EKONOMETRI

TIME SERIES
SANJOYO
 TOPIK - TOPIK
1. Pengertian Dasar
2. Pengujian Stasioneritas
3. ARMA & ARIMA
4. ARCH & GARCH
5. VAR
6. COINTEGRATION & ECM
7. SIMULTAN EQUATION
 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.
 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).
 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
 ARMA & ARIMA(2)
Contoh:
AR(2) •Zt=0,5Zt-1 +0,
3Zt-2+ t
 ARMA & ARIMA(2)
Lat8: MA Proses
Moving Average (MA) :
Z t= + 0 t+ 1 t-1+...+ q t-q ; =konstanta, t =white
noise proses.
Contoh:
MA(1) • Yt=2+ t+ t-1
 ARMA & ARIMA(2)
Contoh:
MA(2) • Zt=2+ t+ t-1 + t-2
 ARMA & ARIMA(2)

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

Lat9: ARMA Proses

 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)
Bila model cenderung MA atau
PACF • max p(lag AR) AR saja
 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)
 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) • ΔCPI Stasioner
ΔCPI • lihat correlogram • ar(1)
OLS Δcpi c ar(1) • significant ? Ya. Lihat residual correlogram •
White noise? • tambah ma(5)
OLS Δcpi ar(1) ma(5) • significant ? Ya. Lihat residual
correlogram • White noise? • tambah ma(8) atau ma(6)
Dan seterus nya
Model Akhir:
Lat9a: ARMA Proses
(1). Δcpi ar(1) ma(5) ma(6)
(2). Δcpi ar(1) ma(5) ma(8)
 ARMA & ARIMA(4)
CARA KEDUA: Backward Regression (basis
Signifikansi koef):
Mis dari data file :univariat • CPI
CPI • Non-stasioner • first diff (d=1) • ΔCPI
Stasioner
Dari correlogram (ΔCPI ): ar(1) ar(7) ma(1-6)•
yg penting significant individual koefisien
OLS: ΔCPI c ar(1) ar(7) ma(1-6) • hilangkan
yang tidak significant mulai dari ma(6) dg
redundant test dan seterusnya.
Model Akhir: ΔCPI c ar(1) ar(7) ma(2) ma(5)
Lat9b: ARMA Proses
 Kriteria Pemilihan Model
Model Parameter Estimasi p-value Prob Q SE of Reg
ARIMA Parameter t-ratio
CONSTANT 1.302799 0.1202 Error • WN 1.702521
AR(1) 0.707553 0.0000
MA(5) 0.327614 0.0005
MA(6) 0.259056 0.0050
CONSTANT 1.258723484 0.0673 Error • WN 1.706071
AR(1) 0.7521177939, 0.0000
MA(5) 0.3430463389, 0.0004
MA(8) -0.2584077005 0.0070
CONSTANT 1.326451 0.0356 Error • WN 1.746126
AR(1) 0.842224 0.0000
AR(7) -0.119512 0.0458
MA(2) -0.274655 0.0069
MA(5) 0.344174 0.0004
 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).
 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=φ0+φ0Yt-1+ t dimana t ~ N(0, t )
heterosedastic
t= t t;
dimana t adalah white noise N(0,1)
t2= α0+ α1 2t-1 +…..+ αq 2t-q

Bila ARCH(1) maka: t2= α0+ α1 2t-1

 ARCH & GARCH(3)
Model GARCH(p,q)
Moving average q lag of ε2t-1-ARCH
Yt=φ0+φ0Yt-1+ t term
dimana t ~ N(0, t) heterosedastic
Autoregresive p Lag of σ2t-GARCH
t= t t dimana t adalah white term
noise N(0,1)
.
.
t=
conditional varians
Bila GARCH(1,1) maka: t2= α 0+ α 1 2t-1 + t-1 2t-1

Pengujian Model ARCH

Engle (1982) Lagrange Multiplier test utk ARCH, dg step:
Ettimasi AR(n) (regressi) dg OLS: yt= α0+ α1yt-1 +…+ αnyt-n
+ t
Hitung
Bila tak ada ARCH/ GARCH maka α0= α2=…= αq=0
 ARCH & GARCH(4)
Pengujian Model ARCH
Hipotesis:
Ho: α0= α2=…= αq=0 •tidak ada ARCH error s/d order q
H1: ada ARCH
Test Statistik TR 2 ~χ2q
Keputusan : Tolak Ho bila TR 2 >χ2q

Lat10: ARCH Proses

 Threshold ARCH/ GARCH (1)
Model T-GARCH(p,q)
Moving average q lag of ε2t-1-ARCH
Yt=φ0+φ0Yt-1+ t term
dimana t ~ N(0, t) heterosedastic
Autoregresive p Lag of σ2t-GARCH
t= t t dimana t adalah white term
noise N(0,1)
.
.
t=
conditional varians
dimana: I t-k=1 jika εt <0, lainnya =0
Good News εt-i >0; bad news εt-1 <0; mempunyai dampak
pada conditional variance.
Good News berdampak αi dan bad news berdampak αi+γi
 Threshold ARCH/ GARCH (2)
Hipotesis
H0: γi=0 (bad news tak berdampak pada cond. Variance)
H1: γi≠0 (bad news berdampak pada cond. Variance)
Statistik Uji : z-test : γi/SE(γi)
Keputusan: p-value < 5% • H0 ditolak