Lanjutkan membaca fondasi teoretis komprehensif, rumusan matematis, dan panduan instrumen analisis ini.

1. Teori Dasar: Definisi, Tujuan, dan Fungsi Vector Autoregression

Metodologi Vector Autoregression (VAR) pertama kali diusulkan oleh peraih Nobel Ekonomi, Christopher Sims, pada tahun 1980. Pemodelan ini dilahirkan sebagai kritik konseptual terhadap model persamaan simultan makroekonomi struktural berskala besar yang lazim digunakan pada masa tersebut. Sims berargumen bahwa penentuan mana variabel yang berstatus endogen dan mana yang eksogen dalam model struktural klasik sering kali didasarkan pada restriksi identifikasi yang tidak realistis (incredible identification restrictions). Sebagai solusi, model VAR memperlakukan seluruh variabel dalam sistem secara setara dan apriori sebagai variabel endogen. Dalam sistem VAR, setiap peubah dijelaskan oleh evolusi historisnya sendiri (kelambanan atau lags) serta oleh nilai masa lalu dari seluruh variabel lain yang terlibat dalam sistem persamaan (Sims, 1980).

Tujuan utama dari pengaplikasian VAR tidak terbatas pada pengujian parameter koefisien regresi. Mengingat variabel independen pada sistem VAR cenderung saling berkorelasi tinggi, nilai koefisien parsial (t-statistic) dari masing-masing lag sering kali menjadi bias dan sulit untuk diinterpretasikan secara langsung (Lütkepohl, 2005). Oleh karena itu, kegunaan analitis VAR dialihkan pada evaluasi interdependensi sistemik melalui tiga instrumen pasca-estimasi utama, yaitu Granger Causality, Impulse Response Function (IRF), dan Forecast Error Variance Decomposition (FEVD). Pendekatan ini memungkinkan peneliti untuk mendeskripsikan secara empiris bagaimana sebuah guncangan (shock) yang terjadi pada satu variabel ditransmisikan melintasi waktu ke variabel-variabel lainnya.

Uji Kausalitas Granger (Granger Causality Test) di dalam konteks VAR mengevaluasi validitas prediktif antar variabel. Secara teknis, satu variabel dikatakan memiliki kausalitas Granger terhadap variabel lain jika penambahan informasi dari nilai masa lalu (lags) variabel pertama tersebut secara statistik meningkatkan kemampuan prediksi terhadap variabel kedua, dibandingkan apabila hanya menggunakan nilai masa lalu dari variabel kedua itu sendiri. Penting untuk dicatat bahwa kausalitas Granger tidak mengimplikasikan kausalitas filosofis, melainkan murni mengukur arah temporal informasi atau probabilitas peramalan (Granger, 1969).

Selanjutnya, Impulse Response Function (IRF) melacak rekam jejak jalur respons sistem variabel dari waktu ke waktu sebagai akibat dari pemberian satu unit guncangan standar deviasi (inovasi) pada galat salah satu variabel. Guna mencegah korelasi antar galat merusak interpretasi IRF, prosedur ini secara umum menggunakan dekomposisi Cholesky untuk mengortogonalisasi (mengisolasi) guncangan (Enders, 2014). Di sisi lain, Forecast Error Variance Decomposition (FEVD) memecah dan mengalokasikan varians dari kesalahan peramalan (forecast error) suatu variabel ke dalam komponen-komponen persentase yang dikontribusikan oleh inovasi masing-masing variabel lain di dalam sistem VAR (Baltagi, 2005).

Persyaratan yang mutlak dipenuhi dalam pemodelan VAR standar (Reduced-form VAR) adalah stasioneritas data. Seluruh variabel yang dimasukkan ke dalam model diwajibkan stasioner pada tingkat yang sama, umumnya $I(0)$. Jika variabel-variabel terintegrasi pada $I(1)$ namun tidak memiliki hubungan kointegrasi, variabel tersebut harus didiferensiasi sebelum dimasukkan ke dalam model (VAR in differences). Namun, jika variabel-variabel tersebut $I(1)$ dan terbukti terkointegrasi, pendekatan VAR murni kurang sesuai karena mengabaikan ekuilibrium jangka panjang; dalam kasus tersebut, spesifikasi Vector Error Correction Model (VECM) lebih dianjurkan (Lütkepohl, 2005). Selain itu, seleksi panjang kelambanan (lag length) optimal harus ditetapkan secara presisi menggunakan kriteria informasi (Akaike, Schwarz, atau Hannan-Quinn) guna menghindari masalah over-fitting (memasukkan terlalu banyak parameter sehingga menguras derajat kebebasan) atau under-fitting (menyisakan autokorelasi pada galat) (Akaike, 1974).

2. Formula Tiap Tahap Analisis dan Relevansinya

3. Arsitektur Perangkat Lunak

Instrumen analitis ini meredefinisi operasional perangkat lunak ekonometrika dengan menempatkan pemrosesan ke dalam R-WASM (WebR) pada sisi klien.

• Prosedur Komputasi R: Seluruh arsitektur, mulai dari penentuan lag melalui kriteria multivariat, regresi OLS per persamaan, ekstraksi fungsi IRF, komputasi FEVD, hingga Uji Kausalitas Granger dijalankan secara mandiri menggunakan sintaks yang setara dengan pustaka vars di dalam bahasa pemrograman R.
• Efisiensi Non-Server: Peneliti tidak memerlukan instalasi aplikasi tambahan. Eksekusi perhitungan berlangsung di dalam memori RAM peramban (*browser*), yang mencegah perpindahan matriks pangkalan data ke peladen komputasi pihak ketiga.

4. Panduan Manual Penggunaan Alat Analisis

A. Persiapan Data (Format Matriks)

• Himpun variabel-variabel deret waktu secara vertikal berdasarkan observasi kronologis. Pastikan seluruh variabel telah memenuhi asumsi stasioneritas (sebaiknya telah didiferensiasi menjadi I(0) jika data tingkat dasar mengandung akar unit dan tidak terkointegrasi).
• Tempelkan (*paste*) data ke dalam bidang kisi antarmuka aplikasi atau gunakan opsi Unggah CSV. Tombol Data Simulasi tersedia untuk mengeksplorasi fungsionalitas algoritma menggunakan data sistem yang telah dirancang stabil.

B. Pemetaan Relasi Variabel

• Klik tombol Kunci Data & Lanjut Pemetaan.
• Variabel Endogen: Tempatkan minimal 2 (dua) variabel ke dalam daftar endogen. Seluruh variabel yang didaftarkan di dalam bilik ini akan diperlakukan setara sebagai prediktor dan respons di dalam sistem persamaan serentak.
• Opsi Ekstraksi: Tentukan Lag Maksimal untuk evaluasi kriteria informasi (misalnya 4 atau 8). Tentukan pula Langkah Periode (Steps) untuk merancang panjang horizon waktu prediksi pada kurva IRF dan FEVD (umumnya 10 atau 12 periode).

C. Diagram Alur WebR

Pemuatan Pustaka WebR → Parsing Dimensi Deret Waktu → Seleksi Ordo Lag Optimal (VARselect) → Estimasi OLS Persamaan VAR → Uji Kausalitas Granger → Cholesky Orthogonalization → Ekstraksi IRF dan FEVD → Uji Diagnostik Sisaan → Rendering Tabel dan Grafik SVG.

D. Cara Baca Output Inferensial

• Seleksi Ordo Lag: Sistem merekomendasikan panjang kelambanan (*lag*) optimal menggunakan mekanisme dominasi kriteria informasi (AIC, HQ, SC). Ordo yang terpilih menjadi basis pemodelan sistem berikutnya.
• Uji Kausalitas Granger: Perhatikan angka probabilitas (P-Value). Apabila nilai P-Value < 0.05, disimpulkan bahwa variabel penjelas historis berkontribusi memprediksi arah pergerakan variabel respons secara signifikan.
• Tabel Impulse Response Function (IRF): Melukiskan lintasan guncangan. Jika nilai interval kepercayaan bawah (Lower) dan atas (Upper) tidak memotong angka 0 pada periode spesifik, maka guncangan dinyatakan menghasilkan efek yang bermakna secara statistik pada periode tersebut.
• Tabel Variance Decomposition (FEVD): Mengkuantifikasi porsi persentase. Misal, pada periode ke-5, variabilitas variabel Y dijelaskan sebesar 80% oleh dirinya sendiri dan 20% ditarik oleh guncangan variabel X. Nilai total dalam setiap baris dipastikan berjumlah proporsional 1 (100%).
• Uji Diagnostik: Verifikasi nilai probabilitas Normalitas, Autokorelasi, dan ARCH. Asumsi model VAR menuntut nilai batas signifikansi uji residu > 0.05.

5. Manfaat Aplikasi (Kelebihan & Kekurangan)

• Kelebihan Instrumental: Meringkas komputasi multi-tahap (seperti identifikasi lag, uji kelayakan, IRF, dan FEVD) ke dalam satu tuas klik otomatis tanpa kebutuhan penulisan skrip kodifikasi secara manual. Privasi matriks terlindungi secara paripurna. Menampilkan ringkasan teks otomatis yang merangkum hasil uji Granger dan stabilitas diagnostik.
• Kekurangan Bawaan: Metode pemanggilan library WebR memberikan konsekuensi pengunduhan cache pustaka R di awal akses yang membutuhkan waktu antara 10 hingga 20 detik. Eksekusi persamaan pada sistem yang berisi parameter variabel teramat masif (misal > 10 variabel endogen dengan horizon waktu sangat panjang) memiliki kerentanan memperlambat memori RAM peramban komputer lokal.

6. Daftar Pustaka

• Akaike, H. (1974). A new look at the statistical model identification. IEEE Transactions on Automatic Control, 19(6), 716-723.
• Baltagi, B. H. (2005). Econometric Analysis of Panel Data (3rd ed.). John Wiley & Sons.
• Enders, W. (2014). Applied Econometric Time Series (4th ed.). John Wiley & Sons.
• Granger, C. W. J. (1969). Investigating causal relations by econometric models and cross-spectral methods. Econometrica, 37(3), 424-438.
• Lütkepohl, H. (2005). New Introduction to Multiple Time Series Analysis. Springer.
• Sims, C. A. (1980). Macroeconomics and reality. Econometrica, 48(1), 1-48.