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
yt = yt-1 + ut; ut ~ N (0,1); ut white noise
xt = xt-1 + vt; vt ~ N (0,1); vt white noise
From earlier discussion, yt and xt are not stationer (Why?).
More over, yt and xt are not correlated (based on the way the
variables are generated). However, when we regress xt on yt we
wil have the following result:

yt = -13.2556 + 0.3376 xt
t: (-21.37) (7.61)
2
R = 0.1044 and d = 0.0121.
Comments on the regression results:
2
1. Based on t test, xt influences yt even though R is small.
2. But, from the process of generating xt and yt they are
statistically independent; so no causality between xt and yt.
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
2
4. According to Granger and Newold, if a regression has R > d, it
is suspected that the regression is a spurious (non-sense)
2
(In this case, R is very small)
Observe the following regression results obtained from
regressing GDP on M1 (money supply) using Canada
data:1971-I s/d 1988-IV:

1. ln M1t = - 10.2571 + 1.5975 ln GDPt

t: (-12.94) (25.89)

R2 = 0.9463; d = 0.3254

2. ln M1t = 0.095 + 0.5833 ln GDPt

t: (2.4957) (1.8958)

R2 = 0.0885; d = 1.739

Please comments on these results.

Do you suspect that there are spurious regressions?
In principle:

For Xt and Yt are not stationery series, and when

we run a regression of Yt= a + b Xt + ut

Hence, (i) if ut stationery series then Xt and Yt are

co-integrated; b is called coefficient of co-
integration;

However, (ii) if ut is not stationery series; then the

regression is called spurious.
Stationerity Test
To analyze a time series regression, we need to test whether the
residuals 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: yt = yt-1 + ut; -1 1;
ut: 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, yt is not stationer.

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

yt = yt-1 + ut

yt - yt-1 = ( - 1) yt-1 + ut

yt = yt-1 + ut
So, to test a unit root, do the following steps:

1. Regress yt-1 on yt

2. Test the hypothesis that = 1 or = 0

3. If the hypothesis rejected, then 1 and it means yt 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. yt = yt-1 + ut

2. yt = b1 + yt-1 + ut

3. yt = b1 + b2t + yt-1 + ut
Hypothesis H0 : = 0 ; yt not stationer
H1 : < 0 ; yt 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 yt-1 / standard error).
3. If || calculated > of DF table or MacKinon table, then
reject the hypothesis of = 0. in this case, yt stationer.
4. Bila || calculated < of DF table, then yt is not stationer.
Ilustration:

(i). GDPt = 0.00576 GDPt-1

= (5.798); R2 = 0.0152; d = 1.34

(ii). GDPt = 28.2054 0.00136 GDPt-1

= (1.1576) (-0.2191) ; R2 = 0.00056; d = 1.35

(iii). GDPt = 190.3857 + 1.4776t 0.0603 GDPt-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 (ut uncorrelated). Tetapi, bila ut saling berkorelasi, Dickey
dan Fuller menciptakan tes lain yang lebih fleksibel (longgar
persyaratannya) yang disebut Tes Augmented Dickey-Fulller (ADF)

Misalkan kita menggunakan model

yt = b1 + b2t + yt-1 + ut

ADF: yt = b1 + b2t + yt-1 + ai yt-i + et . . . . . (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:

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

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

R2 = 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 Jika 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:

PCEt = b1 + b2 PDIt + ut; atau ut = PCEt b1 - b2 PDIt

Berdasarkan suatu tes, ternyata ut stasioner. Bila ini terjadi,
berarti ada fenomena baru karena meskipun PCE dan PDI tidak
stasioner, pada kombinasi liniernya, ut, tren mereka telah saling
terhilangkan (saling ternetralkan). Dalam situasi seperti ini, kita
katakana bahwa PCE dan PDI saling berkointegrasi . Parameter
b2 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, xt dan yt masing-masing tidak

stasioner, tetapi zt = xt - yt merupakan timeseries yang stasioner,
maka pada situasi seperti ini, xt dan yt 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:

PCEt = -171.441 + 0.967 PDIt

t : (-7.481) (119.871)

R2 = 0.1422; d = 2.2775

2. Hitung residual ut dan regresikan ut pada ut-1,

diperoleh: ut = -0.2753 ut-1
t : (-3.7791)

R2 = 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, ut 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 PCEt = -171.4412 + 0.9672 PDIt disebut sebagai

fungsi konsumsi jangka panjang.

2. Sedangkan slop PDIt 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 H0 : 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 ut 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.
Co-integration and ECM (Error Correction Mechanism)

In earlier discussion, we have shown that PCE and PDI are co-
integrated and, hence, they have a long term relationship or they
have a long term equilibrium.

In the short run, they may have a disequilibrium. Therefore, we can

called the following equation:

ut = PCEt b1 b2 PDIt

as an 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)

PCEt = a0 + a1 PDIt + a2 ut-1 + et . . . . . . . (1)

dengan ut-1 = PCEt-1 b1 b2 PDIt-1,

ut-1 = error regresi kointegrasi lag 1

Persamaan ECM tersebut (persamaan (1)) menyatakan bahwa

PCE tergantung pada PDI dan tergantung juga pada error
keseimbangan, ut-1.
Bila ut-1 > 0, maka modelnya tidak dalam keseimbangan. Misalkan
saja PDI = 0 dan ut-1 > 0. Ini berarti bahwa PCEt-1 diatas nilai
keseimbangannya yaitu a0 + a1 PDIt-1. Oleh karena itu, nilai a2
diharapkan berharga negatif. Dengan demikian, a2ut-1 < 0 dan
akibatnya PCEt-1 < 0 untuk mengembalikan ke kondisi
keseimbangan. Artinya bila PCEt berada diatas nilai
keseimbangannya PCEt akan mulai menurun pada periode
berikutnya untuk mengoreksi kesalahan keseimbangan. Dengan
cara yang sama, bila ut-1 < 0 maka PCE berada dibawah nilai
keseimbangan, dan a2 ut-1 > 0 yang mengakibatkan PCEt > 0 dan
akhirnya berakibat PCE meningkat pada periode t. Dengan
demikian, nilai absolut dari a2 menentukan berapa cepat
keseimbangan bisa kembali bila menyimpang. Pada tahap
implementasi, ut-1 diestimate dengan ut-1 = PCEt - b1 b2PDIt
Ilustrasi Empiris

PCEt = 11.6918 + 0.2906 PDIt - 0.0867 ut-1

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

R2 = 0.1717; d = 1.9233

Secara statistik, koefisien ut-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:

PCEt = - 171.4412 + 0.9672 PDIt

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.