Anda di halaman 1dari 12

OTOKORELASI

2.2.1 Pengertian Otokorelasi

III

Otokorelasi adalah korelasi antara anggota serangkaian observasi yang diurutkan menurut
waktu (time series) atau ruang (cross section). Masalah otokorelasi akan muncul pada data
runtut waktu (time series) dan data lintas sektoral (cross section) dapat diabaikan.
Dalam model regresi linear klasik (ordinary least square atau OLS) mengasumsikan bahwa
otoko-relasi terdapat dalam factor residual.
2.2.2 Penyebab Otokorelasi
Penyebab Otokorelasi :
1. Adanya kelembaman (inertia), adalah adanya ketergantungan atau interdependensi
antara data observasi periode sekarang dengan periode sebelumnya.
2. Bias spesifikasi adalah adanya variable penjelas yang tidak dimaksudkan dalam
model regresi, hal ini mengakibatkan terjadi otokorelasi diantara residual.
3. Fenomena sarang laba-laba (cobweb phenomenon), hal ini biasanya terjadi pada
komoditas pertanian. Misal panen komoditi pada permulaan tahun dipengaruhi oleh
harga komoditi sebelumnya, jika harga komoditi sebelumnya menguntungkan maka
jumlah komoditi akan meningkat sebaliknya jika harga komoditi sebelumnya tidak
menguntungkan maka jumlah panen komoditi akan menurun.
4. Manipulasi data, yaitu peneliti membutuhkan data kuartalan namun data yang tersedia
dalam tahunan. Sehingga harus interpolasi data.
5. Adanya kelambanan waktu (lag). Missal pengeluaran konsumsi sekarang dipengaruhi
oleh pengeluaran konsumsi sebelumnya.
2.2.3 Akibat Otokorelasi
Otokorelasi dapat menyebabkan beberapa hal seperti berikut ::
1. Penaksir OLS tidak efisien atau memiliki varian minimum
2. Nilai hitung dan Fhitunglebih tinggi disbanding thitung dan Fhitung jika tidak ada
masalah otokorelasi
3. Penaksiran varian akan lebih rendah (under estimate)
4. Berkaitan dengan nomor b maka nilai R2 menyesatkan dan peramalan menjadi tidak
efisien

2.2.4 Mendeteksi Otokorelasi


Mendeteksi otokorelasi dengan menggunakan Uji Durbin Watson (DW)
Asumsi

a. regresi harus memiliki konstanta atau tidak melewati titik origin


b. variable penjelas konstan untuk sampel yang berulang.
c. faktor pengganggu (ui) dapat digeneralisasi dengan skema first order autoregressive
d. tidak ada lag dalam model regresi. Apabila ada lag digunakan uji h.
Langkah-langkah :
a. mencari nilai DWhitung
b. mencari nilai DWtabel, sebagai berikut

Hipotesis Nol

Jika

Keputusan

Tidak ada otokorelasi positif

0< d < dL

Tolak

Tidak ada otokorelasi positif atau negatif

dL d dU

Tak ada keputusan

Tidak ada otokorelasi positif

dU < d < 4-dU

Jangan tolak

Tidak ada otokorelasi negatif

4-dU d 4-dL

Tak ada keputusan

Tidak ada otokorelasi negatif

4-dL<d<4

Tolak

c. kesimpulan : membandingkan DWhitung dengan DWtabel


2.2.5 Cara Mengatasi Otokorelasi
Otokorelasi dapat diatasi dengan menggunakan beberapa cara sebagai berikut :
1. Struktur Otokorelasi () Diketahui

Langkah-langkah :
1. Meregres fungsi empirik yang sedang diamati, dan diperoleh nilai residual (e)
2. Meregres fungsi empirik, diperoleh nilai (rho)
3. Transformasi data observasi kedua dan seterusnya
4. Transformasi data khusus observasi pertama (t-1)
5. Dari data hasil transformasi, diregres dan diuji kembali apakah masih terdapat gejala
otokorelasi.
6. Struktur Otokorelasi () Tidak Diketahui
Ada beberapa metode :
1. Uji Berenblutt-Webb
2. Uji yang didasarkan pada D-W d Statistics
3. Uji Theil-Nagar Modifikasi d Statitics (Theil-Nagar Modified d Statistics Test)
4. Metode estimasi dengan menggunakan Dua Langkah Durbin (Durbins Two-step
method of estimating )
3.1 Sifat dari otokorelasi
Salah satu asumsi dari model regresi linier klasik ialah bahwa tidak ada otokorelasi
atau korelasi ( autocorrelation or serial correlation) antara kesalahan penganggu .
Seperti sebelumnya , dalam bab III ini akan di bahas hal- hal penting berikut:
1.
2.
3.
4.

Apakah sifat dari persoalan otokorelasiyang akan dalam subbab III.1 ini?
Apakah konsekuensi teoritis dan praktis dari otokorelasi?
Bagaimana cara mengetahui adanya otokorelasi dalam suatu model regresi linier?
Bagaimana cara mengatasi persoalan otokorelasi?

Istilah otokorelasi (autocorrelation),menurut Maurice G. Kendall and william


R.Buckland, A Dictionary of Statistical Terms: correlation between members of
series of observation ordered in time ( as in time series data) or space(as in crosssectional data).jadi otokorelasi merupakan korelasi antara anggota seri observasi
yang disususn menurut urutan waktu (seperti data cross-section) atau korelasi pada
dirinya sendiri. Dala huunya dengan persoalan regresi, model regresi linier klasik
menganggap bahwa otokorelasi demikian itu tidak teradi pada kesalahan penganggu
. Autocorrelation Terjadi ketika kovarian s dan korelasi antargalat tidak sama
dengan nol.
Salah satupelanggaranasumsi
cov ut , u s 0, untuk beberapa t s
Paling sering terjadi pada data deret waktu

Karena urutan pengamatan mempunyai makna


Galat pada satu periode mempengaruhi galat pada periode berikutnya
Terutama pada periode dengan jarak pendek (mis: harian)
Pada data cross section jarang terjadi
Karena urutan pengamatan tidak penting
PenyebabAutokorelasi
Ommited important variable
Misspecification of the model
Systematic errors in measurement
Ommited important variable
MisalkanY dipengaruhiolehX danX
t
2t
3t
Akan tetapiX tidakdisertakan di dalam model.
3t
ut X 3t vt Yt 1 1 X 2t u t

Sifat data time series:


X berhubungandenganX
X
3t
3,t-1, 3,t-2
Sehinggau berhubungandenganu
u
t
t-1, t-2
Misspecification of the model
MisalkanY dipengaruhiolehX secarakuadratik
t
2t
2
Yt 1 2 X 2t 3 X 2t ut
Akan tetapisukukuadratikX tidakdisertakan di dalam model.
2t
2
vt 3 X 2t ut Yt 1 2 X 2t vt
JikaX naikatauturunseiringwaktumakav jugaakannaikatauturunseiringwaktu
2t
t
Systematic errors in measurement
Pengukuran yang dilakukanpadawaktutertentu
Misalkantingkatsediaanpadawaktut
Terjadikesalahandalampengukurantersebut
Jikavariabelbersifatakumulatif, makakesalahanpengukuranjugaakanterakumulatif
Error di pengamatantdipengaruhioleh error padawaktusebelumnya
Jenisautokorelasi

Yang paling seringterjadiadalah first order serial autocorrelation: AR(1)


Yt 1 2 X 2t 3 X 3t k X kt ut
ut ut 1 t
menyatakanhubunganfungsionalantargalatu

t
Koefisiendarifirst order autocorrelation,
Bernilai di antara -1 s/d 1
Dan adalahgalat yang iid
t
=0, tidakadaautokorelasi
1,
positifkorelasi
galatwaktusebelumnyasangatmempengaruhigalatsaatini.
Galatwaktut-1 yang (-) diikutiolehgalatwaktut yang juga (-)
Galatwaktut-1 yang (+) diikutiolehgalatwaktut yang juga (+)
-1,
negatifkorelasi
galatwaktusebelumnyasangatmempengaruhigalatsaatini.
Galatwaktut-1 yang (-) diikutiolehgalatwaktut yang (+)
Galatwaktut-1 yang (+) diikutiolehgalatwaktut yang (-)

serial,

serial,

Positive Autocorrelation
u t

+
u t

Time

u t 1

Autokorelasipositif, ditunjukkanolehpolasiklusdarigalatseiringwaktu.

Negative Autocorrelation

-3.7
-6
-6.5
-6
-3.1
-5
-3
0.5
-1
1
4
3
5
7
8
7

u t
+

+
u t

Time

ut 1

Autokorelasinegatif, ditunjukkandaripola yang alternating dari galat seiring waktu

No pattern in residuals No autocorrelation


u t

u t

Time

u t 1

Tida

kadapoladarigalat, tidakadaautokorelasi
EfekdariAutokorelasi
Penduga OLS untukkoefisienregresitetaptidak bias akantetaptidaklagiefisien
(ragambesar)
Tidaklagi BLUE
Pendugaragambagikoefisienregresimenjadi bias dantidakkonsisten
Ujihipotesistidaklagi valid
Tidakmencerminkanhal yang sebenarnya
2
Overestimated R :
Lebihbesardari yang sebenarnya
Model lebihseringdinyatakan a good fit daripadahubungan yang
sebenarnya
Ujitjugalebihseringdinyatakannyata
Efekmatematisterhadapragampendugakoefisien

Ragamperagampendugakoefisien OLS tanpaautokorelasi:


1
1
var X' X X' E uu ' X X' X

1
1
var X' X X' 2 IX X' X

1
1
1
var 2 X' X X' X X' X 2 X' X

Jikaterdapatautokorelasi, maka

E ut , ut 2 E ut , ut 1 E ut , ut

X' X X' X X' X


1

var


2
E uu ' 2


n 1

AR 1

2
2
1

n2

n 3

X' X X' E uu ' X X' X


1

sien OLS denganautokorelasi

Detecting Autocorrelation:The Durbin-Watson Test


Uji Durbin-Watson (DW):
- Ujiuntuk first order autocorrelation AR (1)
ut = ut-1 + vt
2
dengan vt N(0, v ).
Hipotesisuji:
H0: =0andH1: 0

n 1

n 2
n 3

Ragamperagampendugakoefi

Statistikuji:
T

ut ut 1 2

DW t 2

ut 2

t 2

DW 21

The Durbin-Watson Test: Critical Values

Denganpenyederhanaan:
1 1 : penduga koefisien korelasi pada AR (1)

0 DW 4

Sehingga:

0 : DW 2

UntukDW 2, tidakakanadacukupbuktiuntukadanyaautokorelasi
TerdapatduanilaikritisbagiDW,
Upper critical value (du)
Lower critical value (dL
Terdapat pula daerah yang inconclusive.
The Durbin-Watson Test: Interpretasihasiluji

Syarat agar ujidapatdilakukansecarasah:


1. Ada sukukonstanpada model regresi
2. Peubaheksogen non stokastik (fixed)

3. Tidakada lag padapeubaheksogen


UjiBreusch-Godfrey
Dapatdilakukanuntukmengujiautokorelasisampaiderajatker
vt ~ N 0, v2 ut 1ut 1 2ut 2 3ut 3 r ut r vt

Yt 1 2 X 2t k X kt 1ut 1 2ut 2 r ur 1 vt
Denganmengkombin

asikansifatgalattsbdan model regresi:

Hipotesisnoldanhipotesisalternatif:
H : = 0 dan = 0 dan ... dan = 0
0 1
2
r
H : 0 atau 0 atau ... atau 0
1 1
2
r
Langkah-langkahujiBreusch-Godfre
Yt 1 2 X 2t 3 X 3t k X kt ut
Langkah 1: Dapatkanpendugabagi model regresi

ut Yt Yt
Langkah 2: Dapatkanpendugagalat

ut 0 1 X 2t k X kt k 1ut 1 k p ut p

Langkah 3: Dapatkanpenduga auxiliary


regression bagipendugagalatsebagaifungsidariseluruhpeubaheksogendangalatsejumlah lag
yang ingindiuji
LM n r R 2 ~ r2

Langkah 4: Dapatkan statistik uji berdasarkan koefisien determinasi dari


2
auxiliary regression R
Langkah 5: Tolak H jika ada bukti yang nyata dari statistik uji
0
Penentuanrtergantungdariperiode data (bulanan, mingguandsb) dansifatsiklusnya.
Cara MengatasiAutokorelasi
Berdasarkanpengetahuantentangdiketahui

diketahuiatau
tidakdiketahui
Mengatasiautokorelasiketikadiketahui
diketahuidandiasumsikanautokorelasiterjadiseusai AR(1) model.
ut ut 1 t Yt 1 2 X 2t 3 X 3t k X kt ut

Model yang samaberlakupadawaktuket-1


Yt 1 1 2 X 2t 1 3 X 3t 1 k X kt 1 ut 1

Model padat-1 dikalikandengan


Yt 1 1 2 X 2t 1 3 X 3t 1 k X kt 1 ut 1

Persamaan (1) dikurangidenganpersamaan (2)


Yt 1 2 X 2t 3 X 3t k X kt ut
Yt* 1* 2 X 2*t k X 3*t t

Yt Yt 1 1 1 2 X 2t X 2t 1 k X kt 1 X kt 1 ut ut 1

Yt 1 1 2 X 2t 1 3 X 3t 1 k X kt 1 ut 1

Akibatpembedaan, pengamatanberkurang 1
Y Y1 1 2 , X i*1 X i1 1 2
*
1

Pengamatanpertamadigantikandengan;

Mengatasiautokorelasiketikatidakdiketahui: Cochrane-Orcutt Iterative Procedure


Langkah 1: duga model regresidandapatkanpendugagalat
Langkah 2: dugakoefisienkorelasi serial orde 1 denganmetode OLS dari:

ut ut 1 t
Langkah
3:
Lakukantransformasiuntukpeubahpeubah
dipakaidenganhubunganberikut:
*
Yt Yt Yt 1 , 1* 1 1 , X it* X it X it 1

yang

Y1* Y1 1 2 , X i*1 X i1 1 2

Langkah 4: Dapatkanpendugaregresidanpendugagalatuntukpersamaanberikut:

Yt * t* 2 X 2*t k X 3*t t
Ulangilagilangkah 2 sampaidengan 4 sampaidipenuhikriteriaberikut:
iterasi ke j iterasi ke j 1 0

Ringkasan BAB III


Salah satu asumsi model regresi linier klasik ialah bahwa kesalahan penganggu yang masuk
dalam fungsi regresi populasi (FRP) tidakberkorelasi dan acak (uncorrelated and random)
Apabila ada pelanggaran /penyimpangan terhadap asumsi ini berarti kita menghadapi
persoalan otokorelasi atau korelasi serial.
Otokorelasi dapat timbul/terjadi karena berbagai , misalnya karena adanya invertia
(slugishness) hampir pada sebagaian besar data ekonomi time- series bias karena spsifikasi ,
karena variabel yang seharusnya masuk dalam model tidak di masukan (cobweb phenomena)
tidak masuknya variabel beda kala (exclusion of lagged variables), dan manipulasi data,
misalnya proses terjadi transformasi
Walapun pemerikasaan OLS tak bias dan juga konsisten alam keadaan otokorelasi terjadi,
tetapi tidak lagi efisien. Sebagai akibatnya , uji t dan F yang biasa tidak dapat di pergunakan
secara sah. Dengan demikian , suatu penyembuhan di perlukan .
Penyembuhan (remedy) ini sangat tergantung kepada sifat sifat ketergantungan di antara
keslahan pengganggu . Akan tetapi , karena kesalahan penganggu ini tidak di ketahui
(unobservable) dalam praktiknya kita mempunyai asumsi atau anggapan bahwa keslahankesalahan penganggu ini mengiuti mekanisme terntentu yang dapat di terima .mekanisme itu
biasanya di pergunakan dalam otoregresif order pertama dari Markovyang beranggapan
bahwa kesalahan penganggu sekarang () mempunyai hubungan linier dengan kesalahan
penganggu sebelumnya(t-1), koefesien otokorelasi merupakan faktor pengikatnya ingat
bahwa t= t-1+ t

Apabila bagan order pertama (first order scheme) berlaku secara sah dan koefisien
otokorelasi di ketahui ,maka persoalan korelasi serial dapat dipecahkandengan mengubah
bentuk data asli mengikuti prosedur persamaan selisih yang umum ( generalized difference
equation).olehkarnaitu koefisien otokorelasi tidak di ketahui terlebih dahulu , kita
pertimbangkan beberapa metode untuk memperkirakannya .bberapa metode perkiraan
sifatnya ad hoc dan beberapalainnya berdasrkan data asli . walupun begitu ternyata dalam
praktiknya metode metode tersebut sangat berguna . tentu saja sebelum usaha pemecahan
persoalan, perlu adnya usaha mendeteksi terlebih dahulu. Walupun ada beberapa cara untuk
mendeteksi ada tidaknya persoalan korelasi serial dalam suatu persoalan tertentu , namun ini
secara rutin di hitung bersama-sama denga ringkasan statistik lainnya seperti standar eror,
rasio t, R2 dalam suatu persamaan regresi . dalam bab III ini telah di tunjukan asumsiasumsi yang di perlukan untuk uji d (d test) dan beberapa pembatasan yang harus di
perlukan.