P. 1
MODELVARECM

MODELVARECM

|Views: 8|Likes:
Dipublikasikan oleh banyuajiyudha

More info:

Published by: banyuajiyudha on Feb 03, 2013
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

04/26/2014

pdf

text

original

ASISTENSI

:

EKONOMETRI TIME SERIES
SANJOYO

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

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. 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.SANJOYO SERIES- 3 .

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.

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.

prg 6 .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.SANJOYO SERIES- Lat : VAR.

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

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

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

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.ECM(1) Pengertian: Terjadinya kointegrasi 2 variabel menunjukan adanya hubungan jangka panjang atau ekulibrium antara keduanya.dapat diperlakukan sebagai “ekulibrium error” dan dpt digunakan utk mengikat tingkat laku jangka pendek variabel Yt terhadap nilai jangka panjangnya. dimana μt-1=(Yt-1. 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. pada model Yt= β1+β2Xt+et. ASISTENSI EKON TIME SERIES-.SANJOYO 10 SERIES . Lat : ECM. Dalam jangka pendek mungkin terjadi disekulibrium Error term.

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. tdk dpt memberikan jalan keluar yg sistematis bila terjadi multipel kointegrasi Sangat tergantung pd two step estimator. ASISTENSI EKON TIME SERIES. maka akan terbawa pd tahap ke dua.SANJOYO SERIES11 . Bila terjadi kesalahan pd tahap pertama.

adalah (nx1) vectors A1 =matrik(nxn) berisi parameter I =matrik identitas berukuran. 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.

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

.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..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+1.1.prg 14 .

1 3.155456 0.8 0.MULTIVARIATE COINTEGRATION (5) Contoh: Uji kointegrasi dr variabel CONS & INCM dg johansen coint test dg output: (T=98).8 5 Percent Critical Value for Trace Statistics 15.SANJOYO SERIES15 . Ho: No.4 3. of CE(s) None At most 1 Eigenvalue 5 Persent Critical Value for Maximal eigenvalue 14.012214 Pengujian dg: Max-Eigenvalue (λ max) Trace Statistic (λ trace) ASISTENSI EKON TIME SERIES.

155456)=16.SANJOYO SERIES- 16 .MULTIVARIATE COINTEGRATION (6) Contoh: λ maksimum: Ho: No.0. of CE(s) None* At most 1 Eigenvalue Max Eigenvalue Statistics 16.5579 1.0.155456(λ1) 0.5579 λmax(2)=-98 (ln(1 .012214(λ2) λmax(1)=-98 (ln(1 .2043 5 Persent Critical Value for Maximal eigenvalue 14.8 Keputusan Tolak Ho jika: Max-Eig > CV Tolak Ho Terima Ho 0.1 3.012214)=1.2043 1 coint vector ASISTENSI EKON TIME SERIES.

012214) }=16.2043 ASISTENSI EKON TIME SERIES.4 3.7622 1.0.0.MULTIVARIATE COINTEGRATION (7) Contoh: λ trace: Ho: No.2043 5 Persent Critical Value for Trace statistic 15.2043=17. of CE(s) None* At most 1 Eigenvalue Trace Statistics 17.8 Keputusan Tolak Ho jika: Trace Stat > CV Tolak Ho Terima Ho 0.0.155456(λ1) 0.012214)=1.012214(λ2) {-98 (ln(1 .155456)} + 1 coint vector λtrace(2)=-98 (ln(1 .SANJOYO SERIES17 .7622 λtrace(1)={-98 (ln(1 .5579+1.

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

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->