Arima Arch Garch
Arima Arch Garch
SANJOYO
TOPIK - TOPIK
1. Pengertian Dasar 2. Pengujian Stasioneritas
Contoh:
AR(1) Yt=0,8Yt-1+
Lat7: AR Proses
t
Lat8: MA Proses
; =konstanta,
t =white
t+
t-1
Z t= +
1Zt-1+
t+
t-1
Pemilihan Lag:
ACF max q (lag MA) PACF max p(lag AR)
Bila model cenderung MA atau AR saja
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)
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
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).
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
~ N(0, t) heterosedastic Autoregresive p Lag of 2t-GARCH t dimana t adalah white term noise N(0,1)
0+ 1
2t-1 +
t-1
2t-1
~ 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=