MENGATASI AUTOKORELASI

1. Menambah variabel prediktor

Cara ini dapat dilakukan karena salah satu sebab munculnya autokorelasi adalah
adanya variabel penting yang tidak dimasukkan ke dalam model (misspesifikasi
model)
2. Menggunakan transformasi variabel
𝑌𝑡 ′ = 𝛽0 (1 − 𝜌) + 𝛽1 𝑋𝑡 ′ + 𝑉𝑡
Dimana:
𝑌𝑡 ′ = 𝑌𝑡 − 𝜌𝑌𝑡−1
𝑋𝑡 ′ = 𝑋𝑡 − 𝜌𝑋𝑡−1
𝑉𝑡 = 𝜀𝑡 − 𝜌𝜀𝑡−1
Nilai 𝜌 diestimasi terlebih dahulu, kemudian dapat dinotasikan sebagai r, atau
biasanya diasumsikan sama dengan 1
Model regresi kemudian dipaskan dengan data transformasi ini, menghasilkan
fungsi regresi dugaan:
̂′ = 𝑏 ′ + 𝑏 ′ 𝑋 ′
𝑌𝑡 0 1 𝑡
Kemudian dikembalikan ke bentuk asli
𝑌̂𝑡 = 𝑏0 + 𝑏1 𝑋𝑡
𝑏 ′
0
Dimana: 𝑏0 = 1−𝑟 𝑏1 = 𝑏1 ′
3. Prosedur Cochrane-Orcutt
Langkah
a) Estimasi 𝜌
∑𝑛𝑡=2 𝑒𝑡−1 𝑒𝑡
𝑟=
∑𝑛𝑡=2 𝑒𝑡−1 2
b) Pengepasan model transformasi
𝑌 ′ = 𝑌𝑡 − 𝑟𝑌𝑡−1
𝑋 ′ = 𝑋𝑡 − 𝑟𝑋𝑡−1
c) Uji untuk keperluan iterasi
Hitung statistik Durbin-Watson. Jika non-autokorelasi, proses berakhir. Jika masih
autokorelasi, ulangi langkah dari awal dengan menghitung r dari persamaan hasil
transformasi
4. Prosedur Hildreth – Lu
Konsep nya sama dengan Box-cox yang mengestimasi parameter 𝝀, prosedur ini
mengestimasi parameter autokorelasi 𝜌. Nilai 𝜌 yang dipilih dengan
meminimalkan SSE untuk model regresi transformasi:
′ 2
𝑆𝑆𝐸 = ∑(𝑌𝑡 ′ − 𝑌̂𝑡 ) = ∑(𝑌𝑡 ′ − 𝑏0 ′ − 𝑏1 ′ 𝑋𝑡 ′ )2
Setelah didapat nilai 𝜌 yang meminimalkan SSE, lakukan uji Durbin-Watson.
Kemudian mengubah kembali koefisien regresi seperti semula
5. Prosedur First Difference
Jika 𝜌 = 1, maka 𝛽0 ′ = 𝛽0 (1 − 𝜌) = 0, sehingga
𝑌𝑡 ′ = 𝛽1 ′ 𝑋𝑡 ′ + 𝑢𝑡
𝛽1 ′ = 𝛽1 dapat langsung diestimasi menggunakan OLS, berdasarkan regresi awal.
Fungsi variabel dugaan dengan variabel transformasi:
 ′
𝑌̂𝑡 = 𝑏1 ′ 𝑋𝑡 ′
dapat diubah kembali ke model regresi dugaan dalam variabel aslinya, yakni:
𝑌̂𝑡 = 𝑏0 + 𝑏1 𝑋𝑡
′
Dimana: 𝑏0 = 𝑌̅ − 𝑏0 𝑋̅ 𝑏1 = 𝑏1 ′