Anda di halaman 1dari 9

TUGAS ETS ANALISIS DERET WAKTU

NAMA : ELISABETH BRIELIN SINU


NRP
: 1313201001
PROGRAM PASCASARJANA STATISTIKA
Estimasi parameter dan varians untuk model AR1
Metode

2
N=500, =0.2 , =1

n=60
^
Yule
Walker
OLS
MLE

n=120

^ 2

|^|

| 2 ^ 2|

-0.2091904 0.112517

0.9953012 0.00469884

-0.2129024 0.1137033

8
0.9018366 0.0981634

-0.1991799 0.1175735

0.9795277 0.02047235

^
-0.1992187
-0.2009685
-0.1940746

n=300
^ 2

|^|
0.03389371
0.03390776
0.03152274

| 2 ^ 2|

0.9608299

0.0391700

0.9434742

8
0.0565258

0.9471134

4
0.0528865

0.0393158

1.031162 0.03116191

-0.1995794

1
0.0392918

1.02193

0.02193659

-0.1967706

1
0.0450254

7
1.03126

0.03126031

^
Yule

Walker

n=60

|^|
0.02388414

^ 2

| ^ 2|
2

|^|

0.943283

0.0567162

0.4815196

0.495471

0.500498

8
-

0.00894514

0.923459

0.0765408

6
-

0.0467994

0.985578

0.499562

0.502159

6
-

0.00230262

0.936603

.06339686

8
-

0.0486257

0.983490

0.0909857

0.03921226

0.9044053

0.09559466

0.0472794

n=300
^ 2

0.00866719

0.9090143

0.04838579

^ 2

|^|

0.04236193

0.9516142

n=120

| ^ 2|
2

0.4906585
MLE

2
N=500, =0.5 , =1

OLS

| 2 ^ 2|

-0.1988914

Metod

^ 2

|^|

0.989562

| 2 ^ 2|
0.01043761

4
0.01442162

0.01650956

0.4830374

0.494804

0.500441

3
Metod
^
-0.8591147

n=60

^ 2

|^|
0.07228065

Walker
OLS

1.10702

| ^ 2|
2

0.1070235

^
-0.8780697

n=120

|^|
0.02655773

^ 2

1.236154

0.2361535

0.01810279

0.82781

0.172185

-0.8863503

0.02535636

1.081949

0.08194922

5
-0.8724143

0.003059648

0.83165
32

0.1683468

-0.8861891

0.009801843

1.106654

0.1066539

n=300

| ^ 2|
2

4
-0.8731058

MLE

2
N=500, =0.9 , =1

Yule

|^|

^ 2

| 2 ^ 2|

0.00509559

1.08959

0.08959821

0.892705

7
-

0.00470606

1.06956

0.06956021

0.895501

5
-

0.00549541

1.07103

0.07103342

0.895544

Kesimpulan untuk model AR1:

Berdasarkan perhitungan dengan menggunakan software R diperoleh nilai estimasi parameter

untuk ketiga metode yakni Yule Walker, OLS, dan MLE. Dari hasil

yang diperoleh dan selisih terkecil yang diperoleh dari dengan nlai estimasinya diperoleh ketika =0.9 , n =300 dengan metode OLS.
hal ini menunjukan bahwa jika semakin besar nilai n maka penaksir yang diperoleh akan semakin mendekati nilai yang sebenarnya.

Sedangan untuk varians, selisih terkecil adalah 0.004698848 dengan n=60 pada metode yule walker.ini menunjukan bahwa sedikit data maka keragamannya
akan semakin kecil.

HISTOGRAM untuk model AR1 dengan nilai n = 60, 120, 300

2
untuk N=500, =0.2 , =1

2
N=500, =0.5 , =1

2
N=500, =0.9 , =1

Estimasi parameter untuk AR2


2
N=600, 1=0.2 , 2=0.5 , =1

Metod
e
^ 1
Yule

0.170401

n=60
1^ 1

0.1008412

^ 2

0.4113613

^ 1

2^ 2

0.1136518

0.185149

Walker
OLS

0.1669797

0.1016945

0.4292033

0.1066115

4
0.183477

MLE

0.196044

0.09120052

0.4571184

0.09510022

5
0.19764

0.06814763

^ 2

^ 1

2^ 2

1^ 1

n=300
^ 2

| ^ |
2

0.455872

0.0728195

0.196173

0.04119379 0.482385

0.04295425

0.06830564

0.465442

2
0.0702262

3
0.195393

7
0.04118792 0.486340

0.04222362

0.06468728

1
0.479462

7
0.0651935

1
0.200315

0.0406341

2
0.491402

0.04115242

2
N=600, 1=0.6 , 2=0. 3 , =1

Metod
e
^ 1
Yule

n=120
1^ 1

-0.624887

n=60
1^ 1

0.1003145

^ 2

0.2232496

^ 1

2^ 2

0.1110298

Walker

0.617984

OLS

2
-

-0.6099447

0.1007483

0.2526332

0.1047475

0.608298

n=120
1^ 1

0.07414761

0.07443849

^ 2

^ 1

2^ 2

1^ 1

n=300
^ 2

0.255688

0.0793286

0.0449939

0.282298

0.605150

0.272868

0.0773428

3
-

0.0449006

0.289614

0.601060

| ^ |
2

0.04643225

0.04547126

MLE

-0.5921674

0.09873262

0.2728395

0.09967816

1
-0.597729

0.07325281

0.284196

0.0757261

2
-

0.596876

0.0448938
4

0.293962

0.04472563

2
N=600, 1=0.4 ,2=0.5 , =1

Metod
e
^ 1

n=60
1^ 1

^ 2

n=120

^ 1

2^ 2

1^ 1

^ 2

^ 1

2^ 2

n=300
^ 2

1^ 1

Yule

0.3781436

0.09387732

-0.483133

0.08552962

0.385893

0.06648645

0.0632526

0.391761

0.0400604

Walker
OLS

0.3886897

0.09367706

-0.5003283

0.08701271

7
0.391502

0.06594595

0.4901191 9
0.0635602

2
0.393935

6
0.04001145 -

0.499343

3
MLE

0.3977224

0.09245805

-0.4917027

0.08753092

0.395966

0.06516254

0.03983422
.03984754

5
-

0.0638420

0.395449

0.0395882

9
-

0.494889

0.498016

0.03975698

2
N=600, 1=0. 6 ,2=0. 3 , =1

Metod
e
^ 1

Walker

0.499509

Yule

-0.495912

| ^ |

-0.5868747

n=60
1^ 1

0.1012634

^ 2

-0.2108838

2^ 2

0.09462909

^ 1
-0.5948888

1^ 1

n=120
^ 2

0.0738918
7

-0.2061533

^ 1

2^ 2

0.06981313

1^ 1

n=300
^ 2

0.0446149

0.5995116 4

-0.202987

| ^ |
2

0.04684488

OLS

-0.6014784

0.1034397

-0.2206378

0.09890557

-0.6018473

0.0750517

-0.2105192

0.07201479

3
MLE

-0.5886567

0.1036983

-0.2071374

0.09850086

-0.595161

0.0742183

-0.2034644

0.07087898

0.0452848

0.602400

5
-0.599673

-0.20472

0.0473797

0.0450903

0.04754432

0.201894
6

2
N=600, 1=0.2 , 2=0.5 , =1

Metode
n=60
^ 2

n=120

| 2 ^ 2|

^ 2

| 2 ^ 2|

n=300
^ 2

| 2 ^ 2|

Yule Walker

0.685132

0.314868

0.9684654

0.03153457

0.9880968

0.0119032

OLS

0.6370761

0.3629239

0.9407787

0.05922134

0.9629076

0.03709237

MLE

0.6762082

0.3237918

0.9389399

0.06106007

0.9676121

0.03238787

2
N=600, 1=0.6 , 2=0.3 , =1

Metode
n=60
^ 2

n=120

| 2 ^ 2|

^ 2

| 2 ^ 2|

n=300
^ 2

| 2 ^ 2|

Yule Walker

1.083119

0.08311879

0.8604206

0.1395794

1.014933

.01493308

OLS

1.00069

0.0006899743

0.8054949

0.1945051

1.001806

0.001806049

MLE

1.015014

0.01501441

0.835164

0.164836

0.9960113

0.003988693

2
N=600, 1=0.4 ,2=0.5 , =1

Metode
n=60

n=120

n=300

^ 2

| 2 ^ 2|

^ 2

| 2 ^ 2|

^ 2

| 2 ^ 2|

Yule Walker

0.7994485

0.2005515

0.9926793

0.007320695

0.8508209

0.1491791

OLS

0.7416374

0.2583626

0.9642472

0.03575284

0.8348485

0.1651515

MLE

0.7480151

0.2519849

0.9647157

0.03528426

0.841312

0.158688

2
N=600, 1=0.6 , 2=0.2 , =1

Metode
n=60
^ 2

n=120

| 2 ^ 2|

^ 2

| 2 ^ 2|

n=300
^ 2

| 2 ^ 2|

Yule Walker

0.7863198

0.2136802

1.133851

0.1338507

0.9091196

0.09088042

OLS

0.7011463

0.2988537

1.123878

0.123878

0.889774

0.110226

MLE

0.7610437

0.2389563

1.123505

0.1235055

0.8976639

0.1023361

Estimasi Varians untuk model AR2:

Kesimpulan untuk AR2:

Untuk estimasi parameter 1 dan 2 dapat disimpulkan bahwa hasil estimasi parameter yang terbaik dihasilkan oleh data dengan jumlah yang besar. Atau
dengan kata lain, semakin banyak n maka nilai estimasi parameter akan semakin mendekati nilai yang sebenarnya.

Sedangkan untuk estimasi variansnya, semakin besar n maka selisih estimasi varians dengan nilai yang sebenarnya akan semakin kecil.