Page 21 - Working Paper (Metode dan Teknik Proyeksi Penerimaan Pajak: Panduan dan Aplikasi)
P. 21
: Inflasi pada tahun pajak t dalam bentuk DOD
: Nilai impor pada tahun pajak t dalam bentuk DOD
: Nilai tukar rupiah dengan dolar AS pada tahun pajak t dalam bentuk DOD
�
+1 : Proyeksi penerimaan pajak pada tahun pajak t+1
: Realisasi penerimaan pajak pada tahun pajak t
: Nilai pertumbuhan PDB pada tahun pajak t
: Inflasi pada tahun pajak t
: Nilai impor pada tahun pajak t
: Nilai tukar rupiah dengan dolar AS pada tahun pajak t
Uji lag dilakukan dengan cara menambahkan lag pada model VAR bertujuan untuk
menghilangkan serial correlation. Kriteria-kriteria tersebut menentukan panjang lag dengan
melihat sejauh mana model tersebut fit dengan data aktualnya. Seperti yang terlihat Lampiran
54
F, model VAR dengan DOD menunjukkan hasil positif dengan kriteria FPE, AIC, dan HQIC dalam
lag 2 atau VAR(2) – DOD, sedangkan model VAR biasa menunjukkan hasil positif pada semua
kriteria dalam lag 3 atau VAR(3).
Menggunakan formula persamaan (16) dan (17) dengan proses pengujian statistik sebagaimana
disebutkan pada bagian C1 (lihat Lampiran 11 dan 12), hasil proyeksi penerimaan pajak tahun
2019 adalah sebagaimana disajikan Tabel 15 berikut.
Tabel 15 - Hasil estimasi model VAR (Rp triliun)
Model Proyeksi 2019
VAR(2) - DOD 1.361
VAR(3) 1.398
Sumber: Dikalkulasi Tim Penulis.
D.3.2. Model Bayesian VAR (BVAR)
Munculnya model Bayesian VAR dianggap atas dasar permasalahan bahwa pendekatan dengan model
VAR berisiko kurang tepat karena banyaknya variabel yang dimasukkan sehingga variabel dependen
yang diproyeksi justru berpotensi lebih dipengaruhi oleh variabel yang kurang relevan (noise)
55
ketimbang variabel relevan (signal) yang seharusnya mendapat bobot lebih.
Sebagaimana persamaan model VAR sebelumnya:
�
+1 = + + ⋯ + − + ϒ + … + ϒ + + … + − +
1
1
0
1
−
+ … + − + + ⋯ + − + (19)
1
1
Dari persamaan (19), merupakan vektor × 1 yang merepresentasikan variabel endogen, dan ∈
merupakan vektor × 1 dari error yang secara identik dan didistribusi secara normal dengan
variance-covariance matriks agregat, ∈ ~ (0, ∑), ( , … , ), dan variabel kontrol ( × ) dan
× , serta parameternya ( × 1).
Sejalan dengan besarnya jumlah variabel ( ), jumlah parameter untuk diestimasi, ( + ) juga
tumbuh secara geometris dan proporsional dengan jumlah lag ( ) yang dimasukkan. Oleh Litterman
54 Sri Suryanovi dan Dyah Purwanti, OpCit.
55 Mateo Cicarelli dan Alessandro Rebucci, “Bayesian VARs: A Survey of the Recent Literature with An Application
to the European System”, IMF Working Paper WP/03/102 (2003): 4-6.
19