uji kausalitas granger
DESCRIPTION
Uji Kausalitas Granger. Konsep. Regresi Hubungan satu arah Realitas Banyak hubungan dua arah Uji Granger membuktikan apakah suatu variabel mempunyai hubungan dua arah, atau hanya satu arah saja. Data Time series. Uji Granger pengaruh masa lalu terhadap kondisi sekarang. - PowerPoint PPT PresentationTRANSCRIPT
Uji Kausalitas Granger
Konsep
Regresi Hubungan satu arah Realitas Banyak hubungan dua arah
Uji Granger membuktikan apakah suatu variabel mempunyai hubungan dua arah, atau hanya satu arah saja.
Data Time series. Uji Granger pengaruh masa lalu terhadap kondisi sekarang.
Contoh: Dolar melemah IHSG turun Investor di Valas ‘Profit
Taking’ Membeli saham IHSG menguat Dolar menguat.
Konsumsi naik Uang beredar naik Inflasi Konsumsi turun
Telur Ayam Telur atau Ayam Telur Ayam?
Tahapan Metode H0 : X tidak menyebabkan Y.
Buat regresi penuh dan dapatkan Sum Square of Error (SSE)Yt = Σαi Yt-i + Σβi Xt-i + εt
Buat regresi terbatas dan dapatkan pula Sum Square of Error (SSE)Yt = Σαi Yt-i + εt
Lakukan Uji F berdasarkan SSE yang didapat, dengan formula:
penuh
penuhterbatas
SSE
SSESSE
q
kNF
Dimana:N adalah banyaknya pengamatank adalah banyaknya parameter model penuhq adalah banyaknya parameter model terbatas
Bila H0 ditolak, berarti X mempengaruhi Y. Cara yang sama juga dapat dilakukan untuk melihat apakah Y
mempunyai pengaruh terhadap X. Pertanyaan yang banyak muncul dalam Uji Kausalitas Granger ini
adalah: “berapa lag yang harus digunakan?”. Ingat kembali SIC, AIC, Log Likelkihood.
Hipotesis:(i) H0 : Investasi tidak mempengaruhi (tidak menyebabkan)
KursH1 : Investasi mempengaruhi (menyebabkan) Kurs
(ii) H0 : Kurs tidak mempengaruhi (tidak menyebabkan) Investasi
H1 : Kurs mempengaruhi (menyebabkan) Investasi
Vektor Otoregresi (VAR) Konsep
VAR Y saat ini dipengaruhi X pada waktu lalu, dan X saat ini dipengaruhi Y pada waktu lalu.Contoh: Investasi GDP Investasi Money Supply Inflasi Money Supply
ModelYt = α1i + Σβ1i Yt-i + Σγ1i Xt-i + εt
dan
Xt = α2i + Σβ2i Yt-i + Σγ2i Xt-i + εt
Perhatikan bahwa model diatas mempunyai variabel bebas yang merupakan lag dari variabel terikatnya. Kembali muncul pertanyaan: “berapa banyak lag yang harus digunakan?”. AIC, SIC, dan Log Likelihood adalah indikator untuk memutuskan lag yang digunakan.
Estimasi?OLS
Date: 09/08/04 Time: 13:37
Sample(adjusted): 1974 2002
Included observations: 29 after adjusting
endpoints
Standard errors & t-statistics in parentheses
IMPOR GNP
IMPOR(-1) 14.11412 -0.258001
(4.24428) (3.20377)
(3.32544) (-0.08053)
IMPOR(-2) -2.232664 -2.836740
(5.84599) (4.41281)
(-0.38191) (-0.64284)
IMPOR(-3) -7.923294 6.753519
(5.61590) (4.23913)
(-1.41087) (1.59314)
IMPOR(-4) 13.59194 -2.895396
(4.06804) (3.07073)
(3.34115) (-0.94290)
GNP(-1) -8.044967 0.984799
(2.06084) (1.55561)
(-3.90373) (0.63306)
GNP(-2) 7.730543 1.373807
(4.29886) (3.24497)
(1.79828) (0.42337)
GNP(-3) 0.323127 -5.305517
(5.27166) (3.97929)
(0.06130) (-1.33328)
GNP(-4) -2.105972 4.652364
(3.19332) (2.41046)
(-0.65949) (1.93007)
C 32649312 -7685037.
(2.7E+07) (2.0E+07)
(1.22159) (-0.38093)
R-squared 0.993182 0.990797
Adj. R-squared 0.990454 0.987115
Sum sq. resids 8.59E+16 4.89E+16
S.E. equation 65533166 49467341
F-statistic 364.1594 269.1407
Log likelihood -557.7055 -549.5494
Akaike AIC 39.08314 38.52065
Schwarz SC 39.50747 38.94498
Mean dependent 1.88E+08 3.58E+08
S.D. dependent 6.71E+08 4.36E+08
Date: 09/08/04 Time: 14:04
Sample(adjusted): 1972 2002
Included observations: 31 after adjusting
endpoints
Standard errors & t-statistics in parentheses
IMPOR GNP
IMPOR(-1) 28.21177 -2.062712
(2.19703) (0.76050)
(12.8409) (-2.71230)
IMPOR(-2) 9.734768 0.017335
(2.09768) (0.72611)
(4.64073) (0.02387)
GNP(-1) -14.25459 2.040362
(0.91397) (0.31637)
(-15.5964) (6.44927)
GNP(-2) 8.188294 -0.552283
(0.84025) (0.29085)
(9.74506) (-1.89884)
C 1.62E+08 -772242.9
(4.2E+07) (1.5E+07)
(3.82632) (-0.05278)
R-squared 0.948428 0.985897
Adj. R-squared 0.940493 0.983727
Sum sq. resids 6.53E+17 7.83E+16
S.E. equation 1.58E+08 54859997
F-statistic 119.5365 454.3858
Log likelihood -626.5772 -593.6899
Akaike AIC 40.74692 38.62516
Schwarz SC 40.97821 38.85645
Mean dependent 1.76E+08 3.35E+08
S.D. dependent 6.50E+08 4.30E+08
Determinant Residual Covariance 3.96E+31
Log Likelihood -1215.696
Akaike Information Criteria 79.07715
Schwarz Criteria 79.53973