MULTIVARIAT
KELOMPOK 5 :
1. CHRISTIEN ROZALI
2010100019
2. DELLIANA N E
2010100005
3. MONICA M
2010100036
4. MUJADILAH M
2010100045
5. TRI WULANDARI
2010100034
6. YOHANES
2010100044
PENGANTAR
Model ARIMA di kelompok-kelompok sebelumnya membicarakan deret
berkala tunggal yaitu model-model univariat. Pada pembahasan kelompok kita
ini kita memeperluas pembahasan untuk deret berkala berganda (multiple)yaitu untuk model-model multivariat. Disini kita akan menggunakan bahasa
khusus dari metodologi fungsi transfer (adakalanya disebut Multivariat
ARIMA- atau MARIMA). Karena model multivariat (fungsi transfer)
menggabungkan beberapa karakteristik dari model-model ARIMA univariat
dan beberapa karakteristik analisis regresi berganda, maka apa yang kita
bicarakan sebenarnya adalah suatu metode yang mencampurkan pendekatan
deret berkala dengan pendekatan kausal. Untuk memudahkan penyampaian
Metode ini dibagi dalam 4 tahap utama, yaitu Identifikasi, Penaksiran
(estimasi), Pengujian Diognostik dan Peramalan serta berbagai Sub tahap
didalamnya.
Nilai v0 sampai v5 disebut bobot respons impuls (impulse response weight atau
bobot fungsi transfer). Fungsi transfer itu sendiri dapat ditulis sebagai berikut:
Yt = voXt + v1Xt-1 + v2Xt-2 + ... + v5Xt-5
= (vo + v1B + v2B + ... + v5B)Xt
= v(B)Xt.
Dimana v(B) adalah fungsi transfer.
Bentuk Dasar Model Fungsi Transfer
Model fungsi transfer bivariat ditulis dalam dua bentuk umum. Bentuk
pertama adalah sebagai berikut:
Yt = v(B)Xt + Nt
Dimana: Yt = deret output (misalnya, penjualan)
Xt = deret input (misalnya, biaya iklan)
Nt = pengaruh kombinasi dari seluruh faktor yang
mempengaruhi Yt (disebut gangguan), dan
v(B)
= (vo + v1B + v2B + ... + vkB), dimana k adalah orde fungsi
transfer.
Berbagai macam operator yang berbeda kemudian bersamasama dikalikan, suku-suku dikumpulkan dan seluruh suku,kecuali Yt
dipindahkan ke sebelah kanan persamaan:
Dimana
Yt = perbedaan pertama dari index S&P 500 yang dilogkan
xt = perbedaan pertama dari leadingcomposite index yang
dilogkan
nt = komponen gangguan (noise)
Tabel 10-7. DERET INPUT (t) DAN DERET OUTPUT (t) YANG
DIPUTIHKAN (DISESUAIKAN) UNTUK CONTOH IKLAN PENJUALAN
n = jumlah pengamatan
m = waktu tunda terbesar yang diperhatikan
r(k) = aotokorelasi untuk waktu tunda k
df = derajat bebas = m p - q
1. Analisis Intervensi
2. Filter Kalman
Model peramalan dapat diklasifikasikan menjadi dua kategori :
Model-model tetap yang memiliki parameter tetap dan ragam tetap dan
Modelmodel tetap dengan parameter dan keragaman berubah-ubah.
Kategori pertama meliputi semua metode peramalan yang telah dibahas
dengan pengecualian pemulusan-eksponesial dengan tingkat respons-adaptif
(adaptive-response rate exponential smoothing). Model tetap dengan
parameter yang tetap membutuhkankestasioneran nilai tengah dan varian pada
seluruh selang pengamatan.
Kategori kedua tersebut tidak sebaik Filter Kalman, yang dapat berhubungan
dengan model-model variabel, parameter variabel, dan keragaman variabel
secara simultan.
Filter Kalman adalah pendekatan yang paling umum terhadap panaksiran dan
pendugaan statistik. Kesulitan dalam filter kalman adalah banyak pertanyaan
teknis yang belum terjawab dengan memuaskan. Pendekatannya sendiri telah
tumbuh keluar dari bidang keteknikan. Akibatnya, banyak ahli statistik dan
penelitian operasi yang mengetahui sedikit-sedikit atau mengalami kesulitan
dalam memahaminya, karena ia paling sering dinyatakan dalam notasi state
space .
Persamaan
Lebih lanjut, taksiran seluruh keragaman Ft+1, dapat diperbarui dari substitusi
)2 + ( )
= +
(10-36)
( 10-37)