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+
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
noise proses.
Contoh:
MA(1) Yt=2+

t-1+...+

t+

t-1

t-q

; =konstanta,

t =white

ARMA & ARIMA(2)

Contoh:
MA(2) Zt=2+

t+

t-1 +

t-2

ARMA & ARIMA(2)

ARMA:
N ARMA(p=1,q=1)
Jika series sdh first dif I(1) ARIMA(1,1,1)

Z t= +

1Zt-1+

t+

t-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)
PACF max p(lag AR)

Bila model cenderung MA atau

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) CPI Stasioner
CPI lihat correlogram ar(1)
OLS cpi c ar(1) significant ? Ya. Lihat residual correlogram
White noise? tambah ma(5)
OLS cpi ar(1) ma(5) significant ? Ya. Lihat residual
correlogram White noise? tambah ma(8) atau ma(6)
Dan seterus nya
Model Akhir:
(1). cpi ar(1) ma(5) ma(6)
(2). cpi ar(1) ma(5) ma(8)

Lat9a: ARMA Proses

ARMA & ARIMA(4)

CARA KEDUA: Backward Regression (basis
Signifikansi koef):
Mis dari data file :univariat CPI
CPI Non-stasioner first diff (d=1) CPI
Stasioner
Dari correlogram (CPI ): ar(1) ar(7) ma(1-6)
yg penting significant individual koefisien
OLS: CPI c ar(1) ar(7) ma(1-6) hilangkan
yang tidak significant mulai dari ma(6) dg
redundant test dan seterusnya.
Model Akhir: CPI c ar(1) ar(7) ma(2) ma(5)
Lat9b: ARMA Proses

Kriteria Pemilihan Model

Model
ARIMA

Parameter

Estimasi
Parameter

p-value
t-ratio

Prob Q

SE of Reg

CONSTANT
AR(1)
MA(5)
MA(6)

1.302799
0.707553
0.327614
0.259056

0.1202
0.0000
0.0005
0.0050

Error WN

1.702521

CONSTANT
AR(1)
MA(5)
MA(8)

1.258723484
0.7521177939,
0.3430463389,
-0.2584077005

0.0673
0.0000
0.0004
0.0070

Error WN

1.706071

CONSTANT
AR(1)
AR(7)
MA(2)
MA(5)

1.326451
0.842224
-0.119512
-0.274655
0.344174

0.0356
0.0000
0.0458
0.0069
0.0004

Error WN

1.746126

ARCH & GARCH(1)

GARCH (Geneneralized Autoregresive Conditional
Heteroscedasticity):
Model time series dg varian tidak konstan,
Varian tidak konstan:

t.

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

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=0+0Yt-1+ t dimana
heterosedastic

~ N(0,

dimana t adalah white noise N(0,1)

t2= 0+ 1 2t-1 +..+ q 2t-q
Bila ARCH(1) maka: t2= 0+ 1 2t-1
t=

t;

ARCH & GARCH(3)

Model GARCH(p,q)
Yt=0+0Yt-1+
dimana
t=

Moving average q lag of 2t-1-ARCH

term

~ N(0, t) heterosedastic
Autoregresive p Lag of 2t-GARCH
t dimana t adalah white term
noise N(0,1)
t

.
.
t=

conditional varians
Bila GARCH(1,1) maka:

t2=

0+ 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= 0+ 1yt-1 ++ nyt-n
+ t
Hitung
Bila tak ada ARCH/ GARCH maka 0= 2== q=0

ARCH & GARCH(4)

Pengujian Model ARCH
Hipotesis:
Ho: 0= 2== q=0 tidak ada ARCH error s/d order q
H1: ada ARCH

Test Statistik TR 2 ~2q

Keputusan : Tolak Ho bila TR 2 >2q

Lat10: ARCH Proses

Threshold ARCH/ GARCH (1)

Model T-GARCH(p,q)
Yt=0+0Yt-1+
dimana
t=

Moving average q lag of 2t-1-ARCH

term

~ N(0, t) heterosedastic
Autoregresive p Lag of 2t-GARCH
t dimana t adalah white term
noise N(0,1)
t

.
.
t=

conditional varians
dimana: I t-k=1 jika t <0, lainnya =0
Good News t-i >0; bad news t-1 <0; mempunyai dampak
pada conditional variance.
Good News berdampak i dan bad news berdampak i+i

Threshold ARCH/ GARCH (2)

Hipotesis
H0: i=0 (bad news tak berdampak pada cond. Variance)
H1: i0 (bad news berdampak pada cond. Variance)

Statistik Uji : z-test : i/SE(i)

Keputusan: p-value < 5% H0 ditolak