Import data
1. Buka workfile baru dengan cara File > New > Workfile. Maka akan muncul
tampilan seperti berikut yang digunakan untuk menentukan deskripsi data.
o Data order: menetukan data yang excel berada dalam satu baris atau
satu kolom.
o Upper-left data cell: menetukan data cell(posisi) untuk data pertama
yang berada di excel. kalau data berdasarkan kolom yang paling atas
kalau data berdasarkan baris yang paling kiri
o Excel 5+ sheet name untuk menentukan sheet yang digunakan di
excel. kalau menggunakan sheet default bisa dikosongkan saja.
o Names: isikan nama data
4. maka akan muncul tampilan data yang digunakan. proses memasukkan data
sudah selesai
Identifikasi Model
2. uji stasioneritas.
2. Pilih file workfile yang akan digunakan. Dan selajutnya next-next aja. sehingga akan
menghasilkan data sebagai berikut.
3.
3. Klik dua kali salah satu variabel yang akan diuji. Hasilnya sebagai berikut:
4. Setelah ini kita akan melakukan langkah-langkah menetukan pengujian. Sesuai yang
dijelaskan pada materi sebelumnya. Ada beberapa cara untuk menentukan stasioneritas.
Maka pada tahap ini kita akan mencoba satu-satu.
a. Grafik
1. Pilih view, kemudian graph. Sesuai gambar berikut:
Setelah itu langsung ok aja. Kalau mau diubah-ubah bisa juga. Hasilnya sebagai berikut:
Berdasarkan gambar diatas terlihat bahwa adanya indikasi datanya stasioner. Hal itu terlihat
dari grafiknya berada disekitar rata-rata atau dengan kata lain rata-rata dan varians konstan.
b. Correlogram
1. Hampir sama dengan sebelumnya. Pilih view kemudian correlogram. Seperti gambar
berikut:
2. Kemudian muncul gambar berikut: pilih level untuk stasioner data level untuk 1st
difference untuk data first difference, dst. Sedangkan untuk lag-nya untuk melihat sampai
lag keberapa mau dilihat. Berbeda dengan SPSS, EViews bisa ditentukan sendiri lag-nya.
Berdasarkan hasil tersebut terlihat bahwa correlogram secara cepat menuju nol, sehingga
dikatakan datanya stasioner. Dilihat Q-stat terlihat bahwa nilainya signifikan artinya datanya
stasioner sesuai dengan materi sebelumnya.
Kali ini kita melangkah ke uji formal yang biasa kita gunakan dalam penelitian ilmiah. Disini
ada beberapa metode yang akan digunakan sehingga akan dibahas masing-masing.
1. Sama dengan sebelumnya. Dengan view dan unit root.
2. Kemudian menetukan metode apa yang digunakan. Dan model apa yang digunakan. Kali
ini kita menggunakan 3 metode yaitu DF, ADF, Philips-peron. Sedangkan untuk medolnya
bisa dicoba-coba.
a. DF (Dickey-Fuller)
Berdasarkan hasil tersebut terlihat bahwa nilai ADF lebih kecil dari nilai kritisnya sehingga
tolak h0 sehingga datanya stasioner.
c. Philips perron
Berdasarkan hasil tersebut data masih menunjukkan stasioner, tapi signifikan pada 5%.
8. Pada kotak Series name isikan nama series, yaitu ihsg, pilih level, kemudian
klik OK. Berikutnya akan ditampilkan kotak dialog seperti pada Gambar
berikut:
9. Setelah klik OK, maka akan ditampilkan plot autokorelasi dan autokorelasi
parsial sebagai berikut:
10. dari plot autokorelasi(ACF) dan plot autokorelasi parsial(PACF), terlihat bahwa
kedua gambar mengalami cutoff (turun drastis) pada baris pertama seperti
ditunjukkan pada kotak hijau. Untuk penjelasan lengkap jika ada yang
bentuknya berbeda silahkan kesini materi arima.
11. jika cutoff pada ACF dan PACF maka kemungkinan pertama p=1 dan q=0
kemudian kemungkinan kedua p=0 dan q=1. sehingga jika digabung dengan
d yang sudah diketahui nilainya. maka kemungkinan ARIMA(p,d,f) adalah
ARIMA(1,0,0) bisa disingkat AR(1) atau model ARIMA(0,0,1) bisa disingkat
MA(1).
Estimasi Model
1. pada ARIMA kita menggunakan trial dan error untuk menentukan model
terbaik. sehingga dilakukan estimasi untuk keduanya. contoh dibawah ini
menggunakan kemungkinan pertama yaitu p=1,d=0 dan q=0 atau AR(1)
2. langkah selanjutnya adalah pilih Quick > estimate equation. sehingga akan
diperoleh dialog berikut.
3. pada equation specification untuk diisi dengan urutan seperti gambar diatas
berikut penjelas:
1. ihsg : sebagai nama data yang digunakan, tinggal diganti jika namanya
beda. kemudian jika pada model yang digunakan d lebih besar dari 1.
tinggal ditambahkan d(). contoh untuk d=1 maka menjadi d(ihsg), jika
d=2 maka menjadi d(d(ihsg)), dst.
2. c : sebagai konstanta, setelah nama data harus diisi c sebagi konstanta,
3. ar(1) : sebagai nilai p,q tadi. ar menyatakan nilai p dan ma menyatakan
nilai q. untuk kemungkinan pertama dimana p=1 dan q=0 maka
menjadi ar(1)ma(0). tapi karena nilai ma=0 maka dihapus saja jadi
tinggal ar(1).
4. Setelah itu klik ok, maka akan muncul hasil seperti berikut.
Dependent Variable: INFLASI
Method: Least Squares
Date: 02/02/19 Time: 12:57
Sample: 2005M01 2018M12
Included observations: 168
Convergence achieved after 6 iterations
MA Backcast: 2004M12
Caranya dengan pilih View > Residual tests > Correlogram-Q- Statistic. maka
akan muncul output seperti berikut.
Interpretasi dari hasil diatas. terlihat bahwa prob. terdapat nilai yang
signifikan artinya lebih kecil dari 0,05(alpha) pada beberapa lag. sehingga bisa
dikatakan model tidak cocok. tapi untuk beberapa lag kemudian menunjukkan tidak
signifikan walaupun begitu sepemahaman saya tetap tidak cocok. dalam
menggunakan minitab untuk arima dalam outputnya menggunakan beberapa lag
tertentu saja hanya lag 12, 24, 36 dan 48 yang dicantumkan sehingga apabila dicoba
dengan minitab mungkin bisa memenuhi.
Setelah dilihat hasilnya diperoleh bahwa model terbaik adalah AR(1) karena
memenuhi dari kriteria di atas .
3. Memilih model terbaik yang sesuai dengan beberapa asumsi-asumsi, yang akan
saya jelaskan setelah ini.
Model-Model ARIMA:
1. Model AR(p)
Adalah model yang melihat pengaruh data sekarang (Yt) dengan data sebelumnya
(Yt-1)
1. Model AR(p)
Model AR(p) menjadi yang terbaik jika plot ACF mengalami dice down, dan PACF cut
off setelah lag p.
Ilustrasi :
Plot ACF dice down
Adalah metode membuat model time series dan memperhalus data yang dibuat
data-data secara berurutan dari sekelompok data.
Model MA(q) menjadi pilihan yang terbaik, jika plot ACF cut off, sementara plot PACF
dice down.
Ilustrasi:
3. Model ARMA(p,q)
Model ARMA(p,q) menjadi pilihan yang terbaik, jika plot ACF dan PACF cut off.
Plot ACF cut off pada lag 1.
Trivia :
ARIMA(1,1,2) adalah model ARMA (1,2) yang dilakukan pada data First Difference.
e start our example from the simulation of ARMA process and then we take a look
at its estimation. In order to illustrate the statements in Table 3.1, let us simulate
AR(3), MA(2) and ARMA(3 2) processes and compute their autocorrelation and
partial autocorrelation functions.
In particular, we simulate
series u=0.5*nrnd
Also, we have to generate initial values for the series. Since the highest order of the
series is 3, let us generate first three values. This can be done by setting sample to
only fist three observations and assign zero values to all of three series.
series y1=0
series y2=0
series y3=0
Now, we set the sample for the rest of observations and generate series according
to formulae (3.3.2)
Now, we are ready to build and inspect their correlograms. Remind, that in order
to build a correlogram, one should click on the icon if the time series being
investigated and choose View/Correlogram... option. The correlograms of three time
series is given on Figures ??-??.
in the estimation equation box. EViews produces an output given in Figure ?? All
coefficients are significant as expected and are very close to the true values.
Figure 3.3: Correlogram of an ARMA(3, 2) process
Inference and tests can be performed in the same way as it was done for the OLS
regression.
After having estimated an ARMA model, one can check whether the estimated
coefficients satisfy the stationarity assumptions. This can be done through
View/ARMA structure of the Equation object. For the third series we obtain
Figure 3.5: Table of the roots of the estimated ARMA process It says that our
ARMA series is both stationary and invertible.
Programming example
If we had not known the order of the ARMA series, we would need to apply one of
the information criteria to select the most appropriate order of the series. The
following program illustrates how this can be done using the Akaike criterion.
First we need to define the maximal orders for autoregressive and moving average
parts and store them into variables pmax and qmax. Also we need to declare a matrix
object where the values of the Akaike statistic will be written for each specification
of the ARMA process.
smpl @all
scalar pmax=3
scalar qmax=3
Next, we define nested loops which will run through all possible ARMA
specification with orders within the maximal values.
As the number of lags included in the model increases we add a new AR term in
the model. For this purpose we create a new string variable textsf%order containing
the model specification.
The last command nullify the variable %order for the use in the next step of the
loops. Now we can write the value of the Akaike criterion for the current in the table.
After the program run, the values of the Akaike criterion are stored in the table aic.
Now we can choose that specification of the ARMA model which produces the
smallest AIC value.
ARIMA Menggunakan Eviews
Berikut data bulanan ROA bank umum syariah dari Januari 2009 hingga April 2014.
Buatlah model ARIMA dari data berikut:
Pada level
α=0.1
t-Statistic Prob.*
Pada diffrence I
*Pada Difference I
α=0.1
t-Statistic Prob.*
Sehingga model yang memungkinkan adalah ARI(1), IM(1), ARIMA (1), dst dan data
yang digunakan ada difference I
Model ARI(1)
Klik menu quick estimate equation pada specification ketik: “d(roa) c ar(1)
“ OK
Model IMA(1)
Klik menu quick estimate equation pada specification ketik: “d(roa) c ma(1)
“ OK
-
R-squared 0.057933 Mean dependent var 0.016190
Adjusted R-squared 0.042490 S.D. dependent var 0.352642
S.E. of regression 0.345069 Akaike info criterion 0.741084
Sum squared resid 7.263414 Schwarz criterion 0.809120
Log likelihood -21.34416 Hannan-Quinn criter. 0.767843
F-statistic 3.751265 Durbin-Watson stat 1.794478
Prob(F-statistic) 0.057403
Model ARIMA(1)
Klik menu quick estimate equation pada specification ketik: “d(roa) c ar(1)
ma(1) “ OK
-
R-squared 0.137502 Mean dependent var 0.017097
Adjusted R-squared 0.108265 S.D. dependent var 0.355447
S.E. of regression 0.335654 Akaike info criterion 0.701707
Sum squared resid 6.647164 Schwarz criterion 0.804633
Log likelihood -18.75292 Hannan-Quinn criter. 0.742118
F-statistic 4.702992 Durbin-Watson stat 1.958051
Prob(F-statistic) 0.012731
Inverted MA
Roots .97
Pemilihan model yang terbaik adalah model yang signifikan, nilai r-square besar,
serta AIC dan SC yang terkecil sehingga model yang terpilih adalah model
ARIMA(1,1)