P. 1
MODELVARECM

MODELVARECM

|Views: 31|Likes:
Dipublikasikan oleh azi Radianto

More info:

Published by: azi Radianto on Jul 06, 2011
Hak Cipta:Attribution Non-commercial

Availability:

Read on Scribd mobile: iPhone, iPad and Android.
download as PDF, TXT or read online from Scribd
See more
See less

07/19/2012

pdf

text

original

ASISTENSI

:

EKONOMETRI TIME SERIES
SANJOYO

COINTEGRATION & ECM G. ARCH & GARCH E. VAR F.TOPIK A. Pengujian Stasioneritas C.TOPIK . Pengertian Dasar B. ARMA & ARIMA D. SIMULTAN EQUATION ASISTENSI EKON TIME SERIES.SANJOYO SERIES2 .

artinya: varobel yg ada di RHS juga ada di LHS ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 3 . maka utk pembentukan model yg melibatkan banyak variebel sebaiknya memperlakukan semua variabel menjadi variabel endogen VAR VAR adalah model yg memperlakukan setiap variabel dlm model secara simetris.VAR(1) Vector Auto Regression Alternatif modelling apabila kita tidak yakin bahwa suatu variabel adalah exogenues Sim (1980): Jika kita tdk dpt secara pasti apakah suatu variabel exsogen atau endogen.

SANJOYO SERIES4 .VAR(2) Model VAR utk bivariate: Yt = α1 + α 2 X t + α 3Yt −1 + ε 1t X t = β1 + β 2Yt + β 3 X t −1 + ε 2t Standar form VAR utk bivariate/ Reduced form : Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t zt = δ + θzt −1 + vt ⎡ Yt ⎤ ⎡π 12 π 13 ⎤ ⎡υ1t ⎤ ⎡π 11 ⎤ zt = ⎢ ⎥ δ = ⎢ ⎥ θ = ⎢ ⎥ vt = ⎢υ ⎥ ⎣π 21 ⎦ ⎣ 2t ⎦ ⎣Xt ⎦ ⎣π 22 π 23 ⎦ ASISTENSI EKON TIME SERIES.

VAR(3) Model VAR(p) dg p lag: zt = δ + θ1 zt −1 + θ 2 zt − 2 + Asumsi: + θ p zt − p + vt Yt dan Xt stasioner (if not: varians tdk konstan) v1tdan v2t ~ white noise dg rata2=0 dan std dev masing2 σy dan σx v1tdan v2t uncorrelated disturbance ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 5 .

VAR(4) Pengujian VAR: (Granger-causality) Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t Model Bivariate: Var (p=1) X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t Hipotesis Null: X does not Granger-cause Y ( π13=0) Y does not Granger-cause X ( π22=0) Statistik Uji: Wald test ~dist F Note: F={(RRSS-URSS)/r}/{URSS/(n-k)} Estimasi Model VAR Least Square Pilih Lag dg kriteria AIC SIC Estimate model ASISTENSI EKON TIME SERIES.SANJOYO SERIES- Lat : VAR.prg 6 .

VAR(5) Impuls Respon Function ⎡ Yt ⎤ ⎡ Y ⎤ ∞ ⎡φ11 (i ) φ12 (i ) ⎤ ⎡ε yt −i ⎤ ⎢ X ⎥ = ⎢ ⎥ + ∑ ⎢φ (i ) φ (i )⎥ ⎢ε ⎥ 22 ⎦ ⎣ xt −i ⎦ ⎣ t ⎦ ⎣ X ⎦ i =0 ⎣ 21 Moving average utk melihat interaksi Yt dan Xt. ASISTENSI EKON TIME SERIES. Koef φi digunakan utk “generate” efek dari shock εyt dan εzt pada time path Yt dan Xt.prg 7 .SANJOYO SERIES- Lat : VAR.

SANJOYO SERIES- 8 . Xt dan Yt yg keduanya non-stasioner. Jika Xt~I(1). Dua variabel yg terintegrasi menunjukan variabel tersebut mempunyai trend stokastik yg sama dan selanjutnya mempunyai arah pergerakan yg sama dlm jangka panjang (mempunyai hubungan jangka panjang. tetapi Zt=Yt-βXt ~I(0). Maka Xt dan Yt adalah dua variabel yg terkointegrasi. & permanen income hipotesis. Ada variabel Ztt dimana Zt=Yt-βXt bersifat stasioner. dan Yt~I(1). UIP.COINTEGRATION (1) Pengertian Dua variabel time series. ASISTENSI EKON TIME SERIES. PPP. maka Xt dan Yt cointegrated.

SANJOYO SERIES- Lat : coint.σ2 ) ˆ ˆ yaitu: et = Yt − β X t Dg prosedure Engle-Granger (1987) menggunakan ADF test menguji stasioneritas êt (residual).prg 9 . Hipotesis Ho: δ =0 (tidak ada kointegrasi) H1: δ <0 (ada kointegrasi) Selanjutnya sama dg ADF test. maka Yt dan Xt mempunyai hubungan jangka panjang/ ekulibrium dg nilai long run β.. Bila variabel Yt dan Xt terkointergasi dg model Yt= α+βXt+et.COINTEGRATION (2) Cointegration Test Model: ∆ êt =β1+ β2t +δêt-1+ αi∑∆êt-i +ωt . i=1. ωt~ iid(0. ASISTENSI EKON TIME SERIES..m-1 Diperoleh dari pers regresi Yt= α+ βXt+et.

ASISTENSI EKON TIME SERIES-. Dalam jangka pendek mungkin terjadi disekulibrium Error term. dimana μt-1=(Yt-1.SANJOYO 10 SERIES . maka error term melakukan koreksi pd partial adjustment ΔYt=α0+α1ΔXt menuju ekulibrium jangka panjang. Lat : ECM.ECM(1) Pengertian: Terjadinya kointegrasi 2 variabel menunjukan adanya hubungan jangka panjang atau ekulibrium antara keduanya. pada model Yt= β1+β2Xt+et.prg Model Jika Variabel Yt dan Xt terkointegrasi model ECM. yaitu ΔYt=α0+α1ΔXt+ α2μt-1+εt.dapat diperlakukan sebagai “ekulibrium error” dan dpt digunakan utk mengikat tingkat laku jangka pendek variabel Yt terhadap nilai jangka panjangnya.β1-β2Xt-1) Persamaan tsb menunjukan bahwa ΔYt bergantung pada ΔXt dan ekulibrium error term (μt-1) Jika koef ekulibrium error term (α2)≠ 0.

ASISTENSI EKON TIME SERIES. Bila terjadi kesalahan pd tahap pertama. maka akan terbawa pd tahap ke dua. tdk dpt memberikan jalan keluar yg sistematis bila terjadi multipel kointegrasi Sangat tergantung pd two step estimator.MULTIVARIATE COINTEGRATION (1) Keterbatasan prosedure Engle-Granger Harus diketahui mana variabel dependen dan mana yg independent Tidak netral thd pemilihan variabel: kemungkinan bisa: regresi Y thd X kointegrated namun regresi X thd Y tidak kointegrated Pengujian dg 3 variabel atau lebih.SANJOYO SERIES11 .

nxn Π=(A1-I)= jml vektor kointegrasi 12 . adalah (nx1) vectors A1 =matrik(nxn) berisi parameter I =matrik identitas berukuran.MULTIVARIATE COINTEGRATION (2) Prosedure Johansen(1982) Bergantung pada hubungan antara rank dr suatu matrik( r ) dan characteristic root-nya Generalisasi dr uji stasioneritas Dicky-Fuller Xt=A1Xt-1+εt Xt-Xt-1=A1Xt-1-Xt+ εt ∆Xt =(A1-I)Xt-1+ εt ∆Xt =πXt-1+ εt dimana: Xt.

dan β’yt adalah I(0) stasioner r = juml relasi yg terkointegrasi (rank kointergrasi) dan setiap kolom β adlh cointegrating vector.SANJOYO SERIES- 13 . dan exist k x r matrik α dan β dengan masing2 rank r sehingga: π = α β’. ASISTENSI EKON TIME SERIES.MULTIVARIATE COINTEGRATION (3) Jika koef Matrik π mempunyai rank r < k.

1.k λ1=λ2=…λk=0 r=1 (1 vektor terkoin) λ2=λ3=…λk=0 r=2 (2 vektor terkoin) λ3=λ4=…λk=0 r=3 (3 vektor terkoin) λi adalah eigenvalue terbesar ke-I dari matrix π λtrace = −T ∑ ln (1 − λi ) r = 0..prg 14 .SANJOYO SERIES- k i = r +1 Lat : mulcoint.k − 1 λ max = −T ln (1 − λr +1 ) ASISTENSI EKON TIME SERIES.MULTIVARIATE COINTEGRATION (4) Pengujian Ho: λi=0 r=0 (tdk terdpt koin) i=r+1..….

4 3.012214 Pengujian dg: Max-Eigenvalue (λ max) Trace Statistic (λ trace) ASISTENSI EKON TIME SERIES.SANJOYO SERIES15 . Ho: No.8 0.MULTIVARIATE COINTEGRATION (5) Contoh: Uji kointegrasi dr variabel CONS & INCM dg johansen coint test dg output: (T=98).155456 0. of CE(s) None At most 1 Eigenvalue 5 Persent Critical Value for Maximal eigenvalue 14.8 5 Percent Critical Value for Trace Statistics 15.1 3.

155456(λ1) 0.012214(λ2) λmax(1)=-98 (ln(1 .155456)=16.5579 λmax(2)=-98 (ln(1 .2043 5 Persent Critical Value for Maximal eigenvalue 14.012214)=1.1 3.2043 1 coint vector ASISTENSI EKON TIME SERIES. of CE(s) None* At most 1 Eigenvalue Max Eigenvalue Statistics 16.0.SANJOYO SERIES- 16 .MULTIVARIATE COINTEGRATION (6) Contoh: λ maksimum: Ho: No.0.8 Keputusan Tolak Ho jika: Max-Eig > CV Tolak Ho Terima Ho 0.5579 1.

of CE(s) None* At most 1 Eigenvalue Trace Statistics 17.012214(λ2) {-98 (ln(1 .8 Keputusan Tolak Ho jika: Trace Stat > CV Tolak Ho Terima Ho 0.0.4 3.155456(λ1) 0.MULTIVARIATE COINTEGRATION (7) Contoh: λ trace: Ho: No.012214)=1.0.SANJOYO SERIES17 .5579+1.7622 1.2043 5 Persent Critical Value for Trace statistic 15.155456)} + 1 coint vector λtrace(2)=-98 (ln(1 .0.7622 λtrace(1)={-98 (ln(1 .012214) }=16.2043 ASISTENSI EKON TIME SERIES.2043=17.

Z) Terkointrasi 1 vektor Lag =1 ΔYt = π 11 + π 12CoinEq1 + π 13ΔYt −1 + π 14 ΔX t −1 + π 15 ΔZ t −1 + υ1t ΔX t = π 21 + π 22CoinEq1 + π 23ΔYt −1 + π 24 ΔX t −1 + π 25 ΔZ t −1 + υ2t ΔZ t = π 31 + π 32CoinEq1 + π 33ΔYt −1 + π 34 ΔX t −1 + π 35 ΔZ t −1 + υ3t dim ana : ˆ ˆ ˆ CoinEq1 = (Yt −1 − (α1 + α 2 X t −1 + α 3 Z t −1 ) ) ASISTENSI EKON TIME SERIES.Estimasi VEC(vector error corection) Model Mis 3 variabel (X.SANJOYO SERIES- 18 . Y.

You're Reading a Free Preview

Mengunduh
scribd
/*********** DO NOT ALTER ANYTHING BELOW THIS LINE ! ************/ var s_code=s.t();if(s_code)document.write(s_code)//-->