Aplikasi VAR: Currency Crisis Effect on the Stock Market- A Case Study in Indonesia

Studi ini menganalisa hubungan sebab akibat rupiah exchange rate dengan stock price market index di Indonesia selama Februari 1996 sampai dengan Juli 2000 dengan menggunakan Vector Autoregression (VAR). Data harian di bagi dalam tiga sub-period: pre-crisis, peak-crisis dan post- crisis. Studi ini menunjukan bahwa ada pengaruh yang kuat rupiah exchange rate terhadap stock price index dalam kurun waktu post crisis serta adanya tendensi pengaruh yang kuat pada stock price index terhadap rupiah exchange rate dalam kurun waktu pre-crisis. Untuk periode peak crisis ternyata antara rupiah exchange rate dengan stock price index mempunyai hubungan kausalitas yang lemah.
Lebih mendalam lagi studi ini juga menganalisis stock indices (Agulculture, Mining, Manufacturing dst) terhadap rupiah exchange rate ataupun sebaliknya.
Download file lengkap dlm English version Currency and Stock Market.




-->

PANEL UNIT ROOT TEST

Dalam dekade terakhir ini, persoalan pengujian untuk unit root test untuk heterogenous panels telah menarik perhatian yang besar. Secara prinsip pengunaan panel data unit root test adalah dimaksudkan untuk meningkatkan power of the test dengan meningkatkan jumlah sample. Peningkatan jumlah sample yang besar dapat dilakukan dengan meningkatkan jumlah crosssectional data maupun jumlah time-series data. Persoalan yang muncul dalam panel data adalah persoalan perubahan struktur bila menggunakan data yang panjang atau terjadi heterogeneity bila menggunakan data crosssectional. Contoh yang terkenal untuk pengujian unit root namun untuk homogenous panel adalah Summer dan Heston (1991) dengan menggunakan panel data set mencakup berbagai industri yang berbeda, region, berbagai negara dengan jangka waktu yang panjang.

Pengujian unit root telah dikembangkan oleh Quah (1992,1994), Levin dan Lin (1993), untuk homogenous panels. Pengujian unit root tersebut, tidak dapat mengakomodasi heterogenitas antar kelompok, seperti pengaruh unik individu (individual special effects) dan pola yang berbeda dari residual serial correlations. Statistik Uji yang kemukakan oleh Quah, Levin dan Lin ini lebih dapat digunakan dengan untuk kondisi adanya efek spesifik individu maupun heterogeneity across groups dan memerlukan N/T -> 0 dan kedua N (cross section dimention) dan T (time series dimention) menuju tak hingga.

Pesaran dan Smith (1995), serta Pesaran, Smith dan Im (1996) menunjukan bahwa ketidakkonsistenan estimasi pada dynamic heterogenous panel model. Selanjutnya, berdasarkan paper tersebut, Im, Pesaran dan Shin (2002) memperkenalkan Unit root test dengan dynamic heterogenous panels. Pada umumnya, unit root test dengan dynamic heterogenous lebih banyak digunakan dibandingkan dengan homogenous dynamic. Im, Pesaran dan Shin (IPS) menggunakan kerangka likelihood dengan prosedur pengujian alternatif berdasarkan rata-rata unit root test statistik individu dalam setiap grup untuk panel. IPS melakukan pengujian berdasarkan rata-rata (augmented) Dickey Fuller (1979) yang mengacu kepada t − bar test. Seperti prosedure yang dilakukan oleh Levin dan Lin, unit root test yang dilakukan oleh IPS sudah mempertimbangkan karakteristik adanya korelasi serial residu dan dynamics heterogenity untuk setiap group panel. Statistik (IPS) ini menunjukan konvergensi dalam probabilitias terhadap standar normal secara sekuensial sejalan dengan T menuju tak berhingga, dan diikuti dengan N menuju tak berhingga, dimana T adalah time series dimension dan N adalah cross sectional dimension. Konvergensi diagonal antara T dan N menuju tak berhingga, sementara N T -> k, dimana k merupakan konstanta non negatif berhingga.

Dalam kasus yang khusus, dimana residual dari individual DF regression bersifat serially correlated, maka Z ∼ tbar yang merupakan modifikasi t − stat akan terdistribusi dengan standar normal pada saat N → ∞ dan T tetap, sehingga panjang T > 5 untuk regresi DF dengan intercept dan T > 6 untuk regresi DF dengan intercept dan linear time trends. Selanjutnya, pengujian tersebut juga dikembangkan untuk menguji seberapa T dan N tetap dengan menghitung rata-rata DF. Hasil simulasi menyatakan bahwa dengan ordo yang besar pada regresi ADF, maka performa sampel berhingga dari t − bar test adalah sangat memuaskan dan memberikan hasil yang lebih baik dibandingkan Levin-Lin (LL) test. Oleh karena itu, dalam paper ini akan mencoba mensimulasikan formula-formula dan prosedur dari Pesaran.

Bila Anda ingin mendapatkan paper lengkap silahkan download file pdf: Panel Unit Root.pdf dan file program Matlab.

Estimasi Model Regresi Non Linier dg Genetic Algoritma

Pada umumnya estimasi dalam Model Non Linier mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood) dengan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Metoda Algoritma tersebut tidak akan menghasilkan global minimum/ maksimum. Dalam paper ini akan menjelaskan pendekatan baru yaitu Genetic Algoritma yang lebih menjamin global Maksimal/ minimal. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap : Genetic Algoritma.pdf

dan Source Code MATLAB: front.m aicsc.m evaleach.m bit2num.m evalpopu.m nextpopu.m sbcd.m

dan source code Maximum likelihood : MLCD

Estimasi Model Regresi NonLinier dg OLS dan Max Likelihood

Paper akan melaporkan hasil ekperimen model nonlinier untuk menaksir fungsi produksi Cobb-Douglas dan CES dengan mengunakan metoda Nonlinier Least Square dan Non-Linier Maksimum Likelihood. Metoda estimasi model non linier dengan pendekatan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Dalam paper ini akan menjelaskan pendekatan tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin tulisan lengkap [Non Linier.pdf] dan [Lampiran]
Silahkan “Komentar” di bawah ini.

Estimasi Model Regresi Linier dg Ordinary Least Square dan Simulasi Monte Carlo

Estimasi dalam Model Linier pada umumnya mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood). Dalam Paper ini menjelaskan secara teoritis bagaimana metoda estimasi tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap: (1)cover.pdf; (2)daftar-isi.pdf; (3)isi.pdf

Silahkan “Komentar” di bawah ini.