Eksistensi Hukum Okun di Indonesia

EKSISTENSI HUKUM OKUN DI INDONESIA Oleh: Muhammad Fajar#

1.

Latar Belakang Keberhasilan kinerja perekonomian suatu Negara bisa dilihat dengan output, tingkat

pengangguran, dan inflasi. Tiga variabel makro tersebut saling berkaitan, jika output riil yang dihasilkan suatu negara melebihi output potensial, maka akan menimbulkan inflasi. Output riil yang melebihi output potensial berarti dalam prosesnya telah terjadi pemakaian tenaga kerja lebih dari seperti biasanya yang digunakan untuk mendorong output melebihi output potensialnya. Hubungan negatif antara kesenjangan output riil dengan output potensial terhadap pengangguran digambarkan oleh hukum Okun. Beberapa penelitian yang telah dilakukan dan memberikan satu kesimpulan bahwa hukum Okun memang terbukti ada walaupun terjadi variasi koefisien Okun di setiap Negara. Tujuan dari paper ini untuk membuktikan keberadan hukum Okun dan jika memang terbukti ada, maka seberapa besar koefisien Okun yang tercipta di Indonesia. 2.

Kajian Literatur Sejak Okun menemukan hubungan negatif antara tingkat pengangguran dengan

kesenjangan output, penurunan setiap 1 persen tingkat pengangguran untuk setiap kenaikan 3 persen kesenjangan PDB, tetapi Barreto dan Howland (1993) menunjukan bahwa koefisien Okun atas tingkat pengangguran telah berubah, bukan dari 2 atau 2.5 sampai 3 lagi tetapi bisa berbeda dari angka tersebut. Ngoo Yee Ting dan Loi Siew Ting (2009) menemukan hubungan dua arah antara tingkat pengangguran dengan output nasional untuk kasus Malaysia. Rubcova (2010) menunjukan tidak adanya hubungan antara output dan tingkat pengangguran untuk kasus Negara-negara di Kawasan Baltik karena data tidak reliable dan ukuran sampelnya kecil serta struktur pasar tenaga kerja yang kaku dan inelastisnya tingkat pengangguran terhadap pergeseran output. Soegner dan Stiassny (2002) menguji hukum Okun dan menunjukan adanya hubungan negatif antara tingkat pengangguran dengan PDB riil.

Moosa (2008) menemukan bahwa tidak ada hubungan antara tingkat pengangguran dengan output untuk kasus Algeria, Mesir, Maroko, dan Tunisia karena tiga alasan: pertama, pengangguran yang terjadi bukan sikis tetapi lebih kepada pengangguran structural dan atau friksional, kedua, kekakuan pasar tenaga kerja yang terjadi di empat Negara tersebut dimana pasar tenaga kerja didominasi Pemerintah sebagai sumber utama permintaan tenaga kerja, ketiga, struktur perekonomian yang didominasi Pemerintah. Petkov(2008) di Inggris hukum Okun dapat diterapkan dimana terjadi hubungan jangka panjang antara tingkat pengangguran dengan kesenjangan PDB. Apergis dan Rezitis (2003) menyelidiki

hukum

Okun

dengan

perubahan

struktual,

kesimpulannya

bahwa

pengangguran mempunyai respon rendah terhadap perubahan output. 3.

Metodologi

3.1 Metode Pengumpulan Data Data yang digunakan dalam penelitian ini adalah data PDB Riil (tahun dasar 2000) dan tingkat pengangguran terbuka (TPT) pada periode 1980 – 2009, yang bersumber dari Badan Pusat Statistik. Data PDB riil dan TPT ditransformasi dengan logaritma natural. 3.2

Metode Analisis

3.2.1 Spesifikasi Model Model Spesifikasi untuk pengujian hukum Okun: a. Model first difference 𝑌𝑡 − 𝑌𝑡−1 = 𝛼 + 𝛽 𝑈𝑡 − 𝑈𝑡−1 + 𝜀𝑡 … (1) ∆𝑌𝑡 = 𝛼 + 𝛽∆𝑈𝑡 + 𝜀𝑡 Dimana: 𝑌𝑡 ∶ PDB Riil pada tahun t 𝑌𝑡−1 ∶ PDB Riil pada tahun t − 1 𝑈𝑡 ∶ tingkat pengangguran terbuka pada tahun t 𝑈𝑡−1 ∶ tingkat pengangguran terbuka pada tahun t − 1 b. Model Gap

𝑌𝑡 − 𝑌𝑡∗ = 𝜃 + 𝛿 𝑈𝑡 − 𝑈 ∗ + 𝜂𝑡 𝑌𝑡∗

… (2)

… (3)

Dimana: 𝑌𝑡∗ ∶ PDB Potensial pada tahun t 𝑈 ∗ ∶ tingkat pengangguran alamiah pada periode observasi Untuk mendapatkan perkiraan tingkat pengangguran alamiah, kita gunakan bentuk persamaan asli Hukum Okun, yakni: 𝜔 𝑈 ∗ − 𝑈𝑡 =

𝑌𝑡 − 𝑌𝑡∗ 𝑌𝑡∗

… (4)

Kita tidak dapat langsung mengukur 𝑈 ∗ (tingkat pengangguran alamiah) dari pers.(4), maka kita harus menyusun ulang kembali pers.(4) menjadi: 𝑈𝑡 = 𝑈 ∗ −

𝑌𝑡 − 𝑌𝑡∗ 𝑌𝑡∗

1 𝜔

+ 𝜇𝑡 … 5

𝑈𝑡 = 𝑈 ∗ − 𝜑𝐺𝑡 + 𝜇𝑡 … (6) Konstanta dari pers.(5) adalah perkiraan tingkat pengangguran alamiah. Sehingga jika telah mendapatkan nilai 𝑈 ∗ , kita masukan ke pers.(3). Pada pers.(3) dan (5) data tidak ditransformasi logaritma natural. 3.2.1 Hodrick Prescot Filter (HP filter) HP Filter adalah metode yang digunakan untuk mendapatkan perkiraan trend yang lebih smooth pada PDB riil sehingga dari sinilah PDB potensial diperoleh. Metode ini dikembangkan oleh Hodrick dan Prescott pada tahun 1980. Metode ini menerapkan filter dua sisi untuk mendapatkan series s yang telah dismoothkan dari series y. Hal ini dilakukan dengan meminimalkan varians y disekitar s dengan parameter λ sebagai konstrain dari jumlah kuadrat second difference series s. Dengan demikian HP Filter memilih s untuk meminimumkan: 𝑇

𝑇−1 2

(𝑦𝑡 − 𝑠𝑡 ) + 𝜆 𝑡=1

𝑠𝑡+1 − 𝑠𝑡 − 𝑠𝑡 − 𝑠𝑡−1

2

… (7)

𝑡=2

Untuk data level tahun program Eviews 5.1 merekomendasikan nilai λ = 100.

3.2.2 Normalitas Variabel Sifat normalitas diperlukan agar menghasilkan parameter-parameter yang dihasilkan bisa diujikan dan mengsinkronisasikan dengan alat uji statistik parametrik yang berakar pada asumsi normalitas. Penulis merekomendasikan uji Jarque Bera untuk menguji normalitas tingkat suku bunga dan inflasi. Untuk memeriksa kenormalan residual pada model regresi maka digunakan uji Jarque Bera. Dalam uji Jarque Bera diasumsikan bahwa distribusi variabel yang sedang diuji mempunyai sifat kontinyu. Hipotesis yang digunakan: H o :distribusi variabel mengikuti distribusi normal H 1 :distribusi variabel tidak mengikuti distribusi normal Statistik Uji: 𝐽𝐵 =

𝑁−𝑘 2 𝐾−3 𝑆 + 6 4

2

… (8)

Dimana: S adalah skewness data, K adalah kurtosis data, N adalah banyaknya titik data. Dengan cara membandingkan nilai JB terhadap nilai 𝜒 2 dengan 2 derajat bebas pada tabel Chi Square dengan level signifikansi (α) sebesar 0,05, maka aturan pengambilan keputusan dalam uji ini adalah sebagai berikut: 2  Jika JB ≤ 𝜒2,0.05 , maka Ho diterima 2  Jika JB > 𝜒2,0.05 , maka Ho ditolak

Atau 

Jika P value dari JB > 0.05, maka Ho diterima



Jika P value dari JB ≤ 0.05, maka Ho ditolak

Asumsi ini harus terpenuhi karena jika asumsi ini tidak terpenuhi maka analisis yang dilakukan tidak sah dalam statistik parametrik.

3.2.3 Pengujian Unit Root Stasioneritas sangat diperlukan dalam analisis time series agar tidak terjadi spurious pada analisis. Karena pada periode penelitian terjadi dua shock krisis, maka penulis merekomendasikan uji Philip-Perron untuk memeriksa stsioneritas dan alat uji ini mampu merespon adanya shock yang terjadi. Prosedur pengujian akar unit dengan menggunakan uji Philips-Perron adalah sebagai berikut: 1. Misal terdapat persamaan: 𝑦𝑡 = 𝜌𝑦𝑡−1 + 𝑢𝑡 … (9), Dimana ρ adalah koefisien otoregresif, 𝑢𝑡 adalah white noise term1. Jika nilai ρ = 1, maka 𝑦𝑡 memiliki sebuah akar unit. Dalam ekonometrika, suatu time series yang memiliki akar unit disebut random walk time series. Apabila dinyatakan dalam bentuk hipotesis, menjadi: Ho :

𝜌 = 1, berarti data mengandung akar unit (nonstasioner)

H1 :

𝜌< 1, berarti data tidak mengandung akar unit (stasioner)

Jika data asli dari suatu series sudah stasioner, maka data tersebut berintegrasi pada order 0 atau dilambangkan I(0) tetapi bila data asli nonstasioner maka harus didifference2-kan sehingga diperoleh data yang stasioner pada order d ( I(d) ). 2. Persamaan di atas dapat juga dinyatakan dalam bentuk turunan pertama (first difference), sebagai berikut: ∆𝑦𝑡 = 𝜌 − 1 𝑦𝑡−1 + 𝑢𝑡 … (10) ∆𝑦𝑡 = 𝛼𝑦𝑡−1 + 𝑢𝑡 … (11)

,𝛼 =𝜌−1

Sehingga hipotesis yang diuji mempunyai bentuk: Ho :

𝛼 = 1, berarti data mengandung akar unit (non stasioner)

H1 :

𝛼< 1, berarti data tidak mengandung akar unit (stasioner)

3. Untuk mengetahui ada atau tidaknya akar unit, lakukan penghitungan nilai statistik uji Philips-Perron berdasarkan uji t-statistik yang disesuaikan:

1

Kondisi dimana 𝑢𝑡 mempunyai mean sama dengan nol, varians konstan, dan kovarians sama dengan nol. Membuat deret angka baru yang terdiri dari perbedaan angka antara periode yang berturut-turut dengan rumus: 𝑋𝑡, = 𝑋𝑡 − 𝑋𝑡−1 . 2

𝑡𝛼 = 𝑡𝛼

𝛾0 𝑓0

1/2

−

𝑡𝛼 =

𝑇 𝑓0 − 𝛾0 𝑠𝑒(𝛼 ) 1/2

2𝑓0

𝑠

… (12)

𝛼 … (13) 𝑠𝑒 𝛼

se α adalah standar eror dari koefisien yt−1 dan s adalah standar eror dari persamaan (11). 𝛾0 merupakan estimasi yang konsisten dari varians eror pada persamaan (11), dihitung dengan rumus : 𝑇 − 𝑘 𝑠2 𝛾0 = … 14 , 𝑇

𝑇 2

dimana𝑠 = 𝑡=1

𝑢𝑡2 𝑇−𝑘

Dimana k adalah banyaknya variabel independen dan T adalah banyaknya observasi.𝑓0 diestimasi dari persamaan: 𝑇−1

𝑓0 =

𝛾 𝑗 𝐾(𝑗/𝑙) … (15) 𝑗 =−(𝑇−1)

𝛾 𝑗 adalah sampel otokovariansi ke-j dari residual 𝑢𝑡 ,yang dirumuskan sebagai berikut: 𝑇

𝛾 𝑗 = 𝑡=𝑗 +1

𝑢𝑡 𝑢𝑡−𝑗 … (16) 𝑇

l adalah koefisien Newey-West bandwisth, K merupakan fungsi kernel yang dapat dirumuskan sebagai berikut: 𝐾 𝑥 = 1 − 𝑥 … (17) , jika 𝑥 ≤ 1 = 0

, lainnya

Selanjutnya nilai statistik Philips-Perron, yaitu 𝑡𝛼 dibandingkan dengan nilai kritis tabel Mc Kinnon. Jika nilai statistik Philips-Perron lebih negatif dari nilai kritis tabel Mc Kinnon atau nilai probabilitas statistik Philips-Perron kurang dari level signifikansi (α) sebesar 0.05; maka Ho ditolak sehingga dapat disimpulkan bahwa data time series telah stasioner.

3.2.4 Kointegrasi Engel-Granger Prosedur dua langkah Engel-Granger cocok digunakan bila dalam penelitian hanya terdapat dua variabel. Langkah- langkah metode Engel-Granger, yaitu: a. uji stasioneritas dari kedua variabel yang digunakan dan ketahui kedua variabel tersebut berintegrasi pada order yang sama. b. uji stasioneritas residual dari hasil regresi linear pers.(2), jika residual dari kedua variabel tersebut stasioner pada level atau berintegrasi pada order 0, maka dapat dikatakan bahwa kedua variabel tersebut memiliki keseimbangan jangka panjang atau kointegrasi jangka panjang. 4

Pembahasan

4.1 Stasioneritas Variabel

Variabel PDB Riil TPT Ln PDB Riil Ln TPT D PDB Riil D TPT D Ln PDB Riil D Ln TPT

None adj t-stat P value 5.561249 1.0000 0.575494 0.8348 5.518136 1.0000 1.242336 0.9416 -2.20482 0.0288 -4.66005 0.0000 -2.3327 0.0215 -5.96622 0.0000

Phillips Perron Test Konstan dan Trend Konstan adj t-stat P value adj t-stat P value 1.45482 0.9987 -1.38941 0.8427 -0.910481 0.7703 -1.62507 0.7578 -0.715023 0.8275 -1.77613 0.6901 -1.165657 0.6753 -2.03062 0.5609 -3.650896 0.0109 -3.87668 0.0269 -4.724158 0.0008 -4.63764 0.0048 -4.111344 0.0036 -4.03142 0.0192 -6.196261 0.0000 -6.05675 0.0002

Berdasarkan hasil pengujian Phillip-Perron menunjukkan bahwa baik data PDB riil dan TPT dalam level maupun dalam transformasi logaritma terintegrasi pada order 1 (I (1)) atau dengan lain kata telah stasioner pada bentuk first difference. 4.2 Normalitas Variabel PDB Riil TPT Ln PDB Riil Ln TPT

Jarque Bera Test JB P Value 1.567076 0.456787 3.598118 0.165454 2.018238 0.364540 2.905057 0.233978

Berdasarkan hasil pengujian Jarque Bera membuktikan bahwa baik data PDB riil dan TPT dalam level maupun dalam transformasi logaritma mengikuti distribusi normal. 4.3 Analisis 4.3.1 Model First Difference Hasil estimasi model first difference pers.(2) pada lampiran no. 1 adalah: ∆𝑌𝑡 = 0.049 − 0.025∆𝑈𝑡 … (18) Variabel dalam persamaan (18) terintegrasi pada orde 1 dan residual dari pers.(17) telah stasioner pada level (lihat lampiran 7.a), berarti adanya keseimbangan jangka panjang antara output dengan tingkat pengangguran terbuka dalam bentuk first difference. Tetapi koefisien pers.(18) yang juga disebut koefisien Okun, tidak signifikan pada level α sebesar lima persen. Berdasarkan model first difference ini diindikasikan memang terjadi kointegrasi antara output dalam hal ini PDB riil dengan tingkat pengangguran terbuka akan tetapi hukum Okun dapat dikatakan tidak terjadi di Indonesia karena koefisien Okun tidak signifikan. 4.3.2 Model Gap Hasil estimasi persamaan (5) adalah sebagai berikut: 𝑈𝑡 = 5 − 0.104𝐺𝑡 … (19) Intersep pada persamaan (19) adalah nilai estimasi tingkat pengangguran alamiah Indonesia pada periode 1980 – 2009 sebesar lima persen, signifikan pada level α sebesar lima persen. Sedangkan koefisien persamaan (19) tidak signifikan. Hasil estimasi model Gap adalah: 𝐺𝑡 = −0.105 − 0.282 𝑈𝑡 − 5

… (20)

Intersep dan koefisien pada pers.(20) tidak signifikan. Variabel pada persamaan (20) terintegrasi pada order 1 dan residual dari persamaan tersebut stasioner pada level

sehingga dapat disimpulkan bahwa terdapat kointegrasi antara kesenjangan output dengan tingkat pengangguran terbuka, hal ini senada dengan hasil model sebelumnya. Artinya bahwa hukum Okun di Indonesia tidak terjadi, hal ini didukung oleh koefisien pers.(18) yang tidak signifikan. Penjelasan tidak signifikannya hukum Okun di Indonesia dapat dijelaskan sebagai berikut: Pertama, ukuran sampel data yang digunakan terlalu kecil sehingga kurang power full jika digunakan oleh alat uji. Kedua, adanya shock krisis ekonomi 1997/1998 yang tidak diakomodir dalam kedua model hukum Okun. Ketiga, pertumbuhan ekonomi yang sedikit sekali mengurangi pengangguran yang terjadi. 5

Kesimpulan Berdasarkan pembahasan sebelumnya dapat disimpulkan:

1. Tingkat pengangguran alamiah Indonesia yang ditaksir dari model gap hukum Okun untuk periode 1980 – 2009 sebesar lima persen. 2. Terdapat hubungan jangka panjang antara kesenjangan output dengan tingkat pengangguran terbuka tetapi bukan dalam bentuk hukum Okun. 3. Hukum Okun tidak terjadi di Indonesia diindikasikan oleh koefisien okun yang tidak signifikan dapat dijelaskan: Pertama, ukuran sampel data yang digunakan terlalu kecil sehingga kurang power full jika digunakan oleh alat uji. Kedua, adanya shock krisis ekonomi 1997/1998 yang tidak diakomodir dalam kedua model hukum Okun. Ketiga, pertumbuhan ekonomi sedikit sekali mengurangi pengangguran yang terjadi.

#

Alumnus Sekolah Tinggi Ilmu Statistik Angkatan 46, sekarang bekerja sebagai PLT Kasie Statistik Sosial BPS Kabupaten Waropen

. Karya ini dibuat Desember tahun 2010

6. Referensi Apergis, Nicholas dan Rezitis, Anthony. (2003). An examination of Okun’s law: evidence from regional areas in Greece. Applied Economics, 35, 1147-1151. Barreto, H. dan Howand, F. (1993). There are two Okun’s law relationship between output and unemployment. Wabash College, Crawfordsville, USA. Gujarati, Damodar. 1995. Basic Econometrics. New York: McGraw-Hill. Hodrick, R. dan Prescott E. C. (1997). Postwar U.S. bussines cycle: an empirical investigation. Journal of Money, Credit, and Banking, 29(1), 1 – 16. Lal, I.,Sulaiman, D., Jalil, M.A., dan Hussain, A. (2010) Test of Okun’s law in some Asian countries: Cointegration approach. European Journal of Scientific Research, 40(1). 73– 80. Moosa, I.A. (2008). Economic growth and unemployment in Arab countries: Is Okun’s law valid?. International conference on the unemployment crisis in the Arab countries. Okun, A.M. (1962). Potential GNP: Its measurement and significance. Proceeding of the Business and Economics Statistics Section, 98-104. Petkov, Boris. (2008). The labour market and output in the UK – Does Okun’s law still stand?. Bulgarian National Bank. Bulgaria. Rubcova, Anna. (2010). Okun’s law: evidence from the Baltic States. SSE Riga Student Research Papers (126). Soegner, Leopold dan Stiassny, Alfred. (2002). An Analysis on the structural stability of Okun’s law. Applied Economics, 14, 1775-1787. Ting, Ngoo Yee dan Ting, Loi Siew. (2009). Okun’s law in Malaysia: approach ARDL with HP Filter. University Putra Malaysia, Malaysia.

7. Lampiran a. Model first Difference Dependent Variable: D(LPDB) Method: Least Squares Date: 12/19/10 Time: 09:39 Sample (adjusted): 1981 2008 Included observations: 28 after adjustments Variable

Coefficient

Std. Error

C(1) D(LTPT)

0.048517 -0.024839

0.008392 5.781657 0.045454 -0.546463

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.011355 -0.026670 0.042329 0.046585 49.85124

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

b. Estimasi Persamaan (7) Dependent Variable: TPT Method: Least Squares Date: 12/19/10 Time: 09:59 Sample (adjusted): 1980 2008 Included observations: 29 after adjustments

t-Statistic

Prob. 0.0000 0.5894 0.047132 0.041775 -3.417946 -3.322788 1.572493

Tingkat Pengangguran Alamiah (NAIRU)

Variable

Coefficient

Std. Error

t-Statistic

C(1) GR

5.000081 -0.104063

0.571455 8.749733 0.115249 -0.902936

R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood

0.029311 -0.006640 3.076644 255.5749 -72.70440

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Prob. 0.0000 0.3745 5.011371 3.066479 5.152028 5.246324 0.080002

First Difference

C. Stasioner residual dari Model First Difference Null Hypothesis: RESID_FD has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-4.084581 -4.339330 -3.587527 -3.229230

0.0176

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

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.001601 0.001673

d. Model Gap Dependent Variable: GR Method: Least Squares Date: 12/19/10 Time: 10:18 Sample (adjusted): 1980 2008 Included observations: 29 after adjustments Variable

Coefficient

Std. Error

C(1) TPT-5.000081

-0.105316 -0.281666

0.939941 -0.112045 0.311945 -0.902936

R-squared 0.029311 Adjusted R-squared -0.006640 S.E. of regression 5.061701 Sum squared resid 691.7621 Log likelihood -87.14244

t-Statistic

Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion Durbin-Watson stat

Prob. 0.9116 0.3745 -0.108496 5.044978 6.147754 6.242051 0.622148

E. Stasioneritas Residual dari model gap Null Hypothesis: RESID_GAP has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-2.337326 -4.323979 -3.580623 -3.225334

0.4018

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

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

12.72943 15.13503

F. Hasil Pengujian Phillips Perron beberapa variabel Null Hypothesis: D(GR) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-4.473938 -4.323979 -3.580623 -3.225334

0.0071

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

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

15.00279 11.59293

Null Hypothesis: LPDB_R has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-1.776133 -4.309824 -3.574244

0.6901

-3.221728

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.001469 0.001884

Null Hypothesis: D(LPDB_R) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-4.031416 -4.323979 -3.580623

0.0192

-3.225334

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.001564 0.001633

Null Hypothesis: LPDB_P has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-1.632321 -4.309824 -3.574244

0.7548

-3.221728

*MacKinnon (1996) one-sided p-values. 4.11E05 0.00015 4

Residual variance (no correction) HAC corrected variance (Bartlett kernel)

Null Hypothesis: D(LPDB_P) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-1.473340 -4.323979 -3.580623

0.8147

-3.225334

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

5.43E-06 1.89E-05

Null Hypothesis: LGAP has a unit root Exogenous: Constant, Linear Trend Bandwidth: 1 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-2.305618 -4.309824 -3.574244

0.4180

-3.221728

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.001174 0.001416

Null Hypothesis: D(LGAP) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 4 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-4.429526 -4.323979 -3.580623

0.0079

-3.225334

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.001393 0.001090

Null Hypothesis: TPT has a unit root Exogenous: Constant, Linear Trend Bandwidth: 2 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-1.625069 -4.309824 -3.574244

0.7578

-3.221728

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.551633 0.703296

Null Hypothesis: LTPT has a unit root Exogenous: Constant, Linear Trend Bandwidth: 0 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-2.030619 -4.309824 -3.574244

0.5609

-3.221728

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.025954 0.025954

Null Hypothesis: D(TPT) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 2 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-4.637640 -4.323979 -3.580623

0.0048

-3.225334

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.592232 0.654534

Null Hypothesis: D(LTPT) has a unit root Exogenous: Constant, Linear Trend Bandwidth: 0 (Newey-West using Bartlett kernel)

Phillips-Perron test statistic Test critical values: 1% level 5% level 10% level

Adj. t-Stat

Prob.*

-6.056746 -4.323979 -3.580623

0.0002

-3.225334

*MacKinnon (1996) one-sided p-values. Residual variance (no correction) HAC corrected variance (Bartlett kernel)

0.025837 0.025837

G. Normalitas Test for normality of PDB_Riil: Doornik-Hansen test = 2.22732, with p-value 0.328355 Shapiro-Wilk W = 0.947618, with p-value 0.145919 Lilliefors test = 0.10898, with p-value ~= 0.47 Jarque-Bera test = 1.56708, with p-value 0.456787 Test for normality of TPT: Doornik-Hansen test = 14.2026, with p-value 0.000824046 Shapiro-Wilk W = 0.853016, with p-value 0.000717537 Lilliefors test = 0.221223, with p-value ~= 0 Jarque-Bera test = 3.59812, with p-value 0.165454