin besar dan sebaliknya lebih besar, k,

maka pertumbuhan GNP akan semakin kecil.

Sebenarnya logika dari persamaan di atas sangat sederhana. Agar bisa tumbuh, maka

perekonomian harus menabung dan menginvestasikan sebagian dari GNPnya. Lebih banyak yang

dapat ditabung dan kemudian ditanamkan, maka akan lebih cepat lagi perekonomian itu tumbuhnya.

Akan tetapi, tingkat pertumbuhan yang dapat dijangkau pada setiap tingkat tabungan dan investasi

tergantung kepada produktivitas investasi tersebut. Produktivitas investasi adalah banyaknya

tambahan output yang didapat dari suatu unit investasi dapat diukur dengan “inverse” rasio

kapital/output, k, karena inverse ini, 1/k, adalah rasio output/kapital atau output/investasi. Kemu-

dian, dengan mengalikan tingkat inverse baru s = I/Y, dengan produktivitasnya, 1/k, maka akan

didapat tingkat pertumbuhan pendapatan nasional atau GNP yang meningkat.

Disinilah hubungan timbal balik antara tingkat pendapatan nasional dan tingkat investasi

tersebut terjadi, oleh karena pendapatan nasional dan investasi tersebut saling mempengaruhi satu

sama lain (Hadi, 2003). Sebagaimana disebutkan sebelumnya, dapat dilakukan analogi antara output

nasional dengan output daerah dan investasi nasional dengan investasi daerah (disesuaikan dengan

data).

2. Model Solow

Dalam model pertumbuhan ekonominya, Solow menentukan fungsi produksi dan

konsumsi sebagai berikut :

• Fungsi Produksi:

Y = F (K,L)

Y/L = F (K/L, 1), dengan y = Y/L dan k = K/L, maka:

y = f (k), jumlah modal per pekerja menentukan jumlah output per pekerja

• Fungsi Konsumsi:

y = c + i à s =MPS, sehingga (1-s) = MPC dan c = (1-s)y

i = y – c à i = y – (1-s)y à i =sy à i = sf(k)

Model ini menunjukkan bahwa dalam jangka panjang, tingkat tabungan

perkonomian menunjukkan ukuran persediaan modal dan tingkat produksinya. Semakin

tinggi tingkat tabungan, semakin tinggi pula persediaan modal dan semakin tinggi tingkat

output (Mankiw,2007).

III. Data

Data yang digunakan dalam analisis VAR ini adalah data PDRB (Produk Domestik

Regional Bruto) untuk mewakili tingkat pertumbuhan ekonomi atau pendapatan daerah

serta data GCF (Gross Capital Formation) untuk mewakili akumulasi modal atau investasi.

Keduanya berdasarkan harga yang berlaku. Studi ini menggunakan data tahunan secara

runtut dari tahun 1983 sampai tahun 2006 dengan sumber data yang digunakan yaitu

laporan dari BPS (Badan Pusat Statistik). Berikut data yang kami peroleh (dalam juta Rupiah):

Tahun PDRB Gross Capital Formation1983 8347899 30629701984 10211464 36357351985 11262641 40792101986 12680184 49094831987 14787032 62388181988 16796033 71196921989 19783936 93439411990 22830244 104385311991 26355150 103923841992 30923646 118337761993 51106459 253775491994 58785331 26612796

1995* 69988210 317009751996* 82070224 374970371997 96651258 400433181998 138563783 476657091999 164309041 613678852000 189075400 72380966

2001* 263691915 837379642002 299967604 726445392003 334331300 1091102052004 375561523 115006202

2005* 433860252 1390079482006* 501584807 157768831

*) angka estimasi

Sumber : Laporan BPS (1994, 1997, 2001, 2004, 2007)

IV. Pengolahan dan Analisis Data

Dalam melakukan analisis VAR, terdapat beberapa tahap3 yang harus dilakukan,

meliputi:

1. Unit Root Test

Sebelum melakukan analisis VAR, hasur dipastikan bahwa data time series yang

akan digunakan sudah stationer. Melalui unit root test dapat dianalisis apakah data yang

akan digunakan sudah stationer atau belum, dan pada level berapa data tersebut stasioner.

Apakah data yang kita punya tersebut stasioner di level dasar atau di level kedua, dan

seterusnya.

Berikut output yang yang diperoleh untuk variabel PDRB dan GCF:

a. Product Domestic Regional Bruto (PDRB)

Null Hypothesis: D(PDRB,2) has a unit rootExogenous: Constant, Linear TrendLag Length: 0 (Automatic based on SIC, MAXLAG=0)

t-Statistic Prob.*Augmented Dickey-Fuller test statistic -6.850166 0.0001Test critical values: 1% level -4.467895

5% level -3.64496310% level -3.261452

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test EquationDependent Variable: D(PDRB,3)Method: Least SquaresDate: 05/13/10 Time: 12:19Sample(adjusted): 1986 2006Included observations: 21 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob. D(PDRB(-1),2) -1.446361 0.211143 -6.850166 0.0000

C -1882799. 8101436. -0.232403 0.8188@TREND(1983) 481328.3 568291.1 0.846975 0.4081

R-squared 0.722775 Mean dependent var 487534.0Adjusted R-squared 0.691972 S.D. dependent var 28228015S.E. of regression 15666622 Akaike info criterion 36.10353Sum squared resid 4.42E+15 Schwarz criterion 36.25274Log likelihood -376.0870 F-statistic 23.46459Durbin-Watson stat 2.463956 Prob(F-statistic) 0.000010

b. Gross Capital Formation (GCF)

Null Hypothesis: GCF has a unit rootExogenous: Constant, Linear Trend

3 Tahapan VAR: 1. Uji Akar Unit, 2. The lIkelihood Ratio Test, 3.The Granger Causality Test, 4. The Impulse Respon Test, 5.The Cholenski Decomposition (Hadi, 2003)Dalam buku Gujarati, Uji VAR langsung dilakukan dengan data yang stationer, output didapatkan berupa Impulse Response Test dan Variance Decomposition

Lag Length: 0 (Automatic based on SIC, MAXLAG=0)t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -0.088649 0.9917Test critical values: 1% level -4.416345

5% level -3.62203310% level -3.248592

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test EquationDependent Variable: D(GCF)Method: Least SquaresDate: 05/13/10 Time: 12:30Sample(adjusted): 1984 2006Included observations: 23 after adjusting endpoints

Variable Coefficient Std. Error t-Statistic Prob. GCF(-1) -0.010337 0.116602 -0.088649 0.9302

C -3487599. 4723329. -0.738377 0.4689@TREND(1983) 886112.0 696620.2 1.272016 0.2180

R-squared 0.326209 Mean dependent var 6726342.Adjusted R-squared 0.258830 S.D. dependent var 9848975.S.E. of regression 8479102. Akaike info criterion 34.86521Sum squared resid 1.44E+15 Schwarz criterion 35.01332Log likelihood -397.9500 F-statistic 4.841408Durbin-Watson stat 3.058107 Prob(F-statistic) 0.019286

Berdasarkan hasil unit root test, disimpulkan bahwa variabel PDRB stasioner pada

turunan keduanya (order 2 atau second difference). Sedangkan variabel GCF sudah

stationer pada data dasarnya (order 0 atau level). Keduanya dengan tingkat kepercayaan

99%.

2. VAR

Dengan menggunakan metode trial and error, berikut hasil estimasi VAR yang

diperoleh dengan lag 3, 4 dan 5.

Vector Autoregression Estimates Date: 05/13/10 Time: 12:38 Sample(adjusted): 1988 2006 Included observations: 19 after adjusting Endpoints Standard errors in ( ) & t-statistics in [ ]

DDPDRB GCFDDPDRB(-1) -0.574857 -0.281591

(0.29565) (0.13935)[-1.94439] [-2.02074]

DDPDRB(-2) -0.622416 0.010231 (0.33551) (0.15814)[-1.85516] [ 0.06470]

DDPDRB(-3) 0.316605 -0.021608

(0.40533) (0.19105)[ 0.78111] [-0.11310]

GCF(-1) -0.288647 0.639182 (0.62736) (0.29570)[-0.46010] [ 2.16161]

GCF(-2) 1.297574 0.438521 (0.75981) (0.35812)[ 1.70777] [ 1.22450]

GCF(-3) -0.978750 0.172706 (0.71186) (0.33553)[-1.37492] [ 0.51473]

C 1027927. 2063430. (5479745) (2582799)[ 0.18759] [ 0.79891]

R-squared 0.585749 0.986679 Adj. R-squared 0.378623 0.980018 Sum sq. resids 2.32E+15 5.15E+14 S.E. equation 13892258 6547916. F-statistic 2.827986 148.1363 Log likelihood -335.0843 -320.7928 Akaike AIC 36.00887 34.50450 Schwarz SC 36.35682 34.85245 Mean dependent 3453564. 56265803 S.D. dependent 17623623 46321781 Determinant Residual Covariance

7.30E+27

Log Likelihood (d.f. adjusted) -663.4134 Akaike Information Criteria 71.30667 Schwarz Criteria 72.00258



(0.29463) (0.17683)[-1.48174] [-0.53373]

DDPDRB(-2) -1.043587 -0.036031 (0.29115) (0.17474)[-3.58440] [-0.20620]

DDPDRB(-3) 0.056144 -0.004845 (0.33427) (0.20062)[ 0.16796] [-0.02415]

DDPDRB(-4) -1.033895 -0.383947 (0.35827) (0.21503)[-2.88578] [-1.78556]

GCF(-1) -0.275222 0.513253 (0.50083) (0.30059)

[-0.54953] [ 1.70748]

GCF(-2) 2.032225 0.605249 (0.62327) (0.37408)[ 3.26058] [ 1.61798]

GCF(-3) -2.447346 -0.535584 (0.83867) (0.50336)[-2.91811] [-1.06402]

GCF(-4) 0.722395 0.799108 (0.76244) (0.45760)[ 0.94748] [ 1.74629]

C 3502946. 2828776. (4552552) (2732368)[ 0.76945] [ 1.03528]


4.46E+27




(0.37762) (0.21974)[-0.73241] [-1.06746]

DDPDRB(-2) -1.129024 -0.120906 (0.45526) (0.26492)[-2.47993] [-0.45638]

DDPDRB(-3) 0.225780 -0.338772 (0.69234) (0.40288)[ 0.32611] [-0.84087]

DDPDRB(-4) -1.122391 -0.693319 (1.00817) (0.58666)[-1.11330] [-1.18180]

DDPDRB(-5) 0.538244 -0.595457 (0.87296) (0.50799)

[ 0.61657] [-1.17219]

GCF(-1) -0.012782 0.463447 (0.70314) (0.40917)[-0.01818] [ 1.13266]

GCF(-2) 2.067861 0.820747 (0.94872) (0.55207)[ 2.17963] [ 1.48667]

GCF(-3) -3.094925 -0.264644 (1.18056) (0.68698)[-2.62158] [-0.38523]

GCF(-4) 1.871648 0.283757 (1.46316) (0.85143)[ 1.27918] [ 0.33327]

GCF(-5) -1.025169 0.130662 (1.63988) (0.95426)[-0.62515] [ 0.13692]

C 2458053. 2901003. (6920537) (4027134)[ 0.35518] [ 0.72036]


5.73E+27


Berdasarkan output yang diperoleh, nilai dari Akaike AIC dan Schwarz SC yang

paling kecil yaitu diperoleh dengan menggunakan lag empat. Ketika lag yang digunakan

hanya 3, nilai AIC dan SC yaitu 36 dan 36,36, sedangkan dengan lag 5, diperoleh AIC dan

SC 35,6 dan 36,2 (keduanya masih lebih besar dari nilai AIC dan SC lag 4 yaitu 35,5 dan

35,9). Jadi, untuk menganalisis output VAR digunakan lag 4.

Output VAR terdiri dari :

a. The Impulse Response Test

The Impulse Response Test digunakan untuk melihat pengaruh kontemporer (pada

saat yang bersamaan) dari suatu variabel terhadap variabel yang lain (Hadi, 2003). Adapun

hasil output yang diperoleh yaitu :

Response of DDPDRB: Period DDPDRB GCF

1 10623228 0.000000 2 -4927285. -1730725. 3 -6669630. 12646867 4 5002495. -14094297 5 -3656252. 840778.7 6 683615.6 3962659. 7 4881443. 1206041. 8 -1317883. -785098.6 9 -455218.3 3045902.

10 -1858597. -4432076.Response of GCF: Period DDPDRB GCF

1 1052168. 6288474. 2 -462600.0 3227576. 3 481668.2 5626002. 4 159260.0 341782.4 5 -2824883. 7760024. 6 107833.9 4787421. 7 1248963. 6274900. 8 -41797.54 7385951. 9 -231666.3 10914404

10 -922626.7 8750642. Cholesky Ordering:

DDPDRB GCF

Dari uji yang dilakukan, dapat dilihat bahwa satu standar deviasi dari

PDRB sebesar 10623228 tidak membawa efek apapun terhadap variable GCF

(standar deviasinya sama dengan nol). Setelah satu periode, guncangan pada

variable PDRB (dapat dilihat dari standar deviasinya yang negatif)

menyebabkan standar deviasi dari GCF juga menjadi di bawah rata-ratanya.

Tapi di periode ketiga, ketika terjadi penurunan lagi di variable PDRB, standar deviasi PDRB

malah sudah naik menjadi di atas rata-ratanya.

Di lain pihak, satu standar deviasi dari variabel GCF sebesar 6288474 di atas rata-

ratanya menyebabkan peningkatan standar deviasi dari variabel PDRB menjadi 1052168.

Sedangkan pada period ke 2, standar deviasi sebesar 3227576 diatas rata-ratanya member

efek negative pada PDRB sebanyak 462600 di bawah rata-ratanya.

b. Variance Decomposition

The Cholenski Decomposition, atau biasa disebut juga Variance Decomposition,

merupakan susunan forecasting mengenai error variance dari suatu variabel (Hadi, 2003).

Dengan menggunan E-views, diperoleh output sebagai berikut:

Variance Decomposition of DDPDRB: Period S.E. DDPDRB GCF

1 10623228 100.0000 0.000000 2 11837504 97.86235 2.137646 3 18562158 52.71023 47.28977 4 23837531 36.36569 63.63431 5 24130955 37.78243 62.21757 6 24463707 36.83968 63.16032 7 24975107 39.16660 60.83340 8 25022174 39.29679 60.70321 9 25210988 38.74298 61.25702

10 25664988 37.90885 62.09115 Variance Decomposition of GCF:

Period S.E. DDPDRB GCF 1 6375889. 2.723258 97.27674 2 7161229. 2.576002 97.42400 3 9119601. 1.867398 98.13260 4 9127392. 1.894656 98.10534 5 12308827 6.308865 93.69114 6 13207508 5.486190 94.51381 7 14675576 5.167754 94.83225 8 16429442 4.123963 95.87604 9 19725731 2.874637 97.12536

10 21599292 2.580026 97.41997 Cholesky Ordering: DDPDRB GCF

Dari test yang dilakukan, dapat dilihat bahwa, untuk PDRB, terlihat pada periode

satu perkiraan error variance seluruhnya (100%) dijelaskan oleh variable PDRB itu sendiri.

Namun pada periode kedua, GCF sudah mempunyai pengaruh terhadap perkiraan error

variance walaupun hanya sekitar 2,14%. Pada periode-periode berikutnya pengaruh

variable GCF terhadap error variance dari PDRB mengalami fluktuasi tetapi masih dalam

rentang 50% (pada periode ke-10 sebesar 62%).

Adapun tabel variance decomposition untuk GCF terlihat bahwa, pada periode

prtama pun PDRB sudah berpengaruh terhadap perkiraan error variance dari GCF sebesar

2, 72%. Pada periode-periode selanjutnya pengaruh tersebut berfluktuasi namun pada

periode ke 10 turun hingga 2,58%.

3. The Granger Test Causality

Melalui granger test ini, tim penyusun ingin memperjelas atau mempertegas dan

memeriksa hubungan kausalitas antara kedua variabel; apakah variable kenaikan PDRB

menyebabkan kenaikan GCF, kenaikan GCF menyebabkan peningkatan PDRB, atau

keduanya memiliki hubungan timbal balik (saling menyebabkan).

Pairwise Granger Causality TestsDate: 05/13/10 Time: 12:50Sample: 1983 2006Lags: 4 Null Hypothesis: Obs F-Statistic Probability GCF does not Granger Cause DDPDRB 18 3.78302 0.04515 DDPDRB does not Granger Cause GCF 2.42033 0.12459

Dari hasil output dikami peroleh, dapat disimpulkan bahwa PDRB Granger cause to

variable GCF dan begitu juga sebaliknya. Ini semakin membuktikan hipotesis kami bahwa

memang ada pengaruh antara variable PDRB dengan GCF atau dengan kata lain, ada

hubungan antara pertumbuhan ekonomi atau peningkatan pendapatan daerah (PDRB) dan

akumulasi kapital atau investasi daerah (Gross Capital Formation) DKI Jakarta.

4. Forecasting

Untuk melakukan forecasting, persamaan yang digunakan yaitu:

System: UNTITLEDEstimation Method: Least SquaresDate: 05/14/10 Time: 13:31Sample: 1989 2006Included observations: 18Total system (balanced) observations 36

Coefficient Std. Error t-Statistic Prob. C(1) -0.436563 0.294629 -1.481738 0.1557C(2) -1.043587 0.291147 -3.584399 0.0021C(3) 0.056144 0.334269 0.167959 0.8685C(4) -1.033895 0.358272 -2.885780 0.0098C(5) -0.275222 0.500832 -0.549529 0.5894C(6) 2.032225 0.623272 3.260575 0.0043C(7) -2.447346 0.838674 -2.918112 0.0092C(8) 0.722395 0.762439 0.947479 0.3559C(9) 3502946. 4552552. 0.769447 0.4516C(10) -0.094381 0.176831 -0.533733 0.6001C(11) -0.036031 0.174742 -0.206196 0.8390C(12) -0.004845 0.200623 -0.024147 0.9810C(13) -0.383947 0.215029 -1.785557 0.0910C(14) 0.513253 0.300591 1.707477 0.1049C(15) 0.605249 0.374078 1.617977 0.1231C(16) -0.535584 0.503359 -1.064020 0.3014C(17) 0.799108 0.457604 1.746289 0.0978C(18) 2828776. 2732368. 1.035284 0.3142

Determinant residual covariance 1.12E+27

Equation: DDPDRB = C(1)*DDPDRB(-1) + C(2)*DDPDRB(-2) + C(3) *DDPDRB(-3) + C(4)*DDPDRB(-4) + C(5)*GCF(-1) + C(6)*GCF(-2) + C(7)*GCF(-3) + C(8)*GCF(-4) + C(9)Observations: 18R-squared 0.817892 Mean dependent var 3650864.Adjusted R-squared 0.656019 S.D. dependent var 18112954S.E. of regression 10623228 Sum squared resid 1.02E+15Durbin-Watson stat 1.609810Equation: GCF = C(10)*DDPDRB(-1) + C(11)*DDPDRB(-2) + C(12) *DDPDRB(-3) + C(13)*DDPDRB(-4) + C(14)*GCF(-1) + C(15) *GCF(-2) + C(16)*GCF(-3) + C(17)*GCF(-4) + C(18)Observations: 18R-squared 0.989858 Mean dependent var 58996142Adjusted R-squared 0.980842 S.D. dependent var 46064666S.E. of regression 6375889. Sum squared resid 3.66E+14Durbin-Watson stat 2.366077

V. Kesimpulan

1. Berdasarkan proses iterasi (trial and error) Vector Autoregressive Regresion dalam

menganalisis hubungan timbal balik antara variable pertumbuhan ekonomu (PDRB) dengan

akumulasi kapital (Gross Capital Formation) DKI Jakarta sejak tahun 1983 sampai 2006,

diperoleh lag ke 4 sebagai lag dengan SIC dan AIC terkecil yaitu. Granger Causality Test

dengan lag 4 pun memperlihatkan bahwa kedua variabel yang diamati saling granger cause

(saling menyebabkan). Sehingga lag $ inilah yang digunakan dalam menganalisis output

VAR.

2. Analisis output Impulse Response Test dan Variance Decomposition

Berdasarkan output yang diperoleh dari Eviews, disimpulkan bahwa ada hubungan

timba balik antara variable PDRB dengan GCF. Dapat disimpulkan pula bahwa jika terjadi

shock pada variable PDRB, maka hasil impulse responsenya dapat dilihat dari dampaknya

yang berfluktuatif pada variable GCF. Begitu juga ketika shock terjadi di variable GCF,

akan berpengaruh pada variable PDRB dengan periode yang tidak tentu.

Ditarik kesimpulan pula bahwa dalam beberapa periode, pengaruh variable GCF

terhadap error variance dari PDRB mengalami fluktuasi tetapi masih dalam rentang 50%

(pada periode ke-10 sebesar 62%).

Referensi

Badan Pusat Statistik. 1994. PDRB Provinsi-Provinsi di Indonesia menurut Penggunaan 1987-1992. Jakarta : BPS.





Gujarati, Damodar N. 2009. Basic Econometrics 5th. Singapore: McGraw Hill.

Hadi, Yonathan S. 2003. Analsisis Vector Auto Regression (VAR) terhadap Korelasi antara Pendapatan Nasional dan Investasi Pemerintah di Indonesia. Jurnal Keuangan dan Moneter, Volume 6 Nomor 2. www.bi.go.id (April 2010)

Mankiw, G. 2007. Makroekonomi Edisi Keenam. Jakarta: Erlangga.

Portal Indonesia. 2010. DKI Jakarta. www.indonesia.go.id. (Mei 2010)

Todaro, Michael P. 2006. Economic Development 9th. United State of America: Pearson Eduction.

http://www.indonesia.go.id/

http://www.bi.go.id/

Minipaper Ekonometrika 2 baru

Documents

Transcript of Minipaper Ekonometrika 2 baru