EKONOMETRI TIME SERIES

SANJOYO

TOPIK - TOPIK
1. Pengertian Dasar 2. Pengujian Stasioneritas

3. ARMA & ARIMA 4. ARCH & GARCH

5. VAR 6. COINTEGRATION & ECM 7. SIMULTAN EQUATION

ARMA & ARIMA(1)

Metodologi Box Jenkin:
Identifikasi stasioner ? ; jika diperlukan tranformasi. Berdasarkan property dr autocorelasi suatu series (yg sdh ditransformasikan) pilih model ARMA / ARIMA estimasi & uji model yang cocok dimana residual bersifat white noise Autocorrelation mengukur korelasi antara suatu series dg beberapa lag sebelumnya. Misalnya: antara Zt dg Zt-1, untuk seluruh pasangan (jumlah observasi ada n-1 pasangan). Lakukan forecast berdasarkan kurun waktu pengamatan yg sesuai.

ARMA & ARIMA(2)

ARIMA dibangun berdasarkan bahwa suatu proses stokastik dr data series memiliki struktur yg berkaitan dg:
Trend jangka panjang Nilai pd waktu sebelumnya (AR struktur) Nilai disturban pd periode sebelumnya (MA).

ARMA & ARIMA(3)

Autoregresive (AR):
AR(p)Zt=m+ 1Zt-1 + 2Zt-2+...+ pZt-p+ t dimana m=konstanta, t = white noise proses.

Contoh:
AR(1) Yt=0,8Yt-1+
Lat7: AR Proses
t

ARMA & ARIMA(2)

Contoh:
AR(2) Zt=0,5Zt-1 +0, 3Zt-2+ t

ARMA & ARIMA(2)

Moving Average (MA) :
Z t= + 0 t+ 1 noise proses. Contoh:
MA(1) Yt=2+
t-1+...+ q t-q

Lat8: MA Proses

; =konstanta,

t =white

t+

t-1

ARMA & ARIMA(2)

Contoh:
MA(2) Zt=2+
t+ t-1 + t-2

ARMA & ARIMA(2)

ARMA:
N ARMA(p=1,q=1) Jika series sdh first dif I(1) ARIMA(1,1,1)

Z t= +

1Zt-1+

t+

t-1

Lat9: ARMA Proses

ARMA & ARIMA(3)

Identifikasi struktur series:
Pola ACT AR (p) MA (q) ARMA Pola PACF Decay exponentially Finete: terputus sesudah lag p Terputus/ terpotong setelah Lag q Exponentially decay Exponentially decay

Pemilihan Lag:
ACF max q (lag MA) PACF max p(lag AR)
Bila model cenderung MA atau AR saja

ARMA & ARIMA(5)

Kriteria pemilihan model terbaik:
Error random Q statistik (correlogram) Signifikasi Veriabel t statistik SE of Regresi / R2
Berkaitan dengan forecasting: Root Mean square error (RMSE) Mean Absolut Error (MAE) Mean Absolut Percent Error (MAPE)

ARMA & ARIMA(4)

CARA PERTAMA: forward regresion (basis residual white noise):
Lihat PACF untuk menentukan Lag AR(p), kemudian:

lihat correlogram apakah model sdh White Noise. Bila belum modelkan sebagai lag MA(q)
Mis dari data file :univariat CPI non-stat first diff (d=1) CPI Stasioner CPI lihat correlogram ar(1) OLS cpi c ar(1) significant ? Ya. Lihat residual correlogram White noise? tambah ma(5) OLS cpi ar(1) ma(5) significant ? Ya. Lihat residual correlogram White noise? tambah ma(8) atau ma(6) Dan seterus nya Model Akhir:
(1). cpi ar(1) ma(5) ma(6) (2). cpi ar(1) ma(5) ma(8)

Lat9a: ARMA Proses

ARMA & ARIMA(4)

CARA KEDUA: Backward Regression (basis Signifikansi koef): Mis dari data file :univariat CPI CPI Non-stasioner first diff (d=1) CPI Stasioner Dari correlogram (CPI ): ar(1) ar(7) ma(1-6) yg penting significant individual koefisien OLS: CPI c ar(1) ar(7) ma(1-6) hilangkan yang tidak significant mulai dari ma(6) dg redundant test dan seterusnya. Model Akhir: CPI c ar(1) ar(7) ma(2) ma(5)
Lat9b: ARMA Proses

Kriteria Pemilihan Model

Model ARIMA Parameter
CONSTANT AR(1) MA(5) MA(6) CONSTANT AR(1) MA(5) MA(8) CONSTANT AR(1) AR(7) MA(2) MA(5)

Estimasi Parameter
1.302799 0.707553 0.327614 0.259056 1.258723484 0.7521177939, 0.3430463389, -0.2584077005 1.326451 0.842224 -0.119512 -0.274655 0.344174

p-value t-ratio
0.1202 0.0000 0.0005 0.0050 0.0673 0.0000 0.0004 0.0070 0.0356 0.0000 0.0458 0.0069 0.0004

Prob Q
Error WN

SE of Reg
1.702521

Error WN

1.706071

Error WN

1.746126

ARCH & GARCH(1)

GARCH (Geneneralized Autoregresive Conditional Heteroscedasticity):
Model time series dg varian tidak konstan, Varian tidak konstan:
t.

Adanya heteroscedasticity Asumsi OLS tak terpenuhi Parameter masih tak bias Estimasi standar error & confident interval terlalu narrow a false sense of percision.

Mendeteksi GARCH: secara visual ditandai volatility clustering (adanya varian meningkat interval tertentu).

ARCH & GARCH(2)

Varian
t

dimodelkan bergantung pada :

Rata2 series ( ) Volatility data yg terjadi periode sebelumnya (diukur dg lag kuadrat residual t-12)- ARCH term Varian forecast periode sebelumnya, t-12

Model ARCH(q):
Yt=0+0Yt-1+ t dimana heterosedastic
t= t t;

~ N(0,

dimana t adalah white noise N(0,1) t2= 0+ 1 2t-1 +..+ q 2t-q Bila ARCH(1) maka: t2= 0+ 1 2t-1

ARCH & GARCH(3)

Model GARCH(p,q)
Yt=0+0Yt-1+
dimana
t= t t

Moving average q lag of 2t-1-ARCH term

~ N(0, t) heterosedastic Autoregresive p Lag of 2t-GARCH t dimana t adalah white term noise N(0,1)

. . conditional varians Bila GARCH(1,1) maka:

t= t2=

0+ 1

2t-1 +

t-1

2t-1

Pengujian Model ARCH

Engle (1982) Lagrange Multiplier test utk ARCH, dg step:
Ettimasi AR(n) (regressi) dg OLS: yt= 0+ 1yt-1 ++ nyt-n + t Hitung Bila tak ada ARCH/ GARCH maka 0= 2== q=0

ARCH & GARCH(4)

Pengujian Model ARCH
Hipotesis:
Ho: 0= 2== q=0 tidak ada ARCH error s/d order q H1: ada ARCH

Test Statistik TR 2 ~2q Keputusan : Tolak Ho bila TR 2 >2q

Lat10: ARCH Proses

Threshold ARCH/ GARCH (1)

Model T-GARCH(p,q)
Yt=0+0Yt-1+
dimana
t= t t

Moving average q lag of 2t-1-ARCH term

~ N(0, t) heterosedastic Autoregresive p Lag of 2t-GARCH t dimana t adalah white term noise N(0,1)

. . conditional varians dimana: I t-k=1 jika t <0, lainnya =0 Good News t-i >0; bad news t-1 <0; mempunyai dampak pada conditional variance. Good News berdampak i dan bad news berdampak i+i
t=

Threshold ARCH/ GARCH (2)

Hipotesis
H0: i=0 (bad news tak berdampak pada cond. Variance) H1: i0 (bad news berdampak pada cond. Variance)

Statistik Uji : z-test : i/SE(i) Keputusan: p-value < 5% H0 ditolak