MAKALAH EKONOMETRIKA

AUTOKORELASI

Disusun Oleh :
Nariswari Firjatullah D 135180053

PROGRAM STUDI AGRIBISNIS

FAKULTAS PERTANIAN
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
YOGYAKARTA
2020
 DAFTAR ISI

Daftar Isi ......................................................................................................................... ii

Daftar Tabel ....................................................................................................................... iii
Bab I Autokorelasi ……………................................................................................................ 1
1. Sifat Dasar Autokorelasi ............................................................................................... 1
2. Konsekuensi Adanya Autokorelasi ............................................................................... 1
3. Mendeteksi Autokorelasi ............................................................................................. 1
4. Tindakan Perbaikan Autokorelasi ............................................................................... 1
Daftar Pustaka ..................................................................................................................... 18

ii
 DAFTAR GAMBAR

Gambar 1. Tabel Kaidah Keputusan Durbin-Watson ……........................................................... 6

iii
 BAB I
AUTOKOLERASI

1. Sifat Dasar Autokorelasi

Autokorelasi adalah terjadi korelasi antara observasi ke- t dengan observasi ke- t-1.
Autokorelasi dikenal juga sebagai korelasi serial, maksudnya adalah korelasi antara serial
data atau antara data sebelum dengan data sesudahnya. Masalah autokorelasi ini
merupakan masalah error. Menurut Nawari (2010) Autokorelasi adalah terjadinya
korelasi antara kesalahan pengganggu ke –i (µi) dengan kesalahan pengganggu (µi-1).
Sedangkan menurut Gurajati autokorelasi dapat didefinisikan sebagai “korelasi antara
anggota serangkaian observasi yang diurutkan menurut waktu atau ruang”.
Sebagai contoh yaitu: misalkan sampel ke-20, nilainya dipengaruhi oleh sampel ke-
19. Sampel ke-19, nilainya dipengaruhi oleh sampel ke-18, dan seterusnya. Coba kita
perhatikan pada contoh tersebut, yaitu ada nilai selisih antara nilai observasi ke-18
dengan ke-19, nilai observasi ke-19 dengan ke-20, dan seterusnya.
Dalam konteks regresi, model regresi klasik mengasumsikan bahwa unsur
gangguan yang berhubungan dengan observasi tidak dipengaruhi oleh gangguan yang
berhubungan dengan observasi lain manapun. Maka autokorelasi merupakan
penyimpangan dari asusmsi klasik pada model regresi. Apabila asumsi autokorelasi
terjadi pada sebuah model prediksi, maka nilai disturbance tidak lagi berpasangan secara
bebas, melainkan berpasangan secara autokorelasi.
Menurut Gurajati (1978) terdapat beberapa penyebab yang dapat menimbulkan
autokorelasi diantaranya sebagai berikut :
a. Inersia; Data observasi pada periode sebelumnya dan periode sekarang
berkemungkinan besar terdapat saling ketergantungan (interdependence). Salah
satunya yaitu data time-series pada ekonomi seperti data pendapatan nasional, indeks
harga konsumen, data produksi yang menunjukkan adanya pola.
b. Bias Specification: Kasus variabel yang tidak dimasukkan; Hal itu terjadi karena
disebabkan oleh tidak masukkan variabel yang sangat penting peranannya dalam
menjelaskan variabel tak bebas. Bila hal ini terjadi, maka unsur pengganggu (error

iv
 term) μi akan merefleksikan suatu pola yang sistematis di antara sesama unsur
pengganggu, sehingga terjadi situasi autokorelasi di antara unsur pengganggu.

2. Konsekuensi Adanya Autokorelasi

Jika kita tetap menerapkan OLS dalam situasi autokorelasi, konsekuensi berikut
yang akan terjadi.
a. Jika kita mengabaikan autokorelasi dalam penduga OLS yang dihitung secara
konvensional dan variansnya penaksir/penduga tersebut masih tetap tidak efisien.
Oleh karena itu, selang keyakinannya menjadi lebar dan pengujian arti (signifikan)
kurang kuat
b. Jika kita tidak memperhatikan batas masalah autokorelasi dan terus menerapkan
formula OLS klasik (dengan asumsi tidak ada autokorelasi) maka konsekuensinya
akan lebih serius karena:
1) Estimasi standard error dan varian koefisien regresi yang didapat akan
‘underestimate’.
2) Pengujian t dan F yang biasa tidak lagi sah, dan jika diterapkan akan memberikan
kesimpulan yang menyesatkan dalam arti statistik dari koefisien regresi yang
ditaksir.
c. Penaksir OLS akan memberikan gambaran yang menyimpang dari nilai populasi yang
sebenarnya. Dengan perkataan lain, penaksir OLS menjadi sensitif terhadap fluktuasi
penyampelan.
d. Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang tidak
berhubungan menjadi berhubungan. Biasa disebut spourious regression. Hal ini
terlihat dari R2.
3. Mendeteksi Autokorelasi
a. Uji Durbin-Watson
Uji Durbin-Wason merupakan “rasio jumlah selisih kuadrat dalam residu
berurutan terhadap jumlah residu kuadrat (RSS)”. Deteksi autokorelasi dilakukan
dengan membandingkan nilai statiatik Durbin Watson hitung dengan Durbin Watson
tabel. Kaidah keputusan Durbin Watson pada gambar 1

v
 Gambar 1. Tabel Kaidah Keputusan Durbin-Watson

b. Uji Breusch-Godfrey(BG)
Uji Breusch-Godfrey disebut juga dengan Uji Lagrange-Multiplier (LM-test)
yang bisa dilakukan menggunakan aplikasi E-Views. Kriterianya adalah jika nilai
probabilitas lebih besar dari (>) σ = 5% berarti tidak terkena autokorelasi. sebaliknya
ketika nilai probabilitasnya lebih kecil atau sama dengan (≤) σ = 5% berarti terdapat
autokorelasi.
4. Tindakan Perbaikan Autokorelasi
Banyak cara dilakukan dalam transformasi untuk mengatasi masalah autokorelasi.
Pemilihan cara transformasi tersebut dipengaruhi oleh “diketahui atau tidak diketahuinya
koefisien autokorelasi (ρ).” Koefisien korelasi (ρ) disebut juga dengan istilah “Rho“.
a. Jika koefisien autokorelasi diketahui maka bisa diselesaikan dengan cara
transformasi.
b. Jika tidak diketahui maka cara penyelesaiannya dengan terlebih dahulu menaksir
koefisien autokorelasi melalui estimasi. Metode yang digunakan antara lain metode
Durbin Watson, Theil-Nagar, atau Cochrane-Orcutt.
1) Metode estimasi ρ (rho) yang didasarkan pada statistic Durbin-Watson.
2) Metode transformasi Cochrane Orcutt

vi
 DAFTAR PUSTAKA

Anonim. Uji Asumsi Klasik Uji Multikolinieritas dan Uji Autokorelasi. Diakses pada laman
http://fe.unisma.ac.id/MATERI%20AJAR%20DOSEN/APLIKOM/AriRiz/MA
%20Multikolinieritas%20Autokolinieritas.pdf pada 20 Oktober 2020.
Basuki, Ags Tri. 2016. Pengantar Ekonometrika (Dilengkapi Penggunaan Eviews). Danisa
Media. Yogyakarta
Gurajati, Damodar. 1978. Ekonometrika Dasar. Penerbit Erlangga. Jakarta.
Hidayat, Anwar. 2015. Cochrane Orcutt Mengatasi Autokorelasi. Diakses pada laman
https://www.statistikian.com/2015/01/cochrane-orcutt.html pada 19 Oktober
2020.
Hidayat, Anwar. 2017. Pengertian dan Penjelasan Uji Autokorelasi Durbin Watson. Diakses
pada laman https://www.statistikian.com/2017/01/uji-autokorelasi-durbin-watson-
spss.html#Pengertian_autokorelasi pada 20 Oktober 2020.
Huang, Ayat Hidayat. 2016. Pengertian Autokorelasi Positif dan negatif dengan SPSS.
Diakses pada laman https://www.en.globalstatistik.com/pengertian-autokorelasi-
positif-dan-negatif-dengan-spss/#:~:text=Dalam%20analisis%20regresi%20yang
%20menggunakan,dengan%20error%20terms%20dalam%20ekonometrik pada 19
Oktober 2020
Nawari. 2010. Analisis Regresi dengan MS excel 2007 dan SPSS 2017. PT Elex Media
Komputindo. Jakarta.

vii