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 ′