ASISTENSI

:

EKONOMETRI TIME SERIES
SANJOYO

SANJOYO SERIES2 . SIMULTAN EQUATION ASISTENSI EKON TIME SERIES. COINTEGRATION & ECM G. Pengujian Stasioneritas C. Pengertian Dasar B. ARMA & ARIMA D. VAR F. ARCH & GARCH E.TOPIK .TOPIK A.

VAR(1) Vector Auto Regression Alternatif modelling apabila kita tidak yakin bahwa suatu variabel adalah exogenues Sim (1980): Jika kita tdk dpt secara pasti apakah suatu variabel exsogen atau endogen. artinya: varobel yg ada di RHS juga ada di LHS ASISTENSI EKON TIME SERIES. maka utk pembentukan model yg melibatkan banyak variebel sebaiknya memperlakukan semua variabel menjadi variabel endogen VAR VAR adalah model yg memperlakukan setiap variabel dlm model secara simetris.SANJOYO SERIES- 3 .

SANJOYO SERIES4 .VAR(2) Model VAR utk bivariate: Yt = α1 + α 2 X t + α 3Yt −1 + ε 1t X t = β1 + β 2Yt + β 3 X t −1 + ε 2t Standar form VAR utk bivariate/ Reduced form : Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t zt = δ + θzt −1 + vt ⎡ Yt ⎤ ⎡π 12 π 13 ⎤ ⎡υ1t ⎤ ⎡π 11 ⎤ zt = ⎢ ⎥ δ = ⎢ ⎥ θ = ⎢ ⎥ vt = ⎢υ ⎥ ⎣π 21 ⎦ ⎣ 2t ⎦ ⎣Xt ⎦ ⎣π 22 π 23 ⎦ ASISTENSI EKON TIME SERIES.

VAR(3) Model VAR(p) dg p lag: zt = δ + θ1 zt −1 + θ 2 zt − 2 + Asumsi: + θ p zt − p + vt Yt dan Xt stasioner (if not: varians tdk konstan) v1tdan v2t ~ white noise dg rata2=0 dan std dev masing2 σy dan σx v1tdan v2t uncorrelated disturbance ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 5 .

VAR(4) Pengujian VAR: (Granger-causality) Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t Model Bivariate: Var (p=1) X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t Hipotesis Null: X does not Granger-cause Y ( π13=0) Y does not Granger-cause X ( π22=0) Statistik Uji: Wald test ~dist F Note: F={(RRSS-URSS)/r}/{URSS/(n-k)} Estimasi Model VAR Least Square Pilih Lag dg kriteria AIC SIC Estimate model ASISTENSI EKON TIME SERIES.SANJOYO SERIES- Lat : VAR.prg 6 .

VAR(5) Impuls Respon Function ⎡ Yt ⎤ ⎡ Y ⎤ ∞ ⎡φ11 (i ) φ12 (i ) ⎤ ⎡ε yt −i ⎤ ⎢ X ⎥ = ⎢ ⎥ + ∑ ⎢φ (i ) φ (i )⎥ ⎢ε ⎥ 22 ⎦ ⎣ xt −i ⎦ ⎣ t ⎦ ⎣ X ⎦ i =0 ⎣ 21 Moving average utk melihat interaksi Yt dan Xt. Koef φi digunakan utk “generate” efek dari shock εyt dan εzt pada time path Yt dan Xt.prg 7 . ASISTENSI EKON TIME SERIES.SANJOYO SERIES- Lat : VAR.

dan Yt~I(1). Jika Xt~I(1). & permanen income hipotesis.SANJOYO SERIES- 8 . Dua variabel yg terintegrasi menunjukan variabel tersebut mempunyai trend stokastik yg sama dan selanjutnya mempunyai arah pergerakan yg sama dlm jangka panjang (mempunyai hubungan jangka panjang. tetapi Zt=Yt-βXt ~I(0). PPP.COINTEGRATION (1) Pengertian Dua variabel time series. maka Xt dan Yt cointegrated. Maka Xt dan Yt adalah dua variabel yg terkointegrasi. Xt dan Yt yg keduanya non-stasioner. ASISTENSI EKON TIME SERIES. UIP. Ada variabel Ztt dimana Zt=Yt-βXt bersifat stasioner.

.σ2 ) ˆ ˆ yaitu: et = Yt − β X t Dg prosedure Engle-Granger (1987) menggunakan ADF test menguji stasioneritas êt (residual). ASISTENSI EKON TIME SERIES.SANJOYO SERIES- Lat : coint. Bila variabel Yt dan Xt terkointergasi dg model Yt= α+βXt+et.prg 9 . maka Yt dan Xt mempunyai hubungan jangka panjang/ ekulibrium dg nilai long run β.m-1 Diperoleh dari pers regresi Yt= α+ βXt+et. ωt~ iid(0..COINTEGRATION (2) Cointegration Test Model: ∆ êt =β1+ β2t +δêt-1+ αi∑∆êt-i +ωt . Hipotesis Ho: δ =0 (tidak ada kointegrasi) H1: δ <0 (ada kointegrasi) Selanjutnya sama dg ADF test. i=1.

SANJOYO 10 SERIES . Dalam jangka pendek mungkin terjadi disekulibrium Error term.ECM(1) Pengertian: Terjadinya kointegrasi 2 variabel menunjukan adanya hubungan jangka panjang atau ekulibrium antara keduanya. maka error term melakukan koreksi pd partial adjustment ΔYt=α0+α1ΔXt menuju ekulibrium jangka panjang.dapat diperlakukan sebagai “ekulibrium error” dan dpt digunakan utk mengikat tingkat laku jangka pendek variabel Yt terhadap nilai jangka panjangnya. Lat : ECM.β1-β2Xt-1) Persamaan tsb menunjukan bahwa ΔYt bergantung pada ΔXt dan ekulibrium error term (μt-1) Jika koef ekulibrium error term (α2)≠ 0. ASISTENSI EKON TIME SERIES-. dimana μt-1=(Yt-1. yaitu ΔYt=α0+α1ΔXt+ α2μt-1+εt. pada model Yt= β1+β2Xt+et.prg Model Jika Variabel Yt dan Xt terkointegrasi model ECM.

maka akan terbawa pd tahap ke dua.MULTIVARIATE COINTEGRATION (1) Keterbatasan prosedure Engle-Granger Harus diketahui mana variabel dependen dan mana yg independent Tidak netral thd pemilihan variabel: kemungkinan bisa: regresi Y thd X kointegrated namun regresi X thd Y tidak kointegrated Pengujian dg 3 variabel atau lebih. ASISTENSI EKON TIME SERIES. tdk dpt memberikan jalan keluar yg sistematis bila terjadi multipel kointegrasi Sangat tergantung pd two step estimator. Bila terjadi kesalahan pd tahap pertama.SANJOYO SERIES11 .

MULTIVARIATE COINTEGRATION (2) Prosedure Johansen(1982) Bergantung pada hubungan antara rank dr suatu matrik( r ) dan characteristic root-nya Generalisasi dr uji stasioneritas Dicky-Fuller Xt=A1Xt-1+εt Xt-Xt-1=A1Xt-1-Xt+ εt ∆Xt =(A1-I)Xt-1+ εt ∆Xt =πXt-1+ εt dimana: Xt. adalah (nx1) vectors A1 =matrik(nxn) berisi parameter I =matrik identitas berukuran. nxn Π=(A1-I)= jml vektor kointegrasi 12 .

dan exist k x r matrik α dan β dengan masing2 rank r sehingga: π = α β’.SANJOYO SERIES- 13 . dan β’yt adalah I(0) stasioner r = juml relasi yg terkointegrasi (rank kointergrasi) dan setiap kolom β adlh cointegrating vector. ASISTENSI EKON TIME SERIES.MULTIVARIATE COINTEGRATION (3) Jika koef Matrik π mempunyai rank r < k.

….MULTIVARIATE COINTEGRATION (4) Pengujian Ho: λi=0 r=0 (tdk terdpt koin) i=r+1.k λ1=λ2=…λk=0 r=1 (1 vektor terkoin) λ2=λ3=…λk=0 r=2 (2 vektor terkoin) λ3=λ4=…λk=0 r=3 (3 vektor terkoin) λi adalah eigenvalue terbesar ke-I dari matrix π λtrace = −T ∑ ln (1 − λi ) r = 0.prg 14 ...SANJOYO SERIES- k i = r +1 Lat : mulcoint.1.k − 1 λ max = −T ln (1 − λr +1 ) ASISTENSI EKON TIME SERIES.

4 3. of CE(s) None At most 1 Eigenvalue 5 Persent Critical Value for Maximal eigenvalue 14.8 0.155456 0.SANJOYO SERIES15 . Ho: No.8 5 Percent Critical Value for Trace Statistics 15.1 3.MULTIVARIATE COINTEGRATION (5) Contoh: Uji kointegrasi dr variabel CONS & INCM dg johansen coint test dg output: (T=98).012214 Pengujian dg: Max-Eigenvalue (λ max) Trace Statistic (λ trace) ASISTENSI EKON TIME SERIES.

of CE(s) None* At most 1 Eigenvalue Max Eigenvalue Statistics 16.2043 5 Persent Critical Value for Maximal eigenvalue 14.012214(λ2) λmax(1)=-98 (ln(1 .5579 λmax(2)=-98 (ln(1 .5579 1.155456(λ1) 0.2043 1 coint vector ASISTENSI EKON TIME SERIES.1 3.0.155456)=16.8 Keputusan Tolak Ho jika: Max-Eig > CV Tolak Ho Terima Ho 0.0.MULTIVARIATE COINTEGRATION (6) Contoh: λ maksimum: Ho: No.SANJOYO SERIES- 16 .012214)=1.

0.4 3.8 Keputusan Tolak Ho jika: Trace Stat > CV Tolak Ho Terima Ho 0.2043 ASISTENSI EKON TIME SERIES.012214) }=16.0.0.7622 1.MULTIVARIATE COINTEGRATION (7) Contoh: λ trace: Ho: No.7622 λtrace(1)={-98 (ln(1 .155456)} + 1 coint vector λtrace(2)=-98 (ln(1 .SANJOYO SERIES17 .155456(λ1) 0.012214)=1.5579+1. of CE(s) None* At most 1 Eigenvalue Trace Statistics 17.2043=17.012214(λ2) {-98 (ln(1 .2043 5 Persent Critical Value for Trace statistic 15.

Z) Terkointrasi 1 vektor Lag =1 ΔYt = π 11 + π 12CoinEq1 + π 13ΔYt −1 + π 14 ΔX t −1 + π 15 ΔZ t −1 + υ1t ΔX t = π 21 + π 22CoinEq1 + π 23ΔYt −1 + π 24 ΔX t −1 + π 25 ΔZ t −1 + υ2t ΔZ t = π 31 + π 32CoinEq1 + π 33ΔYt −1 + π 34 ΔX t −1 + π 35 ΔZ t −1 + υ3t dim ana : ˆ ˆ ˆ CoinEq1 = (Yt −1 − (α1 + α 2 X t −1 + α 3 Z t −1 ) ) ASISTENSI EKON TIME SERIES.SANJOYO SERIES- 18 .Estimasi VEC(vector error corection) Model Mis 3 variabel (X. Y.

Sign up to vote on this title
UsefulNot useful