TUGAS ANALISIS REGRESI

AUTOKORELASI

Disusun Oleh:
KELOMPOK 3
Fardhan Anushi Setyahadi

11.6658

Heny Suryani Wira

11.6695

Isna Muflichatul Fadhilah

11.6719

Muksalmina Jamil

11.6804

Niken Dwi Anggraini

11.6816

Okta Merkuriana

11.6841

Yenro P. Sagala

11.6957

SEKOLAH TINGGI ILMU STATISTIK

2014

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.

PENYEBAB MUNCULNYA AUTOKORELASI

1. Inersia (kelembaman)
Data deretan waktu ekonomi seringkali menunjukkan pola siklus
2. Keterlambatan atau lag
Beberapa variabel ekonomi misalnya konsumsi dalam periode ini dipengaruhi
konsumsi periode yang lalu. Sehingga unsur kesalahan atau error akan mencerminkan
pola yang sistematis
3. Bias spesifikasi : bentuk fungsional yang tidak benar
4. Manipulasi data (sebelum atau setelah diolah)
5. Terdapat variabel yang tidak dimasukkan dalam model (bias spesifikasi model)
KONSEKUENSI TERHADAP OLS

Estimasi koefisien regresi masih tak bias, namun sudah tidak lagi efisien

MSE underestimate

s{bk} yang diperoleh dengan OLS juga akan 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

adalah data observasi time series. Diasumsikan erornya

memiliki

autokorelasi positif dengan

t = t1 +ut
ut

disebut sebagai variabel pengganggu (lag variabel), yang merupakan variabel

independent normal random dengan rata rata 0 dan varian 1.

0 =3,0

Misal

kemudian diperoleh sebaran bentuk error yang berkorelasi positif sebagai

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

sehingga fungsi regresi yang sebenarnya diperoleh

E ( Y )=2+0,5 X , dari

Y 0=2+ ( 0,5 ) 0+ 3=5

demikian seterusnya.

model ini dapat diperoleh nilai

Sehingga diperoleh plot Y

misal

terhadap X sebagai berikut:

Jika kita melihat plot estimasi garis regresinya dengan metode OLS diperoleh persamaan
^
estimasi garis regresi Y =5,850.070 X

melalui plot terlihat:

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:

yang terlalu besar maka

0

nya menjadi -0,2

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

nya. Hal ini terlihat pada gambar plot b di atas, terlihat

terhadap garis estimasi regresinya lebih kecil dibanding variabilitas

di sekitar garis regresinya yang sebenarnya. Artinya nilai variannya underestimate.

MENDETEKSI AUTOKORELASI

1. Deskripsi plot residual

Yaitu melihat pola hubungan antara residual (

) dan waktu (t) atau no. observasi (i).

Gambar ke 4 tidak menunjukkan autokorelasi karena sebaran atau plot-plot data menyebar
dan tidak membentuk pola.

2. Uji Durbin Watson

Uji ini digunakan untuk menunjukkan apakah ada autokorelasi atau tidak dalam model
tersebut.

PERSYARATAN MENGGUNAKAN UJI DURBIN-WATSON

Model regresi mencakup unsur intersep.

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

lagged satu periode dari Y.

Hanya cocok untuk menguji autokorelasi ordo pertama (first order autocorrelation)

Diluar ketentuan diatas, bisa digunakan durbin-a

Model autokorelasi ordo pertama:
1. Simple Linear Regression
Y t = o+ 1 X t + t
t = t 1+ ut
Dimana ||<1
ut

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 )

Bentuk model error autoregresif ordo pertama

t 1= t 2+u t1 , disubtitusikan ke model
t = ( t 2+ ut1 ) +ut =2 t 2+ u t1 +ut

t = p t1 +ut

bila kita ekspansikan:

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

bentuk kombinasi linier.

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

residualnya tidak saling berkorelasi.

Namun jika kita regressivekan (mundurkan) dan bandingkan antar waktunya kita peroleh
bentuk kovarian dari dua bentuk error yang berdekatan

dan

t 1

tersebut :

( , ) =
t

t1

( , )=
t

t1

( )

2
1

( ,
t

t1

( ) ( 1)
t

dan

2
1 p 2

( ) ( )
2

korelasinya:

12

Jadi, parameter autokorelasi

koefisien

12

sebenarnya merupakan koefisien korelasi dari bentuk

error yang saling berdekatan.

Kovarian antara bentuk error yang berada pada s jarak periode :

(Ini disebut sebagai fungsi autokovarian).

Sehingga

Dengan demikian jika

> 0 semua bentuk error akan berkorelasi (semakin jauh jarak

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

Daerah kritis: Jika

D>d u makaterima Ho

Jika

D<d L makaterima Haatautolak Ho

Jika

d L < D<d u makatidak dapat ditarik kesimpulan .

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

 Bila d > 4 dL tolak H0; Berarti ada korelasi negatif

Batas d adalah 0 sampai 4. Pembuktian:
e 2t + e 2t12 e t e t1

d=
e2t

Karena

e 2t

dan

e 2t 1

e 2t 1 = e 2t

Jadi dengan menetapkan

d 2 1

e t e t1
e 2t

, maka:

Selanjutnya diketahui

^=

sampel, suatu penduga dari

Sehingga

hanya berbeda satu observasi, keduanya kurang lebih sama.

e t e t1
e 2t

sebagai koefisien autokorelasi derajat pertama dari

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

d=4 . Artinya jika ada korelasi negatif sempurna dalam residual,

nilai d sebesar 4.
Sehingga batas d yang ditetapkan adalah 0 sampai 4.

MENGATASI AUTOKORELASI

Menambah variabel bebas

Cara ini dapat dilakukan karena salah satu sebab munculnya autokorelasi adalah
adanya variabel penting yang tidak dimasukkan ke dalam model (misspesifikasi
model)

Menggunakan variabel yang ditransformasi

Dapat dilakukan jika penambahan variabel bebas ke dalam model tidak dapat
mengatasi masalah 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

adalah r , maka bisa ditulis :

'

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

2. Paskan model yang ditransformasi, yaitu regresikan

'
dimana Y t =Y tr Y t 1

dan

Y 't

terhadap

X 't

X 't =X t r X t 1

3. Hitung statistik durbin-watson, jika masalah autokorelasi teratasi maka proses

selesai. Jika masalah belum teratasi, lakukan proses dari awal dengan
menghitung kembali nilai r dari persamaan hasil transformasi, dan seterusnya.
2. Prosedur Hildreth-Lu
Prosedur Hildreth-Lu menggunakan pendekatan yang sama untuk memperkirakan
parameter autokorelasi

untuk digunakan dalam transformasi. Nilai

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 )

3. First Difference Procedure

Jika

=1 , maka

'

o = o ( 1 ) = 0

Y 't =Y tY t1 dan

Jadi :

X 't =X t X t1 dan

1' = 1

^' ' '

Transformasi : Y t =b1 X
Bisa dikembalikan ke original variable jika tidak ada autokorelasi menjadi
Y^ =b o +b1 X
Dimana :
'
bo =Y b 1 X
'

b1=b1

Perbandingan dari 3 metode

1. Estimasi dari

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

(MSE), varian dari variabel pengganggu

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

2. Klik Analyze Regression Linear

3. Masukkan variabel dependen dan independennya. Di kotak statistics beri tanda

centang pada pilhan Durbin Watson. Klik Continue.

4. Klik OK.

ANALISIS OUTPUT:
Model Summaryb
Mode R

Adjusted R Std. Error of Durbin-

Square

Square

1
.808a
.653
.626
a. Predictors: (Constant), x
b. Dependent Variable: y

the Estimate Watson

.29875

.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

Nilai-nilai variabel transformasi :

Y 't =Y t0,62634 Y t1
X 't =X t 0,62634 X t1

Model Summaryb
Model

.799

R Square

.638

Adjusted R

Std. Error of the

Square

Estimate
.608

.11148

Durbin-Watson

.609

a. Predictors: (Constant), xt_aksen

b. Dependent Variable: yt_aksen

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.

Prosedur First Difference

Model Summaryb
Model

.741a

R Square

.550

Adjusted R

Std. Error of the

Square

Estimate
.512

.24567

Durbin-Watson

2.115

a. Predictors: (Constant), xt_1aksen

b. Dependent Variable: yt_1aksen

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

a. Dependent Variable: yt_1aksen

'
'
Y^ =b1 X '

Y^ ' =0.227 X '

Ditransformasikan ke bentuk regresi yang asli:

Y^ =bo +b1 X

dimana

bo = Y b 1' X =1.9

(0.227 ( 5.107 ))=3.059289

b1=b1' = 0.227

^
Sehingga Y =3.0592890.227 X

Beta

-.741

.237

.816

-3.828

.002