UJI KAUSALITAS GRANGER · 2020. 7. 12. · signifikan menurut uji-t, dan (2) nilai lagged lain dari variabel secara bersama-sama menambahkan daya penjelas ke model sesuai dengan sebuah

1 | TUTORIAL UJI KAUSALITAS GRANGER

UJI KAUSALITAS GRANGER Agus Tri Basuki, SE., M.Si

Uji kausalitas Granger adalah uji hipotesis statistik untuk menentukan apakah satu

rangkaian waktu berguna dalam memperkirakan yang lain (Granger, 1969). Biasanya,

regresi mencerminkan hubungan korelasi antar variabel, tetapi Clive Granger berpendapat

bahwa kausalitas dalam ekonomi dapat diuji dengan mengukur kemampuan untuk

memprediksi nilai masa depan dari deret waktu menggunakan nilai sebelumnya dari deret

waktu lain. Ahli ekonometrika menyatakan bahwa uji Granger hanya menemukan

"kausalitas prediktif" . Menggunakan istilah "kausalitas" saja adalah keliru, karena Granger-

kausalitas lebih baik digambarkan sebagai "presedensi" atau, seperti yang diklaim Granger

sendiri pada tahun 1977, "terkait secara temporer". Daripada menguji apakah Y

menyebabkan X, kausalitas Granger menguji apakah Y mampu memperkirakan X.

Misalkan kita akan meneliti hubungan antara Indeks Harga Saham Gabungan

dengan Produk Domestik Bruto dengan menggunakan model regresi. Kita agak kesulitan

untuk menentukan apakah variabel IHSG akan mempengaruhi PDB ataukah PDB yang

akan mempengaruhi IHSG.

Hubungan Matematika :

1. IHSG = f (PDB)

2. PDB = f (IHSG)

Dari persamaan tersebut manakah yang benar ? Untuk dapat mengatasi persoalan

tersebut marilah kita pahami diagram sebagai berikut :

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Statistical_hypothesis_testing&usg=ALkJrhiCu715tkVY2UvoN8DZaG0wvxVb3A

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Time_series&usg=ALkJrhjdGMabrDqvWnaVKDpFMQ5VBMEu0g

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Forecasting&usg=ALkJrhjxWHGSQj0YGiGPpn4h2ISGHNGy9g

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Regression_analysis&usg=ALkJrhgJdAHxppSTUh9AXU47ApfHw1IbQg

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Correlation&usg=ALkJrhjC0EhO338F6Zt5nLpbWCdeVQQ0yg

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Clive_Granger&usg=ALkJrhhZBpCPBYJmFyacjXad8lTqTeNJzQ

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Causality&usg=ALkJrhhDo7KetP_fvIgrfq9TKT_UQjp9Xw

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Economics&usg=ALkJrhhSFEIsgvw0_iNQh1eHWjn8s-Sn4Q

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Econometrician&usg=ALkJrhiBffhOaP0QHMJW70cjHxVnGe2Jgg


Sumber : Gujarati, D. N., & Porter, D. C. (2003). Granger, C. W. (1969).

Gambar 1. Tahapan Uji Kausalitas Granger


Tabel 1 : IHSG dan PDB tahun 2013-2019

Tahun Bulan IHSG PDB

2013

Januari 604.61 3,524.48

Februari 660.34 3,690.65

Maret 670.94 3,864.94

April 676.58 3,323.53

Mei 660.16 3,306.32

Juni 623.75 3,776.32

Juli 592 3,055.83

Agustus 585.59 3,715.09

September 615.71 2,967.21

Oktober 579.87 2,957.63

November 585.11 3,039.67

Desember 602.87 2,920.47

2014

Januari 626.86 2,902.38

Februari 640.41 2,961.85

Maret 647.67 3,097.91

April 656.83 3,099.93

Mei 655 3,422.23

Juni 690.4 2,850.91

Juli 691.13 3,388.73

Agustus 687.62 2,908.40

September 670.44 2,740.86

Oktober 683.02 2,574.00

November 691.04 2,969.17

Desember 706.68 2,775.61

2015

Januari 722.1 2,771.04

Februari 728.2 3,034.09

Maret 664.8 2,567.22

April 698.07 2,725.24

Mei 656.99 2,979.93

Juni 641.97 2,671.88

Juli 598.28 2,951.35

Agustus 556.09 2,731.87

September 586.1 2,500.68

Oktober 579.8 2,691.83

November 603.35 2,653.91

Desember 612.75 2,760.82



2016

Januari 641.86 2,768.37

Februari 652.69 2,855.94

Maret 653.26 2,797.27

April 648.85 2,810.93

Mei 694.34 2,909.91

Juni 726.61 2,671.79

Juli 746.87 3,533.32

Agustus 739.69 2,731.07

September 739.91 2,882.21

Oktober 682.71 2,919.21

November 694.13 2,735.37

Desember 689.32 2,853.38

2017

Januari 698.08 2,876.67

Februari 718.35 3,199.51

Maret 738.19 2,772.47

April 733.69 3,411.06

Mei 749.6 3,081.06

Juni 748.37 3,872.69

Juli 746.26 2,955.20

Agustus 733.3 2,831.15

September 728.69 3,303.45

Oktober 713.66 2,816.13

November 759.07 2,825.92

Desember 787.12 3,280.69

2018

Januari 765.957 3,170.18

Februari 770.0181 3,184.82

Maret 774.0793 3,199.45

April 778.1404 3,214.08

Mei 782.2016 3,228.71

Juni 786.2627 3,243.35

Juli 790.3239 3,257.98

Agustus 794.3851 3,272.61

September 798.4462 3,287.24

Oktober 802.5074 3,301.87

November 806.5685 3,316.51

Desember 810.6297 3,331.14

2019 Januari 814.6908 3,345.77

Februari 818.752 3,360.40



Maret 822.8131 3,375.03

April 826.8743 3,389.67

Mei 830.9355 3,404.30

Juni 834.9966 3,418.93

Juli 839.0578 3,433.56

Agustus 843.1189 3,448.20

September 847.1801 3,462.83

Oktober 851.2412 3,477.46

November 855.3024 3,492.09

Desember 859.3636 3,506.72

Tahapan Melakukan Uji Kausalitas Granger

1. Penentuan Nilai Lag

Jumlah kelambatan untuk dimasukkan biasanya dipilih dengan menggunakan kriteria

informasi, seperti kriteria informasi Akaike (AIC) atau kriteria informasi Schwarz .

Nilai lagged tertentu dari salah satu variabel dipertahankan dalam regresi jika (1)

signifikan menurut uji-t, dan (2) nilai lagged lain dari variabel secara bersama-sama

menambahkan daya penjelas ke model sesuai dengan sebuah uji-F. Maka hipotesis nol

dari kausalitas Granger tidak ditolak jika dan hanya jika tidak ada nilai lagging dari

variabel penjelas telah dipertahankan dalam regresi.

Dengan melakukan regresi

a. IHSG IHSG(-1) pdb(-1) c

Diperoleh Hasil Sebagai Berikut

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Akaike_information_criterion&usg=ALkJrhjOhDqcul9ePuD-CSKDVtZvm44QJQ

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Schwarz_information_criterion&usg=ALkJrhjr-IzvIW47wb8KjdT4iIqd3ctx5A

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Explanatory_power&usg=ALkJrhjPGKEYPFMbBoZE36qkF6sEQLl1qg

https://translate.googleusercontent.com/translate_c?client=srp&depth=1&hl=id&prev=search&rurl=translate.google.com&sl=en&sp=nmt4&tl=id&u=https://en.m.wikipedia.org/wiki/Null_hypothesis&usg=ALkJrhi0x6qCUf2uSsdSqBCxGmca560pew


Dependent Variable: IHSG Method: Least Squares Date: 07/12/20 Time: 15:22 Sample (adjusted): 2013M02 2019M12 Included observations: 83 after adjustments

Variable Coefficient Std. Error t-Statistic Prob. IHSG(-1) 0.972894 0.032565 29.87500 0.0000

PDB(-1) 0.001072 0.008033 0.133463 0.8942 C 19.00333 25.92675 0.732962 0.4657 R-squared 0.931736 Mean dependent var 713.4577

Adjusted R-squared 0.930029 S.D. dependent var 80.25870 S.E. of regression 21.22998 Akaike info criterion 8.984181 Sum squared resid 36056.97 Schwarz criterion 9.071609 Log likelihood -369.8435 Hannan-Quinn criter. 9.019305 F-statistic 545.9611 Durbin-Watson stat 1.774767 Prob(F-statistic) 0.000000

Nilai AIC sebesar 8.98

b. IHSG IHSG(-1) IHSG(-2) pdb(-1) pdb(-2) c





JII(-2) -0.062289 0.111137 -0.560466 0.5768 PDB(-1) -0.001970 0.008726 -0.225743 0.8220 PDB(-2) -0.003340 0.008473 -0.394196 0.6945

C 24.73302 27.50283 0.899290 0.3713 R-squared 0.936855 Mean dependent var 714.1054



c. IHSG IHSG(-1) IHSG(-2) IHSG(-3) pdb(-1) pdb(-2) pdb(-3) c





IHSG(-2) 0.098279 0.168309 0.583919 0.5611 IHSG(-3) -0.133770 0.116272 -1.150489 0.2536 PDB(-1) -0.001008 0.010634 -0.094818 0.9247 PDB(-2) -0.000491 0.008891 -0.055227 0.9561 PDB(-3) -0.008176 0.009806 -0.833808 0.4071

C 37.45737 28.84014 1.298793 0.1980 R-squared 0.938827 Mean dependent var 714.6383



Dari hasil regresi tersebut dapat kita cari AIC nya

No Lag Persamaan Nilai AIC Kesimpulan

1 1 IHSG IHSG(-1) pdb(-1) c

8.98

2 2 IHSG IHSG(-1) IHSG(-2) pdb(-1) pdb(-2) c

8.96 Terkecil

3 3 IHSG IHSG(-1) IHSG(-2) IHSG(-3) pdb(-1) pdb(-2) pdb(-3) c

8.99

Lag terpilih adalah 2


Buka Eviews

Masukan data IHSG dan PDB

Klik View Klik Granger Causality …

Klik Ok


Hasil Uji Kauslaitas Granger

Pairwise Granger Causality Tests Date: 07/12/20 Time: 15:25 Sample: 2013M01 2019M12 Lags: 2

Null Hypothesis: Obs F-Statistic Prob. PDB does not Granger Cause IHSG 82 0.15804 0.8541

IHSG does not Granger Cause PDB 8.03999 0.0007

Null Hypothesis: Obs F-Statistic Probability

1. PDB = f (IHSG)

IHSG does not Granger Cause PDB

Ho = IHSG tidak Mepengaruhi PDB

H1 = IHSG Mempengaruhi PDB

Karena Nilai F Statistik < F tabel maka Ho diterima dan H1 ditolak, artinya IHSG

tidak mempengaruhi PDB

2. IHSG = f (PDB)

PDB does not Granger Cause IHSG

Ho = PDB tidak Mepengaruhi IHSG

Ho = PDB Mempengaruhi IHSG

Karena Nilai F Statistik > F tabel maka Ho ditolak dan H1 diterima, artinya PDB

mempengaruhi IHSG

Kesimpulan :

IHSG tidak mempengaruhi PDB

PDB mempengaruhi IHSG

Terjadi Hubungan satu arah antara PDB terhadap IHSG


Dari hasil Uji Kausalitas Granger, sekarang kita bisa membuat persamaan regresi sebagai

berikut :

Model Regresi : LS IHSG C PDB(-1)


Variable Coefficient Std. Error t-Statistic Prob. C 395.0931 78.53598 5.030727 0.0000

PDB(-1) 0.102744 0.025211 4.075338 0.0001 R-squared 0.170153 Mean dependent var 713.4577


Interpretasi :

1. IHSG dipengaruhi oleh lag satu PDB, hal ini ditunjukan dengan nilai t statistic > t tabel.

Koefisien 0.10 menunjukan jika PDB bulan lalu meningkat sebesar 10 maka IHSG akan

menigkat sebesar 1 dengan variabel diluar PDB dianggap tetap

2. R2 sebesar 0.17 menunjukan bahwa 17 persen variabel lag PDB dapat menjelaskan

IHSG, dan sisanya (87persen) dijelaskan diluar model. lag PDB bukan Variabel

utama yang mempengaruhi IHSG


Model Regresi : LS IHSG C PDB(-1) PDB(-2)



PDB(-1) 0.082108 0.028643 2.866610 0.0053 PDB(-2) 0.052432 0.028597 1.833489 0.0705

R-squared 0.217423 Mean dependent var 714.1054


Interpretasi :

1. IHSG dipengaruhi oleh lag satu PDB dan lag dua PDB, hal ini ditunjukan dengan nilai t

statistic > t tabel. Koefisien 0.08 menunjukan jika PDB bulan lalu meningkat sebesar 10

maka IHSG akan menigkat sebesar 0.08 dengan variabel diluar PDB bulan lalu

dianggap tetap. Sedangan Koefisien 0.05 menunjukan jika PDB 2 bulan lalu meningkat

sebesar 10 maka IHSG akan menigkat sebesar 0.05 dengan variabel diluar PDB 2

bulan lalu dianggap tetap.

2. R2 sebesar 0.217 menunjukan bahwa 21,7 persen variabel PDB bulan lalu dan PDB

dua bulan lalu dapat menjelaskan IHSG, dan sisanya (78,3 persen) dijelaskan diluar

model.


Model Regresi : LS IHSG C PDB(-1) PDB(-2) PDB(-3)

Dependent Variable: IHSC Method: Least Squares Date: 07/12/20 Time: 16:23 Sample (adjusted): 2013M04 2019M12 Included observations: 81 after adjustments


PDB(-1) 0.092781 0.033437 2.774847 0.0069 PDB(-2) 0.056615 0.029605 1.912327 0.0596 PDB(-3) -0.006337 0.033067 -0.191628 0.8485

R-squared 0.241684 Mean dependent var 714.6383


Keterangan :

Untuk Lag 3 untuk model ini nilai AIC meningkat dibandingkan lag 1 dan lag 2. Dan

koefisien untuk lag 3 berubah tanda. Sehingga lag yang digunakan maksimal lag 2 dengan

AIC paling rendah.


Referensi

Gujarati, D. N., & Porter, D. C. (2003). Basic econometrics (ed.). Singapore: McGrew Hill

Book Co.

Granger, C. W. (1969). Investigating causal relations by econometric models and cross-

spectral methods. Econometrica: journal of the Econometric Society, 424-438.

Documents

UJI KAUSALITAS GRANGER · 2020. 7. 12. · signifikan menurut uji-t, dan (2) nilai lagged lain dari variabel secara bersama-sama menambahkan daya penjelas ke model sesuai dengan sebuah