"Apa itu impulse response function (IRF) pada model VAR?"

"VAR memodelkan beberapa variabel yang saling memengaruhi lewat lag mereka masing-masing. IRF menjawab pertanyaan eksperimen: kalau satu variabel dikenai kejutan (impulse) sebesar satu satuan di t=0 dan variabel lain dibiarkan, bagaimana jalur respons seluruh variabel pada periode-periode berikutnya? Kurva itulah yang digambar widget — biasanya meluruh kembali ke nol bila sistem stabil. IRF adalah alat utama menafsirkan dinamika model VAR, karena koefisien mentah yang banyak hampir mustahil dibaca langsung."

"Kenapa variabel yang tidak dikejut ikut bergerak padahal guncangannya nol?"

"Karena sistem saling terkait lewat spillover: pada t=0 hanya variabel sumber yang bergerak, tetapi pada t=1 spillover menularkannya ke variabel kedua (r2 = ρ × r1), lalu di t=2 keduanya memengaruhi balik — demikian seterusnya. Ini persis fenomena spillover pasar keuangan: berita buruk satu saham besar menjalar ke sektor, lalu memantul balik. Makin besar slider spillover, makin cepat dan besar variabel kedua ikut tergelincir."

"Apakah grafik ini berhenti di 10 periode karena respons sudah nol?"

"Tidak tepat nol, tetapi meluruh secara geometris. Koefisien autoregresi (0,35 dan 0,40 di simulasi ini) lebih kecil dari satu sehingga setiap periode respons menyusut sebagian — setelah 10 periode sisa efeknya sudah sangat kecil dan grafik menempel di garis nol. Pada sistem dengan koefisien mendekati satu (proses sangat persisten), IRF bisa bertahan puluhan periode — salah satu cara membaca seberapa cepat sistem menyerap guncangan."

VAR: Impulse Response — Guncangan Menjalar Antar Variabel

Ketika suku bunga naik, kurs bergairah, lalu indeks harga ikut bergolak — ekonomi bekerja seperti sistem saling terhubung, bukan deret kejadian terpisah. Model Vector Autoregression (VAR) menangkap mekanisme itu: setiap variabel dipengaruhi oleh lag variabelnya sendiri dan lag variabel lain. Pertanyaan yang paling sering diajukan pada VAR bukan berapa koefisiennya, melainkan: apa yang terjadi setelah sebuah guncangan? Jawabannya adalah impulse response function (IRF).

Widget ini menyimulasikan VAR(1) dua variabel — return BBCA dan return Sektor Perbankan — dengan koefisien spillover yang bisa diatur. Pilih variabel mana yang dikejut, dan lihat bagaimana guncangan menjalar: variabel sumber meluruh secara bertahap, variabel kedua bangkit dulu (tertular), lalu keduanya kembali tenang. Fenomena penularan inilah inti analisis spillover di pasar keuangan.

Cara Pakai

Pilih tombol Guncangan dari BBCA atau Guncangan dari Sektor, atur Besar guncangan (t=0) (persen, bisa negatif), lalu geser Kekuatan spillover antar-variabel dan amati kurva 10 periode. Eksperimen bermakna: dengan spillover 0, variabel kedua mati total (sistem terpisah); dengan spillover 0,5, respons Sektor Perbankan pada bulan pertama bisa jauh lebih besar daripada sisa respons BBCA sendiri — penularan melebihi sumbernya.

Rumus Kunci

$$r_{1,t} = 0{,}35 \cdot r_{1,t-1} + \rho \cdot r_{2,t-1}$$$$r_{2,t} = \rho \cdot r_{1,t-1} + 0{,}40 \cdot r_{2,t-1}$$

Guncangan: r sumber di t=0 di-set sebesar shock, variabel lain nol. Iterasi rekursif 10 periode menghasilkan seluruh kurva IRF; koefisien diagonal (0,35 dan 0,40) mengatur persistensi tiap variabel, ρ mengatur kekuatan penularan.

Poin Penting

Dalam VAR empiris, IRF diestimasi dari residual yang berkorelasi silang sehingga urutan variabel (ordering) memengaruhi hasil — persis alasan munculnya generalised impulse response dan identifikasi struktural (SVAR). Simulasi widget memakai guncangan ortogonal sederhana (satu variabel saja dikejut) agar mekanisme dasar penularan terlihat bersih tanpa kompleksitas identifikasi.

VAR: Impulse Response — Guncangan Menjalar Antar Variabel

Cara Pakai

Rumus Kunci

Poin Penting

Terkait