Kuliah Acf
Kuliah Acf
−→ jika D(z) = 1 − a1 z kausal maka |z1 | = | a11 | > 1 ⇐⇒ |a1 | < 1 maka aj−1
1 → 0; j → ∞ sehingga
P∞
j=0 akan berhingga
P∞
−→ Xt = j=0 hj εt−j stasioner.
Bukti :
n
X ∞
X
E(Xt ) = lim cj εt−j = ( cj )E(εt ) (3.1)
n→∞
j=n j=−∞
n
X n
X
E(Xt+h Xt ) = lim E( cj εt+h−j )( ck εt−k )
n→∞
j=−n k=−n
∞
X
= cj ck {γ(h − j + k) + (Eεt )2 } (3.2)
j.k=−∞
yang berhingga dan independen terhadap waktu t. Baris terakhir diperoleh dari fakta karen fungsi
kovariansi untuk εt adalah γ(.) dan εt stasioner, maka
Dengan aki adalah parameter ke-i dari persamaan regresi, dan et+k adalah komponen error yang
tidak berkorelasi dengan Xt+k−j untuk j ≥ 1. Kalikan dengan Xt+k−j pada kedua sisi (1) dan
ambil nilai ekspektasinya, maka diperoleh
a11 = ρ(1)
1 ρ(2) ρ(1)
1 ρ(1) ρ(1) 1 ρ(2)
ρ(1) ρ(2) ρ(2) ρ(1) 1
a22 = , a33 =
1 ρ(1) 1 ρ(1) ρ(2)
ρ(1) 1
ρ(1) 1 ρ(2)
ρ(2) ρ(1) 1
..
.
1 ρ(1) ρ(2) . . . ρ(k − 2)ρ(1)
ρ(1)
1 ρ(1) . . . ρ(k − 3)ρ(2)
ρ(k − 1) ρ(k − 2) ρ(k − 3) . . . ρ(1)ρ(k)
akk =
1 ρ(1) ρ(2) . . . ρ(k − 2)ρ(k − 1)
ρ(2) 1 ρ(1) . . . ρ(k − 3)ρ(k − 2)
..
.
ρ(k − 1) ρ(k − 2) ρ(k − 3) . . . ρ(1) 1
Contoh:
1. W N (0, σ 2 ) (
σ2 k=0
γ(k) =
0 k 6= 0
(
1 k=0
ρ(k) =
0 k 6= 0
dan PACF (
1 k=0
akk =
0 k 6= 0
Secara definisi, a00 = ρ(0) = 1 untuk semua proses stasioner. Biasanya kita hanya mengamati
kasus k 6= 0.
2. AR(1)
Xt−a1 Xt−1 = εt , εt ∼ W N (0, σ 2 )
- proses AR(1)selalu invertible
3.10. FUNGSI AUTOKORELASI PARSIAL 23
- Proses AR(1) kausal jika akar atau | z11 | > 1 atau |a1 | < 1.
Untuk keadaan kausal berlaku.
a11 = ρ(1) = a1
1 ρ(1) 1 a1
ρ(1) ρ(2) a a21
a22 = = 1 =0
1 ρ(1) 1 a1
ρ(2) 1 a1 1
akk = 0 k≥2
Rangkuman: Untuk proses AR(1) berlaku fungsi ACF meluruh secara eksponensial untuk lag
k ∈ ∞ sedangkan untuk PACF hanya memiliki satu nilai tidak nol pada lag k = 1, nilainya +
atau - tergantung pada tanda a1 .
3. AR(2)
ACF
atau
dan
a1
k = 1 → ρ(1) = a1 + a2 ρ(1) ⇔ ρ(1) =
1 − a2
a21 a2 + a2 − a22
k = 2 → ρ(2) = a1 + a2 = + a2 = 1
1 − a2 1 − a2
PACF
a1
a11 = ρ(1) =
1 − a2
1 ρ1
ρ1 ρ2 ρ − ρ21
a22 = = 2
1 ρ1
1 − ρ21
ρ1 2
2 2
a1 +a2 −a22 a1
1−a2 − 1−a2
= 2
a1
1 − 1−a 2
substitusi
1 ρ1 a1 + a2 ρ1
ρ1 1 a1 ρ1 + a2
ρ2 ρ1 a1 ρ2 + a2 ρ1
1 ρ1 ρ2
ρ1 1 ρ2
ρ2 ρ1 1
secara ekuivalen untuk akk = 0, k ≥ 3
4.PACF AR(p)
Dengan menggunakan ρk = a1 ρ(k − 1) + a2 ρ(k − 2) + . . . aρ ρ(k − ρ) untuk k > 0, maka jika
k > ρ, kolom terakhir dari matriks pembilang dari akk pada rumus persamaan matriks untuk
akk dapat ditunjukkan merupakan kombinasi linear dari kolom-kolom lainnya. Dengan demikian
PACF akk akan bernilai 0 untuk lag k > p. Sifat ini dapat digunakan untuk identifikasi model
AR, yakni pada model AR berlaku ACF akan meluruh secara eksponensial menuju nol, sedangkan
nilai PACF akk = 0.k > ρ.
5.MA(1)
Xt = εt + b1 εt−1 , εt ∼ W N (0, σ 2 )
diamati untuk k positif k ≥ 0 untuk k negatif berlaku ρ(−k) = ρ(−k). Dimuka telah diperoleh
2 2
σε (1 + b1 ) k = 0
γ(k) = b1 σε2 k=1
0 k>1
sehingga
b1
k=1
ρ(k) = 1 + b21
0 k>1
3.10. FUNGSI AUTOKORELASI PARSIAL 25
Sifat-sifat:
• MA(1) dan MA(q) selalu kausal sehingga merupakan proses yang stasioner.
→ Dapat pula ditunjukkan karena 1 + b21 < ∞
• Syarat invertible adalah akar-akar dari polinomial 1 + b1 z nilai mutlaknya 1 >, yakni |z1 =
1
b1 | > 1 atau |b1 | < 1
b1 b1 (1 − b21 )
a11 = ρ1 = 2 = → (1 − b21 )(1 + b21 )
1 + b1 1 − b1
ρ2 − ρ21 −ρ21 −b21 1
a22 = 2 = 2 = .
1 − ρ1 1 − ρ1 (1 + b21 )2 1 − b212 2
(1+b1 )
−b31 (1 − b21 )
=
(1 − b81 )
secara umum
−bk1 (1 − b21 )
akk = 2(k+1)
k>1
1 − b1
b1 (1 + b2 )
2 2 k=1
1 + b1 + b2
ρ(k) = b2
2 + b2 k=2
1 + b 1 2
0 k>2
26 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
PACF
a11 = ρ2
ρ2 − ρ12
a22 =
1 − ρ12
ρ13 − ρ1ρ2(2 − ρ2)
a33 =
1 − ρ22 − 2ρ12 (1 − ρ2)
Dengan subtitusi ρk = 0, k > 3 dapat ditunjukkan bahwa PACF bersifat meluruh secara ekspo-
nensial atau fungsi cosinus yang meluruh tergantung dari akar-akar polinomial 1 + b1 z + b2 z 2 = 0
apakah senantiasa real atau semuanya kompleks.
7. MA(q)
Fungsi kovariansi
q
X
γ0 = σε2 b2j
j=0
(
σε2 (bk + b1 bk+1 + . . . + bq−k bε ) k = 1, 2, . . . q
γ1 =
0 k>q
ACF
bk + b1 bk + 1 + . . . + bq−k bq k = 1, 2, . . . , q
ρ(k) = 1 + b21 + . . . + b2q
0 k>q
PACF: merupakan gabungan dari fungsi yang meluruh secara eksponensial dan/atau fungsi sinus
yang meluruh, tergantung kepada akar-akar dari C(z) = 1 + bz1 + b1 z 2 + . . . + bq z q
8.ARMA (p, q)
Gabungan dari model AR(ρ) dan MA(q) maka fungsi ACFnya akan sama dengan sifat dari model
autorregresive, sedangkan bentuk PACFnya akan mengikuti sifat dari model moving average.
∞
X
γ(k) = σ 2 hj hj+|k| ,k ∈ z
j=0
∞
P C(z)
dimana h(z) = hj z j = D(z) , |z| < 1
j=0
D(z) = 1 − a1 z − . . . − ap z p
C(z) = 1 + b1 z + . . . + bq z q
Contoh : ARMA(2,1)
1
(1 − B + B 2 )Xt = (1 + B)εt
4
3.11. MENENTUKAN FUNGSI KOVARIANSI PROSES ARMA-KAUSAL 27
∞
X 1 3
4−j = 1 = Dist. geometrik
j=0
1− 4
4
∞ ∞
X 4 X 1−p
j.4 −j
= ⇒ dari x(1 - p)x =
j=0
9 x=0
p2
1 1 3
(1 − p) = ⇔p=1− =
4 4 4
∞ ∞
X
2 −j 20 X x (2 − p)(1 − p)
j .4 − ⇒ dari x2 (1 - p) =
j=0
27 x=0
p3
maka
4 3.4 20
γ(k) = σ 2 2−k [ (3k + 1)] + 3(3k + 2). + 9. ]
3 9 27
2 −k 32
= σ 2 [ + 8k]
3
Proses ARMA(p, q)
Kalikan dengan Xt−k dan gunakan ekspektasi, diperoleh (dengan substitusi γ(−k) = γ(k))
X∞
E(εt−i Xt−k ) = E( εt−j−k εt−i )
j=0
28 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
k = 0 ⇒ b 0 σ 2 + b 1 c1 σ 2 + . . . + b q cq σ 2
k=1⇒ b1 c0 σ 2 + . . . + bq cq−1 σ 2
..
.
k =q−1⇒ bq−1 c0 σ 2 + bε c2 σ 2
k=q⇒ −bq c0 σ 2
k >q+1⇒0
i −1
k rX
X
γ(h) = βij hj ξi−h , h > max(p, q + 1) − p
i−0 j=0
• k=0
γ(0) = a1 γ(1) = E(εt Xt ) + b1 E(Xt εt−1 )
P∞
substitusi Xt = j=0 cj εt−j dan (**) di atas
E(Xt εt ) = σε2
E(Xt εt−1 ) = a1 E(Xt−1 εt−1 ) + E(εt εt−1 ) + b1 E(ε2t−1 )
= a1 σε2 + b1 σε2 = (a1 + b1 )σε2
sehingga diperoleh
γ(0) = a1 γ(1) + σε2 + b1 (a1 + b1 )σε2
• k=1
γ(1) − a2 γ(0) = E(Xt−1 εt ) + b1 E(Xt−1 εt−1 )
P∞
dari Disini E(Xt−1 εt ) = 0 dari Xt−1 = j=0 cj εt−1−j sehingga
diperoleh
dan
(1 + b21 + 2a1 b1 )
γ(1) = a1 γ(0) + b1 σε2 = a1 + b 1 σε2
1 − a21
a1 + a1 b21 + 2a21 b1 + b1 − a21 b1 2
= σε
1 − a21
a1 + b1 + a1 b21 + a21 b1 2 (a1 + b1 )(1 + a1 b1 ) 2
= σε = σε
1 − a21 1 − a21
Untuk k ≥ 2 diperoleh
maka diperoleh
1 k=0
(a1 + b1 )(1 + a1 b1 )
ρ(k) = k=1
1 + a21 + 2a1 b1
a1 ρ(k − 1) k>2
h0 = 1, h1 = 2, hn = (1 + 3n)2−n − n ≥ 0
γ(0) = β10
γ(1) = (β10 + β11 )2−1
γ(2) = (β10 + β11 .2).2−1
30 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER
1 1 1 1
(3.1) : β10 − β10 − β11 + . (β10 + 2β11 ) = σ 2 .3
2 2 44
1 1 1 1
+ β10 + − β11 = 3σ 2
2 16 8 2
9 3
β10 − β11 = 3σ 2
16 8
3β10 − 2β11 = 16σ 2
51
(3.2) : (β10 + β11 ) = σ 2
42
3 5
− β10 + β11 = σ 2
8 8
−3β10 + 5β11 = 8σ 2
2
Penyelesaian: β11 = 8σ 2 dan β10 = 32 σ3 .
Maka diperoleh penyelesaian umum
32
γ(k) = σ 2 2−k + 8k k>0
3
i −1
k rX
X
γ(h) = βij hj ε−h
i ,h > 0
i=1 j=0
εi, i = 1, 2, . . . , k adalah akar-akar (yang mungkin bernilai kompleks) dari D(z), dan ri adalah
multiplikasi dari εi . Konstanta βij dihitung dengan bantuan boundary condition (1).
Tugas : Dimiliki model kausal AR(2)
dengan b0 = 1, a1 = ξ1−1 + ξ2−1 , a2 = − ξ1−1 ξ2−1 . Hitung γ(h) untuk akar-akar (ξ1 = reiθ , ξ2 =
reiθ 0 < θ < π)
Tentukan γ(k), k = 0, 1, . . . , p menggunakan boundary condition (1) dan (2) dari metode 2, ke-
mudian gunakan nilai-nilai ini untuk menghitung γ(p + 1), γ(p + 2), . . . menggunakan boundary
condition (2) secara rekursif. Metode ini lebih mudah secara numerik.
Contoh : Dari model ARMA(2,1) sebelumnya diperoleh dari boundary condition persamaan-
persamaan
1
γ(0) − γ(1) + γ(2) = 3σ 2
4
1
γ(1) − γ(0) + γ(1) = σ 2
4
1
γ(2) − γ(1) + γ(0) = 0
4
3.12. HUBUNGAN ANTARA AR(P) DAN MA(Q) 31
Table 3.1: Rangkuman sifat teoritis ACF dan PACF dari model-model stasioner
32 2 28 2 20 2
Penyelesaian:γ(0) = 3 σ , γ(1) = 3 σ , γ(2) = 3 σ . Untuk lag k > 2 dapat digunakan per-
samaan
1
γ(k) − γ(k − 1) + γ(k − 2) = 0, k = 3, 4, . . .
4
1
⇔ γ(k) = γ(k − 1) + γ(k − 2)
4
Untuk model AR(p) yang stasioner (kausal) maka Xt dapat ditulis sebagai proses MA(∞), dan
disisi lain jika model MA(q) bersifat invertible maka εt dapat dipandang sebagai proses AR(∞).
Hal ini menunjukan bahwa proses AR(p) stasioner dapat didekati dengan MA(k), untuk k yang
cukup besar dan proses MA(q) invertible dapat didekati dengan AR(k), untuk suatu k yang cukup
besar. Dengan kata lain, proses AR(p) dan MA(q) sebenarnya merupakan dua proses yang ekuiv-
alen. Pada praktisnya selalu dipilih model yang paling ”parsimony” (sederhana) yakni model yang
memiliki jumlah parameter yang paling sedikit. Sebagai ilustrasi daripada mengestimasi model
MA(100) (yang merupakan model ekuivalen untuk AR(1)), akan jauh lebih mudah mengestimasi
satu parameter a1 dalam model AR(1).
32 CHAPTER 3. MODEL RUNTUN WAKTU STASIONER