MODEL STASIONERITAS

1. Konsep Stasioneritas

a. Proses Stokastik
 Proses stokastik atau random adalah koleksi dari variabel random berdasarkan waktu.
 Jika Y variabel random, maka :
o Y(t) = kontinue
o Yt* = diskret
 Contoh variabel kontinue adalah elektrodiogram dan contoh variabel diskret adalah
GDP,DPI, dan lainnya.
 Jika data sample digunakan untuk mendapatkan kesimpulan mengenai populasi, dalam data
time series, kita menggunakan data realisasi untuk menggambarkan kesimpulan mengenai
proses stokastik.

1. Proses Stokastik Stasioner

 Stokasik stasioner adalah tipe proses stokastik yang telah menerima perhatian
khusus dan penelitian dengan cermat oleh analisis time series.
 Proses stokastik dikatakan stasioner jika rerata dan variansnya adalah konstan
antar waktu dan nilai dari covarians antara dua periode waktu bergantung hanya
pada jarak antara dua periode waktu dan bukan pada waktu aktual dimana
kovariansya dihitung (disebut sebagai stasioner lemah)
 Stasioner lemah, Yt adalah stokastik time series dengan sifat :

Dimana Yk kovarians (autocovarians) antara nilai dari Y t pada lag k

Yt+k yaitu antara dua nilai ydengan periode k terpisah (varians dari Y = σ2 )
Y1 merupakan kovarians antara dua nilai yang berdekatan dari Y

 Proses stasioner tidak akan terlalu jauh dari nilai reratanya karena varians yang
terbatas.
 Dalam proses stasioner kecepatan dari kembalinya rerata bergantung pada
autokovarians yaitu akan cepat jika autokovarians kecil dan lambat ketika
autokovarians jadi besar.
 Stasioneritas time series sangat penting agar kita dapat mempelajari tingkah laku
beberapa periode.
 Tipe special proses stokastik (time series) : Purely random (white noise process) :
rerata=0, varians konstan (σ2 ) dan tidak berkorelasi serial.

2. Proses Stokastik Non-Stasioner

Sering dikatakan sebagai Random Walk Model (RWM). Terdapat dua tipe yaitu :
a. Random Walk dengan Penyimpangan.
  Ciri-ciri Random Walk Model adalah konsistensi yang terus-menerus
(persisten) dari random shocknya (misalkan random error).
 Model ini dikatakan mempunyai memori yang tidak terbatas (infinite
memory) karena random walk tetap mengingat shock selamanya.
 Misalkan ut adalah eror dengan rerata 0 dan varians σ2 . Lalu dari data
Yt dikatakan menjadi random walk apabila (Model RWM tanpa
penyimpangan) :
Yt = Yt−1 + ut (21.3.4)
Dapat ditulis sebagai persamaan :

Model AR (1) : ditunjukkan dari nilai Y pada waktu pada waktu t

adalah sama dengan nilainya pada saat waktu (t-1) ditambahkan
random shock (gangguan); model ini dianggap sebagai regresi dari Y
pada waktu t terhadap nilainya pada lag satu periode waktu.

 Dari persamaan 21.3.4 kita dapat menulis :

Y1 = Y 0 + u1
Y2 = Y1 + u2 = Y0 + u1 + u2
Y3 = Y2 + u3 = Y0 + u1 + u2 + u3
 Kemudian secara umum jika proses tersebut dimulai pada waktu ke 0
dengan nilai dari Y0, maka :
Yt = Y0 + ∑ut
Jumlah Y0 awal ditambah jumlah dari random shock,
sehingga menjadi persamaan berikut :

Karena dalam bentuk lain dapat ditunjukkan bahwa

var (Yt) = tσ2

 Bentuk tersebut melanggar stasioneritas karena dalam bentuk stasioner

rerata dari Y adalah sama dengan nilai awalnya, sehingga bersifat
konstan. Namun, dalam model diatas, jika t bertambah, variansnya juga
akan bertambah tidak terbatas, sehingga RWM tanpa penyimpangan
merupakan proses stokastik non-stasioner.
 Y0 sering ditetapkan sebagai 0 dalam kasus E(Yt)=0

b. Random Walk with Drift

Memodifikasi persamaan (21.2.4) menjadi persamaan berikut, sebagai model
RWM dengan penyimpangan :
 Yt = δ + Yt−1 + ut
Dimana δ dikenal sebagai parameter penyimpangan (drift parameter).
oleh sebab itu disebut random walk dengan model penyimpangan.
Yt − Yt−1 = ∆Yt = δ + ut
E(Yt) = Y0 + t • δ
var (Yt) = tσ2
Dalam RWM penyimpangan, rerata sekaligus varians bertambah sepanjang
waktu sehingga melanggar persyaratan stasioneritas (lemah). Oleh sebab itu
RWM dengan atau tanpa penyimpangan merupakan proses stokastik non-
stasioner karena rerata Y tidak bersifat konstan.

2. Model Trend Stasioner (TS) dan Difference Stasioner (DS)

 Perbedaan antara proses stokastik stasioner dan nonstasioner mempunyai dasar apakah
tren yang diobservasi (perkembangan jangka pendek dari time series yang sedang dibahas)
dalam time series yang dibentuk dalam figur 21.3 dan 21.4 adalah deterministik atau
stokastik.
 Trend deterministik : Jika trend dalam time series deterministik oleh waktu (seperti
waktu,waktu kuadrat dan lainnya)
 Tren Stokastik : Jika time series tersebut tidak bisa diprediksi
 Berikut ini model time series Yt :
Yt = β1 + β2t + β3Yt−1 + Ut (21.5.1)

Dimana ut adalah galat white noise dan t adalah waktu yang diukur secara runtut. Maka
terdapat beberapa kemungkinan :
1. Random Walk Murni (Pure Random Walk)
Jika dalam persamaan (21.5.1) β1 = 0, β2 = 0, β3 = 0, maka diperoleh :
Yt = Yt-1 + Ut (21.5.1)

RWM tanpa penyimpangan dan

tidak stasioner
Namun, jika ditulis sebagai persamaan berikut :
∆Yt = (Yt – Yt-1) = Ut

∆ merupakan turunan pertama Yt,

sehingga akan menjadi stasioner.
RWM tanpa
Oleh sebab itu, RWM tanpa penyimpangan
penyimpangan dan
merupakan Difference Stasionary Process
(DSP). tidak stasioner

2. Random Walk dengan penyimpangan jika dalam persamaan 21.5.1 β1 ≠ 0, β2 = 0, β3

= 1, kita memperoleh :
 Yt = β1 + Yt−1 + ut (21.5.3)

RWM dengan penyimpangan

sehingga tidak stasioner
Dituliskan sebagai
Yt -Yt−1 = ∆Yt = β1 + ut (21.5.3a)
Artinya, Yt akan menunjukkan tren (β1 > 0) positif (β1 < 0) negatif . Tren tersebut
dinamakan tren stokastik Persamaan 21.5.3 adalah proses DSP karena nonstasioner
dalam Yt dapat dieliminasi dengan menggnakan turunan pertama dari time series.
3. Trend Deterministik (deterministic trend)
Jika dalam persamaan 21.5.1 β1 ≠ 0, β2 ≠ 0, β3 = 1, kita memperoleh
Yt = β1 + β2t + ut (21.5.4)

TSP (Trend Stationary Process)

Walaupun rerata dari Yt = β1 + β2t sehingga tidak konstan, variansnya adalah
konstan (=σ2 ) Jika nilai β 1 dan β 2 diketahui reratanya maka dapat diestimasi
dengan sempurna. Oleh karena itu , jika kita mengurangi rerata Yt dari Yt* hasilnya
akan menjadi stasioner dan karenanya dinamakan tren stasioner. Prosedur untuk
menghilangkan tren deterministik disebut dengan detrending.

4. Random Walk dengan Penyimpangan dan Tren Deterministik

Jika dalam persamaan 21.5.1 β1 ≠ 0, β2 ≠ 0, β3 = 1, kita memperoleh
Yt = β1 + β2t + Yt−1 + ut (21.5.5)
Dalam kasus ini kita memiliki random walk dengan penyimpangan dan tren
dterministik yang dapat dilihat persamaannya sebagai berikut :
∆Yt = β1 + β2t + ut (21.5.5a)
Artinya bahwa Yt adalah tidak stasioner.

5. Tren deterministik dengan AR(1)

komponen stasioner : Jika dalam persamaan 21.5.1 β1 ≠ 0, β2 ≠ 0, β3 < 1, kita
memperoleh :
Yt = β1 + β2t + β3Yt−1 + ut
Yaitu stasioner disekitar tren deterministik.

3. Aplikasi Model
1. Analisis Grafik
 Dari gambar tersebut terlihat bahwa sepanjang periode pembahasan log dari GDP
meningkat, yaitu menunjukkan tren meningkat, mengindikasikan kemungkinan
bahwa rerata dari log GDP telah berubah. Hal ini mungkin memberi kesan bahwa
rangkaian dari dari log GDP tidak stasioner. Hal ini juga lebih kurang menunjukkan
hal yang sama terhadap data runtun waktu ekonomi Amerika Serikat sebagaimana
ditunjukkan dalam gambar 21.2.
2. Autocorrelation Function (ACF) dan Correlogram
ACF pada lag k dilambangkan oleh pk, didefinisikan sebagai

(21.8.1)

Di mana kovarians pada lag k dan varians didefinisikan jika k = 0, p0 = 1 karena kedua
covarians dan varians diukur dalam unit pengukur yang sama, pk tidak mempunyai unit,
atau murni, angka. Nilainya diantara -1 dan +1, seperti koefisien korelasi lainnya.
Jika kita menggambarkan pk terhadap k, grafik yang kita peroleh dikenal sebagai
population correlogram.

Karena dalam praktik kita hanya mempunyai realisasi (misalkan sampel) dari proses
stokastik, kita hanya dapat menghitung sample autocorrelation function (SAFC), ^pk.
Untuk menghitung ini, pertama kali harus menghitung kovarians sampel pada lag k, γ^ k,
dan varians sampel, γ^ 0, yang didefinisikan sebagai:

Dimana n adalah ukuran sampel dan γ^ adalah rerata sampel.

Oleh karena itu, fungsi autokorelasi sampel (SAFC) pada lag k adalah:
 (21.8.4)

Sederhananya adalah ratio dari covarians sampel (pada lag k) terhadap varians sampel.
Gambar dari ^pk terhadap k diketahui sebagai sample correlation.

3. Signifikansi Statistik dari Koefisien Autokorelasi

Signifikansi secara statistik dari ^pk apapun bisa ditentukan dengan standar errornya.
Bartlett telah menunjukkan jika sebuah time series murni random, yaitu ketika terjadi
white noise (lihat gambar 21.6), koefisien autokorelasi sampel adalah mendekati.

(21.8.5)

Pada sampel besar, sampel koefisien autokorelasi terdistribusi secara normal dengan
rata-rata nol dan varians sama dengan satu dibagi ukuran sampel. Karena kita memiliki
88 observasi, variansnya adalah 1/88 = 0,01136 dan standar error adalah akar0,01136 =
0,1066. Kemudian mengikuti persyaratan dari distribusi normal standar, interval tingkat
keyakinan 95% untuk populasi adalah :

(21.8.6)
Dengan kata lain,

(21.8.7)
Pada interval sebelumnya melibatkan nilai nol, kita tidak menolak hipotesis
bahwa pk yang sesungguhnya adalah nol, tetapi jika interval tidak melibatkan 0,
kita menolak hipotesis bahwa pk sesungguhnya adalah nol. Mengaplikasikan ini
untuk mengestimasi nilai dari ^p10 = 0,638, pembaca dapat memverifikasi bahwa
95% interval keyakinan untuk ^p10 sesungguhnya adalah (0,638+_0,2089) atau
(0,4291;0,8469). Tentu saja interval ini tidak termasuk nilai nol, yang berarti
bahwa kita 95% yakin bahwa nilai ^p10 yang sesungguhnya secara signifikan
berbeda dengan nol. Sebagaimana bisa Anda periksa sendiri, bahkan pada lag 20,
estimasi ^p10 adalah signifikan secara statistik pada level 5%.
Daripada menguji signifikansi secara statistik dari koefisien autokorelasi
individual apapun, kita akan menguji hipotesis gabungan bahwa semua pk hingga
pada lag tertentu secara simultan adalah sama dengan nol. Ini bisa dilakukan
menggunakan statistik Q yang dibuat oleh Box dan Pierce, yang didefinisikan
sebagai

(21.8.8)
 Di mana n = ukuran sampel dan m = panjang lag. Statistik Q sering digunakan
sebagai sebuah pengujian apakah sebuah time series adalah white noise.
Statistik ini pada sampel besar didistribusikan mendekati sebagai distribusi chi-
square dengan derajat kebebasan m. pada aplikasinya, jika Q hitung melebihi Q
kritis dari distribusi chi-square pada level signifikansi yang dipilih, kita dapat
menolak hipotesis nol bahwa semua pk (yang sesungguhnya) adalah nol; paling
tidak beberapa dari mereka tidak nol.

Sebuah variasi dari statistik Q Box-Pierce adalah statistik Ljung-Box (LB), yang
didefinisikan sebagai

(21.8.9)
Meski pada sampel besar statistik Q dan LB sama-sama mengikuti distribusi chi-
square dengan derajat kebebasan m, statistik LB terbukti lebih baik (kuat, secara
statistik) pada sampel kecil daripada statistik Q.

4. Interpretasi Hasil
1. Uji Unit Root
(21.4.1)Yt = ρYt-1 + ut -1≤ ρ ≤ 1
Jika langsung meregresi Yt terhadap variabel lag (satu periode nya) Yt-1 dan ditemukan ρ secara
statistic = 1, maka Yt adalah non – stasioner. Namun, tidak bisa mengestimasi langsung
persamaan (21.4.1) dengan OLS dan menguji hipotesis ρ =1 dengan uji t biasa.
(21.9.1) Yt – Yt-1 =ρYt-1 – Yt-1 + ut
=(ρ-1)Yt-1 + ut
Atau dapat ditulis sebagai:
(21.9.2) ∆ Yt = δYt-1 + ut

Daripada mengestimasi persamaan (21.4.1), kita dapat mengestimasi persamaan (21.4.2) dan
menguji hipotesa nol adalah δ = 0, hipotesa alternatif adalah δ ¿ 0. Kita memiliki unit root,
artinya data time series yang digunakan tidak stasioner.
Mengestimasi persamaan (21.9.2) didahului dengan mencari selisih dari Y t kemudian
meregresikan terhadap Yt-1. Kemudian dilihat estimasi koefisien (δ) sama dengan 0 atau tidak.
Jika koefisien (δ) = 0 maka Yt adalah nonstasioner, namun jika negative maka Yt adalah stasioner.

Pertanyaannya uji manakah yang akan digunakan untuk mengetahui koefisien Y t-1 dari
persamaan (21.9.2) ?
Dickey dan Fuller telah menunjukkan bahwa hipotesis nol yaitu δ=0, estimasi nilai t dari
koefisien Yt-1 dari persamaan (21.9.2) mengikuti statistic tau (τ). Dalam uji DF, hipotesis nol
adalah δ=0 ditolak (data time series bersifat stasioner) maka kita dapat menggunakan uji t
(student) biasa.
Uji DF diestimasi ke dalam 3 bentuk dengan 3 macam hipotesa nol :
 (21.9.2) Yt adalah
random walk : ∆ Yt =
δYt-1 + ut
(21.9.4) Yt adalah
random walk dengan drift: ∆ Yt =β1
+ δYt-1 + ut
(21.9.5) Yt adalah
random walk dengan drift
diantara sebuah
tren deterministic : ∆ Yt =β1
+ β2t + δYt-1 + ut
Dalam masing – masing kasus hipotesanya adalah :
> Hipotesa nol : H0 : δ = 0 (yaitu terdapat sebuah unit root / time series tidak stasioner / memiliki
sebuah tren stokastik)
> Hipotesa alternatif : H1 : δ¿ 0 ( yaitu time series stasioner, mungkin dalam sebuah tren
deterministic).