Model Distribusi Lag Dan Autoregressive

MODEL DISTRIBUSI LAG DAN AUTOREGRESSIVE
Disusun Untuk Memenuhi Tugas Mata Kuliah Ekonometrika (ABKC1508)
Dosen Pembimbing :
Dr. H. Karim, M. Si.

Rizki Amalia, M. Pd.
Disusun Oleh :
Imelda Indah Savitri (A1C115210)
Isnawati (1610118120009)
UNIVERSITAS LAMBUNG MANGKURAT
FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN
JURUSAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM
PROGRAM STUDI PENDIDIKAN MATEMATIKA
BANJARMASIN
2018
A. Model Distribusi Lag
Model Distributed Lag adalah model yang menunjukkan hubungan antara variabel terikat
(𝑌𝑡 ) dengan variabel bebas masa lalu (𝑋𝑡−𝑠 ). Model Distributed Lag, dapat dituliskan sebagai
berikut:
𝑌𝑡 = 𝛼 + 𝛽0 𝑋𝑡 + 𝛽1 𝑋𝑡−1 + 𝛽2 𝑋𝑡−2 + 𝑈𝑡
Model ini menggambarkan bahwa nilai 𝑌𝑡 tergantung atau dipengaruhi oleh nilai 𝑋 pada saat
𝑡 (𝑋𝑡 ), nilai 𝑋 pada satu 'unit' ukuran waktu sebelumnya (misalnya: bulan, tahun, dan
sebagainya) (𝑋𝑡−1 ), dan nilai x pada dua 'unit' ukuran waktu sebelumnya (𝑋𝑡−2 ), disamping tentu
saja dipengaruhi oleh faktor-faktor lain yang diwakili oleh 𝑈𝑡 .
Contohnya adalah pengeluaran konsumsi rumah tangga per bulan, tergantung pada
pendapatan rumah tangga bulan ini, bulan lalu, dan dua bulan yang lalu. Atau stok barang suatu
perusahaan, tergantung pada produksi bulan ini, bulan lalu, dan dua bulan yang lalu.
B. Model Autoregressive
Model Autoregressive atau Model Dynamics adalah model yang menunjukkan hubungan
antara variabel terikat (𝑌𝑡 ) dengan variabel terikat masa lalu (𝑌𝑡−𝑠 ) yang digunakan sebagai
variabel bebas. Model Autoregressive, dapat dituliskan sebagai berikut:
𝑌𝑡 = 𝛼 + 𝛽𝑋𝑡 + 𝛾𝑌𝑡−1 + 𝑈𝑡
Model ini menggambarkan bahwa nilai 𝑌𝑡 , tergantung atau dipengaruhi oleh nilai 𝑋 pada saat 𝑡
(𝑋𝑡 ), dan nilai 𝑌 pada satu 'unit' ukuran waktu sebelumnya (𝑌𝑡−1 )
C. Contoh Kasus
Penelitian dilakukan untuk mengetahui hubungan antara pembelian perlengkapan dan
hasil penjualan suatu perusahaan selama 20 tahun. Data pembelian perlengkapan dan hasil
penjualan dalam termuat dalam tabel berikut:

Tahun Pembelian Penjualan
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
Keterangan :
Y : Pembelian Perlengkapan (dalam juta rupiah)
X : Penjualan (dalam juta rupiah)
Analisis Data:
Regression Analysis: Yt versus Xt
The regression equation is

Yt = 6.62 + 1.63 Xt
Predictor Coef SE Coef T P

Constant 6.624 3.327 1.99 0.062
Xt 1.63103 0.05093 32.02 0.000
S = 6.27202 R-Sq = 98.3% R-Sq(adj) = 98.2%
Analysis of Variance
Source DF SS MS F P
Regression 1 40339 40339 1025.43 0.000
Residual Error 18 708 39
Total 19 41047
Unusual Observations
Obs Xt Yt Fit SE Fit Residual St Resid

16 85 157.90 144.94 1.91 12.96 2.17R
20 125 198.00 210.01 3.62 -12.01 -2.34RX
R denotes an observation with a large standardized residual.

X denotes an observation whose X value gives it large leverage.
Dari analisis data pada minitab di atas diketahui bahwa nilai p-value adalah 0,000. Karena nilai
p-value < 0,05, maka dapat disimpulkan bahwa penjualan tersebut berpengaruh signifikan
terhadap pembelian perlengkapan.
 Model Distribusi Lag
Langkah-langkah pada software Minitab 16 adalah sebagai berikut:
1. Membuka software Minitab 16

2. Memasukkan data ke dalam worksheet Minitab 16
3. Pada kolom C4 beri nama 𝑋𝑡−1 , kemudian klik stat > time series > lag. Kemudian akan
muncul kotak dialog Lag.
4. Select 𝑋𝑡 pada bagian Series, isikan “c4” (nama kolom yang ingin dijadikan sebagai tempat
hasil lag) pada bagian Store lags in, dan pada bagian lag masukkan “1” (lag berapa yang kita
inginkan). Kemudian klik OK
5. Untuk mencari persamaan 𝑌𝑡 yaitu dengan cara regresi. Klik stat > regression > regression.
Kemudian akan muncul kotak dialog : Regression.
6. Pada kotak dialog Regression, select 𝑌𝑡 pada bagian Response serta select 𝑋𝑡 dan 𝑋𝑡−1 pada
bagian Predictors.
7. Maka didapat Analisis Regresinya
Analisis Distrubusi Lag:
Regression Analysis: Yt versus Xt, Xt-1

Yt = 4.11 + 0.885 Xt + 0.860 Xt-1
19 cases used, 1 cases contain missing values

Constant 4.113 4.076 1.01 0.328
Xt 0.8851 0.5175 1.71 0.107
Xt-1 0.8604 0.5992 1.44 0.170
S = 6.21225 R-Sq = 98.4% R-Sq(adj) = 98.2%
Source DF SS MS F P
Regression 2 37763 18881 489.26 0.000
Total 18 38380
Source DF Seq SS
Xt 1 37683
Xt-1 1 80

16 85 157.90 141.97 2.80 15.93 2.87R
17 87 158.20 153.72 4.52 4.48 1.05 X
20 125 198.00 209.81 3.62 -11.81 -2.34R

Regression Analysis: Yt versus Xt, Xt-1, Xt-2

Yt = 4.87 + 0.871 Xt + 0.871 Xt-1 - 0.006 Xt-2

Constant 4.870 5.134 0.95 0.359
Xt 0.8713 0.5506 1.58 0.136
Xt-1 0.8711 0.7884 1.10 0.288
Xt-2 -0.0057 0.6370 -0.01 0.993
S = 6.55599 R-Sq = 98.3% R-Sq(adj) = 97.9%
Source DF SS MS F P
Regression 3 34916 11639 270.78 0.000
Total 17 35517
Source DF Seq SS
Xt 1 34835
Xt-1 1 81
Xt-2 1 0

16 85 157.90 141.98 3.80 15.92 2.98R
20 125 198.00 209.47 3.86 -11.47 -2.16R
Regression Analysis: Yt versus Xt, Xt-1, Xt-2, Xt-3

Yt = 8.91 + 0.967 Xt + 0.831 Xt-1 + 0.515 Xt-2 - 0.715 Xt-3

Constant 8.910 6.194 1.44 0.176
Xt 0.9671 0.5778 1.67 0.120
Xt-1 0.8306 0.8058 1.03 0.323
Xt-2 0.5154 0.8031 0.64 0.533
Xt-3 -0.7153 0.6641 -1.08 0.303
S = 6.67535 R-Sq = 98.4% R-Sq(adj) = 97.8%
Source DF SS MS F P
Regression 4 31909.8 7977.4 179.03 0.000
Residual Error 12 534.7 44.6
Total 16 32444.5
Source DF Seq SS
Xt 1 31772.1
Xt-1 1 86.0
Xt-2 1 0.0
Xt-3 1 51.7

16 85 157.90 144.04 4.38 13.86 2.75R
20 125 198.00 210.57 4.22 -12.57 -2.43R
Dari analisis regresi di atas diperoleh persamaan-persamaan sebagai berikut :

(1) 𝑌𝑡 = 4,11 + 0,885𝑋𝑡 + 0,860𝑋𝑡−1
(2) 𝑌𝑡 = 4,87 + 0,871𝑋𝑡 + 0,871𝑋𝑡−1 − 0,006𝑋𝑡−2
(3) 𝑌𝑡 = 8,91 + 0,967𝑋𝑡 + 0,831𝑋𝑡−1 + 0,515𝑋𝑡−2 − 0,715𝑋𝑡−3
Dapat dilihat bahwa sampai pembentukan model (2), tanda koefesien masih “stabil”. Oleh karena
itu, pengolahan data dilanjutkan ke tahap berikutnya, sehingga diperoleh persamaan (3). Dari
persamaan terlihat bahwa koefisien variabel bebas 𝑋𝑡−2 sudah tidak stabil, karena pada
persamaan (2) bertanda negatif, sedangkan pada persamaan (3) berubah menjadi positif.
Jadi, persamaan yang dipilih sebagai model Distributed Lag adalah persamaan (2) yaitu :
𝒀𝒕 = 𝟒, 𝟖𝟕 + 𝟎, 𝟖𝟕𝟏𝑿𝒕 + 𝟎, 𝟖𝟕𝟏𝑿𝒕−𝟏 − 𝟎, 𝟎𝟎𝟔𝑿𝒕−𝟐
Dari koefisien pada persamaan di atas diketahui bahwa penjualan pada waktu itu (sekarang)
mempunyai pengaruh yang sama dengan penjualan pada waktu satu tahun yang lalu dalam
menentukan besar kecilnya pembelian perlengkapan serta penjualan pada waktu dua tahun yang
lalu lebih kecil pengaruhnya dalam menentukan besar kecilnya Pembelian perlengkapan.
Selain itu, dari koefisien pada persamaan di atas dapat diketahui hubungan antara pembelian
perlengkapan dan penjualan per tahun sebagai berikut:
1. Koefisien regresi pada variabel 𝑋𝑡 bertanda positif berarti bahwa hubungan antara
pembelian perlengkapan sekarang dengan penjualan sekarang searah atau positif.
Semakin banyak penjualan sekarang, maka semakin besar pula pembelian perlengkapan
sekarang.
2. Koefisien regresi pada variabel 𝑋𝑡−1 bertanda positif berarti bahwa hubungan antara
pembelian perlengkapan sekarang dengan penjualan satu tahun sebelumnya searah atau
positif. Semakin banyak penjualan satu tahun yang lalu, maka semakin besar pula
pembelian perlengkapan sekarang.
3. Koefisien regresi pada variabel 𝑋𝑡−2 bertanda negatif berarti bahwa hubungan antara
pembelian perlengkapan sekarang dengan penjualan dua tahun sebelumnya berlawanan
arah atau negatif. Semakin banyak penjualan dua tahun sebelumnya, maka semakin kecil
pembelian perlengkapan sekarang.
 Model Autoregresive
Langkah-langkah pada software Minitab 16 adalah sebagai berikut:
1. Membuka software Minitab 16

2. Memasukkan data ke dalam worksheet Minitab 16
3. Pada kolom C4 beri nama 𝑌𝑡−1 , kemudian klik stat > time series > lag. Kemudian akan
muncul kotak dialog Lag.
4. Select 𝑌𝑡 pada bagian Series, isikan “c4” (nama kolom yang ingin dijadikan sebagai tempat
hasil lag) pada bagian Store lags in, dan pada bagian lag masukkan “1” (lag berapa yang
kita inginkan). Kemudian klik OK
5. Untuk mencari persamaan 𝑌𝑡 yaitu dengan cara regresi. Klik stat > regression > regression.
Kemudian akan muncul kotak dialog : Regression.
6. Pada kotak dialog Regression, select 𝑌𝑡 pada bagian Response serta select 𝑋𝑡 dan 𝑌𝑡−1 pada
bagian Predictors.
7. Maka didapat Analisis Regresinya
Analisis Autoregressive:
Regression Analysis: Yt versus Xt, Yt-1

Yt = 2.73 + 0.941 Xt + 0.468 Yt-1

Constant 2.727 3.294 0.83 0.420
Xt 0.9407 0.2312 4.07 0.001
Yt-1 0.4682 0.1554 3.01 0.008
S = 5.27222 R-Sq = 98.8% R-Sq(adj) = 98.7%
Source DF SS MS F P
Regression 2 37936 18968 682.39 0.000
Total 18 38380
Source DF Seq SS
Xt 1 37683
Yt-1 1 252

16 85 157.90 140.89 2.10 17.01 3.52R
17 87 158.20 158.13 3.79 0.07 0.02 X

Regression Analysis: Yt versus Xt, Yt-1, Yt-2

Yt = 4.92 + 1.10 Xt + 0.637 Yt-1 - 0.306 Yt-2

Constant 4.916 3.591 1.37 0.193
Xt 1.0957 0.2515 4.36 0.001
Yt-1 0.6368 0.1943 3.28 0.006
Yt-2 -0.3062 0.2103 -1.46 0.167
S = 5.20116 R-Sq = 98.9% R-Sq(adj) = 98.7%
Source DF SS MS F P
Regression 3 35139 11713 432.98 0.000
Total 17 35517
Source DF Seq SS
Xt 1 34835
Yt-1 1 246
Yt-2 1 57

16 85 157.90 144.08 2.99 13.82 3.25R
17 87 158.20 162.17 4.71 -3.97 -1.79 X

Regression Analysis: Yt versus Xt, Yt-1, Yt-2, Yt-3

Yt = 7.14 + 1.23 Xt + 0.593 Yt-1 - 0.156 Yt-2 - 0.233 Yt-3

Constant 7.138 4.250 1.68 0.119
Xt 1.2324 0.2949 4.18 0.001
Yt-1 0.5926 0.2043 2.90 0.013
Yt-2 -0.1558 0.2596 -0.60 0.560
Yt-3 -0.2329 0.2293 -1.02 0.330
S = 5.36015 R-Sq = 98.9% R-Sq(adj) = 98.6%
Source DF SS MS F P
Regression 4 32099.7 8024.9 279.31 0.000
Total 16 32444.5
Source DF Seq SS
Xt 1 31772.1
Yt-1 1 243.3
Yt-2 1 54.8
Yt-3 1 29.6

16 85 157.90 144.75 3.16 13.15 3.04R
17 87 158.20 162.79 4.92 -4.59 -2.15R
Regression Analysis: Yt versus Xt, Yt-1, Yt-2, Yt-3, Yt-4

Yt = 7.01 + 1.19 Xt + 0.587 Yt-1 - 0.145 Yt-2 - 0.265 Yt-3 +
0.064 Yt-4

Constant 7.007 5.545 1.26 0.235
Xt 1.1906 0.3646 3.27 0.008
Yt-1 0.5874 0.2237 2.63 0.025
Yt-2 -0.1454 0.2838 -0.51 0.620
Yt-3 -0.2646 0.2850 -0.93 0.375
Yt-4 0.0642 0.2579 0.25 0.808
S = 5.81615 R-Sq = 98.8% R-Sq(adj) = 98.3%
Source DF SS MS F P
Regression 5 29037.6 5807.5 171.68 0.000
Total 15 29375.9
Source DF Seq SS
Xt 1 28723.1
Yt-1 1 230.3
Yt-2 1 53.3
Yt-3 1 28.9
Yt-4 1 2.1

16 85 157.90 144.82 3.43 13.08 2.79R
17 87 158.20 162.67 5.38 -4.47 -2.03R
20 125 198.00 204.73 4.97 -6.73 -2.23R
Regression Analysis: Yt versus Xt, Yt-1, Yt-2, Yt-3, Yt-4, Yt-5

Yt = - 0.42 + 1.15 Xt + 0.392 Yt-1 - 0.109 Yt-2 - 0.178 Yt-3 -
0.299 Yt-4
+ 0.647 Yt-5

Constant -0.416 7.513 -0.06 0.957
Xt 1.1488 0.3411 3.37 0.010
Yt-1 0.3917 0.2361 1.66 0.136
Yt-2 -0.1088 0.2660 -0.41 0.693
Yt-3 -0.1783 0.2705 -0.66 0.528
Yt-4 -0.2990 0.3263 -0.92 0.386
Yt-5 0.6475 0.3869 1.67 0.133
S = 5.42310 R-Sq = 99.1% R-Sq(adj) = 98.4%
Source DF SS MS F P
Regression 6 25878.7 4313.1 146.65 0.000
Total 14 26113.9
Source DF Seq SS
Xt 1 25499.0
Yt-1 1 212.3
Yt-2 1 54.8
Yt-3 1 27.7
Yt-4 1 2.5
Yt-5 1 82.4

16 85 157.90 148.93 3.96 8.97 2.42R
17 87 158.20 163.18 5.05 -4.98 -2.52R
20 125 198.00 200.15 5.32 -2.15 -2.01R
Dari analisis regresi di atas diperoleh persamaan-persamaan sebagai berikut :

(1) 𝑌𝑡 = 2,73 + 0,941𝑋𝑡 + 0,468𝑌𝑡−1
(2) 𝑌𝑡 = 4,92 + 1,10𝑋𝑡 + 0,637𝑌𝑡−1 − 0,306𝑌𝑡−2
(3) 𝑌𝑡 = 7,14 + 1,23𝑋𝑡 + 0,593𝑌𝑡−1 − 0,156𝑌𝑡−2 − 0,233𝑌𝑡−3
(4) 𝑌𝑡 = 7,01 + 1,19𝑋𝑡 + 0,587𝑌𝑡−1 − 0,145𝑌𝑡−2 − 0,265𝑌𝑡−3 + 0,064𝑌𝑡−4
(5) 𝑌𝑡 = −0,42 + 1,15𝑋𝑡 + 0,392𝑌𝑡−1 − 0,109𝑌𝑡−2 − 0,178𝑌𝑡−3 − 0,299𝑌𝑡−4 + 0,647𝑌𝑡−5
Dapat dilihat bahwa sampai pembentukan model (4), tanda koefesien masih “stabil”. Oleh karena
itu, pengolahan data dilanjutkan ke tahap berikutnya, sehingga diperoleh persamaan (5). Dari
persamaan terlihat bahwa koefisien variabel bebas 𝑌𝑡−4 sudah tidak stabil, karena pada
persamaan (4) bertanda positif, sedangkan pada persamaan (5) berubah menjadi negatif. Jadi,
persamaan (4) yang dipilih sebagai model Autoregressive yaitu :
𝒀𝒕 = 𝟕, 𝟎𝟏 + 𝟏, 𝟏𝟗𝑿𝒕 + 𝟎, 𝟓𝟖𝟕𝒀𝒕−𝟏 − 𝟎, 𝟏𝟒𝟓𝒀𝒕−𝟐 − 𝟎, 𝟐𝟔𝟓𝒀𝒕−𝟑 + 𝟎, 𝟎𝟔𝟒𝒀𝒕−𝟒
Dari koefisien pada persamaan di atas diketahui bahwa pembelian perlengkapan pada bulan
lalu mempunyai pengaruh lebih rendah dibanding penjualan pada waktu sekarang dalam
menentukan besar kecilnya pembelian perlengkapan dalam waktu yang sama.
Selain itu, dari koefisien pada persamaan di atas dapat diketahui hubungan antara pembelian
perlengkapan dan pembelian per tahun sebagai berikut:
1. Koefisien regresi pada variabel 𝑋𝑡 bertanda positif berarti bahwa hubungan antara
pembelian perlengkapan sekarang dengan penjualan sekarang searah atau positif.
Semakin banyak penjualan sekarang, maka semakin besar pula pembelian perlengkapan
sekarang.
2. Koefisien regresi pada variabel 𝑌𝑡−1 bertanda positif berarti bahwa hubungan antara
pembelian perlengkapan sekarang dengan pembelian perlengkapan satu tahun
sebelumnya searah atau positif. Semakin banyak pembelian perlengkapan satu tahun
yang lalu, maka semakin besar pula pembelian perlengkapan sekarang .
3. Koefisien regresi pada variabel 𝑌𝑡−2 bertanda negatif berarti bahwa hubungan antara
pembelian perlengkapan sekarang dengan pembelian perlengkapan dua tahun sebelumnya
berlawanan arah atau negatif. Semakin banyak penjualan pembelian perlengkapan dua
tahun sebelumnya, maka semakin kecil pembelian perlengkapan sekarang.
pembelian perlengkapan sekarang dengan pembelian perlengkapan tiga tahun
sebelumnya berlawanan arah atau negatif. Semakin banyak penjualan pembelian
perlengkapan tiga tahun sebelumnya, maka semakin kecil pembelian perlengkapan
sekarang.
pembelian perlengkapan sekarang dengan pembelian perlengkapan empat tahun
sebelumnya berlawanan arah atau negatif. Semakin banyak penjualan pembelian
perlengkapan empat tahun sebelumnya, maka semakin kecil pembelian perlengkapan
sekarang.
DAFTAR PUSTAKA
https://eprints.uny.ac.id/1919/1/SKRIPSI.pdf
https://www.slideshare.net/agecastaneda/dis-lag-dan-dis-autoregressive

Model Distribusi Lag Dan Autoregressive

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Model Distribusi Lag Dan Autoregressive

Diunggah oleh

Hak Cipta:

Format Tersedia

MODEL DISTRIBUSI LAG DAN AUTOREGRESSIVE

Disusun Untuk Memenuhi Tugas Mata Kuliah Ekonometrika (ABKC1508)

Dr. H. Karim, M. Si.

Imelda Indah Savitri (A1C115210)

UNIVERSITAS LAMBUNG MANGKURAT

FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN

JURUSAN MATEMATIKA DAN ILMU PENGETAHUAN ALAM

PROGRAM STUDI PENDIDIKAN MATEMATIKA

Penelitian dilakukan untuk mengetahui hubungan antara pembelian perlengkapan dan

penjualan dalam termuat dalam tabel berikut:

Regression Analysis: Yt versus Xt

The regression equation is

Predictor Coef SE Coef T P

S = 6.27202 R-Sq = 98.3% R-Sq(adj) = 98.2%

Obs Xt Yt Fit SE Fit Residual St Resid

R denotes an observation with a large standardized residual.