DARMAWAN SOEGANDAR
1. Ditanyakan: buatlah model ARIMA terbaik berdasarkan data IHSG tahun 2006-2007 (data di
excel)
Dijawab:
Untuk mendapatkan model ARIMA terbaik terlebih dahulu harus di uji stasioneritas data. Akan di Uji
Stasioneritas
Berdasarkan gambar diatas bisakita ketahui bahwa data tidak stasioner dengan alasan:
a. Grafik otokorelasi pada lag pertama berada di luar garis barlet dan menurun secara
eksponensial
b. Nilai koefisien otokorelasi besar dan menurun secara perlahan
c. Nilai probabilitasn mendekati nol
Oleh karena itu kita akan menggunakan turunan pertama
Selanjutnya akan di mulai menguji model ARIMA terbaik, untuk keperluan itu di ambil model-model
yang ditentukan berdasarkan garis barlet pada turunan (diferensi) pertama dari data IHSG.
Untuk ARIMA (45,1,45)
d(ihsg) c ar(45) ma(45)
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 01/25/13 Time: 13:49
Sample (adjusted): 3/07/2006 11/23/2007
Included observations: 449 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1/03/2006 3/06/2006
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(45)
MA(45)
1.466760
-0.671608
0.893205
0.043409
0.033730
0.014449
33.78914
-19.91112
61.81703
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
Inverted AR Roots
Inverted MA Roots
0.202416
0.198840
0.843485
317.3139
-559.1724
56.59454
0.000000
.99-.07i
.93+.34i
.80+.58i
.61-.78i
.37-.92i
.10+.99i
-.17+.98i
-.43-.89i
-.66+.74i
-.84-.53i
-.95+.27i
-.99
1.00-.07i
.94+.34i
.81-.59i
.61-.79i
.37+.92i
.10-.99i
-.17-.98i
-.44-.90i
-.67-.74i
-.85-.53i
-.96+.27i
-1.00
1.469933
0.942361
2.504109
2.531550
2.514925
2.439226
.99+.07i
.93-.34i
.80-.58i
.61+.78i
.37+.92i
.10-.99i
-.17-.98i
-.43+.89i
-.66-.74i
-.84+.53i
-.95-.27i
.97+.21i
.88-.47i
.71-.69i
.50+.86i
.24+.96i
-.03+.99i
-.31-.94i
-.55+.82i
-.76-.64i
-.91-.40i
-.98+.14i
.97-.21i
.88+.47i
.71+.69i
.50-.86i
.24-.96i
-.03-.99i
-.31+.94i
-.55-.82i
-.76+.64i
-.91+.40i
-.98-.14i
1.00+.07i
.94-.34i
.81+.59i
.61+.79i
.37-.92i
.10+.99i
-.17+.98i
-.44+.90i
-.67+.74i
-.85+.53i
-.96-.27i
.98+.21i
.88+.47i
.72+.69i
.50-.86i
.24+.97i
-.03-1.00i
-.31-.95i
-.56-.83i
-.76+.64i
-.91+.41i
-.99-.14i
.98-.21i
.88-.47i
.72-.69i
.50+.86i
.24-.97i
-.03+1.00i
-.31+.95i
-.56+.83i
-.76-.64i
-.91-.41i
-.99+.14i
karena < 0,05 maka model ini kita terima dengan r2 = 0,202416
yt = (1- 1) + (1 + 1) yt-1 - 1yt-2 + t + 1 t-1
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
Y45 = 2,451848 + 0,328392y44 + 0,6716y43 + 0,893205 45
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(96)
MA(96)
1.467088
-0.273170
0.426193
0.047877
0.083005
0.095226
30.64261
-3.291030
4.475574
0.0000
0.0011
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.034408
0.029519
0.931662
342.8578
-535.0594
7.037812
0.000992
karena < 0,05 maka model ini kita terima dengan r = 0,034408
yt = (1- 1) + (1 + 1) yt-1 - 1yt-2 + t + 1 t-1
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
Y96 = 1,867852 + 0,72683y95 + 0,273170y94 + 0,426193 96
1.467337
0.945725
2.703816
2.733865
2.715718
2.357690
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(151)
MA(151)
1.474742
0.390905
-0.511414
0.059542
0.060711
0.094143
24.76815
6.438768
-5.432286
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.098326
0.093022
0.905954
279.0562
-451.3125
18.53829
0.000000
1.472303
0.951279
2.649052
2.682619
2.662423
2.374547
karena < 0,05 maka model ini kita terima dengan r2 = 0,098326
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
y151 = 0,898258+ 1,390905y150 - 0,390905y149 0,511414 151
Coefficient
Std. Error
t-Statistic
Prob.
C
AR(181)
MA(181)
1.462293
0.193471
-0.432598
0.053192
0.064764
0.102587
27.49086
2.987338
-4.216881
0.0000
0.0030
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.044791
0.038628
0.911825
257.7417
-413.7283
7.268142
0.000823
1.463259
0.929963
2.662801
2.698707
2.677150
2.348361
karena < 0,05 maka model ini kita terima dengan r2 = 0,044791
untuk keperluan itu kita harus mencek kriteria AIC (akaike info criterion) dan SIC (Schwarz criterion), dari
model ARIMA (7,1,7) ; ARIMA (24,1,24) ; dan ARIMA (25,1,25).
MODEL
ARIMA (45,1,45)
2.504109
AIC
2.531550
SIC
ARIMA (96,1,96)
2.703816
2.733865
ARIMA (151,1,151)
ARIMA (181,1,181)
2.649052
2.662801
2.682619
2.698707
KESIMPULAN
AIC dan SIC model
ARIMA (45,1,45)
terkecil sehingga model
ini adalah model yang
paling baik.
Sehingga diputuskan model ARIMA (45,1,45): Y45 = 2,451848 + 0,328392y44 + 0,6716y43 + 0,893205 45
adalah model yang kita pilih. Dengan r-square 0,202416.
2. Ditanyakan: berdasarkan data 2 (data di excel), dimana variable dependennya adalah IHSG,
sedangkan varaiabel independennya Kurs USD/Rp; BI Rate; dan Kurs Euro/Rp.
a. Lakukan uji asumsi klasik
b. Lakukan regresi linier secara parsial
c. Lakukan regresi linier secara simultan
Buatlah dintrepretasi dari masing-masing uji tersebut.
a. Akan dilakukan uji klasik pada masing-masing data
test normalitas residu
120
Series: Residuals
Sample 1/02/2006 11/23/2007
Observations 495
100
80
60
40
20
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
6.57e-13
-4.810600
548.4917
-498.6549
142.6522
0.148389
3.986885
Jarque-Bera
Probability
21.90414
0.000018
0
-400
-200
200
400
Mean
Median
Maximum
Minimum
Std. Dev.
Skewness
Kurtosis
IHSG
1801.598
1759.490
2810.960
1171.710
457.1627
0.528882
2.188929
USDRP
9145.913
9142.000
9746.000
8731.000
150.0822
0.350832
3.682738
BIRATE
0.000298
0.000308
0.000342
0.000219
5.17E-05
-0.547408
1.465775
EURORP
12915.90
12427.25
15430.95
10896.35
1361.775
0.268304
1.619107
RESID
6.57E-13
-4.810600
548.4917
-498.6549
142.6522
0.148389
3.986885
Jarque-Bera
Probability
36.64444
0.000000
19.76833
0.000051
73.26965
0.000000
45.26804
0.000000
21.90414
0.000018
Sum
Sum Sq. Dev.
891791.2
1.03E+08
4527227.
11127183
0.147548
1.32E-06
6393372.
9.16E+08
3.22E-10
10052721
Observations
495
495
495
495
495
hasil analisa normalitas diatas menunjukkan bahwa semua variable memenuhi indicator nilai JarqueBera.
Uji otokorelasi
Breusch-Godfrey Serial Correlation LM Test:
F-statistic
Obs*R-squared
2500.833
450.9152
Prob. F(2,489)
Prob. Chi-Square(2)
0.0000
0.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 01/25/13 Time: 14:41
Sample: 1/02/2006 11/23/2007
Included observations: 495
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
USDRP
BIRATE
EURORP
RESID(-1)
RESID(-2)
-15.90456
0.018260
-173261.3
-0.007696
0.936647
0.019263
135.3714
0.013085
94054.61
0.003589
0.045128
0.045196
-0.117488
1.395425
-1.842135
-2.144655
20.75531
0.426216
0.9065
0.1635
0.0661
0.0325
0.0000
0.6701
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.910940
0.910029
42.78872
895297.6
-2558.712
1000.333
0.000000
6.57E-13
142.6522
10.36247
10.41344
10.38248
1.963953
Coefficient
Std. Error
t-Statistic
Prob.
C
USDRP
BIRATE
EURORP
4468.159
-0.436478
-3741117.
0.188958
452.6867
0.043689
313528.7
0.011949
9.870312
-9.990659
-11.93229
15.81397
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.902632
0.902037
143.0873
10052721
-3157.277
1517.246
0.000000
1801.598
457.1627
12.77283
12.80681
12.78617
0.092172
Syarat tidak ada otokorelasi adalah jika nilai D-W statstik antara 1,54 s.d 2,46
Untuk itu kita lakukan Estimasi ulang dengan diferensi tingkat satu sehingga didapat hasil estimasi berikut. tampak
bahwa nilai DW telah memenuhi syarat 2,148349 1,54 < 1,964978 <2,46
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 01/25/13 Time: 14:46
Sample (adjusted): 1/03/2006 11/23/2007
Included observations: 494 after adjustments
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
D(USDRP)
D(BIRATE)
D(EURORP)
3.120505
0.000984
-242084.0
0.000976
1.198332
0.025138
343039.1
0.007458
2.604042
0.039138
-0.705704
0.130854
0.0095
0.9688
0.4807
0.8959
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.001078
-0.005038
26.49601
343998.8
-2317.783
0.176265
0.912465
3.186478
26.42952
9.399929
9.433958
9.413289
1.964978
Untuk lebih yakin bisa kita cek dengan uji B-G berikut, tampak bahwa = 0,7124 > 0,05
10 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
0.335422
0.678160
Prob. F(2,488)
Prob. Chi-Square(2)
0.7152
0.7124
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 01/25/13 Time: 14:47
Sample: 1/03/2006 11/23/2007
Included observations: 494
Presample missing value lagged residuals set to zero.
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
D(USDRP)
D(BIRATE)
D(EURORP)
RESID(-1)
RESID(-2)
-0.005888
-0.001092
-5016.502
0.000131
0.017919
-0.032828
1.199982
0.025233
343677.7
0.007475
0.045327
0.045390
-0.004907
-0.043293
-0.014597
0.017520
0.395322
-0.723247
0.9961
0.9655
0.9884
0.9860
0.6928
0.4699
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.001373
-0.008859
26.53202
343526.6
-2317.443
0.134169
0.984447
6.98E-16
26.41527
9.406653
9.457696
9.426692
1.993178
pilihannya tentu tinggal pendapat ahli mana yang akan kita gunakan.
Uji heterokedastisitas
Coefficient
Std. Error
t-Statistic
Prob.
C
USDRP
BIRATE
EURORP
4468.159
-0.436478
-3741117.
0.188958
452.6867
0.043689
313528.7
0.011949
9.870312
-9.990659
-11.93229
15.81397
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
0.902632
0.902037
143.0873
10052721
1801.598
457.1627
12.77283
12.80681
11 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Log likelihood
F-statistic
Prob(F-statistic)
-3157.277
1517.246
0.000000
Hannan-Quinn criter.
Durbin-Watson stat
12.78617
0.092172
p-value Obs*R-squared > alpha, maka tidak ada heteroskedastisitas. Sedangkan menurut pendapat lain
harus > 0,05 dan ini dipenuhi oleh persamaan yang terdiferensi pada tingkat ke-1.
Heteroskedasticity Test: White
F-statistic
Obs*R-squared
Scaled explained SS
0.071904
0.659622
2.379355
Prob. F(9,484)
Prob. Chi-Square(9)
Prob. Chi-Square(9)
0.9999
0.9999
0.9840
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 01/25/13 Time: 14:49
Sample: 1/03/2006 11/23/2007
Included observations: 494
Variable
Coefficient
Std. Error
t-Statistic
Prob.
C
D(USDRP)
(D(USDRP))^2
(D(USDRP))*(D(BIRATE))
(D(USDRP))*(D(EURORP))
D(BIRATE)
(D(BIRATE))^2
(D(BIRATE))*(D(EURORP))
D(EURORP)
(D(EURORP))^2
703.1549
0.156290
-0.000853
697262.9
-0.002440
-547999.2
-1.57E+11
-398885.4
0.124372
8.88E-05
89.07194
1.924666
0.013085
5176871.
0.007123
1.87E+08
4.26E+12
2077301.
0.549527
0.000426
7.894235
0.081204
-0.065200
0.134688
-0.342598
-0.002924
-0.036890
-0.192021
0.226326
0.208180
0.0000
0.9353
0.9480
0.8929
0.7320
0.9977
0.9706
0.8478
0.8210
0.8352
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.001335
-0.017235
1903.744
1.75E+09
-4426.384
0.071904
0.999906
696.3538
1887.547
17.96107
18.04614
17.99447
1.120299
Jika kita ingin memenuhi pendapat harus > 0,05 pada persamaan sebelum didiferensiasi berarti
terdapat heterokedastisitas oleh karena itu untuk tetap menggunakan data ini, kita bisa
menghilangkannya, pada ceklist heterokedastisitas consistent covariance. Sehingga di dapat estimasi
baru sebagai berikut:
12 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Coefficient
Std. Error
t-Statistic
Prob.
C
USDRP
BIRATE
EURORP
4468.159
-0.436478
-3741117.
0.188958
368.9986
0.034768
359689.3
0.011586
12.10888
-12.55419
-10.40097
16.30944
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.902632
0.902037
143.0873
10052721
-3157.277
1517.246
0.000000
1801.598
457.1627
12.77283
12.80681
12.78617
0.092172
Uji Multikolinieritas
IHSG
USDRP
BIRATE
EURORP
IHSG
1.000000
0.031927
-0.915823
0.923837
USDRP
0.031927
1.000000
-0.163706
0.188328
BIRATE
-0.915823
-0.163706
1.000000
-0.917590
EURORP
0.923837
0.188328
-0.917590
1.000000
Syarat terjadinya multikolinieritas adalah koefisien korelasi di antara variabel bebas lebih besar dari 0,8.
Dilihat dari hasil uji korelasional tampak bahwa patut di duga adanya hubungan linier antar IHSG dengan
Kurs Euro/Rp (0,923837>0,8).
Untuk itu disarankan untuk menambah data, karena masalah multikolinieritas biasanya timbul karena
data yang di observasi sedikit.
13 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Coefficient
Std. Error
t-Statistic
Prob.
C
USDRP
912.1341
0.097253
1254.244
0.137119
0.727238
0.709259
0.4674
0.4785
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.001019
-0.001007
457.3929
1.03E+08
-3733.516
0.503048
0.478499
1801.598
457.1627
15.09299
15.10998
15.09966
0.003501
Persamaan regresi linier pengaruh Kurs USD/Rp terhadap IHSG adalah IHSG = 912,1341 + 0,097253
USDRP. Persamaan nilai = 0,4 > 0,05 hal ini menunjukkan bahwa tidak ada pengaruh yang signifikan dari
kurs USD/Rp terhadap IHSG.
Coefficient
Std. Error
t-Statistic
Prob.
C
BIRATE
4217.058
-8103485.
48.41199
160033.1
87.10771
-50.63631
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.838733
0.838406
183.7740
16650028
-3282.157
2564.036
0.000000
1801.598
457.1627
13.26932
13.28631
13.27599
0.042869
Persamaan regresi linier pengaruh BI-Rate terhadap IHSG adalah IHSG = 4217.05815311 8103485.23747*BIRATE. Persamaan nilai = 0,0 < 0,05 hal ini menunjukkan bahwa ada pengaruh yang
signifikan dari BI-Rate terhadap IHSG.
14 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Pengaruh BI-Rate terhadap IHSG dapat digambarkan sebagai berikut: jika tidak ada perubahan BI-Rate
maka nilai IHSG sebesar 4217,058; Sedangkan jika terjadi kenaikan BI-Rate sebesar 1 satuan maka nilai
IHSG adalah 4217.05815311 - 8103485.23747*1 = -8099268,1793169
Coefficient
Std. Error
t-Statistic
Prob.
C
EURORP
-2204.167
0.310142
75.16539
0.005788
-29.32423
53.58749
0.0000
0.0000
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
0.853475
0.853178
175.1727
15127935
-3258.430
2871.619
0.000000
1801.598
457.1627
13.17345
13.19044
13.18012
0.111868
Persamaan regresi linier pengaruh Kurs Euro/Rp terhadap IHSG adalah IHSG = -2204.16733958 +
0.310142148062*EURORP. Persamaan nilai = 0,0 < 0,05 hal ini menunjukkan bahwa ada pengaruh yang
signifikan dari Kurs Euro/Rp terhadap IHSG.
Pengaruh Kurs Euro/Rp terhadap IHSG dapat digambarkan sebagai berikut: jika tidak ada perubahan Kurs
Euro/Rp maka nilai IHSG sebesar -2204,167; Sedangkan jika terjadi kenaikan Kurs Euro/Rp sebesar 1
satuan maka nilai IHSG adalah -2204.16733958 + 0.310142148062*1 = -2203,8571974319
Coefficient
Std. Error
t-Statistic
Prob.
C
USDRP
BIRATE
EURORP
4468.159
-0.436478
-3741117.
0.188958
452.6867
0.043689
313528.7
0.011949
9.870312
-9.990659
-11.93229
15.81397
0.0000
0.0000
0.0000
0.0000
R-squared
Adjusted R-squared
0.902632
0.902037
1801.598
457.1627
15 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
S.E. of regression
Sum squared resid
Log likelihood
F-statistic
Prob(F-statistic)
143.0873
10052721
-3157.277
1517.246
0.000000
12.77283
12.80681
12.78617
0.092172
Persamaan regresi linier pengaruh simultan Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp terhadap IHSG
adalah:
IHSG = 4468.15906203 - 0.436477860762*USDRP - 3741116.73468*BIRATE + 0.188958339945*EURORP
Persamaan nilai = 0,0 < 0,05 hal ini menunjukkan bahwa ada pengaruh simultan yang signifikan dari Kurs
USD/Rp; BI-Rate dan Kurs Euro/Rp terhadap IHSG.
Pengaruh Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp terhadap IHSG dapat digambarkan sebagai berikut:
Jika tidak ada perubahan Kurs USD/Rp;
BI-Rate dan Kurs Euro/Rp maka nilai IHSG sebesar
4468.15906203; Sedangkan jika terjadi kenaikan Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp sebesar 1
satuan maka nilai IHSG adalah 4468.15906203 - 0.436477860762*1 - 3741116.73468*1 +
0.188958339945*1 = -3736648,8231375.