Cointegration Analysis and ECM

Before discussing co-integration concept, we need to talk about other

relating concepts that are very important in understanding co-
integration.


Spurious Regression Phenomena.

Suppose there are 2 independent random walk models
y
t
= y
t-1
+ u
t
; u
t
~ N (0,1); u
t
white noise
x
t
= x
t-1
+ v
t
; v
t
~ N (0,1); v
t
white noise
From earlier discussion, y
t
and x
t
are not stationer (Why?).
More over, y
t
and x
t
are not correlated (based on the way the
variables are generated). However, when we regress x
t
on y
t
we
will have the following result:

y
t
= -13.2556 + 0.3376 x
t

t: (-21.37) (7.61)

R
2
= 0.1044 and d = 0.0121.
Comments on the regression results:
1. Based on t test, x
t
influences y
t
even though R
2
is small.
2. But, from the process of generating x
t
and y
t
they are
statistically independent; so no causality between x
t
and y
t
.
3. Therefore, we have to be very careful in regressing a non-
stationery time series on another non-stationary time series.
This regression may yield a spurious regression
4. According to Granger and Newold, if a regression has R
2
> d, it
is suspected that the regression is a spurious (non-sense)

Observe the following regression results obtained from
regressing GDP on M1 (money supply) using Canada
data:1971-I s/d 1988-IV:

1. ln M1
t

= - 10.2571 + 1.5975 ln GDP
t


t: (-12.94) (25.89)

R
2
= 0.9463; d = 0.3254

2. ln M1
t
= 0.095 + 0.5833 ln GDP
t


t: (2.4957) (1.8958)

R
2
= 0.0885; d = 1.739


Please comments on these results.
Do you suspect that there are spurious regressions?
Stationerity Test

To analyze a time series regression, we need to test whether the
regressand and the regressors are stationer. That is why we need to
know several stationery tests. We have learned 2 (two) stationery
tests: graphical test and correlogram test. We need to learn more on
other stationery tests.
Unit Root Test

A. Basic Idea.
Observe the following AR(1) model: y
t
= y
t-1
+ u
t
; -1 1;
u
t
: white noise. From previous lecture, if = 1, then, the model is a
random walk model and it is not stationer. Therefore, if = 1
(statistically), then, y
t
is not stationer.

B. Implementation
In implementation, the following model is to be used to test the
existence of a unit root ( = 1):

y
t
= y
t-1
+ u
t


y
t
- y
t-1
= ( - 1) y
t-1
+ u
t


y
t
= y
t-1
+ u
t

So, to test a unit root, do the following steps:

1. Regress y
t-1
on y
t


2. Test the hypothesis that = 1 or = 0

3. If the hypothesis rejected, then 1 and it means y
t
stationer.
Dickey Fuller - (DF) Test

Dickey and Fuller indicate that the hypothesis of = 0 should not
use t test since is not distributed based on t distribution but based
on (tau) distribution and therefore test should be used. DF have
generated a table (a kind of t table ) to test the unit root.

DF use 3 different random walk models:

1. y
t
= y
t-1
+ u
t


2. y
t
= b
1
+ y
t-1
+ u
t


3. y
t
= b
1
+ b
2
t

+ y
t-1
+ u
t

Hypothesis H
0
: = 0 ; y
t
not stationer
H
1
: < 0 ; y
t
stationer.
(remark: never > 0 since = - 1 and 1)

Steps of Dickey Fuller Test:

1. Estimate model 1 or 2 or 3
2. Calculate statistics = (coefficient of y
t-1
/ standard error).
3. If || calculated > of DF table or MacKinon table, then
reject the hypothesis of = 0. in this case, y
t
stationer.
4. Bila || calculated < of DF table, then y
t
is not stationer.
Ilustration:

(i). GDP
t
= 0.00576 GDP
t-1

= (5.798); R
2
= 0.0152; d = 1.34

(ii). GDP
t
= 28.2054 0.00136 GDP
t-1

= (1.1576) (-0.2191) ; R
2
= 0.00056; d = 1.35

(iii). GDP
t
= 190.3857 + 1.4776t 0.0603 GDP
t-1
= (1.8389) (1.6109) (-1.6252)


DF Table

= 1% = 5% = 10%
Model 1 -2.5897 -1.9439 -1.6177
Model 2 -3.5064 -2.8947 -2.5842
Model 3 -4.0661 -3.6414 -3.1567

Model 1 tidak dianalisis karena estimasi dari positif. Padahal
= -1 dan nilai ini seharusnya negatif karena 1. Ini berarti
bahwa model 1 menghasilkan estimate > 1 yang tidak relevan.

Untuk model 2, || = 0.2191 lebih kecil dari absolut nilai kritis Tabel
DF untuk model 2. Berarti berdasarkan tes DF pada model 2, GDP
tidak stasioner. Dengan cara yang sama, untuk model 3,
|| = 1.6252. Nilai ini lebih kecil dari absolut nilai kritis Tabel DF untuk
model 3. Artinya, berdasarkan tes DF pada model 3, GDP tidak
stasioner juga.
Augmented Dickey Fuller (ADF) Test

Pada Tes DF diasumsikan bahwa residual tidak berkorelasi satu
sama lain (u
t
uncorrelated). Tetapi, bila u
t
saling berkorelasi, Dickey
dan Fuller menciptakan tes lain yang lebih fleksibel (longgar
persyaratannya) yang disebut Tes Augmented Dickey-Fulller (ADF)

Misalkan kita menggunakan model

y
t
= b
1
+ b
2
t

+ y
t-1
+ u
t


ADF: y
t
= b
1
+ b
2
t+ y
t-1
+ a
i
y
t-i
+ e
t
. . . . . (iv)
Banyaknya variabel jeda yang digunakan ditentukan secara empiris.
Idenya adalah menggunakan variabel jeda secukupnya agar error
yang digunakan tidak saling berkorelasi. Pada intinya , tahapan Tes
ADF hampir sama dengan Tes DF, yaitu masih mengetes apakah
= 0. Tes ini masih menggunakan nilai kritis seperti pada Tabel DF.
Sebagai ilustrasi, model (iv) diestimasi dan hasilnya sebagai berikut:

GDP
t
=234.9729+1.8921t 0.0786GDP
t-1
+0.3557 GDP
t-1

t = (2.3833) (2.1522) (-2.2152) (3.4647)

R
2
= 0.1526; d= 2.0858


Dari hasil regresi, || = 2.2152 lebih kecil dari nilai kritis yang ada
pada Tabel DF model 3. Dengan demikian, berdasarkan Tes ADF,
GDP juga tidak stasioner.
Komentar tentang Tes unit root

1. Ada beberapa tes unit root telah ditawarkan. Masing-masing
ada keterbatasannya. Kebanyakan tes ini berdasarkan pada
hipotesis bahwa time series yang dianalisis mempunyai unit
root yang berarti tidak stasioner. Hal yang membedakan antara
satu tes dengan lainnya adalah ukuran dan kekuatan tes.

2. Ukuran tes mengacu pada tingkat signifikasi yang digunakan;
biasanya 1%, 5% atau 10%. Bisa saja dari suatu tes
disimpulkan bahwa pada tingkat 5% series yang dianalisis tidak
stasioner. Tetapi bisa disimpulkan stasioner pada tingkat 10%.
Tingkat signifikansi mana yang kita pilih?

3. Kekuatan tes.
Beberapa tes termasuk Tes DF mempunyai kekuatan yang
rendah. Artinya, mereka cenderung menerima (tidak menolak)
hipotesis adanya unit root meskipun tidak ada.

o Kekuatan tes tergantung pada rentangan waktu yang
digunakan. Misalnya saja, tes unit root yang
menggunakan 30 pengamatan dengan rentang waktu 25
tahun mungkin mempunyai kekuatan lebih bila
dibandingkan dengan tes yang menggunakan 100
pengamatan dengan rentang waktunya yang hanya 4
bulan.

o Bila 1 (dekat dengan 1) tetapi tidak persis 1, tes unit
root bisa menyatakan bahwa series yang dianalisis tidak
stasioner. Padahal seriesnya mungkin stasioner.

o J ika mau mengetes data yang sudah di difference,
sebaiknya jangan menggunakan tes DF atau ADF
melainkan menggunakan Tes Dickey-Pantola karena tes
ini dapat mengetes keberadaan unit root yang lebih dari
satu.

4. Tes unit root ini tidak dapat menangkap adanya structural breaks
pada suatu time series.
Kointegrasi: Regresi time Series tidak stasioner pada
time series tidak stasioner lainnya.

Telah kita bicarakan bahwa bila kita meregresikan data timeseries
dengan regressand serta regressornya tidak stasioner, maka
regresi tersebut dapat mengakibatkan adanya regresi yang
spurious (salah).

Akan kita analisis data PCE (Personal Consumption Expenditure)
dan PDI (Personal Disposable Income), suatu data makro ekonomi
AS dari 1970-I s/d 1991-IV (88 pengamatan). Telah dites bahwa
data PCE dan PDI tersebut tidak stasioner.

Sekarang, kita akan meregresikan PCE pada PDI sebagai berikut:

PCE
t
= b
1
+ b
2
PDI
t
+ u
t
; atau u
t
= PCE
t
b
1
- b
2
PDI
t


Berdasarkan suatu tes, ternyata u
t
stasioner. Bila ini terjadi,
berarti ada fenomena baru karena meskipun PCE dan PDI tidak
stasioner, pada kombinasi liniernya, u
t
, tren mereka telah saling
terhilangkan (saling ternetralkan). Dalam situasi seperti ini, kita
katakana bahwa PCE dan PDI saling berkointegrasi . Parameter
b
2
disebut parameter kointegrasi; sedangkan regresinya disebut
regresi kointegrasi.

Berdasarkan teori ekonomi, dua variabel akan berkointegrasi bila
mereka mempunyai relasi jangka panjang atau keseimbangan
jangka panjang diantara mereka.
Secara umum, bila ada dua variabel timeseries yang masing-
masing merupakan series yang tidak stasioner, akan tetapi bila
kombinasi linier dari dua variabel tersebut merupakan time series
yang stasioner maka kedua timeseries tersebut dikatakan
berikointegrasi.

Lebih spesifik lagi, misalkan saja, x
t
dan y
t
masing-masing tidak
stasioner, tetapi z
t
= x
t
- y
t
merupakan timeseries yang stasioner,
maka pada situasi seperti ini, x
t
dan y
t
dikatakan berkointegrasi
dan disebut parameter kointegrasi.
Komentar

1. Kontribusi yang sangat berharga dari konsep unit root dan
kointegrasi adalah adanya paksaan kepada kita agar
mengecek apakah residual dari suatu regresi stasioner atau
tidak.

2. Granger mengatakan bahwa Tes Kointegrasi dapat dipandang
sebagai tes pendahuluan (pretest) untuk menghindari adanya
regresi spurious.
Tes Kointegrasi

Ada beberapa Tes Kointegrasi yang disajikan pada beberapa
literatur. Namun, pada pembahasan saat ini akan disampaikan 2
tes saja yang sangat sederhana yaitu:

(i). Tes DF atau ADF
(ii). Tes CRDW (Cointegrating Regression Durbin Watson)

Tes EngleGranger (EG) atau
Tes Augmented EngleGranger (AEG)

Tes ini sebenarnya adalah modifikasi dari Tes DF atau Tes ADF
yang intinya, tahapannya sebagai berikut:

1. Regresikan PCE pada PDI, hasilnya:

PCE
t
= -171.441 + 0.967 PDI
t

t : (-7.481) (119.871)

R
2
= 0.1422; d = 2.2775

2. Hitung residual u
t
dan regresikan u
t
pada u
t-1
,
diperoleh: u
t
= -0.2753 u
t-1

t : (-3.7791)

R
2
= 0.1422; d = 2.2775
3. Bandingkan nilai terhitung dengan Tabel Engle-Granger
(bukan Tabel Dickey-Fuller).
Nilai kritis dari tabel E-G pada 1% adalah 2.5899
sedangkan nilai terhitung adalah 3.7791. Ini berarti
bahwa || terhitung > || dari Tabel E-G

Akibatnya, u
t
stasioner. Dengan demikian, variabel PCE dan
PDI berkointegrasi dan hasil regresi PCE pada PDI bukan
merupakan regresi yang spurious.
Interpretasi Model Regresi Kointegrasi PCE pada PDI:

1. Fungsi PCE
t
= -171.4412 + 0.9672 PDI
t
disebut sebagai
fungsi konsumsi jangka panjang.

2. Sedangkan slop PDI
t
yang sebesar 0.9672 merupakan
MPC (Marginal Propensity to Consume) jangka panjang
atau MPC keseimbangan.
Tes CRDW

Tes ini didasarkan pada statistik Durbin-Watson yang dapat dengan
mudah dihitung. Sargan dan Bhargava adalah pionir dari tes ini.

Tahapan tes

1. Hitung statistik Durbin-Watson, d.
Karena d=2(1-), pada saat mendekati 1 maka d hampir 0.
Oleh karenanya, hipotesis nol nya adalah H
0
: d = 0

2. Bandingkan nilai d terhitung dengan nilai d dari tabel.
Dari tabel, diperoleh bahwa:


1% 5% 10%
d 0.511 0.386 0.322

3. Bila d terhitung > d tabel, tolak hipotes bahwa d = 0 atau = 1
yang berarti u
t
stasioner dan terjadi kointegrasi antara PCE dan
PDI.
Ternyata, d terhitung = 0.5316 > d tabel = 0.511 (1%).
Akibatnya, PCE dan PDI memang berkointegrasi atau ada
hubungan jangka panjang antara PCE dan PDI meskipun PCE
dan PDI masing-masing tidak stasioner.
Kointegrasi dan ECM (Error Correction Mechanism)

Pada diskusi terdahulu, kita telah tunjukkan bahwa PCE dan PDI
berkointegrasi; yaitu mereka mempunyai hubungan jangka panjang
atau keseimbangan jangka panjang.

Dalam jangka pendek, mungkin terjadi ketidak seimbangan. Oleh
karenanya, kita dapat menganggap persamaan:

u
t
= PCE
t
b
1
b
2
PDI
t


sebagai kesalahan keseimbangan (equlibrium error).
Kesalahan keseimbangan ini akan digunakan untuk menghubungkan
antara perilaku PCE jangka pendeknya dan PCE jangka panjangnya.

Teknik Error Correction Mechanism (ECM) ini dikenalkan oleh
Sargan dan dipopulerkan oleh Engle dan Granger untuk mengoreksi
ketidakseimbangan.


Teori Representasi Granger.

Bila variabel y dan x berkointegrasi, maka hubungan antara y dan x
dapat dinyatakan sebagai ECM.
Ilustrasi Konseptual

Perhatikan model berikut (Hubungan antara PCE dan PDI)

PCE
t
= a
0
+ a
1
PDI
t
+ a
2
u
t-1
+ e
t
. . . . . . . (1)

dengan u
t-1
= PCE
t-1
b
1
b
2
PDI
t-1
,

u
t-1
= error regresi kointegrasi lag 1

Persamaan ECM tersebut (persamaan (1)) menyatakan bahwa
PCE

tergantung pada PDI dan tergantung juga pada error
keseimbangan, u
t-1
.

Bila u
t-1
> 0, maka modelnya tidak dalam keseimbangan. Misalkan
saja PDI = 0 dan u
t-1
> 0. Ini berarti bahwa PCE
t-1
diatas nilai
keseimbangannya yaitu a
0
+ a
1
PDI
t-1
. Oleh karena itu, nilai a
2
diharapkan berharga negatif. Dengan demikian, a
2
u
t-1
< 0 dan
akibatnya PCE
t-1
< 0 untuk mengembalikan ke kondisi
keseimbangan. Artinya bila PCE
t
berada diatas nilai
keseimbangannya PCE
t
akan mulai menurun pada periode
berikutnya untuk mengoreksi kesalahan keseimbangan. Dengan
cara yang sama, bila u
t-1
< 0 maka PCE berada dibawah nilai
keseimbangan, dan a
2
u
t-1
> 0 yang mengakibatkan PCE
t
> 0 dan
akhirnya berakibat PCE meningkat pada periode t. Dengan
demikian, nilai absolut dari a
2
menentukan berapa cepat
keseimbangan bisa kembali bila menyimpang. Pada tahap
implementasi, u
t-1
diestimate dengan u
t-1
= PCE
t
- b
1
b
2
PDI
t
Ilustrasi Empiris

PCE
t
= 11.6918 + 0.2906 PDI
t
- 0.0867 u
t-1


t: (5.3249) (4.1717) (-1.6003)

R
2
= 0.1717; d = 1.9233


Secara statistik, koefisien u
t-1
tidak signifikan. Maka kesalahan
keseimbangan dapat dikatakan tidak mempengaruhi PCE yang
berarti PCE menyesuaikan perubahan PDI pada periode yang
sama.

Perubahan jangka pendek PDI mempunyai dampak positif pada
perubahan jangka pendek PCE.
Dapat dikatakan bahwa MPC jangka pendek = 0.2906, sedangkan
MPC jangka panjang = 0.9672. Lihat kembali hasil regesi berikut:

PCE
t
= - 171.4412 + 0.9672 PDI
t


t: (-7.4808) (119.87)



Komentar S.G Hall tentang Kointegrasi

Konsep Kointegrasi, secara teori, memang penting dalam model
ECM. Tetapi masih banyak masalah pada aplikasinya terutama
mengenai pembentukan nilai kritis dan kinerja tes unit root pada saat
sampelnya kecil. Alternatinya, memperhatikan korelogram masih
merupakan teknik yang penting.