Anda mungkin membaca buku ini karena Anda memiliki sumber data yang menarik dan Anda curiga

itu bukan yang linear. Entah Anda tahu itu nonlinier karena Anda memiliki gagasan tentang apa yang
sedang terjadi di dunia yang sedang Anda amati atau Anda merasa curiga bahwa itu karena Anda
telah mencoba analisis data linier dan Anda tidak puas dengan hasilnya. 1 Metode linear
menginterpretasikan semua struktur reguler dalam kumpulan data, seperti frekuensi dominan,
melalui korelasi linear (akan didefinisikan pada Bab 2 di bawah). Ini berarti, singkatnya, bahwa
dinamika intrinsik dari sistem ini diatur oleh paradigma awal bahwa sebab-sebab kecil mengarah
pada akibat-akibat kecil. Karena persamaan linear hanya dapat mengarah pada peluruhan secara
eksponensial (atau tumbuh) atau (teredam) secara periodik solusi, semua perilaku tidak teratur dari
sistem ini harus berkontribusi terhadap input eksternal secara acak ke sistem. Sekarang, teori chaos
telah mengajarkan kepada kita bahwa input acak bukan satu-satunya sumber ketidakteraturan
dalam output sistem: sistem nonlinear, chaotic dapat menghasilkan data yang sangat tidak teratur
dengan persamaan gerak deterministik murni dengan cara otonom, yaitu, tanpa input tergantung
waktu. Tentu saja, sistem yang memiliki keduanya, input nonlinier dan acak, kemungkinan besar
akan menghasilkan data yang tidak teratur juga. Meskipun kami belum memperkenalkan alat yang
kami butuhkan untuk membuat pernyataan kuantitatif, mari kita lihat beberapa contoh kumpulan
data nyata. Mereka mewakili masalah analisis data yang sangat berbeda di mana orang bisa
mendapat untung dari membaca buku ini karena perlakuan dengan metode linier saja tidak pantas.

pengaturan percobaan jelas bahwa sistem ini sangat non linier dan noise input acak diketahui
memiliki amplitudo sangat kecil dibandingkan dengan amplitudo sinyal. Dengan demikian tidak
diasumsikan bahwa penyimpangan sinyal hanya karena gangguan input. Bahkan, dimungkinkan
untuk memodelkan sistem dengan seperangkat persamaan diferensial yang tidak melibatkan
komponen acak sama sekali; lihat Flepp et al. (1991). Lampiran B.2 berisi rincian lebih lanjut tentang
kumpulan data ini. Nilai berturut-turut dari sinyal tampaknya sangat tidak menentu, seperti dapat
dilihat pada Gambar.1.1. Namun demikian, seperti yang akan kita lihat nanti, adalah mungkin untuk
membuat perkiraan akurat dari nilai-nilai masa depan dari sinyal menggunakan algoritma prediksi
non linier. Gambar 1.2 menunjukkan kesalahan prediksi rata-rata tergantung pada seberapa jauh ke
masa depan perkiraan dibuat. Cukup intuitif, semakin jauh ke masa depan perkiraan dibuat, semakin
besar akan ketidakpastian itu. Setelah sekitar 35 langkah waktu prediksi menjadi lebih buruk
daripada ketika hanya menggunakan nilai rata-rata sebagai prediksi (garis horizontal). Pada horizon
prediksi pendek, pertumbuhan kesalahan prediksi dapat didekati dengan baik oleh eksponensial
dengan eksponen 0,3, yang diindikasikan sebagai garis putus-putus. Kami menggunakan metode
prediksi sederhana yang akan dijelaskan pada Bagian 4.2. Sebagai perbandingan, kami juga
menunjukkan hasil untuk prediktor linier terbaik yang bisa kami cocokkan dengan data (persilangan).
Kami mengamati bahwa prediktabilitas karena korelasi linear dalam data jauh lebih lemah daripada
yang disebabkan oleh struktur deterministik, khususnya untuk waktu prediksi pendek. Prediktabilitas
sinyal dapat diambil sebagai tanda tangan sifat deterministik sistem. Lihat Bagian 2.5 untuk perincian
tentang metode prediksi linier yang digunakan. Struktur nonlinear yang mengarah pada
prediktabilitas jangka pendek dalam kumpulan data tidak terlihat dalam representasi seperti
Gambar 1.1. Namun, kita dapat membuatnya terlihat dengan memplot setiap titik data versus
pendahulunya, seperti yang telah dilakukan pada Gambar 1.3. Plot semacam itu disebut potret fase.
Representasi ini adalah aplikasi sederhana dari penyisipan waktu tunda, yang merupakan alat dasar
yang akan sering digunakan dalam analisis deret waktu nonlinear. Konsep ini akan diperkenalkan
secara resmi di Bagian3.2. Dalam kasus ini kita hanya perlu representasi data yang dapat dicetak
dalam dua dimensi

Analisis deret waktu nonlinear tidak mapan dan jauh kurang dipahami daripada rekan liniernya.
Meskipun kami akan melakukan segala upaya untuk menjelaskan perspektif dan keterbatasan
metode yang akan kami perkenalkan, penting bagi Anda untuk membiasakan diri dengan algoritma
dengan bantuan data buatan di mana hasil yang benar diketahui. Meskipun kami hampir secara
eksklusif menggunakan data eksperimental dalam contoh-contoh untuk menggambarkan konsep-
konsep yang dibahas dalam teks, kami akan memperkenalkan sejumlah model numerik dalam
latihan. Kami mendesak pembaca untuk memecahkan beberapa masalah dan menggunakan data
buatan sebelum benar-benar menganalisis deret waktu yang diukur. Merupakan ide yang buruk
untuk menerapkan algoritma yang tidak dikenal pada data dengan properti yang tidak dikenal; lebih
baik untuk berlatih pada beberapa data dengan sifat yang diketahui yang tepat, seperti jumlah titik
data dan laju pengambilan sampel, jumlah derajat kebebasan, jumlah dan sifat kebisingan, dll. Untuk
memberikan pilihan model populer, kami memperkenalkan peta logistik (Latihan 2.2), peta H´enon
(Latihan 3.1), peta Ikeda (Latihan6.3), peta tiga dimensi oleh Baier dan Klein (Latihan5.1), persamaan
Lorenz (Latihan 3.2) dan persamaan diferensial keterlambatan Mackey-Glass (Latihan 7.2). Berbagai
model kebisingan dapat dipertimbangkan untuk perbandingan, termasuk moving average (Latihan
2.1) dan model gerak Brown (Latihan 5.3). Ini hanya referensi untuk latihan di mana model
diperkenalkan. Gunakan indeks untuk menemukan bahan lebih lanjut.
Sekarang sepuluh tahun sejak makalah seminal Jim Hamilton tentang pemodelan nonlinier keluaran
A.S. diterbitkan. Sepuluh tahun ini telah menyaksikan ledakan minat di antara para ahli
ekonometrika dalam pengujian, estimasi, spesifikasi, dan sifat model nonlinier. Tujuan dari makalah
ini adalah untuk memberikan survei non-teknis dari perkembangan utama dan beberapa
pengamatan pada kesulitan pemodelan nonlinier yang sukses dalam ekonomi makro. Hal ini berguna
untuk memulai dengan memberikan motivasi untuk kebutuhan pemodelan nonlinier. 1970-an dan
1980-an melihat para ekonom mengadopsi banyak teknik deret waktu yang diperkenalkan oleh Box
dan Jenkins. Dasar untuk pendekatan pemodelan tersebut adalah Representasi Wold: setiap seri
waktu stasioner kovarian dapat dinyatakan sebagai fungsi rata-rata bergerak dari inovasi saat ini dan
masa lalu.

Ini rata-rata bergerak terbatas hampir selalu dapat didekati dengan baik oleh proses autoregresif
urutan rendah mungkin dengan beberapa komponen rata-rata bergerak. Lebih jauh, dinamika deret
waktu dapat 'dibaca' dari Representasi Wold karena 'mewakili fungsi respons impuls pada cakrawala
i. Mungkin akan muncul pertama kali di sini tanpa harus membawa perwakilan Wold. Namun,
seperti yang diilustrasikan dengan tepat berjudul “Forecasting White Noise,” oleh Clive Granger,
kurangnya autokorelasi dalam deret waktu tidak menyiratkan bahwa deret waktu tidak dapat
diprediksi. Memang beberapa deret waktu yang dapat diprediksi dengan sempurna tidak memiliki
autokorelasi sama sekali. Lebih lanjut, sementara Representasi Wold memberikan fungsi respons
impuls secara langsung, ia memberlakukan beberapa batasan kuat padanya. Pertama, fungsi respons
impuls tidak tergantung pada riwayat rangkaian waktu terbaru. Jadi, misalnya, respons terhadap
inovasi positif 1% adalah sama apakah tingkat pertumbuhan periode terakhir adalah 8% atau -8%.
Kedua, respons terhadap inovasi dibatasi homogen pada tingkat 1. Yaitu, begitu respons terhadap
guncangan ukuran 1 telah ditemukan, semua guncangan lain diberikan oleh pengukuran sederhana
dari respons ini. Pemodelan time series nonlinear yang sukses akan meningkatkan perkiraan dan
menghasilkan gagasan yang lebih kaya tentang dinamika siklus bisnis daripada model time series
linier. Agar ini terjadi, dua syarat diperlukan. Pertama, deret waktu ekonomi harus mengandung
nonlinier. Kedua, kita membutuhkan metode statistik yang andal untuk merangkum dan memahami
nonlinier ini yang cocok untuk deret waktu dari panjang makroekonomi yang khas. Sayangnya
kondisi kedua diperlukan untuk mengevaluasi kebenaran kondisi pertama dan seperti yang akan kita
lihat tidak jelas bahwa kita belum menemukan metode statistik yang andal. Organisasi makalah ini
adalah sebagai berikut: Saya mulai dengan menjelaskan tiga jenis model yang paling banyak
digunakan dalam literatur ekonomi dan teknik estimasi Klasik dan Bayesian dalam kasus-kasus
sederhana; masalah pengujian kemudian didiskusikan sehubungan dengan ketiga model ini; akhirnya
simulasi harapan bersyarat dijelaskan dan penggunaannya dalam pembangunan perkiraan dan fungsi
respons impuls.