MODEL STASIONERITAS
Dosen Pengajar:
Putu Mahardika Adi Saputra. SE., M.Si., MA., Ph.D
Disusun oleh :
INTAN PUTRI RIZQI 165020100111035
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]
[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]
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]
Nilai rata-rata dari faktor-faktor yang tidak teramati tidak terkait dengan
nilai-nilai variabel penjelas dalam semua periode.
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;
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.
Figur 3 Selisih pertama (delta LGDP) dan deviasi dari tren (RESI 1) untuk logged
GDP, 1947 – 2007 (kuartal)