Pendekatan Hot-Fit Framework dalam Generalized Structural ...
PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI · PDF fileDalam makalah ini dibahas tentang...
Transcript of PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI · PDF fileDalam makalah ini dibahas tentang...
PERAMALAN DENGAN MODEL SVAR PADA DATA INFLASI INDONESIA
DANNILAI TUKAR RUPIAH TERHADAP KURS DOLAR AMERIKA
Daivi S. Wardani, Adi Setiawan, Didit B. Nugroho
Program Studi Matematika
Fakultas Sains dan Matematika, Universitas Kristen Satya Wacana
Jl. Diponegoro 52-60 Salatiga 50711
[email protected], [email protected], [email protected]
ABSTRAK
Dalam makalah ini dibahas tentang penerapan model Structural Autoregression
(SVAR) untuk meramalkan data inflasi dan nilai tukar kurs USD. Data yang digunakan
adalah data inflasi di Indonesia dan nilai tukar kurs USD. Data inflasi dan Kurs USD akan
dibuat modelnya dengan tahapan menguji stasioneritas data menggunakanunit root test (uji
akar unit). Pemilihan minimum lag menggunakan kriteria AkaikeInformation
Criterion(AIC),untuk mendapatkan model yang paling sesuai.Model Vector Autoregression
(VAR)yang diperoleh dikonstruksi sehinggamembentuk model SVAR. Software R i386 3.0.1
membantu untuk mengestimasi parameter Ai dan i . Parameter yang diperoleh selanjutnya
digunakan memprediksi data inflasi dan nilai tukar kurs USD untuk beberapa periode ke
depan.
Kata kunci : Inflasi, Kurs USD, VAR, SVAR, Stasioneritas.
PENDAHULUAN
Inflasi adalah suatu proses kenaikan harga-harga yang berlaku dalam perekonomian,
(Sukirno, 2002). Selain itu inflasi juga merupakan persentase kenaikan harga-harga barang
secara umum yang berlangsung terus-menerus dalam jangka waktu yang lama, dan
mengakibatkan turunnya daya beli masyarakat serta jatuhnya nilai riil mata uang. Namun,
kenaikan harga barang yang terjadi hanya sekali saja, meskipun dalam persentase yang cukup
besar, bukanlah merupakan inflasi. Kenaikan harga diukur menggunakan indeks harga.
Beberapa indeks harga yang menjadi tolak ukur inflasi yaituindeks harga konsumen
(consumer price index), indeks harga perdagangan besar (wholesale price index), dan GNP
(Gross National Product) Deflator. Perubahan inflasi dari bulan ke bulan menjadi indikator
untuk penentuan harga beberapa komoditas tertentu. Selain itu inflasi juga digunakan dalam
bahan penentuan kebijakan impor di Indonesia.
Dolar Amerika Serikat atauUSD merupakan mata uang yang sangat berpengaruh di
dunia. Hal ini dibuktikan dengan banyaknya mata uang yang disandingkan dengan dolar
Amerika di pasar uang dan juga dijadikan dolar Amerika sebagai patokan bagi perekonomian
suatu negara, termasuk Indonesia. Perlu diketahui bahwa kuat atau lemahnya kurs USD juga
menjadi salah satu faktor yang mempengaruhi inflasi di Indonesia. Perubahan kuat dan
lemahnya nilai tukar antara Rupiah dan USD dapat digunakan oleh investor untuk
mempertimbangkan dalam melakukan investasi.
Melihat adanya hubungan tersebut mendorong penulis untuk mengaplikasikan metode
SVAR (Strucutural Vector Autoregression) untuk data inflasi dan kurs USD.Penelitian ini
bertujuan untuk memperoleh model SVAR untuk data inflasi di Indonesia dan kurs dolar
Amerika dengan mengestimasi parameter-parameter Ai dan i . Model yang didapatkan akan
digunakan untuk memprediksi data inflasi Indonesia dan kurs dolar Amerika untuk periode
kedepan. Dalam penelitian ini perhitungan menggunakan alat bantu Software R i386 3.0.1.
Data yang digunakan adalah data time series dari Inflasi di Indonesia dan nilai tukar kurs
dolar Amerika mulai bulan Januari 2011 sampai dengan bulan September 2014.
DASAR TEORI
Model Autoregresi
Model autoregresi (AR) menyatakan satu varibel Y t sebagai fungsi linear dari
sejumlah Y t sebelumnya. Menurut Cryer (2008), secara umum model AR orde p, dituliskan
AR(p) berbentuk,
tptpttt eYYYY 2211 (1)
dengan
p parameter autoregresi ke-j, dengan j = 1,2, ... p,
te = nilai galat pada saat t (gangguan).
Vector Autoregression (VAR)
Pertama kali model VAR diperkenalkan oleh C.A. Sims (1972) sebagai
pengembangan dari pemikiran Granger (1969), (dalam Hidayatullah,2009). VAR
menjelaskan bahwa setiap variabel yang ada dalam model tergantung pada pergerakan masa
lalu variabel tersebut dan juga pergerakan masa lalu seluruh variabel yang ada dalam sistem,
(Novita,2009). Salah satu keunggulan dari model VARadalah peneliti tidak perlu menentukan
mana variabel endogen dan mana variabel eksogen karena semua variabel dalam VARadalah
endogen. Secara umum VAR orde p dituliskan sebagai berikut :
tptpttt eYAYAYAAY 22110 (2)
dengan
tY = vektor berukuran n 1 yang mengandung n variabel dalam VAR,
0A = vektor berukuran n 1 yang berisikan intersep,
iA = matriks berukuran nn yang berisikan koefisien-koefisien dalam VAR,
te = vektor berukuran n 1 berisikan galat dari model VAR.
Model VAR yang digunakan akan dibentuk dalam tahapan pengujian pra-estimasi.
Langkah-langkah pengujian meliputi :
1. Pengujian Stasioneritas dengan Uji Akar Unit (Unit Root Test)
Dalam menentukan penggunaan metode VAR maka harus terlebih dahulu
dipastikan apakah variabel yang digunakan memiliki data yang bersifat stasioner.
Variabel stasioner adalah variabel yang memiliki sebaran data dinilai rata-rata pada
variabel tersebut. Salah satu metode yang umum digunakan untuk mengetahui
kestasioneran data adalah uji Augmented Dickey-Fuller (ADF test). Hipotesis
pengujian ini adalah:
H0 : γ = 0 (Data Tidak stasioner),
H1 : γ < 0 (Data Stasioner).
Hipotesis nol ditolak jika dengan τ =
, τ sebagai nilai uji
stasioner dan sebagai nilai tabel kritisnya. Pada uji Augmented Dickey-Fuller
terdapat beberapa persamaan uji, yakni:
1. Tanpa konstanta dan tanpa trend (None)
ttt yy 1 (3)
2. Dengan konstanta dan tanpa trend (Drift)
ttt yy 1 (4)
3. Dengan konstanta dan trend (Trend)
tttt yy 1 (5)
Dengan dan adalah residual. γ merupakan nilai parameter yang
akan diujikan, α adalah nilai konstanta dan adalah koefisien trend.
2. Penentuan Lag Optimal Penentuan lag merupakan suatu hal sangat penting untuk mendapatkan model
VAR yang paling sesuai. Pemilihan model akan dilakukan menggunakan lag yang
meminimumkan kriteria dari kriteria informasi. Beberapa kriteria yang digunakan
antara lain kriteria informasi Akaike (AkaikeInformation Criterion, disingkat AIC),
kriteria informasi Schwarz (Schwarz Information Criterion, disingkat SIC), kriteria
informasi Hannann-Quinn (Hannan-Quinn Information Criterion, disingkat HQ), dan
Galat Prediksi Akhir (Final Prediction Error, disingkat FPE). Pada penelitian ini
dipilih kriteria informasi AIC untuk mendapatkan lag yang sesuai. Adapun
formulasinya adalah:
NTAIC 2ln (6)
dengan
T = banyaknya pengamatan,
= determinan matriks variansi/kovariansi sisa,
N = total banyaknya estimasi parameter di semua persamaan.
Contoh 1:
Digunakan data inflasi Indonesia dan kurs USD pada bulan Januari 2011-Agustus
2011 dan didapatkan model terbaik pada lag 2. Maka model VAR yang diperoleh
tttt eYAYAY 2211. Mengestimasi nilai 1A dan 2A dengan menyusun notasi matriks
UBZY , dengan Mulitivariate Least Squares didapatkan 1''ˆ ZZZYB yang
digunakan untuk mengestimasi B.
UBZY
001 2
121
1
t
t
t
t
t e
Y
YAA
Y
Y
Kemudian diperoleh B dengan cara :
1ˆ ZZZYB
1
2
1
2
1
2
1
1
ˆ
t
t
t
t
t
t
t
t
Y
Y
Y
Y
Y
Y
Y
YB
1
0.120.120.42-0.26
0.05-0.430.120.12
0.74-0.430.05-0.43
0.56-0.010.74-0.43
1.11-0.45-0.56-0.01
0.320.76-1.12-0.45-
0.120.05-0.74-0.56-1.12-0.32
0.120.430.430.010.45-0.76-
0.42-0.120.05-0.74-0.56-1.12-
0.260.120.430.430.010.45-
0.120.120.42-0.26
0.05-0.430.120.12
0.74-0.430.05-0.43
0.56-0.010.74-0.43
1.11-0.45-0.56-0.01
0.320.76-1.12-0.45-
0.42-0.120.05-0.74-0.56-1.12-
0.260.120.430.430.010.45-
0.290.42-0.120.05-0.74-0.56-
0.66-0.260.120.430.430.01
ˆ
B
1.161.91-0.47 2.96
1.91-9.853.73-10.85-
0.473.73-1.933.79
2.9610.85-3.7914.41
0.681.072.310.06
0.69-0.610.060.65
0.650.660.900.29
0.89-0.11-0.27-0.09
B̂
0010
0001
0.801.32-0.702.46
0.67-0.580.16-1.08-
B̂
Sehingga didapatkan koefisien
0.702.46
0.16-1.08-1A dan
0.801.32-
0.67-0.582A dengan
korelasi dari residual -0.522te .
Sebelumnya telah diperoleh model VAR tanpa intersep, untuk model VAR dalam intersep
didapatkan tttt eYAYAAY 22110. Mengestimasi
0A , 1A dan 2A terlebih dahulu dibentuk
notasi matriks sebagai berikut:
UBZCY
0010 2
1210
1
t
t
t
t
t e
Y
YAAA
Y
Y
Kemudian diperoleh B dengan cara :
1ˆ ZZZYB
1
0.12
0.05-
0.74-
0.56-
1.12-
0.32
0.120.42-0.261
0.430.110.121
0.430.05-0.431
0.010.74-0.431
0.45-0.56-0.011
0.76-1.12-0.45-1
0.12
0.12
0.42-
0.26
1
0.05-0.74-0.56-1.12-0.32
0.430.430.010.45-0.76-
0.120.05-0.74-0.56-1.12-
0.120.430.430.010.45-
11111
0.12
0.05-
0.74-
0.56-
1.12-
0.32
0.120.42-0.261
0.430.110.121
0.430.05-0.431
0.010.74-0.431
0.45-0.56-0.011
0.76-1.12-0.45-1
0.42-0.120.05-0.74-0.56-1.12-
0.260.120.430.430.010.45-
0.290.42-0.120.05-0.74-0.56-
0.66-0.260.120.430.430.01
ˆ
B
4.5815.14-9.9813.313.86
15.14-60.9840.48-50.87-14.92-
9.9840.48-28.3532.5610.72
13.3150.87-32.5645.7311.68
3.8614.92-10.7211.684.35
0.681.072.310.062.78-
0.69-0.610.060.650.80
0.650.660.910.291.36-
0.89-0.11-0.27-0.090.59
B̂
00100
00010
0.680.86-0.382.110.13-
1.57-4.032.64-3.79-1.01-
B̂
Sehingga didapatkan intersep
0.13-
1.01-0A , lalu koefisien
0.382.11
2.64-3.79-1A dan
0.680.86-
1.57-4.032A .
Struktural Vektor Autoregresi (SVAR) SVAR merupakan pengembangan dari metode VAR. Metode estimasi SVAR
digunakan untuk mendapatkan ortogonalisasi non recursive error term dalam kerangka
analisis impulserespons. Untuk memperoleh ortogonalisasi non recursive error term tersebut,
maka pada penelitian ini diterapkan beberapa restriksi untuk mengidentifikasi komponen
struktural dalam error term. Bentuk Struktural Vektor Autoregresi dengan lag p memiliki
model:
tptpttt YYYYB 22110 (7)
dengan :
1
1
21
12
b
bB ,
tY vektor berukuran n 1 yang mengandung n variabel dalam SVAR,
0vektor berukuran n 1 yang berisikan intersep,
imatriks berukuran nn yang berisikan koefisien-koefisien dalam SVAR,
t white noise.
Untuk menormalkan vektor pada sisi kiri persamaan (7), persamaan tersebut perlu
dikalikan invers dari B :
tptpttt BYBYBYBBYBB 11
22
1
11
1
0
11
(8)
sehingga diperoleh:
tptpttt eYAYAYAAY 22110 (9)
dengan : ,0
1
0 BA ,1
1
1 BA ,2
1
2 BA ,1
pp BA dan .1
tt Be Persamaan (9)
dikenal dengan bentuk baku dari VAR.
Contoh 2 :
Dari Contoh 1 telah dijelaskan model VAR dengan lag 2. Model VAR tanpa intersep yaitu
tttt eYAYAY 2211dan model VAR dengan intersep yaitu
tttt eYAYAAY 22110.
Dengan itu maka dapat dicari pula model SVAR dengan lag 2 untuk data tersebut.
Model SVAR tanpa intersep : tttt YYYB 2211
Model SVAR dalam intersep : tttt YYYB 22110
Pada model SVAR tanpa intersep untuk mengestimasi B dapat digunakan cara :
11 ' BEBeeE tttt
2
221
12
2
1
tteeE
1
1
var0
0var'
ttE
BB
maka,
1
1
02.002.0
02.008.0
1
1
var0
0var
12
21
21
12
1
1
b
b
b
b
2
12121 02.004.008.0var bb ,
12122121 02.002.002.008.00 bbbb ,
12211221 02.002.002.008.00 bbbb ,
02.004.008.0var 21
2
212 bb .
untuk 021 b
1202.002.00 b maka 112 b
02.0var 2
06.0var 1
Maka diperoleh
10
11B .
Kemudian menggunakan dekomposisi ini, didapatkan t1 dan t2 dengantt Be diperoleh
ttt ee 211 dantt e22
dengan korelasi dari 0.052t .
Sebelumnya sudah didapatkan estimasi untuk 1A dan 2A dalam model VAR, maka dapat
dicari pula 1 dan 2 dengan cara :
11
1
1
1
1
1
11
1
1
AB
BBAB
BABA
0.702.46
0.541.38
0.702.46
0.16-1.08-
10
1111 AB
0.801.32-
0.130.74-
0.801.32-
0.67-0.58
10
1122 AB
Sedangkan pada model SVAR dalam intersep untuk mengestimasi B juga digunakan cara
yang sama seperti sebelumnya.
BB
1
1
02.003.0
03.003.0
1
1
var0
0var
12
21
21
12
1
1
b
b
b
b
2
12121 02.006.003.0var bb
12122121 02.003.003.003.00 bbbb
12211221 02.003.003.003.00 bbbb
02.006.003.0var 21
2
212 bb
untuk 021 b
1202.003.00 b maka 5.112 b
02.0var 2
015.0var 1
t 1 2 3 4 5 6
t1 0.075 -0.21 0.26 0.08 0.31 -0.41
t2 0.08 -0.07 -0.13 0.25 0.19 0.02
Sehingga diperoleh
10
1.51B . Sama seperti model SVAR tanpa intersep di atas sudah
didapatkan estimasi untuk 0A , 1A dan 2A di model VAR, maka dapat dicari pula
10 , dan 2
dengan cara :
,0.13-
1.20-
0.13-
1.01-
10
1.5100
AB
,0.382.11
2.07-0.62-
0.382.11
2.64-3.79-
10
1.5111
AB
.0.680.86-
0.55-2.74
0.680.86-
1.57-4.03
10
1.5122
AB
METODE PENELITIAN
Data yang digunakan adalah data inflasi dan kurs USD. Inflasi diambil dari
www.bps.go.id dan data kurs dolar Amerika diambil dari www.bi.go.id. Data yang digunakan
masing-masing dari bulan Januari 2011 – September 2014.
HASIL DAN BAHASAN
Profil Data
Data inflasi dan nilai tukar rupiah terhadap USD dari bulan Januari 2011 sampai
dengan September 2014 ditampilkan dalam Gambar 1. Dari grafik terlihat bahwa data Inflasi
berfluktasi disekitar rata-rata. Sehingga dapat diartikan data asli Inflasi sudah stasioner.
Untuk data kurs USD dilihat dari gambar data belum stasioner, maka dari itu perlu dilakukan
uji stasioneritas untuk data kurs USD.
Gambar 1 : Data asli Inflasi & Kurs USD
Uji Stasioneritas Data
Pada data inflasi dan kurs USD pertama kali dilakukan uji akar untuk mengetahui
kestasionerannya agar model yang didapatkan mempunyai ketepatan yang relatif tinggi.
Dengan bantuan program R dilakukan Augmented Dickey-Fuller test untuk melakukan uji
akar unit (Unit Root Test) untuk menguji apakah inflasi dan kurs USD stasioner atau tidak.
Hasil perhitungan akar unit untuk data awal dinyatakan pada Tabel 1.
0 5 10 15 20 25 30 35 40 45-2
0
2
4Inflasi
0 5 10 15 20 25 30 35 40 450.8
1
1.2
1.4x 10
4 Kurs
Tabel 1 : Uji akar unit variabel Inflasi dan USD
Dari Tabel 1 terlihat nilai statistik dari inflasi adalah -2.5957 berarti sudah lebih kecil
dari nilai tabel kritis dengan nilai uji 5 %. Sedangkan untuk data kurs USD masih lebih besar
dari nilai tabel kritis nya. Hal ini berarti data tidak stasioner, sehingga perlu dilakukan
transformasi dan pembedaan untuk data kurs USD yaitu dengan cara
))log()(log(100 1 ttt YYz , dengan tY adalah data inflasi dan kurs USD. Hasil perhitungan
akar unit untuk data yang sudah ditransformasi dan dilakukan pembedaan dinyatakan pada
Tabel 2.
Tabel 2 : Uji akar unit variabel kurs USD (pembedaan & transformasi)
Terlihat dari Tabel 2 nilai statistik untuk data kurs USD sudah lebih kecil dari nilai
tabel kritisnya dengan nilai uji 5 %. Dapat diambil kesimpulan bahwa variabel Inflasi sudah
stasioner pada data aslinya, sedangkan untuk variabel kurs USD mengalami stasioner setelah
dilakukan pembedaan dan transformasi. Gambar 2 menunjukkan data yang sudah stasioner.
Gambar 2 : Data Inflasi & Kurs USD stasioner
Penentuan Model VAR
Dari data yang sudah stasioner selanjutnya dicari model awal VAR dengan cara
mengetahui lag yang paling sesuai untuk model. Artinya bahwa suatu data pada waktu
tertentu di masa depan dipengaruhi oleh beberapa data berurutan pada waktu sebelumnya.
Untuk memilih lag yang paling sesuai digunakan kriteria informasi AIC.
0 5 10 15 20 25 30 35 40 45-3
-2
-1
0
1
2
3
4
Inflasi
Kurs USD
Data Nilai
Statistik
Nilai Tabel
Kritis
5 %
Inflasi -2.5957 -1.95
USD 1.469 -1.95
Data Nilai
Statistik
Nilai Tabel
Kritis
5 %
USD -3.7509 -1.95
Tabel 3 : Kriteria pemilihan lag
Dari kriteria AIC pada tabel terlihat nilai paling minimum ada pada lag 6 yaitu dengan
nilai -1.3268. Disini diduga bahwa model terbaik adalah dengan menggunakan lag 6.
Sehingga didapatkan model VAR dengan lag 6 untuk variabel inflasi dan USD adalah:
tttttttt eYAYAYAYAYAYAAY 6655443322110(10)
Untuk menentukaan , , , , ,dan dilakukan dengan menggunakan
bantuan software R. Sehingga diperoleh hasil sebagai berikut :
0.938-
0.3700A ,
0.118-0.778
0.0230.3551A
0.199-0.838
0.0100.408-2A
0.362-0.022
0.048-0.0023A ,
0.106-1.210
0.0090.0024A ,
0.056-0.559
0.166-0.0725A ,
0.359-0.310
0.045-0.3376A .
Dari model VAR diatas diperoleh matriks sampai dengan matriks , selanjutnya
dapat dibentuk model SVAR dengan lag 6 yaitu :
tttttttt YYYYYYYB 6655443322110 (11)
Matriks B dapat dicari dengan bantuan software R, sehingga didapatkan :
11.367
1.148-1B
Selanjutnya dapat dicari:
0.432-
1.4470 ,
0.086-1.263
0.1590.539-1 ,
0.185-0.281
0.2391.370-2 ,
0.427-0.025
0.3680.024-3 ,
0.093-1.212
0.1311.387-4 ,
0.283-0.657
0.101-0.570-5 ,
0.420-0.770
0.3670.018-6 .
Peramalan Menggunakan VAR
Setelah didapatkan model VAR tetap, langkah selanjutnya adalah meramalkan data.
Dengan bantuan Software R dilakukan prediksi dari 5 bulan ke depan untuk Inflasi dan Kurs
USD. Hasil peramalan ditunjukkan pada Tabel 4.
Tabel 4 : Hasil peramalan Inflasi dan kurs USD (Keluaran dari R)
Bulan Inflasi Kurs USD
Okt-2014 0.07 0.75
Nov-2014 0.10 -0.19
Des-2014 0.37 0.13
Jan-2015 0.76 0.32
Feb-2015 0.82 0.78
Tabel 4 merupakan prediksi inflasi dan kurs USD untuk 5 bulan ke depan.
Sebelumnya data kurs USD yang digunakan untuk pemodelan dan peramalan pada Tabel 4
Lag
1 2 3 4 5 6 7 8
AIC(n) -0.860 -0.999 -0.855 -1.205 -1.2225 -1.3268 -1.3236 -1.1355
adalah data yang masih di transformasikan. Pada variabel USD dilakukan transformasi dan
pembedaan yaitu ))log()(log(100 1 ttt YYz . Untuk mengembalikan ke data yang asli
perlu dilakukan tranformasi kembali digunakan.
))log()(log(100 1 ttt YYz
1001 10
tz
tt YY
dengan, tz = nilai peramalan untuk variabel USD.
Untuk peramalan data aslinya dapat dihitung sebagai berikut :
Bulan Oktober 2014 :
1001 10
tz
tt YY
11974.011011769 100
75.0
tY
Dengan cara yang sama didapatkan peramalan untuk bulan November 2014 sampai dengan
Februari 2015. Ditunjukkan pada Tabel 5 berikut.
Tabel 5 : Hasil peramalan Inflasi dan kurs USD
Bulan Inflasi Kurs USD
Okt-2014 0.07 11974.01
Nov-2014 0.10 12062.51
Des-2014 0.37 12346.3
Jan-2015 0.76 12665.92
Feb-2015 0.82 12925.17
KESIMPULAN
Berdasarkan hasil dan bahasan dibagian sebelumnya maka diperoleh :
1. Model SVAR diperoleh dari mengestimasi parameter dari model VAR. Sehingga
diperoleh model SVAR dengan orde 6 untuk variabel Inflasi dan kurs USD pada
persamaann (11) yaitu :
tttttttt YYYYYYYB 6655443322110.
2. Dalam peramalan menggunakan VAR untuk 5 bulan kedepan pada data inflasi dan kurs
USD dapat dilihat pada Tabel 5.
Penelitian lebih lanjut dapat dikembangkan untuk penggunaan Resampling atau Bootstrap
dalam model SVAR.
DAFTAR PUSTAKA
Cryer, J.D. and Chan, K.-S.(2008).Time Series Analysis, 2nd Edition, Springer
Science+Business Media.
Darwanto. (2012). Dampak Shock Nilai Tukar Riil terhadap Inflasi dan Current Account
Indonesia, Trikonomika,11 (1), FEB Universitas Diponegoro, Semarang.
Enders, W. (2004). Applied Econometric Time Series, 2nd Edition, America : Wiley.
Feve P. and Jidoud A. (2012). Identifying News Shocks from SVARs, Toulouse School of
Economics, Toulouse-France.
Gunawan. (2012). Analisis Interaksi Capital Flows, Fluktuasi Nilai Tukar, dan Kebijakan
Moneter Di Indonesia. Fakultas Ekonomi, Universitas Indonesia, Jakarta.
Hadiyatullah.(2011). Model Vector Autoregressive (VAR) dan Penerapannya untuk Analisis
Pengaruh Harga Migas yerhadap Indeks Harga Konsumen (IHK) (Studi Kasus
Daerah Istimewa Yogyakarta, Periode 1997–2009). FMIPA UNY, Yogyakarta.
Halim, S. dan Chandra, A. (2011). Pemodelan Time Series Multivariat secara Automatis.
Jurnal Teknik Industri, 13 (1), Universitas Kristen Petra, Surabaya.
Kilian,. (2011). Structural Vector Autoregressions. Department of Economics,University of
Michigan.
Novita, M.( 2009). Studi Kausalitas Granger Antara Nilai Tukar Rupiah Terhadap USD dan
AUD Menggunakan Analisis VAR, FSM UKSW, Salatiga.
Rosadi, D. (2011). Analisis Ekonometrik & Runtun Waktu Terapan dengan R, Yogyakarta:
Penerbit Andi.
Setyaningtyas, R. (2011). Pemodelan Konsentrasi BOD, DO dan Debit Di Stasiun KBe1
Sungai Bedadung–Jember dengan Menggunakan Metode Vector Autoregressive
(VAR), Program Magister Fakultas Teknik Sipil dan Perencanaan ITS, Surabaya.
Sukirno, S. (2002). Teori Mikro Ekonomi, Rajawali Press: Jakarta.
Ziaei, S. M. (2014). Evaluating The Effects Of Monetary Policy Shocks On Aggregate
Demand Components In Gcc Countries: Evidence From SVAR,The Journal of
Developing Areas 48 (1), University Technology Malaysia, Malaysia.