Metode VAR/VECM: Tools yang Powerfull untuk Riset Moneter

Metode Vector Autoregression atau VAR adalah pendekatan non‐struktural (lawan dari pendekatan struktural, seperti pada persamaan simultan) yang menggambarkan hubungan yang “saling menyebabkan” (kausalistis) antar variabel dalam sistem. Metode ini mulai dikembangkan oleh Sims pada tahun 1980 yang mengasumsikan bahwa semua variabel dalam model bersifat endogen (ditentukan di dalam model) sehingga metode ini disebut sebagai model yang a‐teoritis (tidak berlandaskan teori). Hal ini dilakukan karena sering dijumpai keadaan dimana teori ekonomi saja ternyata tidak dapat menangkap (tidak cukup kaya menyediakan spesifikasi) secara tepat dan lengkap hubungan dinamis antar variabel.
 

Apabila data tidak stasioner pada level‐nya, maka data harus ditransformasi (first difference) untuk mendapatkan data yang stasioner. Hubungan jangka panjang hilang dalam transformasi. Untuk tetap mendapatkan hubungan jangka panjang, model VAR akan dimodifikasi menjadi model koreksi kesalahan Vector Error Correction Model (VECM), jika terdapat kointegrasi dalam model.
 

Beberapa keunggulan metode VAR dibandingkan dengan metode ekonometrika lainnya, antara lain:
1. Metode VAR terbebas dari berbagai batasan teori ekonomi yang sering muncul, seperti gejala spurious variable endogenity and exogenity, karena bekerja berdasarkan data;
2. VAR membangun model secara bersamaan di dalam suatu sistem yang kompleks (multivariate), sehingga dapat menangkap hubungan keseluruhan variabel di dalam persamaan itu;
3. Uji VAR yang multivariat dapat menghindari parameter yang bias akibat tidak dimasukkannya variabel yang relevan;
4. Uji VAR dapat mendeteksi hubungan antar variabel di dalam suatu sistem persamaan, dengan menjadikan seluruh variabel sebagai endogenous;
5. Metode VAR sederhana, ketika seseorang tidak perlu khawatir untuk menentukan variabel mana yang endogen dan variabel mana yang eksogen;
6. Metode VAR sederhana, karena metode OLS biasa dapat diterapkan pada masing-masing persamaan secara terpisah; dan
7. Hasil estimasi prediksi (forecast) yang diperoleh melalui metode VAR dalam banyak kasus lebih baik dari pada hasil estimasi dari model‐model persamaan simultan yang lebih kompleks.
 

Sementara itu, beberapa kelemahan metode VAR, antara lain:

1. Model VAR dianggap a‐teoritis, karena menggunakan lebih sedikit informasi dari teori-teori terdahulu, tidak seperti model persamaan simultan, dimana pemasukan dan pengeluaran variabel tertentu memainkan peran penting dalam identifikasi model;
2. Model VAR kurang sesuai untuk analisis kebijakan, disebabkan terlalu menekankan pada prediksi (forecast);
3. Pemilihan panjang lag menjadi tantangan terbesar, khususnya ketika variabel terlalu banyak dengan lag panjang, sehingga ada terlalu panjang parameter yang akan mengurangi degree of freedom dan memerlukan ukuran sampel yang besar;
4. Semua variabel harus stasioner. Jika tidak, data harus ditransformasi dengan benar (misalnya, diambil first difference‐nya). Hubungan jangka panjang yang diperlukan dalam analisis akan hilang dalam transformasi; dan
5. Impulse Response Function, yang merupakan inti dari analisis menggunakan metode VAR, masih diperdebatkan oleh para peneliti.