"Apa bedanya kointegrasi dengan korelasi?"

"Korelasi mengukur seberapa sering dua deret bergerak bersama pada periode yang sama dan bisa tinggi hanya karena keduanya sama-sama punya tren (naik terus). Kointegrasi lebih ketat: ia menyatakan bahwa kombinasi linear dua deret non-stasioner menghasilkan deret yang stasioner — selisihnya tidak menyebar tanpa batas. Dua deret bisa berkorelasi tinggi namun tidak kointegrasi (korelasi semu), dan bisa kointegrasi meski korelasinya rendah dalam jangka pendek karena masing-masing punya dinamika sendiri."

"Apa yang terjadi kalau α = 0?"

"Tidak ada gaya koreksi sama sekali: Y hanya mengikuti kejutannya sendiri, sehingga selisih Y − X menjadi random walk — bisa melayang menjauh dari nol dan tidak pernah kembali. Secara teknis, X dan Y tidak kointegrasi; regresi Y terhadap X akan menghasilkan hubungan palsu (spurious) dengan R² tinggi padahal tidak ada hubungan jangka panjang. Nilai α \u003e 0 adalah syarat eksistensi mekanisme penarik kembali ke keseimbangan."

"Untuk apa kointegrasi dipakai di dunia nyata?"

"Contoh klasik: strategi pairs trading menjual saham yang mahal relatif terhadap pasangan kointegrasinya dan membeli yang murah, bertaruh spread kembali ke rata-rata. Selain itu relasi jangka panjang konsumsi–pendapatan, kurs–paritas daya beli, atau suku bunga jangka pendek–jangka panjang diuji dengan kointegrasi (Engle-Granger, Johansen) sebelum dimodelkan dengan VECM, agar estimasi tidak terjebak regresi semu."

Cointegration: Dua Deret Menjelajah, Selisihnya Terikat

Dalam ekonometrika deret waktu, banyak variabel ekonomi — harga saham, kurs, pendapatan — bersifat non-stasioner: levelnya berjalan menjauh tanpa kecenderungan kembali. Regresi biasa antar variabel seperti ini rawan menghasilkan hubungan palsu. Namun ada kasus istimewa: dua deret yang masing-masing menjelajah bebas, tetapi selisih (kombinasi linear) tertentu di antara keduanya stasioner — berselimut garis keseimbangan. Fenomena ini disebut kointegrasi, dan widget ini memperagakannya lewat simulasi random walk.

Panel atas menampilkan dua deret: X si pemabuk yang berjalan murni acak, dan Y si anjing yang selain menerima kejut sendiri juga mengoreksi deviasinya terhadap X sebesar α kali deviasi periode lalu. Panel bawah menampilkan selisih Y − X. Satu slider α mengendalikan seluruh cerita: apakah selisih ikut menjelajah (tidak kointegrasi) atau terikat berayun di sekitar nol (kointegrasi).

Cara Pakai

Geser slider Kecepatan penyesuaian α dan amati dua grafik secara bersamaan. Pada α = 0, grafik Selisih Y − X menyajikan random walk penuh yang terus menjauh dari garis nol. Naikkan α, dan Y mulai tertarik mengikuti X: selisihnya berbalik stasioner — inilah kondisi kointegrasi. Data kejut dibangkitkan sekali per muatan halaman, jadi bentuk kurva berbeda-beda tiap kunjungan, tetapi kesimpulannya konsisten untuk setiap nilai α.

Rumus Kunci

$$Y_t = Y_{t-1} + \varepsilon_t - \alpha\,(Y_{t-1} - X_{t-1})$$$$(Y - X)_t = (1-\alpha)(Y-X)_{t-1} + \varepsilon_t$$

Bila 0 < α ≤ 1, selisih (Y − X) menjadi proses autoregresif stasioner yang ditarik ke nol — koefisien (1−α) lebih kecil dari satu. Bila α = 0, koefisien tersebut tepat satu dan selisih menjadi random walk murni.

Poin Penting

Kointegrasi tidak berarti kedua deret bergerak berdampingan rapat — keduanya tetap non-stasioner dan tak terprediksi. Yang stasioner hanyalah kombinasi linearnya. Karena itu dalam praktik pengujian dilakukan dengan meregresi Y terhadap X, lalu menguji apakah residualnya stasioner (uji akar unit Engle-Granger) atau memakai uji Johansen untuk sistem multivariabel.