MODELLING
Model Autoregressive
(AR) Process
(Yt ) = 1( Yt-1 ) + ut
Yt merupakan representasi dari GDP pada
waktu t
ialah rata-rata Y dan ut ialah nilai error
yang tidak saling berhubungan dengan
rata-rata nol dan varians yang konstan 2
maka kita bisa mengatakan bahwa Yt
mengikuti first-order autoregressive,
atau AR(1), stochastic process
3
(Yt ) = 1(Yt-1-)+2(Yt-2-)++p(Yt-p-) + ut
Yt = + 0ut + 1 ut-1
= intersep/konstanta
u = error term stokhastik
Model Autoregressive
Integrated Moving Average
(ARIMA)
IHSGt = 1 + 2IHSGt-1 + e
11
3. Diagnostic Checking
( Apakah Estimasi residualnya stasioner/white
noise ? )
Yes
Langsung ke tahap
4
No
Kembali ke langkah
1
4. Forecasting
12
Identifikasi Model
Proses Autoregressive ( AR
)
Proses Autoregressive
Integrated Moving Average
(ARIMA )
Proses Autoregressive
Integrated Moving Average
(ARIMA )
Menentukan Stasionaritas data/ pada ddifference berapa suatu data bisa stasioner,
tekniknya sama dengan pengujian stasionaritas
sebelumnya. Setelah dilakukan pengujian
ternyata data GDP stasioner pada first
difference, I(1) . Buktikan?
Menentukan proses autoregressive AR(?) dan
MA(?)
Buka Table 1.wf1 | klik views | Klik Correlogram |
tentukan Lag misal : 25| pilih 1st Difference
(karena data GDP stasioner pada first difference)
pada kotak correlogram of | Klik OK
21
23
24
Substituted Coefficients
D(GDP) = 28.19370566 +
0.3427683218*D(GDP(-1)) 0.2994663857*D(GDP(-8)) 0.2643712144*D(GDP(-12))
25
Diagnostic Checking
27
28