ASISTENSI

:

EKONOMETRI TIME SERIES
SANJOYO

Pengujian Stasioneritas C.TOPIK A.TOPIK . ARMA & ARIMA D. VAR F. Pengertian Dasar B.SANJOYO SERIES2 . ARCH & GARCH E. COINTEGRATION & ECM G. SIMULTAN EQUATION ASISTENSI EKON TIME SERIES.

SANJOYO SERIES- 3 . maka utk pembentukan model yg melibatkan banyak variebel sebaiknya memperlakukan semua variabel menjadi variabel endogen VAR VAR adalah model yg memperlakukan setiap variabel dlm model secara simetris. artinya: varobel yg ada di RHS juga ada di LHS ASISTENSI EKON TIME SERIES.VAR(1) Vector Auto Regression Alternatif modelling apabila kita tidak yakin bahwa suatu variabel adalah exogenues Sim (1980): Jika kita tdk dpt secara pasti apakah suatu variabel exsogen atau endogen.

SANJOYO SERIES4 .VAR(2) Model VAR utk bivariate: Yt = α1 + α 2 X t + α 3Yt −1 + ε 1t X t = β1 + β 2Yt + β 3 X t −1 + ε 2t Standar form VAR utk bivariate/ Reduced form : Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t zt = δ + θzt −1 + vt ⎡ Yt ⎤ ⎡π 12 π 13 ⎤ ⎡υ1t ⎤ ⎡π 11 ⎤ zt = ⎢ ⎥ δ = ⎢ ⎥ θ = ⎢ ⎥ vt = ⎢υ ⎥ ⎣π 21 ⎦ ⎣ 2t ⎦ ⎣Xt ⎦ ⎣π 22 π 23 ⎦ ASISTENSI EKON TIME SERIES.

VAR(3) Model VAR(p) dg p lag: zt = δ + θ1 zt −1 + θ 2 zt − 2 + Asumsi: + θ p zt − p + vt Yt dan Xt stasioner (if not: varians tdk konstan) v1tdan v2t ~ white noise dg rata2=0 dan std dev masing2 σy dan σx v1tdan v2t uncorrelated disturbance ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 5 .

SANJOYO SERIES- Lat : VAR.VAR(4) Pengujian VAR: (Granger-causality) Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t Model Bivariate: Var (p=1) X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t Hipotesis Null: X does not Granger-cause Y ( π13=0) Y does not Granger-cause X ( π22=0) Statistik Uji: Wald test ~dist F Note: F={(RRSS-URSS)/r}/{URSS/(n-k)} Estimasi Model VAR Least Square Pilih Lag dg kriteria AIC SIC Estimate model ASISTENSI EKON TIME SERIES.prg 6 .

SANJOYO SERIES- Lat : VAR. Koef φi digunakan utk “generate” efek dari shock εyt dan εzt pada time path Yt dan Xt. ASISTENSI EKON TIME SERIES.prg 7 .VAR(5) Impuls Respon Function ⎡ Yt ⎤ ⎡ Y ⎤ ∞ ⎡φ11 (i ) φ12 (i ) ⎤ ⎡ε yt −i ⎤ ⎢ X ⎥ = ⎢ ⎥ + ∑ ⎢φ (i ) φ (i )⎥ ⎢ε ⎥ 22 ⎦ ⎣ xt −i ⎦ ⎣ t ⎦ ⎣ X ⎦ i =0 ⎣ 21 Moving average utk melihat interaksi Yt dan Xt.

Ada variabel Ztt dimana Zt=Yt-βXt bersifat stasioner. Jika Xt~I(1). Maka Xt dan Yt adalah dua variabel yg terkointegrasi. UIP.COINTEGRATION (1) Pengertian Dua variabel time series. ASISTENSI EKON TIME SERIES. Dua variabel yg terintegrasi menunjukan variabel tersebut mempunyai trend stokastik yg sama dan selanjutnya mempunyai arah pergerakan yg sama dlm jangka panjang (mempunyai hubungan jangka panjang. maka Xt dan Yt cointegrated.SANJOYO SERIES- 8 . dan Yt~I(1). & permanen income hipotesis. tetapi Zt=Yt-βXt ~I(0). Xt dan Yt yg keduanya non-stasioner. PPP.

σ2 ) ˆ ˆ yaitu: et = Yt − β X t Dg prosedure Engle-Granger (1987) menggunakan ADF test menguji stasioneritas êt (residual)...prg 9 . Bila variabel Yt dan Xt terkointergasi dg model Yt= α+βXt+et. i=1.SANJOYO SERIES- Lat : coint.m-1 Diperoleh dari pers regresi Yt= α+ βXt+et. ASISTENSI EKON TIME SERIES. maka Yt dan Xt mempunyai hubungan jangka panjang/ ekulibrium dg nilai long run β. ωt~ iid(0. Hipotesis Ho: δ =0 (tidak ada kointegrasi) H1: δ <0 (ada kointegrasi) Selanjutnya sama dg ADF test.COINTEGRATION (2) Cointegration Test Model: ∆ êt =β1+ β2t +δêt-1+ αi∑∆êt-i +ωt .

maka error term melakukan koreksi pd partial adjustment ΔYt=α0+α1ΔXt menuju ekulibrium jangka panjang. yaitu ΔYt=α0+α1ΔXt+ α2μt-1+εt.β1-β2Xt-1) Persamaan tsb menunjukan bahwa ΔYt bergantung pada ΔXt dan ekulibrium error term (μt-1) Jika koef ekulibrium error term (α2)≠ 0. ASISTENSI EKON TIME SERIES-.SANJOYO 10 SERIES .ECM(1) Pengertian: Terjadinya kointegrasi 2 variabel menunjukan adanya hubungan jangka panjang atau ekulibrium antara keduanya. Dalam jangka pendek mungkin terjadi disekulibrium Error term.dapat diperlakukan sebagai “ekulibrium error” dan dpt digunakan utk mengikat tingkat laku jangka pendek variabel Yt terhadap nilai jangka panjangnya. pada model Yt= β1+β2Xt+et. dimana μt-1=(Yt-1. Lat : ECM.prg Model Jika Variabel Yt dan Xt terkointegrasi model ECM.

ASISTENSI EKON TIME SERIES. maka akan terbawa pd tahap ke dua. Bila terjadi kesalahan pd tahap pertama.MULTIVARIATE COINTEGRATION (1) Keterbatasan prosedure Engle-Granger Harus diketahui mana variabel dependen dan mana yg independent Tidak netral thd pemilihan variabel: kemungkinan bisa: regresi Y thd X kointegrated namun regresi X thd Y tidak kointegrated Pengujian dg 3 variabel atau lebih.SANJOYO SERIES11 . tdk dpt memberikan jalan keluar yg sistematis bila terjadi multipel kointegrasi Sangat tergantung pd two step estimator.

MULTIVARIATE COINTEGRATION (2) Prosedure Johansen(1982) Bergantung pada hubungan antara rank dr suatu matrik( r ) dan characteristic root-nya Generalisasi dr uji stasioneritas Dicky-Fuller Xt=A1Xt-1+εt Xt-Xt-1=A1Xt-1-Xt+ εt ∆Xt =(A1-I)Xt-1+ εt ∆Xt =πXt-1+ εt dimana: Xt. adalah (nx1) vectors A1 =matrik(nxn) berisi parameter I =matrik identitas berukuran. nxn Π=(A1-I)= jml vektor kointegrasi 12 .

dan exist k x r matrik α dan β dengan masing2 rank r sehingga: π = α β’.SANJOYO SERIES- 13 .MULTIVARIATE COINTEGRATION (3) Jika koef Matrik π mempunyai rank r < k. ASISTENSI EKON TIME SERIES. dan β’yt adalah I(0) stasioner r = juml relasi yg terkointegrasi (rank kointergrasi) dan setiap kolom β adlh cointegrating vector.

k λ1=λ2=…λk=0 r=1 (1 vektor terkoin) λ2=λ3=…λk=0 r=2 (2 vektor terkoin) λ3=λ4=…λk=0 r=3 (3 vektor terkoin) λi adalah eigenvalue terbesar ke-I dari matrix π λtrace = −T ∑ ln (1 − λi ) r = 0.1.k − 1 λ max = −T ln (1 − λr +1 ) ASISTENSI EKON TIME SERIES.SANJOYO SERIES- k i = r +1 Lat : mulcoint..….MULTIVARIATE COINTEGRATION (4) Pengujian Ho: λi=0 r=0 (tdk terdpt koin) i=r+1..prg 14 .

MULTIVARIATE COINTEGRATION (5) Contoh: Uji kointegrasi dr variabel CONS & INCM dg johansen coint test dg output: (T=98).1 3.155456 0.4 3.SANJOYO SERIES15 .8 5 Percent Critical Value for Trace Statistics 15.012214 Pengujian dg: Max-Eigenvalue (λ max) Trace Statistic (λ trace) ASISTENSI EKON TIME SERIES. of CE(s) None At most 1 Eigenvalue 5 Persent Critical Value for Maximal eigenvalue 14.8 0. Ho: No.

012214)=1.SANJOYO SERIES- 16 .5579 1.2043 1 coint vector ASISTENSI EKON TIME SERIES.012214(λ2) λmax(1)=-98 (ln(1 .155456)=16.0.0.155456(λ1) 0.1 3. of CE(s) None* At most 1 Eigenvalue Max Eigenvalue Statistics 16.MULTIVARIATE COINTEGRATION (6) Contoh: λ maksimum: Ho: No.8 Keputusan Tolak Ho jika: Max-Eig > CV Tolak Ho Terima Ho 0.2043 5 Persent Critical Value for Maximal eigenvalue 14.5579 λmax(2)=-98 (ln(1 .

2043=17.0.5579+1. of CE(s) None* At most 1 Eigenvalue Trace Statistics 17.0.MULTIVARIATE COINTEGRATION (7) Contoh: λ trace: Ho: No.7622 λtrace(1)={-98 (ln(1 .012214(λ2) {-98 (ln(1 .7622 1.012214)=1.155456(λ1) 0.155456)} + 1 coint vector λtrace(2)=-98 (ln(1 .2043 5 Persent Critical Value for Trace statistic 15.SANJOYO SERIES17 .4 3.0.8 Keputusan Tolak Ho jika: Trace Stat > CV Tolak Ho Terima Ho 0.2043 ASISTENSI EKON TIME SERIES.012214) }=16.

Z) Terkointrasi 1 vektor Lag =1 ΔYt = π 11 + π 12CoinEq1 + π 13ΔYt −1 + π 14 ΔX t −1 + π 15 ΔZ t −1 + υ1t ΔX t = π 21 + π 22CoinEq1 + π 23ΔYt −1 + π 24 ΔX t −1 + π 25 ΔZ t −1 + υ2t ΔZ t = π 31 + π 32CoinEq1 + π 33ΔYt −1 + π 34 ΔX t −1 + π 35 ΔZ t −1 + υ3t dim ana : ˆ ˆ ˆ CoinEq1 = (Yt −1 − (α1 + α 2 X t −1 + α 3 Z t −1 ) ) ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 18 . Y.Estimasi VEC(vector error corection) Model Mis 3 variabel (X.

Sign up to vote on this title
UsefulNot useful