ASISTENSI :

EKONOMETRI
TIME SERIES
SANJOYO

TOPIK - TOPIK
A. Pengertian Dasar
B. Pengujian Stasioneritas
C. ARMA & ARIMA
D. ARCH & GARCH
E. VAR
F. COINTEGRATION & ECM
G. SIMULTAN EQUATION
ASISTENSI EKON TIME SERIESSERIES- SANJOYO

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.
ASISTENSI EKON TIME SERIESSERIES- SANJOYO

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).

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

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+ t

Lat7: AR Proses

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

ARMA & ARIMA(2)

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

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

ARMA & ARIMA(2)

Lat8: MA Proses

Moving Average (MA) :

Zt=+0t+1t-1+...+qt-q
noise proses.
Contoh:
MA(1) Yt=2+ t+t-1

;=konstanta, t =white

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

ARMA & ARIMA(2)

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

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

ARMA & ARIMA(2)

ARMA:
Zt=+1Zt-1+0t+1t-1 N ARMA(p=1,q=1)
Jika series sdh first dif I(1) ARIMA(1,1,1)

Lat9: ARMA Proses

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

ARMA & ARIMA(3)

Identifikasi struktur series:
Pola ACT

Pola PACF

AR (p)

Decay exponentially Finete: terputus

sesudah lag p

MA (q)

Terputus/ terpotong
setelah Lag q

ARMA

Exponentially decay Exponentially decay

Pemilihan Lag:
ACF max q (lag MA)
PACF max p(lag AR)

Bila model cenderung MA atau

AR saja

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

10

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)

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

11

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

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

12

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
ASISTENSI EKON TIME SERIESSERIES- SANJOYO

13

Kriteria Pemilihan Model

Model
ARIMA

Parameter Estimasi
Parameter

p-value
t-ratio

Prob Q

SE of Reg

CONSTANT
AR(1)
MA(5)
MA(6)

1.302799
0.707553
0.327614
0.259056

0.1202
0.0000
0.0005
0.0050

Error WN

1.702521

CONSTANT
AR(1)
MA(5)
MA(8)

1.258723484
0.7521177939,
0.3430463389,
-0.2584077005

0.0673
0.0000
0.0004
0.0070

Error WN

1.706071

CONSTANT
AR(1)
AR(7)
MA(2)
MA(5)

1.326451
0.842224
-0.119512
-0.274655
0.344174

0.0356
0.0000
0.0458
0.0069
0.0004

Error WN

1.746126

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

14

ARCH & GARCH(1)

GARCH (Geneneralized Autoregresive Conditional
Heteroscedasticity):
Model time series dg varian tidak konstan, t.
Varian tidak konstan:
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).
ASISTENSI EKON TIME SERIESSERIES- SANJOYO

15

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 t ~ N(0, t) heterosedastic
t= t t ; dimana t adalah white noise N(0,1)
t2= 0+ 12t-1 +..+ q2t-q
Bila ARCH(1) maka: t2= 0+ 12t-1

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

16

ARCH & GARCH(3)

Model GARCH(p,q)
Moving average q lag of 2t-1-ARCH term

Yt=0+0Yt-1+t
Autoregresive p Lag of 2t-GARCH term
dimana t ~ N(0, t) heterosedastic
t= t t dimana t adalah white noise N(0,1)
q
p
. 2
2
t = 0 + i t 1 + j t2 j
.
i =1
j =1
t = conditional varians
Bila GARCH(1,1) maka: t2= 0+ 12t-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 t2 = 0 + 1t21 + 2t2 2 + ... + qt2 q
Bila tak ada ARCH/ GARCH maka 0= 2== q=0
ASISTENSI EKON TIME SERIESSERIES- SANJOYO

17

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 TR2 ~2q
Keputusan : Tolak Ho bila TR2 >2q

Lat10: ARCH Proses

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

18

Threshold ARCH/ GARCH (1)

Model T-GARCH(p,q)
Moving average q lag of 2t-1-ARCH term

Yt=0+0Yt-1+t
Autoregresive p Lag of 2t-GARCH term
dimana t ~ N(0, t) heterosedastic
t= t t dimana t adalah white noise N(0,1)
p
q
. 2
r
2
2
t = 0 + j t j + i t i + k t2 k I t k
.
j =1
i =1
k =1
t = conditional varians
dimana: It-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

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

19

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

ASISTENSI EKON TIME SERIESSERIES- SANJOYO

20