Analisis Runtun Waktu

Diagnosis Model

Semester 5A
Program Studi Matematika
Fakultas Sains dan Teknologi

UIN Syarif Hidayatullah Jakarta

2017/2018
Estimator Maksimum Likelihood

Untuk model stasioner ARMA(p,q), estimator ML untuk dan

s bersifat konsisten dan asimtotik normal. ~N( , var( ))
Kasus-kasus spesial: ~N( , var( ))

1. AR(1):

2. AR(2):

3. MA(1):

4. MA(2):

5. ARMA(1,1):
Inferensi

Berdasarkan sifat tersebut, kita dapat melakukan inferensi

terhadap koefisien-koefisien model ARMA seperti menghitung
selang kepercayaan dan menguji hipotesis.
Contoh:
1. AR(1): Selang kepercayaan 100(1-)% adalah

1 2
/2

2. MA(1): Selang kepercayaan 100(1-)% adalah

1 2
/2

Inferensi

3. Uji hipotesis:
= 1 1 + 2 2 +
Apakah koefisien 2 berbeda signifikan dari c? Hitung test statisik:
2
=
2
1 2

Jika > /2 , maka tolah H0

Diagnosis model

Setelah melakukan tahap identifikasi dan estimasi model time

series, goodness-of-fit dan validasi asumsi-asumsi model
perlu dicek.
Jika diperoleh model fit (cocok), maka kita bisa masuk tahap berikutnya
untuk melakukan forecasting (peramalan).
Jika diperoleh model tidak fit, maka perlu dilakukan modifikasi terhadap
model time series
Metode:
Analisis residual
Analisis overparameterisasi (overparameterized / overfitting)
Analisis Residual

Perhatikan model AR(2) dengan konstanta:

= 0 + 1 1 + 2 2 +
residual didefinisikan sebagai:
= (0 + 1 1 + 2 2 )

Secara umum, model ARMA(p,q):

= 0 + 1 1 + 2 2 + + 2 + 1 1

residual didefinisikan sebagai:

=
yaitu,
= 1 1 + 1 1 + +
Analisis Residual

1. Plot residual
2. Uji normalitas residual
3. Uji autokorelasi residual
Plot residual

Membuat plot residual terhadap waktu t.

Jika model yang diperoleh memadai, maka plot akan
menunjukkan pencaran data dalam bidang segi empat
tanpa terlihat adanya trend tertentu.
 Plot residual Contoh 1
> data(color)
> m1.color <- arima(color,order=c(1,0,0)); m1.color
> plot(rstandard(m1.color),ylab ='Standardized Residuals', type='o');
abline(h=0) 2
Standardized Residuals

1
0
-1
-2

0 5 10 15 20 25 30 35

Time

Tidak ada indikasi trend.

 Plot residual Contoh 2

> data(hare)
> m2.hare <- arima(sqrt(hare),order=c(3,0,0),fixed=c(NA,0,NA,NA))
> plot(rstandard(m2.hare),ylab='Standardized Residuals',type='o')
abline(h=0)
1
Standardized Residuals

0
-1
-2

1905 1910 1915 1920 1925 1930 1935

Time

Terdapat indikasi heteroskedastisitas.

 Plot residual Contoh 3

> data(oil.price)
> m1.oil <- arima(log(oil.price),order=c(0,1,1))
> plot(rstandard(m1.oil),ylab='Standardized residuals',type='l')
> abline(h=0)
4
Standardized residuals

2
0
-2
-4

1990 1995 2000 2005

Time
Terdapat indikasi outlier, dua atau tiga residual nilai mutlaknya lebih besar dari 3
Uji Normalitas Residual

Histogram
QQ-plot
Uji normalitas:
Shapiro-Wilk test
Jarque-Bera test
Uji Normalitas Residual

Shapiro-Wilk test: uji kenormalan data dimana hipotesis

nihilnya (H0) adalah populasi berdistribusi normal

dimana () adalah sampel data yang sudah diurutkan dari

terkecil hingga terbesar dan adalah indeks Shapiro Wilk

Tolak H0 jika W < (p-value < )

Uji Normalitas Residual

Jarque-Bera test: menggunakan ukuran skewness dan

kurtosis untuk melakukan kenormalan data.

n 2 2 3
2 approx.

JB 1 ~ 2
2 under H 0 .
6 4
1n 1n
Yt Y Yt Y
3 4

1 n t 1 3/ 2 2 n t 1 2
1 Y Y 2
n
1 n

t Yt Y
2

n t 1 n t 1

2
Tolak H0 jika JB > , 2 (p-value < )
Uji Normalitas Contoh 1
> par(mfrow=c(1,2))
> hist(rstandard(m1.color))
> qqnorm(rstandard(m1.color))
> qqline(rstandard(m1.color))
> shapiro.test(rstandard(m1.color))
> jarque.bera.test(rstandard(m1.color))

Histogram of rstandard(m1.color) Normal Q-Q Plot

10

2
8

Sample Quantiles

1
Frequency

0
4

-1
2
0

-2

-2 -1 0 1 2 -2 -1 0 1 2

rstandard(m1.color) Theoretical Quantiles

Autokorelasi Residual

Jika model fit maka residual akan mengikuti white noise, yaitu
sampel autokorelasinya tidak akan berkaitan.

> acf(rstandard(m1.color))

Series rstandard(m1.color)
0.3
0.2
0.1
ACF

0.0
-0.1
-0.2
-0.3

2 4 6 8 10 12 14

Lag
Autokorelasi Residual

Ljung-Box (Modified Box-Pierce): Box dan Pierce (1970)

memperkenalkan uji statistik untuk menguji struktur
autokorelasi residual secara bersama. Uji statistik ini kemudian
dimodifikasi oleh Ljung dan Box.
Hipotesis nihinya adalah:

H 0 : 1 2 K 0
Autokorelasi Residual

Test statistik:
K
Q nn 2 n k rk2
1

k 1

dimana K maksimum panjang lag

n banyaknya sampel data
rk ACF pada lag k

dimana
approx.
Q ~ K2 m dimana m p q.

Tolak H0 jika Q Table

2
. Hal ini menunjukkan terdapat
autokorelasi pada residual.
Autokorelasi Residual Contoh

Autokorelasi residual dari model AR(1)

Autokorelasi Residual - Contoh

Autokorelasi residual dari model AR(1)

Uji statistik Ljung-Box dengan K = 6 adalah

Q statistik mengikuti distribusi chi-squared dengan derajat

kebebasan 6 1 = 5 atau bisa diperoleh p-value = 0.99.
Kesimpulan: hipotesis nihil ditolak, artinya residual tidak
berkorelasi.
Autokorelasi Residual - Contoh

Uji Ljung-Box dengan software R:

> Box.test(residuals(m1.color),lag=6,type = c("Ljung-Box"))

Box-Ljung test

data: residuals(m1.color)
X-squared = 0.2803, df = 6, p-value = 0.9996
Overparameterisasi Model

IDE: membuat model yang lebih umum, yaitu model dengan

satu orde lebih tinggi.
Jika model AR(2) fit, maka modelkan data sebagai proses
AR(3). Model AR(2) akan terkonfirmasi jika:
1. Estimasi parameter 3 tidak signifikan berbeda dari nol, dan
2. Estimasi parameter untuk 1 dan 2 tidak berubah secara drastis
Catatan: Jika melakukan overparameterisasi hati-hati dengan
redundansi parameter, jangan menaikkan orde AR dan orde MA
secara bersamaan.
Overparameterisasi Model - Contoh
> m1.color <- arima(color,order=c(1,0,0)); m1.color

Call:
arima(x = color, order = c(1, 0, 0))

Coefficients:
ar1 intercept
0.5705 74.3293
s.e. 0.1435 1.9151

sigma^2 estimated as 24.83: log likelihood = -106.07, aic = 216.15

> m2.color <- arima(color,order=c(2,0,0)); m2.color

Call:
arima(x = color, order = c(2, 0, 0))

Coefficients:
ar1 ar2 intercept
0.5173 0.1005 74.1551
s.e. 0.1717 0.1815 2.1463

sigma^2 estimated as 24.6: log likelihood = -105.92, aic = 217.84

Estimasi 2 di dalam model AR(2) tidak signifikan berbeda dari 0; Estimasi parameter
1 tidak berbeda secara signifikan dari model AR(1). Dengan demikian, model AR(1) fit.
Overparameterisasi Model - Contoh
> m1.color <- arima(color,order=c(1,0,0)); m1.color

Call:
arima(x = color, order = c(1, 0, 0))

Coefficients:
ar1 intercept
0.5705 74.3293
s.e. 0.1435 1.9151

sigma^2 estimated as 24.83: log likelihood = -106.07, aic = 216.15

> m3.color <- arima(color,order=c(1,0,1)); m3.color

Call:
arima(x = color, order = c(1, 0, 1))

Coefficients:
ar1 ma1 intercept
0.6721 -0.1467 74.1730
s.e. 0.2147 0.2742 2.1357

sigma^2 estimated as 24.63: log likelihood = -105.94, aic = 217.88

Begitu pula estimasi parameter 1 pada model ARMA(1,1) tidak berbeda dari 0 secara
signifikan. Jadi, model AR(1) memadai.
Overparameterisasi dan redundansi parameter
> m1.color <- arima(color,order=c(1,0,0)); m1.color

Call:
arima(x = color, order = c(1, 0, 0))

Coefficients:
ar1 intercept
0.5705 74.3293
s.e. 0.1435 1.9151

sigma^2 estimated as 24.83: log likelihood = -106.07, aic = 216.15

> arima(color,order=c(2,0,1)) Implikasi menaikan order AR dan orde

MA secara bersamaan, yaitu
Call: permasalahan parameter redundansi,
arima(x = color, order = c(2, 0, 1)) estimasi parameter model ARMA(2,1)
tidak tunggal dan tidak signifikan.
Coefficients:
ar1 ar2 ma1 intercept
0.2189 0.2735 0.3036 74.1653
s.e. 2.0056 1.1376 2.0650 2.1121

sigma^2 estimated as 24.58: log likelihood = -105.91, aic = 219.82