Ekonometrika Terapan (EKS324)

PERTEMUAN II
➢ Time Series, secara umum adalah data yang terdiri dari suatu indikator/variabel yang
menggambarkan karakteristik suatu entitas yang terdiri dari beberapa waktu periode.
Secara statistik, time series adalah rangkaian variabel acak yang disusun berdasarkan
waktu. Time series mempunyai beberapa komponen, yaitu:
1. Trend : data yang mengalami naik atau turun dari waktu ke waktu
2. Musiman : data yang mengalami naik atau turun secara berulang dengan
pola yang tetap dari waktu ke waktu
3. Siklikal : data yang mengalami naik atau turun secara berulang tapi
dengan rentang waktu yang bervariasi.
4. Irreguler : kondisi data yang tidak beraturan.
➢ Structural Break adalah kondisi dimana ketika data meningkat secara pesat hingga
mencapai puncak dan menurun secara tajam pada waktu tertentu lalu bangkit kembali
ke titik puncak dalam waktu yang cukup lama.
➢ Volatilitas Data adalah data yag mempunyai trend yang berfluktuasi.
➢ Stasioner adalah sebuah data yang sudah tidak lagi mengalami autokorelasi. Suatu data
dikatakan stasioner, jika:
1. Menunjukkan mean reversion, artinya data berfluktuasi di sekitar rata-rata
jangka panjang yang konstan (rata-rata yang konstan)
2. Memiliki varian terbatas yang bersifat time-invariant (varian yang konstan)
3. Memiliki korelogram yang semakin berkurang seiring bertambahnya panjang
lag (kovarian yang konstan)
➢ Stasioner diperlukan karena apabila kita mengolah data time series yang tidak stasioner
dengan regresi, data akan mengalami spurious regression. Spurious Regression adalah
regresi yang menyesatkan dimana regresi tersebut memiliki nilai Rsquare, Tstat, dan
Fstat yang tinggi namun memiliki nilai Durbin Watson (dw) yang rendah. Cara menguji
apakah data tersebut stasioner atau tidak bisa menggunakan uji-uji akar unit, yaitu:
1. Dicky-Fuller (DF) Test
2. Augmented Dicky-Fuller (AFD) Test
3. Phillips Perron (PP) Test
4. Kwiatkowski-Phillips-Schimdt-Shin (KPSS) Test
➢ Namun, dalam prakteknya, kita menggunakan AFD Test untuk menguji apakah data
tersebut stasioner atau tidak. Data dikatakan stasioner apabila nilai probablitasnya lebih
kecil dari pada 0,01 atau 0,05 atau 0,1 [𝑃𝑟𝑜𝑏 < 0,01 𝑎𝑡𝑎𝑢 0,05 𝑎𝑡𝑎𝑢 0,1] . Semua itu
tergantung pada taraf nyata yang kita gunakan.

Muhammad Izet Budiansyah | H54150015

Ekonometrika Terapan (EKS324)

PERTEMUAN III
➢ Autoregressive adalah model yang meregresikan dengan dirinya sendiri.
➢ Moving Average adalah model hubungan ketergantungan antara nilai pengamatan 𝑦𝑡
dengan nilai kesalahan di masa lalu.
➢ Autoregressive Integrated Moving Average (ARIMA) adalah analisis deret waktu yang
sering disebut dengan Box-Jenkins. Dalam analisisnya, ARIMA menggunakan nilai
masa lalu dan sekarang serta mengabaikan masalah dependensi dari variabel lain.
ARIMA ini sangat akurat apabila digunakan untuk peramalan jangka pendek.
➢ Tahapan prosedur Box-Jenkins:
1. Identifikasi model tentatif. Pada langkah ini ingin melihat tentang pola data,
kestasioneran data, serta perilaku ACF dan PACF.
2. Estimasi model
3. Evaluasi model
4. Peramalan
➢ Identifikasi model:
1. Pola data. Pada bagian ini, kita melihat apakah data mempunyai bentuk trend
atau tidak.
2. Stasioner data. Pada bagian ini, kita mengetes data dengan unit root test
menggunakan AFD Test. Jika data stasioner di level, maka model yang akan
terbentuk AR, MA, dan ARMA Jika data stasioner di 1st differencing atau 2nd
differencing, maka model yang akan terbentuk adalah ARI, IMA, dan ARIMA.
3. Perilaku ACF dan PACF. Pada bagian ini, kita melihat apakah ACF dan PACF
mengalami cuts off atau dying down. Jika ACF mengalami dying down dan
PACF mengalami cut off, model yang akan dihasilkan adalah AR. Jika ACF
mengalami cut off dan PACF mengalami dying down, model yang akan
dihasilkan adalah MA. Sedangkan jika ACF dan PACF mengalami dying down,
model yang akan dihasilkan adalah ARIMA.
➢ Estimasi model. Penentuan model sangat tergantung dengan memperhatikan pola ACF
dan PACF. Plot ACF dan PACF sangat berguna dalam memprediksikan orde p dan q
(AR dan MA). Pola umum ACF dan PACF dapat dibagi menjadi tiga, yaitu koefisien
korelasi sama dengan 0 untuk semua beda akal, koefisien korelasi yang cut off, dan
koefisien korelasi yang dying down.
1. Autoregresif (AR)
𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ∅𝑞 𝑍𝑡−𝑞 + 𝜀𝑡
𝑚𝑜𝑑𝑒𝑙 𝑖𝑛𝑖 𝑏𝑒𝑟𝑑𝑎𝑠𝑎𝑟𝑘𝑎𝑛 𝐴𝐶𝐹 𝑦𝑎𝑛𝑔 𝑑𝑦𝑖𝑛𝑔 𝑑𝑜𝑤𝑛 𝑑𝑎𝑛 𝑃𝐴𝐶𝐹 𝑦𝑎𝑛𝑔 𝑐𝑢𝑡 𝑜𝑓𝑓
2. Moving Average (MA)
𝑍𝑡 = 𝜃0 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 + 𝜃𝑝 𝜀𝑡−𝑝 + 𝑉𝑡
𝑚𝑜𝑑𝑒𝑙 𝑖𝑛𝑖 𝑏𝑒𝑟𝑑𝑎𝑠𝑎𝑟𝑘𝑎𝑛 𝐴𝐶𝐹 𝑦𝑎𝑛𝑔 𝑐𝑢𝑡 𝑜𝑓𝑓 𝑑𝑎𝑛 𝑃𝐴𝐶𝐹 𝑦𝑎𝑛𝑔 𝑑𝑦𝑖𝑛𝑔 𝑑𝑜𝑤𝑛
3. ARIMA
𝑍𝑡 = ∅0 + ∅1 𝑍𝑡−1 + ∅2 𝑍𝑡−2 + ∅𝑞 𝑍𝑡−𝑞 + 𝜃0 + 𝜃1 𝜀𝑡−1 + 𝜃2 𝜀𝑡−2 + 𝜃𝑝 𝜀𝑡−𝑝
+ 𝑈𝑡
𝑚𝑜𝑑𝑒𝑙 𝑖𝑛𝑖 𝑏𝑒𝑟𝑑𝑎𝑠𝑎𝑟𝑘𝑎𝑛 𝐴𝐶𝐹 𝑑𝑎𝑛 𝑃𝐴𝐶𝐹 𝑦𝑎𝑛𝑔 𝑚𝑒𝑛𝑔𝑎𝑙𝑎𝑚𝑖 𝑑𝑦𝑖𝑛𝑔 𝑑𝑜𝑤𝑛.
➢ Masih dalam bahasan estimasi model. Model umum pada ARIMA (p,r,q) dimana p
adalah AR, q adalah MA, dan r adalah difference.
1. Jika ARIMA (1,0,0) artinya menggunakan AR(1,0) pada data level
2. Jika ARIMA (0,0,1) artinya menggunakan MA(1,0) pada data level

Muhammad Izet Budiansyah | H54150015

Ekonometrika Terapan (EKS324)

3. Jika ARIMA (1,0,0) artinya menggunakan AR(1,0) dan MA(1,0) pada data level
4. Jika ARIMA (1,1,1) artinya menggunakan AR(1,1) dan MA(1,1) pada data
difference 1
➢ Evaluasi model. Pada bagian ini, model yang telah diestimasi harus memiliki enam
kriteria agar dapat dijadikan untuk peramalan. Kriteria-kriteria tersebut adalah:
1. Model harus parsimonious. Artinya adalah sederhananya sebuah model dengan
jumlah variabel dependen yang cukup informatif untuk menjelaskan model
tersebut.
2. Residual peramalan bersifat acak
3. Parameter yang diestimasi berbeda nyata dengan nol
4. Kondisi stasioner harus terpenuhi
5. Proses iterasi harus konvergen
6. Model harus memiliki MSE yang kecil.
➢ Peramalan. Pada bagian ini, kita akan melihat model yang telah dievaluasi untuk
dijadikan ramalan. Model ini hanya bisa digunakan untuk jangka pendek. Apabila
digunakan untuk jangka panjang, hasilnya akan cenderung datar dan hasilnya kurang
akurat. Untuk melihat kelayakan model dalam meramal, kita bisa melihat nilai pada
MAPE, MAD, dan MSD. Bagi model yang memiliki nilai MAPE, MAD, dan MSD
terkecil, itulah model yang akan dipilih.

Muhammad Izet Budiansyah | H54150015

Ekonometrika Terapan (EKS324)

PERTEMUAN IV
➢ Autoregressive Conditional Heteroscedasiticity (ARCH)/ Generalized Autoregressive
Conditional Heteroscedasticity (GARCH) merupakan suatu model peramalan yang
digunakan dalam single equation artinya hanya menggunakan satu variabel saja. Model
ini digunakan untuk mengatasi data yang mengalami volatilitas, yaitu data yang
melanggar asumsi homoskedastisitas.
➢ Langkah-langkah dalam menguji ARCH/GARCH.
Sebenarnya, langkah-langkah pengujian ARCH/GARCH kurang lebih sama dengan
langkah pengujian ARIMA. Hanya saja, pada data ARCH/GARCH mengalami
heteroskedastisitas pada saat evaluasi model. Karena heteroskedastisitas inilah, model
ARCH/GARCH digunakan. Berikut langkah-langkah yang digunakan dalam pengujian
ARCH/GARCH:
1. Identifikasi model tentatif yang digunakan untuk melihat pola data,
kestasioneran data, serta perilaku ACF dan PACF.
2. Estimasi model
3. Evaluasi model. Pada bagian ini, dilakukan uji normalitas residu, uji
autokorelasi, dan uji heteroskedastisitas.
Karena pada pembahasan ini adalah tentang ARCH/GARCH anggap saja bahwa data
yang sedang kita olah mengalami heteroskedastisitas. Karena data mengalami hetero,
maka ada langkah-langkah selanjutnya:
4. Overfitting kembali dengan model ARCH/GARCH dengan cara klik Quick -
Estimate Equation (pd.Eviews) lalu pada Method, pilih ARCH.
5. Setelah dilakukan overfitting dan didapatkan model terbaik, selanjutnya adalah
dilakukan kembali uji diagnostic.
6. Setelah itu, kita bisa melakukan peramalan dengan cara double click pada range
data dan ubah nilai end date.
➢ Spesifikasi model ARCH/GARCH
2
a. ARCH 𝜀𝑡2 = 𝜔 + 𝛼𝜀𝑡−1 + 𝑉𝑡
2 2
b. GARCH 𝜀𝑡 = 𝜔 + (𝛼 + 𝛽)𝜀𝑡−1 + 𝑉𝑡 − 𝛽𝑉𝑡−1
Model umum pada ARCH/GARCH (p,r,q) dimana p adalah ARCH, q adalah GARCH,
dan r adalah difference.
1. Jika GARCH (1,0,0) artinya menggunakan ARCH(1,0) pada data level.
2. Jika GARCH (0,0,1) artinya menggunakan GARCH(1,0) pada data level.
3. Jika GARCH (1,0,1) artinya menggunakan ARCH(1,0) dan GARCH(1,0) pada
data level.
4. Jika GARCH (1,1,1) artinya menggunakan ARCH(1,1) dan GARCH(1,1) pada
data difference 1.

Muhammad Izet Budiansyah | H54150015

Ekonometrika Terapan (EKS324)

PERTEMUAN V
➢ Kointegrasi adalah suatu hubungan jangka panjang antara peubah-peubah yang
meskipun secara individual tidak stasioner, tetapi kombinasi linier antara peubah
tersebut dapat menjadi stasioner.
➢ Error Correction Model (ECM) adalah model yang dapat menjelaskan pengaruh jangka
pendek sekaligus pengaruh jangka panjang dari variabel-variabel independen terhadap
variabel dependennya.
➢ Metode-metode pada ECM:
1. Pengecekan stationer. Pada bagian ini, semua variabel yang kita gunakan, baik
variabel dependen maupun independen, harus mengalami stasioner pada tingkat
1st differencing atau 2nd differencing BUKAN pada level.
2. Estimasi jangka panjang. Pada bagian ini, kita akan membuat persamaan
regresinya, yaitu dengan cara memblock semua variabel yang kita punya lalu
pilih Open – Equation Estimate. Setelah itu, kita tulis persamaan yang sedang
kita teliti (misal: y c x1 x2 x3). Di bagian ini, nilai F stat harus stasioner, yaitu
lebih kecil daripada taraf nyata yang kita tentukan.
3. Pengecekan kointegrasi. Untuk melihat kointegrasi atau tidaknya pada
persamaan yang sedang diteliti, kita dapat melihatnya dengan dengan mengecek
residual. Apabila residual mengalami stasioner, maka terdapat kointegrasi.
4. Estimasi jangka pendek. Pada bagian ini, kita akan membuat kembali persamaan
regresinya namun dengan variabel yang telah mengalami stasioner (yaitu pada
1st atau 2nd differencing) ditambah variabel res (tahun sebelumnya). Caranya
adalah dengan pilih Open – Equation Estimate. Setelah itu, kita tulis persamaan
yang sedang diteliti (misal: d(y) c d(x1) d(x2) d(x3) res(-1)) Di bagian ini, nilai
F stat harus stasioner, yaitu lebih kecil daripada taraf nyata yang kita tentukan.
Setelah itu, check nilai res(-1) yang harus bernilai negatif dan stasioner.
5. Interpretasi hasil. Pada tahap ini, kita hanya memberikan interpretasi bagi
variabel-variabel independen yang mengalami signifikansi terhadap variabel
dependen. Interpretasi diberikan dalam 2 bentuk:
a. Jangka panjang : kenaikan variabel x1 sebesar 1 unit akan menyebabkan
kenaikan/penurunan variabel y sebesar 𝛼1 satuan.
b. Jangka pendek : kenaikan perubahan variabel x1 sebesar 1 satuan akan
menyebabkan kenaikan/penurunan perubahan variabel y sebesar
𝛼1 satuan.
Interpretasi untuk res(-1) = ECT adalah:
Berdasarkan nilai speed of adjustment, ada sebesar 𝛼%
ketidakseimbangan, pada pengaruh jangka pendek x1, x2, x3, x4
terhadap y, yang terkoreksi setiap periodenya.

Muhammad Izet Budiansyah | H54150015

Ekonometrika Terapan (EKS324)

PERTEMUAN VI
➢ Vector Autoregression (VAR) adalah sebuah n-persamaan (n-equation) dengan n-
variabel, dimana masing-masing variable dijelaskan oleh nilai lagnya sendiri, serta nilai
saat ini dan nilai masa lampau. Dengan demikian dalam konteks ekonometrika modern
VAR termasuk dalam multivariate time series analysis.
➢ Vector Error Correction Model (VECM) adalah VAR yang terestriksi dan digunakan
untuk model non-stasioner namun memiliki hubungan kointegritas.
➢ Model primitif VAR:
1. Secara linier

2. Secara matriks

Kesalahan dari struktur primitif adalah variable zt dan yt saling memengaruhi satu sama
lain. Misalnya – b12 merupakan efek serentak (contemporaneus effect) dari perubahan
zt terhadap yt dan – b21 merupakan efek serentak (contemporaneus effect) dari
perubahan yt terhadap zt.
➢ Untuk menghilangkan efek serentak tersebut, dilakukan reduced form (standarisasi)
dengan cara mengalikan seluruh matriks dengan B-1 atau invers matriks B. Sehingga
memperoleh model standar seperti berikut:

Dengan penjelasan

➢ VAR bisa dimanfaatkan sebagai:

1. Forecasting, ekstrapolasi nilai saat ini dan masa depan seluruh variabel dengan
memanfaatkan seluruh informasi masa lalu variabel.
2. Impulse Response Function (IRF), melacak respon saat ini dan masa depan dari
setiap variabel akibat perubahan atau shock suatu variabel tertentu.
3. Forecast Error Variance Decomposition (FEVDs), prediksi kontribusi
persentase varian setiap variabel terhadap perubahan suatu variabel tertentu.
➢ Keunggulan VAR:
1. Dapat menangkap hubungan keseluruhan variabel dalam sistem
2. Bisa menghindari variabel yang bias
3. Dapat mendeteksi hubungan antar variabel dalam sistem persamaan, dengan
menjadikan seluruh variabel menjadi endogenus.
4. Variabel VAR terbebas dari berbagai batasan teori ekonomi.
➢ Kelemahan VAR
1. Tidak dilandasi teori tentang hubungan antar variabel
2. Model VAR kurang cocok untuk analisis kebijakan
3. Sulit dalam menentukan panjang lag model
4. Interpretasi koefisien model VAR tidak mudah.

Muhammad Izet Budiansyah | H54150015