Diagnosis Model
Semester 5A
Program Studi Matematika
Fakultas Sains dan Teknologi
1. AR(1):
2. AR(2):
3. MA(1):
4. MA(2):
5. ARMA(1,1):
Inferensi
1 2
/2
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
1. Plot residual
2. Uji normalitas residual
3. Uji autokorelasi residual
Plot residual
1
0
-1
-2
0 5 10 15 20 25 30 35
Time
> 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
Time
> 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
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
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))
2
8
Sample Quantiles
1
Frequency
0
4
-1
2
0
-2
-2 -1 0 1 2 -2 -1 0 1 2
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
H 0 : 1 2 K 0
Autokorelasi Residual
Test statistik:
K
Q nn 2 n k rk2
1
k 1
dimana
approx.
Q ~ K2 m dimana m p q.
Box-Ljung test
data: residuals(m1.color)
X-squared = 0.2803, df = 6, p-value = 0.9996
Overparameterisasi Model
Call:
arima(x = color, order = c(1, 0, 0))
Coefficients:
ar1 intercept
0.5705 74.3293
s.e. 0.1435 1.9151
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
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
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
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