Skripsi PDF
Skripsi PDF
DISTRIBUSI LAG
SKRIPSI
Oleh:
Natalia Jatiningrum
04305144021
SKRIPSI
15 Agustus 2008
Pembimbing I Pembimbing II
ii
PERNYATAAN
Menyatakan bahwa skripsi ini adalah benar-benar hasil pekerjaan saya sendiri,
dan sepanjang pengetahuan saya tidak berisi materi yang dipublikasikan atau
ditulis orang lain, kecuali pada bagian-bagian tertentu yang saya ambil sebagai
bahan acuan. Demikianlah pernyataan ini dibuat dengan sebenar-benarnya,
apabila pernyataan ini terdapat kekeliruan sepenuhnya menjadi tanggung jawab
saya.
Natalia Jatiningrum
NIM.04305144021
iii
PENGESAHAN
SKRIPSI
Disusun oleh:
Natalia Jatiningrum
NIM. 04305144021
Dekan
Dr. Ariswan
NIP. 131791367
iv
MOTTO
v
PERSEMBAHAN
Teman-Teman Math’04 :
Anggi, Nely, Ria, Nopek, Mami, , Ana, Henik, Soe_See,
Do_Why, Nia, Nufus,Irma, Hendro, Sofyan, Sigit, Fajar Yusfi, Johan
Terima kasih buat kebersamaan kita baik dalam suka maupun duka.
Sahabat-sahabatkoe:
Pikachu, Desty, Martina, Sinta, Mbak Lina,
Mbak Nia, Juve, Ris, ,Mas Andie, Mas Andri, Mas Kris dll
Terima kasih telah memberikan makna indahnya persahabatan.
vi
MODEL DINAMIS : AUTOREGRESSIVE DAN DISTRIBUSI LAG
Oleh :
Natalia Jatiningrum
NIM. 04305144021
ABSTRAK
αˆ , βˆ0 , βˆ1 , βˆ 2 ,K , βˆ k dalam persamaan dinamis distribusi lag dugaan yaitu dengan
rumus βˆ k = αˆ 0 + k αˆ 1 + k 2 αˆ 2 . Y . Langkah pertama dalam metode Koyck adalah
( )
transformasi Koyck hingga didapat persamaan Yˆt = αˆ 1 − Cˆ + βˆ 0 X t + C Yt −1 .
)
)
vii
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadirat Tuhan Yang Maha Esa yang telah
memberikan berkat dan karunia-Nya sehingga penyusunan skripsi yang berjudul
“Model Dinamis : Autoregressive dan Distribusi Lag ” dapat terselesaikan.
Skripsi ini disusun untuk memenuhi salah satu persyaratan guna
memperoleh gelar Sarjana Sains Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Negeri Yogyakarta.
Penulis menyadari sepenuhnya bahwa selama penyusunan skripsi ini telah
banyak menerima bantuan dari berbagai pihak. Oleh karena itu, pada kesempatan
ini penulis bermaksud menyampaikan ucapan terima kasih kepada:
1. Bapak Dr. Ariswan selaku Dekan Fakultas Matematika dan Ilmu Pengetahuan
Alam Universitas Negeri Yogyakarta yang telah memberikan izin dan
kesempatan kepada penulis dalam menyelesaikan studi.
2. Bapak Dr. Hartono selaku Ketua Jurusan Pendidikan Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta
sekaligus Penasehat Akademik yang telah memberikan kemudahan dan
kelancaran pelayanan dalam urusan akademik. selama penulisan skripsi.
3. Ibu Atmini Dhoruri, M.S. selaku Ketua Program Studi Matematika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta yang
telah memberikan kemudahan dan kelancaran pelayanan dalam urusan
akademik.
4. Ibu Endang Listyani, M.S selaku Dosen Pembimbing Utama yang berkenan
memberikan waktu bimbingan serta dengan penuh kesabaran memberi
pengarahan dalam menyusun skripsi.
5. Ibu Elly Arliani, M.Si selaku Dosen Pembimbing Pendamping yang berkenan
memberikan waktu bimbingan serta dengan penuh kesabaran memberi
pengarahan dalam menyusun skripsi.
6. Ibu Mathilda Susanti, M.Si selaku Dosen Penguji Utama yang telah
memberikan saran dan kritik untuk perbaikan skripsi ini.
viii
7. Ibu Kismiantini, M.Si selaku Dosen Penguji Pendamping yang telah
memberikan saran dan kritik untuk perbaikan skripsi ini.
8. Seluruh dosen Jurusan Pendidikan Matematika Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Negeri Yogyakarta yang telah mengajarkan
ilmu selama kuliah.
9. Pihak-pihak yang telah membantu penyusunan skripsi yang tidak dapat
disebutkan satu persatu.
Penulis menyadari sepenuhnya bahwa skripsi ini masih jauh dari
kesempurnaan. Seperti peribahasa mengatakan “Akal Tak Sekali Datang Runding
Tak Sekali Tiba” yang berarti bahwa segala sesuatu tidak akan datang dengan
kesempurnaan, harus berangsur-angsur. Namun, penulis berharap semoga skripsi
ini dapat bermanfaat.
Natalia Jatiningrum
ix
DAFTAR ISI
Halaman
MOTTO ......................................................................................................... v
PERSEMBAHAN ......................................................................................... vi
BAB I PENDAHULUAN
C. Tujuan Penulisan.................................................................................... 6
D. Manfaat Penulisan.................................................................................. 6
x
BAB II LANDASAN TEORI
A. Data ......................................................................................................... 7
B. Variansi ................................................................................................. 7
C. Matriks .................................................................................................... 8
2. Transpose Matriks.......................................................................... 8
4. Operasi Matriks.............................................................................. 9
D. Regresi Linier.......................................................................................... 11
E. Korelasi ................................................................................................. 13
1. Koefisien Determinasi.................................................................... 13
2. Koefisien Korelasi.......................................................................... 14
xi
BAB III PEMBAHASAN
1. Metode Koyck................................................................................ 26
C. Aplikasi ................................................................................................... 39
BAB IV PENUTUP
A. Kesimpulan ........................................................................................... 56
B. Saran ...................................................................................................... 60
LAMPIRAN ................................................................................................... 63
xii
DAFTAR SIMBOL
σ2 : variansi populasi
X : variabel bebas
α : intersep
ε : kesalahan pengganggu
n : ukuran populasi
r2 : koefisien determinasi
r : koefisen korelasi
1− C : kecepatan penyesuaian
xiii
DAFTAR GAMBAR
xiv
DAFTAR TABEL
xv
DAFTAR LAMPIRAN
xvi
BAB I
PENDAHULUAN
A. Latar Belakang
seseorang melihat atau mengamati suatu kejadian dalam suatu waktu sering
timbul pertanyaan apa yang akan terjadi pada waktu yang akan datang dan
bagaimana kejadian pada waktu sebelumnya. Begitu pula saat melihat suatu
kejadian di suatu tempat, muncul pertanyaan apa yang terjadi di daerah sekitarnya.
peristiwa, kejadian, yang diambil dari waktu ke waktu, serta dicatat secara teliti
1998: 353). Analisis runtun waktu merupakan analisis sekumpulan data dalam
suatu periode waktu yang lampau yang berguna untuk mengetahui atau
meramalkan kondisi masa mendatang. Hal ini didasarkan bahwa perilaku manusia
banyak dipengaruhi kondisi atau waktu sebelumnya sehingga dalam hal ini faktor
kelompok ahli yaitu para ahli ekonometrika dan para ahli runtun waktu. Para ahli
dengan yang dilakukan oleh para ahli runtun waktu. Ahli ekonometrika cenderung
1
2
Sebaliknya, ahli runtun waktu membuat model perilaku runtun waktu dengan
dan variabel tak bebas Y . Perbedaan pendapat ini membuat para ahli
waktu.
statistika (Awat, 1995: 3). Hal yang banyak mendapat perhatian dalam
Model regresi linear merupakan salah satu model ekonometrika yang hubungan
antar variabelnya satu arah, yang berarti variabel tak bebas ditentukan oleh
variabel bebas (Sumodiningrat, 1995: 135). Hubungan antara satu variabel bebas
dengan :
Y = β 0 + β1 X i1 + β 2 X i 2 + β 3 X i 3 + K + β n X in + ε i .
3
Pada skripsi ini akan dibahas tentang model regresi linear yang
kurang memperhatikan waktu. Data yang digunakan adalah data runtun waktu
(time series). Model regresi dengan menggunakan data runtun waktu tidak hanya
dalam kurun waktu yang sama dan selama periode pengamatan yang sama, tetapi
Model regresi yang memuat variabel tak bebas yang dipengaruhi oleh
variabel bebas pada waktu t , serta dipengaruhi juga oleh variabel bebas pada
pengaruh dari suatu atau beberapa variabel bebas X terhadap variabel tak bebas
tak bebas yang dipengaruhi oleh variabel bebas pada waktu t , serta dipengaruhi
juga oleh variabel tak bebas itu sendiri pada waktu t − 1 disebut model
lag dugaan antara lain metode Koyck, metode Almon, metode Jorgenson dan
metode Pascal. Pada skripsi ini hanya akan dibahas metode Koyck dan metode
Almon sebab kedua metode ini lebih mudah diterapkan dalam membuat
menentukan persamaan dinamis distribusi lag dugaan yang panjang beda kala
Almon yaitu :
Yˆt = αˆ + αˆ 0 Z 0t + αˆ 1 Z 1t + αˆ 2 Z 2t
k k k
dengan Z 0t = ∑ X t −1 , Z1t = ∑ i X t −1 , Z 2t = ∑ i 2 X t −1
i =0 i =0 i =0
lag dugaan dengan panjang beda kala (lag) sebesar k . Metode Koyck digunakan
untuk menentukan persamaan dinamis distribusi lag dugaan yang panjang beda
kala (lag) tidak diketahui. Langkah pertama yang dilakukan adalah membuat
( ) )
Yˆt = αˆ 1 − Cˆ + βˆ 0 X t + C Yt −1
)
Selanjutnya, nilai-nilai αˆ , βˆ 0 , C digunakan untuk mencari nilai
αˆ , βˆ0 , βˆ1 , βˆ 2 ,K , βˆ k dalam persamaan dinamis distribusi lag dugaan yang panjang
metode Koyck perlu dilakukan uji lanjutan dengan menggunakan uji statistik h
menyebabkan autokorelasi.
distribusi lag adalah model tersebut telah membuat teori statis menjadi dinamis
karena model regresi yang biasanya mengabaikan pengaruh waktu, melalui model
(Supranto, 1995: 200). Oleh karena itu, model autoregressive dan model dinamis
distribusi lag sering disebut satu rangkaian dengan nama “Model Dinamis :
B. Rumusan Masalah
sebagai berikut :
C. Tujuan Penulisan
D. Manfaat Penulisan
1. Bagi Penulis
Penulisan ini dapat dijadikan salah satu referensi bagi pihak yang
LANDASAN TEORI
A. DATA
Data berkala (time series data) adalah data yang terkumpul dari waktu ke
Data seleksi silang (cross section data) merupakan data yang terkumpul dari
suatu waktu tertentu untuk memberikan gambaran keadaan atau kegiatan pada
waktu itu.
B. Variansi Populasi
1 N
2 ( 2.1)
σ2 = ∑ (X i − µ )
N i =1
7
8
Akar dari variansi populasi adalah simpangan baku populasi (σ) (Walpole, 1995:
33).
C. Matriks
Pada pembahasan berikut ini akan dikaji tentang matriks, transpose matriks,
tanda kurung siku dan disusun dalam m baris dan n kolom sebagai berikut :
⎡ a11 a 21 L a m1 ⎤
⎢a a 22 L am 2 ⎥⎥
A = [aij ] = ⎢ 12 dimana a ij = a ji , 1 ≤ i ≤ m , 1 ≤ j ≤ n .
T T T
⎢ M M M ⎥
⎢ ⎥
⎣a1n a2 n K a mn ⎦
9
4. Operasi Matriks
1≤ i ≤ m, 1≤ j ≤ n.
Diketahui
⎢ M M M ⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎣a m1 am2 K a mn ⎦ ⎣b m1 b m 2 K b mn ⎦
sehingga
⎢ M M M ⎥
⎢ ⎥
⎣a m1 + bm1 a m 2 + bm 2 K a mn + bmn ⎦
10
1≤ i ≤ m, 1≤ j ≤ n.
Diketahui
⎢ M M M ⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎣a m1 am2 K a mn ⎦ ⎣b m1 b m 2 K b mn ⎦
sehingga
⎢ M M M ⎥
⎢ ⎥
⎣a m1 − bm1 am2 − bm 2 K a mn − bmn ⎦
c. Perkalian Matriks
p
cij = ai1b1 j + ai 2 b2i + K + a ip b pj = ∑ aik bkj , 1 ≤ i ≤ m , 1 ≤ j ≤ n
k =1
11
Diketahui
⎢ M M M ⎥ ⎢ M M M ⎥
⎢ ⎥ ⎢ ⎥
⎣⎢a m1 am2 K a mp ⎦⎥ ⎣⎢b p1 bp2 K b pn ⎦⎥
sehingga
⎢ M M ⎥
⎢ ⎥
⎣⎢a m1b11 + a m 2 b21 + K a mp b p1 K a m1 b1n + a m 2 b2 n + K a mp b pn ⎦⎥
D. Regresi Linear
dua variabel yaitu variabel bebas X dan variabel tak bebas Y (Hasan, 2005:
250). Model regresi linear sederhana dari Y terhadap X ditulis dalam bentuk :
Y =α + β X +ε ( 2 .2 )
dengan
Yi = β 0 + β 1 X i1 + β 2 X i 2 + β 3 X i 3 + K + β n X in + ε i (2.3)
dengan
⎡Y1 ⎤ ⎡ β 0 ⎤ ⎡ X 11 X 12 X 13 X 1n ⎤ ⎡ β 1 ⎤ ⎡ε 1 ⎤
⎢Y ⎥ ⎢ β ⎥ ⎢ X X 22 X 23 X 2 n ⎥⎥ ⎢⎢ β 2 ⎥⎥ ⎢⎢ε 2 ⎥⎥
⎢ 2 ⎥ = ⎢ 0 ⎥ + ⎢ 21 +
⎢M ⎥ ⎢M ⎥ ⎢ M M M M ⎥ ⎢M ⎥ ⎢M ⎥
⎢ ⎥ ⎢ ⎥ ⎢ ⎥⎢ ⎥ ⎢ ⎥
⎣Yn ⎦ ⎣ β 0 ⎦ ⎣ X n1 X n2 X n3 X nn ⎦ ⎣ β n ⎦ ⎣ε n ⎦
13
Y = XB + ε . (2.4)
E. Analisis Korelasi
hubungan linear antara suatu variabel dengan variabel yang lain (Algifari, 2000:
45). Ukuran statistik yang dapat menggambarkan hubungan antara suatu variabel
1. Koefisien Determinasi
r 2
= 1−
(Y − Yˆ ) 2 ( 2.13 )
(2.5)
2
⎛ ⎞
__
⎜Y − Y ⎟
⎝ ⎠
dengan
r 2 : koefisien determinasi
Y : variabel tak bebas
__
Y : rata-rata hitung dari nilai Y
Ŷ : Y dugaan dengan Yˆ = αˆ + βˆ X
2. Koefisien Korelasi
Menurut Algifari (2000: 51) koefisien korelasi (r) dapat digunakan untuk :
Jika dua variabel mempunyai nilai r = 0 berarti antara dua variabel tidak
negatif.
n ∑ XY − ∑ X ∑ Y
r= (2.6)
− (∑ X ) − − (∑ Y )
2 2
n∑ X 2
n ∑Y 2
dengan
r : besarnya koefisien korelasi
X : variabel bebas
Y : variabel tak bebas
n : banyaknya data
15
Berikut ini adalah gambar persamaan regresi yang sebenarnya dan persamaan
regresi taksiran.
P
Yˆi = αˆ + βˆ X i
Y
ei εi B’
A
A’
B Yi = α + β X i
Yˆi
Yi
Xi X
Keterangan :
2
galat yaitu meminimumkan ∑ ei (Suryanto, 1998: 140).
sebagai berikut :
16
βˆ 0 e1
βˆ e2
βˆ = 1 dan e =
M M
ˆβ en
k
Y = X βˆ + e
e = Y − X βˆ (2.7 )
sehingga
( '
)(
e' e = Y − X βˆ Y − X βˆ )
( )(
= Y' − X' βˆ ' Y − X βˆ )
( )(
= Y' − βˆ ' X' Y − X βˆ )
= Y' Y − Y' X' βˆ ' − βˆ ' X' Y + βˆ ' X' X βˆ
n
∂ ∑ ei
2
i =1
=0
∂ βˆ
n
∂∑
i =1
(e e' ) = 0
∂ βˆ
− 2 X' Y' + 2 X' X' βˆ = 0
X' X' βˆ = X' Y'
17
X' X βˆ = X' Y
(X' X ) −1
X' X βˆ = (X' X ) X' Y
−1
I βˆ = (X' X ) X'
−1
dengan
1. E (ε ) = 0
2. E [ε ε' ]= σ 2
I
Bukti :
ε1
ε2
ε= dan ε' = ε1 ε2 K εn
M
εn
2
ε1 ε1ε 2 K ε1ε n
2
ε 2 ε1 ε 2 K ε 2ε n
ε ε' =
M M M
2
ε n ε1 ε n ε 2 K ε n
18
E ε1[ ] 2
E [ε 1 ε 2 ] K E [ε 1ε n ]
E [ε ε'] =
E [ε 2 ε 1 ] [ ]
E ε2
2
K E [ε 2 ε n ]
M M M
E [ε n ε 1 ] E [ε n ε 2 ] K [ ]
E εn
2
σ2 0 K 0
0 σ 2
K 0
=
M M M
0 0 K σ2
[ ] [
E ε i = σ 2 dan E ε i ε j = 0 (i ≠ j )
2
]
1 0 K 0
0 1 K 0
E [ε ε'] = σ 2 = = σ 2I
M M M
0 0 K 1
metode kuadrat terkecil akan bersifat linear, tak bias, dan variansinya minimum
yang dikenal dengan sifat Best, Linear, Unbiased estimator (BLUE). Sifat-sifat
1. Linear (Linearity)
βˆ = (X' X ) X' Y
−1
= Iβ + (X' X ) Xε
−1
= β + (X' X ) Xε
−1
Sifat tak bias berarti nilai harapan dari estimator yaitu E [βˆ ] = β .
[
= E [β] + E (X' X ) X' ε
−1
]
= β + (X' X ) X' E [ε ]
−1
3. Variansi minimum
antara semua estimator untuk koefisien yang sama. Menurut Sudjana (1996 :
( ) ( )
Var βˆ 1 < Var βˆ 2 maka β̂1 merupakan estimator bervariansi minimum.
( )
Var β̂1 dapat dicari sebagai berikut :
( ) ( ) ⎤⎥⎦
Var βˆ 1 = E ⎡ βˆ 1 − β
⎢⎣
2
⎢⎣
( )(βˆ − β ) ⎤⎥⎦
= ⎡ E βˆ 1 − β 1
'
= σ ε (X' X )
2 −1
[
Misalkan βˆ 2 = (X' X ) + B Y
−1
]
dengan
[ ]
E βˆ 2 [
= E (X' X ) X' (Xβ + ε ) + B (Xβ + ε )
−1
]
[
= E (X' X ) X' Xβ + (X' X ) X' ε + B Xβ + B ε
−1 −1
]
= β + BXB karena E (ε ) = 0
[ ]
E βˆ 2 = β atau dengan kata lain B X B merupakan matriks 0.
( ) (
Var βˆ 2 = E ⎡ βˆ 2 − β ⎤
⎢⎣
2
⎥⎦
)
(
= E βˆ − β βˆ − β 2 ) )( 2
'
= σ {(X' X ) + B B' }
2 −1
ε karena B X = 0
21
( )
Var βˆ 2 = σ ε (X' X ) + σ ε B B'
2 −1 2
( ) ( )
Jadi, Var βˆ 1 ≤ Var βˆ 2 sehingga terbukti memiliki variansi minimum.
persamaan yang dihasilkan untuk mengestimasi nilai variabel tak bebas dengan
ketepatan persamaan estimasi untuk menjelaskan nilai variabel tak bebas yang
2
⎛ ∧
⎞
⎜Y − Y ⎟
Se = ⎝ ⎠ (2.10)
n−2
∑ Y 2 − αˆ ∑ Y − βˆ ∑ XY
Se = (2.11)
n−2
standar estimasi (standar error of estimate) pada model regresi linear sederhana
22
dalam model regresi linear sederhana yaitu α dan β sehingga dalam rumus
H. Asumsi Klasik
model regresi yang menghasilkan estimator linear tak bias yang terbaik (BLUE).
Menurut Supranto (1987: 281), kondisi BLUE ini akan terjadi jika dipenuhi
1. Non-Multikolinearitas
bebas yang lain dalam model regresi tidak saling berhubungan secara
2. Homoskedasitisitas
3. Non-Autokorelasi
ini tidak akan berpengaruh terhadap nilai variabel lain pada masa yang akan
datang.
untuk i = 1, 2, ..., n.
23
5. Variabel bebas adalah non-stokastik yang berarti tetap dari sampel ke sampel
variabel bebas tidak dapat dideteksi atau variansinya tidak minimum lagi.
meliputi :
1. Multikolinearitas
2. Heteroskedastisitas
semua pengamatan.
24
3. Autokorelasi
regresi yang menggunakan data berkala (time series) karena dalam data
berkala (time series), data masa sekarang dipengaruhi oleh data pada masa-
masa sebelumnya.
BAB III
PEMBAHASAN
terjadi dalam kurun waktu yang sama. Namun, dalam model regresi linear juga
disebut bedakala atau “a lag” atau “a time lag” (Supranto, 1995: 188). Ada 2
Suatu variabel tak bebas apabila dipengaruhi oleh variabel bebas pada
dan seterusnya disebut model dinamis distribusi lag. Model dinamis distribusi
Model : Yt = α + β 0 X t + β 1 X t −1 + β 2 X t − 2 + K + ε t (3.1)
Model (3.1) disebut model infinite lag sebab panjang beda kalanya tidak
diketahui.
25
26
Model : Yt = α + β 0 X t + β 1 X t −1 + β 2 X t − 2 + K + β k X t − k + ε t (3.2)
Model (3.2) disebut model finite lag sebab panjang beda kalanya
Apabila variabel tak bebas dipengaruhi oleh variabel bebas pada waktu
t , serta dipengaruhi juga oleh variabel tak bebas itu sendiri pada waktu t − 1
Yt = α + β 0 X t + β 1 Yt −1 + ε t .
Dugaan
1. Metode Koyck
Metode Koyck didasarkan asumsi bahwa semakin jauh jarak lag variabel
bebas dari periode sekarang maka semakin kecil pengaruh variabel lag terhadap
βk = β0 C k , k = 0,1, K (3.3)
27
dengan :
C : rata-rata tingkat penurunan dari distribusi lag dengan nilai 0 < C < 1
1− C : kecepatan penyesuaian.
(3.3) mempunyai arti bahwa nilai setiap koefisien β lebih kecil dengan nilai
sebelumnya atau yang mendahuluinya (0 < C < 1) . Secara grafis, dapat dilihat
βk
C = 3/ 4
C = 1/ 2
C = 1/ 4
waktu
Gambar 3.1 Penurunan Koefisien β dalam model Koyck
Yt = α + β 0 X t + β 0 C X t −1 + β 0 C 2 X t − 2 + K + ε t . (3.5)
28
yang banyak sekali dan juga parameter C yang masuk ke dalam model dalam
bentuk yang tidak linear. Akhirnya Koyck mencari jalan keluar dengan
Yt −1 = α + β 0 X t −1 + β 0 C X t −2 + β 0 C 2 X t −3 + K + ε t −1 . (3.6)
C Yt −1 = α C + β 0 C X t −1 + β 0 C 2 X t − 2 + β 0 C 3 X t −3 + K + C ε t −1 . (3.7 )
Yt = α (1 − C ) + β 0 X t + C Yt −1 + Vt (3.9)
dengan Vt = ε t − Cε t −1 .
2. Metode Almon
menurun secara geometris sepanjang beda kala (lag). Namun, apabila diagram
pencar antara β dengan lag itu naik kemudian menurun maka metode Koyck
koefisien β .
Model yang digunakan dalam metode Almon adalah model finite lag sebagai
berikut :
Yt = α + β 0 X t + β1 X t −1 + β 2 X t − 2 + K + β k X t − k + ε t (3.10)
atau
k
Yt = α + ∑ β i X t −i + ε t . (3.11)
i =0
Theorem, Almon berasumsi bahwa β i dapat didekati oleh suatu polinomial dalam
digambarkan seperti gambar 3.2 maka model bisa dituliskan sebagai berikut :
β i = α 0 + α1 i + α 2 i 2 . (3.12)
Namun, apabila koefisien β mengikuti gambar 3.4 maka model bisa dituliskan
sebagai berikut :
β i = α 0 + α1 i + α 2 i 2 + α 3 i 3 . (3.13)
polynomial in i).
β i = α 0 + α1 i + α 2 i 2 + K + α m i m . (3.14)
31
tepat digunakan.
( )
k
Yt = α + ∑ α 0 + α 1 i + α 2 i 2 X t −1 + ε t
i =0
k k k
= α + α 0 ∑ X t −1 + α 1 ∑ i X t −1 + ∑ i 2 X t −1 + ε t (3.15)
i =0 i =0 i =0
Apabila didefinisikan :
k
Z 0t = ∑ X t −1
i =0
k
Z1t = ∑ i X t −1 (3.16)
i =0
k
Z 2t = ∑ i 2 X t −1
i =0
Yt = α + α 0 Z 0t + α 1 Z 1t + α 2 Z 2t + ε t (3.17 )
Apabila dituliskan dengan persamaan regresi dugaan menjadi :
Yˆt = αˆ + αˆ 0 Z 0t + αˆ 1 Z 1t + αˆ 2 Z 2t .
βˆ 0 = αˆ 0
βˆ1 = αˆ 0 + αˆ1 + αˆ 2
βˆ 2 = αˆ 0 + 2αˆ 1 + 4αˆ 2
βˆ k = αˆ 0 + k αˆ 1 + k 2 αˆ 2 (3.18)
dengan
berikut :
2. Menentukan nilai m.
pangkat polinomial harus paling sedikit lebih besar satu dibandingkan dengan
Misalkan gambar (3.2) dan (3.3) hanya ada satu titik belok, sehingga
struktur beda kala, yang berarti bahwa koefisien β bisa naik dan bisa turun
bebas beda kala sebagai suatu variabel bebas baik dalam model maupun
Pada pembahasan model dinamis distribusi lag dikenal model Koyck yaitu :
Yt = α (1 − C ) + β 0 X t + C Yt −1 + (ε t − Cε t −1 ) (3.19)
Yt = α 0 + α 1 X t + α 2 Yt −1 + Vt (3.20)
Namun, metode kuadrat terkecil tidak dapat digunakan dalam persamaan dinamis
2. Adanya autokorelasi.
Oleh karena itu, untuk mengetahui adanya autokorelasi dalam model dinamis
antara lain :
1. Homoskedastisitas
2. Non-Autokorelasi
Cov (ε i , ε j ) = 0 , i ≠ j
Adanya E (Vt Vt −1 ) maka ada Yt −1 muncul dalam model Koyck sebagai variabel
E ( Vt , Vt −1 , ) = E [( ε t − Cε t −1 )(ε t −1 − Cε t −2 ) ]
[
= E ε t ε t −1 − ε t Cε t − 2 − Cε t −1 + C 2 ε t −1ε t − 2
2
]
[ ]
= E [ε t ε t −1 ] − C E [ε t ε t − 2 ] − CE ε t −1 + C E [ε t −1ε t − 2 ]
2 2
( )
adalah 0 dan asumsi E ε i = σ 2 sehingga diperoleh :
2
E ( Vt , Vt −1 , ) = −C E (ε t −1 )
2
=− Cσ 2
metode kuadrat terkecil selain bias juga tak konsisten, walaupun sampel
nilai populasi yang sebenarnya. Oleh karena itu, perkiraan dengan model
∑ ε t + ∑ ε t −1 − 2 ∑ ε t ε t −1
2 2
d= (3.22)
∑εt
2
⎛ ∑ε ε ⎞
d ≈ 2 ⎜1 −
⎜
t t −1 ⎟ (3.23)
⎝ ∑ ε t 2 ⎟⎠
∑ ε t ε t −1
Jika didefinisikan ρˆ = maka (3.23) dapat dituliskan menjadi :
∑εt
2
d = 2(1 − ρ̂ )
ρˆ = 1 − 1 / 2 d
37
1. Model regresi harus mencakup titik potong (intercept) dan tidak boleh
Yt = β X t + ε t .
yaitu : ε t = ε t −1 + µ t .
terjadi bias. Akhirnya Durbin mengusulkan suatu uji yang disebut statistik h
Durbin-Watson yaitu :
h = ρˆ
n
(3.24)
1 − n [Var (a 2 )]
dengan
ρˆ = 1 − 1 / 2 d
h = (1 − 1 / 2 d )
n
(3.25)
1 − n [Var (a 2 )]
1. Hipotesis :
2. α = 0.05
3. Statistik Uji : h = (1 − 1 / 2 d )
n
1 − n [Var (a 2 )]
4. Kriteria Keputusan :
5. Perhitungan.
uji.
6. Kesimpulan.
atau banyaknya variabel beda kala (lag) dari Y karena yang diperlukan
hanya variansi a2 .
benar.
C. Aplikasi
1. Contoh kasus bersumber dari soal buku Sumodiningrat (1995 : 319) dengan
dari tahun 1995 sampai dengan tahun 2004. Setelah dilakukan pengamatan,
sebelumnya sampai empat tahun sebelumnya. Hal ini karena, pendapatan yang
(Y ) (X )
1995 32 34
1996 33 36
1997 35 38
1998 37 40
1999 40 44
2000 43 47
2001 47 51
2002 49 55
2003 54 59
2004 58 63
Yt = α + β 0 X t + β1 X t −1 + β 2 X t − 2 + K + ε t (3.26)
Akan ditunjukkan persamaan dinamis distribusi lag dugaan dengan
Penyelesaian :
Yt = α + β 0 X t + β 1 X t −1 + β 2 X t − 2 + β 3 X t −3 + β 4 X t − 4 + ε t (3.27 )
dengan β i = α 0 + α 1 i + α 2 i 2
Yt = α + α 0 X t + (α 0 + α 1 + α 2 ) X t −1 + (α 0 + 2 α 1 + 4 α 2 ) X t − 2 +
(α 0 + 3α 1 + 9 α 2 ) X t −3 + (α 0 + 4 α 1 + 16 α 2 ) X t −4 + ε t
Yt = α + α 0 ( X t + X t −1 + X t − 2 + X t −3 + X t − 4 ) +
α 1 ( X t −1 + 2 X t − 2 + 3 X t −3 + 4 X t − 4 ) +
α 2 ( X t −1 + 4 X t − 2 + 9 X t −3 + 16 X t − 4 ) + ε t
⎛ 4 ⎞ ⎛ 4 ⎞ ⎛ 4 2 ⎞
Yt = α + α 0 ⎜ ∑ X t −i ⎟ + α 1 ⎜ ∑ i X t −i ⎟ + α 2 ⎜ ∑ i X t −i ⎟ + ε t
⎝ i =0 ⎠ ⎝ i =0 ⎠ ⎝ i =0 ⎠
Yt = α + α 0 Z 0t + α 1 Z 1t + α 2 Z 2t + ε t
Karena ada empat periode lag dalam fungsi asli, maka ada empat
1996, 1997, dan 1998. Jadi, hanya tinggal enam pengamatan dan nilai Z
Tahun Yt Xt Z 0t Z 1t Z 2t
1995 32 34 _ _ _
1996 33 36 _ _ _
1997 35 38 _ _ _
1998 37 40 _ _ _
M
44
Yt = α + α 0 Z 0t + α 1 Z1t + α 2 Z 2t + ε t
∧
Yt = − 7.7952 + 1.4306 Z 0t − 2.2724 Z1t + 0.5577 Z 2t
∧
Persamaan Yt = − 7.7952 + 1.4306 Z 0t − 2.2724 Z1t + 0.5577 Z 2t dapat
sebagai berikut.
Berdasarkan persamaan
∧
Yt = − 7.7952 + 1.4306 Z 0t − 2.2724 Z1t + 0.5577 Z 2t didapat :
α 0 = 1.4306
αˆ 1 = −2.2724
αˆ 3 = 0.5577
maka
βˆ0 = αˆ 0 = 1.4306
∧
Yt = − 7.7952 + 1.4306 X t − 0.2841 X t −1 − 0.8834 X t − 2 − 0.3673 X t − 3
+ 1.2642 X t − 4
R 2 = 0.99
sekarang.
sekarang.
46
sekarang.
metode Almon.
1
bi
0
0 1 2 3 4 5
-1
waktu
2. Contoh kasus berikut ini hanya akan membahas penerapan metode Koyck
yang bersumber dari buku Supranto (1995 : 183) dengan perubahan variabel.
Berdasarkan data pembelian perlengkapan dan hasil penjualan dalam tabel 3.3
Perlengkapan
(Y ) (X )
1 52.9 30.3
2 53.8 30.9
3 54.9 30.9
4 58.2 33.4
5 60 35.1
6 63.4 37.3
7 68.2 41
8 78 44.9
9 84.7 46.5
10 90.6 50.3
11 98.2 53.5
12 101.7 52.8
13 102.7 55.9
14 108.3 63
15 124.7 73
16 157.9 84.8
17 158.2 86.6
18 170.2 98.9
19 180 110.8
20 198 124.7
49
Penyelesaian :
Yt = α (1 − C ) + β 0 X t + C Yt −1 + Vt dengan Vt = ε t − Cε t −1
Tahun (Y ) (Yt −1 ) (X )
2 53.8 52.9 30.9
5 60 58.2 35.1
6 63.4 60 37.3
7 68.2 63.4 41
8 78 68.2 44.9
9 84.7 78 46.5
14 108.3 102.7 63
15 124.7 108.3 73
∧
Yt = 2.7268 + 0.9407 X t + 0.4682 Yt −1 R 2 = 0.99
∧
Persamaan Yt = 2.7268 + 0.9407 X t + 0.4682 Yt −1 dapat dituliskan
sebagai berikut.
Cˆ = 0.4682
( )
αˆ 1 − Cˆ = 2.7268 diperoleh αˆ = 5.1275
βˆ0 = 0.9407
∧
Yt = 5.1275 + 0.9407 X t + 0.4404 X t −1 + 0.2062 X t − 2 + 0.09655 X t −3 +
0.04520 X t − 4 + K
∧
Berdasarkan model Yt = 2.7268 + 0.9407 X t + 0.4682 Yt −1 diketahui
yaitu dari tahun 1991 sampai dengan 2003. Berdasarkan data pendapatan
menggunakan α = 0.05.
52
Yt Xt
Penyelesaian :
diperoleh :
53
Tahun Yt Yt −1 Xt
sebagai berikut :
∧
Yt = 11.31 + 0.406 X t+0.887 Yt −1
(11.41) (0.455) (0.147 )
estimasi a2 .
1) Hipotesis :
2) α = 0.05
3) Statistik Uji : h = (1 − 1 / 2 d )
n
1 − n [Var (a 2 )]
4) Kriteria Pengujian :
5) Perhitungan :
6) Kesimpulan :
Karena hhit < htabel yaitu – 1.42 < 1.711 maka H 0 diterima sehingga
PENUTUP
A. Kesimpulan
Lag” yaitu :
bebas Y disebut dengan beda kala (lag). Metode yang digunakan untuk
a. Metode Koyck
Metode Koyck digunakan jika panjang beda kala (lag) tidak diketahui.
( )
Eviews 5 diperoleh nilai αˆ 1 − Ĉ , β̂ 0 , dan Ĉ . Apabila dituliskan
( ) )
Yˆt = αˆ 1 − Cˆ + βˆ0 X t + C Yt −1
(
3) menghitung nilai α̂ dengan mensubstitusikan nilai Ĉ ke αˆ 1 − Ĉ )
56
57
k = 0,1, 2, K
∧
dinamis distribusi lag dugaan Yt = αˆ + βˆ0 X t + βˆ1 X t −1 + βˆ 2 X t − 2 + ...
b. Metode Almon
berderajat 2 yaitu : β i = α 0 + α 1 i + α 2 i 2
Yt = α + β 0 X t + β1 X t −1 + β 2 X t − 2 + K + β k X t − k + ε t
β i = α 0 + α 1 i + α 2 i 2 ke
Yt = α + β 0 X t + β1 X t −1 + β 2 X t − 2 + K + β k X t − k + ε t sampai diperoleh
⎛ k ⎞ ⎛ k ⎞ ⎛ k ⎞
Yt = α + α 0 ⎜ ∑ X t − i ⎟ + α 1 ⎜ ∑ i X t − i ⎟ + α 2 ⎜ ∑ i 2 X t − i ⎟ + ε t
⎜ ⎟ ⎜ ⎟ ⎜ ⎟
⎝ i =0 ⎠ ⎝ i =0 ⎠ ⎝ i =0 ⎠
atau Yt = α + α 0 Z 0t + α 1 Z 1t + α 2 Z 2t + ε t
58
k k k
dengan Z 0t = ∑ X t −1 , Z1t = ∑ i X t −1 , Z 2t = ∑ i 2 X t −1
i =0 i =0 i =0
∧
Yt = αˆ + βˆ0 X t + βˆ1 X t −1 + βˆ 2 X t − 2 + ...βˆ k X t − k
h = (1 − 1 / 2 d )
n
1 − n [Var (a2 )]
Nilai h tersebut dibandingkan dengan nilai pada tabel nilai kritik sebaran t .
Apabila hhit < htabel = t (α , n ) berarti tidak ada autokorelasi dalam persamaan
dinamis autoregressive.
β̂1 , βˆ 2 , βˆ3 … βˆ k bisa naik bisa turun tetapi tidak menurun secara geometris.
60
B. Saran
Distribusi Lag, skripsi ini dapat dilanjutkan dan dikembangkan lagi dengan
Diah. 2004. Aplikasi Model Koyck dan Almon. Jurnal Penelitian. Vol.6.
No.779.Hlm.1-3 diakses dari
http://www.si.its.ac.idwww.statistics.its.ac.id/fileupload/Modul6.doc/Penel
itian/JURNAL/Diah.pdf. tanggal akses 18 Januari 2008.
61
62
Dependent Variable: Yt
Method: Least Squares
Date: 07/27/08 Time: 19:55
Sample: 2 20
Included observations: 19
63
64
Dependent Variable: Yt
Method: Least Squares
Date: 07/27/08 Time: 19:22
Sample: 1999 2004
Included observations: 6
0 tα
α
v
0.10 0.05 0.025 0.01 0.005