UNIVERSITAS INDONESIA. Estimasi Interest Rate Pass-Through pada Mekanisme Transmisi Kebijakan Moneter Indonesia TESIS

UNIVERSITAS INDONESIA

Estimasi Interest Rate Pass-Through pada Mekanisme Transmisi Kebijakan Moneter Indonesia

TESIS

ANDREAS EDUARDO LAZUARDI 1106111823

FAKULTAS EKONOMI PROGRAM PASCASARJANA ILMU MANAJEMEN JAKARTA JULI 2013

Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

UNIVERSITAS INDONESIA

Estimasi Interest Rate Pass-Through pada Mekanisme Transmisi Kebijakan Moneter Indonesia

TESIS Diajukan sebagai salah satu syarat untuk memperoleh gelar Magister Sains Manajemen

ANDREAS EDUARDO LAZUARDI 110611823

FAKULTAS EKONOMI PROGRAM PASCASARJANA ILMU MANAJEMEN JAKARTA JULI 2013


HALAMAN PERNYATAAN ORISINALITAS

Tesis ini adalah hasil karya sendiri saya sendiri, dan semua sumber baik yang dikutip maupun dirujuk telah saya nyatakan dengan benar

Nama

: Andreas Eduardo Lazuardi

NPM

: 1106111823

Tanda Tangan

:

Tanggal

: 1 Agustus 2013

Universitas Indonesia




KATA PENGANTAR Penulis ingin memanjatkan syukur atas kekuatan dari Bapa, Putra, dan Roh Kudus dalam penulisan karya ilmiah untuk memenuhi persyaratan gelar Magister Sains Manajemen pada program Studi Ilmu Manajemen, Fakultas Ekonomi, Universitas Indonesia. Berkat-Nya hadir dalam kehidupan penulis yang disertai dengan bantuan dari pihak-pihak yang saya hormati dan cintai. Oleh dari pada itu, penulis ingin menyampaikan terima kasih kepada: 1. Bapak Dr. Buddi Wibowo, selaku mentor, partner diskusi dan dosen pembimbing yang dengan penuh kesabaran dan tanpa lelah memberikan arahan, bimbingan dan ajakan untuk menelaah berbagai ide dalam tesis ini. 2. Bapak Bambang Hermanto, Ph.D. dan Bapak Zaafri A. Husodo, Ph.D., selaku mentor, motivator, dan dosen penguji yang telah memberikan saran yang sangat berharga dalam penulisan tesis ini. 3. Seluruh tim dosen PPIM FE-UI selama penulis menjalani perkuliahan yang telah memberikan ilmu, fondasi berdirinya pikiran dan ide penulis. 4. Bpk. Undang Suwanda dan staff PPIM FE-UI yang telah mendukung penulis dalam menjalani proses perkuliahan. 5. IFS-PMU team dari United Overseas Bank Indonesia, yang memberikan kesempatan bagi penulis untuk terus berkembang baik secara wawasan maupun pengalaman dalam dunia perbankan. 6. Sari Utami, Ratna Juwita, dan Anis Maris, teman kuliah dan diskusi selama 4 semester yang sangat berharga. 7. Papa, Mama, Rico dan Lia, sebagai keluarga yang tidak tergantikan. 8. Oma, Tante Yanti, dan Liza, atas dukungan yang memungkinkan selesainya perkuliahan penulis di Jakarta. Walaupun tesis ini masih jauh dari sempurna, besar harapan penulis agar tesis ini dapat bermanfaat dalam perkembangan akademis selanjutnya.

Depok, 1 Agustus 2013

Penulis



HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI TUGAS AKHIR UNTUK KEPENTINGAN AKADEMIS

Sebagai sivitas akademik Universitas Indonesia, saya yang bertanda tangan di bawah ini: Nama NPM Program Studi Departemen Fakultas Jenis karya

: Andreas Eduardo Lazuardi : 1106111823 : Pasca Sarjana Ilmu Manajemen : Manajemen : Ekonomi : Tesis

demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada Universitas Indonesia Hak Bebas Royalti Noneksklusif (Non-exclusive RoyaltyFree Right) atas karya ilmiah saya yang berjudul :

Estimasi Interest Rate Pass-Through pada Mekanisme Transmisi Kebijakan Moneter Indonesia beserta perangkat yang ada (jika diperlukan). Dengan Hak Bebas Royalti Noneksklusif ini Universitas Indonesia berhak menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data (database), merawat, dan memublikasikan tugas akhir saya selama tetap mencantumkan nama saya sebagai penulis/pencipta dan sebagai pemilik Hak Cipta. Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di Pada tanggal

: Depok : 1 Agustus 2013

Yang menyatakan

( Andreas Eduardo Lazuardi )



ABSTRAK

Nama Program Studi Judul

: Andreas Eduardo Lazuardi : Ilmu Manajemen : Estimasi Interest Rate Pass-Through pada Mekanisme Transmisi Kebijakan Moneter Indonesia

Studi ini mengukur tingkat kesempurnaan interest rate pass-through dan kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan. Error-correction model digunakan untuk menangkap dinamika jangka pendek yaitu koefisien koreksi suku bunga perbankan ketika terjadi deviasi kesetimbangan jangka panjang antara tingkat suku bunga acuan dan suku bunga perbankan. Tingkat suku bunga Kredit Modal Kerja memiliki pass-through jangka panjang yang tidak sempurna dengan nilai koefisien 0,95; pass-through jangka pendek yang tidak sempurna dengan nilai koefisien 0,24; dan kecepatan penyesuaian terhadap perubahan tingkat suku bunga acuan sekitar 19 bulan. Hasil yang serupa juga ditemukan pada tingkat suku bunga kredit investasi dengan pass-through jangka panjang 0,85; pass-through jangka pendek 0,23; dan kecepatan penyesuaian terhadap perubahan tingkat suku bunga acuan sekitar 13 bulan. Dari sisi deposit, tingkat suku bunga deposito 1 bulan memiliki passthrough jangka panjang 0,86; pass-through jangka pendek 0,42; dan kecepatan penyesuaian terhadap perubahan tingkat suku bunga acuan sekitar 12 bulan. Kata Kunci: Interest rate pass-through, Error-correction model, tingkat suku bunga acuan, tingkat suku bunga perbankan

i Universitas Indonesia


ABSTRACT Name Study Program Title

: Andreas Eduardo Lazuardi : Management Science : Interest rate pass-through estimation of Monetary Policy Transmission in Indonesian Economy

This study attempts to measure the degree of interest rate pass-through and the speed of adjustment of commercial banking interest rates against the shift in the central bank policy rate. The study utilizes error-correction model to capture the short term dynamic, namely the coefficients indicating correction of the commercial bank interest rates whenever they drifted away from the long-term equilibrium between the commercial bank interest rates and the central bank policy rate. Working capital loan exhibited incomplete long-run pass-through with coefficient of 0.95, incomplete short-term pass-through of 0.24, and speed of adjustment approximating 19 month. Similarly, investment loan exhibited longrun pass-through coefficient of 0.85, short-term pass-through 0.23, and speed of adjustment approximating 13 month. On the deposit side, 1-month fixed deposit exhibited long-run pass-through coefficient of 0.86, short-term pass-through 0.42, and speed of adjustment approximating 12 month. Keywords: Interest rate pass-through, Error-correction model, central bank policy rate, commercial bank interest rate

ii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

Daftar Isi BAB I .................................................................................................................. 1 PENDAHULUAN .............................................................................................. 1 1.1. Latar Belakang Studi .............................................................................................1 1.1.1. Kebijakan moneter Indonesia dan mekanisme transmisi melalui saluran tingkat suku bunga ..................................................................................................2 1.2. Permasalahan Penelitian ......................................................................................7 1.3. Pertanyaan Penelitian......................................................................................... 10 1.4. Manfaat Studi .....................................................................................................10 1.5. Ruang Lingkup Studi ........................................................................................... 10 1.6 Sistematika Penulisan .......................................................................................... 11

BAB 2 ............................................................................................................... 12 KAJIAN PUSTAKA ........................................................................................ 12 2.1. Teori Mekanisme Transmisi Kebijakan Moneter .................................................. 12 2.1.1. Peran Bank dalam Mekanisme Transmisi Kebijakan Moneter ....................... 12 2.1.2. Saluran suku bunga ...................................................................................... 13 2.1.3. Interest Rate Pass-through........................................................................... 14 2.1.4. Kointegrasi...................................................................................................17 2.2. Temuan dari studi sebelumnya tentang interest rate pass-through ..................... 19

BAB 3 ............................................................................................................... 23 METODOLOGI ............................................................................................... 23 3.1. Observasi data ....................................................................................................23 3.2. Model Konseptual .............................................................................................. 24 3.3. Model Studi ........................................................................................................25 3.3.1. Uji Unit Root/stasioneritas ........................................................................... 26 3.3.2. Uji Kointegrasi ............................................................................................. 28 3.3.3. Vector error correction model ..................................................................... 28 3.4. Pengukuran interest rate pass-through ............................................................... 29 3.4.1. Tingkat interest rate pass-through jangka panjang ....................................... 29 3.4.2. Tingkat interest rate pass-through jangka pendek ........................................ 30 3.4.2. Kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan ...................................................................................... 30

BAB 4 ............................................................................................................... 31

iii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

ANALISA ......................................................................................................... 31 4.1. Data................................................................................................................... 31 4.1.1. Grafik time series ......................................................................................... 31 4.1.2. Statistik Deskriptif ........................................................................................ 33 4.1.3. Uji Stasioneritas ........................................................................................... 34 4.1.4. Pemilihan time lag optimal .......................................................................... 35 4.1.5. Uji kointegrasi Johansen .............................................................................. 35 4.2. Hasil estimasi error-correction model ................................................................. 38 4.2.1. Estimasi indikator interest rate pass-through jangka panjang ....................... 38 4.2.2. Estimasi indikator interest rate pass-through jangka pendek ........................ 39 4.2.3. Estimasi indikator kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan ..................................................... 40 4.3. Estimasi Mean Adjusted Lag dengan asumsi Pass-through jangka panjang sempurna dan Pass-through jangka pendek tidak signifikan = 0................................. 43 4.4. Komparasi indikator interest rate pass-through dengan studi di ekonomi lain..... 43

BAB 5 ............................................................................................................... 45 KESIMPULAN DAN SARAN......................................................................... 45 5.1. Kesimpulan......................................................................................................... 45 5.2. Saran .................................................................................................................. 46 5.3. Keterbatasan studi dan saran untuk studi selanjutnya ........................................ 46

Daftar Pustaka ................................................................................................. vii

iv Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

Daftar Tabel Tabel 1 Ringkasan pengukuran studi terdahulu pada interest rate pass-through .............8 Tabel 2 Hasil Uji Phillips Perron Test .............................................................................. 27 Tabel 3 Hasil Uji KPSS Test ............................................................................................. 27 Tabel 4 Critical values untuk KPSS test........................................................................... 27 Tabel 5 Confirmatory analysis ....................................................................................... 28 Tabel 6 Statistik Deskriptif variabel................................................................................ 33 Tabel 7 Hasil uji stasioneritas ........................................................................................ 34 Tabel 8 Time lag optimal ............................................................................................... 35 Tabel 9 Hipotesis tes statistik dalam uji kointegrasi Johansen ........................................ 36 Tabel 10 Kombinasi hasil trace statistic dan maximum eigenvalue................................. 36 Tabel 11 Hasil uji kointegrasi Johansen .......................................................................... 36 Tabel 12 Spesifikasi estimasi error-correction model...................................................... 38 Tabel 13 Estimasi indikator interest rate pass-through jangka panjang .......................... 39 Tabel 14 Estimasi interest rate pass-through jangka pendek .......................................... 40 Tabel 15 Estimasi koefisien error-correction term .......................................................... 41 Tabel 16 Estimasi Mean Adjusted Lag............................................................................ 42 Tabel 17 Estimasi MAL dengan asumsi tambahan .......................................................... 43 Tabel 18 Komparasi temuan studi dengan studi di ekonomi lain.................................... 44

v Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

Daftar Figur Figur 1 Mekanisme Transmisi Kebijakan Moneter............................................................3 Figur 2 Sampel Suku Bunga Dasar Kredit Mikro Perbankan ..............................................5 Figur 3 Indikator perbankan Indonesia ............................................................................6 Figur 4 Model konseptual .............................................................................................. 24 Figur 5 Observasi grafis BI Rate dan tingkat suku bunga deposito perbankan ................ 31 Figur 6 Observasi grafis BI rate dan tingkat suku bunga kredit perbankan ...................... 32

Daftar Persamaan Persamaan 1 Marginal Cost Pricing Model .................................................................... 14 Persamaan 2 Marginal Cost Pricing Model 2.................................................................. 15 Persamaan 3 Error-correction Process ........................................................................... 15 Persamaan 4 Error-correction Process dengan ARDL (p,q).............................................. 16 Persamaan 5 Mean Adjusted Lag dengan Complete Long Run Pass-through .................. 16 Persamaan 6 Mean Adjusted Lag dengan Long Run Pass-through α1 ............................ 16 Persamaan 7 Spesifikasi VAR ......................................................................................... 17 Persamaan 8 Vector error-correction model .................................................................. 18 Persamaan 9 Trace Statistic Test ................................................................................... 18 Persamaan 10 Maximum Eigenvalue Test...................................................................... 18 Persamaan 11 Model Regresi dalam Phillips-Perron test ............................................... 26

vi Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

BAB I PENDAHULUAN 1.1. Latar Belakang Studi Kebijakan moneter disusun berlandaskan pada mekanisme transmisi moneter, yaitu serangkaian mekanisme yang mentransfer kebijakan moneter regulator (bank sentral) menjadi output ekonomi oleh sektor riil, dan dengan demikian, mengarahkan ekonomi kepada arah yang diinginkan. Mekanisme transmisi kebijakan moneter bervariasi dalam hal kekuatan dan kecepatannya. Salah satu saluran dari mekanisme transmisi ini adalah saluran tingkat suku bunga, yang menjadi salah satu pilar utama dari ekonomi yang menggunakan inflation targeting sebagai kerangka kebijakan moneternya (Gigineishvili, 2011). Mekanisme transmisi kebijakan moneter melalui saluran tingkat suku bunga memiliki intuisi sebagai berikut: Bank sentral menggunakan tingkat suku bunga acuan untuk mempengaruhi tingkat suku bunga pasar (pasar uang) yang kemudian mempengaruhi keputusan bank dalam menentukan harga dari aset (kredit) dan liabilitas (deposit) mereka. Keputusan bank nantinya akan mempengaruhi keputusan dari deposan dan debitur bank dalam menentukan investasi dan pengeluaran mereka, yang menjadi output ekonomi riil. Interest rate pass-through adalah ukuran perubahan yang terjadi pada tingkat suku bunga perbankan ketika terjadi perubahan tingkat suku bunga acuan oleh bank sentral (Amarasekara, 2005; Gigineishvili, 2011). Pass-through komplit/sempurna terjadi ketika perubahan satu unit pada tingkat suku bunga acuan bank sentral, menghasilkan satu unit perubahan pada tingkat suku bunga perbankan (Amarasekara, 2005). Dengan kata lain tingkat pass-through yang lebih cepat dan lebih sempurna meningkatkan efektifitas dari mekanisme transmisi kebijakan moneter melalui saluran tingkat suku bunga (Mojon, 2000). Namun pada umumnya, ukuran interest rate pass-through ini tidak sempurna dan sangat bervariasi untuk tiap ekonomi (Gigineishvili, 2011). Cottarelli dan Kourelis (1994) mendefinisikan kondisi pass-through yang tidak sempurna ini sebagai interest rate stickiness, dimana perubahan tingkat suku bunga pasar uang, 1 Universitas Indonesia


2

tingkat suku bunga bank berubah lebih kecil, baik dalam jangka pendek dan panjang. 1.1.1. Kebijakan moneter Indonesia dan mekanisme transmisi melalui saluran tingkat suku bunga Bank sentral negara Indonesia (Bank Indonesia – BI) memiliki peran moneter dalam bentuk kestabilan nilai mata uang negara Indonesia (UU No. 3 tahun 2004 pasal 7 tentang Bank Indonesia). Pada tahun 2005 BI mengadopsi Inflation Targeting Framework (ITF) untuk mencapai target kestabilan moneter di Indonesia. Inflasi mengancam kestabilan ekonomi melalui (tidak terbatas pada) menurunnya nilai simpanan publik (Suku bunga nominal dikurangi inflasi untuk mendapatkan suku bunga riil), disinsentif untuk melakukan investasi, capital flight (menuju aset asing, atau aset-aset tidak produktif seperti emas atau properti), menekan pertumbuhan (rendahnya stabilitas harga membuat proses budgeting dan perencanaan relatif sulit), dan pada tingkat yang akut dapat menciptakan gejolak sosial dan politik (Debelle et. al., 1998). Penerapan ITF oleh BI dilakukan secara mengumumkan secara eksplisit

forward-looking, setelah BI

sasaran inflasi kepada publik. Instrumen

operasional yang digunakan oleh BI adalah BI rate, yang dievaluasi secara berkala terhadap pencapaian sasaran inflasi yang telah diumukan pada periode tersebut. BI rate diharapkan memberikan pengaruh terhadap suku bunga pasar uang, suku bunga deposito perbankan dan suku bunga kredit melalui mekanisme transmisi kebijakan moneter (diolah dari www.bi.go.id). Perubahan suku bunga yang searah dengan BI rate ini diharapkan akan menjadi jangkar inflasi karena suku bunga pasar adalah suku bunga yang secara riil dihadapi oleh para pelaku ekonomi. Secara paralel diharapkan juga mekanisme ini akan memicu output dari perekonomian. Dengan sifatnya yang forward-looking, ITF diharapkan dapat menyatukan ekspektasi publik terhadap inflasi, sehingga pada setiap akhir periodenya deviasi dari target inflasi (diharapkan relatif kecil) dapat membangun kredibilitas bank sentral dan membuat ITF periode berikutnya

2 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

3

semakin akurat, sehingga mencapai kestabilan inflasi yang lebih lanjut menciptakan dasar kestabilan bagi petumbuhan ekonomi. Secara teoritis BI rate (instrumen operasional kebijakan moneter) dapat melalui beberapa jenis channel untuk mencapai tujuannya, yaitu nilai inflasi. Figur 1 merupakan skema dari mekanisme transmisi kebijakan moneter. Figur 1 Mekanisme Transmisi Kebijakan Moneter BI Rate

Suku Bunga

Konsumsi Investasi

GDP

Volume Kredit

Harga Aset Inflasi Nilai Tukar

Ekspor

Ekspektasi Feedback

Sumber: www.bi.go.id “BI Rate adalah suku bunga kebijakan yang mencerminkan sikap atau stance kebijakan moneter yang ditetapkan oleh bank Indonesia dan diumumkan kepada publik. BI Rate diumumkan oleh Dewan Gubernur Bank Indonesia setiap Rapat Dewan Gubernur bulanan. Pada channel suku bunga, perubahan BI Rate mempengaruhi suku bunga deposito dan kredit perbankan. Apabila perekonomian sedang mengalami kelesuan, Bank Indonesia dapat menggunakan kebijakan moneter yang ekspansif melalui penurunan suku bunga untuk mendorong aktifitas ekonomi.

Penurunan suku

bunga BI Rate menurunkan suku bunga kredit sehingga permintaan akan kredit dari perusahaan dan rumah tangga akan meningkat. Penurunan suku bunga kredit juga akan menurunkan biaya modal perusahaan untuk melakukan investasi. Ini semua akan meningkatkan aktifitas konsumsi dan investasi sehingga aktifitas 3 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

4

perekonomian semakin bergairah. Sebaliknya, apabila tekanan inflasi mengalami kenaikan, Bank Indonesia merespon dengan menaikkan suku bunga BI Rate untuk mengerem aktifitas perekonomian yang terlalu cepat sehingga mengurangi tekanan inflasi.” www.bi.go.id Perubahan BI Rate akan merubah tingkat suku bunga fasilitas simpanan dan pinjaman bank sentral (yang ditetapkan secara spesifik, sekian persen di atas BI rate untuk fasilitias pinjaman, dan sekian persen di bawah BI rate untuk fasilitas simpanan), yang dipersepsikan oleh Bank sebagai opportunity cost of fund. Tingkat suku bunga fasilitas Bank sentral ini akan mempengaruhi pasar uang antar bank Jakarta Interbank Offered Rate yang kemudian dipersepsikan oleh bank sebagai tingkat cost of fund, dan mempengaruhi tingkat harga dari kredit dan deposito perbankan. Pokok bahasan dari studi ini adalah saluran tingkat suku bunga dari mekanisme transmisi moneter. Sektor perbankan sebagai badan intermediasi utama memegang peranan penting dalam interest rate channel. Mekanisme ini dimulai dari perubahan pada tingkat suku bunga jangka pendek yang diteruskan kepada tingkat suku bunga jangka menengah dan jangka panjang melalui mekanisme penyeimbangan supply dan demand dalam pasar keuangan. Jika dihubungkan dengan teori ekspektasi dimana tingkat suku bunga jangka panjang adalah ratarata dari ekspektasi tingkat suku bunga jangka pendek di masa depan, maka tingkat suku bunga jangka pendek yang rendah (tinggi) akan menurunkan (meningkatkan) pula tingkat suku bunga jangka panjang (Goeltom, 2008). Terlepas dari tingginya profitabilitas dan banyaknya jumlah bank di Indonesia, suku bunga (kredit) yang diterima oleh publik di Indonesia relatif tinggi. UU Perbankan no.7 1992 (diperbaharui dengan UU no.10 1998) menyatakan peran perbankan untuk menjalankan fungsi intermediasi secara efektif dan efisien, yang belum dapat dicapai (figur 2. Sampel Suku bunga mikro perbankan Indonesia) mengacu pada tingginya suku bunga kredit perbankan. BI mengindikasikan kesalahan pada struktur pendanaan perbankan yang didominasi oleh beberapa bank besar sehingga menciptakan pola oligopolis. Struktur ini menciptakan kekakuan suku bunga deposit yang secara langsung ditransfer menjadi kekakuan 4 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

5

suku bunga kredit karena merupakan sumber pendanaan utama dari penyaluran kredit (Banker’s Dinner Bank Indonesia, 2012). Figur 2 Sampel Suku Bunga Dasar Kredit Mikro Perbankan

Suku Bunga Dasar Kredit Mikro 27%

26% Axis Title

25% 24% 23% 22% 21% 20% Suku Bunga Dasar Kredit Mikro

Bank Mandiri

BTPN

BRI

Danamon

BNI

26%

26%

25%

24%

22%

Sumber: Bisnis Indonesia, 2012 Dengan temuan yang serupa beberapa studi internasional juga menambahkan indikasi mengenai kekakuan suku bunga perbankan relatif terhadap pergerakan BI rate sebagai suku bunga referensi. Indonesia ditemukan memiliki stabilitas ekonomi tertinggi dalam dua puluh kuartal terakhir (4Q2012) di dunia, yang dicapai melalui langkah kombinasi kebijakan moneter dan makro prudensial yang efektif, mitigasi risiko kredit dan mencegah arus keluar capital tanpa meningkatkan suku bunga. Di samping itu, kondisi ekonomi yang stabil membuat BI sebagai satu-satunya bank sentral di Asia yang menurunkan suku bunganya sejak Oktober 2011, atau dengan kata lain mengambil posisi ekspansi di tengah gejolak ketidak pastian di tengah perekonomian dunia. Hal ini memberikan kontribusi signifikan untuk menjaga pertumbuhan ekonominya (the Economist, 2012). Studi lain menunjukkan bahwa tingginya likuiditas, profitabilitas, dan solvensi perbankan di Indonesia dibandingkan dengan perbankan di negara ASEAN lainnya tidak membuat sektor perbankan Indonesia lebih produktif dan penetratif 5 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

6

terhadap pasar domestik. Rasio Kecukupan Modal perbankan Indonesia secara rata-rata berada pada tingkat 20%, 2.5 kali lebih tinggi dari level minimum yang disarankan oleh Basel II framework, yang mengindikasikan kekuatan modal yang sangat tinggi dan ruang yang cukup leluasa untuk mengembangkan portofolio kredit secara prudent. Namun kenyataan justru mengindikasikan bahwa pelaku bisnis, terutama pada segmen Small and Medium Enterprises menghadapai kesulitan signifikan dalam mendapatkan akses kepada kredit perbankan. Sebagai komparasi, hanya 12% bisnis di Indonesia yang memiliki akses kredit perbankan dibandingkan dengan 80% di Thailand (McKinsey Global Institute, 2012. Disadur dari Rosengard dan Prasetyantoko, 2011; World Bank, 2009). Inklusi finansial merupakan salah satu tantangan perbankan. Data BI menunjukkan rasio kredit perbankan terhadap GDP masih berada pada tingkat 31% (Banker’s Dinner 2012). Walaupun terlihat relatif lebih lambat, namun penetrasi perbankan meningkat dan suku bunga perbankan menurun seiring waktu, yang mengindikasikan bahwa sesungguhnya BI rate memiliki dampak yang walaupun terhambat oleh banyak friksi dan/atau mungkin telah mencapai kesetimbangan

sehingga

diperlukan

model

kebijakan

lain

yang

dapat

mempersempit gap antara suku bunga referensi dengan suku bunga perbankan yang ditawarkan ke publik (figur 3 – baris LDR sebagai indikator proses intermediasi; baris Suku bunga sebagai indikator pergerakan suku bunga). Figur 3 Indikator perbankan Indonesia Okt-

Indikator (%)

2005 2006 2007 2008 2009 2010

LDR

61,7

61,6

66,3

74,6

72,9

75,5

81,4

Suku Bunga Deposito 1 Bulan

12,0

9,0

7,2

10,7

6,8

6,6

6,8

Suku Bunga Kredit Rupiah

16,3

15,8

13,9

14,8

13,9

12,7

12,4

Kredit Modal Kerja

16,2

15,1

13,0

14,6

13,3

12,4

12,1

Kredit Investasi

15,7

15,1

13,0

14,0

12,6

11,9

11,7

Kredit Konsumsi

16,8

17,6

16,1

15,8

15,8

13,8

13,4

11

Sumber: Bankers’ Dinner, 2011


7

Studi ini akan berfokus pada perilaku dari interest rate channel (suku bunga simpanan dan kredit) yang cenderung kaku terhadap perubahan suku bunga referensi. Tidak dapat dipungkiri bahwa suku bunga yang ditawarkan oleh perbankan dipengaruhi oleh BI rate sebagai referensi, namun proses transmisi suku bunga ini diduga tidak bebas dari friksi. 1.2. Permasalahan Penelitian Berangkat dari observasi di bagian pembuka, permasalahan empiris yang dihadapi adalah tingkat efektifitas BI rate sebagai instrumen operasional kebijakan moneter Bank Indonesia dalam mempengaruhi tingkat suku bunga perbankan. Dalam wawancara dengan Deputi Gubernur Bank Indonesia Perry Warjiyo, selisih antara tingkat suku bunga kredit dan deposit dengan tingkat suku bunga acuan BI rate merupakan salah satu area yang menjadi sasaran jangka panjang dari Bank Indonesia (Bisnis Indonesia, 31 Mei 2013). BI Rate

Jenis Kredit

BI Rate 6,5%*

BI Rate 6%**

Modal Kerja

12,36%

12,14%

11,49%

Investasi

12,02%

11,73%

11,29%

Konsumsi

14,21%

14,14%

Tenor Deposito

BI Rate 6,5%*

BI Rate 6%**

13,4% BI Rate

1 Bulan

6,75%

6,26%

5,49%

3 Bulan

7,11%

6,68%

5,89%

6 Bulan

7,42%

7,15%

6,07%

12 Bulan

7,03%

6,96%

6,03%

24 Bulan

6,61%

6,3%

5,36%

5,75%***

5,75%***

* Oktober 2011 **Januari 2012 ***Januari 2013 Sumber: Bank Indonesia


8

Dari observasi di atas secara sekilas dapat disimpulkan bahwa perubahan tingkat suku bunga acuan BI rate memiliki tenggang waktu yang cukup signifikan untuk berdampak pada tingkat suku bunga kredit yang disalurkan oleh perbankan kepada publik. Seperti yang diharapkan oleh Bank Indonesia, tingkat suku bunga acuan memberikan pengaruh secara efektif terhadap tingkat suku bunga perbankan. Semakin cepat dan sempurna interest rate pass-through antara tingkat suku bunga acuan dan tingkat suku bunga perbankan semakin efektif kebijakan moneter yang diterapkan oleh bank sentral (Mojon, 2000). Studi ini akan mencoba mengukur kedua komponen dari interest rate pass-through untuk mengukur tingkat efektifitas dari BI rate sebagai instrumen operasional kebijakan moneter melalui saluran tingkat suku bunga; Kecepatan penyesuaian suku bunga perbankan mengikuti perubahan suku bunga referensi dalam bentuk sebuah kesetimbangan antara suku bunga perbankan dan suku bunga acuan; dan estimasi koefisien passthrough antara tingkat suku bunga acuan dan tingkat suku bunga perbankan. Boamah et.al., (2011) meringkas beberapa penelitian terdahulu yang melakukan estimasi pada indikator interest rate pass-through. Tabel 1 Ringkasan pengukuran studi terdahulu pada interest rate passthrough


9

Euro Interest Rate pass-through

Jangka Pendek

Amerika Serikat

Jangka Panjang

Jangka Pendek

Cottarelli dan Kourelis (1994)

Kredit Jangka Pendek 0.75 0.90 0.41

Mojon (2000)

0.61

1.00

Donnay dan Degryse (2001)

0.58

0.74

Toolsema et.al. (2001)

0.70

0.80

Heinemann dan Schuller (2002)

0.75

1.00

Angeloni dan Ehrmann (2003)

0.53

1.00

De Bondt (2005)

0.19

0.88

Jangka Panjang

Jangka Pendek

Jangka Panjang

0.97

0.78

0.93

0.52

0.80

Moazzami (1999)

0.42

1.07

Kwapil dan Scharler (2006)

0.79

0.57

Kaufmann dan Scharler (2006)

0.92

1.00

Mojon (2000)

Kredit Jangka Panjang 0.37 1.00

Donnay dan Degryse (2001)

0.54

0.67

Angeloni dan Ehrmann (2003)

0.74

1.30

Kwapil dan Scharler (2006)

0.79

0.57

Kaufmann dan Scharler (2006)

0.92

1.00

De Bondt (2005)

0.55

0.80

Kanada

Toolsema et.al. (2001)

Moazzami (1999)

0.34

1.05

0.66

Seperti terlihat pada tabel di atas, pada umumnya pass-through jangka pendek akan tidak sempurna, namun akan mendekati 1:1 pass-through pada jangka panjang. Studi terpisah untuk kondisi ekonomi Indonesia diperlukan karena menurut Cottarelli dan Kourelis (1994), struktur finansial dari tiap ekonomi yang berbeda dapat mempengaruhi tingkat interest rate pass through (dalam bentuk interest rate stickiness) melalui: Biaya penyesuaian yang dihadapi perbankan dan elastisitas permintaan kredit, ketidak pastian akan tingkat suku bunga pasar uang, sasaran non-profit (misal: Bank persero yang dimiliki pemerintah memiliki sasaran non-profit) dan struktur kompetisi perbankan (misal: oligopoli). Lebih lanjut temuan empiris dari Gigineishvili (2011) menyimpulkan bahwa beberapa faktor determinan antara lain: GDP per kapita, tingkat inflasi, suku bunga, kualitas kredit, biaya overhead, dan struktur kompetisi memfasilitasi interest rate passthrough perbankan, dan sebaliknya bagi volatilitas pasar dan ekses likuiditas. Gigineishvili melanjutkan, ekonomi dengan tingkat interest rate pass through 9 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

0.95

10

yang lemah dan tidak dapat ditingkatkan, kerangka inflation targeting yang membutuhkan interest rate pass-through yang efektif, mungkin tidak terlalu optimal, dan menyarankan penggunaan kerangka kebijakan moneter lainnya. 1.3. Pertanyaan Penelitian Pertanyaan penelitian dari studi ini sebagai berikut: 1. Bagaimana tingkat kesempurnaan interest rate pass-through antara tingkat suku bunga acuan dan tingkat suku bunga deposit dan kredit perbankan? 2. Bagaimana tingkat kecepatan penyesuaian tingkat suku bunga deposit dan kredit perbankan terhadap perubahan instrumen moneter BI Rate? 1.4. Manfaat Studi Diharapkan studi ini dapat memberikan kontribusi dalam bentuk: 1. Menjadi dasar dari formulasi kebijakan moneter yang lebih andal dari sisi ketepatan waktu implementasi dan ukuran kekuatan pass-through dari tingkat suku bunga kebijakan BI Rate. 2. Memberikan kontribusi akademis dengan meneliti perilaku interest rate channel pada negara berkembang dengan Inflation Targeting Lite – menerapkan ITF tanpa komitmen penuh terhadap target inflasinya dan menggunakan beberapa target lain seperti target nilai tukar mata uang untuk mencapai stabilitas (IMF, 2003). Hal yang secara signifikan menjadi perbedaan antara ITL dengan Full-fledged Inflation Targeting pada umumnya adalah kredibilitas Bank sentral. 1.5. Ruang Lingkup Studi Studi ini menggunakan data Statistik Ekonomi Keuangan Indonesia (SEKI) dari tahun 2004-2013. SEKI melakukan agregasi pada tingkat suku bunga perbankan yang ditawarkan kepada publik dengan metode rata-rata tertimbang terhadap volum deposit/kredit. Sumber data SEKI berasal dari Laporan Bank Umum (LBU) dengan periode bulanan. Dengan demikian, data yang digunakan untuk studi ini adalah data pengumuman BI Rate bulanan (hasil rapat Direktur Gubernur Indonesia) dan suku bunga bank umum rupiah bulanan.


11

1.6 Sistematika Penulisan Bab 1: Pendahuluan Bagian ini akan memberikan fokus pada observasi ekonomi dan strukur perbankan, baik dari sisi BI sebagai bank sentral dan bank umum secara agregat (terangkum dalam Latar Belakang Studi), dugaan umum yang diturunkan dari observasi dan akan diuji oleh studi (Latar Belakang Studi, Permasalahan Penelitian), Manfaat Studi, Ruang Lingkup Studi, dan Sistematika Penulisan. Bab 2: Kajian Literatur Bagian ini memberikan fokus pada definisi dari Bank Indonesia yang berkaitan dengan mekanisme transmisi dari kebijakan moneter interest rate channel (BI Rate  Suku bunga perbankan) dan studi-studi sebelumnya yang akan menjadi dasar teori dari seluruh studi ini. Bab 3: Metodologi Bagian ini memberikan fokus pada pemilihan metode yang digunakan oleh studi, pendekatan dan/atau asumsi yang digunakan. Bab 4: Analisa Bagian ini akan memberikan fokus pada analisa dan interpretasi hasil studi yang didapat, dan jawaban atas pertanyaan penelitian. Bab 5: Kesimpulan dan Saran Bagian ini menutup studi dengan kesimpulan dari keseluruhan studi disertai dengan saran dan implikasi kepada pihak yang dapat menggunakaan manfaat studi, dan saran untuk studi selanjutnya.


BAB 2 KAJIAN PUSTAKA 2.1. Teori Mekanisme Transmisi Kebijakan Moneter Pengaruh kebijakan moneter terhadap ekonomi telah diterima oleh kebanyakan ekonomis, suatu kenyataan yang disetujui secara konvergen. Ketika pertama kali diobservasi oleh Friedman dan Schwartz (1963), kebijakan moneter pada umumnya dapat memberikan pengaruh kepada output riil ekonomi. Periode antara diterapnya kebijakan moneter menjadi pergerakan dalam output riil tidak terjadi seketika, dimana hal ini mengindikasikan bahwa ada tahap dan saluran tertentu yang terpengaruh oleh kebijakan moneter, yang lebih lanjut meneruskan pengaruh ini kepada output ekonomi riil. Pengaruh tidak langsung dari transmisi kebijakan moneter kepada output ekonomi riil secara keseluruhan dapat terjadi melalui metode yang bervariasi. Mekanisme transmisi kebijakan moneter adalah istilah untuk menggambarkan kombinasi dari berbagai saluran dari kebijakan moneter untuk mempengaruhi output riil dan harga dari ekonomi, dalam jangka waktu yang seringkali panjang, bervariasi, dan tidak mudah diprediksi (European Central Bank – ECB, 2000). Jika ditelusuri lebih dalam dan digeneralisasi, pandangan konvensional ini dapat dibagi menjadi dua bagian besar. Pada tahapan pertama, kebijakan moneter mempengaruhi kondisi pasar finansial dalam bentuk tingkat suku bunga pasar, harga aset, nilai tukar dan likuiditas secara umum, dan kondisi perkreditan dalam ekonomi, Pada tahapan kedua kondisi pada pasar finansial ini mempengaruhi keputusan tingkat pengeluaran oleh rumah tangga dan pelaku ekonomi, yang pada akhirnya mempengaruhi keputusan tingkat produksi (output) dan penetapan harga (ECB, 2000) 2.1.1. Peran Bank dalam Mekanisme Transmisi Kebijakan Moneter Peran bank dalam mekanisme transmisi kebijakan moneter sangat bergantung pada struktur finansial dari regional yang bersangkutan. Pada umumnya bank berperan sebagai pengumpul dana pihak ketiga dan sebagai penyalur pembiayaan kepada rumah tangga dan perusahaan (ECB, 2008). Sebaliknya, pada negara 12 Universitas Indonesia


13

seperti Amerika Serikat pasar finansial yang sangat mature dapat melemahkan peran bank, karena pasar modal mempertemukan dana investor langsung kepada rumah tangga dan perusahaan melalui mekanisme supply dan demand. Melalui kegiatan intermediasi perbankan ini perilaku perbankan dalam melakukan pricing decision berperan dalam membentuk peta mekanisme transmisi kebijakan moneter. Beberapa pandangan atas saluran-saluran tranmisi kebijakan moneter yang berhubungan dengan bank dan tingkat suku bunga bank akan dibahas berikut ini. 2.1.2. Saluran suku bunga Mishkin (2004) menuliskan pandangan tradisional Interest-rate channel sebagai: M(ekspansi)  tingkat suku bunga riil ↓  Investasi ↑  Output ↑ dimana kebijakan moneter ekspansi menekan tingkat suku bunga riil, menurunkan cost of capital, meningkatkan tingkat investasi, kenaikan tingkat investasi meningkatkan demand agregat dan menjadi peningkatan output. Salah satu asumsi dasar dari skema ini adalah fenomena sticky prices, dimana tingkat harga agregat berubah secara bertahap dalam jangka waktu yang relatif lebih panjang. Perubahan pada tingkat suku bunga nominal yang tidak seimbang dengan perubahan tingkat harga agregat, mengubah tingkat suku bunga riil. Kekakuan tingkat harga agregat ini merupakan asumsi penting untuk mengubah keputusan investasi yang disebabkan oleh berubahnya cost of capital. Serupa, Bernanke dan Gertler (1995) menuliskan bahwa, secara konvensional, regulator

kebijakan

moneter

menggunakan

kebijakan

moneter

untuk

menggerakkan tingkat suku bunga jangka pendek untuk mempengaruhi cost of capital, dimana hal ini selanjutnya hal ini mempengaruhi tingkat pembelian terhadap barang tahan lama (durable goods), seperti investasi aset tetap, properti, persediaan, barang tahan lama konsumsi. Selanjutnya, perubahan tingkat konsumsi ini mempengaruhi tingkat produksi. ECB memberikan pandangan serupa dengan menambahkan beberapa faktor lain yang dapat berdampak pada efektivitas channel ini. Pada interest-rate channel, perubahan tingkat suku bunga acuan (yang ditetapkan oleh regulator, umumnya 13 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

14

bank sentral) mempengaruhi tingkat suku bunga secara umum yang kemudian mempengaruhi keputusan tingkat pengeluaran oleh (konsumsi dan investasi) oleh rumah tangga dan perusahaan, dan pada akhirnya berdampak pada aktivitas ekonomi dan inflasi. Bergantung kepada rasio kredit dan deposit bank terhadap total aset finansial di regional yang bersangkutan, efektifitas dari channel ini dapat bervariasi. Selain dari itu, kecepatan penyesuaian tingkat suku bunga (pricing) bank ketika terjadi perubahan tingkat suku bunga acuan juga menjadi faktor penentu dampak dari mekanisme ini. Faktor-faktor lain yang berperan antara lain: kondisi kompetisi perbankan, perkembangan pasar finansial, kondisi neraca perbankan dan debiturnya (ECB, 2008). 2.1.3. Interest Rate Pass-through Untuk mengukur efektifitas dari saluran suku bunga dalam mekanisme transmisi kebijakan moneter, interest rate pass-through digunakan sebagai indikator. Dimana semakin cepat dan sempurna interest rate pass-through antara tingkat suku bunga acuan dan tingkat suku bunga perbankan semakin efektif kebijakan moneter yang diterapkan oleh bank sentral (Mojon, 2000). Interest rate pass-through adalah ukuran perubahan yang terjadi pada tingkat suku bunga perbankan ketika terjadi perubahan tingkat suku bunga acuan oleh bank sentral (Amarasekara, 2005; Gigineishvili, 2011). Pass-through komplit/sempurna terjadi ketika perubahan satu unit pada tingkat suku bunga acuan bank sentral, menghasilkan satu unit perubahan pada tingkat suku bunga perbankan (Amarasekara, 2005). Sebaliknya pass-through yang tidak sempurna terjadi ketika besaran perubahan suku bunga perbankan lebih rendah daripada perubahan suku bunga acuan. Secara empiris, perubahan ini dapat diobservasi melalui perubahan harga atas aset (kredit) dan liabilitas (deposit) yang ditawarkan oleh perbankan. Dengan

asumsi

kompetisi

dan

informasi

sempurna,

Rousseas

(1985)

mendefinisikan perilaku penetapan harga (suku bunga) oleh bank dalam marginal cost pricing model sebagai: Persamaan 1 Marginal Cost Pricing Model Bank Rate = γ + α1 Market Rate + e


15

dimana Bank Rate adalah suku bunga perbankan, γ adalah nilai margin perbankan yang diasumsikan konstan, dan Market Rate adalah marginal cost price yang direpresentasikan oleh tingkat suku bunga pasar. Dalam mekanisme transmisi kebijakan moneter melalui saluran tingkat suku bunga, diharapkan tingkat suku bunga acuan dapat mempengaruhi secara langsung marginal cost price yang dihadapi oleh bank, sehingga dapat langsung mempengaruhi tingkat suku bunga perbankan. Persamaan ini adalah kondisi kesetimbangan jangka panjang antara tingkat suku bunga acuan dan tingkat suku bunga perbankan. α1 adalah tingkat long run pass-through, dimana pass-through dikatakan sempurna apabila α1 tidak berbeda dari 1 (Liu et.al., 2008). Beberapa hal yang mungkin menyebabkan α1 < 1 adalah ketika demand akan produk perbankan tidak elastis sempurna atau bank memiliki market power pada tingkat tertentu (Bondt, 2002). Dengan menyusun kembali persamaan model marginal cost pricing maka didapatkan: Persamaan 2 Marginal Cost Pricing Model 2 e = Bank Rate – γ – α1 Market Rate Yang merupakan dari komponen error correction process untuk membedah dinamika jangka pendek antara tingkat suku bunga acuan dan suku bunga perbankan (Scholnick, 1996): Persamaan 3 Error-correction Process ΔBank Ratet = γ0 + α0 ΔPolicy Ratet + α2 εt-1 + et ΔBank Ratet = γ0 + α0 ΔPolicy Ratet + α2 (Bank Ratet-1 – γ1 – α1 Market Ratet-1) + et Untuk memperhitungkan lag yang lebih panjang, Liu et.al. (2008) menggunakan error-correction process dengan model Auto Regressive Distributed Lag ARDL(p,q) sebagai:


16

Persamaan 4 Error-correction Process dengan ARDL (p,q)

dimana Δ adalah turunan tingkat pertama, y suku bunga perbankan, dan x suku bunga acuan adalah error-correction process menuju kesetimbangan jangka panjang. 0

adalah pass-through jangka pendek koefisien error-correction term adalah kecepatan penyesuaian menuju

kesetimbangan ketika tingkat suku bunga perbankan mengalami deviasi dari kesetimbangan jangka panjangnya. Dengan asumsi bahwa tingkat suku bunga perbankan memiliki atribut mean reversion menuju kesetimbangan dengan tingkat suku bunga acuan, nilai dihipotesakan negatif. Bondt (2002) dan Zulkhibri (2012) mendefinisikan

1

sebagai estimasi pass-

through jangka panjang. Selain itu, Hendry (1995) mendefinisikan perhitungan Mean Adjusted Lag (MAL), untuk mengukur kecepatan respon dari tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan (dengan asumsi pass-through sempurna) sebagai: Persamaan 5 Mean Adjusted Lag dengan Complete Long Run Pass-through

atau untuk pass-through

1:

Persamaan 6 Mean Adjusted Lag dengan Long Run Pass-through α1


17

2.1.4. Kointegrasi Landasan asumsi dari error-correction model adalah adanya kointegrasi antara variabel-variabel dalam proses error-correction. Engle dan Granger (1987) mendefinisikan bahwa kombinasi linear antara 2 atau lebih time series data yang non-stasioner mungkin stasioner. Jika ditemukan kombinasi linear yang stasioner maka variabel-variabel time series dianggap terkointegrasi, dimana kombinasi linear ini dapat diinterpretasikan sebagai persamaan kesetimbangan jangka panjang antara variabel dalam sistem. Definisi formal dari Engle dan Granger sebagai berikut: ωt adalah vektor k x 1variabel. Maka komponen ω t terkointegrasi pada ordo (d, b) jika: seluruh komponen ωt adalah I(d) – stasioner pada ordo d; d > 0 Ada setidaknya 1 vektor koefisien , dimana ’ ωt ~ I(d-b) Hal ini dimungkinkan walaupun banyak variabel time series yang bersifat nonstasioner pada tingkat level, namun bergerak bersama seiring waktu, dikarenakan adanya

pengaruh terhadap

pergerakan variabel

time

series

ini,

yang

mengimplikasikan adanya hubungan kesetimbangan di jangka panjang (Brooks, 2008). Pengujian kointegrasi dalam studi ini menggunakan metode berbasis Vector Autoregressive (VAR) yang dikembangkan Johansen (1991). Dengan mengubah spesifikasi VAR dengan lag optimal k dan jumlah variabel g: Persamaan 7 Spesifikasi VAR

menjadi vector error-correction model (VECM):


18

Persamaan 8 Vector error-correction model

dimana

dan

Uji kointegrasi Johansen menguji matrix , yaitu matrix koefisien jangka panjang karena dalam kesetimbangan seluruh nilai Δyt-i adalah nol, dan mengubah nilai u t menjadi expected value nya, 0, akan membuat nilai

yt-k = 0 (Brooks, 2008).

Uji kointegrasi antara variabel time series dilakukan dengan memperhitungkan rank dari matrix

melalui eigenvalue nya. Rank dari matrix

adalah sama

dengan jumlah eigenvalue nya (λi) yang tidak sama dengan 0. λ disusun secara menurun dari nilai tertinggi λ1 ≥ λ2 ≥ … ≥ λg Dimana λ adalah roots yang bernilai positif dan kurang dari absolut 1, dengan λ1 memiliki nilai terbesar (mendekati 1) dan λg memiliki nilai terkecil (mendekati 0). Jika variabel time series tidak tidak akan secara signifikan tidak sama

terkointegrasi, maka rank dari matrix dengan 0, atau λ

(Brooks, 2008).

Kedua tes statistik yang digunakan dalam uji kointegrasi Johansen adalah trace statistic (λtrace) dan maximum eigenvalue (λmax). Masing masing tes dapat di ekspresikan sebagai Persamaan 9 Trace Statistic Test λ

dan Persamaan 10 Maximum Eigenvalue Test λ

)

dimana r adalah jumlah vektor kointegrasi dalam null hyphotesis dan λi adalah estimasi nilai untuk eigenvalue ke i dari matrix

. Semakin besar nilai λ i

semakin besar dan negatif nilai ln(1- λi ) dan semakin besar nilai test statistik. Tiap eigenvalue memiliki vektor kointegrasi yang berbeda, yaitu eigenvectors.


19

Eigenvalue dengan nilai yang signifikan tidak sama dengan 0 mengindikasikan adanya vektor kointegrasi yang signfikan. Trace statistic memiliki null hypothesis dimana jumlah vektor kointegrasi adalah kurang dari atau sama dengan r dan alternative hypothesis bahwa ada vektor kointegrasi lebih banyak dari r. λtrace = 0 ketika seluruh λi = 0, untuk i = 1,…,g. Maximum eigenvalue melakukan uji terpisah pada setiap eigenvalue, dengan null hypothesis jumlah vektor kointegrasi adalah sejumlah r dan alternative hypothesis jumlah vektor kointegrasi r+1. (Brooks, 2008) 2.2. Temuan dari studi sebelumnya tentang interest rate pass-through Beberapa studi sebelumnya menggunakan model error-correction untuk melakukan estimasi terhadap indikator interest rate pass-through. Kelebihan dari model ini adalah memperhitungkan dinamika jangka pendek dengan penyesuaian terhadap kesetimbangan jangka panjang (Bondt, 2002). Beberapa studi cross-country di area EURO dan negara OECD (Organization for Economic Cooperation and Development) sejak pertengahan era 1990, secara umum menemukan bahwa interest rate pass through dari tingkat suku bunga pasar uang ke tingkat suku bunga kredit perbankan kepada perusahaan tidak sempurna (dengan tenggang waktu 3 bulan), tetapi pass-through jangka panjang lebih mendekati sempurna (BIS, 1994; Cottarelli dan Kourelis, 1994; Borio dan Fritz, 1995). Studi yang lebih aktuil dari Bondt (2002) menunjukkan bahwa passthrough jangka pendek masih jauh dari sempurna dengan tingkat tertinggi pada 50%, dan pass-through jangka panjang mendekati 100%. Scholnick (1996) melakukan analisa terhadap hubungan antara tingkat suku bunga pasar uang, sebagai proxy marginal cost of funds dari bank dan tingkat suku bunga deposit dan kredit perbankan di negara Singapura dan Malaysia. Diasumsikan perubahan dari tingkat suku bunga pasar uang akan memicu respon perubahan dari tingkat suku bunga deposit dan kredit perbankan. Studi ini menemukan bahwa ada perbedaan kecepatan penyesuaian dari tingkat suku bunga deposit perbankan ketika tingkat suku bunga berada di bawah ekuilibrium dengan ketika tingkat suku bunga berada di atas ekulibrium. Dengan kata lain, temuan ini


20

mendukung bukti adanya friksi dalam interest-rate channel atau interest rate pass-through yang tidak sempurna. Bondt (2005) menguji pengaruh tingkat suku bunga pasar dengan tenor yang lebih panjang kepada tingkat suku bunga perbankan di EURO. Studi ini menyimpulkan bahwa adanya tingkat suku bunga pasar dengan tenor lebih panjang seperti obligasi pemerintah dapat mempengaruhi keputusan tingkat harga suku perbankan dan perbedaan tenor antara produk perbankan dan tingkat suku bunga pasar uang adalah salah satu alasan dari lambatnya interest rate pass-through di Eropa. Selanjutnya studi ini menduga bahwa integrasi finansial dalam bentuk European Monetary Union (EMU) yang mengubah dari pola perbankan tradisional telah mengubah lansekap dari kebijakan moneter di Eropa. Chong et.al. (2006) melakukan analisa respon dari tingkat suku bunga bank komersial ketika terjadi perubahan tingkat suku bunga pasar uang antar bank, Singapore Interbank Offered Rate (SIBOR). SIBOR dikontrol tidak langsung oleh Monetary Authority of Singapore (MAS) sebagai instrumen moneter di Singapura. Studi ini melakukan analisa terhadap pengaruh perubahan SIBOR terhadap tingkat suku bunga berbagai produk finansial, dengan tenor yang berbeda dari perbankan dan perusahaan pembiayaan. Temuan utama dari studi ini adalah kecepatan penyesuaian yang beragam antara subjek studinya, yang memperkuat bukti adanya friksi dalam interest-rate channel. Studi berbasis observasi perbankan di New Zealand oleh Liu et.al. (2008 & 2011) membahas analisa terhadap pergerakan beberapa seri data suku bunga. Liu et.al. (2008) menganalisa intensitas pass-through dan kecepatan penyesuaian tingkat suku bunga retail ketika terjadi perubahan tingkat suku bunga pasar acuan dalam periode 1994-2004. New Zealand merupakan negara anggota Organization for Economic Cooperation and Development (OECD) pertama yang mengadopsi rezim full fledged inflation targeting dengan akuntabillitas spesifik dan syarat transparansi. Temuan studi ini mengkonfirmasi adanya friksi dalam saluran suku bunga, melalui perbedaan kecepatan penyesuaian tingkat suku bunga dari berbagai produk finansial dengan tenor berbeda. Selain itu, studi ini menemukan bahwa kebijakan moneter memiliki pengaruh lebih cepat terhadap tingkat suku 20 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

21

bunga jangka pendek dan transparansi regulator meningkatkan derajat passthrough dari interest rate channel terhadap tingkat suku bunga pasar. Sedangkan pada studi oleh Liu et.al. (2011), dibahas analisa antara hubungan tingkat suku bunga kredit perbankan dan biaya dana (cost of funds) di New Zealand. Dalam konteks studi ini, diasumsikan bahwa tingkat suku bunga kredit perbankan akan berubah sebagai respon ketika terjadi perubahan tingkat suku bunga deposito dengan tenor 6 bulan. Studi ini berangkat dari permasalahan dari sektor swasta yang mengalami kesulitan pendanaan usaha karena tingkat suku bunga kredit untuk tujuan bisnis (dibandingkan dengan tingkat suku bunga mortgage). Studi ini menemukan bahwa tingginya suku bunga kredit bisnis tidak terkait dengan kondisi cost of fund. Disimpulkan bahwa tingkat pass-through berbeda antara sektor Small-medium enterprises (Usaha Kecil Menengah - UKM) dibandingkan dengan sektor rumah tangga (konsumsi), dimana sektor rumah tangga memiliki tingkat penyesuaian yang lebih cepat. Zulkhibri (2012) melakukan analisa interest rate pass-through antara tingkat suku bunga pasar uang terhadap tingkat suku bunga retail institusi finansial di Malaysia. Temuan utama dari studi ini adalah bahwa interest rate pass-through jangka pendek dan jangka panjang di Malaysia tidak sempurna, dengan kecepatan penyesuaian yang berbeda antara tiap institusi finansial dan produknya. Rocha (2012), menemukan interaksi antara tingkat suku bunga kredit, deposit, dan suku bunga antar bank di perbankan Portugal. Interaksi ini bersifat asimetris, beragam nilainya antara sektor, kredit dengan deposit, dan tenor yang berbeda. Rocha menyimpulkan bahwa kebijakan moneter di Portugal memiliki efek yang lebih kuat terhadap cost of finance dibandingkan dengan return on savings, yang diindikasikan dari tingkat pass-through jangka panjang yang lebih tinggi untuk tingkat suku bunga kredit dibandingkan tingkat suku bunga deposit. Dapat disimpulkan dari studi-studi sebelumnya bahwa hasil pengukuran interest rate pass-through dapat sangat berbeda besarannya dan kecepatannya, yang mengindikasikan perbedaan karakteristik dari kondisi finansial dari suatu ekonomi. Namun dari seluruh studi tersebut, tujuan utama dari mengukur interest rate pass-


22

through adalah sebagai basis formulasi kebijakan moneter yang lebih akurat, dimana peta yang mengindikasikan ragam dari sektor, jenis produk, jenis institusi finansial, kerangka kebijakan, suku bunga acuan dan banyak faktor lainnya merupakan hal yang vital.


BAB 3 METODOLOGI 3.1. Observasi data Data yang digunakan sebagai suku bunga acuan adalah BI Rate yang ditentukan setiap bulannnya dalam rapat Dewan Gubernur Bank Indonesia. Observasi BI Rate dimulai dari Oktober 2005 hingga Januari 2013, dengan total 88 observasi. Data BI Rate diperoleh dari pengumuman suku bunga kebijakan yang dipublikasikan melalui website BI. Studi sebelumnya oleh Scholnick (1996) dan Chong (2006) di Singapura menggunakan tingkat suku bunga pasar uang, yang dikontrol secara ketat oleh Monetary Authority of Singapore. Dengan basis ini, studi akan menggunakan BI rate sebagai tingkat suku bunga acuan yang dikontrol secara langsung oleh Bank Indonesia dan memiliki pengaruh tertentu kepada tingkat suku bunga pasar uang dan tingkat suku bunga perbankan di Indonesia. Suku bunga deposit perbankan yang digunakan adalah tingkat suku bunga simpanan berjangka rupiah yang diberikan dengan tenor 1, 3, 6, 12, dan 24 bulan. Angka suku bunga simpanan berjangka rupiah yang diberikan dibentuk dari rata-rata tertimbang menurut jumlah deposit dari suku bunga simpanan berjangka seluruh bank umum di Indonesia. Sumber data berasal dari Laporan Bank Umum (LBU) yang di konsolidasi oleh Bank Indonesia (Departemen Statistik dan Moneter) dengan periode bulanan. Untuk masing-masing tenor total observasi adalah 88, dari Oktober 2005 hingga Januari 2013. Suku bunga kredit perbankan yang digunakan adalah tingkat suku bunga pinjaman rupiah yang diberikan dengan kategori Kredit Modal Kerja, Kredit Investasi, dan Kredit Konsumsi. Angka suku bunga pinjaman rupiah yang diberikan dibentuk dari rata-rata tertimbang menurut jumlah kredit yang disalurkan dari suku bunga kredit seluruh bank umum di Indonesia. Sumber data berasal dari Laporan Bank Umum (LBU) yang di konsolidasi oleh Bank Indonesia (Departemen Statistik dan Moneter) dengan periode bulanan. Untuk masingmasing kategori total observasi adalah 88, dari Oktober 2005 hingga Januari 2013.

23 Universitas Indonesia


24

3.2. Model Konseptual BI Rate sebagai tingkat suku bunga acuan seharusnya memiliki pengaruh terhadap pergerakan suku bunga deposit dan kredit perbankan. Jika ditemukan kointegrasi antara BI Rate dan suku bunga perbankan, maka kedua variabel akan mencapai kesetimbangan dalam jangka panjang. Dengan model error-correction, studi ini akan mengukur tingkat interest rate pass-through untuk mengukur efektifitas dari BI rate sebagai instrumen moneter melalui mekanisme transmisi saluran tingkat suku bunga. Indikator interest rate pass-through yang akan diestimasi adalah: kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan (diukur melalui Mean Adjusted Lag), dampak marjinal dari perubahan 1 unit tingkat suku bunga acuan terhadap perubahan tingkat suku bunga perbankan dalam jangka pendek, dan jangka panjang (diukur melalui koefisien pass-through jangka pendek dan jangka panjang). Karena seluruh variabel diukur pada tingkat level, maka dampak yang diukur bersifat marjinal. Figur 4 Model konseptual

Speed Pass-through

BI Rate (tingkat suku bunga acuan)

Saluran tingkat suku bunga

Degree Tingkat suku bunga Deposit Perbankan Tingkat suku bunga Kredit Perbankan

Friksi dalam interest-rate channel

Pass-through jangka pendek yang tidak sempurna memiliki nilai koefisien yang berbeda dengan satu secara statistik.


25

Serupa, pass-through jangka panjang yang tidak sempurna memiliki nilai koefisien yang berbeda dengan satu secara statistik. Proses koreksi diharapkan memiliki koefisien yang bernilai signifikan negatif, yang diinterpretasikan sebagai koreksi menuju kesetimbangan jangka panjang (mean reversion). Semakin cepat dan sempurna interest rate pass-through antara tingkat suku bunga acuan dan tingkat suku bunga perbankan semakin efektif kebijakan moneter yang diterapkan oleh bank sentral atau semakin rendah friksi dalam mekanisme transmisi kebijakan moneter melalui saluran tingkat suku bunga (Mojon, 2000). 3.3. Model Studi Model yang akan digunakan untuk studi ini adalah Error Correction Model (Schonick, 1996; Chong, 2006; Liu et.al, 2008, 2011; Zulkhibri, 2012; Rocha, 2012) yang didasari oleh adanya kointegrasi antara variabel-variabel yang akan diuji (Engle dan Granger, 1987). Langkah yang akan diaplikasikan dalam studi ini diadaptasi dari beberapa studi sebelumnya yang telah dibahas dalam Bab 2, yaitu meliputi: 1. Uji Unit Root/stasioneritas terhadap variabel independen dan dependen. Variabel-variabel yang akan melalui uji kointegrasi umumnya stasioner pada tingkat turunan yang sama. Uji unit root akan menggunakan PhillipsPerron Test (Phillips dan Perron, 1988) dan Kwiatkowski, Phillips, Schmidt, and Shin (KPSS) Test (Kwiatkowski et.al., 1992) sebagai confirmatory analysis (Brooks, 2008). 2. Uji kointegrasi terhadap variabel independen dan dependen yang telah diuji stasioner pada tingkat turunan yang sama. Uji kointegrasi ini menggunakan Johansen Cointegration Test (Johansen, 1991) 3. Estimasi model error-correction process dengan variabel independen dan dependen yang telah diuji terkointegrasi.


26

3.3.1. Uji Unit Root/stasioneritas Sebuah data series dapat dianggap (strictly) stasioner jika distribusi dari nilainilainya tetap sama seiring berjalannya waktu, dimana probabilitas nilai variabel berada dalam jangkauan interval tertentu adalah sama untuk waktu t atau di masa lalu dan di masa depan. Proses yang stasioner seharusnya memiliki mean, varians, dan struktur autokovarians yang konstan (Brooks, 2008). Uji stasioneritas diperlukan karena hasil regresi dengan variabel independen dan dependen yang non-stasioner, dimana shock terhadap terhadap sistem tidak berkurang seiring waktu (t+1, t+2, .... t+n) dapat menghasilkan hasil yang baik ketika diukur dengan ukuran statistik standar, seperti koefisien yang signifikan dan nilai R-squared yang tinggi, walaupun sebenarnya variabel independen dan dependen sama sekali tidak berhubungan. Hasil regresi semacam ini tentunya tidak absah dalam pengambilan kesimpulan (Brooks, 2008). Dalam studi ini diuji hipotesa awal bahwa variabel tingkat suku bunga acuan dan tingkat suku bunga perbankan terkointegrasi pada ordo 1 I(1), sehingga dilakukan uji stasioneritas untuk menemukan variabel yang non-stasioner pada tingkat level dan stasioner pada tingkat turunan pertama. Uji ini diperlukan karena potensi kointegrasi ada pada variabel yang non-stasioner, namun memiliki kombinasi linear yang stasioner (Engle dan Granger, 1987). 3.3.1.1. Phillips-Perron Test Phillips-Perron Test (Phillips dan Perron, 1988) menguji keberadaan unit root pada data time series (H0: Data time series tidak stasioner/H1: Data time series stasioner). PP test melakukan regresi OLS pada model: Persamaan 11 Model Regresi dalam Phillips-Perron test yt = α + ωyt-1 + δt + μt dengan melakukan penyesuaian untuk mengakomodasi serial correlation yang umum terjadi pada data time series.


27

Tabel 2 Hasil Uji Phillips Perron Test Interpretasi Reject H0

Variabel time series tidak mengandung unit root/stasioner

Do not Reject H0

Variabel time series mengandung unit root

3.3.1.2. KPSS Test KPSS Test (Kwaitkowski et al., 1992) menguji stasioneritas pada data time series. Tabel 3 Hasil Uji KPSS Test Interpretasi Reject H0

Variabel time series mengandung unit root

Do not Reject H0

Variabel time series tidak mengandung unit root/stasioner

Tabel 4 Critical values untuk KPSS test KPSS Test Critical Values 1% 5% 10%

Intercept 0.739 0.463 0.347

Intercept and Trend 0.216 0.146 0.119

KPSS test akan digunakan sebagai confirmatory data analysis, untuk memastikan kesimpulan yang robust (Hasil kombinasi 1 dan 2).


28

Tabel 5 Confirmatory analysis # Kombinasi

Hasil PP

Hasil KPSS

1

Reject H0

Do not Reject H0

2

Do not Reject H0

Reject H0

3

Reject H0

Reject H0

4

Do not Reject H0

Do not Reject H0

3.3.2. Uji Kointegrasi Kombinasi linear antara 2 atau lebih time series data yang non-stasioner mungkin stasioner. Jika ditemukan kombinasi linear yang stasioner maka variabel-variabel time series dianggap terkointegrasi, dimana kombinasi linear ini dapat diinterpretasikan sebagai persamaan kesetimbangan jangka panjang antara variabel dalam sistem (Engle dan Granger, 1987). Untuk menguji kointegrasi, studi ini menggunakan Uji kointegrasi Johansen berbasis VAR (Johansen, 1991, 1995). 3.3.3. Vector error correction model Spesifikasi model untuk estimasi VECM dibangun berlandaskan marginal cost pricing model for bank (Rousseas, 1985) Persamaan 1: Bank Rate = γ + α1 Market Rate + e Selanjutnya dibangun spesfiikasi untuk bivariate error-correction process dengan mengakomodasi ARDL (p,q) (Liu et.al., 2008) Persamaan 4:

Dimana yt adalah time series variabel dependen: 

Tingkat suku bunga kredit kredit modal kerja (LNRATEWC)



Tingkat suku bunga kredit investasi (LNRATEINV)



Tingkat suku bunga kredit konsumsi (LNRATEC)



Tingkat suku bunga simpanan berjangka rupiah 1 bulan (DRATE1M) 28 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

29



Tingkat suku bunga simpanan berjangka rupiah 3 bulan (DRATE3M)










xt adalah time series variabel dependen tingkat suku bunga acuan BI rate (BIRATE) Seluruh variabel digunakan pada tingkat level dengan interval bulanan. Pemilihan time lag yang optimal dilakukan dengan menggunakan modul VAR Lag Order Selection Criteria pada statistical software package Eviews 6. Kriteria lag optimal yang dihasilkan adalah: 

Sequential modified LR test statistic (each test at 5% level)



Final Prediction Error (FPE)



Akaike information Criterion (AIC)



Schwarz Information Criterion (SC)



Hannah and Quinn information Criterion (HQ)

3.4. Pengukuran interest rate pass-through Untuk menjawab pertanyaan penelitian, dalam studi ini akan melakukan estimasi kepada 3 indikator: Tingkat interest rate pass through jangka pendek, jangka panjang, dan kecepatan respon dari tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan. 3.4.1. Tingkat interest rate pass-through jangka panjang Indikator tingkat interest rate pass-through jangka panjang diukur dari besaran koefisien

1 dari

model error-correction yang digunakan.

Besaran koefisien ini diharapkan signifikan dengan interpretasi: 1

= x  Perubahan 1 unit tingkat suku bunga acuan akan mengubah x unit

tingkat suku bunga perbankan pada kesetimbangan jangka panjang. Tingkat interest rate pass-through jangka panjang sempurna akan menghasilkan besaran koefisien

1

signifikan sama dengan 1, dimana perubahan 1 unit tingkat 29 Universitas Indonesia


30

suku bunga acuan akan mengubah 1 unit tingkat suku bunga perbankan pada kesetimbangan jangka panjang). 3.4.2. Tingkat interest rate pass-through jangka pendek Indikator tingkat interest rate pass-through jangka pendek diukur dari besaran koefisien

0 dari

model error-correction yang digunakan.

Besaran koefisien ini diharapkan memiliki nilai signifikan dengan interpretasi: 0

= x  Perubahan 1 unit tingkat suku bunga acuan akan mengubah x unit

tingkat suku bunga perbankan pada jangka pendek. 3.4.2. Kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan Indikator kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan diukur dari besaran Mean Adjusted Lag (MAL) yang didefinisikan sebagai (Hendry, 1995) Persamaan 6:

dimana adalah tingkat interest rate pass-through jangka pendek, yaitu tingkat

0

perubahan seketika (t) suku bunga perbankan yang disebabkan oleh perubahan 1 unit tingkat suku bunga acuan; 1

adalah tingkat interest rate pass-through jangka panjang, yaitu tingkat

perubahan suku bunga perbankan yang disebabkan oleh perubahan 1 unit tingkat suku bunga acuan pada saat kesetimbangan tercapai; dan

adalah koefisien error-correction term dari error correction model yang

digunakan. Koefisien ini diharapkan bernilai negatif yang mengindikasikan adanya

atribut

mean-reversion

menuju

kesetimbangan

jangka

panjang.


BAB 4 ANALISA 4.1. Data 4.1.1. Grafik time series Figur berikut menggambarkan pergerakan dari suku bunga acuan BI Rate (BIRATE) dengan tingkat suku bunga deposito perbankan dengan tenor 1, 3, 6, 12, 24 bulan (DRATE_M) Figur 5 Observasi grafis BI Rate dan tingkat suku bunga deposito perbankan 13 12 11 10 9 8 7 6 5

2006

2007 BIRATE DRATE24M

2008

2009

2010

DRATE6M DRATE1M

2011

2012

DRATE3M DRATE12M

Tingkat suku bunga deposito 1, 3, 6, dan 12 bulan memiliki pergerakan yang sekilas mendekati pergerakan BI Rate. Dapat disimpukan secara sekilas pula bahwa tingkat suku bunga deposito 24 bulan memiliki pola pergerakan yang tidak seiring BI Rate (2009-2010). Hal ini mendukung teori yang menyatakan bahwa saluran tingkat suku bunga memiliki kemampuan untuk mempengaruhi tingkat suku bunga jangka pendek, yang kemudian diteruskan kepada tingkat suku bunga jangka panjang (Bernanke dan Gertler, 1995), atau dapat diobservasi berlakunya 31 Universitas Indonesia


32

teori ekspektasi dimana tingkat suku bunga jangka panjang adalah rata-rata dari ekspektasi tingkat suku bunga jangka pendek di masa depan, maka tingkat suku bunga jangka pendek yang rendah (tinggi) akan menurunkan (meningkatkan) pula tingkat suku bunga jangka panjang (Goeltom, 2008) dimana terdapat tenggang waktu yang signifikan. Figur berikut menggambarkan pergerakan dari suku bunga acuan BI Rate (BIRATE) dengan tingkat suku bunga kredit perbankan untuk kegunaan modal kerja (LNRATEWC), investasi (LNRATEINV), dan konsumsi (LNRATEC) Figur 6 Observasi grafis BI rate dan tingkat suku bunga kredit perbankan 18 16 14 12 10 8 6 4

2006

2007

2008

2009

2010

BIRATE LNRATEINV

2011

2012

LNRATEC LNRATEWC

Observasi awal menunjukkan pola pergerakan yang serupa antara BI Rate dan tingkat suku bunga kredit modal kerja dan investasi. Kredit konsumsi terlihat memiliki pola pergerakan yang sedikit berbeda, dimana hal ini mungkin terjadi karena elastisitas demand akan kredit konsumsi berbeda dengan kredit modal kerja dan investasi.


33

4.1.2. Statistik Deskriptif Tabel 6 Statistik Deskriptif variabel

Mean

BIR ATE 7.99

LNRAT EWC 13.68

LNRAT EINV 13.27

LNRA TEC 15.78

DRAT E1M 7.84

DRAT E3M 8.21

DRAT E6M 8.39

DRAT E12M 8.95

DRAT E24M 9.16

Median

7.13

13.37

12.99

16.05

7.15

7.42

7.73

8.56

9.03

Mode Standard Deviation

6.5

14.3

15.66

16.33

7.16

6.95

7.15

12.28

11.73

2.11

1.42

1.41

1.32

1.87

1.92

1.78

1.98

2.21

Minimum

5.75 12.7 5

11.49

11.24

13.4

5.35

5.61

5.87

6.03

5.36

16.35

15.94

17.88

12.01

12.32

12.2

12.38

12.93

88

88

88

88

88

88

88

88

88

%

Maximum Observatio n#

Tabel diatas memberikan detail statistik deskriptif dari variabel time series yang digunakan dalam studi. Dari sisi kredit, statistik deskriptif memberikan konfirmasi bahwa terdapat selisih signifikan antara BI Rate dengan tingkat suku bunga kredit perbankan. Dari nilai mean masing-masing jenis kredit, kredit investasi memiliki nilai mean terendah, diikuti kredit modal kerja dan tertinggi kredit konsumsi. Secara intuitif, kredit investasi seharusnya memiliki margin terendah. Hal ini dijelaskan dengan tujuan pembiayaan dari kredit investasi, yaitu membiayai aset tetap yang pada umumnya akan menjadi jaminan dari transaksi kredit tersebut. Dari nilai standar deviasi masing-masing jenis kredit, terlihat bahwa kredit konsumsi memiliki SD terendah diikuti oleh kredit investasi dan kredit modal kerja. Hal ini mengindikasikan bahwa volatilitas atau perubahan dari kredit konsumsi relatif lebih kaku daripada kedua jenis kredit lainnya. Namun hal ini bisa diakibatkan karena tingkat suku bunga dari kredit konsumsi sendiri sudah cukup tinggi, dan bank merasa perubahan tingkat suku bunga kredit konsumsi tidak mengubah demand dari kredit konsumsi. Ketiga jenis kredit juga terlihat memiliki standar deviasi dibawah BI rate sebagai tingkat suku bunga acuan. Dari sisi deposit, statistik deskriptif memberikan konfirmasi bahwa terdapat selisih signifikan antara BI Rate dengan tingkat suku bunga deposit perbankan, dimana nilai selisih ini mengikuti pola upward sloping yield curve. Dari nilai mean, tingkat suku bunga deposito 1 bulan menunjukkan nilai mean di bawah BI


34

Rate. Dari nilai standar deviasi, deposito jangka panjang menunukkan nilai standar deviasi yang cukup tinggi, mendekati nilai standar deviasi BI Rate. 4.1.3. Uji Stasioneritas Hasil uji stasioneritas untuk variabel dependen dan independen diringkas dalam table berikut ini: Tabel 7 Hasil uji stasioneritas Variable

Test for Unit Root In

BIRATE BIRATE

Level 1st diff

LNRATEWC LNRATEWC

Level 1st diff

LNRATEINV Level LNRATEINV 1st diff LNRATEC LNRATEC

Level 1st diff

DRATE1M DRATE1M

Level 1st diff

DRATE3M DRATE3M

Level 1st diff

DRATE6M DRATE6M

Level 1st diff

DRATE12M DRATE12M

Level 1st diff

DRATE24M DRATE24M

Level 1st diff

Probability Interpretation PP PP Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner

0.6829 0.0000 0.8046 0.0000 0.8173 0.0000 0.9570 0.0000 0.5942 0.0001 0.6062 0.0002 0.6374 0.0176 0.7493 0.0002 0.9661 0.0000

KPSS 1.0012 0.0744 0.8914 0.0683 0.9942 0.0604 1.0430 0.2288 0.8185 0.0523 0.7823 0.0582 0.8101 0.0896 0.8044 0.1203 1.1459 0.2638

Interpretation KPSS Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner Nonstasioner Stasioner

Hasil uji stasioneritas mengindikasikan bahwa seluruh variabel time series yang digunakan tidak stasioner pada tingkat level namun stasioner pada tingkat turunan pertama I(1). Seluruh variabel time series akan melalui uji kointegrasi Johansen. 34 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

35

4.1.4. Pemilihan time lag optimal Dengan menggunakan modul VAR Lag Order Selection Criteria (bivariate VAR system dependen dan independen variabel), tabel berikut meringkas hasil dari optimal lag yang dihasilkan oleh tiap kriteria: Tabel 8 Time lag optimal Dependent

LR

FPE

AIC

SC

HQ

LNRATEWC LNRATEINV LNRATEC DRATE1M DRATE3M DRATE6M DRATE12M DRATE24M

7 2 8 2 2 3 4 2

4 3 2 2 2 3 4 2

7 5 2 2 2 3 4 2

2 2 2 2 2 3 3 2

2 2 2 2 2 3 3 2

Lag Selected 6 5 8 2 2 2 3 2

Pemilihan maksimum time lag dibatasi pada 6 bulan mengacu pada observasi empiris sebelumnya (Mojon, 2000), dengan perkecualian pada sistem BIRATE dan LNRATEC (optimal lag 8). 4.1.5. Uji kointegrasi Johansen Uji kointegrasi Johansen dilakukan dengan modul Cointegration Test pada statistical software package Eviews 6. Dalam modul ini uji kointegrasi Johansen dilakukan dengan menggunakan salah satu dari 5 asumsi: 

No trend in data o No Intercept or trend in CE or VAR #1 o Intercept (no trend) in CE – no intercept in VAR #2



Linear trend in data o Intercept (no trend) in CE and VAR #3 o Intercept and trend in CE – no trend in VAR #4



Quadratic trend in data o Intercept and trend in CE – linear trend in VAR #5

Untuk membantu menentukan asumsi yang digunakan dalam mengestimasi VECM (Wojcik, 2011): 35 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

36



Asumsi #1 jika data time series memiliki nilai mean 0



Asumsi #2 jika data time series terlihat tidak memiliki trend



Asumsi #3 jika data time series terlihat memiliki trend, dimana semua trend stochastic



Asumsi #4 jika data time series terlihat memiliki trend, dimana ada trend yang stasioner



Asumsi #5 tidak umum digunakan, kemungkinan tinggi untuk terjadi overfitting pada sampel data – hasil out of sample forecast tidak optimal



Summarize all 5 sets of assumption, untuk meringkas hasil tes dengan ke 5 asumsi untuk membantu penentuan asumsi yang digunakan

Kedua tes statistik yang digunakan dalam uji kointegrasi Johansen adalah trace statistic (λtrace) dan maximum eigenvalue (λmax), dengan null/alternative hypothesis sebagai berikut: Tabel 9 Hipotesis tes statistik dalam uji kointegrasi Johansen (λtrace)

(λmax)

H0

Jumlah CE ≤ r

Jumlah CE = r

H1

Jumlah CE > r

Jumlah CE = r+1

Untuk mendapatkan hasil uji kointegrasi yang robust, maka hasil uji kointegrasi antara variabel dependen dan independen harus mendapatkan hasil: Tabel 10 Kombinasi hasil trace statistic dan maximum eigenvalue (λtrace)

(λmax)

No CE / None

Reject H0

Reject H0

At least 1 CE

Do not Reject H0

Do not Reject H0

Tabel berikut meringkas hasil uji kointegrasi Johansen antara BI rate dengan 8 dependen variabel tingkat suku bunga perbankan pada tingkat lag optimal yang telah ditentukan sebelumnya: Tabel 11 Hasil uji kointegrasi Johansen 36 Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

37

Y

Assumption

λtrace (None)

λtrace (at least 1 CE)

λmax (None)

λmax (at least 1 CE)

LNRATEWC LNRATEWC LNRATEWC LNRATEWC LNRATEWC

1 2 3 4 5

Reject Reject Reject Reject Reject

Do not Reject Do not Reject Reject Do not Reject Reject

Reject Reject Reject Reject Reject

Do not reject Do not reject Reject Do not reject Reject

LNRATEINV

1 2 3 4 5

Reject Reject Do not Reject Do not Reject Do not Reject


Reject Reject Do not Reject Do not Reject Do not Reject


1

Reject

Do not Reject

Reject

Do not reject

2 3 4 5

Reject Do not Reject Do not Reject Reject

Do not Reject Do not Reject Do not Reject Reject

Reject Do not Reject Do not Reject Do not Reject

Do not Reject Do not Reject Do not Reject Reject

DRATE1M DRATE1M DRATE1M

1

Do not reject

Do not reject

Do not reject

Do not reject

2 3

Reject Reject

Do not reject Do not reject

Reject Reject


DRATE1M DRATE1M

4 5





DRATE3M DRATE3M DRATE3M DRATE3M

1 2





3 4





DRATE3M

5

Do not reject

Do not reject

Do not reject

Do not reject

DRATE6M DRATE6M DRATE6M DRATE6M DRATE6M

1 2 3 4 5

Do not reject Reject Reject Do not reject Reject

Do not reject Do not reject Do not reject Do not reject Do not reject

Do not reject Reject Reject Reject Reject


DRATE12M

1 2 3 4 5

Do not reject Do not reject Do not reject Do not reject Reject




1 2 3 4 5

Reject Reject Reject Do not reject Reject

Reject Reject Do not reject Do not reject Reject

Reject Reject Reject Do not reject Do not reject

Reject Reject Do not reject Do not reject Reject

LNRATEINV LNRATEINV LNRATEINV LNRATEINV LNRATEC LNRATEC LNRATEC LNRATEC LNRATEC

DRATE12M DRATE12M DRATE12M DRATE12M DRATE24M DRATE24M DRATE24M DRATE24M DRATE24M


38

Dua variabel time series (dengan independen variabel BI Rate) dapat diyakini signifikan terkointegrasi jika hasil dari trace statistic dan maximum eigenvalue test untuk cointegrating equation = 0 menolak H0 dan secara bersamaan hasil dari trace statistic dan maximum eigenvalue test untuk at least one cointegrating equation tidak menolak H0. Dari observasi tabel erlihat bahwa tidak ditemukan adanya kointegrasi (Cointegrating equation) pada sistem dari [BIRATE, DRATE3M] dan [BIRATE, DRATE12M]. Dengan demikian disimpulkan bahwa estimasi error-correction model akan dilakukan pada variabel BIRATE sebagai independen variabel dan [LNRATEWC,

LNRATEINV,

LNRATEC,

DRATE1M,

DRATE6M,

DRATE24M] secara bivariate (1 dependen 1 independen) dengan asumsi sebagai berikut: Tabel 12 Spesifikasi estimasi error-correction model Dependent LNRATEWC LNRATEWC LNRATEINV LNRATEC DRATE1M DRATE1M DRATE6M DRATE6M DRATE24M

Independent BIRATE BIRATE BIRATE BIRATE BIRATE BIRATE BIRATE BIRATE BIRATE

Lag Selected 6 6 5 8 2 2 2 2 2

Assumption selected 2 4 2 2 2 3 2 3 3

4.2. Hasil estimasi error-correction model Estimasi error correction model dilakukan dengan spesifikasi optimal lag dan asumsi yang telah ditentukan sebelumnya, menggunakan modul VAR/VECM pada statistical software package Eviews 6. 4.2.1. Estimasi indikator interest rate pass-through jangka panjang Indikator interest rate pass-through jangka panjang diestimasi melalui nilai koefisien

1

pada model error-correction

Persamaan 4:


39

Tabel berikut meringkas estimasi nilai koefisien

1

dari hasil estimasi VECM

antara independen dan dependen variabel: Tabel 13 Estimasi indikator interest rate pass-through jangka panjang Dependent Independent Assumption LNRATEWC BIRATE 2 LNRATEWC BIRATE 4 LNRATEINV BIRATE 2 LNRATEC BIRATE 2 DRATE1M BIRATE 2 DRATE1M BIRATE 3 DRATE6M BIRATE 2 DRATE6M BIRATE 3 DRATE24M BIRATE 3 *signifikan pada tingkat = 0.05 Koefisien pass-through

1

0.9460* 0.7474 0.8481* 0.8318* 0.8574* 0.8615* 0.7325* 0.7446* 1.1757*

Pass-through Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete Complete

< 1 menunjukkan adanya friksi dalam mekanisme

transmisi kebijakan moneter melalui suku bunga jangka panjang. Hal ini dapat diinterpretasikan bahwa dalam setelah mencapai kesetimbangan jangka panjang perubahan 1 unit tingkat suku bunga acuan BI Rate akan berdampak perubahan kurang dari 1 unit tingkat suku bunga perbankan, kecuali pada tingkat suku bunga deposito dengan tenor 24 bulan dimana terlihat adanya pass-through lebih dari 100%. Koefisien pass-through yang secara signifikan lebih besar dari 1 dan mengindikasikan adanya reaksi kuat dari perbankan dalam produk deposit dengan tenor yang lebih panjang. 4.2.2. Estimasi indikator interest rate pass-through jangka pendek Indikator interest rate pass-through jangka panjang diestimasi melalui nilai koefisien

0

pada model error-correction

Persamaan 4:


40


0


antara independen dan dependen variabel: Tabel 14 Estimasi interest rate pass-through jangka pendek Dependent Independent Assumption selected LNRATEWC BIRATE 2 LNRATEWC BIRATE 4 LNRATEINV BIRATE 2 LNRATEC BIRATE 2 DRATE1M BIRATE 2 DRATE1M BIRATE 3 DRATE6M BIRATE 2 DRATE6M BIRATE 3 DRATE24M BIRATE 3 *signifikan pada tingkat = 0.05 Koefisien pass-through

0

0.2419* 0.2272* 0.2350* 0.2007 0.4188* 0.4203* 0.0077 0.0086 0.0903

Pass-through Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete Incomplete

< 1 menunjukkan adanya friksi dalam mekanisme

transmisi kebijakan moneter melalui suku bunga jangka pendek. Hal ini dapat diinterpretasikan bahwa dalam jangka pendek perubahan 1 unit tingkat suku bunga acuan BI Rate akan berdampak perubahan kurang dari 1 unit tingkat suku bunga perbankan. Koefisien pass-through jangka pendek tidak ditemukan signifikan variabel dependen [LNRATEC, DRATE6M, DRATE24M] yang mengindikasikan reaksi pass-through hanya teridentifikasi pada jangka panjang. Dengan membandingkan antara koefisien pass-through antara tingkat suku bunga kredit dengan tingkat suku bunga deposito 1 bulan, terlihat bahwa tingkat passthrough tingkat suku bunga deposito yang lebih tinggi mengindikasikan bahwa dalam jangka pendek efek kebijakan moneter lebih kuat terhadap return of saving dibandingkan dengan cost of capital. 4.2.3. Estimasi indikator kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan Indikator kecepatan penyesuaian tingkat suku bunga perbankan terhadap perubahan tingkat suku bunga acuan diestimasi melalui nilai Mean Adjusted Lag (MAL) yang diekspresikan sebagai berikut (Persamaan 6):


41

dimana koefisien

1,

0,

dan diestimasi pada model error-correction (

Persamaan 4):



antara independen dan dependen variabel: Tabel 15 Estimasi koefisien error-correction term Dependent Independent Assumption selected LNRATEWC BIRATE 2 LNRATEWC BIRATE 4 LNRATEINV BIRATE 2 LNRATEC BIRATE 2 DRATE1M BIRATE 2 DRATE1M BIRATE 3 DRATE6M BIRATE 2 DRATE6M BIRATE 3 DRATE24M BIRATE 3 *signifikan pada tingkat = 0.05 Koefisien error-correction term

-0.0392* -0.0428* -0.0573* -0.0580* -0.0437* -0.0434* -0.0351* -0.0353* -0.0361

dapat diinterpretasikan sebagai persentase mean

reverting process yang terjadi dalam 1 interval periode ketika nilai dari variabel menyimpang dari kesetimbangan jangka panjang. Nilai negatif dan signifikan dari koefisien menunjukkan adanya koreksi menuju kesetimbangan jangka panjang, dimana sebaliknya nilai yang positif menunjukkan adanya sistem yang semakin menjauh dari kesetimbangan. MAL dapat diinterpretasikan sebagai rata-rata tertimbang seluruh lag untuk mengukur kecepatan respon dari tingkat suku bunga perbankan terhadap perubahan pada tingkat suku bunga acuan. Tabel berikut berikut meringkas estimasi nilai MAL dari hasil estimasi VECM antara independen dan dependen variabel:


42

Tabel 16 Estimasi Mean Adjusted Lag Dependent Independent Assumption LNRATEWC BIRATE 2 LNRATEWC BIRATE 4 LNRATEINV BIRATE 2 LNRATEC BIRATE 2 DRATE1M BIRATE 2 DRATE1M BIRATE 3 DRATE6M BIRATE 2 DRATE6M BIRATE 3 DRATE24M BIRATE 3 *signifikan pada tingkat = 0.05

1

0.9460* 0.7474 0.8481* 0.8318* 0.8574* 0.8615* 0.7325* 0.7446* 1.1757*

0

0.2419* 0.2272* 0.2350* 0.2007 0.4188* 0.4203* 0.0077 0.0086 0.0903

-0.0392* -0.0428* -0.0573* -0.0580* -0.0437* -0.0434* -0.0351* -0.0353* -0.0361

MAL 19.00 16.28 12.62 13.09 11.71 11.80 28.22 28.02 25.61

Penyesuaian tingkat suku bunga perbankan terlihat memiliki tenggang waktu yang signifikan. Sebagai analogi, dibutuhkan waktu 19 bulan bagi tingkat suku bunga kredit modal kerja untuk menyelesaikan respon dari perubahan tingkat suku bunga acuan untuk menuju ke kesetimbangan baru. Observasi secara umum menunjukkan tingkat kecepatan penyesuaian yang relatif lama, menandakan adanya friksi yang signifikan dalam mekanisme kebijakan transmisi moneter melalui saluran suku bunga. Signifikansi friksi ini juga berbeda antara produk deposit dan kredit dimana terlihat deposito dengan tenor 1 bulan menunjukkan kecepatan penyesuian yang lebih rendah (kurang dari 12 bulan). Hal ini mungkin disebabkan oleh praktik di Indonesia yang dimana konsumen melakukan review terhadap tingkat suku bunga deposit dalam jangka waktu yang relatif pendek (1 bulan), namun perbankan melakukan review terhadap aset kredit nya dalam jangka waktu yang relatif lebih panjang (6 bulan - 1 tahun).


43

4.3. Estimasi Mean Adjusted Lag dengan asumsi Pass-through jangka panjang sempurna dan Pass-through jangka pendek tidak signifikan = 0

Tabel 17 Estimasi MAL dengan asumsi tambahan Dependent LNRATEWC LNRATEINV LNRATEC DRATE1M DRATE1M DRATE6M DRATE6M

Independent BIRATE BIRATE BIRATE BIRATE BIRATE BIRATE BIRATE

Lag Selected 6 5 8 2 2 2 2

Assumption selected 2 2 2 2 3 2 3

MAL*

MAL Complete

19.00 12.62 17.25 11.71 11.80 28.52 28.35

19.35 13.35 17.25 13.30 13.36 28.52 28.35

MAL* diperhitungkan dengan mengasumsikan nilai pass-through jangka pendek yang tidak signifikan

0=

0. sehingga koreksi kepada kesetimbangan hanya terjadi

pada interval waktu t+1,..., t+n. MAL Complete diperhitungkan dengan mengasumsikan pass-through jangka panjang sempurna,

1

= 1.

4.4. Komparasi indikator interest rate pass-through dengan studi di ekonomi lain Komparasi hasil studi dengan studi sebelumnya dapat memberikan gambaran efektifitas dari kerangka kebijakan moneter di Indonesia relatif terhadap kebijakan moneter di negara lain. Tabel berikut meringkas komparasi dengan beberapa studi sebelumnya:


44

Tabel 18 Komparasi temuan studi dengan studi di ekonomi lain Indonesia 20052013 Kredit Deposit Singapura 198320021 Kredit

Modal Kerja Investasi 1 bulan Keterangan Prime rate Saving 3 Bulan

Deposit Malaysia 198320052 Kredit Deposit

Passthrough LT 0.95 0.85 0.86 Passthrough LT 0.53 0.75 0.73 Passthrough LT 0.53 0.39 0.88

Keterangan

Keterangan Base Lending Rate Saving 3 Bulan

Passthrough ST 0.24 0.23 0.42 Passthrough ST 0.10 0.10 0.14 Passthrough ST 0.09 0.02 0.12

MAL 19.00 12.62 11.80 MAL 8.30 13.20 7.00 MAL 10.10 16.30 4.00

Walaupun tidak dapat dibandingkan secara langsung namun dari sisi kredit terlihat bahwa ekonomi Indonesia memiliki tingkat penyesuaian yang cukup lambat relatif terhadap ekonomi Singapura dan Malaysia. Hal ini mungkin disebabkan struktur regulasi akan kegiatan perbankan dan kerangka kebijakan moneter yang berbeda, atau dari sisi demand akan kredit yang memiliki karakteristik (e.g. elastisitas) yang berbeda. Sebaliknya, tingkat pass-through di Indonesia terlihat lebih mendekati sempurna dibandingkan dengan negara lain baik dalam jangka pendek maupun jangka panjang, yang menunjukkan bahwa pengaruh dari BI rate sebagai tingkat suku bunga acuan relatif efektif, namun kecepatan respon tingkat suku bunga perbankan relatif lambat.

1 2

Chong et. al. (2006) Zulkhibri (2012)


BAB 5 KESIMPULAN DAN SARAN 5.1. Kesimpulan Kesimpulan yang dapat diambil dari temuan studi ini antara lain: 1. Hasil estimasi error-correction model untuk variabel tingkat suku bunga kredit menemukan pass-through jangka panjang signifikan, walapun tidak sempurna pada tingkat suku bunga kredit modal kerja, kredit investasi dan kredit konsumsi, yang mengindikasikan tingkat friksi pada saluran suku bunga yang beragam tingkatnya. Dalam dinamika jangka pendek, ditemukan pass-through yang signifikan untuk ketiga jenis kredit, dan kecepatan penyesuaian terhadap tingkat suku bunga acuan sekitar 19 bulan untuk kredit modal kerja dan sekitar 13 bulan untuk kredit investasi. 2. Hasil estimasi error-correction model untuk variabel tingkat suku bunga deposit menemukan pass-through jangka panjang signifikan, walapun tidak sempurna pada tingkat suku bunga deposito seluruh tenor, dengan perkecualian tenor 24 bulan yang menunjukkan pass-through jangka panjang yang sempurna. Hal ini mengindikasikan tingkat friksi pada saluran suku bunga yang beragam tingkatnya. Dalam dinamika jangka pendek, ditemukan pass-through yang signifikan untuk deposito 1 bulan dengan kecepatan penyesuaian terhadap tingkat suku bunga acuan sekitar 12 bulan. 3. Disimpulkan bahwa ragam produk perbankan memiliki tingkat friksi dan kecepatan penyesuaian yang berbeda. Pemetaan friksi dan kecepatan penyesuaian terhadap suku bunga acuan diperlukan untuk menetapkan target kebijakan inflasi yang lebih akurat, karena produk perbankan yang berbeda digunakan untuk investasi dan konsumsi yang berbeda. 4. Dibandingkan dengan negara sekitar dengan strukur finansial yang berbeda, Singapura dan Malaysia, Indonesia memiliki tingkat passthrough yang lebih tinggi, namun kecepatan penyesuaian tingkat suku bunga perbankan terhadap tingkat suku bunga acuan yang lebih lambat.

45 Universitas Indonesia


46

5.2. Saran Penulis ingin mengajukan saran untuk pertimbangan regulator, antara lain: 1. Formulasi kebijakan moneter sebaiknya mempertimbangkan tingkat passthrough dan kecepatan respon dari ragam produk perbankan. Ketidak seragaman dari parameter pass-through dapat melemahkan pencapaian target inflasi. 2. Tingkat suku bunga perbankan yang tinggi dapat membatasi ruang gerak kebijakan

moneter ketika stabilitas moneter terancam. Instrumen

operasional moneter sebaiknya dievaluasi secara berkala untuk mengukur efektifitasnya dalam mengarahkan tingkat suku bunga perbankan. 3. Tingkat suku bunga perbankan yang relatif lambat bereaksi dan menyelesaikan penyesuaian kesetimbangan jangka panjang, menimbulkan dugaan bahwa nilai pass-through jangka panjang yang relatif besar tidak memiliki arti ekonomis dalam mekanisme transmisi kebijakan moneter di Indonesia. Walaupun Indonesia memiliki pass-through jangka panjang yang relatif tinggi, namun kesetimbangan jangka panjang sulit untuk tercapai, karena dalam jangka waktu yang sangat lama kemungkinan besar akan terjadi perubahan kebijakan moneter yang memicu perubahan suku bunga acuan sebelum tercapainya kesetimbangan jangka panjang. 4. Tingkat suku bunga deposito jangka menengah 6 bulan tidak menunjukkan kesetimbangan jangka panjang yang signifikan terhadap tingkat suku bunga acuan. Penulis percaya bahwa tingkat suku bunga deposito perbankan yang tinggi dan tidak terkendali dapat menjadi penghalang perkembangan struktur finansial yang lebih maju, dimana sebaiknya bank sentral melakukan regulasi yang lebih prudent terhadap struktur bunga deposit yang ditawarkan oleh perbankan. Terlebih, ada indikasi bahwa efek return on saving lebih kuat dalam jangka pendek daripada efek cost of capital. 5.3. Keterbatasan studi dan saran untuk studi selanjutnya Dalam pengamatan terhadap grafis pergerakan dari suku bunga acuan BI Rate dan tingkat suku bunga perbankan, observasi menunjukkan adanya pola pergerakan


47

yang serupa. Tidak ditemukannya atribut kointegrasi pada beberapa jenis produk perbankan (tingkat suku bunga deposito 3 bulan dan 12 bulan) mungkin disebabkan ketidak mampuan metodologi yang digunakan dalam menangkap atribut kointegrasi. Studi selanjutnya diharapkan dapat mengembangkan metodologi dalam menangkap atribut kointegrasi dan memberikan analisa terhadap perilaku hubungan jangka panjang dan dinamika jangka pendek yang didasari oleh kointegarasi antara tingkat suku bunga acuan dan tingkat suku bunga perbankan. Studi ini mengasumsikan kecepatan penyesuaian yang simetris ketika terjadi deviasi dari kesetimbangan, baik ketika tingkat suku bunga perbankan di atas maupun di bawah nilai kesetimbangannya. Perbedaan ini memiliki dampak yang signifikan pada proses keputusan harga oleh bank pada kenyataannya. Untuk studi selanjutnya, modifikasi pada metode pengukuran pass-through diharapkan dapat menangkap karakteristik dari perilaku asimetris perbankan dalam pengambilan keputusan harga atas produknya.


Daftar Pustaka

Amarasekara, C. (2005). Interest Rate Pass-Through in Sri Lanka. Staff Studies Vol. 35. Central Bank of Sri Lanka. Angeloni, I.& Ehrmann, M. (2003). Monetary transmission in the euro area: early evidence. Economic Policy, vol. 18, No. 37, London. Bagaimana

Bekerjanya

Kebijakan

Moneter?

Maret

2013.

http://www.bi.go.id/web/id/Moneter/Transmisi+Kebijakan+Moneter/ Bernanke, B. S. & Gertler, M. (1995). Inside the Black Box: The Credit Channel of Monetary Policy Transmission. Journal of Economic Perspectives, Volume 9 Number 4. Boamah,. D. O., Jackman, M. N., Mamingi, N. (2011). Bahamas and Barbados: empirical evidence of interest rate pass-through. Cepal Review 103. Borio, C.E.V., & Fritz, W. (1995). The response of short-term bank lending rates to policy rates: A cross-country perspective. Financial structure and the monetary transmission policy transmission mechanism. Brooks, C. (2008). Introductory Economics for Finance. 2nd Ed. Cambridge University Press. Chong, B.S., Liu, M.H., Shrestha, K. (2006). Monetary transmission via the administered interest rate channel. Journal of Banking and Finance 30, 1467– 1484. Cottarelli, C. & Kourelis, A. (1994). Financial Structure, Bank Lending Rates, and the Transmission Mechanism of Monetary Policy. IMF Staff Papers Vol. 41. De Bondt, G. (2005). Interest rate pass-through: empirical results for the euro area. German Economic Review, vol. 6, No.1. Blackwell Publishing.

vii Universitas Indonesia


viii

De Bondt, G., Mojon, B., Valla, N. (2005). Term structure and the sluggishness of retail bank interest rates in euro area countries. European Working Paper Series, No. 518. European Central Bank.. Debelle, G., Masson, P., Savastano, M., Sharma, S. (1998). Inflation Targeting as a Framework for Monetary Policy. International Monetary Fund. Donnay, M. & Degryse, H. (2001). Bank lending rate passthrough and differences in the transmission of a single EMU monetary policy. Center for Economic Studies Discussion Papers, No. 0117. Engle, R. F. & Granger, C. W. J. (1987). Co-Integration and Error Correction: Representation, Estimation, and Testing. Econometrica, Volume 55, Issue 2. 251-276. Friedman, M. & Schwartz A. J. (1963). A Monetary History of the United States. Princeton University Press. Gigineishvili, N. (2011). Determinants of Interest Rate Pass-Through: Do Macroeconomic Conditions and Financial Market Structure Matter? IMF Working Paper. Goeltom, M. (2008). Concepts and Structures of Monetary Implementation. Essays in Macroeconomic Policy. p.279-280. Heinemann, F.& Schüller, M. (2002). Integration benefits on EU retail markets: evidence from interest rate pass-through. ZEW Discussion Paper, No. 02-26, Mannheim. Hendry, D. (1995). Dynamic Econometrics. Oxford University Press. Johansen, S. (1991). Estimation and hypothesis testing of cointegration vectors in Gaussian vector autoregressive models. Econometrica 59: 1551–1581. Kaufmann, S. & Scharler, J. (2006). Financial systems and the cost of channel transmission of monetary policy shocks. Working Papers, No. 116. Oesterreichische Nationalbank, March.

viii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

ix

Kerangka Kebijakan Moneter di Indonesia. Maret 2013. http://www.bi.go.id/web/id/Moneter/Kerangka+Kebijakan+Moneter/ Kwapil, C. & Scharler, J. (2006). Limited pass-through from policy to retail interest rates: empirical evidence and macroeconomic implications. Monetary Policy and the Economy. Oesterreichische Nationalbank. Kwiatkowski, D., Phillips, P. C. B., Schmidt, P. & Shin, Y. (1992). Testing the null of stationarity against the alternative of a unit root: How sure are we that the economic time series have a unit root? Journal of Econometrics 54: 159– 178. Liu, M., Margatritis, D., Tourani-Rad, A. (2008). Monetary policy transparency and pass-through of retail interest rates. Journal of Banking & Finance 32 (2008) 501–511. Liu, M.-H., Margaritis, D., Tourani-Rad, A. (2011). Asymmetric information and price competition in small business lending. Journal of Banking and Finance 35, 2189 – 2196. McKinsey Global Institute. (2012). The Archipelago Economy: Unleashing Indonesia’s Potential. Mishkin, F. S., (2004). The Economics of Money, Banking, and Financial Markets. 7th ed. Moazzami, B. (1999). Lending rate stickiness and monetary transmission mechanism: the case of Canada and the United States. Applied Financial Economics, vol. 9, No. 6. Mojon, B. (2000). Financial Structure and the Interest Rate Channel of ECB Monetary Policy. European Central Bank Working Paper. Monetary policy transmission in the Euro area. European Central Bank Monthly Bulletin. July 2000.

ix Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

x

Nasution, D. (2011). Mewujudkan Keseimbangan yang Efisien Menuju Pertumbuhan yang Berkesinambungan. Banker’s Dinner, 9 December 2011. Nasution, D. (2012). Toward Sustainable and Inclusive Growth: Challenges amidst the Global Turbulence. Banker’s Dinner, 23 November 2012. National differences in interest rate transmission. Bank for International Settlements. (1994). Penjelasan BI Rate sebagai Suku Bunga Acuan. Maret 2013. http://www.bi.go.id/web/id/Moneter/BI+Rate/Penjelasan+BI+Rate/ Phillips, P. C. B. & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika 75: 335–346. Rocha, D. M. (2012). Interest rate pass-through in Portugal: Interactions, asymmetries and heterogeneities. Journal of Policy Modeling 34, 64–80. Rousseas, S. (1985.) A markup theory of bank loan rates. Journal of Post Keynesian Economics. Scholnick, B. (1996). Asymmetric adjustment of commercial bank interest rates: Evidence from Malaysia and Singapore. Journal of International Money and Finance 15, 485–496. Statistik Ekonomi dan Keuangan Indonesia (SEKI). Maret 2013. http://www.bi.go.id/web/id/Statistik/Statistik+Ekonomi+dan+Keuangan+Indon esia/Versi+HTML/Sektor+Moneter/ Stone, M. R. (2003). Inflation Targeting Lite. IMF Working Paper. The Role Of Banks in the Monetary Policy Transmission Mechanism. European Central Bank Monthly Bulletin. July 2008. Toolsema, L., Jan-Egbert, S., Jakob de Haan. (2001). Convergence of monetary transmission in EMU – new evidence. CESifo Working Paper Series, No. 465.

x Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xi

Wojcik, P. (2011). Macroeconometrics – sections Vector Error Correction Model. Faculty of Economic Sciences, University of Warsaw. Zulkhibri, M. (2012). Policy rate pass-through and the adjustment of retail interest rates: Empirical evidence from Malaysian financial institutions. Journal of Asian Economics 23, 409–422.

xi Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

LAMPIRAN Variabel time series yang digunakan dalam studi ini (%): Period 2005/10/ 01 2005/11/ 01 2005/12/ 01 2006/01/ 01 2006/02/ 01 2006/03/ 01 2006/04/ 01 2006/05/ 01 2006/06/ 01 2006/07/ 01 2006/08/ 01 2006/09/ 01 2006/10/ 01 2006/11/ 01 2006/12/ 01 2007/01/ 01 2007/02/ 01 2007/03/ 01 2007/04/ 01 2007/05/ 01 2007/06/ 01 2007/07/ 01 2007/08/ 01 2007/09/ 01 2007/10/ 01 2007/11/ 01

BIRA TE

LNRATE WC

LNRATEI NV

LNRAT EC

DRATE1 M

DRATE3 M

DRATE6 M

DRATE1 2M

DRATE2 4M

11

15.18

14.92

16.33

10.43

9.38

8.62

9.21

9.99

12.25

15.92

15.43

16.6

11.46

10.72

9.39

9.6

10.97

12.75

16.23

15.66

16.83

11.98

11.75

10.17

10.95

12.93

12.75

16.32

15.81

17.08

12.01

12.23

11.18

11.47

12.63

12.75

16.34

15.87

17.28

11.85

12.32

11.7

11.9

12.56

12.75

16.35

15.9

17.52

11.61

12.19

12.1

12.02

12.64

12.75

16.29

15.9

17.65

11.51

12.03

12.2

12.14

12.66

12.5

16.25

15.89

17.77

11.45

11.82

12.2

12.2

12.67

12.5

16.15

15.94

17.82

11.34

11.7

12.09

12.28

12.61

12.25

16.14

15.91

17.87

11.09

11.57

11.97

12.36

12.55

11.75

16.05

15.85

17.83

10.8

11.34

11.79

12.38

12.57

11.25

15.82

15.66

17.88

10.47

11.05

11.52

12.36

12.47

10.75

15.62

15.54

17.85

10.01

10.72

11.26

12.28

12.35

10.25

15.35

15.38

17.79

9.5

10.25

10.98

12.18

12.2

9.75

15.07

15.1

17.58

8.96

9.71

10.7

11.63

11.84

9.5

14.9

14.85

17.64

8.64

9.26

10.27

11.2

11.85

9.25

14.71

14.71

17.51

8.43

8.83

9.8

10.47

11.76

9

14.49

14.53

17.38

8.13

8.52

9.29

10.17

11.73

9

14.3

14.38

17.24

7.93

8.3

8.89

9.9

11.71

8.75

14.06

14.16

17.09

7.59

8.06

8.59

9.68

11.7

8.5

13.88

13.99

16.91

7.46

7.87

8.4

9.54

11.73

8.25

13.71

13.82

16.68

7.26

7.69

8.2

9.32

11.72

8.25

13.66

13.75

16.7

7.16

7.51

8

9.11

11.3

8.25

13.31

13.45

16.47

7.13

7.44

7.8

8.91

11.24

8.25

13.16

13.28

16.33

7.16

7.41

7.76

8.73

11.16

8.25

13.16

13.19

16.39

7.18

7.4

7.7

8.6

11.12

vii Universitas Indonesia


viii

2007/12/ 01 2008/01/ 01 2008/02/ 01 2008/03/ 01 2008/04/ 01 2008/05/ 01 2008/06/ 01 2008/07/ 01 2008/08/ 01 2008/09/ 01 2008/10/ 01 2008/11/ 01 2008/12/ 01 2009/01/ 01 2009/02/ 01 2009/03/ 01 2009/04/ 01 2009/05/ 01 2009/06/ 01 2009/07/ 01 2009/08/ 01 2009/09/ 01 2009/10/ 01 2009/11/ 01 2009/12/ 01 2010/01/ 01 2010/02/ 01 2010/03/ 01 2010/04/ 01 2010/05/

8

13

13.01

16.13

7.19

7.42

7.65

8.24

10.83

8

12.99

12.81

16.04

7.07

7.4

7.62

8.11

10.49

8

12.96

12.71

15.96

6.95

7.36

7.59

7.88

10.19

8

12.88

12.59

15.83

6.88

7.26

7.57

7.79

10.06

8

12.93

12.47

15.74

6.86

7.23

7.57

7.7

9.96

8.25

12.92

12.36

15.67

6.98

7.34

7.64

7.71

9.9

8.5

12.99

12.51

15.71

7.19

7.49

7.79

7.78

9.91

8.75

13.14

12.61

15.73

7.51

7.82

8.08

8.23

9.95

9

13.42

12.86

15.78

8.04

8.4

8.43

8.51

9.93

9.25

13.93

13.32

15.87

9.26

9.45

9.14

9.34

9.83

9.5

14.67

13.88

16.05

10.14

10.17

9.5

9.67

9.62

9.5

15.13

14.28

16.24

10.4

10.83

9.97

9.95

9.41

9.25

15.22

14.4

16.4

10.75

11.16

10.34

10.43

8.62

8.75

15.23

14.37

16.45

10.52

11.34

10.56

10.69

8.59

8.25

15.08

14.23

16.53

9.89

11.13

10.62

11.08

8.29

7.75

14.99

14.05

16.46

9.42

10.65

10.45

11.31

8.33

7.5

14.82

14.05

16.48

9.04

10.09

10.3

11.35

8.34

7.25

14.68

13.94

16.57

8.77

9.68

10.04

11.41

8.8

7

14.52

13.78

16.63

8.52

9.25

9.75

11.37

9.03

6.75

14.45

13.58

16.66

8.31

8.99

9.45

11.34

9.03

6.5

14.3

13.48

16.62

7.94

8.73

9.11

11.24

9.14

6.5

14.17

13.2

16.67

7.43

8.35

8.71

10.8

9.14

6.5

14.09

13.12

16.53

7.38

7.97

8.47

10.6

9.04

6.5

13.96

13.03

16.47

7.16

7.68

8.22

10.41

9.06

6.5

13.69

12.96

16.42

6.87

7.48

7.87

9.55

9.1

6.5

13.75

13.24

16.32

7.09

7.31

7.59

9.12

7.68

6.5

13.68

13.21

16.36

6.93

7.08

7.37

8.82

7.49

6.5

13.54

12.72

15.42

6.77

6.99

7.31

8.49

8.48

6.5

13.42

12.62

15.34

6.89

6.98

7.14

8.24

8.33

6.5

13.26

12.59

15.23

6.76

6.95

7.04

8.14

7.73

viii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

ix

01 2010/06/ 01 2010/07/ 01 2010/08/ 01 2010/09/ 01 2010/10/ 01 2010/11/ 01 2010/12/ 01 2011/01/ 01 2011/02/ 01 2011/03/ 01 2011/04/ 01 2011/05/ 01 2011/06/ 01 2011/07/ 01 2011/08/ 01 2011/09/ 01 2011/10/ 01 2011/11/ 01 2011/12/ 01 2012/01/ 01 2012/02/ 01 2012/03/ 01 2012/04/ 01 2012/05/ 01 2012/06/ 01 2012/07/ 01 2012/08/ 01 2012/09/ 01 2012/10/ 01

6.5

13.17

12.7

14.99

6.79

6.95

6.99

7.87

8.11

6.5

13.21

12.6

14.92

6.79

6.95

6.99

7.71

8.02

6.5

13.19

12.4

14.83

6.75

6.96

6.98

7.61

8.59

6.5

13

12.41

14.75

6.72

6.95

6.96

7.64

7.92

6.5

13.01

12.38

14.65

6.81

6.99

6.98

7.52

8.48

6.5

12.96

12.35

14.53

6.78

7.03

7.04

7.38

8.36

6.5

12.83

12.28

14.53

6.83

7.06

7.2

7.88

8.11

6.5

12.75

12.25

14.48

6.72

6.88

6.95

7.2

7.89

6.75

12.72

12.2

14.5

6.72

6.82

7

7.24

8.05

6.75

12.32

12.18

14.83

6.83

6.91

7.1

7.15

7.95

6.75

12.3

12.16

14.81

6.8

6.96

7.12

7.12

7.76

6.75

12.24

12.16

14.79

6.85

6.91

7.15

7.07

7.39

6.75

12.24

12.13

14.78

6.82

6.95

7.15

7.08

7.27

6.75

12.55

12.11

14.32

6.86

6.88

7.14

6.93

7.26

6.75

12.5

12.1

14.3

6.8

6.9

7.15

6.87

6.72

6.75

12.39

12.06

14.25

6.83

7.05

7.39

7.04

6.63

6.5

12.36

12.02

14.21

6.75

7.11

7.42

7.03

6.61

6

12.31

11.97

14.18

6.56

6.99

7.37

6.99

6.56

6

12.16

12.04

14.15

6.35

6.81

7.19

7.06

6.33

6

12.14

11.73

14.14

6.26

6.68

7.15

6.96

6.3

5.75

12.02

11.62

13.62

5.97

6.52

6.94

6.79

6.44

5.75

12.01

11.62

14.13

5.66

6.31

6.69

6.71

6.31

5.75

11.86

11.56

14.1

5.42

6

6.5

6.58

6.18

5.75

11.78

11.51

14.03

5.35

5.89

6.29

6.51

6.13

5.75

11.79

11.46

13.9

5.39

5.76

6.14

6.42

6

5.75

11.78

11.42

13.92

5.39

5.67

5.95

6.3

5.97

5.75

11.73

11.35

13.69

5.42

5.61

5.87

6.2

5.9

5.75

11.7

11.36

13.67

5.4

5.69

5.91

6.16

5.97

5.75

11.68

11.29

13.6

5.49

5.66

5.93

6.12

5.8

ix Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

x

2012/11/ 01 2012/12/ 01 2013/01/ 01

5.75

11.61

11.24

13.53

5.42

5.81

5.98

6.11

5.66

5.75

11.49

11.27

13.58

5.58

5.76

6.05

6.09

5.47

5.75

11.49

11.29

13.4

5.49

5.89

6.07

6.03

5.36

Model VECM Model diestimasi secara bivariate 1 dependen yt dengan BIRATE:

yt terdiri dari: LNRATEWC

Tingkat suku bunga kredit modal kerja (%)

LNRATEINV

Tingkat suku bunga kredit investasi (%)

LNRATEC

Tingkat suku bunga kredit konsumsi (%)

DRATE1M

Tingkat suku bunga deposito 1 bulan (%)

DRATE3M


DRATE6M


DRATE12M


DRATE24M


x Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xi

Uji Kointegrasi Johansen Dependen : LNRATEWC Date: 07/07/13 Time: 21:57 Sample: 2005M10 2013M01 Included observations: 81 Series: LNRATEWC BIRATE Lags interval: 1 to 6 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type

None No Intercept No Trend

Trace Max-Eig

None

Linear

Linear

Quadratic

Intercept Intercept Intercept Intercept No Trend No Trend Trend Trend 1 1 2 1 2 1 1 2 1 2

*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or No. of CEs

0 1 2

None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

No Trend

No Trend No Trend

Trend

Trend

Log Likelihood by Rank (rows) and Model (columns) 124.7752 124.7752 127.3021 127.3021 130.3776 134.369 134.5703 134.6054 139.5833 140.7321 134.571 137.0109 137.0109 143.4207 143.4207

Akaike Information Criteria by Rank (rows) and Model (columns) 0 -2.48828 -2.48828 -2.50129 -2.50129 -2.52784 1 -2.62639 -2.60667 -2.58285 -2.68107 2.684744* 2 -2.53262 -2.54348 -2.54348 -2.65236 -2.65236

0

Schwarz Criteria by Rank (rows) and Model (columns) -1.77881 -1.77881 -1.7327 -1.7327 -1.70013

xi Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xii

1 -1.798683* 2 -1.58666

-1.7494 -1.5384

-1.69602 -1.5384

-1.76467 -1.58816

-1.73879 -1.58816

Dependen : LNRATEINV Lag 2 Date: 07/07/13 Time: 21:58 Sample: 2005M10 2013M01 Included observations: 85 Series: BIRATE LNRATEINV Lags interval: 1 to 2 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type


Trace Max-Eig

None Intercept No Trend 1 0

Linear

Linear

Quadratic

Intercept Intercept Intercept No Trend Trend Trend 1 0 0 2 1 0 0 0


0 1 2

None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

No Trend

No Trend

No Trend

Trend

Trend


Akaike Information Criteria by Rank (rows) and Model (columns) 0 -2.63325 -2.63325 -2.66021 -2.66021 -2.64523 1 -2.66409 -2.70285 -2.68052 2.743311* -2.72014 xii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xiii

2

-2.59872

-2.65011

-2.65011

-2.70369

-2.70369

Schwarz Criteria by Rank (rows) and Model (columns) 0 -2.403358* 2.403358* -2.37284 -2.37284 -2.30039 1 -2.31924 -2.32927 -2.2782 -2.31226 -2.26035 2 -2.13893 -2.13284 -2.13284 -2.12895 -2.12895

Lag 5 Date: 07/07/13 Time: 21:58 Sample: 2005M10 2013M01 Included observations: 82 Series: BIRATE LNRATEINV Lags interval: 1 to 5 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type Trace Max-Eig

None None Linear Linear Quadratic No Intercept Intercept Intercept Intercept Intercept No Trend No Trend No Trend Trend Trend 1 1 0 0 0 1 1 0 0 0


0 1 2

None No Intercept

None Intercept

Linear Intercept

No Trend

No Trend No Trend

Linear Intercept

Quadratic Intercept

Trend

Trend


Akaike Information Criteria by Rank (rows) and Model (columns) 0 -2.58581 -2.58581 -2.63084 -2.63084 -2.63646 1 -2.706783* -2.6824 -2.6698 -2.70555 -2.68444 xiii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xiv

2

-2.62195

-2.62085

-2.62085

-2.65715

-2.65715

Schwarz Criteria by Rank (rows) and Model (columns) 0 -1.9988 -1.9988 -1.98514 -1.98514 -1.93205 1 -2.002377* -1.94864 -1.9067 -1.9131 -1.86263 2 -1.80014 -1.74035 -1.74035 -1.71794 -1.71794

Dependent : LNRATEC Date: 07/07/13 Time: 21:59 Sample: 2005M10 2013M01 Included observations: 79 Series: BIRATE LNRATEC Lags interval: 1 to 8 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type


Trace Max-Eig

None

Linear

Linear

Quadratic



0 1 2

None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

No Trend

No Trend No Trend

Trend

Trend


Akaike Information Criteria by Rank (rows) and Model (columns) 0 -1.70239 -1.70239 -1.79702 -1.79702 -1.7847 xiv Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xv

1 2

0 1 2

-1.8101 -1.73849

-1.79179 1.861706* -1.71713 -1.82025

-1.78479 -1.71713

-1.85707 -1.82025

Schwarz Criteria by Rank (rows) and Model (columns) -0.74262 -0.74262 0.777261* -0.777261* -0.70495 -0.73035 -0.67504 -0.65205 -0.69198 -0.65735 -0.53877 -0.45742 -0.45742 -0.50056 -0.50056

Dependent : DRATE1M Date: 07/07/13 Time: 22:00 Sample: 2005M10 2013M01 Included observations: 85 Series: BIRATE DRATE1M Lags interval: 1 to 2 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type


Trace Max-Eig


Linear

Linear

Quadratic



0 1 2

None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

No Trend

No Trend

No Trend

Trend

Trend


xv Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xvi

Akaike Information Criteria by Rank (rows) and Model (columns) 0 -1.91464 -1.91464 -1.91515 -1.91515 -1.90666 1 -1.90719 2.005112* -1.98915 -2.00217 -1.98918 2 -1.85145 -1.9285 -1.9285 -1.91936 -1.91936 Schwarz Criteria by Rank (rows) and Model (columns) 0 -1.684744* -1.684744* -1.62777 -1.62777 -1.56181 1 -1.56235 -1.63153 -1.58683 -1.57111 -1.52938 2 -1.39166 -1.41123 -1.41123 -1.34461 -1.34461



Trace Max-Eig


Linear

Linear

Quadratic



0 1

None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

No Trend

No Trend

No Trend

Trend

Trend

Log Likelihood by Rank (rows) and Model (columns) 119.7518 119.7518 121.7384 121.7384 122.9728 123.0506 127.5539 128.196 129.7789 129.9313 xvi Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xvii

2

124.4544

129.3347

129.3347

131.1799

131.1799

Akaike Information Criteria by Rank (rows) and Model (columns) 0 -2.62945 -2.62945 -2.62914 -2.62914 -2.61113 1 -2.61296 -2.69539 -2.68697 2.700680* -2.68074 2 -2.55187 -2.61964 -2.61964 -2.616 -2.616 Schwarz Criteria by Rank (rows) and Model (columns) 0 -2.399557* 2.399557* -2.34177 -2.34177 -2.26628 1 -2.26811 -2.3218 -2.28465 -2.26962 -2.22094 2 -2.09208 -2.10237 -2.10237 -2.04126 -2.04126

Dependent : DRATE6M Date: 07/07/13 Time: 22:05 Sample: 2005M10 2013M01 Included observations: 85 Series: DRATE6M BIRATE Lags interval: 1 to 2 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type


Trace Max-Eig


Linear

Linear

Quadratic



None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

No Trend

No Trend

No Trend

Trend

Trend

xvii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xviii

0 1 2



Dependent : DRATE12M Date: 07/07/13 Time: 22:17 Sample: 2005M10 2013M01 Included observations: 84 Series: DRATE12M BIRATE Lags interval: 1 to 3 Selected (0.05 level*) Number of Cointegrating Relations by Model Data Trend: Test Type


Trace Max-Eig


Linear

Linear

Quadratic


*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data Trend: Rank or

None No Intercept

None

Linear

Linear

Quadratic

Intercept

Intercept

Intercept

Intercept

xviii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xix

No. of CEs

No Trend

0 1 2

No Trend

No Trend

Trend

Trend





Trace Max-Eig

None

Linear

Linear

Quadratic


*Critical values based on MacKinnon-Haug-Michelis (1999) Information Criteria by Rank and Model Data

None

None

Linear

Linear

Quadratic

xix Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xx

Trend: Rank or No. of CEs

No Intercept

Intercept

No Trend

No Trend No Trend

Intercept

Intercept

Intercept

Trend

Trend


0 1 2

Akaike Information Criteria by Rank (rows) and Model (columns) 0 -0.61106 -0.61106 -0.70793 -0.70793 -0.69727 1 -0.71629 -0.71121 0.796680* -0.7879 -0.76824 2 -0.72113 -0.70701 -0.70701 -0.75077 -0.75077 Schwarz Criteria by Rank (rows) and Model (columns) -0.38116 -0.38116 -0.420560* 0.420560* -0.35243 -0.37145 -0.33763 -0.39436 -0.35684 -0.30845 -0.26133 -0.18974 -0.18974 -0.17603 -0.17603

0 1 2

Estimasi VECM Dependent Variable

Lag

Assumption

#

LNRATEWC

6

2

1

LNRATEWC

6

4

2

LNRATEINV

5

2

3

LNRATEC

8

2

4

DRATE1M

2

2

5

DRATE1M

2

3

6

DRATE6M

2

2

7

DRATE6M

2

3

8

DRATE24M

2

3

9

xx Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxi

#1

Vector Error Correction Estimates Date: 06/30/13 Time: 21:56 Sample (adjusted): 2006M05 2013M01 Included observations: 81 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq:

CointEq1

LNRATEWC(-1)

1

BIRATE(-1)

-0.94603 0.215792 [-4.38398]

C

-6.67017 1.623484 [-4.10856]

Error Correction:

D(LNRATEWC)

CointEq1

-0.03917 0.013748 [-2.84933]

D(LNRATEWC(-1))

0.380882 0.111064 [ 3.42939]

D(LNRATEWC(-2))

D(LNRATEWC(-3))

-4.13E-19 1.01E-17 [0.04095] -6.88E-17 1.35E-16 [0.50795]

0.034071 7.19E-17 0.120883 1.47E-16 [ 0.28185] [ 0.48754] 0.154252 0.119923 [ 1.28626]

D(LNRATEWC(-4))

D(BIRATE)

-0.13374

-3.39E-16 1.46E-16 [2.31811] -2.92E-16 xxi Universitas Indonesia


xxii

0.125856 [-1.06264]

1.53E-16 [1.90228]

D(LNRATEWC(-5))

0.076192 7.31E-17 0.125893 1.53E-16 [ 0.60521] [ 0.47597]

D(LNRATEWC(-6))

0.310227 1.33E-16 0.113539 1.38E-16 [ 2.73235] [ 0.96113]

D(BIRATE(-1))

-0.03517 7.43E-16 0.122735 1.50E-16 [-0.28658] [ 4.96838]

D(BIRATE(-2))

0.229057 0.123106 [ 1.86065]

-3.73E-16 1.50E-16 [2.48732]

D(BIRATE(-3))

0.049551 6.88E-16 0.123512 1.51E-16 [ 0.40119] [ 4.57000]

D(BIRATE(-4))

0.018579 8.75E-17 0.119245 1.45E-16 [ 0.15581] [ 0.60211]

D(BIRATE(-5))

0.064638 0.117964 [ 0.54795]

D(BIRATE(-6))

-0.25015 0.093537 [-2.67434]

DBIRATE

-1.05E-16 1.44E-16 [0.73002] -2.36E-17 1.14E-16 [0.20655]

0.241935 1 0.106739 1.30E-16 [ 2.26660] [ 7.7e+15]

R-squared Adj. R-squared

0.649714 0.581748

1 1 xxii Universitas Indonesia


xxiii

Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

0.812087 0.110094 9.559411 71.47115 -1.41904 -1.00519 -0.05926 0.170233

Determinant resid covariance (dof adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.21E-30 1.34E-16 1.34E+31

-0.08642 0.198276

2.18E-34 1.49E-34 2965.775 -72.4636 -71.5472

#2

Vector Error Correction Estimates Date: 06/30/13 Time: 22:02 Sample (adjusted): 2006M05 2013M01 Included observations: 81 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: LNRATEWC(-1)

CointEq1 1

BIRATE(-1)

-0.74738 0.499007 [-1.49774]

@TREND(05M10)

0.012338 0.034919 [ 0.35334]

C

-8.35856

Error Correction: CointEq1

D(LNRATEWC) -0.04276

D(BIRATE) -1.94E-18 xxiii Universitas Indonesia


xxiv

0.015974 [-2.67679] D(LNRATEWC(-1))

0.384765 0.111675 [ 3.44538]

D(LNRATEWC(-2))

0.039533 0.121766 [ 0.32466]

D(LNRATEWC(-3))

D(LNRATEWC(-4))

D(LNRATEWC(-6))

-0.13683 0.126883

D(BIRATE(-2))

0.319376 0.115027

-1.95E-16 1.08E-16 [1.80850]

-9.97E-17 9.77E-17 [1.02126]

-0.03537 2.94E-16 0.123998 1.05E-16 [-0.28523] [ 2.79001] 0.231013 0.124269 [ 1.85898]

D(BIRATE(-3))

-4.79E-17 1.03E-16 [0.46317]

0.076007 3.53E-16 0.127232 1.08E-16 [ 0.59739] [ 3.26740]

[ 2.77653] D(BIRATE(-1))

-6.93E-17 9.48E-17 [0.73135]

0.154455 9.69E-17 0.120759 1.03E-16 [ 1.27904] [ 0.94473]

[-1.07840] D(LNRATEWC(-5))

1.08E-17 [0.17918]

0.052207 0.124346 [ 0.41985]

-1.87E-16 1.06E-16 [1.77543] -1.59E-16 1.06E-16 [1.50648]

xxiv Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxv

D(BIRATE(-4))

0.021244 1.01E-16 0.120026 1.02E-16 [ 0.17700] [ 0.99085]

D(BIRATE(-5))

0.064031 5.22E-17 0.118811 1.01E-16 [ 0.53893] [ 0.51756]

D(BIRATE(-6))

-0.24489 0 0.093679 7.95E-17 [-2.61409] [ 0.00000]

C

0.01682 3.75E-17 0.015382 1.31E-17 [ 1.09349] [ 2.87385]

DBIRATE

0.227156 1 0.107659 9.14E-17 [ 2.10996] [ 1.1e+16]

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

0.650183 0.575979 0.811001 0.110851 8.762141 71.52537 -1.39569 -0.95227 -0.05926 0.170233


1 1 5.85E-31 9.41E-17 2.54E+31

-0.08642 0.198276

1.09E-34 7.21E-35 2972.406 -72.5779 -71.6024

xxv Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxvi

#3


CointEq1

LNRATEINV(-1)

1

BIRATE(-1)

-0.84811 -0.13149 [-6.44982]

C

-6.75597 -1.01343 [-6.66646]

Error Correction:

D(LNRATEINV)

CointEq1

-0.05729 4.34E-18 -0.01936 -1.20E-17 [-2.95907] [ 0.36297]

D(LNRATEINV(-1))

0.375003 0 -0.11058 -1.30E-16 [ 3.39129] [ 0.00000]

D(LNRATEINV(-2))

-0.11075 -0.12205 [-0.90743]

D(BIRATE)

-1.47E-16 -1.40E-16 [1.05408]

D(LNRATEINV(-3))

0.175513 9.79E-17 -0.12138 -1.40E-16 [ 1.44596] [ 0.70441]

D(LNRATEINV(-4))

0.092964 9.82E-17 -0.12243 -1.40E-16 [ 0.75935] [ 0.70106] xxvi Universitas Indonesia


xxvii

D(LNRATEINV(-5))

0.214226 9.37E-17 -0.11078 -1.30E-16 [ 1.93378] [ 0.73937]

D(BIRATE(-1))

0.013327 8.67E-16 -0.11897 -1.40E-16 [ 0.11202] [ 6.37004]

D(BIRATE(-2))

0.218021 -0.11547 [ 1.88814]

D(BIRATE(-3))

-0.02643 -0.11868 [-0.22271]

D(BIRATE(-4))

D(BIRATE(-5))

-4.33E-16 -1.40E-16 [3.18962]

0.05385 2.82E-16 -0.11488 -1.30E-16 [ 0.46873] [ 2.14589] -0.21785 -0.08717 [-2.49901]

DBIRATE

-1.05E-16 -1.30E-16 [0.79174]

-1.35E-16 -1.00E-16 [1.35366]

0.234988 1 -0.10179 -1.20E-16 [ 2.30866] [ 8.6e+15]


0.592346 0.528287 0.807695 0.107417 9.246767 73.07891 -1.48973 -1.13753 -0.05622 0.1564

Determinant resid covariance (dof adj.)

1 1 1.06E-30 1.23E-16 1.90E+31

-0.08537 0.197279

1.74E-34 xxvii Universitas Indonesia


xxviii

Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

1.27E-34 3017.974 -72.9506 -72.1581

#4


CointEq1

LNRATEC(-1)

1

BIRATE(-1)

-0.83182 0.225931 [-3.68174]

C

-9.00122 1.748892 [-5.14681]

Error Correction:

D(LNRATEC)

CointEq1

-0.05796 0.029522 [-1.96339]

D(BIRATE) -1.87E-19 1.20E-17 [0.01558]

D(LNRATEC(-1))

-0.08234 8.97E-18 0.119309 1.08E-16 [-0.69018] [ 0.08283]

D(LNRATEC(-2))

0.259237 1.43E-16 0.117202 1.06E-16 [ 2.21189] [ 1.34615]

D(LNRATEC(-3))

0.191927

-7.25E-17 xxviii Universitas Indonesia


xxix

0.118203 [ 1.62370] D(LNRATEC(-4))

-0.05922 0.119185 [-0.49690]

1.07E-16 [0.67563] -7.39E-17 1.08E-16 [0.68319]

D(LNRATEC(-5))

0.04956 0 0.11753 1.07E-16 [ 0.42168] [ 0.00000]

D(LNRATEC(-6))

0.034907 7.38E-17 0.114517 1.04E-16 [ 0.30482] [ 0.71076]

D(LNRATEC(-7))

0.084747 3.69E-17 0.110336 1.00E-16 [ 0.76808] [ 0.36845]

D(LNRATEC(-8))

-0.00857 0.112245 [-0.07633]

D(BIRATE(-1))

D(BIRATE(-2))

-0.09097 5.37E-16 0.185868 1.69E-16 [-0.48945] [ 3.18226] -0.04167 0.17742 [-0.23485]

D(BIRATE(-3))

D(BIRATE(-4))

-1.05E-15 1.61E-16 [6.51241]

0.262012 5.09E-16 0.173567 1.57E-16 [ 1.50957] [ 3.22940] -0.05585 0.177121 [-0.31531]

D(BIRATE(-5))

-3.73E-17 1.02E-16 [0.36613]

-0.33634

-3.59E-16 1.61E-16 [2.23358] 3.87E-16

xxix Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxx

0.176531 1.60E-16 [-1.90529] [ 2.41535] D(BIRATE(-6))

-0.10636 0.174458 [-0.60967]

-1.74E-16 1.58E-16 [1.09996]

D(BIRATE(-7))

0.402114 1.25E-17 0.175809 1.59E-16 [ 2.28722] [ 0.07841]

D(BIRATE(-8))

-0.08555 0 0.125898 1.14E-16 [-0.67950] [ 0.00000]

DBIRATE

0.200709 1 0.151631 1.38E-16 [ 1.32367] [ 7.3e+15]


0.350664 0.169702 1.507695 0.157214 1.937775 44.27906 -0.66529 -0.12542 -0.05595 0.172534


1 1 1.24E-30 1.43E-16 8.99E+30

-0.08544 0.199704

5.03E-34 3.00E-34 2888.336 -72.1351 -70.9654

xxx Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxxi

#5


CointEq1

DRATE1M(-1)

1

BIRATE(-1)

-0.85738 0.208691 [-4.10837]

C

-1.10284 1.654565 [-0.66654]

Error Correction:

D(DRATE1M)

D(BIRATE)

CointEq1

-0.04369 0.023602 [-1.85097]

1.86E-18 8.13E-18 [ 0.22842]

D(DRATE1M(-1))

0.483466 0.107029 [ 4.51713]

4.24E-17 6.97E-17 [ 0.60872]

D(DRATE1M(-2))

0.058568 0.101809 [ 0.57527]

6.93E-17 6.63E-17 [ 1.04510]

0.265109 0.164582 [ 1.61080]

-6.61E-16 1.07E-16 [6.16953]

-0.16838 0.12824 [-1.31301]

1.73E-17 8.35E-17 [ 0.20666]

D(BIRATE(-1))

D(BIRATE(-2))

xxxi Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxxii

DBIRATE


0.418794 0.125371 [ 3.34044]

1 8.16E-17 [ 1.2e+16]

0.691025 0.67147 1.890053 0.154676 35.33682 41.1472 -0.82699 -0.65457 -0.07635 0.269858

1 1 8.01E-31 1.01E-16 6.26E+31


-0.08235 0.194371

2.43E-34 2.10E-34 3108.685 -72.7926 -72.3615

#6

Vector Error Correction Estimates Date: 06/30/13 Time: 22:09 Sample (adjusted): 2006M01 2013M01 Included observations: 85 after adjustments Standard errors in ( ) & t-statistics in [ ] Cointegrating Eq: DRATE1M(-1) BIRATE(-1)

C

CointEq1 1 -0.86148 0.212777 [-4.04873] -0.9651

xxxii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxxiii


D(DRATE1M) -0.04338 0.024598 [-1.76358]

D(DRATE1M(-1))

-1.04E-18 1.14E-17 [0.09187]

[ 4.48630]

-8.50E-17 4.23E-17 [2.00930]

D(DRATE1M(-2))

0.058213 0.102416 [ 0.56840]

1.15E-16 4.02E-17 [ 2.86828]

D(BIRATE(-1))

0.265854 0.166678 [ 1.59501]

8.37E-17 6.55E-17 [ 1.27799]

D(BIRATE(-2))

-0.16871 0.129089 [-1.30695]

-2.30E-16 5.07E-17 [4.53539]

C

0.005045 0.018653 [ 0.27045]

1.30E-17 7.33E-18 [ 1.76988]

DBIRATE

0.420342 0.129821 [ 3.23786]

1 5.10E-17 [ 2.0e+16]

0.691029 0.667262 1.890029 0.155664 29.07512 41.14773 -0.80348 -0.60232 -0.07635 0.269858

1 1 2.92E-31 6.11E-17 1.41E+32


0.48341 0.107753

D(BIRATE)

Determinant resid covariance (dof

-0.08235 0.194371 9.04E-35 xxxiii Universitas Indonesia


xxxiv

adj.) Determinant resid covariance Log likelihood Akaike information criterion Schwarz criterion

7.61E-35 3083.772 -72.1829 -71.7231

#7


CointEq1

DRATE6M(-1)

1

BIRATE(-1)

-0.73246 0.179514 [-4.08026]

C

-2.66381 1.420283 [-1.87555]

Error Correction:

D(DRATE6M)

CointEq1

-0.03507 0.015807 [-2.21837]

D(DRATE6M(-1))

D(DRATE6M(-2))

0.340681 0.100264

D(BIRATE) -1.18E-18 5.19E-18 [0.22680]

[ 3.39782]

-7.07E-17 6.25E-17 [1.13165]

0.291525 0.083477 [ 3.49227]

2.35E-17 5.20E-17 [ 0.45278] xxxiv Universitas Indonesia


xxxv

D(BIRATE(-1))

0.250412 0.099636 [ 2.51327]

0 6.21E-17 [ 0.00000]

D(BIRATE(-2))

0.131057 0.079357 [ 1.65148]

8.50E-17 4.94E-17 [ 1.71917]

DBIRATE

0.007748 0.078935 [ 0.09816]

1 4.92E-17 [ 2.0e+16]

0.862768 0.854083 0.744431 0.097073 99.33389 80.74615 -1.75873 -1.58631 -0.04824 0.254124

1 1 2.89E-31 6.05E-17 1.74E+32



-0.08235 0.194371

3.43E-35 2.97E-35 3191.972 -74.7523 -74.3212

#8


CointEq1

xxxv Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxxvi

DRATE6M(-1) BIRATE(-1)

C

1 -0.74462 0.179928 [-4.13842] -2.49703

Error Correction:

D(DRATE6M)

D(BIRATE)

CointEq1

-0.03528 0.017453 [-2.02123]

4.23E-18 1.14E-17 [ 0.37277]

D(DRATE6M(-1))

0.340494 0.10092 [ 3.37391]

0 7.01E-17 [ 0.00000]

D(DRATE6M(-2))

0.290192 0.083925 [ 3.45777]

2.35E-17 5.83E-17 [ 0.40357]

0.250113 0.101382 [ 2.46704]

-4.55E-16 7.05E-17 [6.45832]

D(BIRATE(-2))

0.130722 0.080135 [ 1.63128]

2.27E-17 5.57E-17 [ 0.40756]

C

0.002062 0.012269 [ 0.16805]

6.74E-18 8.53E-18 [ 0.79027]

DBIRATE

0.008553 0.082365 [ 0.10384]

1 5.72E-17 [ 1.7e+16]

0.862776 0.85222 0.744389 0.097691 81.73571

1 1 3.60E-31 6.79E-17 1.15E+32

D(BIRATE(-1))

R-squared Adj. R-squared Sum sq. resids S.E. equation F-statistic

xxxvi Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxxvii

Log likelihood Akaike AIC Schwarz SC Mean dependent S.D. dependent

80.74852 -1.73526 -1.5341 -0.04824 0.254124


-0.08235 0.194371

4.40E-35 3.70E-35 3133.939 -73.3633 -72.9035

#9


CointEq1

DRATE24M(-1) BIRATE(-1)

C

1 -1.17567 0.465415 [-2.52608] 0.144288


D(DRATE24M) -0.03605 0.030556

D(DRATE24M(-1))

D(BIRATE)

[-1.17990]

-1.80E-18 7.72E-18 [0.23293]

-0.05906 0.094233 [-0.62674]

4.13E-17 1.71E-17 [ 2.41094]

xxxvii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

xxxviii

D(DRATE24M(-2))

-0.08351 0.0882 [-0.94682]

3.21E-17 1.60E-17 [ 1.99805]

D(BIRATE(-1))

0.118875 0.291581 [ 0.40769]

3.46E-16 5.30E-17 [ 6.52903]

D(BIRATE(-2))

-0.22971 0.219332 [-1.04734]

-2.54E-16 3.99E-17 [6.36895]

C

-0.09479 0.034491 [-2.74839]

0 6.27E-18 [ 0.00000]

DBIRATE

0.090314 0.249062 [ 0.36262]

1 4.53E-17 [ 2.2e+16]

0.060894 -0.01134 6.363499 0.285628 0.842955 -10.4467 0.41051 0.61167 -0.08906 0.284021

1 1 2.11E-31 5.20E-17 1.96E+32



-0.08235 0.194371

2.20E-34 1.85E-34 3031.851 -70.9612 -70.5014

xxxviii Universitas Indonesia Estimasi internet..., Andreas Eduardo Lazuardi, FE UI, 2013

UNIVERSITAS INDONESIA. Estimasi Interest Rate Pass-Through pada Mekanisme Transmisi Kebijakan Moneter Indonesia TESIS

Recommend Documents