EKONOMETRIKA C2

SERIAL CORRELATION AND HESTEROSKEDASTICITY IN TIME SERIES

REGRESSIONS

Dosen Pengampu : I Made Putra Yasa, S.E, M.Si

Disusun oleh :

1. Hosana Laura Pusparatri (2107511064)

2. Patricia Clarisa Dellastrada (2107511091)
3. Yohanes Aditya Pratama (2107511100)
4. Greacesella (2107511114)
5. Ni Made Oni Martinez (2107511297)

PROGRAM STUDI EKONOMI PEMBANGUNAN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2022
 KATA PENGANTAR

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa karena atas berkat dan
rahmat-Nya kami dapat menyelesaikan tugas ini dengan maksimal dan tepat waktu. Makalah
ini kami susun dari beberapa referensi buku yang telah direkomendasikan pengajar atau
dosen pengampu I Made Putra Yasa, S.E, M.Si serta beberapa sumber lainnya sebagai
penunjang materi makalah kami yang memuat tentang “Serial Correlation And
Hesteroskedasticity In Time Series Regressions”

Kami menyadari bahwa di dalam paper ini masih terdapat banyak kekurangan dan jauh
dari kata sempurna. Oleh sebab itu, kami mengharapkan adanya kritik dan saran demi
perbaikan paper yang akan kami buat di masa yang akan datang. Sekian yang kami dapat
sampaikan, semoga paper ini dapat memberikan manfaat kepada teman-teman semua. Kami
mohon maaf yang sebesar-besarnya jika terdapat kata-kata yang kurang berkenan.

Jimbaran, 5 Desember 2022

Penyusun
DAFTAR ISI
 BAB I PENDAHULUAN

1.1 Latar Belakang

Dalam bab ini, kita membahas masalah kritis korelasi serial dalam istilah kesalahan
model regresi berganda. Kami melihat di Bab 11 bahwa ketika, dalam arti yang tepat,
dinamika model telah sepenuhnya ditentukan, kesalahan tidak akan berkorelasi secara serial.
Dengan demikian, pengujian untuk korelasi serial dapat digunakan untuk mendeteksi
kesalahan spesifikasi dinamis. Selain itu, model lag terdistribusi statis dan terbatas sering
memiliki kesalahan yang berkorelasi secara serial bahkan jika tidak ada kesalahan spesifikasi
yang mendasari model. Karena itu, penting untuk mengetahui Konsekuensi dan solusi untuk
korelasi serial untuk kelas model yang berguna ini.
Di bagian 12.1, kami menyajikan sifat-sifat OLS ketika kesalahan mengandung
korelasi serial. Di bagian 12.2, kami mendemonstrasikan cara menguji korelasi serial. Kami
mencakup pengujian yang berlaku untuk model dengan regresor eksogen ketat dan tes yang
secara asimptotik valid dengan regresor umum, termasuk variabel dependen yang tertinggal.
Di bagian 12.3 menjelaskan cara mengoreksi korelasi serial dengan asumsi penjelasan
eksogen yang ketat variabel, sementara. Di bagian 12.4 menunjukkan bagaimana
menggunakan data yang berbeda sering menghilangkan korelasi serial dalam kesalahan. Di
bagian 12.5 mencakup kemajuan yang lebih baru tentang cara menyesuaikan yang biasa
Kesalahan standar OLS dan statistik pengujian dengan adanya korelasi serial yang sangat
umum.
Dalam Bab 8, kami membahas pengujian dan koreksi untuk heteroskedastisitas dalam
aplikasi crosssectional. Di Bagian 12.6, kami menunjukkan bagaimana metode yang
digunakan dalam kasus crosssectional dapat diperluas ke kasus deret waktu. Mekanika pada
dasarnya adalah Sama, tetapi ada beberapa seluk-beluk yang terkait dengan korelasi temporal
dalam deret waktu pengamatan yang harus dibenahi. Selain itu, kami secara singkat
menyentuh konsekuensi dari bentuk heteroskedastisitas yang dinamis.
1.2 Rumusan Masalah
1.2.1 Bagaimana properties of ols with serially correlated errors?
1.2.2 Bagaimana testing of serial correlation?
1.2.3 Bagaimana correcting for serial correlation with strictly exogenous regressors?
1.2.4 Bagaimana serial correlation-robust inference after OLS?
1.2.5 Bagaimana hesteroskedasticity in time series regressions?

1.3 Tujuan
1.3.1 Mengetahui properties of ols with serially correlated errors?
1.3.2 Mengetahui testing of serial correlation?
1.3.3 Mengetahui correcting for serial correlation with strictly exogenous regressors?
1.3.4 Mengetahui serial correlation-robust inference after OLS?
1.3.5 Mengetahui hesteroskedasticity in time series regressions?
1.3.6
1.3.7
 BAB II PEMBAHASAN
1.4 2.1 Properties Of Ols With Serially Correlated Errors

1.5 2.2 Testing Of Serial Correlation

Pada bagian ini, kita membahas beberapa metode pengujian korelasi serial dalam
kesalahan istilah dalam model regresi linier berganda

Kami pertama- tama mempertimbangkan

kasus ketika regressor sangat eksogen. Ingatlah bahwa ini membutuhkan kesalahan, ut,
menjadi tidak berkorelasi dengan regressor di semua periode waktu jadi, antara lain,
mengesampingkan model dengan variabel dependen yang tertinggal.

2.2.1 A t Test untuk AR(1) Serial Correlation with Strictly Exogenous Regressors
Meskipun ada banyak cara di mana istilah kesalahan dalam model regresi berganda
dapat dikorelasikan secara serial, model yang paling populer—dan yang paling sederhana
untuk dikerjakan—adalah model AR(1) dalam persamaan (12.1) dan (12.2). Pada bagian
sebelumnya, kami menjelaskan tentang implikasi melakukan OLS ketika kesalahan
berkorelasi serial secara umum, dan kami menurunkan varian estimator kemiringan OLS
dalam model regresi sederhana dengan AR(1) kesalahan. Kami sekarang menunjukkan cara
menguji keberadaan korelasi serial AR(1). Nol hipotesis adalah bahwa tidak ada korelasi
serial. Oleh karena itu, seperti halnya dengan uji heteroskedastisitas, kami menganggap yang
terbaik dan membutuhkan data untuk memberikan bukti yang cukup kuat bahwa asumsi ideal
tidak ada korelasi serial dilanggar.

Kami pertama kali mendapatkan uji sampel besar dengan asumsi bahwa variabel
penjelas sangat eksogen: nilai yang diharapkan dari Ut , mengingat seluruh sejarah
independent variabel, adalah nol. Selain itu, dalam (12.1), kita harus mengasumsikan bahwa

Ini adalah
asumsi standar dalam
model AR( 1) (yang
mengikuti ketika { e t } adalah i.i.d. urutan), dan mereka memungkinkan kita untuk
menerapkan hasil sampel besar dari untuk regresi dinamis. Seperti pengujian untuk
heteroskedastisitas, hipotesis nol adalah yang sesuai Asumsi Gauss-Markov benar. Dalam
model AR(1), hipotesis nol bahwa kesalahan serial tidak berkorelasi adalah

Bagaimana kita bisa menguji hipotesis ini? Jika Ut diamati, kemudian, di bawah
(12.10) dan (12.11), kita dapat segera menerapkan hasil normalitas asimptotik dari Teorema
11.2 ke model regresi dinamis

(Di bawah hipotesis nol ρ = 0 {ut} jelas sangat bergantung.) Dengan kata lain, kita
bisa memperkirakan ρ dari regresi dari ut on t-1, untuk semua t = 2, …, n, tanpa penyadapan,
dan gunakan statistik t biasa untuk ρ̂ . Ini tidak bekerja karena kesalahan ut tidak diamati.
Namun demikian, seperti halnya pengujian heteroskedastisitas, kita dapat mengganti ut
dengan residu OLS yang sesuai, ût. Karena ût tergantung pada estimator OLS ֵβ̂0, β̂1,…, β̂k,
tidak jelas bahwa penggunaan ût untuk ut dalam regresi tidak berpengaruh pada distribusi
statistik t. Untungnya, ternyata, karena asumsi eksogenitas yang ketat, distribusi sampel besar
statistik t tidak terpengaruh dengan menggunakan residu OLS sebagai pengganti kesalahan.
Sebuah bukti berada di luar jangkauan teks ini, tetapi ini mengikuti dari karya Wooldridge
(1991b). Kami dapat meringkas uji asimtotik untuk korelasi serial AR(1) dengan sangat
sederhana.

2.2.2 Pengujian untuk AR(1) Serial Correlation dengan Strictly Exogenous Regressors:
(i) Jalankan regresi OLS dari yt on xt1,…, xtk dan mendapatkan residu OLS, ût, untuk
semua t = 1, 2, …, n.
(ii) Jalankan regresi dari
ût on ût-1, for all t = 2, …, n,
(iii) Gunakan tp̂ untuk uji H0: ρ = 0 terhadap H1 ρ ≠ 0 dengan cara biasa. (Sebenarnya, sejak
ρ> 0 sering diharapkan apriori, alternatifnya bisa H1: ρ > 0.) kami menyimpulkan
bahwa korelasi serial adalah masalah yang harus ditangani hanya jika H 0 ditolak pada
tingkat 5%. Sebagai selalu, yang terbaik adalah melaporkan nilai-p untuk pengujian.

Dalam memutuskan apakah korelasi serial perlu diperhatikan, kita harus ingat
perbedaan antara signifikansi praktis dan statistik. Dengan ukuran sampel yang besar, Ini
mungkin untuk menemukan korelasi serial meskipun ρ̂ secara praktis kecil; ketika ρ̂
mendekati nol, prosedur inferensi OLS biasa tidak akan jauh. Hasil seperti itu agak jarang
dalam aplikasi deret waktu karena kumpulan data deret waktu biasanya kecil. prosedur
inferensi OLS biasa tidak akan jauh [lihat persamaan (12.4)]. Hasil seperti itu agak jarang
dalam aplikasi deret waktu karena kumpulan data deret waktu biasanya kecil.

1.6 2.3 Correcting For Serial Correlation With Strictly Exogenous Regressors
Jika kita mendeteksi korelasi serial setelah menerapkan salah satu pengujian di
Bagian 12.2, kita harus melakukan sesuatu tentang itu. Jika tujuan kita adalah memperkirakan
model dengan dinamika lengkap, kita membutuhkannya untuk menentukan ulang model.
Dalam aplikasi di mana tujuan kita bukan untuk memperkirakan sepenuhnya dinamis model,
kita perlu menemukan cara untuk melakukan inferensi statistik: seperti yang kita lihat di
Bagian 12.1, statistik tes OLS yang biasa tidak lagi valid. Pada bagian ini, kita mulai dengan
kasus penting korelasi serial AR(1). Pendekatan tradisional untuk masalah ini
mengasumsikan regressor tetap. Apa yang sebenarnya dibutuhkan adalah regressor yang
sangat eksogen.

2.3.1 Memperoleh Estimator Tak Bias Linear Terbaik dalam Model AR(1).
Kami mengasumsikan asumsi Gauss-Markov TS.1 hingga TS.4, tetapi kami
melonggarkan Asumsi TS.5. Secara khusus, kami berasumsi bahwa kesalahan mengikuti
model AR(1)

ut = put −1 + e t , untuk semua t = 1,2,… (12.26)

Ingatlah bahwa Asumsi TS.3 menyiratkan bahwa ut memiliki rata-rata nol bersyarat
pada X. Di analisis berikut, kami membiarkan pengkondisian pada X tersirat untuk
menyederhanakan notasi. Jadi, kami menulis varian dari ut sebagai:

Var(ut ¿ = σ 2e / (1- p2). (12.27)

Untuk kesederhanaan, pertimbangkan kasus dengan satu variabel penjelas:

y t =β 0+ ¿ β 1 x t +u t, untuk semua t = 1,2,…,n.

Karena masalah pada persamaan ini adalah korelasi serial pada ut , masuk akal untuk
mengubah persamaan untuk menghilangkan korelasi serial. Untuk t≥ 2, kami menulis:
 y t −1 =β 0+ ¿ β 1 x t −1 +ut −1

y t =β 0+ ¿ β 1 x t +u t.

Sekarang, jika kita mengalikan persamaan pertama ini dengan ρ dan mengurangkannya dari
persamaan kedua, kita mendapatkan:

y t −ρ y t−1=¿ ) β 0 + β 1 ( x t −ρxt −1 ) +e t , t≥ 2,

di mana kita telah menggunakan fakta bahwa e t =ut −ρu t−1. Kita dapat menulis ini sebagai:

~y t=(1−ρ) β0 + β ~
1 x t + et , t ≥ 2 , (12.28)

dimana:

~y = y −ρy , ~x =x −ρx
t t t−1 t t t −1 (12.29)

disebut data kuasi-diferensiasi. (Jika ρ=1, ini adalah data yang berbeda, tapi ingat
kami mengasumsikan |ρ|< 1.¿ Istilah kesalahan dalam (12.28) tidak berkorelasi secara
berurutan; sebenarnya, persamaan ini memenuhi semua asumsi Gauss-Markov. Artinya, jika
kita mengetahui ρ , kita dapat mengestimasi β dan β dengan meregresikan ~y pada ~
0 1 x,t t

asalkan kita membagi estimasi intersep oleh (1- ρ ¿ .

Estimator OLS dari (12.28) tidak cukup BLUE karena tidak menggunakan periode
waktu pertama. Ini mudah diperbaiki dengan menulis persamaan untuk t=1 sebagai:

y 1=β 0 +¿ β 1 x 1 +u1. (12.30)

Karena setiap e t tidak berkorelasi dengan u1, kita dapat menambahkan (12.30) ke
(12.28) dan masih memiliki kesalahan serial yang tidak berkorelasi. Namun, dengan
menggunakan (12.27), Var(u1) = σ 2e /(1−ρ2 )> σ 2e = Var(e t ¿. [Persamaan (12.27) jelas tidak
berlaku ketika kami |ρ|≥ 1, oleh karena itu kami mengasumsikan kondisi stabilitas.] Jadi, kita
harus mengalikan (12.30) dengan ¿ ¿untuk mendapatkan kesalahan dengan varian yang sama:

¿¿

atau

~y =¿ ¿ + β ~ ~
1 1 x 1 + u1, (12.31)
 dimana ~
u1 =¿ ¿, ~y 1=¿ ¿ dan seterusnya. Kesalahan pada (12.31) memiliki variasi Var(
~
u1 ) = (1- ρ2 ¿ Var(u1 ¿ = σ 2e, sehingga kita dapat menggunakan (12.31) bersama dengan (12.28)

dalam regresi OLS. Ini memberikan estimator BLUE dari β 0 dan β 1 di bawah Asumsi TS.1
hingga TS.4 dan model AR(1) untuk ut . Ini adalah contoh lain dari kuadrat terkecil yang
digeneralisasikan (atau GLS) estimator. Kami melihat estimator GLS lain dalam konteks
heteroskedastisitas di Bab 8.

Menambahkan lebih banyak regressor hanya mengubah sedikit. Untuk t≥2, kami
menggunakan persamaan:

~y =( 1−ρ ) β + β ~ ~
t 0 1 x t 1 +¿ … + β k x tk +e t , (12.32)

dimana ~
x tj =x tj −ρxt −1 , j. Untuk t = 1, kita punya ~y 1 = ¿ ¿dan intersep adalah ¿ ¿Untuk
ρ tertentu, cukup mudah untuk mengubah data dan membawanya keluar OLS. Kecuali ρ=0,
estimator GLS, yaitu OLS pada data yang diubah, akan umumnya berbeda dari estimator
OLS asli. Estimator GLS ternyata menjadi BLUE, dan, karena kesalahan dalam persamaan
yang diubah secara berurutan tidak berkorelasi dan homoskedastik, statistik t dan F dari
persamaan yang ditransformasikan valid (setidaknya asimtotik, dan tepat jika kesalahan e t
terdistribusi normal).

2.3.2 Estimasi GLS yang Layak dengan Kesalahan AR(1).

Masalah dengan estimator GLS adalah bahwa ρ jarang diketahui dalam praktiknya.
Namun, kita sudah tahu cara mendapatkan estimator ρ yang konsisten: kita cukup melakukan
regresi OLS residu pada bagian-bagiannya yang tertinggal, persis seperti pada persamaan
(12.14). Selanjutnya, kita menggunakan estimasi ini, ^ρ , di tempat ρ untuk mendapatkan
variabel kuasi-diferensiasi. Kita kemudian menggunakan OLS pada persamaan

~y =β ~ ~ ~
t 0 x t 0 + β 1 x t 1 +¿… + β k x tk + error t , (12.33)

dimana ~
x t 0 = (1- ^ρ ¿untuk t≥2, dan ~
x 10 = ¿ ¿. Ini menghasilkan GLS yang layak (FGLS)
estimator dari β j . Istilah kesalahan dalam (12.33) berisi e t dan juga syarat-syarat yang
melibatkan kesalahan estimasi dalam ^ρ . Untungnya, kesalahan estimasi pada ^ρ tidak
mempengaruhi distribusi asimptotik dari estimator FGLS.

1. Estimasi GLS yang Layak untuk Model AR(1):

(i) Jalankan regresi OLS dari y t pada x t 1, …, x tk dan dapatkan residu OLS, u^ t , t=1, 2,
…, n.
(ii) Jalankan regresi dalam persamaan (12.14) dan dapatkan ^ρ .
(iii) Terapkan OLS ke persamaan (12.33) untuk mengestimasi β 0, β 1, …, β k .
Kesalahan standar biasa, statistik t, dan statistik F valid secara asimtotik.
Biaya penggunaan ^ρ di tempat ρ adalah bahwa estimator GLS yang layak
tidak memiliki batas yang dapat ditelusuri properti sampel. Secara khusus, tidak bias,
meskipun konsisten dengan data tergantung lemah. Selanjutnya, bahkan jika e t pada
(12.32) terdistribusi normal, statistik t dan F hanya mendekati t dan F terdistribusi
karena kesalahan estimasi pada ^ρ . Ini baik untuk sebagian besar tujuan, meskipun kita
harus berhati-hati dengan ukuran sampel yang kecil. Karena estimator FGLS tidak
bias, kita tentu tidak bisa mengatakannya BLUE.
Ada beberapa nama untuk estimasi FGLS dari model AR(1) yang berasal dari
metode yang berbeda untuk memperkirakan ρ dan perlakuan yang berbeda dari
pengamatan pertama. Estimasi Cochrane-Orcutt (CO) menghilangkan pengamatan
pertama dan menggunakan ^ρ dari (12.14), sedangkan estimasi Prais-Winsten (PW)
menggunakan pengamatan pertama dengan cara yang disarankan sebelumnya. Secara
asimtotik, tidak ada bedanya apakah pengamatan pertama digunakan atau tidak
digunakan, tetapi banyak sampel deret waktu berukuran kecil, sehingga
perbedaannya dapat terlihat jelas pada aplikasi.
Dalam praktiknya, metode Cochrane-Orcutt dan Prais-Winsten digunakan
dalam skema iteratif. Artinya, setelah estimator FGLS ditemukan menggunakan ^ρ dari
(12.14), kita dapat hitung himpunan residu baru, dapatkan estimator baru S dari
(12.14), transformasikan data menggunakan estimasi baru ρ , dan estimasi (12.33)
dengan OLS. Kita bisa mengulangi keseluruhan prosesnya berkali-kali, sampai
perkiraan ρ berubah sangat sedikit dari iterasi sebelumnya. Banyak paket regresi
menerapkan prosedur berulang secara otomatis, jadi begitulah tidak ada pekerjaan
tambahan bagi kami. Sulit untuk mengatakan apakah lebih dari satu iterasi membantu.
Tampaknya membantu dalam beberapa kasus, tetapi, secara teoritis, sifat sampel besar
dari penaksir iterasi sama dengan penaksir yang hanya menggunakan iterasi pertama.
2.3.3 Membandingkan OLS dan FGLS
Dalam beberapa penerapan metode Cochrane-Orcutt atau Prais-Winsten, estimasi
FGLS secara praktis berbeda dengan estimasi OLS. (Bukan itu masalahnya dalam Contoh
12.4.) Untuk mengetahui alasannya, pertimbangkan model regresi:

y t =β 0+ ¿ β 1 x t +u t,

Di mana proses deret waktu stasioner. Sekarang, dengan asumsi bahwa hukum
bilangan besar berlaku, konsistensi OLS untuk β 1 berlaku jika:

Cov( x t , ut ¿=0. (12.34)

Sebelumnya, kami menegaskan bahwa FGLS konsisten dengan asumsi eksogen yang
ketat, yang lebih ketat dari (12.34). Bahkan, dapat ditunjukkan bahwa asumsi terlemah yang
harus dipegang agar FGLS konsisten, selain (12.34), adalah jumlah dari x t−1dan x t +1 tidak
berkorelasi dengan ut :
Cov ⌊(x t−1 + x t +1), ut ⌋ = 0. (12.35)
Secara praktis, konsistensi FGLS membutuhkan ut menjadi tidak berkorelasi dengan
x t−1, x t ,
dan x t +1. Bagaimana kita dapat menunjukkan bahwa kondisi (12.35) diperlukan bersama
dengan (12.34)? Argumen sederhana jika kita menganggap ρ diketahui dan menghilangkan
periode waktu pertama, seperti di Cochrane-Orcutt. Argumen ketika kita menggunakan ^ρ
secara teknis lebih sulit dan tidak menghasilkan wawasan tambahan. Sejak satu pengamatan
tidak dapat memengaruhi sifat asimptotik dari suatu estimator, menjatuhkannya tidak
mempengaruhi argumen. Sekarang, dengan ρ yang diketahui, estimator GLS menggunakan
x t −ρxt −1 sebagai regresi dalam persamaan di mana ut −ρut −1 adalah kesalahannya. Dari
Teorema 11.1, kita mengetahui kuncinya syarat konsistensi OLS adalah kesalahan dan
regressor tidak berkorelasi. Di kasus ini, kita membutuhkan E[( x t −ρxt −1)( ut −ρut −1)] 0. Jika
kita memperluas ekspektasi, kita dapatkan:
2
E[( x t −ρxt −1)( ut −ρut −1)] = E( x t ut ¿ - ρE ( x t−1 ut ) −ρE ( xt u t−1 ) + ρ E ( xt −1 u t−1 )

= - ρ [ E( x t −1 ut ) ] + E ( x t ut −1 )
karena E( x t ut ) = E( x t−1 ut−1) = 0 dengan asumsi (12.34). Sekarang, di bawah stasioneritas,
E ( x t ut −1 ) = E ( x t +1 ut ) karena kita hanya menggeser indeks waktu satu periode ke depan.
Karena itu,
 E( x t−1 ut ) + E ( x t ut −1 ) = E[ (x t −1+ x t +1 )ut ],
dan ekspektasi terakhir adalah kovarians pada persamaan (12.35) karena E( ut ) = 0. Ini
menunjukkan bahwa (12.35) diperlukan bersama dengan (12.34) agar GLS konsisten untuk
β 1. [Tentu saja, jika ρ=¿ 0, kita tidak perlu (12.35) karena kita kembali melakukan OLS.]
Derivasi kami menunjukkan bahwa OLS dan FGLS mungkin memberikan estimasi
yang berbeda secara signifikan karena (12.35) gagal. Dalam hal ini, OLS yang masih
konsisten di bawah (12.34) lebih disukai daripada FGLS (yang tidak konsisten). Jika x
memiliki efek tertinggal pada y, atau x t +1 bereaksi perubahan di ut , FGLS dapat menghasilkan
hasil yang menyesatkan.
Karena OLS dan FGLS adalah prosedur estimasi yang berbeda, kami tidak pernah
mengharapkannya untuk memberikan estimasi yang sama. Jika mereka memberikan
perkiraan serupa dari β j , maka FGLS lebih disukai jika ada bukti serial korelasi, karena
estimator lebih efisien dan statistik uji FGLS setidaknya valid secara asimtotik.

Contoh berikutnya memberikan kasus di mana OLS dan FGLS secara praktis berbeda.
Contoh Kurva Statis Phillips:
Tabel 12.2 menyajikan estimasi OLS dan iterasi Prais-Winsten dari kurva Phillips statis
dari Contoh 10.1, dengan menggunakan pengamatan hingga tahun 1996.

Koefisien kepentingan ada pada unem, sangat berbeda antara PW dan OLS. Karena
estimasi PW konsisten dengan trade off inflasi-pengangguran, sepuluh detensi kita adalah
untuk fokus pada estimasi PW. Faktanya, perkiraan ini cukup dekat dengan apa yang ada
diperoleh dengan terlebih dahulu membedakan inf dan unem yang masuk akal karena kuasi
perbedaan yang digunakan dalam PW dengan ρ^ = 0,781 mirip dengan pembedaan pertama.
Mungkin saja inf dan unem tidak berhubungan di level, tetapi mereka memiliki a hubungan
negatif pada perbedaan pertama.
Contoh seperti kurva Phillips statis dapat menimbulkan masalah yang sulit bagi
peneliti empiris. Di satu sisi, jika kita benar-benar tertarik pada hubungan yang statis, dan
jika pengangguran dan inflasi adalah proses I(0), maka OLS menghasilkan estimator yang
konsisten tanpa asumsi tambahan. Tapi bisa jadi pengangguran, inflasi, atau keduanya
memiliki akar unit, dalam hal ini OLS tidak perlu memiliki sifat yang biasanya diinginkan.

2.3.4 Memperbaiki Korelasi Serial Orde Tinggi

Dimungkinkan juga untuk mengoreksi urutan korelasi serial yang lebih tinggi. Di sini,
kami mengilustrasikan pendekatan untuk korelasi serial AR(2):
ut =ρ1 ut−1 + ρ2 ut −2 + e t ,
dimana {e t } memenuhi asumsi yang dinyatakan untuk model AR(1). Kondisi stabilitas lebih
rumit sekarang. Mereka dapat ditunjukkan:
ρ2 >−1 , ρ2−ρ1 <¿ 1, dan ρ 1 + ρ2 <¿ 1.
Misalnya, model stabil jika ρ 1 = .8 dan ρ2=¿ -.3; model tidak stabil jika ρ1=.7 dan ρ2 = .4.
Dengan asumsi kondisi stabilitas bertahan, kita dapat memperoleh transformasi yang
menghilangkan korelasi serial. Dalam model regresi sederhana, hal ini menjadi mudah bila t ¿
2:
y t −ρ1 y t−1−ρ2 y t−2=β 0 ( 1− ρ1−ρ2 ) + β 1 ¿
atau
~y =β ( 1−ρ −ρ ) + β ~
t 0 1 2 1 x t + et , t =3,4 , … , n . (12.36)
Jika kita mengetahui ρ1 dan ρ2, kita dapat dengan mudah memperkirakan persamaan ini
dengan OLS setelah mendapatkan variabel yang ditransformasi. Karena kita jarang
mengetahui ρ1 dan ρ2, kita harus memperkirakannya. Seperti biasanya, kita bisa
menggunakan residu OLS, u^ t : dapatkan ^ρ1 dan ^ρ2 dari regresi:
ut pada u^ t −1 , u^ t−2, t = 3,…,n.
[Ini adalah regresi yang sama yang digunakan untuk menguji korelasi seri AR(2) dengan
regresi eksogen yang ketat.] Kemudian, kami menggunakan ^ρ 1 dan ^ρ2 menggantikan ρ1 dan
ρ2 untuk memperoleh transformasi variabel. Ini memberikan satu versi estimator GLS yang
layak. Jika kita
memiliki banyak variabel penjelas, kemudian masing-masing
ditransformasikan oleh ~
x tj =x tj −^ρ 1 x t −1, j - ^ρ2 xt −2 , j , ketika t¿2.
Perlakuan dari dua pengamatan pertama sedikit rumit. Dapat ditunjukkan bahwa variabel
dependen dan setiap variabel independen (termasuk intersep) seharusnya diubah oleh:

~z ={ ( 1+ ρ ) [ 1−ρ ¿2− ρ2 ] /1−ρ }1/2 Z1

1 2 2 1 2

~z =¿
2

Di mana Z1 dan Z2 menunjukkan variabel dependen atau independen pada t=1 dan t=2,
masing-masing. Kami tidak akan menurunkan transformasi ini. Singkat cerita, mereka
menghilangkan serial tersebut korelasi antara dua pengamatan pertama dan buat varian
kesalahannya sama dengan σ 2e .Untungnya, paket ekonometrik yang diarahkan pada analisis
deret waktu dengan mudah mengestimasi model dengan kesalahan umum AR(q).

1.7 2.4 Serial Correlation-Robust Inference After OLS

Belakangan tahun ini, Serial Correlation telah menjadi lebih populer untuk
memperkirakan model dengan OLS tetapi untuk memperbaiki kesalahan standar bentuk
korelasi serial yang cukup sembarang (dan heteroskedastisitas). Meskipun kita tahu OLS
tidak efisien, ada beberapa alasan baik untuk mengambil pendekatan ini. Pertama, variabel
penjelas mungkin tidak sepenuhnya eksogen. Pada kasus ini, FGLS bahkan tidak konsisten,
apalagi efisien. Kedua, di sebagian besar aplikasi FGLS, kesalahan diasumsikan mengikuti
model AR (1). Mungkin akan lebih baik untuk menghitung standar error untuk perkiraan OLS
yang kuat bentuk korelasi serial correlation.
Misal persamaannya (12.4) yang dimana variasi dari OLS Slope Estimator dalam
model regresi sederhana dengan error AR(1). Kita dapat memperkirakan varian ini dengan
sangat mudah, dengan cara menghubungkan standar estimator dari ρ dan σ 2. Satu-satunya
masalah dalam hal ini adalah kita mengasumsikan model AR(1) dan juga mengasumsikan
homoskedastisitas. Hal ini memungkinkan kedua asumsi itu relex.
Di sini, kami menyediakan metode sederhana untuk menghitung standar error yang
kuat dari koefisien OLS. Misalkan standar multiple linear model regresi
[12.40]
Dimana telah kami estimasikan dengan OLS. Untuk konkret, kami tertarik untuk
mendapatkan serial correlation–kesalahan standar yang kuat untuk . Ini ternyata cukup
mudah. Menulis x t 1 sebagai fungsi linier dari variabel independen yang tersisa dan istilah
kesalahan dengan,
Di mana kesalahan rt memiliki rata-rata nol dan tidak terkait dengan x t 2 , x t 3 … , x tk .
Selanjutnya, dapat ditunjukkan bahwa varians asimptotik dari penaksir OLS adalah

Dibawah asumsi bukan serial

correlation TS.5’ ,
biasa (di bawah homoskedastisitas) atau kesalahan standar heteroskedastisitas-kuat akan
valid. Tetapi jika TS.5’ gagal, ekspresi kami untuk Avar( ) harus menjelaskan korelasi antara
a t dan a s, ketika t ≠ s. Dalam praktiknya, adalah umum untuk mengasumsikan bahwa, begitu
istilah-istilah tersebut terpisah lebih jauh dari beberapa periode, korelasinya pada dasarnya
adalah nol. Ingatlah bahwa di bawah ketergantungan yang lemah, korelasinya harus
mendekati nol, jadi ini adalah pendekatan yang masuk akal.

Mengikuti kerangka umum Newey and West (1987), Wooldridge (1989) menunjukkan
bahwa Avar( ) dapat diperkirakan. Biarkan, tunjukkan kesalahan standar OLS yang biasa
(tetapi salah) dan biarkan menjadi kesalahan standar regresi yang biasa (or root mean
squared error) dari estimasi (12.40) dengan OLS. Biarkan menunjukkan residu dari regresi
penolong,

x t 1 on x t 2 , x t 3 … , x tk .

Untuk bilangan bulat yang dipilih g > 0, menentukan

[12.42]

Dimana,

Ini terlihat sedikit rumit, tetapi dalam praktiknya mudah untuk diperoleh. Bilangan
bulat g pada (12.42) mengontrol berapa banyak korelasi serial yang kami izinkan dalam
menghitung standar kesalahan. Setelah kami memiliki . Serial correlation–robust standard
error hanya,

[12.43]
Dengan kata lain, kami mengambil kesalahan standar OLS yang biasa
dari ,membaginya dengan mengkuadratkan hasil , dan kemudian kalikan dengan akar
kuadrat dari . Ini dapat digunakan untuk membangun kepercayaan interval dan statistik t
untuk . Ini sangat berguna untuk melihat seperti apa dalam beberapa kasus sederhana,
Ketika g = 1

[12.44]

Dan, Ketika g = 2

[12.45]

Semakin besar g, semakin banyak istilah yang disertakan untuk mengoreksi korelasi serial.
Tujuan dari faktor [1 - h/(g - 1)] dalam (12.42) yaitu untuk memastikan bahwa sebenarnya
non-negatif [Newey and West (1987) memverifikasi ini]. Kami butuh menjelaskan ≥ 0 saat
memperkirakan varians dan akar kuadrat muncul di (12.43).

Kesalahan standar dalam (12,43) juga kuat untuk heteroskedastisitas sembarang.

Bahkan, jika kita jatuhkan istilah kedua di (12,42), kemudian (12,43) menjadi
heteroskedastisitas-kuat biasa kesalahan standar yang kita bahas di Bab 8 (tanpa tingkat
penyesuaian kebebasan).

Teori yang mendasari kesalahan standar dalam (12.43) bersifat teknis dan agak mulus.
Ingat, kami memulai dengan mengklaim bahwa kami tidak tahu bentuk korelasi serial. Jika
ini masalahnya, bagaimana kita bisa memilih bilangan bulat g? Teori menyatakan bahwa
(12.43) bekerja untuk bentuk korelasi serial yang cukup sembarang, asalkan g tumbuh dengan
ukuran sampel n. Idenya adalah bahwa, dengan ukuran sampel yang lebih besar, kita bisa
lebih fleksibel tentang jumlah korelasi dalam (12,42). Untuk data tahunan, memilih g kecil,
seperti g =1 atau g = 2, kemungkinan akan menjelaskan sebagian besar korelasi serial. Untuk
data triwulanan atau bulanan, g mungkin harus lebih besar (seperti g = 4 atau 8 untuk
triwulanan dan g = 12 atau 24 untuk bulanan), dengan asumsi bahwa kita memiliki data yang
cukup. Katakanlah, n 50, g = 3. (Bagian bilangan bulat dari n1/4 memberikan g = 2.)
 Kami meringkas cara mendapatkan serial correlation–standar error yang kuat untuk .
Tentu saja, kita dapat membuat daftar variabel independen terlebih dahulu, prosedur berikut
berfungsi untuk menghitung kesalahan standar untuk koefisien kemiringan apa pun.

Serial Correlation–Robust Standard Error for :

i. Estimate (12.40) dengan OLS, menghasilkan “se( )”, , dan residu OLS
ii. Menghitung residu dari regresi penolong (12.41). Kemudian dari
(untuk masing-masing t)
iii. Untuk memilih g, akan menghasilkan seperti dalam (12.42)
iv. Menghasilkan se( ) dari (12.43)
Penggunaan kesalahan standar yang kuat Serial Correlation telah tertinggal di
belakang penggunaan kesalahan standar kuat hanya untuk heteroskedastisitas karena
beberapa alasan. Pertama, melewati bagian besar, di mana kesalahan standar
heteroskedastisitas-kuat akan memiliki sifat yang baik, lebih umum daripada deret waktu
yang besar. Kesalahan standar SC-robust dapat berperilaku buruk ketika ada korelasi serial
substansial dan ukuran sampel kecil (di mana kecil bahkan bisa sebesar seperti, katakanlah,
100).
Alasan penting lainnya bahwa kesalahan standar SC-robust belum dihitung secara
rutin, di hadapan korelasi serial yang parah, OLS bisa sangat tidak efisien, terutama dalam
ukuran sampel kecil. Setelah melakukan OLS dan memperbaiki kesalahan standar untuk
serial korelasi, kami menemukan koefisien seringkali tidak signifikan, atau setidaknya
kurang signifikan daripada mereka dengan kesalahan standar OLS yang biasa.

1.8 2.5 Hesteroskedasticity In Time Series Regressions

 BAB III PENUTUP

1.9 3.1 Kesimpulan

Kami telah membahas masalah penting korelasi serial dalam kesalahan model regresi
berganda. Korelasi positif antara kesalahan yang berdekatan adalah umum, terutama dalam
statis dan model lag terdistribusi terbatas. Hal ini menyebabkan kesalahan dan statistik
standar OLS yang biasa menjadi menyesatkan. Biasanya, OLS kesalahan standar
meremehkan ketidakpastian sebenarnya dalam perkiraan parameter.
Model korelasi serial yang paling populer adalah model AR(1). Menggunakan ini
sebagai permulaan titik, mudah untuk menguji keberadaan korelasi serial AR(1)
menggunakan residu OLS. Sebuah statistik t yang valid secara asimptotik diperoleh dengan
meregresi residu OLS pada residu yang tertinggal, dengan asumsi regresi benar-benar eksogen
dan asumsi homoskedastisitas berlaku. Membuat tes kuat terhadap heteroskedastisitas itu sederhana.
Statistik Durbin-Watson tersedia di bawah asumsi model linier klasik, tetapi dapat menyebabkan hasil
yang tidak meyakinkan, dan itu memiliki sedikit untuk ditawarkan melalui tes t.
Dalam model dengan regresor eksogen yang ketat, kita dapat menggunakan prosedur
GLS yang layak—Cochrane-Orcutt atau Prais-Winsten—untuk mengoreksi korelasi serial
AR(1). Ini memberikan perkiraan yang berbeda dari perkiraan OLS: perkiraan FGLS
diperoleh dari OLS pada variabel quasi-differenced. Semua statistik tes yang biasa dari
persamaan yang ditransformasikan adalah valid tanpa gejala. Hampir semua paket regresi
memiliki fitur bawaan untuk memperkirakan model dengan kesalahan AR(1).
Cara lain untuk menangani korelasi serial, terutama ketika asumsi eksogenitas yang
ketat mungkin gagal, adalah dengan menggunakan OLS tetapi untuk menghitung korelasi
serial–kesalahan standar yang kuat (yaitu juga kuat terhadap heteroskedastisitas). Banyak
paket regresi mengikuti metode yang disarankan oleh Newey dan Barat (1987);
Dimungkinkan juga untuk menggunakan paket regresi standar untuk mendapatkannya
kesalahan standar pada suatu waktu.
Akhirnya, kami membahas beberapa fitur khusus heteroskedastisitas dalam model deret
waktu. Seperti dalam kasus penampang, jenis heteroskedastisitas yang paling penting adalah
yang tergantung pada variabel penjelas; inilah yang menentukan apakah statistik OLS biasa
valid. Tes Breusch-Pagan dan Putih yang tercakup dalam Bab 8 dapat diterapkan secara
langsung, dengan peringatan bahwa kesalahan tidak boleh berkorelasi secara serial.
 DAFTAR PUSTAKA

Seddighi, H. (2013). Introductory Econometrics. Introductory Econometrics.

https://doi.org/10.4324/9780203157688