Var & Ecm
Var & Ecm
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:
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)
Lat : VAR.prg
VAR(5)
Impuls Respon Function
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
Hipotesis
Ho: =0 (tidak ada kointegrasi)
H1: <0 (ada kointegrasi)
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
MULTIVARIATE COINTEGRATION
(3)
dengan
= , dan
yt adalah I(0) stasioner
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)
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
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
1 coint
vector
MULTIVARIATE COINTEGRATION
(7)
Contoh:
trace:
Ho:
Eigenvalue
No. of CE(s)
Trace
5 Persent
Keputusan
Statistics
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