Time Series, Nonstasionaritas &

Uji unit roots

Ekonometrika Terapan - 10
Data time series (Runtun waktu)
• Data Time Series adalah jenis data yang dikumpulkan menurut urutan
waktu dalam suatu rentang waktu tertentu.
• Jika waktu dipandang bersifat diskrit (note: waktu juga dapat
dimodelkan bersifat kontinu), maka frekuensi pengumpulan selalu
sama (equidistant).
• Dalam kasus diskrit, frekuensi dapat berupa misalnya detik, menit,
jam, hari, minggu, bulan atau tahun.
Stasioneritas
• Konsep kunci yang mendasari proses time series adalah stasioneritas.
Sebuah data time series dikatakan stasioner jika memiliki tiga
karakteristik berikut:
a. menunjukkan kecenderungan kembali pada rata-rata, yakni data
berfluktuasi di sekitar rata-rata jangka panjang yang konstan;
b. memiliki varian terbatas yang tidak berubah oleh waktu (time-
invariant); dan
c. Kovarian Yt danYt+k konstan sepanjang waktu (t: waktu & k: lag atau
jeda waktu).
Stasioneritas
Secara sederhana time series Yt dikatakan stasioner jika:

(a) E(Yt ) = konstan untuk semua t; (t: waktu)

(b) Var(Yt ) = konstan untuk semua t; dan
(c) Cov(Yt,Yt+k) = konstan untuk semua t dan semua k = 0 (k: jeda/ lag)

atau jika rata-rata, varians dan kovariannya tetap konstan sepanjang

waktu.
Stasioneritas
• Pada data yang stasioner, kuantitas rata-rata, varians dan kovariannya
akan tetap sama pada semua pengamatan untuk time series tersebut,
misalnya, dari 1975 hingga 1985 atau dari 1985 hingga 1995.

• Stationaritas penting karena jika data time series ini tidak stasioner
maka hasil analisis regresi OLS klasik tidak valid.

• Regresi dengan data time series non-stasioner kemungkinan besar

tidak memiliki makna dan karenanya disebut 'palsu'.
Model Stasioner dalam time series
• Model stasioner adalah model yang sedemikian rupa hingga semua
sifat statistiknya tidak berubah dengan pergeseran waktu (yakni
bersifat time invariant).
• Pada model stasioner, sifat-sifat statistiknya di masa yang akan datang
dapat diramalkan berdasarkan data historis yang telah terjadi di
masa yang lalu.
Masalah analisis data time series
• Salah satu masalah data time-series adalah variabel independen bisa
jadi terlihat lebih signifikan daripada kondisi sebenarnya.
• Terjadi jika variable-variable tersebut memiliki dasar tren yang sama
dengan variabel dependen.
• Contoh: data dari sebuah negara yang memiliki inflasi tinggi, maka
setiap variable nominal (seperti tingkat upah, tingkat harga, dll) akan
terlihat berkorelasi tinggi dengan variable nominal yang lain 
variable nominal mengandung inflasi dan komponen inflasioner ini
akan mengakibatkan terlihat berkorelasi walaupun sebenarnya tidak.
• Sebagian besar variabel time series ekonomi makro memiliki tren dan
karenanya, dalam banyak kasus non-stasioner.
• Masalah dengan data yang tidak stasioner atau tren adalah bahwa
prosedur regresi OLS standar dapat dengan mudah mengarah pada
kesimpulan yang salah.
 realgdp realcons
10000 7000
9000
6000
8000
7000 5000
6000
4000
5000
4000 3000
3000
2000
2000
1000 1000
1951 1963 1975 1987 1999 1951 1963 1975 1987 1999

realinvs realgovt
2000 1600
1800
1400
1600
1400 1200
1200 1000
1000
800
800
600 600
400
400
200
0 200
1951 1963 1975 1987 1999 1951 1963 1975 1987 1999
spurious correlation & spurious regression
• Masalah tersebut disebut sebagai spurious correlation (korelasi
palsu) yakni hubungan yang kuat antara dua atau lebih variabel yang
tidak disebabkan oleh hubungan sebab-akibat yang sebenarnya
• Regresi dimana variabel dependen dan satu atau lebih variabel
independen berkorelasi palsu  hasilnya adalah regresi palsu/rancu
 nilai t dan overall fit (R square) dari regresi palsu semacam itu
cenderung berlebihan/tidak akurat dan tidak dapat dipercaya.

• Pada data Time Series masalah spurious correlation disebabkan oleh

data time series yang nonstationary (tidak stasioner)
Stationary and Nonstationary Time Series
• Sebuah variabel time series (Xt) adalah stasioner jika:
1. Rata-rata (mean) Xt adalah konstan sepanjang waktu,
2. Varian Xt adalah konstan sepanjang waktu, dan
3. Koefisien korelasi sederhana antara Xt dan Xt-k tergantung pada panjangnya jeda
(lag) k tapi tidak pada variable yang lain (untuk semua nilai k).
• Jika salah satu dari 3 kriteria tersebut tidak terpenuhi, maka variabel time
series (Xt) adalah tidak stasioner.
• Contoh:
• GDP per kapita riil – tidak stasioner karena selalu meningkat dari waktu ke waktu;
• tapi pertumbuhan GDP per kapita riil yang seringkali tidak meningkat dari waktu ke
waktu – stasioner
• Non stasionaritas juga bisa terjadi pada error terms (residual dari hasil
estimasi).
 Spurious Regressions
Granger and Newbold (1974) constructed Monte Carlo
analysis generating a large number of yt and xt series
containing unit roots following the formulas:

Where eyt and ext are artificially generated normal

random numbers.
 Spurious Regressions
When they regressed the various yts to the xts they
surprisingly found that they were unable to reject
the null hypothesis of β2=0 in approximately 75% of
cases.
They also found that their regressions had very high
R2s and very low values of DW statistic.
 Spurious Regressions
Granger and Newbold (1974) menyampaikan aturan
umum untuk deteksi regresi spurious/ regresi palsu:
Jika angka R2> angka statistic Durbin Watson (DW)
atau R2 sangat mendekati 1, maka regresi tersebut
dapat dikatakan sebagai regresi yang spurious.
Penjelasan masalah regresi palsu (spurious
regression)
• Ketika variabel non-stasioner maka kita tidak dapat menjamin bahwa
error (residual regresi) akan stasioner, dan sebagai aturan umum error
(residual regresi) itu sendiri menjadi non-stasioner; ketika ini terjadi,
maka kita melanggar asumsi dasar OLS bahwa error konstan dengan
rata-rata=0 dan standar deviasi=1.
• Jika error hasil regresi tidak stasioner, maka error ini akan naik turun
dan akhirnya menjadi besar.
Nonstasionaritas karena time trend
• Beberapa variable nonstasioner disebabkan trend waktu
• Bisa atasi dengan memasukkan simple time trend (t = 1, 2, 3,…, T)
dalam persamaan regresi
• Namun, non stasionaritas bisa jadi tidak hilang walaupun sudah
ditambahkan time trend – disebut random walk
• Random walk adalah variabel time-series yang nilai pada periode
berikutnya = nilai periode sekarang + stochastic error term.
• Contoh pada persamaan autoregresif:
• Nilai absolut γ bisa <1 atau >1 atau =1, expected value dari error Vt=0
• Jika |γ | <1 maka Expected value Yt akan mendekati 0 ketika sampel
terus ditambah  stasioner
• Jika |γ | > 1 maka Expected value Yt akan makin besar ketika sample
terus ditambah  tidak stasioner (bisa jadi karena time trend)
• Jika γ = 1 maka ini yang disebut kondisi random walk karena nilai Yt
tidak mendekati suatu nilai tertentu.
• Kondisi ketika γ = 1 disebut UNIT ROOT.
• Jika sebuah variable memiliki unit root  variable tersebut pola nya
Random walk  Tidak stasioner
Salah satu Identifikasi Unit Root  Dickey-
Fuller Test
Tiga spesifikasi DF test
• (1) no constant

• (2) with constant

• (3) with constant and trend

Decision rule DF test
• Jika 𝛽𝛽̂1 secara statistik signifikan <0 (berdasarkan uji-t), maka
hypothesis ada unit root ditolak  Variabel tersebut stasioner
• Jika 𝛽𝛽̂1 secara statistic TIDAK signifikan <0 (berdasarkan uji-t), maka
hypothesis ada unit root tidak dapat ditolak  Variabel tersebut
TIDAK stasioner

• Jika tidak stasioner, bisa menggunakan first difference dari data

tersebut.
Penggunaan data first difference
• Jika ternyata variable tidak stasioner, biasanya digunakan data first
difference dari variable tersebut (ΔY=Yt - Yt-1 dan ΔX=Xt - Xt-1) untuk
menggantikan Y dan X.
• Pada umumnya, first difference sudah cukup untuk merubah data ekonomi
dari non-stasioner menjadi data yang stasioner.
• Masalahnya, penggunaan data first difference dalam estimasi dapat
menghilangkan informasi yang bisa dijelaskan oleh teori ekonomi terkait
dengan hubungan ekuilibrium antar variabel ketika menggunakan data asli.
• Oleh karena itu, penggunaan first difference harus mempertimbangkan
dampak tersebut, terutama sebelum menguji kointegrasi (cointegration)
pada residual hasil estimasi.
Contoh aplikasi dengan Gretl
Gunakan data dari Greene untuk data US Macro data
Untuk menunjukkan grafik time series  blok variable tsb  klik Kanan  Klik Time series plot
 realgdp realcons
10000 7000
9000
6000
8000
7000 5000
6000
4000
5000
4000 3000
3000
2000
2000
1000 1000
1951 1963 1975 1987 1999 1951 1963 1975 1987 1999

realinvs realgovt
2000 1600
1800
1400
1600
1400 1200
1200 1000
1000
800
800
600 600
400
400
200
0 200
1951 1963 1975 1987 1999 1951 1963 1975 1987 1999
Langkah berikutnya adalah menguji stasionaritas masing-masing variable.
Pengujian pertama menggunakan data format asli (juga disebut data level).
Untuk uji unit root dengan ADF  Blok variable yang ingin diuji (misalnya realgdp)
Klik Variable (misalnya realgdp) Unit root tests  Augmented Dickey-Fuller test
Tentukan Lag order (default 14 test down from maximum lag order)
Tentukan model pengujian (without/with constant, trend/trend square)
Klik show regression results jika ingin memperoleh hasil regresi uji ADF
Output tanpa pilihan “Show regression results”

Hasil pengujian dg kontanta, P-

value=1 > 0.05 (α 5%), tidak dapat
menolak H0 bahwa ada unit root,
data variable realgdp tidak
stasioner

Hasil pengujian dg kontanta

dan trend, P-value=0.997 >
0.05 (α 5%), tidak dapat
menolak H0 bahwa ada unit
root, data variable realgdp
tidak stasioner
Output dengan pilihan
‘Show regression results’
Ada tambahan informasi
regresi pengujian ADF
Hasil pengujian ADF variable yang lain juga menunjukkan bahwa variable-
variable tersebut tidak stasioner pada level.
• Jika variable tidak stasioner pada level (data asli), pilihan berikutnya
adalah menguji first difference dari data tersebut.
• Langkah sama dengan sebekumnya, hanya pilihan dirubah menjadi
“use first difference of variable”
 Hasil pengujian dg kontanta, P-
value= 1.241e-008 < 0.05 (α 5%),
tolak H0 bahwa ada unit root, first
difference data variable realgdp
adalah stasioner

Hasil pengujian dg kontanta &

tren, P-value= 1.973e-010 < 0.05
(α 5%), tolak H0 bahwa ada unit
root, first difference data variable
realgdp adalah stasioner
Hasil pengujian ADF variable yang lain pada first difference juga menunjukkan
bahwa variable-variable tersebut stasioner pada first difference.
• Hasil pengujian ADF menunjukkan bahwa semua variable pada level
mengandung unit root  tidak stasioner pada level
• Sedangkan pengujian pada first difference menunjukkan bahwa
variable-variable tersebut stasioner pada first difference  maka
dilakukan uji kointegrasi.
• Uji kointegrasi digunakan untuk menguji apakah residual dari
persamaan ter-kointegrasi  bisa diuji dengan menggunakan DF test.
• Dua variable time series yang nonstasioner dikatakan ter-kointegrasi
jika keduanya cenderung bergerak bersama dari waktu ke waktu.
• Untuk kointegrasi akan dibahas dalam pertemuan berikutnya.