Email: dedirosadi@ugm.ac.id
http://dedirosadi.staff.ugm.ac.id
Yogyakarta, 18.06.2006
Contents
Kata Pengantar v
1 Pendahuluan 1
1.1 Jenis data menurut waktu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1.2 Klasifikasi model runtun waktu . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
2 Konsep-konsep dasar 5
2.1 Proses Stokastik . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2 Stasioner (Strictly) dan (Wide-Sense) Stasioner . . . . . . . . . . . . . . . . . . . . 6
2.3 Hubungan antara stricly stasioner dan W − S stasioner . . . . . . . . . . . . . . . 7
i
ii CONTENTS
8 Model Heteroskedastik 63
8.1 Asset Return . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8.1.1 Definisi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
8.1.2 Sifat tipikal return . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
8.1.3 Volatility . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
8.2 Model ARCH/GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.1 Struktur dari model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.2 Model untuk mean . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
8.2.3 Model untuk volatilitas: ARCH . . . . . . . . . . . . . . . . . . . . . . . . . 67
CONTENTS iii
v
Chapter 1
Pendahuluan
• Cross-section data, yakni jenis data yang dikumpulkan untuk/pada sejumlah individu/kategori
untuk sejumlah variabel pada suatu titik waktu tertentu.
Model yang digunakan untuk memodelkan data tipe ini seperti model regresi (cross-section)
• Time Series (Runtun waktu) data yakni jenis data yang dikumpulkan menurut urutan waktu
dalam suatu rentang waktu tertentu. Jika waktu dipandang bersifat diskrit (waktu dapat
dimodelkan bersifat kontinu), frekuensi pengumpulan selalu sama (equidistant). Dalam
kasus diskrit, frekuensi dapat berupa misalnya detik, menit, jam, hari, minggu, bulan atau
tahun. Model yang digunakan adalah model-model time series, yang menjadi fokus dari
perkuliahan ini.
• Panel/Pooled data, yakni tipe data yang dikumpulkan menurut urutan waktu dalam suatu
rentang waktu tertentu pada sejumlah individu/kategori. Model yang digunakan untuk pe-
modelan data tipe ini seperti model data panel, model runtun waktu multivariat. Secara
ekuivalen, dikenal juga tipe data Longitudinal, dengan frekuensi data tidak harus equidis-
tant, namun analisa fokusnya berbeda dengan model panel.
Contoh 1.1.1. Contoh data panel : Misalkan dimiliki data produksi gula bulanan dari 10
pabrik gula di Indonesia dalam 12 bulan terakhir
1
2 CHAPTER 1. PENDAHULUAN
1. Model stasioner, yakni suatu model yang sedemikian hingga semua sifat statistiknya tidak
berubah dengan pergeseran waktu (yakni bersifat time invariant). Dalam aplikasi, sifat
statistik yang sering menjadi perhatian adalah rata-rata (expected value),variansi (variance)
serta ukuran keeratan (dependence) yakni fungsi kovariansi (covariance function), yang mana
suatu model yang memenuhi sifat ini disebut sebagai proses weakly-stasioner. Pada model
stasioner, sifat-sifat statistiknya dimasa yang akan datang dapat diramalkan berdasarkan
data historis yang telah terjadi dimasa yang lalu. Beberapa model runtun waktu stasioner
(khususnya sering disebut model linear dan homoskedastik) yang akan dibahas pada ku-
liah ini adalah model i.i.d., white noise, moving average, Autoregressive Moving average
(ARMA), dan model ARMA dengan variabel eksogen/prediktor (yakni model ARMAX).
2. Model non-stasioner, yakni model yang tidak memenuhi sifat model stasioner diatas
Dalam kuliah ini, akan dibahas beberapa model non stasioner, yakni model trend, model Autore-
gressive Integrated Moving Average (ARIMA), Seasonal ARIMA (SARIMA), Model ARIMAX,
model heteroskedastik ARCH/GARCH. Ada sangat banyak model lain yang dikenal didalam lit-
eratur, sebagai contoh model siklus, model dengan long memory Fractional ARIMA, dan model-
model lain, baik model linear maupun non linear.
Klasifikasi lain dari model runtun waktu dapat diberikan sebagai berikut:
Klasifikasi lain dalam pengelompokan model runtun waktu dapat digambarkan dengan tabel
berikut:
Linear dengan error Gaussian, non-linear dengan error Gaussian
misal: ARMA, ARIMA, ARIMAX + normal misal: Threshold AR, STAR, SETAR + normal
Linear dengan error non-Gaussian, non-linear dengan error non-Gaussian
misal: ARMA + student t, ARMA+stable misal: TAR, STAR, SETAR+non normal
Fokus perkuliahan ini adalah analisa model runtun waktu pada domain waktu dimana
• Model Univariate
Analisa time series dapat dilakukan dalam domain frekuensi, yang dikenal sebagai spectral analysis.
Analisa tipe ini banyak digunakan pada aplikasi di bidang teknik.
Buku Acuan Utama :
1.2. KLASIFIKASI MODEL RUNTUN WAKTU 3
1. Wei, W.S, 1994, Time Series Analysis: Univariate and Multivariate Methods, Addison Wes-
ley.
2. Enders, W., Applied Econometrics Times Series, 2nd Eds., Wiley.
3. Brockwell, P.J. dan Davis, R.A., Introduction to Time Series and Forecasting, 1996.
4. Brockwell, P.J. dan Davis, R.A., 1991, Time Series: Theory and methods, Springer Verlag.
Diktat Kuliah
1. Rosadi, D., 2005. Pengantar Analisa Data Runtun Waktu dengan EViews 4, Lab Komputasi
Matematika Statistika, FMIPA UGM
2. Rosadi, D., 2006, Pengantar Analisa Data Runtun Waktu, Program Studi Statistika FMIPA
UGM.
Selain itu akan digunakan sejumlah literature online di Internet, yang akan diinformasikan selama
kuliah berlangsung
4 CHAPTER 1. PENDAHULUAN