ASISTENSI

:

EKONOMETRI TIME SERIES
SANJOYO

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

SANJOYO SERIES- 3 . artinya: varobel yg ada di RHS juga ada di LHS ASISTENSI EKON TIME SERIES. 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.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.

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.SANJOYO SERIES4 .

SANJOYO SERIES- 5 .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- 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 .

Koef φi digunakan utk “generate” efek dari shock εyt dan εzt pada time path Yt dan Xt.SANJOYO SERIES- Lat : VAR.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. ASISTENSI EKON TIME SERIES.prg 7 .

Jika Xt~I(1). tetapi Zt=Yt-βXt ~I(0). Ada variabel Ztt dimana Zt=Yt-βXt bersifat stasioner. ASISTENSI EKON TIME SERIES. & permanen income hipotesis. maka Xt dan Yt cointegrated. PPP.COINTEGRATION (1) Pengertian Dua variabel time series. dan Yt~I(1). Xt dan Yt yg keduanya non-stasioner. 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 adalah dua variabel yg terkointegrasi.SANJOYO SERIES- 8 . UIP.

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

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

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. Bila terjadi kesalahan pd tahap pertama. ASISTENSI EKON TIME SERIES. maka akan terbawa pd tahap ke dua.

nxn Π=(A1-I)= jml vektor kointegrasi 12 .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.

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

MULTIVARIATE COINTEGRATION (4) Pengujian Ho: λi=0 r=0 (tdk terdpt koin) i=r+1.k − 1 λ max = −T ln (1 − λr +1 ) ASISTENSI EKON TIME SERIES.SANJOYO SERIES- k i = r +1 Lat : mulcoint..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.prg 14 .…..1.

4 3. Ho: No.MULTIVARIATE COINTEGRATION (5) Contoh: Uji kointegrasi dr variabel CONS & INCM dg johansen coint test dg output: (T=98).8 0.1 3.155456 0.SANJOYO SERIES15 . of CE(s) None At most 1 Eigenvalue 5 Persent Critical Value for Maximal eigenvalue 14.8 5 Percent Critical Value for Trace Statistics 15.012214 Pengujian dg: Max-Eigenvalue (λ max) Trace Statistic (λ trace) ASISTENSI EKON TIME SERIES.

2043 1 coint vector ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 16 .0. of CE(s) None* At most 1 Eigenvalue Max Eigenvalue Statistics 16.5579 λmax(2)=-98 (ln(1 .8 Keputusan Tolak Ho jika: Max-Eig > CV Tolak Ho Terima Ho 0.5579 1.MULTIVARIATE COINTEGRATION (6) Contoh: λ maksimum: Ho: No.155456)=16.2043 5 Persent Critical Value for Maximal eigenvalue 14.1 3.012214)=1.155456(λ1) 0.0.012214(λ2) λmax(1)=-98 (ln(1 .

012214) }=16. of CE(s) None* At most 1 Eigenvalue Trace Statistics 17.0.0.7622 λtrace(1)={-98 (ln(1 .2043 ASISTENSI EKON TIME SERIES.012214(λ2) {-98 (ln(1 .SANJOYO SERIES17 .012214)=1.8 Keputusan Tolak Ho jika: Trace Stat > CV Tolak Ho Terima Ho 0.MULTIVARIATE COINTEGRATION (7) Contoh: λ trace: Ho: No.5579+1.2043=17.155456(λ1) 0.2043 5 Persent Critical Value for Trace statistic 15.4 3.155456)} + 1 coint vector λtrace(2)=-98 (ln(1 .7622 1.0.

SANJOYO SERIES- 18 . Y. 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.Estimasi VEC(vector error corection) Model Mis 3 variabel (X.

Sign up to vote on this title
UsefulNot useful