PENDUGAAN PARAMETER ARIMA MENGGUNAKAN METODE MOMENT, METODE KUADRAT TERKECIL, MAXIMUM LIKELIHOOD
PENDAHULUAN
salah satu tujuan identifikasi model adalah untuk menetapkan model sementara atau model tentativ atau
menetapkan orde AR sementara.
Tiga metode estimasi parameter:
Metode yang paling mudah untuk diterapkan, dimana penaksiran parameter berdasarkan sifat-sifat ACF
dan PACF proses AR
Autokovarian (𝛾𝑘 ) antara variabel 𝑍𝑡 dan 𝑍𝑡−𝑘 merupakan momen di sekitar rata-rata yaitu :
Karena 𝐸 𝑍𝑡 = 𝐸 𝑍𝑡−𝑘 = 0
METODE MOMEN
Model AR(p):
Model AR(1):
Dari penduga Yule-Walker, diperoleh :
CONTOH METODE MOMEN PADA AR(2)
Model MA(1):
Estimasi parameter :
Adalah :
1. Rata-rata nol E(et)=0
2. Ragam konstan 𝐸 𝑒𝑡2 = 𝜎𝑒2
3. Tidak ada autokorelasi 𝐸 𝑒𝑡 , 𝑒𝑘 = 0 untuk 𝑡 ≠ 𝑘
4. Tidak ada autokorelasi dengan variable predictor 𝑋𝑡 ; 𝐸 𝑋𝑡 , 𝑒𝑘 = 0
Metode kuadrat terkecil pada model regresi:
Estimasi parameter model deret waktu dengan metode kuadrat terkecil melanggar asumsi yang ke-4 karena
𝑋𝑡 merupakan variable stokastik yang seringkali berkorelasi dengan et
METODE KUADRAT TERKECIL (ORDINAY LEAST SQUARE/OLS)
Metode OLS adalah suatu metode untuk mencari penduga parameter regresi dengan cara meminimumkan
jumlah kuadrat galat (selisih antara nilai aktual dan ramalan)
Model AR(p):
(𝑍𝑡 −𝜇) = 𝜙1 (𝑍𝑡−1 −𝜇) + 𝜙2 (𝑍𝑡−2 −𝜇) + ⋯ + 𝜙𝑝 (𝑍𝑡−𝑝 −𝜇) + 𝑎𝑡
Model AR(p) ini dapat dipandang sebagai model regresi dengan 𝑍𝑡−1 , 𝑍𝑡−2 , … , 𝑍𝑡−𝑝 sebagai variable prediktor,
𝑍𝑡 sebagai variable respon, 𝜇, 𝜙1 ,…, 𝜙𝑝 sebagai parameter , 𝑎𝑡 sebagai galat atau error
METODE KUADRAT TERKECIL
Jumlah kuadrat galat pada model AR(p) sebagai berikut:
𝑛 2
S 𝜇, 𝜙1 , … , 𝜙𝑝 = 𝑡=𝑝+1 𝑎𝑡
𝑛
2
= (𝑍𝑡 −𝜇) −𝜙1 (𝑍𝑡−1 −𝜇) − ⋯ − 𝜙𝑙 (𝑍𝑡−𝑙 −𝜇) + ⋯ + 𝜙𝑝 (𝑍𝑡−𝑝 −𝜇)
𝑡=𝑝+1
𝑛 𝑛 𝑛
𝑛
𝑡=𝑝+1 𝑍𝑡 − 𝜙1 𝑛𝑡=𝑝+1 𝑍𝑡−1 − ⋯ − 𝜙𝑝 𝑛
𝑡=𝑝+1 𝑍𝑡−𝑝
𝜇=
(𝑛 − 𝑝)(1 − 𝜙1 −. . −𝜙𝑝 )
𝜕 𝑛
S 𝜇, 𝜙1 , … , 𝜙𝑝 = 2 𝑡=𝑝+1 (𝑍𝑡 −𝜇) −𝜙1 (𝑍𝑡−1 −𝜇) − 𝜙2 (𝑍𝑡−2 −𝜇) + ⋯ + 𝜙𝑝 (𝑍𝑡−𝑝 −𝜇) (−1 (𝑍𝑡−𝑙 − 𝜇))
𝜕𝜙𝑙
𝑛 𝑛 𝑛 𝑛
(𝑍𝑡 −𝑍) (𝑍𝑡−𝑙 − 𝑍) − 𝜙1 (𝑍𝑡−1 −𝑍) (𝑍𝑡−𝑙 − 𝑍) − ⋯ 𝜙𝑙 (𝑍𝑡−1 −𝑍)2 − . . −𝜙𝑝 (𝑍𝑡−𝑝 −𝑍) (𝑍𝑡−𝑙 − 𝑍) = 0
𝑡=𝑝+1 𝑡=𝑝+1 𝑡=𝑝+1 𝑡=𝑝+1
𝑛 2
dibagi dengan 𝑡=𝑝+1(𝑍𝑡−1 −𝑍) =𝛾0 >0, diperoleh
𝑛 𝑛 𝑛 2 𝑛
𝑡=𝑝+1(𝑍𝑡 −𝑍) (𝑍𝑡−𝑙 − 𝑍) − 𝜙1 𝑡=𝑝+1(𝑍𝑡−1 −𝑍) (𝑍𝑡−𝑙 − 𝑍) − ⋯ 𝜙𝑙 𝑡=𝑝+1(𝑍𝑡−1 −𝑍) − . . −𝜙𝑝 𝑡=𝑝+1(𝑍𝑡−𝑝 −𝑍) (𝑍𝑡−𝑙 − 𝑍)
𝑛
𝑡=𝑝+1(𝑍𝑡−1 −𝑍)2
METODE KUADRAT TERKECIL
Jika diselesaikan, akan dperoleh penduga yang sama dengan metode momen
METODE KUADRAT TERKECIL
Untuk p =1 (AR(1) :
𝜙1 = 𝜌1
untuk p = 2 (AR(2) :
𝜌1 (1 − 𝜌2 ) 𝜌2 − 𝜌12
𝜙1 = ; 𝜙2 =
1 − 𝜌12 1 − 𝜌12
METODE KUADRAT TERKECIL
Model deret waktu AR(1) :
Estimasi parameter model deret waktu dengan metode kuadrat terkecil melanggar asumsi yang ke-4 karena
𝑋𝑡 merupakan variable stokastik yang seringkali berkorelasi dengan et
METODE KUADRAT TERKECIL
Jika : et = at . Dimana et white noise dengan rata-rata nol dan ragam konstan 𝜎𝑎2. Jika 𝜙 <1 maka Zt
merupakan AR(1) dengan 𝜙 merupakan estimator yang tak bias secara asimtorik dan konsisten
Jika : et = (1-𝜃𝐵)at . Dimana at white noise dengan rata-rata nol dan ragam konstan 𝜎𝑎2 , maka Zt merupakan
MA(1) dengan 𝜙 merupakan estimator yang tak bias secara asimtorik dan konsisten
Model ARMA(1,1) :
Terdapat Autokorelasi antara error dan variable prediktor lag, sehingga melanggar asumsi OLS yang ke-3 dan
ke-4. Pada ARMA (1,1) :