AUTOKORELASI
Disusun Oleh :
Jurusan Matematika
2019
KATA PENGANTAR
Penulis
i
Daftar Isi
Daftar Isi................................................................................................ ii
BAB I PENDAHULUAN
BAB II PEMBAHASAN
Daftar Pustaka
ii
BAB I
PENDAHULUAN
1.1 Latar Belakang
2
BAB II
PEMBAHASAN
E(ui, uj) ≠ 0; i ≠j
3
Sebaliknya, jika tidak terdapat ketergantungan atau tidak
adanya kesalahan pengganggu yang secara otomatis mempengaruhi
data berikutnya maka masalah autokorelasi tidak akan muncul. Hal
seperti itu dalam bahasa matematisnya dituliskan sebagai berikut:
E(ui, uj) = 0; i ≠j
2.2.1 Inersia
Model Seharusnya : 𝑌𝑡 = 𝛽1 + 𝛽2 𝑋2 + 𝛽3 𝑋3 + 𝛽4 𝑋4 + 𝑢𝑡
4
2.2.3Bias spesifikasi karena bentuk fungsional yang tidak
benar
Misalkan model yang benar adalah :
𝐵𝑖𝑎𝑦𝑎 𝑀𝑎𝑟𝑔𝑖𝑛𝑎𝑙𝑡 = 𝛽1 + 𝛽2 𝑜𝑢𝑡𝑝𝑢𝑡𝑡 + 𝛽3 𝑜𝑢𝑡𝑝𝑢𝑡𝑡2 + 𝑢𝑡
et adalah nilai residual yang dapat diperoleh dari prosedur OLS yang
biasa. Untuk perhitungannya dapat dilihat pada contoh dibawah.
Setelah memplotkan et terhadap t atau et dengan et-1, amati pola yang
terjadi. Jika terdapat pola-pola yang sistematis, maka diduga ada
autokorelasi. Sebaliknya, jika tidak terdapat pola yang sistematis (atau
bersifat acak), maka tidak ada autokorelasi.
Ada beberapa pola et ini, diantaranya sebagai berikut:
Tahun Y X Y thopi Et
7
2003 200 10,8 247,4652 -47,4652
0
residual t
1 3 5 7 9 11 13 15
-100
-200
Perhatikan pola yang terjadi pada plot residual ini. Terlihat adanya
pola siklus. Pada suatu periode, ketika et meningkat diikuti oleh
peningkatan et tahun berikutnya, dan pada periode lainnya ketika et
menurun diikuti oleh penurunan et tahun berikutnya. Ini menunjukkan
adanya autokorelasi positif
et et-1
-126,055 -84,79165
-
-163,433
126,05467
-
-94,9811
163,43349
-10,7602 -94,98106
-2,28627 -10,76023
73,38743 -2,28627
9
23,10331 73,38743
-60,1597 23,10331
-54,7701 -60,15971
-47,4649 -54,77012
49,55618 -47,46492
139,5562 49,55618
159,0611 139,55618
130,9768 159,06113
69,06113 130,97675
200
150
100
50
Axis Title
residual t-1
0
-200 0 200
-50 Linear
-100 (residual t-1)
-150
-200
Axis Title
10
Perhatikan pola yang terjadi pada plot residual ini, yang bergerak
dari kiri bawah ke kanan atas. Ini menunjukkan adanya autokorelasi
positif.
2. ⍺ = 5%
3. Kriteria Pengujian
11
Contoh Kasus :
𝑌 = 403,212 − 14,421 𝑋
𝑛
𝑡=2(𝑒𝑡 − 𝑒 𝑡−1 )2
𝐷= 𝑛 2
𝑡=1 𝑒𝑡
𝐷 = 0,3818
12
Batas bawah (Lower bound) : 𝑑𝐿
Batas atas (Upper bound) : 𝑑𝑈
5. Pengujian
6. Keputusan
Contoh :
Hipotesis :
H0 : residual random (tidak ada autokorelasi)
H1 : residual tidak random (ada autokorelasi)
Alpha = 5%
Kriteria Pengujian :
Tolak H0 jika nilai Asymp.sig.(2-tailed) < 0,05.
Pengujian
Diketahui :
(------)(++)(---)(+++++)
Maka :
r=4
N1=7
N2= 9
N=16
2𝑁1𝑁2
𝜇𝑟 = +1
𝑁1+𝑁2
14
2 7 9
𝜇𝑟 = +1
7+9
126
𝜇𝑟 = + 1 = 8,87
16
2𝑁1𝑁2 2𝑁1𝑁2−𝑁
𝜎𝑟 = √ 𝑁 2 𝑁−1
(2 7 9 )(2 7 9 )−16
𝜎𝑟 = √ 162 16−1
126 126−16
𝜎𝑟 = √ 256 15
13.860
𝜎𝑟 = √
3.840
𝜎𝑟 = √3,6 = 1,89
𝑟−𝜇𝑟
𝑍= 𝜎𝑟
4−8,87
𝑍= = −2,5
1,89
Dengan nilai :
F1 = 4
F2 = 14
r=4
15
Uji Lagrange Multiplier Test atau biasa disebut dengan istilah
Lagrangian Multiplier Test adalah analisis yang dilakukan dengan tujuan
untuk menentukan metode yang terbaik dalam regresi data panel, apakah
akan menggunakan common effect atau random effect.
Coefficientsa
Standardized
Unstandardized Coefficients
Coefficients
Model t Sig.
B Std. Error Beta
Interpretasi :
16
Tetapi, karena terdapat autokorelasi penaksir tadi tidak
lagi efisien (tidak mempunyai varians minimum) baik
dalam sampel kecil maupun besar asimtotik.
17
2. Meregresikan data tersebut
18
3. Membuat transformasi Lag_Residual
19
0,805 merupakan nilai koefisien korelasi yang nantinya akan
digunakan untuk mentransformasi nilai Lag(Y) dan nilai Lag(X)
menggunakan uji Cochrane-Orcutt.
20
6. Melakukan transformasi Lag(X)
21
8. Melihat apakaha data yang telah ditransformasi masih
berautokorelasi atau sudah terbebas dari gejala autokorelasi dengan
menggunakan uji run.
Hipotesis :
H0 : residual random (tidak ada autokorelasi)
H1 : residual tidak random (ada autokorelasi)
⍺ = 0,05
Kriteria Pengujian :
Tolak H0 jika nilai Asymp.sig.(2-tailed) < 0,05.
Penggujian
22
BAB III
PENUTUP
3.1 Kesimpulan
1. Definisi autokorelasi
E(ui, uj) ≠ 0; i ≠j
23
Penaksir OLS tidak bias, yaitu dalam penyampelan
berulang nilai rata-ratanya sama dengan nilai populasi
yang sebenarnya.
Penaksir tadi konsisten yaitu dengan meningkatnya
ukuran sampel secara terbatas, penaksir tadi akan jatuh ke
nilai yang sebenarnya.
Tetapi, karena terdapat autokorelasi penaksir tadi tidak
lagi efisien (tidak mempunyai varians minimum) baik
dalam sampel kecil maupun besar asimtotik.
3.2 Saran
24
Daftar Pustaka
25
26