EKONOMETRIKA II

MODEL STASIONERITAS

Dosen Pengajar:
Putu Mahardika Adi Saputra. SE., M.Si., MA., Ph.D

Disusun oleh :
INTAN PUTRI RIZQI 165020100111035

JURUSAN ILMU EKONOMI

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS BRAWIJAYA
MALANG
2019
Konsep Time Series
Karakteristik yang jelas yang dapat membedakan data time series dari data
cross-section adalah urutan pengamatan sementara. Misalnya, serangkaian time
series tentang pekerjaan, upah minimum, dan variabel ekonomi lainnya untuk
Puerto Riko. Dalam kumpulan data ini, kita harus tahu bahwa data untuk tahun
1970 mempelopori data untuk tahun 1971. Untuk menganalisis data time series
dalam ilmu sosial, masa lalu dapat memengaruhi masa depan, tetapi tidak
sebaliknya. Sehingga Analisis deret waktu berfokus pada pemodelan yang
tergantung pada suatu variabel masa lalunya sendiri, dan nilai sekarang dan
lampau dari variabel lain.

Tabel 1. Rata-rata Inflasi dan Pengangguran di

Amerika Serikat tahun 1948-2003.

Untuk menekankan urutan data deret waktu yang tepat, Tabel 1 adalah daftar
data tentang inflasi AS dan tingkat pengangguran pada tahun 1948-2003.
Keacakan data time series tidak berasal dari pengambilan sampel dari suatu
populasi. Untuk memahami bagaimana acaknya data time series, sebagai contoh,
hari ini kita tidak tahu apa yang akan menjadi Dow Jones Industrial Average pada
penutupan hari perdagangan berikutnya. Tidak diketahui seperti apa
pertumbuhan tahunan di Kanada di tahun mendatang. Karena hasil dari variabel-
variabel ini tidak diketahui sebelumnya. Menurut aturan, urutan variabel acak
yang di golongkan menurut waktu disebut proses stokastik atau proses deret
waktu. ("Stochastic" adalah sinonim untuk acak.)
Model Regresi Time Series
a. Model Statis
Model statis pada time series adalah nilai saat ini dari satu variabel
dimodelkan sebagai hasil dari nilai saat ini dari variabel penjelas. Misalkan
kita memiliki data deret waktu yang tersedia pada dua variabel,
 katakanlah y dan z, di mana yt dan zt diberi tanggal secara serentak. Dan
modelnya adalah ;
yt = βo + β1z1 + ut, t = 1,2,…n. [1]

Terdapat hubungan kontemporer antara y dan z. Biasanya model statis

dipostulatkan ketika perubahan z pada waktu t diyakini memiliki efek
langsung pada Y:∆Y = β1∆Zt ketika ∆ut = 0. Model regresi statis juga
digunakan untuk mengetahui tradeoff antara Y dan Z.

[2]

Salah satu contoh model di mana inft adalah tingkat inflasi tahunan dan
unemt adalah tingkat pengangguran tahunan dapat digunakan untuk
mempelajari tradeoff kontemporer antara inflasi dan pengangguran.
Namun begitu, time series dapat juga memiliki beberapa variabel
penjelas dalam model regresi statis. Dibawah ini adalah model regresi
berganda statis yang menjelaskan angka pembunuhan;

[3]

mrdrtet adalah pembunuhan per 10.000 orang di kota tertentu selama

tahun t. convrtet menunjukkan tingkat hukuman pembunuhan, unemt
adalah tingkat pengangguran lokal, dan yngmlet menjadi sebagian kecil
dari populasi yang terdiri dari pria yang berusia antara 18 dan 25 tahun.
Dengan model diatas, dapat dicari efek ceteris paribus dari peningkatan
tingkat hukuman pada kegiatan kriminal tertentu.

b. Model Finite Distributed Lag (FDL)

Pada model ini, variabel independen dapat memengaruhi variabel
dependen dengan jeda waktu. Contohny adalah untuk pengamatan
tahunan. Perhatikan persamaan model dibawah ini;

gfrt = αo + δ0pet + δ1pet-1 + δ2pet-2 + ut [4]

gfr adalah tingkat kesuburan umum (anak-anak yang lahir per 1.000
wanita usia subur) dan pe adalah nilai dolar riil dari pembebasan pajak
pribadi. Tujuannya adalah melihat secara keseluruhan, keputusan untuk
memiliki anak terkait dengan nilai pajak memiliki anak. Persamaan (4)
mengakui bahwa, karena alasan biologis dan perilaku, keputusan untuk
memiliki anak tidak akan langsung dihasilkan dari perubahan dalam
pengecualian pribadi. Persamaan (4) adalah contoh persamaan model;
 yt = αo + δozt + δ1zt-1 + δ2zt-2 + ut [5]

Untuk menafsirkan koefisien (5), diumpamakan z adalah konstanta, sama

dengan c, dalam semua periode waktu sebelum waktu t. Pada waktu t, z
meningkat satu unit ke c+1 dan kemudian kembali ke level sebelumnya
pada waktu t+1. (Yaitu, peningkatan z adalah sementara.)
Efek
goncangan masa lalu pada nilai saat ini dari variabel dependen ;

merupakan sebuah efek dari guncangan sementara, Jika ada

guncangan/perubahan satu kali dalam periode terakhir, variabel
dependen akan berubah sementara dengan jumlah yang ditunjukkan oleh
koefisien lag yang sesuai.

Merupakan sebuah efek kejutan permanen, Jika ada guncangan

permanen dalam periode terakhir, yaitu variabel independen meningkat
secara permanen sebesar satu unit, efeknya pada variabel dependen akan
menjadi efek terakumulasi dari semua lag yang relevan. Ini adalah efek
jangka panjang pada variabel dependen.
Dibawah ini merupakan ilustasi grafik efek lag

efeknya terbesar setelah jeda satu periode.

Setelah itu, efeknya menghilang (jika
guncangan awal hanya sementara).

Efek jangka panjang dari guncangan

permanen adalah efek kumulatif dari semua
efek yang tertinggal. Tidak hilang (jika
guncangan awal adalah permanen).
Sifat Sampel Terbatas OLS Dalam Bawah Asumsi Klasik
a. Asumsi Time Series 1 (Linear dalam parameter)

Persamaan diatas menjelaskan rangkaian waktu yang terlibat mematuhi

hubungan linear. Proses stokastik yt, xt1, ..., xtk diamati, proses kesalahan
ut tidak teramati. Definisi variabel penjelas bersifat umum, contohnya
mungkin lag atau fungsi variabel penjelas lainnya.
b. Asumsi Time Series 2 (Tidak ada kolenieritas sempurna) : tidak ada
variabel independen yang konstan atau kombinasi linear sempurna dari
yang lain.
c. Asumsi Time Series 3 (zero conditional mean)
E(ut|xt1,…,xtk = E(ut|xt) = 0

Nilai rata-rata dari faktor-faktor yang tidak teramati tidak terkait dengan
nilai-nilai variabel penjelas dalam semua periode.

adalah eksogen karena rata-rata dari error tidak terkait

dengan variabel penjelas dari periode yang sama.

adalah eksogen yang sempurna karena rata-rata dati

error idak terkait dengan nilai-nilai variabel penjelas semua periode.

Asumsi 3 ini mengesampingkan umpan balik dari variabel dependen pada

nilai yang akan datang dari variabel penjelas. Hal ini sering dipertanyakan
terutama jika variabel penjelas "menyesuaika" dengan perubahan masa
lalu dalam variabel dependen. Dan jika error term terkait dengan nilai-
nilai masa lalu dari variabel penjelas, orang harus memasukkan nilai-nilai
ini sebagai regresor kontemporer.

Teori 1 : Ketidakbiasan OLS, pada asumsi TS.1, TS.2, dan TS.3, estimator
OLS bersifat kondisional pada X, oleh karena itu dengan tanpa syarat juga
ketika terdapat ekspektasi;

d. Asumsi Time Series 4 (Homokedasitas)

Volatilitas kesalahan tidak boleh
terkait dengan variabel penjelas di salah satu periode.
Pada asumsi ini, kondisi yang memadai adalah bahwa volatilitas error
tidak tergantung pada variabel independen dan konstan dari waktu ke
waktu. Dan dalam konteks time series, homokedasitas juga dapat dengan
 mudah dilanggar, contohnya jika volatilitas variabel dependen tergantung
pada perubahan rezim.
e. Asumsi Time Series 5 (tidak ada korelasi serial)
Tergantung pada variabel independen,
faktor yang tidak diamati tidak boleh dikorelasikan dari waktu ke waktu.
Asumsi 5 dapat dengan mudah dilanggar jika dalam kondisi mengetahui
nilai-nilai variabel independen, dan faktor yang dihilangkan berkorelasi
dari waktu ke waktu.
Asumsi juga dapat berfungsi sebagai pengganti untuk asumsi
pengambilan sampel acak jika pengambilan sampel penampang tidak
dilakukan sepenuhnya secara acak.

Teori 2 : Varians pengambilan sampel OLS

pada asumsi time series 1 hingga

5. Pengkondisian nilai-nilai variabel penjelas tidak mudah dipahami. Ini
secara efektif berarti bahwa, dalam sampel terbatas, seseorang
mengabaikan variabilitas pengambilan sampel yang berasal dari keacakan
dari para regressor. Variabilitas pengambilan sampel seperti ini biasanya
tidak akan besar.

Teori 3 : Tidakbiasnya Estimasi Dari Varian Error

Dalam asumsi time series 1 hingga

5, estimator ổ2 = SSR/df adalah estimator ổ2, dimana df=n-k-1.

Teori 4 : teori Gauss-Markov, dalam asumsi timeseries 1 hinggq 5

estimator OLS memiliki varians minimal dari semua penaksir linier yang
tidak bias dari koefisien regresi. Hal ini berlaku baik bersyarat maupun
tidak pada regressor.

f. Asumsi Time Series 6 : Normalitas

asumsi ini mengarah pada time series 3 hingga 5 dan
secara bebas dari X.

Teori 5 : Sampling distribusi normal

Dalam asumsi time series 1 hinnga 6, estimator OLS memiliki distribusi
normal (tergantung pada X). test f dan t masih dapat digunakan.
Trend dan Musim
a. Trend Stasioner (TS) dan Difference Stasioner
Perbedaan atara proses stokastik satasioner dan nonstsioner memiliki
dasar apakah tren yang diobservasi dalam time series adalah deterministik atau
stokastik. Jika suatu tren dalam waktu seri adalah deterministik fungsi dari
waktu, seperti waktu, waktu kuadrat dan lainnya, maka itu disebut tren
deterministic. Sedangkan jika time series tersebut tidak dapat diprediksi maka
disebut stokastik. Model time series Yt dibawah akan menjelaskannya.
Yt = β1 + β2t + β3Yt-1 + ut (3.1)
Dimana ut adalah eror white noise dan t adalah waktu yang diukur secara runtut.
Dan terdapat beebrapa kemungkinan sebagai berikut :
Random walk murni (pure random walk) : jika dalam persamaan (3.1) β1= 0, β2=
0, β3=1, maka diperoleh
Yt = Yt-1 + ut (3.2)
Yaitu RMW tanpa penyimpangan sehingga tidak stasioner. Akan tetapi jika
persamaan (3.1) ditulis sebagai
∆Yt = (Yt - Yt-1) = ut (3.2a)
Akan menjadi stasioner. Sehingga RMW tanpa penyimpangan adalah difference
stationary process (DSP).
Random walk dengan penyimpangan (random walk with drift) : jika dalam
persamaan (3.1) β1≠ 0, β2= 0, β3=1, maka diperoleh
Yt = β1 + Yt-1 + ut (3.3)
yaitu random walk dengan penyimpangan sehingga tidak stasioner. Namun jika
dituliskan sebagai
(Yt - Yt-1) = ∆Yt = β1 + ut (3.3a)
artinya, Yt akan menunjukkan tren (β1 > 0) positif atau (β1 < 0) negatif. Tren
tersebut dinamakan tren stokastik. Persamaan (21.5.3a) adalah proses DSP
karena nonstasioner dalam Yt dapat dieliminasi dengan menggunakan turunan
pertama dari time series. Ingat bahwa ut dalam persamaan (21.5.3a) adalah eror
white noise.
Tren Deterministik (deterministic trend): jika dalam persamaan (3.1), β1≠ 0, β2≠
0, β3=0, maka diperoleh
Yt = β1 + β2t + ut (3.4)
Yang dinamakan trend stationary process (TSP). Walaupun meskipun rata-rata
atau mean dari Yt adalah β1 + β2t yang tidak konstan, variansnya adalah konstan
(=𝜎2). Jika nilai dari β1 dan β2 diketahui, rata-ratanya dapat diestimasi dengan
sempurna. Oleh karena itu, jika rata-rata Yt dikurangi dari rata-rata Yt, hasilnya
akan menjadi stasioner sehingga dinamakan tren stasioner. Prosedur untuk
menghilangkan tren deterministic disebut dengan detrending.
Random walk dengan penyimpangan dan tren determenistik: jika dalam
persamaan (3.1) β1≠ 0, β2≠ 0, β3=1, maka diperoleh
Yt = β1 + β2t + Yt-1 + ut (3.5)
Dalam kasus tersebut, kita memiliki random walk dengan penyimpangan dan
tren deterministic, yang dapat dilihat jika menuliskan persamaannya sebagai
∆Yt = β1 + β2t + ut (3.5a)
Yang artinya Yt adalah tidak stasioner.

Figur 1 Tren Determenistik vs tren skolastik

Untuk melihat perbedaan tren stokaastik dan determenistik lihat figure 1
rangakaian data yang dinamakan stokastik dalam figure tersebut dibentuk oleh
RMW dengan penyimpangan: Yt= 0,5 + Yt-1 + ut, dimana 500 niali dari ut timbul
timbul ari distribusi normal standard an dimana nilai awal dari Y di set pada 1.
Rangkaian data dinamakan determenistik dibentuk sebagai berikut : Yt = 0,5t +
ut, dimana ut timbul seperti di atas dan dimana t adalah waktu secara kronologis.
Sebagaimana figure 1 dalam kasus tren determenistik, deviasi dari garis
tren (yang menunjukkan rata-rata nonstasioner) murni acak dan dapat hialng
secara cepat; deviasi tersebut tidak berkontribusi terhadap perkembangan
jangka panjang dari time series, yang ditentukan komponen tren 0,5t. Dalam
kasus tren stokastik, komponen ut mempengaruhi perkembangan jangka panjang
dari rata-rata Yt.

b. Proses Stokastik Terintegrasi

Prosesnya adalah model random walk tetapi tidak terbatas pada kasus
spesifik dari tingkatan yang lebih umum dari proses stokastik yang dikenal sebagi
proses terintegrasi (integrated process). Ingat bahwa RMW anpa penyimpangan
adalah tidak stasioner , tetapi turunan pertamanya [(3.2a)] adalah stasioner.
Sehingga dinamakan RMW tanpa penyimpanan terintegrasi pada urutan satu
(integrated for order 1), dilambangkan sebagai I(1). Namun jika harus diturunkan
dua kali maka untuk membuatnya menjadi stasioner maka harus melewati
terintegrasi pada urutan kedua (integrated of order 2). Intinya jika time series
(tidak stasioner) harus diturunkan d kali untuk merubahnya menjadi stasioner,
maka time series tersebut disebut terintegrasin pada urutan d. suatu time series
d terintegrasi pada urutan d dilambangkan sebagai Yt ~ I(d) namun jika Yt sudah
stasioner, maka Yt ~ I(0), atau dapat disebut “time series stasioner” dan “time
series terintegrasi pada urutan nol”.
Sifat-sifat dari Rangkaian yang terintegrasi, misalkan Xt, Yt an Zt adalah time
series;

c. Fenomena dari Regresi Spurious

Untuk melihat mengapa time series stasioner adalah sangat penting, dibawah
adalah dua model random walk
Yt = Yt-1 + ut (3.6)
Xt = Xt-1 +vt (3.7)
Contoh : terdapat 500 observasi ut dari ut ~ N(0,1) dan observasi vt dati vt ~
N(0,1) dan diasumsikan bahwa niali awal dar kesua Y dan X adalah nol.
Diasumsikan juga bahwa ut dan vt adalah tidak berkorelasi secara serial dan
bersama-sama. Dan kedua time series tersebut adlah tidak stasioner. Dengan
demikian keduanya adalah I(1) atau menunjukkan tren stokastik.
 Misalkan dilakukan regresi Yt terhadap Xt. Karena Yt dan Xt tidak
berkorelasi preoses I(1), R2 dari regresi Y terhadap X seharusnya cenderung nol:
dengan demikian seharusnya tidak terdapat suatu hubungan antara dua variable.

dapat dilihat bahwa koefisien dari X secara statistic signifikan, dan walaupun niali
R2 rendah, nilainya secara statistikberbeda dengan nol. Dan kesimpulannya
adalah terdapat hubungan signifikan secara statistic antara X dan Y, yang secara
teori seharusnya tidak. Dan inilah yang disebut fenomena spurious
(phenomenom of spurious) atau regresi tanpa memiliki arti (nonsense
regression) diamana R2>d. Dapat ditambahakan juga bahwa R2 dan t statistik dari
regresi spurious adalah salah, dan t statistik tidak terdistribusi sebagaimana
mestinya maka selanjutnya tidak dapat dilakukan uji hiptesis parameter.
Regresi diatas tidak memiliki arti dan dapat dengan mudah dilihat dari
melakukan regresi turunan pertama dari Yt(=∆Yt) terhadap turunan pertama dari
Xt(=∆Xt); ingat bahwa walaupun Yt dan Xt adalah tidak stasioner, turunan
pertamanya adalah stasioner. Dalam regresi tersebut akan ditemukan bahwa R2
adalah nol, sebagaimana seharusnya, dan d Durbin-Watson disekitar 2.

d. Transformasi Time Series Nonstasioner

Untuk menghindarai regresi palsu yang ekmungkinan muncul dari regresi time
series nonstasioner dalam sebuah atau beberapa time serioes nonstasioner,
harus ditransformasikan menajdi time series stasioner. Metodenya tergantung
apakah jenis time seriesnya DSP atau TSP.
Proses Turunan Stasioner
Apabila sebuah series memiliki unit root, turunan pertama dalam time series
seperti ini adlah stasioner dan solusinya adalah mengeluarkan selisih pertama
dari time series itu. Dimisalkan kasus time series LGDP Amerika Serikat yang
memiliki unit root, apa yang terjadi apabila jika dikeluarkan selisih pertama
dalam seri LGDP tersebut?
∆LGDPt = (LGDPt – LGDPt-1)  ∆t = DLGDPt* ; diregresikan menjadi
̂ = 0,00557
∆𝐷𝑡 – 0,6711Dt-1
 t = (7,1407) - (-11,0204) (3.8)
R2 = 0,3360 d = 2,0542
Nilai kritis 1% DF𝜏 adalah -3,4574. Karena 𝜏 (=t) yang dihitung aslah -11.0204 <
nilai kritis, maka disimpulkan bahwa selisih peratma LGDP adalah stasioner; yaitu
adalah I(0).
Seperti dalam figure 21.5, sebuah TSP merupakan stasioner dalam sebuah garis
tren. Oleh karena itu, jalan yang paling sederhana adalah dengan mebuat time
series stassioner itu diregresikan terhadap waktu, dan berbagai residual dari
regresinya akan menjadi stasioner. Regresinya adalah sebagai berikut:
Yt = 𝛽 1 + 𝛽 2t + ut (3.9)
Dimana Yt adalah time series yang sedang dipelajari dan dimana t variable tren
bias diukur secara kronologis. Sekarang persamaannya menjadi :
̂ = (Yt - 𝛽̂ 1 - 𝛽̂ 2t )
𝑈 (3.10)
̂ akan diketahui menjadi detrended time series
Dimana akan menjadi stasioner, 𝑈
(secara linear).

Figure 2 selisih pertama pada logs GDP Amerika Serikat, 1947 –

2007 (kuartal)
Terdapat kemungkinan sebuah tren adalah tidak linear; contoh
persamaannya dalah
Yt = 𝛽 1 + 𝛽 2t + 𝛽 3t2 + ut (3.11)
Yang merupakan sebuah tiem series yang kuadratik. Apabila ini merupakan
kasusnya, maka residual (3.11) akan menjadi detrended time series (yang
kuadratik). Perlu digarisbawahi apabila sebuah time series yang merupakan DSP,
tetapi diperlakukan sebagi TSP, maka disebut sebagai proses deferens kurang
lengkap (underdifferencing). Jiak sebaliknya maka disebut (Overdifferencing).
Untuk melihat apa yang akan terjadi apabila salah menginterpretasikan
sebuah seri TSP dengan DSP atau sebaliknya, figure 3 menunjukkan selisih
turunan pertama LGDP dan berbagai residual dari estimasi LGDP tersebut dari
regresi TSP (3.9).
Waktu
Dalam figure dapat dikatakan bahwa selisih pertama dari logged GDP riil adalah
stasioner (dijelaskan dalam regresi (3.8), tetapi residualnya dari garis tren tidak
demikian (RESI 1) ).

Figur 3 Selisih pertama (delta LGDP) dan deviasi dari tren (RESI 1) untuk logged
GDP, 1947 – 2007 (kuartal)

Sebagai ringkasan, “… adalah sangat penting untuk mengurutkan secara benar

transformasi stasioner pada data apabila belum stasioner. Kebanyakan pasar
finansial menurunkan data harga, tingkat, dan yield (tingkat pengembalian)
dengan menggunakan data yang tidak stasioner karena dengan alasan stokastik
bukan dengan menggunakan data yang tidak stasioner karena dengan alasan
stokastik bukan dengan tren determenistik.
Daftar Pustaka

Wooldridge J.M-Introductory econometrics.2016. Introductory Econometrics (A

modern approach). Boston. Cengage Learning

Gujarat, Damodar N dan Porter, Dawn C. 2012. Dasar-dasar Ekonometrika.

Jakarta.Salemba Empat