Dokumen tersebut membahas tentang Uji Kausalitas Granger untuk mengetahui hubungan dua arah antar variabel dengan menggunakan data time series. Metode ini menguji pengaruh masa lalu suatu variabel terhadap kondisi saat ini dengan membandingkan hasil regresi model penuh dan terbatas untuk menentukan apakah suatu variabel mempengaruhi variabel lainnya.

1. Uji Kausalitas Granger

2. 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?

3. 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
terbatas penuh
SSE
SSE SSE
q
N k
F
 

Dimana:
N adalah banyaknya pengamatan
k adalah banyaknya parameter model penuh
q adalah banyaknya parameter model terbatas

4. Bila H0ditolak, 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) Kurs
H1: Investasi mempengaruhi (menyebabkan) Kurs
(ii) H0: Kurs tidak mempengaruhi (tidak menyebabkan) Investasi
H1: Kurs mempengaruhi (menyebabkan) Investasi

5. 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
Model
Yt= α1i+ Σβ1iYt-i+ Σγ1i Xt-i+ εt
dan
Xt= α2i+ Σβ2iYt-i+ Σγ2iXt-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

6. 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

7. 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