iv. metode penelitian

41
IV.
METODE PENELITIAN
4.1 Jenis dan Sumber Data
Analisis integrasi pasar dan transmisi harga merupakan bagian dari analisis data
time series. Penelitian ini menggunakan data bulanan pada periode Januari 2000April 2012 sehingga jumlah data pada masing-masing series data adalah 148 buah.
Dalam analisis integrasi dan transmisi harga pada pasar CPO domestik dan
pasar CPO internasional, data yang digunakan adalah harga CPO internasional
(PCPOINT) dan harga CPO domestik (PCPODOM). Harga CPO internasional
bersumber dari data World Bank yang mengacu kepada harga CPO di Malaysia
dan Eropa, sementara harga CPO domestik bersumber dari Badan Pengawas
Perdagangan Berjangka Komoditi (Bappebti) Kementerian Perdagangan, yang
mengacu kepada harga spot di Pelabuhan Belawan.
Data harga CPO domestik dan harga CPO internasional selanjutnya
digunakan dalam analisis integrasi pasar dan transmisi harga pada pasar minyak
goreng domestik. Dalam analisis ini juga digunakan data harga minyak goreng
domestik (PMGDOM) yang merupakan harga rata-rata minyak goreng dari 33
kota besar di Indonesia.
Data harga minyak goreng bersumber dari Ditjen
Perdagangan Dalam Negeri Kementerian Perdagangan.
Pada analisis transmisi harga horizontal, data yang digunakan adalah harga
minyak goreng di beberapa wilayah yang diwakili oleh harga pasar di masingmasing ibu kota propinsi yang terpilih. Data harga minyak goreng antar wilayah
pada analisis ini meliputi harga minyak goreng di Medan (PMGMDN), Pekanbaru
(PMGPKBR),
Palembang
(PMGPLBG),
Jakarta
(PMGJKT),
Bandung
(PMGBDG), Semarang (PMGSMRG), Surabaya (PMGSRBY), Denpasar
(PMGDPSR), Pontianak (PMGPTK) dan Makasar (PMGMKSR).
Harga minyak goreng di Medan, Pekanbaru dan Palembang dipilih untuk
mewakili harga minyak goreng di wilayah produsen minyak goreng yang juga
merupakan sentra kelapa sawit.
Dalam hal ini, Sumatera Utara, Riau dan
Sumatera Selatan merupakan sentra kelapa sawit di Indonesia. Harga minyak
goreng di Jakarta dan Surabaya juga mewakili harga wilayah produsen. Meskipun
DKI Jakarta dan Jawa Timur tidak memiliki areal sawit, tetapi kedua wilayah ini
42
mempunyai sentra industri minyak goreng sawit dengan kapasitas yang cukup
besar.
Wilayah konsumen diwakili oleh harga minyak goreng di Bandung,
Semarang, Denpasar, Pontianak dan Makasar.
Seluruh kota tersebut kecuali
Bandung merupakan kota-kota yang mempunyai sarana pelabuhan. Sementara
Jawa Barat merupakan salah satu wilayah yang tingkat konsumsi minyak
gorengnya termasuk tertinggi di Indonesia (KPPU, 2010) sehingga keterkaitan
pasar minyak goreng di wilayah ini dengan pasar minyak goreng di wilayah lain
menjadi penting untuk dianalisa.
Selain data tersebut, penelitian juga ditunjang oleh data lain yang terkait
dengan agribisnis kelapa sawit yang bersumber dari BPS, Kementerian Pertanian,
Kementerian Perindustrian serta institusi lain yang terkait.
4.2 Metode Analisis
Analisis yang dilakukan dalam penelitian ini menggunakan bantuan software
Eviews 6.1 dan prosedur analisis yang dilakukan meliputi :
4.2.1
Analisis Pergerakan Harga CPO dan Minyak Goreng
Pergerakan harga CPO baik pada tingkat domestik maupun internasional
serta pergerakan harga minyak goreng dianalisis dari perkembangan harga pada
setiap series harga.
Pengaruh perubahan kebijakan yang terkait ekspor CPO
terhadap stabilitas harga minyak goreng di dalam negeri dilihat dari volatilitas
harga minyak goreng yang dianalisis dari nilai Koefisien Variasi (KV) pada
periode 2000-2007 dan pada periode 2007-2012. Periodisasi tersebut berdasarkan
pada perubahan kebijakan penetapan bea ekspor pada akhir 2007 yang lebih
mengacu kepada perubahan harga CPO internasional.
Nilai KV digunakan untuk mengetahui kecenderungan data bersifat
fluktuatif atau cenderung stabil dibandingkan dengan data yang lain. Semakin
besar nilai koefisien ragam, berarti perbedaan harga cenderung fluktuatif dari nilai
tengahnya. Koefisien ragam dihitung melalui persamaan berikut :
.............................................................................
(4.1)
43
Dimana σ x 2
: Koefisien ragam dari harga pada masing-masing pasar selama
periode pengamatan
: Rata-rata harga selama periode pengamatan
4.2.2 Pola Disparitas Antar Waktu Harga CPO-Minyak Goreng
Analisis disparitas harga antar waktu antara harga CPO dengan harga
minyak goreng dilakukan dengan cara melihat perkembangan selisih harga antara
kedua komoditas tersebut dan tingkat pertumbuhan harga masing-masing
komoditas. Analisis dilakukan secara deskriptif dengan bantuan grafik.
4.2.3
Uji Stasioneritas Data
Uji Stasioneritas data merupakan tahap yang penting dalam analisis yang
menggunakan data time series. Stasioneritas data time series diuji melalui uji unit
root dimana sebuah variabel disebut mempunyai unit root atau I(1) jika data
tersebut non-stasioner.
Stasioneritas data merupakan syarat penting dalam
analisis model ekonometrika yang menggunakan data time series untuk
menghindari terjadinya spurious regression, yaitu persamaan regresi yang
menghasilkan nilai korelasi yang tinggi tetapi penafsiran hubungan antar series ini
dari sisi ekonomi akan menyesatkan.
Metode Dickey-Fuller (DF) adalah metode yang dapat digunakan untuk
menguji stasioneritas data. Metode ini mengharuskan kita untuk menentukan
spesifikasi model dari variabel yang akan diuji. Menurut Vogelvang (2005),
persamaan regresi pada umumnya mempunyai tiga bentuk, yaitu: model tanpa
konstanta dan tanpa trend, model dengan konstanta tetapi tidak mempunyai trend,
dan model dengan konstanta dan trend.
Pada umumnya, variabel ekonomi berada pada situasi kedua yaitu model
dengan konstanta tetapi tanpa trend.
Menurut Vogelvang (2005), konstanta
merupakan bagian penting dari model, namun penambahan trend dinilai
berlebihan dan tidak perlu. Sementara model dalam bentuk pertama digunakan
untuk variabel terdifferensiasi. Persamaan matematika dari model dengan situasi
kedua dapat dituliskan sebagai berikut :
Yt =
0
+
1 Y t-1
+ u t .........................................................................
(4.2)
44
Dimana Y t
Y t-1
=
Series harga
=
Series harga periode bulan lalu
Hipotesis nol yang digunakan dalam pengujian adalah:
H 0 : Y t ~ I(1), terdapat unit root
H 1 : Y t ~ I(0), tidak terdapat unit root
Untuk mempermudah pengujian maka persamaan (4.2) diubah dalam
bentuk:
∆Y t =
Jika γ =
1 -1,
∆Y t =
0
+(
1 -1)
Y t-1 + u t ...............................................................
(4.3)
maka persamaan diatas dapat dituliskan menjadi :
0
+ γ Y t-1 + u t .......................................................................
(4.4)
Selanjutnya angka t-statistik t Ɵ dihitung dengan rumus:
tγ=
....................................................................................................
(4.5)
Dalam penelitian ini, metode yang digunakan untuk menguji unit root
adalah Tes Augmented Dickey-Fuller (ADF) dengan persamaan berikut :
∆ yt
= α +δ yt-1 + Σλ j ∆ yt-i+1 + ε t ..............................................
(4.6)
Dimana ∆ yt merupakan first difference dari yt .
Hipotesis yang diuji adalah sama dengan metode DF, dimana :
H 0 : Y t ~ I(1), terdapat unit root
H 1 : Y t ~ I(0), tidak terdapat unit root
Nilai t-statistik yang diperoleh dari uji ADF kemudian dibandingkan dengan
nilai kritis Mc Kinnon. Jika nilai t-statistik dalam uji ADF lebih kecil dari nilai
kritis Mc Kinnon maka Ho diterima yang berarti data tidak stasioner dan perlu
dilakukan diferensiasi dari ordo 1.
45
4.2.4
Penentuan Lag (ordo) Optimal VAR
Penentuan panjang lag yang optimal sangat penting dalam pembentukan
model VAR karena variabel endogen dalam sistem persamaan akan digunakan
sebagai variabel eksogen.
ditentukan
lag
Menurut Setiap variabel dalam VAR perlu untuk
optimalnya
autokorelasi residual.
untuk
menghindari
kemungkinan
terjadinya
Penentuan lag optimal dapat dilakukan berdasarkan
beberapa kriteria. Dalam penelitian ini, lag optimal ditentukan berdasarkan nilai
terkecil menurut kriteria SC (Schward Criterion) yang ditentukan dengan
persamaan :
SC = - 2(l/T) + n log (T) /T ...............................................................
(4.7 )
Dimana n = k(d + pk) adalah jumlah total parameter yang diestimasi dalam VAR.
4.2.5
Pengujian Kointegrasi
Setelah diketahui bahwa data bersifat non-stasioner, langkah selanjutnya
pengujian terhadap adanya kointegrasi.
Kointegrasi adalah hubungan jangka
panjang yang terjadi antara dua series atau lebih data yang masing-masing bersifat
non-stasioner pada level (I(1)), dimana fungsi linier hubungan jangka panjangnya
bersifat stasioner (I(0)). Kointegrasi mengakibatkan harga bergerak berdekatan
bersama-sama pada jangka panjang meskipun pada jangka pendek bergerak
sendiri-sendiri (Vavra dan Goodwin, 2005) .
Pegujian kointegrasi bertujuan untuk mengetahui apakah suatu grup yang
terdiri dari beberapa data non-stasioner terkointegrasi atau tidak.
Salah satu
metode pengujian kointegrasi adalah pengujian kointegrasi Johansen. Metode
pengujian yang dikembangkan oleh Johansen (1991) ini
menggunakan
pendekatan maximum likehood untuk menguji hubungan kointegrasi berbasis
VAR. Dimisalkan sebuah VAR dengan orde p :
y t = A 1 yt-1 + ... + A p yt-p + B x t + ε t ................................................
Dimana yt adalah vektor k dari variabel-variabel non-stasioner I(1)
x t adalah vektor d dari variabel deterministik
ϵ t adalah vektor dari inovasi
(4.8)
46
Selanjutnya bentuk VAR tersebut dapat dituliskan ulang dengan mengurangkan
y t-1 pada setiap sisi hingga diperoleh bentuk berikut :
∆yt = Π yt-1 +
Dimana
i
∆yt -i + B x t + ε t ............................................
(4.9)
Π=
=
Persamaan (4.9) mengandung informasi penyesuaian jangka pendek dan
jangka panjang terhadap perubahan yt .
Simbol
menggambarkan dinamika
jangka pendek dan Π adalah matriks koefisien jangka panjang. Menurut teori
Granger’s Representation, jika matrik koefisien Π mempunyai rank tereduksi r <
k, maka akan terdapat k x r matrik α dan β masing-masing dengan rank r dimana
Π = α β’ d an β’ y t adalah I(0).
Dalam hal ini r adalah jumlah hubungan
kointegrasi yang terjadi (cointegration rank) dan setiap kolom β merupakan
vektor kointegrasi. Sementara itu, α adalah adjustment parameter pada model
VEC. Metode Johansen mengestimasi matrik Π dari suatu VAR tidak terestriksi
dan menguji apakah restriksi yang dilakukan terhadap rank tereduksi dari Π dapat
ditolak atau tidak.
Pengujian kointegrasi dengan metode Johansen memungkinkan pengujian
terhadap vektor kointegrasi yang signifikan melalui dua uji yang berbeda, yaitu
melalui penelusuran trace test dan maximum eigenvalue. Trace test ( λ trace (r))
merupakan uji likelihood ratio untuk mengetahui vektor kointegrasi r terbanyak
dengan persamaan:
λ trace = T ∑ ln (1-
) .......................................................................... (4.10)
Dimana T adalah jumlah observasi dan λ trace adalah eigenvalues.
Pengujian yang kedua adalah melalui penelusuran maximum eigenvalue
yaitu dengan menguji relevansi kolom r+1 dalam β dengan persamaan :
λ max (r, r+1) = -T ∑ ln (1-
) ........................................................ (4.11)
47
Metode Johansen dilengkapi dengan nilai kritis baik untuk pengujian trace
test maupun maximum eigenvalue yang digunakan untuk menentukan apakah H 0
dapat ditolak atau tidak. Hipotesis dalam pengujian ini adalah :
H0 : r = 0 ; H1 : r = 1
H 0 : r <= 1 ; H 1 : r = 2
H 0 : r <= 2 ; H 1 : r = 3
Jika nilai statistik yang diperoleh dari pengujian lebih kecil dari nilai kritis
Johansen maka H 0 tidak dapat ditolak. Jika H 0 : r = 0 tidak ditolak maka dapat
disimpulkan bahwa tidak terdapat vektor kointegrasi dan pengujian tidak
dilanjutkan. Sebaliknya jika H 0 : r = 0 dapat ditolak berarti terdapat satu vektor
kointegrasi dan pengujian dilanjutkan sampai diperoleh nilai statistik dimana H 0
tidak dapat ditolak.
4.2.6
Estimasi VAR (Vector Autoregression) dan VECM (Vectors Error
Correction Model)
VAR adalah suatu sistem persamaan dimana setiap variabel merupakan
fungsi linier dari lag variabel itu sendiri dan lag variabel lain.
Model
ekonometrika ini dibangun dengan meminimalkan pendekatan teori dengan tujuan
agar dapat menangkap fenomena ekonomi dengan baik ( Widarjono, 2009).
Model ini diperkenalkan oleh Sims (1980) sebagai model alternatif dalam analisis
ekonometrika setelah melihat banyak persamaan struktural (persamaan yang
didasarkan pada teori ekonomi) yang sulit untuk diimplementasikan karena
seringkali terlalu kompleks dan memberikan restriksi yang berlebihan.
Seperti halnya model simultan, model VAR juga dapat menganalisis saling
ketergantungan antar variabel timeseries. Perbedaan antara model VAR dengan
model
simultan
adalah
dalam
model
simultan
setiap
variabel
diklasifikasikan sebagai variabel eksogen atau variabel endogen.
harus
Sebaliknya
dalam model VAR variabel endogen tidak dibedakan dengan variabel eksogen.
Setiap variabel baik endogen maupun eksogen yang dipercaya saling berhubungan
harus dimasukkan ke dalam model (Widarjono, 2009).
Hubungan saling
ketergantungan antar variabel dilakukan dengan memasukkan kelambanan dari
48
setiap variabel untuk menangkap pengaruh setiap variabel terhadap variabel lain
dalam model.
Pembentukan model VAR dilakukan dalam beberapa tahap, yang diawali uji
stasioneritas dan pengujian kointegrasi.
Jika dari pengujian stasioneritas
disimpulkan jika data sudah stasioner pada tingkat level, maka digunakan model
VAR biasa (unrestricted VAR). Sebaliknya jika data tidak stasioner pada level
tapi menjadi stasioner setelah dilakukan diferensiasi, selanjutnya harus dilakukan
pengujian kointegrasi. Jika terdapat kointegrasi maka model yang digunakan
adalah VECM, tetapi jika tidak terdapat hubungan kointegrasi maka digunakan
model VAR dalam bentuk diferensiasi (VAR in difference).
Model VECM merupakan model VAR non struktural yang juga disebut
model VAR terestriksi karena merestriksi hubungan perilaku jangka panjang antar
variabel agar konvergen ke dalam hubungan kointegrasi tetapi tetap membiarkan
perubahan-perubahan dinamis dalam jangka pendek (Widarjono, 2009).
Tahapan permodelan VECM secara umum adalah:
1.
Uji stasioneritas terhadap variabel-variabel kointegrasi.
2.
Pengujian kointegrasi untuk menduga hubungan jangka panjang antar
variabel melalui permodelan VAR yang tidak terestriksi dengan metode
maximum likelihood terhadap persamaan :
3.
x t = μ t + Π 1 x t-1 + ... + Π k x t-k + ε t , t= 1,...,T .................................. (4.12)
Formulasi bentuk VECM dari VAR (restricted VECM) dengan persamaan :
∆x t = μ t + Γ 1 ∆x t-1 + ... + Γ k-1 ∆x t-k + Π x t-1 + ε t , t= 1,...,T............... (4.13)
Dimana Γ i = -1 + Π(1,...,k-1) dan Π = -1+ Π 1 +...+ Π k .
Jika variabel-variabel tersebut terkointegrasi maka sisaan dari regresi
keseimbangan dapat digunakan untuk menduga VECM. Secara umum tahapan
permodelan VAR dijelaskan pada Gambar 14 berikut:
49
DATA TIME SERIES
Uji Stasioneritas
Data Stasioner pada Level
Data Stasioner pada First
Difference
Unrestricted VAR
Uji Kointegrasi
Tidak ada kointegrasi
Terdapat Kointegrasi
VAR in Difference
VECM
Gambar 14 Tahapan Pembentukan Model
(Sumber : Widarjono,2009)
4.2.7
Pengujian Impulse Response
Sebuah guncangan yang terjadi terhadap variabel ke-i tidak hanya
berdampak terhadap variabel ke-i saja, tetapi juga ditransmisikan kepada semua
variabel endogen melalui struktur dinamis (lag) dari VAR. Impulse Response
Function (IRF) dapat melacak dampak dari timbulnya sebuah inovasi (shock)
terhadap nilai variabel endogen saat ini dan yang akan datang.
Pengujian impulse response dilakukan dengan melakukan penyederhanaan
terhadap SVAR menjadi bentuk Vector Moving Average (VMA) yang dapat
dituliskan sebagai (Enders, 2004) :
x t = μ+
....................................................................... (4.14)
Dalam bentuk vektor, persamaan di atas dapat dituliskan sebagai berikut:
................................. (4.15)
50
dimana
merupakan impulse response function.
Secara visual perilaku dari y t dan z t
sebagai respon dari timbulnya
guncangan dapat ditampilkan dengan melakukan ploting keempat koefisien
Φ 11 (i), Φ 12 (i), Φ 21 (i) dan Φ 22 (i) terhadap i.
4.2.8
Pengujian Kausalitas Blok (Block Causality Test)
Pengujian kausalitas dalam penelitian ini menggunakan metode block
causality test yang merupakan generalisasi dari metode Granger causality test ke
dalam bentuk multivariate.
Dasar dari block causality test adalah pengujian
terhadap eksogenitas suatu variabel. Menurut Enders (2004), terdapat sedikit
perbedaan antara kausalitas dengan eksogenitas. Suatu variabel z t mempunyai
sifat eksogen jika nilai y t saat ini dan nilai masa lalunya tidak berpengaruh
terhadap z t . Dengan demikian, meskipun yt tidak Granger cause terhadap z t ,
tidak selalu z t bersifat eksogenus terhadap y t .
Tujuan dari pengujian block causality adalah untuk mengetahui apakah
suatu variabel dapat diikutsertakan dalam sistem VAR dengan cara menentukan
lag tertentu dari suatu variabel yang Granger-cause terhadap variabel lain dalam
sistem. Suatu sistem VAR dengan tiga variabel w t , y t dan z t maka ditentukan lag
dari w t yang Granger cause terhadap y t dan z t . Lag dari wt kemudian direstriksi
dalam persamaan y t dan z t menjadi sama dengan nol. Langkah selanjutnya adalah
mengestimasi y t dan z t menggunakan lag dari y t , z t dan w t kemudian menghitung
∑ u . Selanjutnya dilakukan estimasi ulang dengan mengeluarkan lag w t sehingga
diperoleh ∑
r
dan dilakukan pengujian likelihood ratio statistic dengan rumus
(Enders, 2004) :
(T-c)(logI∑ r l -logI∑ u l) ..................................................................... (4.16)
Dimana c adalah konstanta dengan nilai 3p +1
Statistik uji ini mempunyai sebaran chi-square dengan derajat bebas sama
dengan 2p (dimana p adalah nilai lag dari w t yang telah dikeluarkan dari setiap
persamaan).
51
Dalam penelitian ini, pengujian kausalitas blok hanya digunakan untuk
analisis transmisi harga spasial, yaitu untuk menentukan arah transmisi pada
masiing-masing pasangan harga.
Pada analisis transmisi harga vertikal arah
transmisi antara harga CPO dengan harga minyak goreng ditentukan berdasarkan
asumsi ekonomi yang berlaku, dimana harga CPO sebagai bahan baku utama
minyak goreng akan mempengaruhi harga minyak goreng.
4.2.9
Uji Transmisi Harga Asimetris (Asymmetric Price Transmission/APT)
Menurut Engle dan Granger (1987), jika dua series harga saling
terkointegrasi, maka akan terdapat mekanisme yang disebut error correction
representation (ECR).
Salah satu metode pengujian APT adalah melalui
pendekatan ECM (Error Correction Model). Pendekatan ini diperkenalkan oleh
Taubadel& Fahlbusch (1996) dengan cara mengembangkan ECM standar dengan
memasukkan asymmetric adjustment terms.
Integrasi pasar yang terjadi baik secara vertikal menyebabkan perubahan
harga CPO internasional dan CPO domestik ditransmisikan ke pasar minyak
goreng sehingga menimbulkan respon berupa perubahan harga minyak goreng.
Dalam pasar persaingan sempurna, informasi kenaikan harga CPO akan
diteruskan dan direspon dengan kecepatan atau besaran yang sama dengan
penurunan harga. Sebaliknya pasar yang tidak efisien akan memberikan respon
yang berbeda antara ketika terjadi kenaikan dan penurunan harga. Hal yang sama
juga berlaku secara spasial, antara harga pada pasar acuan dengan harga pada
pasar lokal/konsumen.
Respon yang terjadi pada pasar tujuan dapat diukur dari besaran error
correction term (ECT)-nya, yaitu koefisien variabel yang mengukur koreksi
terhadap penyimpangan dari keseimbangan jangka panjang. Perbedaan respon
dapat dievaluasi dari ECT positif dan ECT negatif, yaitu respon ketika terjadi
kenaikan dan penurunan harga. Perbedaan antara koefisien pada kedua variabel
tersebut menunjukkan jika transmisi berjalan asimetris.
Prosedur pengujian APT melalui pendekatan ECM meliputi:
1.
Pengujian stasioneritas data
2.
Pengujian kointegrasi
52
Jika harga-harga terkointegrasi maka koefisien yang diestimasi pada OLS
merupakan estimasi dari hubungan keseimbangan dalam jangka panjang diantara
harga-harga tersebut.
3.
Mengestimasi ECM.
Model ECM pertama kali diestimasi dengan memasukkan asymmetric
adjustment term secara umum, tanpa melihat penyebab adjustment, apakah
disebabkan kenaikan atau penurunan harga atau dapat disebut ‘model simetris’.
Secara matematis persamaan simetris dapat dituliskan sebagai :
∆P i,t =
0
+
1
∆P j,t +
2
ECT t-1 +
3
(L) ∆P i,t-1 +
4
(L) ∆P j,t-1 +
t
(4.17)
P i,t dan P j,t pasangan harga yang saling terkointegrasi
Dimana
ECT t-1 = u t-1 = lag residual dari persamaan kointegrasi
3
(L) dan
4
(L) merupakan lag polinomial
Untuk menganalisis APT, Selanjutnya untuk dieksplorasi perbedaan
adjustment yang disebabkan kenaikan dan penurunan harga yaitu ECT t-1 dengan
melakukan segmentasi dalam bentuk positif dan negatifnya.
Persamaan
matematikanya model ini menjadi :
∆P i,t =
0
+
1
∆P j,i +
2
+ECT+
t-1
+
2
–ECT-
t-1
+
3
(L) ∆P i,t-1 +
4
(L) ∆P j,t-1 +
t
............................................................................................................................... (4.18)
Dimana P i,t dan P j,i adalah pasangan harga yang terkointegrasi
ECT = error correctiom term, yaitu lag error yang ada pada setiap
persamaan jangka panjang masing-masing pasangan harga
ECT+ t-1 = ECT t-1 >0; dan ECT- t-1 = ECT t-1 <=0
Error correction terms (ECT) merupakan residual dalam bentuk lag-nya
yang diperoleh dari persamaan keseimbangan jangka panjang (persamaan
kointegrasi). Koefisien Error correction terms/ECT (
2 +
dan
2 –)
merupakan
besaran penyesuaian kepada keseimbangan jangka panjang per periode. ECT+
merupakan penyesuaian ketika perbedaan harga antara kedua series harga lebih
besar dari kondisi keseimbangannya, dan sebaliknya ECT- adalah penyesuaian
53
ketika perbedaan harga antara kedua series harga lebih kecil dari kondisi
keseimbangan.
4.
Uji Wald terhadap koefisien ECT+ dan ECTJika
2
+
dan
2
–
menunjukkan nilai yang berbeda, maka dapat disimpulkan
adanya respon terhadap kenaikan dan penurunan harga. Meskipun demikian,
secara statistik harus dibuktikan apakah kedua koefisien berbeda nyata. Untuk
membuktikan hal tersebut dilakukan Uji Wald terhadap koefisien ECT+ dan ECT-.
Null hyphotesis dalam pengujian ini adalah H 0 : (
2
+
=
2
-
) versus H 1 :(
2
+
≠
2
-
). Jika hipotesis nol ditolak berarti secara statistik terdapat perbedaan dalam
penyesuaian terjadinya deviasi dari keseimbangan jangka panjang, antara ketika
terjadi kenaikan dan penurunan harga. Hal ini berarti transmisi berjalan asimetris.
Sebaliknya jika hipotesis nol tidak dapat ditolak berarti transmisi berjalan
simetris, dan hubungan jangka panjang dan jangka pendek dapat diestimasikan
dengan persamaan simetrisnya.