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

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, 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,
artinya: varobel yg ada di RHS juga ada di

VAR(2)
Model VAR utk bivariate:

Standar form VAR utk bivariate/ Reduced

form :

VAR(3)
Model VAR(p) dg p lag:

Asumsi:
Yt dan Xt stasioner (if not: varians tdk konstan)
v1tdan v2t ~ white noise dg rata2=0 dan std dev
masing2 y dan x
v1tdan v2t uncorrelated disturbance

VAR(4)
Pengujian VAR: (Granger-causality)
Model Bivariate: Var (p=1)

Hipotesis Null:
X does not Granger-cause Y ( 13=0)
Y does not Granger-cause X ( 22=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

Lat : VAR.prg

VAR(5)
Impuls Respon Function

Moving average utk melihat interaksi Yt dan Xt.

Koef i digunakan utk generate efek dari shock yt
dan zt pada time path Yt dan Xt.

Lat : VAR.prg

COINTEGRATION (1)
Pengertian
Dua variabel time series; Xt dan Yt yg keduanya
non-stasioner. Ada variabel Ztt dimana Zt=Yt- Xt
bersifat stasioner. Maka Xt dan Yt adalah dua
variabel yg terkointegrasi.
Jika Xt~I(1), dan Yt~I(1), tetapi Zt=Yt- Xt ~I(0),
maka Xt dan Yt cointegrated.
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; PPP, UIP, &

COINTEGRATION (2)
Cointegration Test
Model: t =

1+

2t

+t-1+

it-i

+t ; i=1,..m-1

Diperoleh dari pers regresi Yt= + Xt+et; t~ iid(0,2 )

yaitu:
Dg prosedure Engle-Granger (1987) menggunakan ADF test
menguji stasioneritas t (residual).

Hipotesis
Ho: =0 (tidak ada kointegrasi)
H1: <0 (ada kointegrasi)

Selanjutnya sama dg ADF test.

Bila variabel Yt dan Xt terkointergasi dg model Yt=
+ Xt+et, maka Yt dan Xt mempunyai hubungan jangka
panjang/ ekulibrium dg nilai long run .
Lat : coint.prg

ECM(1)
Pengertian:
Terjadinya kointegrasi 2 variabel menunjukan adanya
hubungan jangka panjang atau ekulibrium antara
keduanya.
Dalam jangka pendek mungkin terjadi disekulibrium
Error term, pada model Yt= 1+ 2Xt+et,dapat diperlakukan
sebagai ekulibrium error dan dpt digunakan utk mengikat tingkat laku
jangka pendek variabel Yt terhadap nilai jangka panjangnya.
Lat : ECM.prg

Model

Jika Variabel Yt dan Xt terkointegrasi model ECM, yaitu

Yt=0+1Xt+ 2 t-1+t; dimana t-1=(Yt-1- 1- 2Xt-1)
Persamaan tsb menunjukan bahwa Yt bergantung pada Xt dan
ekulibrium error term ( t-1)
Jika koef ekulibrium error term (2) 0, maka error term melakukan
koreksi pd partial adjustment Yt=0+1Xt menuju ekulibrium

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. Bila
terjadi kesalahan pd tahap pertama, maka akan
terbawa pd tahap ke dua.

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+t
Xt-Xt-1=A1Xt-1-Xt+ t
Xt =(A1-I)Xt-1+ t
Xt =Xt-1+ t
dimana:
Xt, adalah (nx1) vectors
A1 =matrik(nxn) berisi parameter
I =matrik identitas berukuran, nxn
=(A1-I)= jml vektor kointegrasi

MULTIVARIATE COINTEGRATION

(3)

Jika koef Matrik mempunyai rank r < k,

dan exist k x r matrik dan

masing2 rank r sehingga:

dengan

= , dan
yt adalah I(0) stasioner

r = juml relasi yg terkointegrasi (rank

kointergrasi) dan setiap kolom adlh
cointegrating vector.

MULTIVARIATE COINTEGRATION

(4)

Pengujian
Ho: i=0 i=r+1,,k r=0 (tdk terdpt koin)
1=2=k=0 r=1 (1 vektor terkoin)
2=3=k=0 r=2 (2 vektor terkoin)
3=4=k=0 r=3 (3 vektor terkoin)
i adalah eigenvalue terbesar ke-I dari matrix

Lat : mulcoint.prg

MULTIVARIATE COINTEGRATION

(5)

Contoh:
Uji kointegrasi dr variabel CONS & INCM dg johansen
coint test dg output: (T=98).
Ho:

Eigenvalue

5 Persent

5 Percent

No. of CE(s)

Critical Value for

Critical Value for

None

0.155456

Maximal eigenvalue
14.1

Trace Statistics
15.4

At most 1

0.012214

3.8

3.8

Pengujian dg:
Max-Eigenvalue ( max)
Trace Statistic ( trace)

MULTIVARIATE COINTEGRATION

(6)

Contoh:

maksimum:
Ho:

Eigenvalue

No. of CE(s)

Max Eigenvalue

5 Persent

Keputusan

Statistics

Critical Value for

Tolak Ho jika:
Max-Eig > CV
Tolak Ho
Terima Ho

None*

0.155456(1)

16.5579

Maximal eigenvalue
14.1

At most 1

0.012214(2)

1.2043

3.8

max(1)=-98 (ln(1 - 0.155456)=16.5579

max(2)=-98 (ln(1 - 0.012214)=1.2043

1 coint
vector

MULTIVARIATE COINTEGRATION

(7)

Contoh:

trace:
Ho:

Eigenvalue

No. of CE(s)

Trace

5 Persent

Keputusan

Statistics

Critical Value for

Tolak Ho jika:
Trace Stat > CV
Tolak Ho
Terima Ho

None*

0.155456(1)

17.7622

Trace statistic
15.4

At most 1

0.012214(2)

1.2043

3.8

1 coint
vector

trace(1)={-98 (ln(1 - 0.155456)} + {-98 (ln(1 0.012214) }=16.5579+1.2043=17.7622

trace(2)=-98 (ln(1 - 0.012214)=1.2043

Estimasi VEC(vector error corection) Model

Mis 3 variabel (X, Y, Z)
Terkointrasi 1 vektor
Lag =1