Koefisien Autokorelasi
Koefisien Autokovariance
Koefisien autokovariance dipakai untuk mengukur asosiasi antara suatu data time series
dengan waktu sebelumnya.
n−k
1
γ k = ∑ ( Z t −Z )(Z t +k −Z ¿ )¿
n t=1
n
γ 0=∑ ¿ ¿=144
t =1
n−1
γ 1=∑ (Z t −Z)( Z t−1−Z ¿)¿=-27
t =1
n−2
γ 2=∑ (Z t −Z)( Z t−2−Z ¿ )¿ =-29
t =1
n −3
γ 3=∑ (Zt −Z)( Z t−3−Z ¿ )¿ =26
t =1
n−3
γ 4 =∑ (Z t −Z )(Z t −4−Z ¿ )¿ =-19
t=1
Sifat-sifat autokovariance
2
ρ2−ρ1
ϕ 22 = 2 =−0.201−¿ ¿=-0.245
1−ρ1
√
k
k
1+2 ∑ r 2j
j=1
se(r )=
k
T
Bandingkan dengan t α/ 2(df =T−1)
Dimana:
se(r ) : standard error autokorelasi pada saat lag k
k
ρk −0.201
t= = =−0.613
s e(r ) 0.328
k
j =1
k = panjang lag
2
Tolak Ho jika Q> χ α (df =n)
Ljung and Box (LB)
ρ2k
( )
m
LB=n(n+2) ∑
2
χ df =m
k=1 n−k
Masalah Stationer
Stasioneritas berarti bahwa tidak terdapat perubahan yang drastis pada data. Fluktuasi data
berada di sekitar suatu nilai rata-rata yang konstan, tidak tergantung pada waktu dan variansi
dari fluktuasi tersebut (Makridakis, 1995). Data time series dikatakan stasioner jika rata-rata
dan variansinya konstan, tidak ada unsur trend dalam data, dan tidak ada unsur musiman.
Suatu data time series bersifat stationer apabila proses stochastic yang menjadi dasar dari seri
tidak berubah seiring dengan waktu.
Lebih lanjut, Widarjono (2013) menyatakan bahwa suatu dikatakan stationer, jika memenuhi 3
(tiga) kriteria yaitu : rata-rata dan varian konstan sepanjang waktu dank ovarian antara dua data
runtun waktu hanya tergantung kelambanan antara 2 periode waktu tersebut. Secara statistic
dinyatakan sebagai berikut:
E ( Z t )=μ artinya rata-rata dari Yt konstan sepanjang waktu
Var ( Z t )=E ¿ artinya varian dari Yt konstan sepanjang waktu
γ k =E (Z t −μ)(Z t +k −μ) kovarian
Persamaan terakhir menunjukan bahwa kovarian γ k pada kelambanan (lag) k adalah kovarian
antara Zt dan YZt+k.. Jika nilai k = 0, maka nilai kovarian ( γ 0) akan sama dengan varian dari Zt.
Jika k= 1, maka γ 1 merupakan kovarian natara dua nilai Yt yang berurutan.
Misalkan kita bergerak dari data time series Z1 sampai Zt bergerak menuju Zt+m, , jika data time
series tersebut stationer, maka nilai rata-rata,varian dan kovarian dari data sebelumnya harus
tetap sepanjang waktu.
Penggunaan data yang tidak stationer akan menyebabkan spurious regression dan spurious
correlation. Menurut Ender (2004,171) spurious regression adalah melakukan pemodelan
terhadap sebuah variable dependen dengan menggunakan variable independen sementara
sebenarnya variable independent tersebut tidak memberikan pengaruh apapun terhadap variable
dependent tersebut. Spurious regression akan memberikan nilai R2 yang tinggi dan t statistic
yang terlihat signifikan., namun tidak memberikan arti ekonomi apapun.
Pengujian stationeritas data dilakukan untuk menentukan apakah data time series memiliki
kecenderungan mean dan variance yang konstan.
Stasioneritas dibagi menjadi dua (Wei, 2006) yaitu sebagai berikut.
Stasioner dalam mean
Stasioner dalam mean adalah fluktuasi data berada di sekitar suatu nilai rata- rata yang konstan,
tidak tergantung pada waktu dan variansi dari fluktuasi tersebut. Dari bentuk plot data seringkali
dapat diketahui bahwa data tersebut stasioner atau tidak stasioner. Apabila dilihat dari plot ACF,
maka nilai-nilai autokorelasi dari data stasioner akan turun menuju nol sesudah time lag (selisih
waktu) kedua atau ketiga. Apabila data tidak stasioner, maka perlu dilakukan transformasi untuk
menghasilkan data yang stasioner.
Stasioner dalam varian
Suatu data time series dikatakan stasioner dalam varian apabila struktur data dari waktu ke waktu
mempunyai fluktuasi data yang tetap atau konstan dan tidak berubah-ubah. Secara visual untuk
melihat hal tersebut dapat dibantu dengan menggunakan plot time series, yaitu dengan melihat
fluktuasi data dari waktu ke waktu.
Uji Stationer
1. Correlogram
Menurut Bartlett, suatu data time series, dikatakan bersifat random sehingga bersifat stationer,
maka koefisien SACF (Sample Autocorrelation Function), akan mengikuti distribusi normal
1
dengan rata-rata nol dan variance (Se2) = . Secara statistic, ditulis :
n
1
n
ρk
√
ρk N (0 , ), sehingga diperoleh se = 1
n
Sehingga t=
se
ρ
Jika k signifikan, menunjukkan bahwa data tidak stationer.
Uji Box dan Pierce atau Uji Q
Selain uji individual, Box dan Pierce mengembangkan suatu uji yang bias digunakan
secara serampak (simultan) pada suatu kelmbanan (lag) tertentu.
m
Q=n ∑ ρ2k
k=1
n = ukuran sampel dan m = panjangnya lag
Jika sampel besar, maka akan mengikuti distribusi Chi Square χ 2 dengan derajad bebas
(df) sebesar m. Hipotesis nol Ho untuk uji ini adalah semua nilai koefisien SACF sampai
kelambanan tertentu sama dengan nol, atau data stationer. Sebaliknya, data dianggap tidak
stationer, jika nilai Q lebih besar dari χ 2 (df =m) .
Uji Ljung-Bo atau Uji LB
Adapun formula dari Uji Ljung-Box adalah :
ρ2k
( )
m
LB=n(n+2) ∑
2
χ df =m
k=1 n−k
Jika sampel besar, maka akan mengikuti distribusi Chi Square χ 2 dengan derajad bebas
(df) sebesar m. Hipotesis nol Ho untuk uji ini adalah semua nilai koefisien SACF sampai
kelambanan tertentu sama dengan nol, atau data stationer. Sebaliknya, data dianggap tidak
stationer, jika nilai Q lebih besar dari χ 2 (df =m) .
Uji Akar Unit (Unit Root Test)
Uji akar unit sering dipergunakan untuk menguji masalah stationeritas. Uji ini pertamakali
dikembangkan oleh Dickey-Fuller, sehingga dikenal dengan Uji akar unit Dickey-Fuller.
Ide dasar uji akar unit, dapat dijelaskan sebagai berikut :
Y t =ρ Y t−1 +ε t
Dimana ε t bersifat random atau stokastik dengan rata-rata sama dengan nol, varian yang konstan
dan tidak terjadi korelasi antara ε t dengan waktu sebelumnya (autokorelasi). Jika ε t memiliki
sifat tersebut dinamakan dengan white noise.
ε t bersifat white noise, yaitu : rata-rata sama dengan nol, varian yang konstan dan tidak terjadi
korelasi antara ε t dengan waktu sebelumnya (autokorelasi)
Jika kedua ruas, dikurangkan dengan Yt-1 maka persamaan menjadi
Y t −Y t −1 =ρY t−1−Y t −1+ ε t
∆ Y t =( ρ−1 ) Y t −1+ ε t
Disubsitusikan : ϕ =ρ−1,menjadi:
∆ Y t =ϕ Y t −1 + ε t
Hipotesis :
Ho: ϕ =0, ada masalah stationer/akar unit,namun masalahnya adalah ε t tidak berdistribusi normal.
Karena itu, DF mengembangkan suatu distribusi yang dinamakan distribusi Mackinnon,
sedangkan ujinya adalah τ (baca : tau).
Lebih lanjut, menyatakan bahwa terdapat 3 model regresi untuk menguji akar unit, yaitu :
Model 1
∆ Y t =a1 Y t −1+ ε t
Model 2
∆ Y t =ao +a1 Y t−1 + ε t
Model 3
∆ Y t =ao +a1 Y t−1 +a 2 t +ε t
Dengan ε t WN ( 0 , σ 2 ) . Jika terima Ho, maka a 1 = 1, menunjukkan bahwa data terdapat akar unit
atau tidak stationer, sebaliknya jika |a 1∨¿ 1 maka data tidak memiliki akar unit atau stationer.
Model 1
∆ Y t =a1 Y t −1+ ε t
Cara 1
t=(n−1)× a1
Tolak Ho, jika | t | > tabel
Artinya data stationer
Gunakan F(a)
Cara 2
a1−1
t=
Sa1
n = 310
a 1=−0.985428
(n -1)*a1 = (310 – 1)*−0.985428 = -304.497
Tabel F(a) dng n = 305 dan α =5% -8.0
|(n -1)*a1| > Tabel F(a) dng n = 305 Tolak Ho, data stationer
a 1=−0.985428; Sa =0.056877
1
a1−1
t= =−34.91
Sa
1
Model 2
∆ Y t =a0 +a1 Y t−1 +ε t
t=(n−1)× a1
Tolak Ho, jika | t | > tabel
Artinya data stationer
Gunakan F(b)
a −1
t= 1
Sa
1
n = 310
a 1=−0.985448
(n -1)*a1 = (310 – 1)*−0.985442 = -299.57
Tabel F(a) dng n = 305 dan α =5% -13.9
|(n -1)*a1| > Tabel F(b) dng n = 305 Tolak Ho, data stationer
a 1=−0.985442; Sa =0.056970
1
a −1
t= 1 =−34.85
Sa1
Tabel F(a) dng n = 305 dan α =5% -2.88
|t| > Tabel G(b) dng n = 305 Tolak Ho, data stationer
Model 3
∆ Y t =ao +a1 Y t−1 +a 2 t +ε t
t=(n−1)× a1
Tolak Ho, jika | t | > tabel
Artinya data stationer
Gunakan F(c)
a −1
t= 1
Sa1
n = 310
a 1=−0.985575
(n -1)*a1 = (310 – 1)*−0.985442 = -299.57
Tabel F(a) dng n = 305 dan α =5% -13.9
|(n -1)*a1| > Tabel F(b) dng n = 305 Tolak Ho, data stationer
a 1=−0.985575; Sa =0.057062
1
a1−1
t= =−34.85
Sa 1
Dengan ε t WN ( 0 , σ 2 ) .
Model 1
Eviews :
a1
t=
sa
1
t-Statistic
t-Statistic Prob.*
Model 2
Eviews :
a1
t=
sa
1
t-Statistic Prob.*
Model 3
Eviews :
a1
t=
sa
1
t-Statistic Prob.*
PP
Model 1
Null Hypothesis: RAALI has a unit root
Exogenous: None
Bandwidth: 10 (Newey-West automatic) using Bartlett kernel
Model 2
Model 3
Null Hypothesis: RAALI has a unit root
Exogenous: Constant, Linear Trend
Bandwidth: 10 (Newey-West automatic) using Bartlett kernel
Adj. t-Stat Prob.*
Kwiatkowski-Phillips-Schmidt-Shin
Null Hypothesis: RAALI is stationary
Exogenous: Constant
Bandwidth: 11 (Newey-West automatic) using Bartlett kernel
LM-Stat.
Model regresi :
RAALI c
a0
t=
sa
0
LM-Stat.
RAALI c t
Dependent Variable: RAALI
Method: Least Squares
Date: 08/30/21 Time: 22:03
Sample: 1/03/2018 8/13/2021
Included observations: 909
Syarat stationer :
|θ∨¿ 1
θ × σ 2e
γ 1=θ γ o =
1−θ2
2
k σe
γ k =θ
1−θ 2
γk k
ρk = =θ
γo
Contoh :
θ=0.051
2
σ e =1.29
Diuji, apakah |θ|<1
H o :θ=1
H 1 :θ <1
θ−1
t=
Sθ
Tolak Ho, jika t ←t α (df =n−k−1)
2
σ e =1.290925
σ 2e
γo =
1−θ2
2
σe 1.29
γo = 2
= 2
=1.29
1−θ 1−( 0.05 )
θ × σ 2e
γ 1=θ γ o = =0.05 ×1.29=0.0645
1−θ2
γ 1 0.0645
ρ1= = =0.05
γo 1.29
2
ρ2=θ =¿(0.05 ¿2=¿
AR(2)
Syarat stationer :
θ1 +θ2 <1
θ2−θ1< 1
¿ θ2∨¿1
( )
2
1−θ2 σe
γo =
1+θ2 ( 1−θ 2) 2−θ21
Dependent Variable: RIHSG
Method: ARMA Maximum Likelihood (OPG - BHHH)
Date: 08/31/21 Time: 10:22
Sample: 1/03/2018 8/13/2021
Included observations: 909
Convergence achieved after 35 iterations
Coefficient covariance computed using outer product of gradients
2
σ e =1.282003
θ1=¿0.054811
θ2=¿-0.083067
( )
2
1−θ2 σe
γo =
1+θ2 ( 1−θ 2) 2−θ21
γo = ( 1−(−0.083067) ) 1.282
1−0.083067 ( 1−(−0.083) ) −( 0.0548 ) 2 2
Y t =e t−θ et −1
E ( Y t )=0
γ o =Var (Y )
2 2
γ o =σ e (1+θ )
γ 1=−θ × σ 2e
γ1 −θ
ρ1= =
γ o (1+θ 2)
γ k = ρk =0
Untuk k ≥ 2
Diperoleh
−θ1 +θ1 θ 2
ρ1=
(1+θ 21+ θ22)
−θ2
ρ 2= 2 2
(1+θ 1+ θ2)
ρk =0 untuk k =3,4…..
Langkah 1
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*
t-Statistic Prob.*