AUTOKORELASI
Disusun Oleh:
KELOMPOK 3
Fardhan Anushi Setyahadi
11.6658
11.6695
11.6719
Muksalmina Jamil
11.6804
11.6816
Okta Merkuriana
11.6841
Yenro P. Sagala
11.6957
AUTOKORELASI
Autokorelasi: korelasi antar error, pada pengamatan yang berbeda waktu atau individu.
Umumnya kasus autokorelasi banyak terjadi pada data time series, artinya kondisi sekarang
dipengaruhi waktu lalu. Misal: penjualan produk, harga, pengeluaran, upah, dan lain
sebagainya.
Estimasi koefisien regresi masih tak bias, namun sudah tidak lagi efisien
MSE underestimate
Confidence interval dan pengujian menggunakan uji t dan F tidak lagi dapat
diaplikasikan
Sebagai ilustrasi, dimisalkan suatu model Regresi Linier Sederhana (RLS) dengan data time
series atau data runtun waktu.
Y i= 0 + 1 X 1+ i
Yi
dan
X1
memiliki
Misal
berikut :
t
0
1
2
3
4
5
6
7
8
9
1
0
ut
t = t1 +ut
+0,5
-0,7
+3
0
-2,3
-1,9
+0,2
-0,3
+0,2
3,0
3,0 + 0,5 = 3,5
2,8
3,1
3,1
8
-1,1
-0,9
-1,2
-1,0
-0,1
-1,1
Misal variabel waktu t dianggap sebagai variabel X kemudian juga diketahui nilai
dan
1=0,5
=2
E ( Y )=2+0,5 X , dari
demikian seterusnya.
misal
Jika kita melihat plot estimasi garis regresinya dengan metode OLS diperoleh persamaan
^
estimasi garis regresi Y =5,850.070 X
Bila dibandingkan terlihat bahwa garis estimasi regresinya menyimpang jauh dari garis
regresi yang sebenarnya. Jika dianggap hal ini karena nilai
0 =3,0
alternatif yang kita punya adalah kita akan mencoba mengurangi nilai
maka diperoleh plot:
Garis regresi ini terlihat lebih mendekati garis regresi yang sebenarnya. Dengan demikian jika
suatu regresi ternyata variabel errornya berautokorelasi dan kita memaksa menggunakan OLS
maka varian yang kita peroleh dapat bernilai besar yang juga berarti tidak BLUE. Masalah
lainnya juga bila OLS diterapkan pada regresi yang berautokorelasi adalah MSE nya akan
meng-underestimate varian
variabilitas nilai
nilai Y
MENDETEKSI AUTOKORELASI
Gambar ke 4 tidak menunjukkan autokorelasi karena sebaran atau plot-plot data menyebar
dan tidak membentuk pola.
Model regresi tidak mengandung nilai yang terlambat (lagged) dari variabel respon Y
sebagai satu dari variabel penjelas. Jadi, pengujian tidak dapat diterapkan untuk model
Y t = o+ 1 X 1 t + 2 X 2 t ++ k X kt + Y t1 + t
jenis
di mana
Y t1
adalah nilai
Hanya cocok untuk menguji autokorelasi ordo pertama (first order autocorrelation)
N ( 0, 2 )
independent berdistribusi
2. Multiple Regression
Y t = o+ 1 X t + 2 X t + + 1 X t , 1 + t
t = t 1+ ut
Dimana ||<1
ut
independent berdistribusi
N ( 0, 2 )
t = p t1 +ut
t 2= t 3+ ut2
Demikian untuk
diperoleh t = t 3+ u t2 +u t1 +ut
Dan seterusnya.
u
u t1 yang merupakan
Disini modelnya yang terbentuk bila digeneralisasi adalah t =
t=0
t
Jika nilai adalah 0< <1 ternyata diperoleh rata rata E{ t } = 0 dan
2=
2
1
merupakan bentuk konstan varian, serupa dengan bentuk model regresi yang
dan
t 1
tersebut :
( , ) =
t
t1
( , )=
t
t1
( )
2
1
( ,
t
t1
( ) ( 1)
t
dan
2
1 p 2
( ) ( )
2
korelasinya:
12
koefisien
12
waktunya maka nilai korelasinya akan semakin berkurang). Dengan kata lain bentuk error
antar waktu akan tidak berautokorelasi hanya jika
= 0.
Hal inilah yang menjadi tolak ukur dalam hipotesis pengujian durbin watson.
H 0 : =0 dan H a : >0
n
( et e t1 )2
Statistik uji :
D= t=2
e 2t
t=1
D>d u makaterima Ho
Jika
Jika
Bandingkan nilai d yang dihitung dengan nilai dL dan dU dari tabel dengan aturan berikut :
Bila d < dL tolak H0; Berarti ada korelasi yang positif
Bila dL < d < dU kita tidak dapat mengambil kesimpulan apa-apa
Bila dU < d < 4 dU tidak tolak H0; Artinya tidak ada korelasi positif maupun negatif
Bila 4 dU < d < 4 dL kita tidak dapat mengambil kesimpulan apa-apa
d=
e2t
Karena
e 2t
dan
e 2t 1
e 2t 1 = e 2t
d 2 1
e t e t1
e 2t
, maka:
Selanjutnya diketahui
^=
Sehingga
e t e t1
e 2t
d=2 ( 1 ^ )
Jika
^=0, maka d=2 . Artinya jika tidak ada korelasi, nilai d sebesar 2.
Jika
^=+1, maka d=0 . Artinya jika ada korelasi positif sempurna dalam residual, nilai
d sebesar 0.
Jika
^=1, maka
nilai d sebesar 4.
Sehingga batas d yang ditetapkan adalah 0 sampai 4.
MENGATASI AUTOKORELASI
Y 't =Y t Y t 1
Y 't =( o + 1 X t + t ) ( o + 1 X t1 + t 1 )
Y 't = o ( 1 )+ 1 ( X t X t 1 ) +( t t 1 )
t t 1=ut
Karena
, maka :
Y 't = o ( 1 )+ 1 ( X t X t 1 ) +ut
'
'
'
'
Y t = o + 1 X t + ut
Dimana :
'
Y t =Y t Y t 1
X 't =X t X t 1
o' = o ( 1 )
1' = 1
Estimasi
'
Y t =Y tr Y t 1
'
X t =X t r X t 1
Jika tidak ada autokorelasi, maka bisa dikembalikan ke original variable dari
Y^'t =b'o +b '1 X ' menjadi Y^ =b o +b1 X .
b'o
Dimana : bo = 1r
dan
'
b1=b1
1. Prosedur Cochrane-Orcutt
Ada 3 tahap:
1. Estimasi
e t 1 e t
r= t=2n
e2t 1
t =2
dan
Y 't
terhadap
X 't
X 't =X t r X t 1
dipilih dengan prosedur Hildreth-Lu, yang meminimalkan sum square error untuk
model regresi yang ditransformasi.
2
SSE= ( Y 't Y^'t )
'
'
' 2
'
SSE= ( Y tbo b 1 X t )
=1 , maka
'
o = o ( 1 ) = 0
Y 't =Y tY t1 dan
Jadi :
X 't =X t X t1 dan
1' = 1
b1=b1
hampir sama
2. Estimasi standar deviasi Cochrane-Orcut lebih kecil dari Hildreth-Lu dan First
Differences; dan estimasi dari original variable lebih rendah dari yang lain ketika
autokorelasi positif
3. Ketiga transformasi (Cochrane-Orcut, Hildreth-Lu, First Differences) memberikan
hasil estimasi dari
ut
CONTOH KASUS
Tingkat Meninggalkan Pekerjaan (Quit Rate) Per 100 Karyawan (Y) dan Tingkat
Pengangguran (X) di Negara Anu
TAHUN
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
X (%)
6,2
7,8
5,8
5,7
5
4
3,2
3,6
3,3
3,3
5,6
6,8
5,6
5,3
5,4
LANGKAH-LANGKAH SPSS:
1. Masukkan data
Y
1,3
1,2
1,4
1,4
1,5
1,9
2,6
2,3
2,5
2,7
2,1
1,8
2,2
1,9
1,7
4. Klik OK.
ANALISIS OUTPUT:
Model Summaryb
Mode R
Square
Square
1
.808a
.653
.626
a. Predictors: (Constant), x
b. Dependent Variable: y
.680
Berdasarkan ouput SPSS di atas, nilai d sebesar 0,680. Nilai d ini lebih kecil dari nilai d
kritis untuk 15 observasi dan 1 variabel independen dengan dL = 1,08 dan dU = 1,36.
Sehingga dapat diputuskan Tolak Ho karena d hitung lebih kecil dari dL (d < dL). Maka,
dengan tiingkat kepercayaan 95% dapat disimpulkan bahwa data di atas terjadi
autokorelasi positif.
CARA MENGATASI:
Prosedur Cochran Orcutt
e t 1 e t
r= t=2n
e2t 1
8,04843
=0,62634
12,84987
t 2
Model Summaryb
Model
.799
R Square
.638
Adjusted R
Square
Estimate
.608
.11148
Durbin-Watson
.609
Berdasarkan ouput SPSS di atas, nilai d sebesar 0,609. Nilai d ini lebih kecil dari nilai d
kritis untuk 14 observasi dan 1 variabel independen dengan dL = 1,0450 dan dU = 1,3503.
Sehingga dapat diputuskan Tolak Ho karena d hitung lebih kecil dari dL (d < dL). Maka,
dengan tiingkat kepercayaan 95% dapat disimpulkan bahwa data di atas masih terjadi
autokorelasi positif.
Model Summaryb
Model
.741a
R Square
.550
Adjusted R
Square
Estimate
.512
.24567
Durbin-Watson
2.115
Berdasarkan ouput SPSS di atas, nilai d sebesar 2,115. Nilai d ini lebih besar dari nilai d
kritis untuk 14 observasi dan 1 variabel independen dengan dL = 1,0450 dan dU = 1,3503.
Sehingga dapat diputuskan Terima Ho karena d hitung lebih besar dari dU (d > dU).
Maka, dengan tiingkat kepercayaan 95% dapat disimpulkan bahwa data di atas tidak
terjadi autokorelasi.
Coefficientsa
Model
Unstandardized Coefficients
Standardized
Sig.
Coefficients
B
1
Std. Error
(Constant)
.016
.066
xt_1aksen
-.227
.059
dimana
bo = Y b 1' X =1.9
b1=b1' = 0.227
^
Sehingga Y =3.0592890.227 X
Beta
-.741
.237
.816
-3.828
.002