LECTURE NOTES #13&14

BASIC TIME SERIES

I.

Pendahuluan
Sebagian besar pembahasan regresi linier yang telah dilakukan
mengasumsikan bahwa data yang digunakan adalah bersifat cross section.
Meskipun regresi linier juga dapat digunakan pada data time series, namun
karena karakteristik tertentu dari data semacam ini maka perlu
diperhatikan beberapa implikasi.
Kita dapat memandang suatu time series sebagai suatu proses yang random.
Realisasi pada saat t tidak akan pernah diketahui secara pasti pada saat t-1.
Dengan demikian serangkaian data time series: xt-h, xt-h+1, , xt-1, xt adalah
suatu proses random yang dikenal dengan istilah stochastic proses.
Salah satu karakteristik yang banyak ditemui pada data time series dan ia
berdampak penting bagi estimasi dengan OLS adalah keberadaan non
stasionaritas. Dalam artian luas, sifat ini berarti adanya keterkaitan erat
antara nilai data pada suatu titik waktu dengan titik waktu lainnya. Jelas
sifat ini merupakan pelanggaran bagi salah satu asumsi Gauss-Markov dan
estimator yang diperoleh dapat menjadi bias.
Dengan demikian dalam penelitian empiris yang mempergunakan data time
series, perlu diperhatikan implikasi karakteristik ini. Penerapan OLS tanpa
melakukan perlakuan yang memadai terhadap non staionaritas berpotensi
membawa peneliti kepada hasil yang salah.

II.

Karakteristik Data Time Series

Sebagian besar asumsi Gauss Markov memiliki isu yang sama dengan data
cross sectional, yakni linear in parameter, zero conditional mean, no perfect
colinearity, homosedasticity dan no serial correlation. Jika asumsi-asumsi
ini dipenuhi maka estimator OLS adalah BLUE.
Khususnya pada data time series, salah satu asumsi yang memperoleh
perhatian khusus adalah zero conditional mean, atau

E (ut Xt ) = 0

1)

Ketika asumsi ini terpenuhi maka kita mengatakan bahwa x adalah

contemporaneously exogenous dan jika ia juga terpenuhi untuk indeks
waktu yang berbeda maka x disbeut dengan strictly exogenous.
Asumsi ini memiliki implikasi penting terhadap analisa time series. Hal ini
disebabkan karena berbeda dengan data cross section, dimana terpenuhinya
asumsi adalah sangat masuk akal. Dengan data cross section, adalah sangat
mungkin untuk mengatakan bahwa nilai residual observasi ke i adalah tidak

tergantung pada nilai variabel bebas pada observasi ke j (dimana i j). Kita
membicarakan dua individu berbeda.
Sedangkan pada time series sangat mungkin bahwa data pada suatu titik
waktu memiliki implikasi terhadap data pada titik waktu yang lain.
Fenomena ini dikenal sebagai sifat non stationarity atau persistensi pada
time series. Salah satu contoh yang populer adalah keberadaan trending
variabel, yakni variabel yang (secara rata-rata) adalah meningkat/menurun
dari waktu ke waktu.
Namun demikian terdapat juga data time series yang bersifat stationary.
Sebagai lawan dari non stationarity, stasioneritas berarti bahwa data pada
suatu titik waktu tidak berkorelasi dengan data pada titik waktu lain. Secara
formal suatu proses stochastic disebut sebagai stationary jika mean dan
varians (disebut juga sebagai momen pertama dan kedua dari data) diantara
dua periode hanya tergantung jarak antara kedua periode dan bukan posisi
waktu. Dengan kata lain rata-rata dan varians yang dihitung dari data (xt1,
xt2, xtm) adalah sama dengan yang dihitung dari data (xt1+h, xt2+h, xtm+h).
Terdapat banyak konsep terkait stasioneritas misalnya kondisi yang lebih
longgar seperti covariance stationary process dan weakly dependent. Kita
tidak akan membahasnya disini, Wooldrige (2005) memberikan uraian yang
lebih ekstensif. Data yang bersifat stasioner sering juga disebut sebagai
identically and independently distributed (iid).
Jika data memiliki sifat stasioner maka teknik OLS dapat
diimplementasikan secara langsung seperti halnya data cross section. Jika
asumsi Gauss-Markov terpenuhi maka estimator yang diperoleh adalah
BLUE.
Sedangkan jika data bersifat non stationary (sering disebut juga sebagai
random walk atau proses dengan unit root) suatu perlakuan khusus perlu
dilakukan sebelum menarik kesimpulan dari sampling data. Sifat perlakuan
akan tergantung dengan karakteristik non stasionaritas yang ada pada data.
Beberapa model proses stochastic non stasioner yang umum adalah
1. Pure Random Walk

yt = yt 1 + ut ; ut

IID (0, 2 )

2)

2. Random Walk With Drift

yt = + yt 1 + ut ; ut

IID (0, 2 )

3)

3. Random Walk With Drift and Deterministic Trend

yt = 0 + 1t + yt 1 + ut ; ut

IID (0, 2 )

3)

4. Trend Stationary Process

yt = 0 + 1t + ut ; ut

IID (0, 2 )

4)

5. Stationary Around Deterministic Trend

yt = 0 + 1t + yt 1 + ut

5)

<1
ut

IID (0, 2 )

Data dengan sifat non stationary memiliki salah satu momen (rata-rata atau
varians) yang tidak konstan antara satu periode dengan periode lainnya.
Kita akan menguraikan dua dari contoh proses non stationary diatas yakni
Pure Random Walk dan Random Walk With A Drift. Untuk pure random
walk dapat ditunjukkan dengan substitusi berulang dan nilai awal yo
tertentu maka nilai yt adalah jumlah dari yo dan residual, atau

yT = y0 + u1 + ... + uT

6)

= y0 + ut
1

dengan demikian rata-rata dan variansnya adalah

E ( yT ) = E ( y0 ) + E (u1 ) + ... + E (uT ) = y0

T

Var ( yT ) = var( y0 + ut ) =t 2

7)

t =1

Dapat dilihat disini bahwa varians dari nilai yt adalah fungsi yang linier dari
waktu. Semakin jauh kedepan maka dispersi nilai y adalah semakin besar.
Grafik 1 menunjukkan suatu proses Random Walk dengan y0=0, t=50 dan
residual yang terdistribusi normal standar (0,1).

Grafik 1. Proses Pure Random Walk t=50, y0=0 dan ut~N(0,1)

Sedangkan bagi proses Random Walk dengan drift dapat ditunjukkan
bahwa
T

yT = t + y0 + ut

8)

Sehingga rata-rata dan variansnya dapat diberikan sebagai

E ( yT ) = y0 + t

9)

Var ( yT ) = t 2
Disini tidak hanya varians yang merupakan fungsi linier dari waktu tetapi
juga rata-ratanya. Secara grafis proses seperti ini dapat ditunjukkan oleh
grafik 2 untuk y0=0, =2, t=50, dan ut~N(0,1).

Grafik 2. Random Walk With A Drift

Dampak dari regresi atas variabel-variabel non stasioner adalah Spurious

regression atau regresi palsu. Ketika kita meregresi variabel y terhadap x
(yang keduanya non stasioner) maka kita akan mendapatkan test statistik
yang signifikan, padahal sebenarnya keduanya tidak ada hubungan. Sebagai
ilustrasi misalnya kita membuat suatu series hipotetis y dan x yang disusun
sebagai

yt = + yt 1 + et ; et

NIID(0,1)

xt = + xt 1 + ut ; ut

NIID(0,1)

9)

Terlihat jelas bahwa kedua variabel ini adalah tidak ada hubungan.
Keduanya adalah series sintetis sebagai model Random Walk dengan drift.
Jika kita membuat data (t) hingga 1000 maka secara grafis kedua series
tersebut dapat digambarkan sebagai
50
40
30
20
10
0
-1 0
-2 0
-3 0
-4 0
250

5 00
Y

750

1000

Grafik 3. Spurious Regression

Regresi diantara kedua variabel tersebut, dimana y adalah regresan dan x
adalah regresor diperoleh hasil sbb:
Dependent Variable: Y
Method: Least Squares
Date: 07/03/08 Time: 08:50
Sample: 2 1000
Included observations: 999
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
X

-0.336553
-0.458689

0.734595
0.028001

-0.458148
-16.38119

0.6469
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.212072
0.211281
8.761888
76540.36
-3584.760
0.015893

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-11.48036
9.865898
7.180700
7.190523
268.3435
0.000000

Tabel 1. Print Out Spurious Regression

Dapat dilihat disini koefisien variabel x adalah signifikan sehingga
mendorong pengambilan kesimpulan bahwa x berkorelasi terhadap y
(variasi x berdampak terhadap variasi y). Kesimpulan ini jelas salah, karena
seperti yang diuraikan diatas kedua variabel ini hanyalah variabel sintetis.
Dengan demikian dapat diambil kesimpulan bahwa ketika kita memiliki
data bersifat time series, maka suatu perlakuan khusus perlu dilakukan
untuk memastikan bahwa data bersifat stasioner.
III. Pengujian Non Stationaritas
Terdapat banyak metoda untuk mengidentifikasikan sifat non stasionaritas
pada data. Disini akan dibahas sifat non stasionaritas yang masuk pada
kelas random walk model (disebut juga unit root process). Sedangkan non
stasionaritas yang disebabkan time trend process dan stationary process
around trend akan dibahas pada bagian selanjutnya.
Cara paling sederhana adalah visualisasi. Suatu series diduga sebagai non
stasionary jika tidak terdapat gambaran bahwa ia berfluktuasi secara
random disekitar suatu rata-rata tertentu. Pergerakan seperti yang
diberikan oleh grafik 1, 2 dan 3 menunjukkan bahwa ia mungkin bersifat
non stationary.
Salah satu cara sederhana untuk mengidentifikasi sifat non stasionaritas
data adalah dengan memahami proses auto regressive orde1, yang dapat
diberikan sebagai

yt = yt 1 + et ; et

NIID(0,1)

.10)

Model ini disebut dengan Autoregresive orde 1 (AR(1)). Jika yt adalah

stasioner maka nilai <1 dan sebaliknya jika ia non stasioner maka =1. Kita
mengabaikan kasus >1, karena series ini bersifat eksplosif
(meningkat/menurun secara eksponensial) dan tidak memiliki relevansi
pada variabel ekonomi pada umumnya.
Secara intuitif jika <1, maka varians dari error term akan konvergen ke
satu nilai. Hal ini dapat dilihat dengan motoda yang digunakan pada
6

persamaan 6 dan 7 dimana dengan substitusi berulang pada fungsi

autoregressive orde 1 (persamaan 10), maka variansnya adalah
T

Var ( yT ) = var( t ut ) =
t =1

1
u2
1

.11)

Suatu nilai tertentu dengan syarat homokedastisitas. Sedangkan apabila

=1, maka varians akan menjadi fungsi dari posisi waktu (persamaan 7).
Dengan demikian salah satu cara untuk menguji apakah nilai =1 atau
tidak. sendiri dapat diestimasi melalui sample dengan cara
T

(y

y )( yt 1 y )

t =1

.12)

( yt y )2
t =1

Persamaan 12 adalah koefisien autokorelasi antara nilai variabel pada saat t

dengan satu variabel dibelakangnya (t-1) (first order autocorrelation
function). Formula ini dapat digeneralisir untuk meliputi autokorelasi
terhadap k periode dibelakang (disebut lag) untuk melihat apakah nilai
variabel saat ini dipengaruhi nilai variabel itu sendiri k periode yang lalu,
atau
T

k =

(y

t =1

y )( yt k y )

(y
t =1

y)

.13)
2

Untuk melihat apakah terdapat sifat non stasioner, beberapa

econometricians menyarankan angka 0.8-0.9 sebagai batas (Wooldridge,
2005, hal 364).
Cara lain untuk menggunakan koefisien autokorelasi sebagai alat uji non
stasionaritas adalah dengan melihat tingkat signifikansi statistiknya. Hal ini
dilakukan dengan menguji hipotesis null bahwa koefisien autokorelasi
hingga lag tertentu (disebut m) adalah tidak berbeda secara statistik dengan
nol. Statistik uji yang umum digunakan adalah Q Statistic (Box and Pierce,
1970) dan LB- Statistic (Ljung Box, 1978). Adapun formula statistik uji
dapat diberikan sbb:
m

Q = T k

.14)

k =1

LB = T (T + 2)

k =1 n k

.15)
7

Nilai kritis bagi kedua statistik uji ini mengikuti distribusi 2 dengan df=m.
Software ekonometrika umumnya menghitung kedua statistik uji diatas
beserta confidence intervalnya. Hasil perhitungan biasa direpresentasikan
dalam bentuk grafik (disebut dengan correlogram). Yang dilakukan peneliti
adalah melihat apakah koefisien autokorelasi berada didalam range
penerimaan hipotesis null atau tidak. Jika koefisien dimaksud berada diluar
confidence interval, maka dapat disimpulkan bahwa terdapat autokorelasi
pada lag terkait.
Contoh 1.
File NYSE.raw memberikan data mingguan (penutupan hari rabu) indeks
NYSE periode 1976-1990. Kita akan melihat melalui correlogram apakah
series indeks mingguan adalah stasioner atau tidak. Dengan mengklik series
yang relevan kemudian mengklik view graph/line maka diperoleh hasil sbb:
200
180
160
140
120
100
80
60
40
1976

1978

1980

1982

1984

1986

1988

PRICE

Grafik 4. Plot Time Series Indeks NYSE

Dari cara sederhana ini dapat diduga bahwa series indeks NYSE adalah non
stasionary. Selanjutnya dengan mengklik view/correlogram dan isikan opsi
level serta lag=20 maka diperoleh hasil
Date: 07/03/08 Time: 10:06
Sample: 1/01/1976 1/04/1990
Included observations: 690
Autocorrelation
.|********
.|********
.|********

Partial Correlation
.|********
.|.
|
.|.
|

AC

PAC

Q-Stat

Prob

1 0.995 0.995 685.65 0.000

2 0.989 -0.030 1364.6 0.000
3 0.983 -0.018 2036.5 0.000

.|********
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|
.|*******|

.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.
.|.

|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|

4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20

0.978
0.973
0.967
0.962
0.955
0.949
0.944
0.939
0.934
0.929
0.924
0.920
0.916
0.911
0.907
0.903
0.899

0.012
0.049
-0.024
-0.049
-0.050
0.043
0.019
0.031
0.031
0.020
-0.004
-0.002
0.028
-0.032
0.013
0.047
0.021

2701.8
3361.1
4014.2
4660.5
5299.3
5931.2
6556.5
7175.9
7789.9
8398.8
9002.5
9600.9
10195.
10783.
11367.
11947.
12523.

0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000

Tabel 2. Correlogram Contoh 1

Dapat dilihat pada correlogram, bahwa Autocorrelation Function (ACF)
adalah signifikan hingga lag ke 20. Dengan demikian data adalah non
stasioner. Hal ini juga dapat dilihat melalui nilai statistik LB (Eviews
menyebutnya Q) yang memiliki p value=0 hingga lag ke 20.
Suatu teknik yang lebih modern didalam mendeteksi stasionaritas adalah
melalui uji unit root. Salah satu uji unit root yang sering digunakan adalah
uji Dickey Fuller. Premis dasar uji Dickey Fuller adalah jika terdapat unit
root didalam data maka

yt = yt 1 + et ; et

NIID (0,1)

yt = ( 1) yt 1 + et = yt 1 + et

.16)

Dengan perkataan lain, pendugaan non stasionaritas adalah melihat apakah

koefisien adalah berbeda secara statistik dari nol (null hipotesis adalah
terdapat unit root). Dickey-Fuller (1976) menemukan bahwa dalam kondisi
non stationaritas statistik uji koefisien adalah tidak mengikuti distribusi
normal. Dengan demikian inferensi yang biasa dilakukan adalah tidak valid.
Melalui simulasi Monte Carlo mereka telah menemukan distribusi yang
sesuai untuk statistik uji koefisien . Dengan demikian kerangka kerja yang
digunakan adalah membandingkan apakah statistik uji yang diperoleh lebih
besar (secara absolut) dari nilai kritis dari tabel.

Dickey dan Fuller selanjutnya mengembangkan pola pengujian dengan cara

memasukkan kemungkinan orde autoregresiv yang tinggi, serta keberadaan
drift dan time trend (disebut uji Augmented Dickey Fuller test/ADF).
Dengan demikian model umum dari pengujian Dickey Fuller menjadi
p

y t = a 0 + y t 1 + a 2 t + i y t i + 1 + t
i=2

17)

dimana
p

= 1 ai
i =1

i =

19)

aj
j =1

Jika =0, maka persamaan 17 diatas hanya akan berupa first difference dan
berarti terdapat suatu proses unit root. Nilai kritis tidak mengikuti test
yang standar (dalam hal ini nilai statistik t). Dalam eksperimen Monte
Carlonya Dickey-Fuller (1979) menunjukkan nilai kritis dari koefisien ini
tergantung pada bentuk model regresi (dalam hal ini apakah pure random
walk, with drift, atau dengan time trend). Statistik ini disebut dengan
statistik Dickey Fuller, selanjutnya dinotasikan dengan (model pure
random walk), u (random walk dengan drift) dan t(random walk dengan
linear time trend), nilai kritisnya dapat dilihat pada tabel DickeyFuller(1979).
Suatu pengujian unit root (sering disebut juga sebagai data berorde
integrasi 1: I(1)) yang komprehensif adalah permasalahan yang kompleks
dan diluar scope dari catatan kuliah ini. Pembaca dapat merujuk pada
Enders (1995) serta Mahadeva dan Robinson (2004).
Contoh 2.
Masih menggunakan File NYSE.raw, kali ini kita akan menggunakan
pengujian ADF untuk melihat non stasionaritas pada data. Dengan
mengasumsikan bahwa didalam series terdapat dampak trend dan drift
serta AR berorde 19, maka hasil diberikan sbb:
Null Hypothesis: PRICE has a unit root
Exogenous: Constant, Linear Trend
Lag Length: 18 (Automatic based on AIC, MAXLAG=19)

Augmented Dickey-Fuller test statistic

Test critical values:
1% level
5% level

t-Statistic

Prob.*

-2.176850
-3.971789
-3.416529

0.5012

10

10% level

-3.130590

*MacKinnon (1996) one-sided p-values.

Augmented Dickey-Fuller Test Equation
Dependent Variable: D(PRICE)
Method: Least Squares
Date: 07/03/08 Time: 10:27
Sample (adjusted): 5/13/1976 3/16/1989
Included observations: 671 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

PRICE(-1)
D(PRICE(-1))
D(PRICE(-2))
D(PRICE(-3))
D(PRICE(-4))
D(PRICE(-5))
D(PRICE(-6))
D(PRICE(-7))
D(PRICE(-8))
D(PRICE(-9))
D(PRICE(-10))
D(PRICE(-11))
D(PRICE(-12))
D(PRICE(-13))
D(PRICE(-14))
D(PRICE(-15))
D(PRICE(-16))
D(PRICE(-17))
D(PRICE(-18))
C
@TREND(1/01/1976)

-0.014551
0.116761
-0.015230
0.015377
-0.088802
0.037267
0.096337
0.062189
-0.113050
0.054720
-0.086373
-0.038408
-0.027383
0.025042
0.019957
-0.088962
0.050791
0.028298
-0.107674
0.421562
0.003098

0.006684
0.038961
0.039312
0.039281
0.039144
0.039302
0.039339
0.039525
0.039562
0.039706
0.039731
0.039574
0.039540
0.039404
0.039404
0.039217
0.039383
0.039433
0.039255
0.261630
0.001278

-2.176850
2.996851
-0.387420
0.391471
-2.268582
0.948221
2.448910
1.573406
-2.857565
1.378115
-2.173921
-0.970524
-0.692548
0.635504
0.506465
-2.268475
1.289667
0.717622
-2.742964
1.611290
2.423708

0.0299
0.0028
0.6986
0.6956
0.0236
0.3434
0.0146
0.1161
0.0044
0.1686
0.0301
0.3321
0.4888
0.5253
0.6127
0.0236
0.1976
0.4732
0.0063
0.1076
0.0156

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.087956
0.059894
2.267415
3341.762
-1490.748
2.004415

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.164441
2.338528
4.505954
4.647064
3.134262
0.000006

Tabel 2. Augmented Dickey Fuller Unit Root Test

Uji unit root dapat diakses pada Eviews dengan mengklik series yang ingin
diuji, pilih menu view/ unit root test. Parameter yang perlu dimasukkan
adalah Test Type: ADF, Test for unit root: Level, Include in Test Eq.: Trend-

11

Intercept, Lag Length=18 dan Automatic Selection: Akaike Information

Criteria.
Hasil pengujian menunjukkan bahwa hipotesis null adanya unit root tidak
adapat ditolak. Hal ini dapat dilihat baik dari nilai p value maupun statistik
uji yang berada dibawah nilai kritis.
IV. Pemodelan Time Series
Jika pengujian non stationarity menunjukkan hasil yang positif, dalam
artian terdapat proses unit root. Maka suatu perlakuan khusus perlu
dilakukan didalam pemodelan. Penerapan OLS secara naif akan berpotensi
memberikan hasil yang menyesatkan.
Terdapat tiga pendekatan yang umum digunakan didalam mengatasi
masalah non stasionaritas. Pendekatan pertama adalah dengan melakukan
first differencing terhadap data. Dengan demikian daripada menggunakan
data pada level, model regresi yang diestimasi adalah

y = 0 + 1x1 + 2 x2 + ... + k xk + u

18)

Perhatikan bahwa dengan melakukan first differencing jika data yang

dimiliki adalah memiliki unit root maka komponen data yang tersisa adalah
et yang bersifat stasioner (sesuai dengan asumsi). Namun demikian jika data
telah stasioner maka penerapan first differencing akan menimbulkan
masalah autokorelasi dalam bentuk baru, dengan kata lain

yt = ( 1) yt 1 + et = yt 1 + et

19)

Jika ini terjadi maka regresi yang dilakukan akan berpotensi bias. Untuk itu
sangatlah kritikal untuk memastikan bahwa keseluruhan variabel yang
digunakan pada model adalah pada derajat integrasi yang sama. First
differencing dilakukan hanya pada data yang bersifat I(1).
Pemodelan kedua dilakukan dengan menggunakan teknik error correction
model (Engle dan Granger, 1987). Pemodelan ini tidak memerlukan first
differencing pada data. Teknik first differencing banyak diduga oleh
econometricians menyebabkan hilangnya informasi berharga pada data
sehingga termasuk metoda dengan biaya yang tinggi. Namun demikian
metoda ini terhitung kompleks sehingga akan dibahas pada bagian
tersendiri.
Pemodelan ketiga dilakukan jika sifat non stasioneritas data adalah trend
stasionary (persamaan 4 dan 5). Jika data bersifat seperti ini maka
pengujian unit root ADF dengan kondisi lengkap mungkin akan menolak
hipotesis null (data bersifat stasioner). Namun demikian implementasi OLS

12

secara langsung dapat menghasilkan estimator yang bias. Perlakukan bagi

data semacam ini akan dibahas pada bagian berikutnya.
Contoh 3.
Dengan menggunakan data dari Earns.raw kita akan mengestimasi
hubungan antara upah perjam dengan output per jam. Dari data tahunan
periode 1947-1987, kita mengetahui bahwa kedua series tersebut mengalami
masalah unit root (hasil pengujian tidak disertakan). Regresi pada level log
upah perjam dengan log output per jam memberikan hasil sbb:
Dependent Variable: LHRWAGE
Method: Least Squares
Date: 07/03/08 Time: 21:08
Sample: 1 41
Included observations: 41
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOUTPHR

-1.534398
0.689101

0.171663
0.039016

-8.938415
17.66201

0.0000
0.0000

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.888872
0.886023
0.055359
0.119522
61.49900
0.093161

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

1.493673
0.163977
-2.902390
-2.818802
311.9465
0.000000

Tabel 3. OLS pada Level Contoh 3

Sedangkan jika kita menerapkan OLS pada first difference data maka
diperoleh hasil
Dependent Variable: D(LHRWAGE)
Method: Least Squares
Date: 07/03/08 Time: 21:07
Sample (adjusted): 2 41
Included observations: 40 after adjustments
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
D(LOUTPHR)

-0.003662
0.809315

0.004220
0.173454

-0.867802
4.665879

0.3910
0.0000

R-squared
Adjusted R-squared

0.364234
0.347503

Mean dependent var

S.D. dependent var

0.011547
0.020984

13

S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.016950
0.010918
107.3669
1.526380

Akaike info criterion

Schwarz criterion
F-statistic
Prob(F-statistic)

-5.268344
-5.183900
21.77043
0.000037

Tabel 4. OLS pada First Difference Contoh 3

Dapat dilihat disini R2 menurun drastic dari 0.89 menjadi 0.36, namun
demikian koefisien produktivitas meningkat dari 0.69 menjadi 0.81. Karena
kita mengetahui bahwa data mengalami unit root maka estimator dari tabel
4 adalah lebih valid.
V.

Trend dan Seasonality

Salah satu karakteristik data time series adalah keberadaan trend dan pola
musiman (seasonality). Trend adalah kecenderungan nilai data untuk
meningkat dari waktu ke waktu. Data yang memiliki karakteristik ini
misalnya adalah indeks harga (CPI atau PPI), Output Nasional (GDP),
Tingkat Upah Nominal, dsb.
Sedangkan sifat musiman terjadi ketika data memiliki pola berulang pada
frekuensi atau titik waktu yang tetap/dapat diprediksi. Sebagai contoh kita
dapat mengharapkan bahwa penjualan bahan kebutuhan pokok untuk
meningkat disetiap periode perayaan hari besar (Puasa dan Hari Raya).
Demikian pula kita dapat memprediksi peningkatan tajam pada jumlah
penumpang pesawat disetiap liburan sekolah.
Jika kita mencoba membuat model yang menghubungkan antara dua
variabel dimana kedua variabel tersebut memiliki karakteristik trend
dan/atau musiman yang sama, maka sangat mungkin sekali kita
berkesimpulan adanya hubungan yang sebenarnya mungkin tidak ada
(common trend problem). Dengan demikian perlu diperhatikan
karakteristik time series semacam ini serta perlakuan yang diperlukan.
Terdapat beberapa pola trend yang umum, yakni
1. Linear Time Trend

yt = 0 + 1t + ut

20)

2. Eksponential Time Trend

log( yt ) = 0 + 1t + et

21)

3. Quadratic Time Trend

yt = 0 + 1t + 1t 2 + vt

22)

14

Linear time trend adalah bentuk yang paling sederhana dan umum
digunakan. Model eksponensial digunakan untuk menunjukkan kondisi
pertumbuhan tetap. Sedangkan kuadratik digunakan untuk memodelkan
kondisi diminishing effect (contoh produktivitas marginal).
Suatu trend dapat dideteksi dari data yang dimiliki dengan meregresikan
nilai variabel terhadap nilai trend (t, t=1,2,,T). Jika koefisien trend adalah
signifikan pada uji dua arah maka data dimaksud adalah memilki
karakteristik trend.
Variabel-variabel yang memiliki karakteristik semacam ini harus dilakukan
detrending terlebih dahulu sebelum digunakan dalam model regresi linier.
Detrending dapat dilakukan dengan memasukkan secara eksplisit koefisien
time trend dalam model regresi, sebagai contoh

yt = 0 + 1 x1t + 2 x2t + 3t + ut

23)

Detrending juga dapat dilakukan dengan mengurangi nilai variabel semula

dengan fitted value dari regresi trend (misalnya persamaan 20). Sebagai
contoh kita dapat menotasikan variabel baru sbb

&&
yt = yt 0 1t
&&
x = x t
1t

1t

24)

&&
x2t = x2t 0 1t
x1t , &&
x2t
Regresi &y&t terhadap &&
akan memberikan hasil yang sama dengan
persamaan 23. Prosedur semacam ini dapat dilakukan terlepas dari
karakteristik trend (misalnya eksponensial dan kuadratik).
Suatu penyesuaian perlu dilakukan didalam menghitung koefisien
determinasi, R2, (Wooldridge, 2005, hal 239). Pertama kita menghitung
terlebih dahulu nilai &y&t seperti yang telah diberikan diatas. Selanjutnya kita
meregresikan nilai &y&t terhadap x1t, x2t dan t dan peroleh nilai Sum Square
Regression (SSR) nya. R2 untuk model time trend kemudian dapat dihitung
dengan formula

R2 =1

SSR
T

t =1

25)

&&
y t2

15

Contoh 4.
Dengan menggunakan data Hseinv.raw, kita mencoba mengstimasi
hubungan antara investasi sektor perumahan perkapita terhadap tingkat
harga rumah. Grafik dan regresi time trend menunjukkan bahwa variabel
investasi perumahan dan harga rumah memiliki pola trend (hasil tidak
dicantumkan). Regresi OLS langsung memberikan hasil sbb:
Dependent Variable: LOG(INVPC)
Method: Least Squares
Date: 07/03/08 Time: 21:18
Sample: 1 42
Included observations: 42
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(PRICE)

-0.550235
1.240943

0.043027
0.382419

-12.78824
3.244981

0.0000
0.0024

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.208390
0.188599
0.155423
0.966256
19.61651
0.814165

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

-0.666155
0.172543
-0.838881
-0.756135
10.52990
0.002376

Tabel 4. OLS Basic Regression Contoh 4

Sedangkan jika kita melakukan detrending dengan memasukkan time trend
pada persamaan regresi, maka diperoleh hasil sbb:
Dependent Variable: LOG(INVPC)
Method: Least Squares
Date: 07/03/08 Time: 21:21
Sample: 1 42
Included observations: 42
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(PRICE)
T

-0.913060
-0.380961
0.009829

0.135613
0.678835
0.003512

-6.732814
-0.561198
2.798444

0.0000
0.5779
0.0079

R-squared
Adjusted R-squared
S.E. of regression

0.340765
0.306958
0.143641

Mean dependent var

S.D. dependent var
Akaike info criterion

-0.666155
0.172543
-0.974252

16

Sum squared resid

Log likelihood
Durbin-Watson stat

0.804675
23.45930
1.048727

Schwarz criterion
F-statistic
Prob(F-statistic)

-0.850133
10.07976
0.000296

Tabel 5. OLS Detrended Regression Contoh 4

Perhatikan bahwa koefisien t adalah signifikan dengan demikian didalam
data terdapat karaketeristik trending. Berbeda dengan implementasi OLS
langsung disini tampaknya variabel indeks harga rumah tidak memiliki
dampak terhadap investasi perumahan. Dengan demikian diduga hasil yang
semula positif ini bersifat spurious.
Penanganan data yang bersifat musiman dilakukan dengan perantara model
dummy variabel. Disini digunakan dummy variabel S (season) yang bernilai
1 jika observasi bersangkutan adalah masuk dalam kategori musim dan 0
jika lainnya. Sebagai contoh misalnya kita memiliki suatu set variabel yang
terdiri dari regresan (y) dan regresor (x1, s/d xk). Data ini memiliki frekuensi
bulanan dan kita menduga bahwa ada pola musiman didalam series.
Pemodelan musim dapat dilakukan sbb (januari sebagai benchmark):

yt = 0 + 1 febt + ... + 11dect + 1 x1t + ...

+ k xkt + ut
Efek musiman bisa diverifikasi dengan menggunakan Joint Hypothesis
Testing (Wald test) dengan hipotesis null 1 s/d 11 =0. Jika hipotesis null
ditolak maka dapat diambil kesimpulan terdapat pola musiman didalam
data.
Selanjutnya untuk data yang memiliki sifat musiman dapat dilakukan hal
berikut:
1. Regresikan setiap y, x1 dan xk terhadap suatu konstanta dan dummy
variabel bulanan. Hitung residual untuk semua t=1,2,,T disebut
sebagai deseasonalized variabel . Sebagai contoh

&&
yt = yt 0 1 febt ... 11dect
2. Lakukan regresi dengan menggunakan deseasonalized data.

&&
yt = 0 + 1&&
x1t + ... + k &&
xkt + ut
Contoh 5.
Dengan menggunakan data Barium.raw akan diestimasi hubungan antara
impor barium dari Cina dengan berbagai variabel:chempi, gas, rtwex dan 3

17

variabel dummy: befile6, affile6 dan afdec6. Regresi pada bentuk log
memberikan hasil sbb:
Dependent Variable: LOG(CHNIMP)
Method: Least Squares
Date: 07/04/08 Time: 08:01
Sample: 1 131
Included observations: 131
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(CHEMPI)
LOG(GAS)
LOG(RTWEX)
BEFILE6
AFFILE6
AFDEC6

-17.80277
3.117194
0.196340
0.983016
0.059574
-0.032406
-0.565245

21.04537
0.479202
0.906617
0.400154
0.260970
0.264297
0.285835

-0.845923
6.504968
0.216564
2.456596
0.228281
-0.122613
-1.977520

0.3992
0.0000
0.8289
0.0154
0.8198
0.9026
0.0502

R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

0.304862
0.271226
0.597354
44.24709
-114.7867
1.458414

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

6.174599
0.699738
1.859340
2.012976
9.063646
0.000000

Tabel 6. OLS Basic Regression Contoh 5

Data yang dimiliki diduga memiliki pola musim bulanan. Dengan demikian
mengikuti prosedur yang telah diuraikan diatas maka
Dependent Variable: LOG(CHNIMP)
Method: Least Squares
Date: 07/04/08 Time: 08:07
Sample: 1 131
Included observations: 131
Variable

Coefficient

Std. Error

t-Statistic

Prob.

C
LOG(CHEMPI)
LOG(GAS)
LOG(RTWEX)
BEFILE6
AFFILE6
AFDEC6

16.77923
3.265062
-1.278141
0.663045
0.139703
0.012632
-0.521300

32.42865
0.492930
1.389008
0.471304
0.266807
0.278687
0.301950

0.517420
6.623783
-0.920182
1.406832
0.523609
0.045328
-1.726446

0.6059
0.0000
0.3594
0.1622
0.6016
0.9639
0.0870

18

FEB
MAR
APR
MAY
JUN
JUL
AUG
SEP
OCT
NOV
DEC
R-squared
Adjusted R-squared
S.E. of regression
Sum squared resid
Log likelihood
Durbin-Watson stat

-0.417711
0.059052
-0.451483
0.033309
-0.206331
0.003837
-0.157064
-0.134160
0.051693
-0.246260
0.132838
0.358328
0.261793
0.601207
40.84389
-109.5446
1.325306

0.304444
0.264731
0.268386
0.269242
0.269252
0.278767
0.277993
0.267656
0.266851
0.262827
0.271423

-1.372044
0.223065
-1.682212
0.123714
-0.766315
0.013763
-0.564995
-0.501243
0.193713
-0.936965
0.489411

Mean dependent var

S.D. dependent var
Akaike info criterion
Schwarz criterion
F-statistic
Prob(F-statistic)

0.1728
0.8239
0.0953
0.9018
0.4451
0.9890
0.5732
0.6172
0.8467
0.3508
0.6255
6.174599
0.699738
1.947246
2.342311
3.711902
0.000013

Tabel 6. OLS Deseasonalized Regression Contoh 5

Sekilas dari tabel 6 terlihat bahwa tidak ada satupun dari variabel dummy
yang signifikan. Namun demikian kesimpulan yang lebih kuat masih harus
dilakukan dengan Wald Test. Dengan restriksi c(8)==C(18)=0, pengujian
Wald Test memberikan hasil sbb:
Wald Test:
Equation: EQ01
Test Statistic
F-statistic
Chi-square

Value
0.855946
9.415406

df

Probability

(11, 113)
11

0.5852
0.5836

Value

Std. Err.

Null Hypothesis Summary:

Normalized Restriction (= 0)
C(8)
C(9)
C(10)
C(11)
C(12)
C(13)
C(14)
C(15)
C(16)

-0.417711
0.059052
-0.451483
0.033309
-0.206331
0.003837
-0.157064
-0.134160
0.051693

0.304444
0.264731
0.268386
0.269242
0.269252
0.278767
0.277993
0.267656
0.266851

19

C(17)
C(18)

-0.246260
0.132838

0.262827
0.271423

Restrictions are linear in coefficients.

Tabel 7. Wald Test Seasonal Dummies

Dapat dilihat dari tabel 7 bahwa kita tidak dapat menolak hipotesis null,
sehingga dapat diambil kesimpulan dugaan adanya pola musiman tidak
didukung oleh data.

20