NAMA : MICHAEL OGEST DIRNEY LUMBANTORUAN

NIM : 200501099
UJIAN AKHIR SEMESTER
MATA KULIAH: EKONOMETRIKA

DATA
INV GS L
Tahun GDP (%) INF (%) IR (%)
(Juta USD) (Rp triliun) (juta jiwa)
1970 7,55 9,18 12,40 52,47 30,34 22,50
1971 7,02 11,11 4,23 56,52 31,13 23,40
1972 7,04 13,23 6,52 55,46 32,01 23,10
1973 8,10 15,48 31,04 75,72 32,95 22,90
1974 7,63 18,45 40,49 67,79 33,96 23,50
1975 4,98 21,14 19,17 88,36 35,00 22,60
1976 6,89 22,41 19,83 94,83 36,01 22,20
1977 8,76 25,98 11,05 110,45 37,07 21,90
1978 6,77 29,89 8,11 122,26 38,17 22,40
1979 7,32 31,21 16,23 142,24 39,34 21,90
1980 9,88 37,10 18,04 157,53 40,56 21,20
1981 7,93 41,23 12,27 173,54 41,76 20,80
1982 2,25 46,59 9,45 187,83 43,01 21,50
1983 4,19 50,24 11,80 186,01 44,32 22,40
1984 6,98 47,22 10,46 192,36 45,67 21,60
1985 2,46 50,62 4,72 207,06 47,07 20,40
1986 5,88 55,28 5,82 212,82 48,43 21,50
1987 4,93 58,31 9,28 212,46 49,86 21,67
1988 5,78 65,03 8,05 228,54 51,32 22,10
1989 7,46 73,72 6,42 252,52 52,79 21,70
1990 7,24 84,47 7,82 260,62 54,25 20,83
1991 6,91 89,98 9,42 278,94 55,64 25,53
1992 6,50 94,42 7,52 295,21 56,98 24,03
1993 6,50 99,79 9,67 295,45 58,31 20,59
1994 7,54 113,52 8,53 302,26 59,67 17,76
1995 8,22 129,41 9,42 306,31 61,10 18,85
1996 7,82 148,19 7,97 314,56 62,49 19,22
1997 4,70 160,89 6,23 314,75 63,96 21,82
1998 -13,13 107,78 58,45 266,37 65,48 32,15
1999 0,79 88,17 20,48 268,22 67,01 27,66
2000 4,92 102,93 3,69 285,63 68,48 18,46
2001 3,64 109,61 11,50 307,24 69,65 18,55
2002 4,50 114,76 11,90 347,16 70,79 18,95
2003 4,78 115,44 6,76 381,99 71,92 16,94
2004 5,03 132,39 6,06 397,23 73,07 14,12
2005 5,69 146,81 10,45 423,59 74,24 14,05
2006 5,50 150,62 13,11 464,30 75,63 15,98
2007 6,35 164,67 6,41 482,38 76,96 13,86
 INV GS L
Tahun GDP (%) INF (%) IR (%)
(Juta USD) (Rp triliun) (juta jiwa)
2008 6,01 184,24 10,23 532,68 78,23 13,60
2009 4,63 190,31 4,39 616,18 79,45 14,50
2010 6,22 130 5,13 618,18 80,65 13,25
2011 6,17 210.23 5,36 652,29 82,06 12,40
2012 6,03 245,24 4,28 450,23 83,43 11,80
2013 6,12 257,53 6,41 423,56 84,79 11,66
2014 5,12 268,99 6,39 736,28 86,17 12,61
2015 4,88 282,46 6,36 775,40 87,57 12,66
2016 5,01 201 6,23 523,21 65 12,43
2017 5,09 351.23 5,23 545,12 74 13,12
2018 5,17 334,17 3,20 828,88 91,28 10,54
2019 5,02 349,05 3,03 855,93 92,48 10,37
2020 -2,07 331,78 1,92 872,56 93,58 9,54
Keterangan:
GDP = pertumbuhan ekonomi
INV = investasi
INF = inflasi
GS = Belanja Pemerintah
L = Jumlah Tenaga Kerja
IR = suku bunga pinjaman
Berikut adalah model persamaan
GDP = f (INV, INF, GS, L) ... (1)
INV = f(GDP, IR) ... (2)

Pertanyaan:
1. Dengan menggunakan persamaan (2), lakukan analisis dengan metode ARIMA, buatlah
proyeksi investasi pada tahun 2021 dan 2022?
2. Dengan menggunakan persamaan (1), lakukan analisis Panel ARDL.
3. Dengan menggunakan persamaan (1) dan persamaan (2), lakukan analisis persamaan
simultan dengan TSLS.

JAWABAN
1. Metode ARIMA
UJI STASIONERITAS – pada level
Null Hypothesis: INV has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 2 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -1.254888 0.8870

Test critical values: 1% level -4.161144
5% level -3.506374
10% level -3.183002

*MacKinnon (1996) one-sided p-values.

Hasil Uji Unit Root ADF untuk Variabel:

- T stat < t critical values
- Tidak Signifikan
- Karena blm signifikan , maka diulangi Langkah uji akar unit
- Test for Unit root 1st Difference
UJI STASIONERTIAS – pada first diffrence
Null Hypothesis: D(INV) has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 2 (Fixed)

t-Statistic Prob.*

Augmented Dickey-Fuller test statistic -6.029451 0.0000

Test critical values: 1% level -4.165756
5% level -3.508508
10% level -3.184230

*MacKinnon (1996) one-sided p-values.

Hasil Uji Unit Root ADF untuk Variabel:

- INV diperoleh Stasioner pada tingkat 1st Diffrence
- Data Signifikan

Model Persamaan : INV = f(GDP, IR)

Identifikasi Model :
Date: 01/03/23 Time: 21:50
Sample: 1970 2020
Included observations: 50

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.395 -0.395 8.2771 0.004

2 0.022 -0.159 8.3038 0.016
3 -0.087 -0.170 8.7241 0.033
4 0.035 -0.087 8.7921 0.067
5 -0.074 -0.137 9.1102 0.105
6 0.330 0.295 15.532 0.016
7 -0.214 0.055 18.306 0.011
8 0.009 -0.014 18.311 0.019
9 -0.047 -0.031 18.453 0.030
10 0.031 -0.030 18.514 0.047
11 0.035 0.042 18.598 0.069
12 0.056 -0.013 18.813 0.093
13 -0.079 0.007 19.252 0.115
14 -0.050 -0.069 19.435 0.149
15 0.005 -0.049 19.437 0.195
16 -0.019 -0.090 19.464 0.245
17 0.091 0.012 20.122 0.268
18 0.038 0.106 20.240 0.319
19 -0.178 -0.122 22.900 0.242
20 0.011 -0.075 22.910 0.293
21 0.022 -0.041 22.954 0.346
22 0.051 0.043 23.194 0.391
23 0.027 0.017 23.266 0.445
24 -0.010 0.001 23.276 0.504
25 -0.004 0.166 23.277 0.561
26 -0.001 0.087 23.278 0.617
27 0.003 0.022 23.279 0.670
28 -0.005 -0.071 23.282 0.719

Berdasarkan Pengujian Fungsi ACF pada Korelogram :

 Ada satu yang autokorelasi yang signifikan yaitu lag 6 (kotak merah)
 Dengan demikian orde MA yaitu 6 atau ditulis MA (6)

Selanjutnya berdasarkan pengujian PACF (Partial Correlation) dapat dilihat korelogram,

sehingga dinyatakan bahwa :
 Yang melewati garis batas adalah lag 1
 Orde AR adalah 1 atau ditulis AR(1)
 Karena Data Diffrence pada Level 1 maka Model ARIMA adalah ARIMA (1,1,6)

Hasil Estimasi Persamaan Model ARIMA (1,1,6)

Dependent Variable: D(INV)
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 01/04/23 Time: 16:53
Sample: 1971 2020
Included observations: 50
Convergence achieved after 28 iterations
Coefficient covariance computed using outer product of gradients

Variable Coefficient Std. Error t-Statistic Prob.

C 6.568803 4.007994 1.638925 0.1081

AR(1) -0.350126 0.101750 -3.441029 0.0012
MA(6) 0.407658 0.086851 4.693775 0.0000
SIGMASQ 649.7571 78.45718 8.281678 0.0000

R-squared 0.290591 Mean dependent var 6.452000

Adjusted R-squared 0.244325 S.D. dependent var 30.57131
S.E. of regression 26.57551 Akaike info criterion 9.498931
Sum squared resid 32487.85 Schwarz criterion 9.651892
Log likelihood -233.4733 Hannan-Quinn criter. 9.557179
F-statistic 6.280901 Durbin-Watson stat 2.101768
Prob(F-statistic) 0.001157

Inverted AR Roots -.35

Inverted MA Roots .75-.43i .75+.43i .00-.86i .00+.86i
-.75+.43i -.75-.43i

UJI DIAGNOSTIK
Date: 01/04/23 Time: 16:54
Sample: 1970 2020
Included observations: 50
Q-statistic probabilities adjusted for 2 ARMA terms

Autocorrelation Partial Correlation AC PAC Q-Stat Prob

1 -0.058 -0.058 0.1782

2 -0.179 -0.183 1.9207
3 -0.083 -0.110 2.3014 0.129
4 0.048 -0.000 2.4299 0.297
5 -0.008 -0.041 2.4337 0.487
6 0.109 0.110 3.1388 0.535
7 -0.202 -0.200 5.6087 0.346
8 -0.004 0.004 5.6099 0.468
9 -0.014 -0.076 5.6228 0.584
10 0.040 -0.008 5.7254 0.678
11 0.064 0.073 5.9962 0.740
12 0.120 0.115 6.9834 0.727
13 -0.039 0.057 7.0897 0.792
14 -0.112 -0.110 7.9945 0.786
15 -0.031 -0.022 8.0660 0.839
16 -0.002 -0.081 8.0663 0.886
17 0.092 0.074 8.7260 0.891
18 -0.024 -0.020 8.7716 0.923
19 -0.193 -0.146 11.894 0.806
20 -0.021 -0.017 11.932 0.851
21 0.054 -0.076 12.194 0.877
22 0.084 0.058 12.853 0.884
23 0.039 -0.002 12.999 0.909
24 -0.002 0.058 12.999 0.933

•HASIL UJI TIDAK ADA LAGI AUTOKORELASI YANG SIGNIFIKAN (BEBAS

AUTOKORELASI)
•RESIDUAL WHITE NOISE  MODEL SUDAH BAIK DAN LAYAK UNTUK
DIGUNAKAN FORECASTING
 Membentuk Persamaan Forecasting
Fungsi persamaan untuk ARIMA adalah :
y t =( 1−❑1 ) δ + ( 1+❑1 ) y t−1−❑1 y t −2 +θ1 ε t −1

 HASIL ESTIMASI DIPEROLEH HASIL:

 AR(1) = 1=-0,350
 MA(6) =1=0,407
 C==6,568
Bila dimasukkan ke dalam persamaan maka menjadi :
y t =( 1+0,350 ) 6,568+ ( 1−0,350 ) y t −1 +0,350 y t −2+ 0,407 ε t −1

y t =8,867+0,650 y t −1+ 0,350 y t −2+ 0,407 ε t −1

Prediksi atau Peramalan (Forecast):

2021 - 2022 :
INVF Tahun 2021 : 349
INVF Tahun 2022 : 330
Berdasarkan hasil prediksi atau peramalan (forecast), untuk proyeksi data Investasi pada
tahun 2021 dan 2022, maka dapat disimpulkan bahwa :
 Pada tahun 2021, diramalkan atau diprediksi nilai Investasi pada tahun 2021
mengalami Kenaikan dari tahun 2020 dimana nilai Investasinya sebesar 331,78 Juta
USD naik menjadi 349 Juta USD
 Pada tahun 2022, diramalkan atau diprediksi nilai Investasi pada tahun 2022
mengalami penurunan dari tahun 2021 dimana nilai Investasinya dari 349 Juta USD
turun menjadi 330 Juta USD

2. PANEL VECM
Model Persamaan : GDP = f (INV, INF, GS, L)
UJI Unit Root -pada level
Null Hypothesis: Unit root (individual unit root process)
Series: GDP, INV, INF, GS, L
Date: 01/04/23 Time: 17:21
Sample: 1970 2022
Exogenous variables: Individual effects, individual linear trends
Automatic selection of maximum lags
Automatic lag length selection based on SIC: 0 to 2
Total number of observations: 247
Cross-sections included: 5

Method Statistic Prob.**

ADF - Fisher Chi-square 48.6095 0.0000
ADF - Choi Z-stat -3.84734 0.0001

** Probabilities for Fisher tests are computed using an asymptotic Chi

-square distribution. All other tests assume asymptotic normality.

Intermediate ADF test results UNTITLED

Series Prob. Lag Max Lag Obs

GDP 0.0012 0 10 50
INV 0.1413 0 10 50
INF 0.0003 0 10 50
GS 0.9861 2 10 48
L 0.0005 1 10 49

Hasil Uji ADF untuk Variabel GDP,INV, INF,GS, L pada derajat pada level,
Diperoleh hasil variable adalah GDP, INF, L stasioner pada first different
UJI Unit Root -pada first diffrence
Null Hypothesis: Unit root (individual unit root process)
Series: GDP, INV, INF, GS, L
Date: 01/04/23 Time: 17:27
Sample: 1970 2022
Exogenous variables: Individual effects, individual linear trends
Automatic selection of maximum lags
Automatic lag length selection based on SIC: 1 to 10
Total number of observations: 226
Cross-sections included: 5

Method Statistic Prob.**

ADF - Fisher Chi-square 143.100 0.0000
ADF - Choi Z-stat -7.73780 0.0000

** Probabilities for Fisher tests are computed using an asymptotic Chi

-square distribution. All other tests assume asymptotic normality.

Intermediate ADF test results D(UNTITLED)

Series Prob. Lag Max Lag Obs

D(GDP) 0.0000 1 10 48
D(INV) 0.012 6 10 43
D(INF) 0.0000 1 10 48
D(GS) 0.0000 1 10 48
D(L) 0.032 10 10 39

Diperoleh hasil variable adalah INV , L stasioner pada first different

Vector Error Correction Estimates
Date: 01/04/23 Time: 17:54
Sample (adjusted): 1975 2020
Included observations: 46 after adjustments
Standard errors in ( ) & t-statistics in [ ]

Cointegrating Eq: CointEq1

GDP(-1) 1.000000

D(INV(-1)) 1.359946
(1.14543)
[ 1.18728]

INF(-1) 1.109811
(1.32292)
[ 0.83891]

GS(-1) 0.035177
(0.03836)
[ 0.91702]

D(L(-1)) 63.49315
(6.87000)
[ 9.24209]

C -121.7128

Error Correction: D(GDP) D(INV,2) D(INF) D(GS) D(L,2)

CointEq1 -0.000446 -0.103624 0.017817 -0.293843 -0.039852

(0.01352) (0.05522) (0.03549) (0.08617) (0.00457)
[-0.03299] [-1.87674] [ 0.50204] [-3.41010] [-8.71784]

D(GDP(-1)) -0.193991 6.014594 -0.695453 6.373541 0.124392

(0.30483) (1.24500) (0.80019) (1.94294) (0.10307)
[-0.63640] [ 4.83100] [-0.86911] [ 3.28036] [ 1.20681]

D(GDP(-2)) -0.428705 5.454700 -0.053883 1.596244 0.153791

(0.32143) (1.31282) (0.84378) (2.04878) (0.10869)
[-1.33374] [ 4.15495] [-0.06386] [ 0.77912] [ 1.41496]

D(GDP(-3)) -0.029588 5.538774 0.139671 1.086053 0.222317

(0.31567) (1.28928) (0.82865) (2.01204) (0.10674)
[-0.09373] [ 4.29602] [ 0.16855] [ 0.53978] [ 2.08279]

D(INV(-1),2) -0.000327 -1.456508 0.001916 -0.892849 -0.006858

(0.04548) (0.18575) (0.11939) (0.28988) (0.01538)
[-0.00718] [-7.84121] [ 0.01605] [-3.08005] [-0.44592]

D(INV(-2),2) -0.022876 -1.795809 0.051392 0.759794 0.014389

(0.06626) (0.27063) (0.17394) (0.42234) (0.02241)
[-0.34525] [-6.63578] [ 0.29546] [ 1.79903] [ 0.64221]

D(INV(-3),2) -0.020210 -1.475270 0.029914 0.952586 -0.090049

(0.05267) (0.21512) (0.13826) (0.33572) (0.01781)
[-0.38371] [-6.85787] [ 0.21635] [ 2.83747] [-5.05612]

D(INF(-1)) 0.087239 0.589789 -0.720790 0.991415 0.049938

(0.10620) (0.43376) (0.27879) (0.67693) (0.03591)
[ 0.82144] [ 1.35970] [-2.58541] [ 1.46458] [ 1.39058]

D(INF(-2)) -0.045830 -0.336422 -0.426239 0.153596 0.013209

(0.08254) (0.33713) (0.21668) (0.52613) (0.02791)
[-0.55523] [-0.99789] [-1.96711] [ 0.29194] [ 0.47325]

D(INF(-3)) 0.014077 0.153875 -0.134092 1.395498 -0.011686

(0.09313) (0.38035) (0.24446) (0.59358) (0.03149)
[ 0.15116] [ 0.40456] [-0.54851] [ 2.35099] [-0.37110]

D(GS(-1)) -0.007658 -0.250461 0.015154 0.438764 0.022468

(0.02389) (0.09756) (0.06270) (0.15224) (0.00808)
[-0.32063] [-2.56738] [ 0.24169] [ 2.88199] [ 2.78191]

D(GS(-2)) -0.002541 -0.338445 0.004493 -0.802971 -0.069117

(0.01390) (0.05677) (0.03649) (0.08860) (0.00470)
[-0.18284] [-5.96159] [ 0.12314] [-9.06323] [-14.7054]

D(GS(-3)) -0.008741 0.224804 0.022625 0.307749 0.054396

(0.03013) (0.12305) (0.07909) (0.19203) (0.01019)
[-0.29012] [ 1.82693] [ 0.28607] [ 1.60259] [ 5.33952]

D(L(-1),2) -0.035803 8.111734 -0.998554 21.39327 1.772931

(0.66425) (2.71300) (1.74372) (4.23390) (0.22461)
[-0.05390] [ 2.98994] [-0.57266] [ 5.05285] [ 7.89334]

D(L(-2),2) 0.002587 11.56686 -0.859868 6.366868 1.543716

(0.53070) (2.16754) (1.39313) (3.38265) (0.17945)
[ 0.00487] [ 5.33640] [-0.61722] [ 1.88221] [ 8.60239]

D(L(-3),2) -0.179444 5.759661 -0.361561 14.07851 1.829066

(0.43150) (1.76236) (1.13271) (2.75033) (0.14591)
[-0.41587] [ 3.26815] [-0.31920] [ 5.11885] [ 12.5359]

C 0.159458 7.508693 -1.619813 13.99396 -0.327935

(0.91702) (3.74540) (2.40727) (5.84506) (0.31008)
[ 0.17389] [ 2.00477] [-0.67289] [ 2.39415] [-1.05757]

R-squared 0.304000 0.935427 0.368013 0.932378 0.970354

Adj. R-squared -0.080000 0.899801 0.019330 0.895070 0.953997
Sum sq. resids 492.2743 8211.910 3392.303 19999.72 56.28668
S.E. equation 4.120070 16.82764 10.81554 26.26110 1.393169
F-statistic 0.791666 26.25670 1.055437 24.99108 59.32527
Log likelihood -119.7902 -184.5193 -164.1855 -204.9923 -69.91295
Akaike AIC 5.947402 8.761707 7.877631 9.651840 3.778824
Schwarz SC 6.623204 9.437509 8.553433 10.32764 4.454626
Mean dependent -0.210870 -0.440000 -0.838478 17.49500 0.001957
S.D. dependent 3.964538 53.16084 10.92162 81.07056 6.495496

Determinant resid covariance (dof adj.) 1.36E+08

Determinant resid covariance 13503540
Log likelihood -703.9805
Akaike information criterion 34.52089
Schwarz criterion 38.09867
Number of coefficients 90
• Ada kointegrasi (var. memiliki keseimbangan jangka panjang) pada model VECM
yaitu), GDP, INV,INF,GS dan L
• Nilai t-hit signifikan
Uji Granger Causality
VEC Granger Causality/Block Exogeneity Wald Tests
Date: 01/04/23 Time: 17:59
Sample: 1970 2020
Included observations: 46

Dependent variable: D(GDP)

Excluded Chi-sq df Prob.

D(INV,2) 0.331399 3 0.9540

D(INF) 1.471276 3 0.6889
D(GS) 0.168134 3 0.9826
D(L,2) 0.250366 3 0.9691

All 4.444251 12 0.9740

Dependent variable: D(INV,2)

Excluded Chi-sq df Prob.

D(GDP) 31.07372 3 0.0000

D(INF) 4.181795 3 0.2425
D(GS) 50.08881 3 0.0000
D(L,2) 40.91893 3 0.0000

All 92.25743 12 0.0000

Dependent variable: D(INF)

Excluded Chi-sq df Prob.

D(GDP) 1.260866 3 0.7384

D(INV,2) 0.160543 3 0.9837
D(GS) 0.124813 3 0.9887
D(L,2) 0.388671 3 0.9426

All 2.162185 12 0.9991

Dependent variable: D(GS)

Excluded Chi-sq df Prob.

D(GDP) 12.49339 3 0.0059

D(INV,2) 62.74535 3 0.0000
D(INF) 5.822924 3 0.1206
D(L,2) 60.61256 3 0.0000

All 180.4170 12 0.0000

Dependent variable: D(L,2)

Excluded Chi-sq df Prob.

D(GDP) 4.514019 3 0.2110

D(INV,2) 75.96237 3 0.0000
D(INF) 3.692787 3 0.2966
D(GS) 224.4854 3 0.0000

All 269.5772 12 0.0000

 Hasil estimasi Granger Causality menunjukkan:
• Tidak ada pengaruh Investasi, inflasi, GS, L terhadap GDP
• Ada pengaruh GDP,GS dan L terhadap INV
• Tidak ada pengaruh INF terhadap INV
• Tidak ada pengaruh GDP,INV,GS ,L terhadap INF
• Ada Pengaruh GDP,INV dan L terhadap GS
• Tidak ada pengaruh INF terhadap GS
• Ada Pengaruh INV dan GS terhadap L

Impulse Test

Hasil Estimasi Impluse Test VECM :

- GDP berpengaruh negatif terhadap Investasi akan tetapi Investasi berpengaruh Positif
terhadap GDP
- GDP berpengaruh positif terhadap Inflasi akan tetapi Investasi berpengaruh Negatif
terhadap GDP
- GDP berpengaruh negatif terhadap GS akan tetapi GS berpengaruh Positif terhadap
Positif terhadap GDP
 - GDP berpengaruh negative terhadap L sama halnya L berpengaruh negative terhadap
GDP
 Dalam VECM tidak ada lagi garis merah.
 Bila berada di bawah garis horizontal menunjukkan pengaruh yang negatif dan
bila berada di atas garis horizontal menunjukkan pengaruh yang positip

Uji Variance Decomposition

Variance Decomposition of GDP:

Period S.E. GDP D(INV) INF GS D(L)

1 4.120070 100.0000 0.000000 0.000000 0.000000 0.000000

2 4.853072 98.52628 0.070191 1.231058 0.141924 0.030544
3 5.079986 98.07471 0.066469 1.373446 0.446786 0.038584
4 5.423929 98.15525 0.073926 1.221082 0.468638 0.081107
5 5.890720 97.98082 0.159968 1.307878 0.436764 0.114572
6 6.270776 97.33919 0.163696 1.264999 0.476879 0.755240
7 6.590765 96.73793 0.158663 1.146729 0.860376 1.096301
8 6.875923 96.57097 0.145782 1.074008 1.137504 1.071738
9 7.106653 96.73459 0.174557 1.005517 1.068157 1.017181
10 7.448815 95.93895 0.853110 0.973877 1.059742 1.174320

Variance Decomposition of D(INV):

Period S.E. GDP D(INV) INF GS D(L)

1 16.82764 30.62622 69.37378 0.000000 0.000000 0.000000

2 23.47577 42.29258 47.08012 2.430237 7.451692 0.745364
3 25.78269 35.30110 44.14213 3.911920 15.07670 1.568156
4 28.13420 31.49817 37.10059 3.293777 23.05053 5.056941
5 29.00697 32.75709 36.69159 3.112281 22.64278 4.796254
6 31.71770 42.12913 31.01599 2.943714 19.34128 4.569883
7 37.76890 29.92913 47.80971 3.896644 14.99505 3.369468
8 43.39707 28.42521 53.30624 2.967382 11.91825 3.382917
9 46.59968 24.68408 54.94474 3.793507 12.61454 3.963130
10 49.56651 24.96337 49.40936 3.673036 16.70261 5.251619

Variance Decomposition of INF:

Period S.E. GDP D(INV) INF GS D(L)

1 10.81554 65.84828 1.411184 32.74054 0.000000 0.000000

2 12.09138 70.22388 1.129147 28.52926 0.096646 0.021066
3 12.50130 68.82178 1.078163 29.75532 0.197717 0.147025
4 13.34260 64.78354 1.292077 33.32377 0.200673 0.399941
5 14.58131 65.70668 1.316186 32.17110 0.203108 0.602927
6 15.37910 66.76369 1.360351 30.88886 0.357474 0.629623
7 15.98995 66.10871 1.332007 31.40176 0.345811 0.811706
8 16.67335 65.37340 1.327473 31.77149 0.689902 0.837738
9 17.34552 64.74540 1.386812 32.04298 0.985692 0.839111
10 17.89174 64.26008 1.304104 32.70407 0.942069 0.789675

Variance Decomposition of GS:

Period S.E. GDP D(INV) INF GS D(L)

1 26.26110 10.88357 0.681499 0.438348 87.99659 0.000000

2 52.30290 15.89949 16.57632 0.276829 66.76852 0.478833
3 65.09731 18.22385 10.72315 0.367837 63.67932 7.005843
4 75.70422 19.63132 14.28195 0.828313 50.35513 14.90329
5 81.80160 24.91354 14.79960 0.995752 44.77093 14.52017
6 92.45866 24.84222 16.77318 0.999342 43.14094 14.24431
7 104.1269 21.83878 14.61177 0.797040 47.83599 14.91642
8 109.7617 22.63738 15.37645 1.840335 46.31996 13.82587
9 116.5091 25.60228 14.77028 2.578448 41.35139 15.69760
10 117.3450 26.00496 14.59471 2.703928 40.76442 15.93198

Variance Decomposition of D(L):

Period S.E. GDP D(INV) INF GS D(L)

1 1.393169 2.300940 5.359689 1.715821 0.484271 90.13928

2 1.732128 2.133691 26.45516 1.171566 8.494749 61.74483
3 2.074007 3.501827 20.48355 1.961832 29.17669 44.87610
4 2.241268 4.819829 17.57719 4.894368 27.78124 44.92737
5 2.701127 3.666183 18.34641 3.465936 35.46223 39.05924
6 3.331688 8.110749 22.23957 4.579962 24.06022 41.00950
7 4.744106 4.549174 60.57131 2.598604 11.92587 20.35505
8 5.294657 4.996205 54.65084 6.845252 9.741815 23.76589
9 6.281308 3.796150 40.45794 5.095279 21.24582 29.40481
10 6.454194 5.791794 38.99748 5.114081 22.20106 27.89558

Cholesky Ordering: GDP D(INV) INF GS D(L)

Hasil Estimasi Variance Decompositions :
• Shock pada GDP lebih dipengaruhi oleh shock pada GS
• Shock pada Investasi dipengaruh oleh shock pada GDP dan GS
• Shock pada Inflasi dipengaruhi oleh shock pada GDP
• Shock pada GS dipengaruhi oleh shock pada L
• Shock pada L dipengaruhi oleh shock pada INV dan GS.

3. Analisis TSLS
Regresi Persamaan Pertama (1)  GDP = f (INV, INF, GS, L) :

• Pada equation specification diisikan nilai : GDP c inv inf gs l

• Pada instrument list dimasukkan nilai semua variabel eksogen: inf gs l ir (Karena ini
var. eksogen)
Dependent Variable: GDP
Method: Two-Stage Least Squares
Date: 01/04/23 Time: 08:53
Sample: 1970 2020
Included observations: 51
Instrument specification: INF GS L IR
Constant added to instrument list

Variable Coefficient Std. Error t-Statistic Prob.

C 23.02186 8.513605 2.704126 0.0096

INV 0.163246 0.118943 1.372473 0.1766
INF -0.198006 0.100646 -1.967338 0.0552
GS -0.047741 0.036968 -1.291402 0.2030
L -0.317766 0.205961 -1.542849 0.1297

R-squared -2.256848 Mean dependent var 5.425490

Adjusted R-squared -2.540053 S.D. dependent var 3.323332
S.E. of regression 6.252858 Sum squared resid 1798.519
F-statistic 1.983375 Durbin-Watson stat 1.101682
Prob(F-statistic) 0.112844 Second-Stage SSR 242.0409
J-statistic 0.000000 Instrument rank 5

Berdasarkan hasil estimasi menggunakan pengujian TSLS (Two Staged Least Square)
pada persamaan pertama (1) maka dapat disimpulkan :
 Nilai Prob. Inv terhadap GDP tidak signifikan
Sehingga dapat dinyatakan bahwa Investasi tidak berpengaruh signifikan
terhadap GDP

Regresi Persamaan Kedua (2)  INV = f (GDP,IR) :

• Pada equation specification diisikan nilai : Inv c gdp ir
• Pada instrument list dimasukkan nilai semua variabel eksogen: inf gs l ir (Karena ini
var. eksogen)
 Dependent Variable: INV
Method: Two-Stage Least Squares
Date: 01/04/23 Time: 08:57
Sample: 1970 2020
Included observations: 51
Instrument specification: INF GS L IR
Constant added to instrument list

Variable Coefficient Std. Error t-Statistic Prob.

C 544.3237 36.60545 14.87002 0.0000

GDP -17.46149 3.043440 -5.737418 0.0000
IR -17.42823 1.519496 -11.46974 0.0000

R-squared 0.714671 Mean dependent var 121.8333

Adjusted R-squared 0.702782 S.D. dependent var 96.15591
S.E. of regression 52.42200 Sum squared resid 131907.2
F-statistic 71.62536 Durbin-Watson stat 1.407541
Prob(F-statistic) 0.000000 Second-Stage SSR 68635.51
J-statistic 5.066290 Instrument rank 5
Prob(J-statistic) 0.079409

Berdasarkan hasil estimasi menggunakan pengujian TSLS (Two Staged Least Square)
pada persamaan kedua (2) maka dapat disimpulkan :
 Nilai prob. GDP terhadap Inv adalah signifikan.
Sehingga dapat dinyatakan bahwa GDP berpengaruh signifikan terhadap
Investasi