EKONOMETRIKA LANJUTAN (EKI 321/GP)

ADVANCED TIME SERIES TOPICS

Dosen Pengampu:
Dr. Ni Nyoman Yuliarmi, S.E., M.P.

Oleh:
Kelompok 6

Nyoman Aprilianita Harta Dewi (32/2007511241)

I Made Oka Wirajaya (33/2007511247)
Dewa Ayu Eka Hari Sita (34/2007511251)
Ni Wayan Ita Noviani (35/2007511257)
I Nyoman Frenky Priana (36/2007511259)
Ni Komang Swari Anjani (37/2007511262)

PROGRAM STUDI EKONOMI PEMBANGUNAN

FAKULTAS EKONOMI DAN BISNIS
UNIVERSITAS UDAYANA
2022

i
 KATA PENGANTAR

Puji syukur kehadapan Tuhan Yang Maha Esa yang telah melimpahkan berkah,
rahmat, dan karunia-Nya, sehingga kami dapat menyelesaikan paper yang berjudul “Advanced
Time Series Topics”. Adapun tujuan dari pembuatan paper ini yaitu untuk memenuhi dan
melengkapi tugas mata kuliah Ekonometrika pada semester 3 serta untuk menambah wawasan
mahasiswa dan pembaca untuk memahami mengenai Advanced Time Series Topics.
Kami menyadari bahwa dalam pembuatan paper ini masih banyak kesulitan dan tidak
dapat diselesaikan tanpa bantuan orang lain. Untuk itu, pada kesempatan kali ini kami
mengucapkan terima kasih kepada orang tua dan teman-teman kami yang telah memberikan
dorongan semangat serta motivasi yang tidak pernah henti. Terima kasih juga kami ucapkan
kepada dosen pengampu kelas GP yaitu Dr. Ni Nyoman Yuliarmi, S.E., M.P. dan teman-teman
dari kelompok tujuh.
Kami juga menyadari bahwa dalam menyusun paper ini masih banyak kekurangan dan
jauh dari kesempurnaan. Untuk itu kami mengharapkan masukan, saran, dan kritik untuk
membangun kesempurnaan. Semoga paper ini bermanfaat bagi kita semua. Terima kasih.

Denpasar, 22 Maret 2022

Penulis

ii
 DAFTAR ISI
HALAMAN JUDUL.......................................................................................................................i
KATA PENGANTAR ................................................................................................................... ii
DAFTAR ISI................................................................................................................................. iii
BAB I PENDAHULUAN ...................................................................................................... 1
1.1 Latar Belakang.................................................................................................... 1
1.2 Rumusan Masalah .............................................................................................. 2
1.3 Tujuan ................................................................................................................. 2
BAB II PEMBAHASAN ......................................................................................................... 3
2.1 Model Lag Tak Terdistribusi Terbatas ............................................................... 3
2.1.1 Lag Terdistribusi Geometris ..................................................................... 5
2.1.2 Model Lag Terdistribusi Rasional............................................................. 8
2.2 Menguji Root Unit .............................................................................................. 9
2.3 Regresi Palsu .................................................................................................... 16
2.4 Kointegrasi dan Model Koreksi Error .............................................................. 18
2.4.1 Kointegrasi .............................................................................................. 18
2.4.2 Model Koreksi Error ............................................................................... 21
2.5 Peramalan (Forecasting) .................................................................................. 23
2.5.1 Jenis Model Regresi Digunakan untuk Peramalan.................................. 25
2.5.2 Peramalan Satu Langkah-Satu Langkah ke Depan ................................. 26
2.5.3 Membandingkan Prakiraan Satu Langkah ke Depan .............................. 31
2.5.4 Prakiraan Langkah Maju (Multiple Step Ahead Forecast) ..................... 32
2.5.5 Proses Peramalan Tren, Musiman, dan Terpadu..................................... 35
BAB III PENUTUP ..................................................................................................................... 38
3.1 Kesimpulan ....................................................................................................... 38
3.2 Saran ................................................................................................................. 38
DAFTAR PUSTAKA .................................................................................................................. 39

iii
 BAB I
PENDAHULUAN

1.1 Latar Belakang

Analisis data runtun waktu adalah analisis data yang bergantung pada waktu. Dewasa
ini analisis data runtun waktu telah diterapkan dalam berbagai bidang, baik di bidang bisnis
dan ekonomi yaitu prediksi suku bunga bank mingguan, di bidang meteorologi yaitu prediksi
kecepatan angin yang akan timbul, di bidang biologi yaitu aktivasi jantung secara elektrik
pada interval milidetik, di bidang pemasaran yaitu penjualan dengan teknik tertentu per bulan,
dan sebagainya. Sesuai dengan teknis analisis data runtun waktu, maka diperlukan adanya
pengujian kestasioneran data terlebih dahulu. Sebuah data runtun waktu dikatakan stasioner
jika tidak terdapat perubahan sistematik pada rata-rata atau tidak ada trend. Dengan kata lain,
data memiliki variansi yang relatif homogen dan mempunyai kecenderungan untuk mendekati
nilai rata-ratanya. Ide dasar dari stasioner adalah bahwa aturan peluang mengatur suatu proses
tidak akan berubah seiring dengan waktu, dan proses tersebut berada dalam keseimbangan
secara statistik atau statistical equilibrium.
Time Series atau deret waktu merupakan barisan suatu nilai pengamatan yang diukur
dalam rentang waktu tertentu dalam interval waktu yang sama. Analisis data deret waktu
sangat aplikatif dalam dunia bisnis guna meramalkan atau memprediksi nilai suatu perolehan
data di masa yang akan datang berdasarkan data-data masa lampau. Peramalan terhadap suatu
data bisnis yang bersifat deret waktu dimanfaatkan untuk perencanaan dan proyeksi di masa
yang mendatang. Suatu peramalan data deret waktu diperoleh dari analisis deret waktu dalam
bentuk pemodelan data.
Pengabaian terhadap asumsi stasioneritas dapat menyebabkan munculnya regresi
lancung (spurious regression), yang ditandai dengan nilai R2 yang tinggi namun nilai statistik
Durbin Watsonnya rendah. Statistik Durbin-Watson digunakan untuk melihat apakah terjadi
autokorelasi pada sisaan atau tidak. Hal menarik dalam ekonometrika adalah penaksir dari
struktur persamaan atau VAR (Vector Autoregressive) memuat variabel nonstasioner. Dalam
model univariat, terlihat bahwa trend stokastik dapat dihilangkan dengan differencing atau
penstasioneran. Hasil rangkaian stasioner dapat ditaksir dengan menggunakan teknik Box-
Jenkins univariat. Namun, cara membuktikan anggapan variabel nonstasioner tidak

1
 sesederhana dalam konteks multivariat, karena adanya kombinasi linear stasioner dari
variabel-variabel acak nonstasioner. Kombinasi variabel itu disebut berkointegrasi atau
cointegration.
Pembahasan dalam bab ini menekankan di beberapa tempat yang menggunakan data
deret waktu dalam analisis regresi membutuhkan kehati-hatian karena kecenderungan, sifat
persisten dari banyak rangkaian waktu ekonomi. Tambahan untuk mempelajari topik-topik
seperti model lag terdistribusi tak terbatas yang memungkinkan perubahan penjelasan variabel
untuk mempengaruhi semua nilai masa depan dari variabel dependen. dan peramalan, kami
juga membahas beberapa yang terbaru kemajuan dalam menganalisis proses deret waktu
dengan unit root. Karena Unit root Kehadiran menyiratkan bahwa guncangan hari ini memiliki
jangka panjang, menentukan apakah sebuah proses memiliki unit root yang menarik dalam
dirinya sendiri.
1.2 Rumusan Masalah
Berdasarkan uraian dari latar belakang tersebut, adapun rumusan masalah yang akan
dibahas sebagai berikut:
1. Bagaimana model lag tak terdistribusi terbatas?
2. Bagamana cara menguji root unit?
3. Bagaimana dengan regresi palsu?
4. Bagaimana kointegrasi dan model koreksi error?
5. Bagaimana peramalan dalam ekonometrika?
1.3 Tujuan
Berdasarkan rumusan masalah tersebut, adapun tujuan yang akan didapatkan, sebagai
berikut.
1. Untuk mengetahui model lag tak terdistribusi terbatas.
2. Untuk mengetahui cara menguji root unit.
3. Untuk mengetahui regresi palsu.
4. Untuk mengetahui kointegrasi dan model koreksi error.
5. Untuk mengetahui peramalan dalam ekonometrika.

2
 BAB II
PEMBAHASAN

2.1 Model Lag Tak Terdistribusi Terbatas

Membiarkan {(𝑦𝑡,𝑧𝑡): t = ⋯ , −2, −1,0,1,2, … } menjadi proses deret waktu bivariat
(yanghanya diamati sebagian). Sebuah model infinite didistribusikan lag (IDL) terkait yt ke
nilai saat inidan semua masa lalu z adalah,
𝑦𝑡 = α + 𝛿0𝑧𝑡 + 𝛿1𝑧𝑡−1 + 𝛿2𝑧𝑡−2 + ⋯ + 𝑢𝑡 [18.1]

dimana jumlah yang tertinggal z meluas kembali ke masa lalu yang tidak terbatas. Model
ini hanyalah perkiraan terhadap kenyataan, karena tidak ada proses ekonomi yang dimulai
jauh di masa lalu. Dibandingkan dengan model lag terdistribusi terbatas, model IDL tidak
mengharuskankita memotong lag pada nilai tertentu.
Agar model (18.1) masuk akal, koefisien lag, 𝛿𝑗, harus cenderung nol sebagai j→ ∞. Ini
bukanuntuk mengatakan itu 𝛿2 besarnya lebih kecil dari 𝛿1; itu hanya berarti dampak 𝑧𝑡−𝑗
diakhirnya harus menjadi sekecil j menjadi besar. Di sebagian besar aplikasi, ini juga masuk
akal secara ekonomi: filemasa lalu yang jauh dari z harus kurang penting untuk menjelaskan y
daripada masa lalu z.
Bahkan jika kami memutuskan bahwa (18.1) adalah model yang berguna, kami jelas
tidak dapat memperkirakannya tanpa beberapa batasan. Pertama, kami hanya mengamati
riwayat data yang terbatas. Persamaan (18.1) melibatkan yang tak terbatas jumlah parameter,
𝛿0, 𝛿1, 𝛿2, …, yang tidak dapat diperkirakan tanpa batasan. Nanti, kami membatasi 𝛿𝑗yang
memungkinkan kami untukmemperkirakan (18.1).
Seperti dengan model Finite Distributed Lag (FDL), kecenderungan dampak pada (18.1)
adalah sederhana 𝛿0( lihat Bab 10). Umumnya, file 𝛿ℎ memiliki interpretasi yang sama seperti
di FDL. Seandainya 𝑧𝑠 = 0 untuk semua 𝑠 < 0 dan itu 𝑧0 = 1 dan 𝑧𝑠 = 0 untuk semua 𝑠 > 1;
dengan kata lain, pada waktunya t=0, z meningkat sementara satu unit dan kemudian kembali
ke level awal nol. Untuk apapun ℎ ≥ 0, kami punya 𝑦ℎ = α + 𝛿ℎ + 𝑢ℎ untuk semua ℎ ≥ 0, dan
seterusnya
𝐸(𝑦ℎ) = 𝛼 + 𝛿ℎ [18.2]
dimana kami menggunakan asumsi standar itu 𝑢ℎ memiliki rata-rata nol. Ini mengikuti

3
itu𝛿ℎ adalah perubahan 𝐸(𝑦ℎ) diberi satu unit, perubahan sementara z pada waktu nol. Kami
baru saja mengatakan itu 𝛿ℎ harus cenderung ke nol sebagai h menjadi besar agar IDL masuk
akal. Ini berarti perubahan sementara dalam z memiliki tidak ada efek jangka panjang sesuai
yang diharapkan 𝑦: 𝐸(𝑦ℎ) = 𝛼 + 𝛿ℎ → 𝛼 dimana ℎ → ∞.

Kami berasumsi bahwa prosesnya z dimulai pada 𝑧𝑠 = 0 dan bahwa peningkatan satu
unitterjadi pada t = 0. Ini hanya untuk tujuan ilustrasi. Secara lebih umum, jika z meningkat
sementara satu unit (dari level awal mana pun) pada waktu t, kemudian d h mengukur
perubahan nilai yang diharapkan dari y setelah h peri-ods. Distribusi lag, yaitu d h diplot
sebagai fungsi dari h, menunjukkan jalur yang diharapkan dari hasil di masa mendatang y
ikuti mengingat satu unit, peningkatan sementara z.

Kecenderungan jangka panjang dalam model (18.1) adalah jumlah dari semua koefisien
lag:

𝐿𝑅𝑃 = 𝛿𝑂 + 𝛿1 + 𝛿2 + 𝛿3 …, [18.3]
di mana kami berasumsi bahwa jumlah tak terbatas didefinisikan dengan baik. Karena 𝛿𝑗
harus konvergen ke nol, LRP seringkali dapat didekati dengan baik oleh jumlah bentuk yang
terbatas 𝛿𝑂 + 𝛿1 + ⋯ + 𝛿𝑃 untuk ukuran yang cukup besar p. Untuk menginterpretasikan LRP,
anggaplah proses tersebut 𝑧𝑡 stabil di 𝑧𝑠 = 0 untuk 𝑠 < 0. Pada t = 0, itu proses secara permanen
meningkat satu unit. Misalnya, jika 𝑧𝑡 adalah persentase perubahan jumlah uang beredar dan
𝑦𝑡adalah tingkatinflasi, maka kami tertarik pada efek kenaikan permanen satu persentase poin
dalam pertumbuhanjumlah uang beredar. Kemudian, dengan mengganti 𝑧𝑠 = 0 untuk s < 0 dan
di 𝑧𝑡 = 0 untuk 𝑡 ≥ 0, kami punya
𝑦ℎ = 𝛼 + 𝛿𝑂 + 𝛿1 + ⋯ + 𝛿ℎ + 𝑢ℎ
dimana ℎ ≥ 0adalah cakrawala apa pun. Karena u t memiliki rata-rata nol untuk semua
t, kita punya

𝐸(𝑦ℎ) = 𝛼 + 𝛿𝑂 + 𝛿1 + ⋯ + 𝛿ℎ [18.4]
Sebagai horizon meningkat, yaitu, sebagai ℎ → ∞, ropensitas kanan, plus Sebuah. Jadi,
LRP mengukur perubahan jangka panjang dalam nilai yang diharapkan dari y diberi satu unit,
permanenmeningkat z. Derivasi sebelumnya dari LRP dan interpretasi 𝛿𝑗 menggunakan
fakta bahwa kesalahan memiliki mean nol; seperti biasa, ini tidak banyak asumsition, asalkan

4
intersep disertakan dalam model. Pemeriksaan lebih dekat dari alasan kami menunjukkan
bahwa kami berasumsi bahwa perubahan tersebut z kapan saja periode tidak berpengaruh pada
nilai yang diharapkan dari𝑢𝑡. Ini adalah versi jeda terdistribusi tak terbatas dari eksogenitas
yang ketat asumsiyang kami perkenalkan di Bab 10 (khususnya, Asumsi TS.3). Secara formal,

(𝑢𝑡 | … , 𝑧𝑡−2 , 𝑧𝑡−1 , 𝑧𝑡 , 𝑧𝑡+1 , … ) = 0, [18.5]

sehingga nilai yang diharapkan 𝑢𝑡 tidak tergantung pada z di apa saja jangka waktu.
Meskipun (18.5) wajar untuk beberapa aplikasi, itu mengesampingkan kemungkinan penting
lainnya. Akibatnya, (18.5) tidak mengizinkan umpan balik dari 𝑦𝑡 ke masa depan z karena 𝑧𝑡+ℎ
harus tidakberhubungan dengan 𝑢𝑡 untuk ℎ > 0. Dalam inflasi Contoh pertumbuhan uang
beredar, dimana 𝑦𝑡 adalah inflasi dan 𝑧𝑡 adalah pertumbuhan jumlah uang beredar, (18.5)
mengesampingkan perubahan masa depan dalam pertumbuhan uang beredar yang terkait
dengan perubahan tingkat inflasi saat ini. Mengingat bahwa Kebijakan uang beredar sering
kali berupaya untuk menjaga tingkat suku bunga dan inflasi pada tingkat tertentu, ini mungkin
tidak realistis. Salah satu pendekatan untuk memperkirakan 𝛿𝑗, yang akan kita bahas pada sub-
bagian berikutnya, membutuhkan asumsi eksogenitas yang ketat untuk menghasilkan penduga
yang konsisten dari 𝛿𝑗.Asumsi yang lebih lemah adalah
(𝑢𝑡 |𝑧𝑡 , 𝑧𝑡−1 , … ) = 0 [18.6]
ini memungkinkan 𝑧𝑡 menjadi variabel yang mengikuti aturan kebijakan yang
bergantung pada masa lalu y. Terkadang, (18.6) adalah cukup untuk memperkirakan 𝛿𝑗; kami
menjelaskan hal ini di sub-bagian berikutnya.
Bagaimana kita menafsirkan koefisien lag dan LRP jika (18.6) bertahan tetapi (18.5)
tidak?Jawabannya sama seperti sebelumnya. Kita masih bisa melakukan pengalaman pikiran
(atau kontrafaktual) sebelumnyament meskipun data yang kami amati dihasilkan oleh
beberapa umpanbalik antara 𝑦𝑡 dan masa depan z. Misalnya, kita tentu dapat bertanya tentang
efek jangka panjang dari peningkatan permanen jumlah uang beredar pertumbuhan inflasi
meskipun data tentang pertumbuhan uang beredar tidak dapat dikategorikan sebagai eksogen.
2.1.1 Lag Terdistribusi Geometris
Karena umumnya ada jumlah yang tak terbatas 𝛿𝑗, kami tidak dapat secara konsisten
memperkirakannya tanpa beberapa batasan. Versi paling sederhana dari (18.1), yang
masih membuat model bergantung pada tak terbatas jumlah lag, adalah kelambatan

5
terdistribusi geometris (atau Koyck). Dalam model ini, file d j bergantung hanya pada dua
parameter:

𝛿𝑗 = 𝛾ρ𝑗 |ρ| < 1, j = 0, 1, 2, … [18.7]

LRP memiliki tanda yang sama dengan 𝛾. Jika kita pasang (18.7) ke (18.1), kita
masih memiliki model yang bergantung pada z kembali ke masa lalu yang tidak terbatas.
Namun demikian, pengurangan sederhana menghasilkan model yang dapat diperkirakan.
Tulis IDL sesekali t dan t - 1 sebagai:
𝑦𝑡 = α + γ𝑧𝑡 + 𝛾𝜌𝑧𝑡−1 + 𝛾𝜌𝑗𝑧𝑡−2 + ⋯ + 𝑢𝑡 [18.8]
dan
𝑦𝑡−1 = α + 𝛾𝜌𝑧𝑡−1 + 𝛾𝜌𝑧𝑡−2 + 𝛾𝜌𝑗𝑧𝑡−3 + ⋯ + 𝑢𝑡−1
[18.9]
Jika kita mengalikan persamaan kedua dengan r dan menguranginya dari yang
pertama, semuakecuali beberapa istilah membatalkan:
𝑦𝑡 − 𝜌𝑦𝑡−1 = (1 − 𝜌)+ 𝛾𝑧𝑡 + 𝑢𝑡 − 𝜌𝑢𝑡−1
yang bisa kita tulis sebagai
𝑦𝑡 = 𝛼0 + 𝑧𝑡 + 𝜌𝑦𝑡−1 + 𝑢𝑡 − 𝜌𝑢𝑡−1, [18.10]

dimana Sebuah 𝛼0 = (1 − 𝜌)𝛼. Persamaan ini terlihat seperti model standar dengan
variabel dependen yang tertinggal, dimana 𝑧𝑡 muncul secara bersamaan. Karena 𝛾 adalah
koefisien 𝑧𝑡 dan 𝜌 adalah koefisien 𝑦𝑡−1, tampaknya kami dapat memperkirakan parameter
ini. [Jika, karena alasan tertentu, kami tertarik 𝛼, kita dapat selalu dapatkan â =
â0 /(1 − 𝜌̂ setelah memperkirakan 𝜌 dan 𝛼0.]
Kesederhanaan dari (18.10) agak menyesatkan. Istilah kesalahan dalam
persamaan ini, 𝑢𝑡 − 𝜌𝑢𝑡−1, umumnya berkorelasi dengan 𝑦𝑡−1. Dari (18.9), cukup jelas
bahwa 𝑢𝑡−1 dan 𝑦𝑡−1 berkorelasi. Oleh karena itu, jika kita menulis (18.10) sebagai
𝑦𝑡 = 𝛼𝑡 = 𝛾𝑧𝑡 + 𝜌𝑦𝑡−1 + 𝑣𝑡 [18.11]
dimana 𝑣 ≡ 𝑢𝑡 − 𝜌𝑢𝑡−1,, maka kami biasanya memiliki korelasi antara 𝑣𝑡 dan 𝑦𝑡−1.
Tanpa asumsi lebih lanjut, estimasi OLS (18.11) menghasilkan estimasi yang tidak
konsisten 𝛾 dan 𝜌.
Satu kasus dimana 𝑣𝑡 harus dikorelasikan dengan 𝑦𝑡−1 terjadi ketika 𝑢𝑡 tidak
tergantung𝑧𝑡 dan semua nilai-nilai masa lalu z dan y. Kemudian, (18.8) selesai secara

6
dinamis, jadi 𝑢𝑡 tidak berhubungan dengan 𝑦𝑡−1 . Dari (18.9), kovariansi antara 𝑣𝑡
𝑢
dan 𝑦𝑡−1 adalah −𝜌𝑉𝑎𝑟(𝑢𝑡−1 = −𝜌𝜎2, yang nol hanya jika 𝜌 = 0. Kita dapat dengan
mudah melihat itu 𝑣𝑡 berkorelasi serial: karena {𝑢𝑡} secara serial tidak berkorelasi.
2 )−𝜌𝐸𝑢 𝑢 )+𝜌2𝐸(𝑢 𝑢 )=
𝐸(𝑣𝑡𝑣𝑡−1)=𝐸(𝑢𝑡𝑢𝑡−1)−𝜌(𝑢𝑡−1 2
𝑡 𝑡−2 𝑡−1 𝑡−2 −𝜌𝜎𝑢

Untuk 𝑗 > 1, (𝑣𝑡𝑣𝑡−𝑗) = 0.

Jadi, {𝑣𝑡} adalah proses rata-rata bergerak dari urutan satu (lihat Bagian 11-1). Ini,
dan persamaan (18.11), memberikan contoh model — yang diturunkan dari model bunga
asli — yang memiliki variabel dependen tertinggal dan jenis korelasi serial tertentu.
Jika kita membuat asumsi eksogenitas yang ketat (18.5), maka 𝑧𝑡 tidak berhubungan
dengan 𝑢𝑡 dan, 𝑢𝑡−1 dan karena itu dengan 𝑣𝑡. Jadi, jika kita dapat menemukan variabel
instrumental yang cocok untuk 𝑦𝑡−1, maka kita dapat memperkirakan (18.11) dengan IV.
Untuk apa kandidat IV yang baik 𝑦𝑡−1? Dengan asumsi, 𝑢𝑡 dan 𝑢𝑡−1 keduanya tidak
berhubungan dengan 𝑧𝑡−1, begitu 𝑣𝑡 tidak berhubungan dengan 𝑧𝑡−1. Jika 𝛾 ≠ 0, 𝑧𝑡−1 dan
𝑦𝑡−1 berkorelasi, bahkan setelah berpartisi 𝑧𝑡 . Karena itu, kita bisa menggunakan
instrumen 𝑧𝑡 , 𝑧𝑡−1 untuk memperkirakan (18.11). Umumnya, kesalahan standar perlu
disesuaikan untuk korelasi serial di file 𝑣𝑡.
Sebuah alternatif untuk estimasi IV memanfaatkan fakta bahwa {𝑢𝑡}mungkin berisi
jenis korelasi serial tertentu. Secara khusus, selain (18.6), anggaplah {𝑢𝑡} mengikuti
model AR (1)
𝑢𝑡 = 𝜌𝑢𝑡−1 = 𝑒𝑡 [18.12]
(𝑒𝑡|𝑧𝑡, 𝑦𝑡−1, 𝑧𝑡−1, … ) = 0 [18.13]
Penting untuk diperhatikan bahwa file 𝜌 muncul di (18.12) adalah parameter yang
sama mengalikan 𝑦𝑡−1 di (18.11). Jika (18.12) dan (18.13) tahan, kita dapat menulis
persamaan (18.10) sebagai

𝑦𝑡 = 𝛼0 = 𝛾𝑧𝑡 = 𝜌𝑦𝑡−1 + 𝑒𝑡 [18.14]

yang merupakan model lengkap secara dinamis di bawah (18.13). Dari Bab 11, kita dapat
memperoleh estimator parameter OLS yang konsisten dan normal asimtotik. Ini sangat
nyaman, karena ada tidak perlu berurusan dengan korelasi serial dalam kesalahan. Jika
𝑒𝑡 memenuhi asumsi homoskedastisitas 𝑉𝑎𝑟(𝑒𝑡|𝑧𝑡, 𝑦𝑡−1) = 𝜎𝑒 2, kesimpulan biasa

7
 berlaku. Setelah kami memperkirakan 𝛾 dan 𝜌, kita dapat dengan mudah memperkirakan

kawinkan dengan LRP: 𝐿̂𝑅𝑃 = 𝛾̂ /(1 − 𝜌̂). Banyak paket ekonometrika memiliki perintah
sederhana yang memungkinkan Proses AR (1) dengan sama r muncul di (18.7). Ini
biasanya tidak lebihburuk dari asumsi {𝑢𝑡 } satu untuk mendapatkan kesalahan standar
untuk perkiraan LRP.
Kesederhanaan prosedur ini bergantung pada asumsi yang berpotensi kuat itu {𝑢𝑡}
mengikuti sebuah tidak berhubungan secara serial. Namun demikian, karena konsistensi
penduga sangat bergantung pada hal ini Asumsi, itu ide yang baik untuk mengujinya. Tes
sederhana dimulai dengan menentukan {𝑢𝑡} sebagai proses AR (1) dengan a berbeda
parameter, katakanlah, 𝑢𝑡 = 𝜆𝑢𝑡−1. McClain dan Wooldridge (1995) merancang
sederhanaUji pengali Lagrange dari 𝐻0: 𝜆 = 𝜌 yang dapat dihitung setelah estimasi OLS
(18.14). Model lag terdistribusi geometris meluas ke beberapa variabel penjelas —
sehingga kami memilikinya DL tak terbatas di setiap variabel penjelas — tetapi
kemudian kita harus bisamenuliskan koefisiennya 𝑧𝑡−𝑗, h sebagai 𝛾ℎ𝜌𝑗. Dengan kata
lain 𝛾ℎ berbeda untuk setiap variabel penjelas, r adalah sama. Jadi, kita bisa menulis
𝑦𝑡 = 𝛼0 + 𝛾1𝑧𝑡1 + ⋯ + 𝛾𝑘𝑧𝑡𝑘 = 𝜌𝑦𝑡−1 + 𝑣𝑡 [18.15]
Masalah yang sama yang muncul dalam kasus satu z muncul dalam kasus dengan
banyak orang z. Di bawah natuekstensi ral dari (18.12) dan (18.13) —hanya ganti 𝑧𝑡
dengan 𝑧𝑡=(𝑧𝑡1, … , 𝑧𝑡𝑘) —OLS konsisten dan normal tanpa gejala. Atau, metode IV
dapat digunakan.
2.1.2 Model Lag Terdistribusi Rasional

DL geometris menyiratkan distribusi lag yang cukup ketat. Kapan 𝛾 > 0 dan 𝜌 > 𝑜,
itu 𝛿𝑗 positif dan secara monoton menurun ke nol. Dimungkinkan untuk memiliki
distribusi tak terbatas yang lebih umum model lag. GDL adalah kasus khusus dari apa
yang umumnya disebut a model lag terdistribusi rasional (RDL). Perlakuan umum berada
di luar cakupan kami— Harvey (1990) adalah referensi yang baik — tetapi kami dapat
mencakup satu ekstensi yangsederhana dan berguna.

Model RDL seperti itu paling mudah dijelaskan dengan menambahkan jeda z ke
persamaan (18.11):

𝑦𝑡 = 𝛼0 + 𝛾0𝑧𝑡 = 𝜌𝑦𝑡−1 + 𝑣𝑡 [18.16]

8
 Dimana 𝑣𝑡 = 𝑢𝑡 − 𝜌𝑢𝑡−1, seperti sebelumnya. Dengan substitusi berulang, dapat
ditunjukkan bahwa (18.16) setara dengan model lag terdistribusi tak hingga
𝑦𝑡 = 𝛼 + 𝑦0(𝑧𝑡 + 𝜌𝑧𝑡−1 + 𝜌2𝑧𝑡−2 + ⋯ ) +𝛾1(𝑧𝑡−1 + 𝜌𝑧𝑡−2 + 𝜌2𝑧𝑡−3 + ⋯ ) + 𝑢𝑡
= 𝛼 + 𝑦0𝑧𝑡 + (𝜌𝛾𝑜 + 𝛾1)𝑧𝑡−1 + 𝜌(𝜌𝛾0 + 𝛾1)𝑧𝑡−2+𝜌2(𝜌𝛾0 + 𝛾1)𝑧𝑡−3 + ⋯ + 𝑢𝑡
dimana kita lagi membutuhkan asumsi |𝜌| < 1. Dari persamaan terakhir ini, kita dapat
membaca distribusi lag bution. Secara khusus, kecenderungan dampak adalah 𝛾0,
sedangkan koefisiennya menyala 𝑧𝑡−ℎ adalah 𝜌ℎ−1(𝜌𝛾0 + 𝛾1) untuk ℎ ≥ 1. Oleh karena itu,
model ini memungkinkan kecenderungan dampak berbeda dari koefisien lag lainnya.
ficient, bahkan jika 𝜌 > 0. Namun, jika 𝜌 > 0, itu 𝛿ℎ memiliki tanda yang sama dengan 𝜌𝛾0
+ 𝛾1 untuk semua ℎ ≥ 1. Itu distribusi lag diplot pada Gambar 18.1 untuk 𝜌 = .5, 𝛾0 = −1,
dan 𝛾1 = 1
2.2 Menguji Root Unit
Dalam banyak kasus, penting untuk memiliki tes formal untuk unit root. Seperti yang
akan kita lihat, tes semacam itu harus diterapkan dengan hati-hati.
Pendekatan paling sederhana untuk menguji unit root dimulai dengan model AR (1):

[18.17]
di mana 𝑦0 adalah nilai awal yang diamati. Sepanjang bagian ini, kita membiarkan {𝑒𝑡 }
menunjukkan proses yang memiliki rata-rata nol, mengingat masa lalu yang diamati y:

[18.18]

9
 [Di bawah (18.18), {𝑒𝑡 } dikatakan sebagai urutan perbedaan martingale sehubungan
dengan {𝑦𝑡−1 , 𝑦𝑡−2 , … }. Jika {𝑒𝑡 } diasumsikan menjadi i.i.d. dengan nol rata-rata dan tidak
tergantung pada 𝑦0 , maka ia juga memenuhi (18.18).] Jika {𝑦𝑡 } mengikuti (18.17), ia memiliki
unit root jika, dan hanya jika, 𝜌 = 1. Jika 𝛼 = 0 dan 𝜌 =1, {𝑦𝑡 } mengikuti jalan acak tanpa
penyimpangan [dengan inovasi dan memuaskan (18,18)]. Jika 𝛼 ≠0 dan 𝜌 =1, {𝑦𝑡 } adalah
jalan acak dengan drift, yang berarti bahwa E(𝑦𝑡 ) adalah fungsi linier dari t. Proses unit root
dengan drift berperilaku sangat berbeda dari proses tanpa drift. Namun demikian, adalah
umum untuk meninggalkan yang tidak ditentukan di bawah hipotesis nol, dan ini adalah
pendekatan yang kami ambil. Oleh karena itu, hipotesis nolnya adalah bahwa {𝑦𝑡 } memiliki
unit root:

[18.19]
Dalam hampir semua kasus, kami tertarik pada alternatif sepihak

[18.20]
(Dalam praktiknya, ini berarti 0< 𝜌 < 1, sebagai 𝜌 < 0 untuk seri yang kami curigai
memiliki unit root akan sangat langka.) Alternatif 𝐻1 : 𝜌 > 1 biasanya tidak dipertimbangkan,
karena ini menyiratkan bahwa 𝑦𝑡 bersifat eksplosif. Padahal, jika 𝛼 > 0, 𝑦𝑡 memiliki tren
eksponensial dalam rerata ketika 𝜌 > 1 .
Ketika |𝜌| < 1, {𝑦𝑡 } adalah proses AR (1) yang stabil, yang berarti ia sangat tergantung
atau tidak berkorelasi asimptot. Ingat dari Bab 11 bahwa Corr(𝑦𝑡 , 𝑦𝑡+ℎ ) = 𝜌ℎ → 0 ketika
|𝜌| < 1. Oleh karena itu, pengujian (18.19) dalam model (18.17), dengan alternatif yang
diberikan oleh (18.20), benar-benar merupakan tes apakah {𝑦𝑡 } adalah I ( 1) terhadap
alternatif yang {𝑦𝑡 } adalah I (0). [Kami tidak menganggap nol sebagai I (0) dalam pengaturan
ini karena {𝑦𝑡 } adalah I (0) untuk setiap nilai 𝜌 yang ketat antara −1 dan 1, sesuatu yang tidak
dapat ditangani dengan mudah oleh pengujian hipotesis klasik. Ada tes di mana hipotesis nol
adalah I (0) terhadap alternatif I (1), tetapi ini mengambil pendekatan yang berbeda. Lihat,
misalnya, Kwiatkowski, Phillips, Schmidt, dan Shin (1992).]
Persamaan yang mudah untuk melakukan tes root unit adalah dengan mengurangi 𝑦𝑡−1
dari kedua sisi (18.17) dan untuk mendefinisikan 𝜃 = 𝜌 − 1:

[18.21]

10
 Di bawah (18.18), ini adalah model yang lengkap secara dinamis, dan sepertinya mudah
untuk menguji 𝐻0 : 𝜃 = 0 terhadap 𝐻1 : 𝜃 < 0 . Masalahnya adalah, di bawah 𝐻0 , 𝑦𝑡−1 adalah
I (1), dan biasanya teorema limit pusat yang mendasari distribusi normal standar asimptotik
untuk statistik t tidak berlaku: statistik t tidak memiliki perkiraan distribusi normal standar
bahkan dalam ukuran sampel yang besar. Distribusi asimptotik dari statistik t di bawah 𝐻0
telah dikenal sebagai distribusi Dickey-Fuller setelah Dickey dan Fuller (1979).
Meskipun kita tidak dapat menggunakan nilai kritis yang biasa, kita dapat menggunakan
statistik t biasa untuk 𝜃̂ dalam (18,21), setidaknya sekali nilai kritis yang sesuai telah
ditabulasi. Tes yang dihasilkan dikenal sebagai tes Dickey-Fuller (DF) untuk root unit. Teori
yang digunakan untuk mendapatkan nilai kritis asimptotik agak rumit dan dibahas dalam teks-
teks lanjutan tentang ekonometrik deret waktu. [Lihat, misalnya, Banerjee, Dolado, Galbraith,
dan Hendry (1993), atau BDGH secara singkat.] Sebaliknya, menggunakan hasil ini sangat
mudah. Nilai kritis untuk statistik t telah ditabulasi oleh beberapa penulis, dimulai dengan
karya asli oleh Dickey dan Fuller (1979). Tabel 18.2 berisi nilai kritis sampel besar untuk
berbagai tingkat signifikansi, diambil dari BDGH (1993, Tabel 4.2). (Nilai kritis yang
disesuaikan dengan ukuran sampel kecil tersedia di BDGH.)
Kami menolak hipotesis nol 𝐻0 : 𝜃 = 0 terhadap 𝐻1 : 𝜃 < 0 jika 𝑡𝜃̂ < 𝑐 di mana c adalah
salah satu nilai negatif pada Tabel 18.2. Misalnya, untuk melakukan tes pada tingkat
signifikansi 5%, kami menolak jika 𝑡𝜃̂ < -2,86. Ini membutuhkan statistik t dengan besarnya
jauh lebih besar daripada jika kita menggunakan nilai kritis normal standar, yang akan menjadi
−1.65. Jika kita menggunakan nilai kritis normal standar untuk menguji unit root, kita akan
menolak 𝐻0 lebih sering daripada 5% dari waktu ketika 𝐻0 benar.

Contoh 18.2 Unit Root Test untuk T-Bill Rate Tiga Bulan
Kami menggunakan data triwulanan di INTQRT untuk menguji unit root dalam tarif T-
bill tiga bulan. Ketika kami memperkirakan (18.20), kami memperoleh

11
 [18.22]

sesuai dengan kebiasaan kami melaporkan kesalahan standar dalam tanda kurung di
bawah perkiraan. Kita harus ingat bahwa kesalahan standar ini tidak dapat digunakan untuk
membangun interval kepercayaan yang biasa atau untuk melakukan uji t tradisional karena ini
tidak berlaku seperti biasa ketika ada root unit. Koefisien pada 𝑟3𝑡−1 menunjukkan bahwa
estimasi 𝜌 adalah 𝜌̂ = 1 + 𝜃̂ = .909. Meskipun ini kurang dari satu, kita tidak tahu apakah
secara statistik kurang dari satu. Statistik t pada 𝑟3𝑡−1 adalah−.091/.037 = -2.46.. Dari Tabel
18.2, nilai kritis 10% adalah -2,57 oleh karena itu, kami gagal menolak 𝐻0 : 𝜌 = 1 terhadap
𝐻1 : 𝜌 < 1 pada tingkat signifikansi 10%.
Seperti halnya uji hipotesis lainnya, ketika kita gagal menolak 𝐻0 , kita tidak mengatakan
bahwa kita menerima 𝐻0 . Mengapa? Misalkan kita menguji 𝐻0 : 𝜌 = 9 dalam contoh
sebelumnya menggunakan uji t standar — yang secara asimtotik valid, karena 𝑦𝑡 adalah I (0)
di bawah 𝐻0 . Kemudian, kita memperoleh t = .001 / .037, yang sangat kecil dan tidak
memberikan bukti terhadap 𝜌 = 9 . Namun, tidak masuk akal untuk menerima 𝜌 = 1 dan 𝜌 =
9
Ketika kami gagal menolak root unit, seperti dalam contoh sebelumnya, kita hanya harus
menyimpulkan bahwa data tidak memberikan bukti kuat terhadap 𝐻0 . Dalam contoh ini, tes
ini memang memberikan beberapa bukti terhadap 𝐻0 karena statistik t dekat dengan nilai kritis
10%. (Idealnya, kita akan menghitung nilai 𝜌 −, tetapi ini membutuhkan perangkat lunak
khusus karena distribusi yang tidak normal.) Selain itu, meskipun 𝜌̂ ≈ .91 menyiratkan
jumlah yang cukup dari persistensi dalam {𝑟3𝑡 }, korelasi antara pengamatan yang berjarak 10
periode terpisah untuk model AR (1) dengan 𝜌 = .9 adalah sekitar .35, daripada hampir satu
jika 𝜌 = 1.
Apa yang terjadi jika kita sekarang ingin menggunakan 𝑟3𝑡 sebagai variabel penjelas
dalam analisis regresi? Hasil dari tes root unit menyiratkan bahwa kita harus sangat berhati-
hati: jika 𝑟3𝑡 memiliki root unit, perkiraan asimptotik yang biasa tidak perlu berlaku (seperti
yang kita bahas pada Bab 11). Salah satu solusinya adalah menggunakan perbedaan pertama
𝑟3𝑡 dalam analisis apa pun. Seperti yang akan kita lihat di Bagian 18-4, itu bukan satu-satunya
kemungkinan.

12
 Kita juga perlu menguji unit root dalam model dengan dinamika yang lebih rumit. Jika
{𝑦𝑡 } mengikuti (18.17) dengan 𝜌 = 1, maka ∆𝑦𝑡 secara seri tidak berkorelasi. Kita dapat
dengan mudah mengizinkan {∆𝑦𝑡 } untuk mengikuti model AR dengan menambah persamaan
(18.21) dengan kelambatan tambahan. Sebagai contoh,

[18.23]
di mana | 𝛾1 | < 1. Ini memastikan bahwa, di bawah 𝐻0 : 𝜃 = 0 , {∆𝑦𝑡 } mengikuti model
AR (1) yang stabil. Di bawah alternatif 𝐻1 : 𝜃 < 0 , dapat ditunjukkan bahwa {𝑦𝑡 } mengikuti
model AR (2) yang stabil.
Secara umum, kita bisa menambahkan 𝜌lag ∆𝑦𝑡 ke persamaan untuk memperhitungkan
dinamika dalam proses. Cara kami menguji hipotesis nol unit root sangat mirip: kami
menjalankan regresi

[18.24]
dan lakukan uji t pada 𝜃̂ , koefisien pada 𝑦𝑡−1 , sama seperti sebelumnya. Versi
diperpanjang dari tes Dickey-Fuller ini biasanya disebut tes Dickey-Fuller yang ditambah
karena regresi telah ditambah dengan perubahan yang tertinggal ,∆𝑦𝑡−ℎ . Nilai kritis dan
aturan penolakan sama dengan sebelumnya. Dimasukkannya perubahan lagged di (18.24)
dimaksudkan untuk membersihkan setiap korelasi serial di ∆𝑦𝑡 . Semakin banyak
keterlambatan yang kita masukkan dalam (18.24), semakin banyak observasi awal yang kita
hilangkan. Jika kita memasukkan terlalu banyak keterlambatan, kekuatan sampel yang kecil
dari pengujian umumnya menderita. Tetapi jika kita memasukkan terlalu sedikit
keterlambatan, ukuran tes akan salah, bahkan asimtotik, karena validitas nilai kritis dalam
Tabel 18.2 bergantung pada dinamika yang sepenuhnya dimodelkan. Seringkali, panjang lag
ditentukan oleh frekuensi data (serta ukuran sampel). Untuk data tahunan, satu atau dua jeda
biasanya cukup. Untuk data bulanan, kami mungkin menyertakan 12 lag. Tetapi tidak ada
aturan keras untuk diikuti dalam hal apapun.
Menariknya, statistik t pada perubahan yang tertinggal memiliki perkiraan distribusi t.
Statistik F untuk signifikansi bersama dari semua kelompok istilah ,∆𝑦𝑡−ℎ juga valid secara
asimptotik. (Ini mempertahankan asumsi homoskedastisitas dibahas dalam Bagian 11-5.)
Oleh karena itu, kita dapat menggunakan tes standar untuk menentukan apakah kita memiliki
cukup perubahan yang lambat dalam (18,24).
Contoh 18.3 Unit Root Test untuk Inflasi tahunan A.S.

13
 Kami menggunakan data tahunan tentang inflasi A.S., berdasarkan CPI, untuk menguji
unit root dalam inflasi (lihat PHILLIPS), membatasi diri kami dari tahun 1948 hingga 1996.
Mengizinkan satu jeda Dinft dalam penambahan regresi Dickey-Fuller memberi

Statistik t untuk uji unit root adalah -.310 / .103 = -3.01. Karena nilai kritis 5% adalah -
-2,86, kami menolak hipotesis unit root pada level 5%. Estimasi 𝜌 adalah sekitar .690.
Bersama-sama, ini adalah bukti kuat yang kuat terhadap unit root dalam inflasi. Dinft21 lag
memiliki statistik t sekitar 1,10, jadi kita tidak perlu memasukkannya, tetapi kita tidak bisa
mengetahui ini sebelumnya. Jika kita menjatuhkan ∆𝑖𝑛𝑓𝑡−1 , bukti terhadap unit root sedikit
lebih kuat: 𝜃̂ = −.355. (𝜌̂ = .655 dan 𝑡𝜃̂ = −.3.13.
Untuk seri yang memiliki tren waktu yang jelas, kita perlu memodifikasi tes untuk unit
root. Proses stasioner-tren-yang memiliki tren linier dalam mean tetapi I (0) tentang tren-dapat
keliru untuk proses unit root jika kita tidak mengendalikan tren waktu dalam regresi Dickey-
Fuller. Dengan kata lain, jika kita melakukan tes DF biasa atau augmented pada seri trending
tapi I (0), kita mungkin akan memiliki sedikit daya untuk menolak unit root.
Untuk memungkinkan rangkaian dengan tren waktu, kami mengubah persamaan dasar
menjadi

[18.25]
di mana lagi hipotesis nol adalah 𝐻0 : 𝜃 = 0 , dan alternatifnya adalah 𝐻1 : 𝜃 < 0 Di
bawah alternatif, {𝑦𝑡 } adalah proses tren-stasioner. Jika 𝑦𝑡 memiliki unit root, maka ∆𝑦𝑡 =
𝛼 + 𝛿𝑡 + 𝑒𝑡 dan perubahan 𝑦𝑡 memiliki rata-rata linier dalam t kecuali 𝛿 = 0. [Dapat
ditunjukkan bahwa E(𝑦𝑡 ) sebenarnya kuadrat di t.] Ini adalah tidak biasa untuk perbedaan
pertama dari rangkaian ekonomi yang memiliki tren linier, jadi hipotesis nol yang lebih tepat
mungkin adalah 𝐻0 : 𝜃 = 0 , 𝛿 = 0. Meskipun dimungkinkan untuk menguji hipotesis bersama
ini menggunakan uji F — tetapi dengan nilai kritis yang dimodifikasi — biasanya uji 𝐻0 : 𝜃 =
0 hanya menggunakan saat pengujian. Kami mengikuti pendekatan itu di sini. [Lihat BDGH
(1993, Bagian 4-4) untuk detail lebih lanjut tentang tes gabungan.]

14
 Ketika kami memasukkan tren waktu dalam regresi, nilai-nilai kritis dari perubahan tes.
Secara intuitif, ini terjadi karena proses detrending unit root cenderung membuatnya lebih
mirip proses I (0). Oleh karena itu, kami memerlukan besaran yang lebih besar untuk statistik
t untuk menolak 𝐻0 . Nilai kritis Dickey-Fuller untuk uji t yang mencakup tren waktu
diberikan pada Tabel 18.3; mereka diambil dari BDGH (1993, Tabel 4.2).

Contoh 18.4 Unit Root dalam Log Produk Domestik Bruto AS

Kita dapat menerapkan uji akar unit dengan tren waktu ke data PDB A.S. di INVEN.
Data tahunan ini mencakup tahun-tahun dari 1959 hingga 1995. Kami menguji apakah
log(GDPt) memiliki unit root. Seri ini memiliki tren nyata yang terlihat linier. Kami
menyertakan jeda tunggal ∆log(GDPt), yang merupakan pertumbuhan PDB (dalam bentuk
desimal), untuk menjelaskan dinamika:

[18.26]

Dari persamaan ini, kita dapatkan 𝜌̂ = 1 − .21 = .79, yang jelas kurang dari satu.
Tetapi kita tidak bisa menolak unit root dalam log PDB: statistik t pada log(𝐺𝐷𝑃𝑡−1 ) adalah
-.210 / .087 = -2,41, yang jauh di atas nilai kritis 10% dari -3,12. Statistik t pada g 𝐺𝐷𝑃𝑡−1
adalah 1,60, yang hampir signifikan pada tingkat 10% terhadap alternatif dua sisi.
Apa yang harus kita simpulkan tentang unit root? Sekali lagi, kita tidak bisa menolak
unit root, tetapi estimasi titik 𝜌 tidak terlalu dekat dengan satu. Ketika kita memiliki ukuran
sampel yang kecil — dan n = 35 dianggap cukup kecil — sangat sulit untuk menolak hipotesis
nol dari unit root jika prosesnya memiliki sesuatu yang dekat dengan unit root. Menggunakan
lebih banyak data dalam periode waktu yang lebih lama, banyak peneliti telah menyimpulkan
bahwa ada sedikit bukti terhadap hipotesis unit root untuk log (GDP). Ini telah menyebabkan
sebagian besar dari mereka berasumsi bahwa pertumbuhan dalam PDB adalah I (0), yang
berarti bahwa log (PDB) adalah I (1). Sayangnya, mengingat ukuran sampel yang tersedia saat
ini, kami tidak bisa memiliki banyak kepercayaan pada kesimpulan ini.

15
 Jika kita menghilangkan tren waktu, ada jauh lebih sedikit bukti terhadap 𝐻0 , seperti
𝜃̂ = −.023u dan 𝑡𝜃̂ = -1,92. Di sini, estimasi 𝜌 jauh lebih dekat dengan satu, tetapi ini
menyesatkan karena tren waktu yang dihilangkan.
2.3 Regresi Palsu
Dalam lingkungan cross-sectional, kami menggunakan frasa "korelasi palsu" untuk
menggambarkan suatu situasi di mana dua variabel terkait melalui korelasinya dengan
variabel ketiga. Khususnya, jika kita regresi y pada x, kami menemukan hubungan yang
signifikan. Tetapi ketika kita mengontrol variabel lain, katakanlah, z, efek parsial x pada y
menjadi nol. Secara alami, ini juga dapat terjadi dalam konteks deret waktu dengan I(0)
variabel.
Seperti yang telah kita bahas di Bagian 10-5, adalah mungkin untuk menemukan
hubungan palsu antara deret waktu yang memiliki tren naik atau turun. Asalkan serinya sangat
bergantung pada waktunya tren, masalah secara efektif diselesaikan dengan memasukkan tren
waktu dalam model regresi.
Ketika kita berhadapan dengan proses terintegrasi urutan satu, ada komplikasi
tambahan. Sekalipun kedua deret tersebut memiliki mean yang tidak berarah, regresi
sederhana yang melibatkan dua deret I(1) yang saling bebas akan sering menghasilkan
statistik t yang signifikan.
Untuk lebih tepatnya, misalkan {xt} dan {yt} adalah jalan acak yang dihasilkan oleh
xt = xt-1 + at , t = 1, 2, …, [18.27]
dan
yt = yt-1 + et , t = 1, 2, …, [18.28]
di mana {at} dan {et} adalah inovasi independen yang terdistribusi identik, dengan mean nol
dan varians σ2a dan σ2e, masing-masing. Untuk kekonkritan, ambil nilai awal menjadi x0 = y0
= 0. Asumsikan lebih lanjut bahwa {at} dan {et} adalah proses independen. Ini menyiratkan
bahwa {xt} dan {yt} juga independen.Tetapi bagaimana jika kita menjalankan regresi
sederhana

𝑦̂t = 𝛽̂0 + 𝛽̂1xt [18.29]

dan dapatkan statistik t biasa untuk 𝛽̂1 dan R-kuadrat biasa? Karena yt dan xt saling bebas,
kami berharap plim 𝛽̂1 = 0. Lebih penting lagi, jika kita menguji H0: β1 = 0 terhadap H1: β1 ≠

16
0 pada tingkat 5%, kami berharap bahwa statistik t untuk 𝛽̂1 tidak signifikan 95% dari waktu.
Melalui sebuah simulasi, Granger dan Newbold (1974) menunjukkan bahwa hal ini tidak
terjadi: meskipun yt dan xt independen, regresi yt di xt menghasilkan statistik t yang signifikan
secara statistik, persentase yang besar dari waktu, jauh lebih besar dari tingkat signifikansi
nominal. Granger dan Newbold menyebut ini palsu masalah regresi: tidak ada pengertian di
mana y dan x terkait, tetapi regresi OLS menggunakan statistik t biasa akan sering
menunjukkan hubungan.
Hasil simulasi terbaru diberikan oleh Davidson dan MacKinnon (1993, Tabel 19.1), di
mana pada dan et dihasilkan sebagai variabel acak
normal independen yang terdistribusi secara identik,
dan 10.000 sampel berbeda dihasilkan. Untuk ukuran
sampel n = 50 pada taraf signifikansi 5%, standar t
statistik untuk H0: β1 = 0 melawan alter native dua
sisi menolak H0 sekitar 66,2% dari waktu di bawah H0, daripada 5% dari waktu. Sebagai
ukuran sampel meningkat, keadaan menjadi lebih buruk: dengan n = 250, nolnya adalah
ditolak 84,7% dari waktu! Berikut adalah salah satu cara untuk melihat apa yang terjadi ketika
kita melakukan regresi level y pada level x. Menulis model yang mendasari (18.29) sebagai

yt = β0 + β1xt + ut . [18.30]

Untuk statistik t dari 𝛽̂1 untuk memiliki perkiraan distribusi normal standar dalam
sampel besar, minimal, {ut} harus menjadi nol rata-rata, proses yang tidak berkorelasi secara
serial. Tapi di bawah H0: β1 = 0, yt = β0 + ut,dan, karena {yt} adalah jalan acak yang dimulai
dari y0 = 0, persamaan (18.30) berlaku di bawah H0 hanya jika β0 = 0 dan, yang lebih penting,
jika ut = yt ∑𝑡𝑗=1 𝑒j. Dengan kata lain, {ut} adalah jalan acak di bawah H0. Ini jelas melanggar
bahkan versi asimtotik dari asumsi Gauss-Markov dari Bab 11.
Termasuk tren waktu tidak terlalu mengubah kesimpulan. Jika yt atau xt adalah jalan
acak dengan drift dan tren waktu tidak disertakan, masalah regresi palsu bahkan lebih buruk.
Kesimpulan kualitatif yang sama berlaku jika {at} dan {et} adalah proses I(0) umum, bukan
i.i.d. urutan.
Selain statistik t biasa yang tidak memiliki distribusi normal standar yang membatasi —
pada kenyataannya, itu meningkat hingga tak terhingga karena n → ∞—perilaku R-kuadrat

17
 tidak standar. Dalam konteks cross-sectional atau dalam regresi dengan variabel deret waktu
I(0), R-kuadrat konvergen dalam probabilitas ke populasi R-kuadrat: 1 - σ2u/σ2y. Ini tidak
terjadi pada regresi palsu dengan proses I(1). Alih-alih R-kuadrat memiliki plim yang
terdefinisi dengan baik, itu sebenarnya konvergen ke variabel acak. Memformalkan gagasan
ini jauh di luar cakupan teks ini. [Pembahasan hubungan sifat asimtotik dari statistik t dan R-
kuadrat dapat ditemukan di BDGH (Bagian 3-1).] Implikasinya adalah bahwa R-kuadrat besar
dengan probabilitas tinggi, meskipun {yt} dan {xt} adalah deret waktu independent proses.
Pertimbangan yang sama muncul dengan beberapa variabel independen, yang masing-
masing dapat berupa I(1) atau beberapa di antaranya mungkin I(0). Jika {yt} adalah I(1) dan
setidaknya beberapa variabel penjelas adalah I(1), hasil regresi mungkin palsu.
Kemungkinan regresi palsu dengan variabel I(1) cukup penting dan telah menyebabkan
kabut ekonomi untuk menguji kembali banyak regresi deret waktu agregat yang statistik t-nya
sangat signifikan dan yang R-kuadratnya sangat tinggi. Pada bagian berikutnya, kami
menunjukkan bahwa regresi variabel dependen I(1) pada variabel independen I(1) dapat
informatif, tetapi hanya jika variabel-variabel ini terkait, dalam arti yang tepat.

2.4 Model Kointegrasi dan Koreksi Eror

2.4.1 Kontegrasi
Gagasan kointegrasi, yang diberi perlakuan formal dalam Engle and Granger
(1987), membuat regresi yang melibatkan I (1) variabel berpotensi bermakna. Perlakuan
penuh kointegrasi secara matematis terlibat, tetapi kita dapat menggambarkan masalah
dasar dan metode yang digunakan dalam banyak aplikasi.
Kointegrasi dalam contoh ini, seperti dalam banyak contoh, memiliki interpretasi
ekonomi. Jika r6 dan r3 tidak terkointegrasi, perbedaan antara suku bunga bisa menjadi
sangat besar, tanpa kecenderungan bagi mereka untuk kembali bersama. Berdasarkan
argumen arbitrase sederhana, ini tampaknya tidak mungkin. Misalkan 𝑠𝑝𝑟𝑡 spread terus
tumbuh untuk beberapa periode waktu, menjadikan T-bills enam bulan menjadi
investasi yang jauh lebih diinginkan. Kemudian, investor akan beralih dari T-bill tiga
bulan dan menuju enam bulan, menaikkan harga T-bill enam bulan, sambil menurunkan
harga T-bills tiga bulan. Karena suku bunga terkait terbalik dengan harga, ini akan
menurunkan r6 dan meningkatkan r3, sampai spread berkurang. Oleh karena itu,
penyimpangan besar antara r6 dan r3 diperkirakan tidak akan berlanjut: spread memiliki

18
kecenderungan untuk kembali ke nilai rata-rata. (Spread sebenarnya memiliki rata-rata
yang sedikit positif karena investor jangka panjang lebih dihargai relatif terhadap
investor jangka pendek.)
Pengujian untuk kointegrasi lebih sulit ketika parameter kointegrasi (potensial) 𝛽
tidak diketahui. Daripada menguji untuk root unit di {𝑠𝑡 }, kita harus terlebih dahulu
memperkirakan 𝛽. Jika 𝑦𝑡 dan 𝑥𝑡 dikointegrasi, ternyata estimator OLS 𝛽̂ dari regresi

[18.31]
konsisten untuk 𝛽. Masalahnya adalah bahwa hipotesis nol menyatakan bahwa dua
seri tidak terkointegrasi, yang berarti bahwa, di bawah 𝐻0 , kami menjalankan regresi
palsu. Untungnya, dimungkinkan untuk mentabulasikan nilai-nilai kritis bahkan ketika
𝛽 diperkirakan, di mana kita menerapkan tes Dickey-Fuller atau Dickey-Fuller yang
diperbesar untuk residu, katakanlah, 𝑢̂𝑡 = 𝑦𝑡 − 𝛼̂ − 𝐵̂𝑥𝑡 dari (18.31 ). Satu-satunya
perbedaan adalah bahwa nilai-nilai kritis memperhitungkan estimasi 𝛽 . Tes yang
dihasilkan disebut tes Engle-Granger, dan nilai kritis asimptotik diberikan pada Tabel
18.4. Ini diambil dari Davidson dan MacKinnon (1993, Tabel 20.2).
Kita dapat menguji kointegrasi antara gt dan ht, tanpa mengambil sikap pada bagian
tren, dengan menjalankan regresi

[18.32]
dan menerapkan tes DF biasa atau augmented DF ke residu 𝑢̂𝑡 . Nilai kritis
asimptotik diberikan pada Tabel 18.5 [dari Davidson dan MacKinnon (1993, Tabel
20.2)]. Temuan kointegrasi dalam kasus ini membuka kemungkinan bahwa 𝑦𝑡 − 𝐵̂𝑥𝑡
memiliki tren linier.
Contoh 18.5 Kointegrasi antara Fertilitas dan Pembebasan Pribadi
Dalam Bab 10 dan 11, kami mempelajari berbagai model untuk memperkirakan
hubungan antara tingkat kesuburan umum (gfr) dan nilai riil dari pembebasan pajak
pribadi (pe) di Amerika Serikat. Hasil regresi statis dalam level dan perbedaan pertama
sangat berbeda. Regresi di tingkat, dengan tren waktu termasuk, memberikan koefisien
OLS pada pe sama dengan .187 (se = .035) dan 𝑅2 = .500. Dalam perbedaan pertama
(tanpa tren), koefisien pada ∆pe adalah -.043 (se =0282) dan 𝑅2 = .032. Meskipun ada
alasan lain untuk perbedaan ini seperti dinamika lag terdistribusi yang tidak ditentukan

19
perbedaan antara level dan perubahan regresi menunjukkan bahwa kita harus menguji
kointegrasi. Tentu saja, ini menganggap bahwa gfr dan pe adalah I (1) proses. Ini
tampaknya menjadi kasus: tes DF yang ditambah, dengan perubahan lagged tunggal dan
tren waktu linier, masing-masing menghasilkan statistik t sekitar -1,47, dan estimasi
koefisien AR (1) mendekati satu.
Ketika kami memperoleh residu dari regresi gfr pada t dan pe dan menerapkan uji
DF yang ditambah dengan satu lag, kami memperoleh statistik t pada 𝑢̂𝑡−1 dari -2,43,
yang jauh dari nilai kritis 10%, -3,50. Oleh karena itu, kita harus menyimpulkan bahwa
ada sedikit bukti kointegrasi antara gfr dan pe, bahkan memungkinkan untuk tren
terpisah. Sangat mungkin bahwa hasil regresi sebelumnya yang kami peroleh di tingkat
menderita masalah regresi palsu.
Berita baiknya adalah, ketika kami menggunakan perbedaan pertama dan
membiarkan dua kelambatan lihat persamaan = (11.27) kami menemukan efek jangka
panjang positif dan signifikan yang signifikan dari ∆pe pada ∆gfr.
Kami secara eksplisit membahas kasus ini tanpa tren waktu, meskipun
perpanjangan kasus tren linier bersifat segera. Ketika 𝑦𝑡 dan 𝑥𝑡 adalah I (1) dan
dikointegrasi, kita dapat menulis

[18.33]
di mana 𝑢𝑡 adalah mean nol, I (0) proses. Secara umum, {𝑢𝑡 } mengandung korelasi
serial, tetapi kita tahu dari Bab 11 bahwa ini tidak mempengaruhi konsistensi OLS.
Seperti yang disebutkan sebelumnya, OLS yang diterapkan pada (18.33) secara
konsisten memperkirakan 𝛽 (dan 𝛼).
Untungnya, fitur (18.33) yang membuat inferensi menjadi yang paling sulit —
ketiadaan eksogenitas {𝑥𝑡 } yang ketat dapat diperbaiki. Karena 𝑥𝑡 adalah I (1), gagasan
yang tepat tentang eksogenitas yang ketat adalah bahwa 𝑢𝑡 tidak berkorelasi dengan
∆𝑥𝑠 , untuk semua t dan s. Kami selalu dapat mengatur ini untuk set error baru,
setidaknya kira-kira, dengan menulis 𝑢𝑡 sebagai fungsi dari ∆𝑥𝑠 untuk semua s yang
dekat dengan t. Sebagai contoh

[18.34]

20
 di mana, dengan konstruksi, 𝑒𝑡 tidak berkorelasi dengan setiap ∆𝑥𝑠 yang muncul
dalam persamaan. Harapannya adalah bahwa 𝑒𝑡 tidak berkorelasi dengan kelambatan
dan petunjuk lebih lanjut dari ∆𝑥𝑠 . Kita tahu bahwa, ketika s - t semakin besar, korelasi
antara 𝑒𝑡 dan ∆𝑥𝑠 mendekati nol, karena ini adalah proses I (0). Sekarang, jika kita
memasukkan (18.34) ke (18.33), kita memperoleh

[18.35]

Persamaan ini terlihat agak aneh karena ∆𝑥𝑠 masa depan muncul dengan ∆𝑥𝑡 saat
ini dan yang tertinggal. Kuncinya adalah bahwa koefisien pada 𝑥𝑡 masih 𝛽, dan, dengan
konstruksi, 𝑥𝑡 sekarang sangat eksogen dalam persamaan ini. Asumsi eksogenitas yang
ketat adalah kondisi penting yang diperlukan untuk memperoleh statistik t yang
mendekati normal untuk 𝛽̂
2.4.2 Model Koreksi Eror
A Selain belajar tentang hubungan jangka panjang potensial antara dua seri, konsep
kointegrasi memperkaya jenis model dinamis yang kami miliki. Jika yt dan xt adalah
proses I (1) dan tidak terkointegrasi, kita dapat memperkirakan model dinamis dalam
perbedaan pertama. Sebagai contoh, perhatikan persamaan

[18.36]
di mana ut memiliki rata-rata nol yang diberikan ∆xt, ∆𝑦𝑡−1 , ∆𝑥𝑡−1 , dan lag lebih
lanjut. Ini pada dasarnya adalah persamaan (18.16), tetapi dalam perbedaan pertama
daripada tingkat. Jika kita melihat ini sebagai model lag terdistribusi rasional, kita dapat
menemukan kecenderungan dampak, kecenderungan jangka panjang, dan distribusi lag
untuk ∆y sebagai lag terdistribusi dalam ∆x.
Jika yt dan xt dikointegrasi dengan parameter 𝛽, maka kita memiliki variabel I (0)
tambahan yang dapat kita sertakan dalam (18.36). Misalkan st = yt 2 𝛽xt, jadi st adalah
I (0), dan asumsikan demi kesederhanaan bahwa st memiliki mean nol. Sekarang, kita
dapat memasukkan lag st dalam persamaan. Dalam kasus paling sederhana, kami
menyertakan satu lag dari st:

[18.37]

21
 Model koreksi error memungkinkan kita untuk mempelajari dinamika jangka
pendek dalam hubungan antara y dan x. Untuk kesederhanaan, pertimbangkan model
tanpa lag ∆yt dan ∆xt:

[18.38]
dimana 𝛿 < 0. Jika 𝑦𝑡−1 > 𝛽𝑥𝑡−1 , maka y pada periode sebelumnya telah
melampaui ekuilibrium; karena 𝛿 < 0, istilah koreksi kesalahan berfungsi untuk
mendorong y kembali menuju kesetimbangan. Demikian pula, jika 𝑦𝑡−1 < 𝛽𝑥𝑡−1 ,
istilah koreksi kesalahan menginduksi perubahan positif pada y kembali ke
keseimbangan.
Contoh 18.7 Model Koreksi Error untuk Memegang Hasil
Dalam Soal 6 di Bab 11, kami mengalami kemunduran hy6t, holding holding tiga
bulan (dalam persen) dari membeli T-bill enam bulan pada waktu t-1 dan menjualnya
pada waktu t sebagai T-bill tiga bulan, pada hy3t-1, yield tiga bulan dari membeli T-bill
tiga bulan pada waktu t - 1. Hipotesis ekspektasi menyiratkan bahwa koefisien
kemiringan tidak boleh berbeda secara statistik dari satu. Ternyata ada bukti root unit di
{ℎ𝑦3𝑡 }, yang mempertanyakan analisis regresi standar. Kami akan berasumsi bahwa
kedua holding yield adalah proses I (1). Hipotesis ekspektasi menyiratkan, paling tidak,
bahwa ℎ𝑦6𝑡 dan ℎ𝑦3𝑡−1 dikointegrasi dengan 𝛽 sama dengan satu, yang tampaknya
merupakan kasusnya (lihat Latihan Komputer C5). Berdasarkan asumsi ini, model
koreksi error adalah

di mana ut memiliki nol rata-rata, mengingat semua hy3 dan hy6 bertanggal pada
waktu t - 1 dan sebelumnya. Kelambatan pada variabel dalam model koreksi error
ditentukan oleh hipotesis ekspektasi.
Menggunakan data dalam INTQRT memberi

[18.39]

Koefisien koreksi error adalah negatif dan sangat signifikan. Sebagai contoh, jika
holding yield pada T-bills enam bulan di atas itu untuk T-bills tiga bulan sebesar satu

22
 poin, hy6 turun rata-rata 0,84 poin pada kuartal berikutnya. Menariknya, 𝛿̂ =-,84 tidak
berbeda secara statistik dari −1, seperti yang mudah dilihat dengan menghitung interval
kepercayaan 95%.
2.5 Peramalan (Forecasting)
Meramalkan deret waktu ekonomi sangat penting di beberapa cabang ekonomi, dan
merupakan area yang terus dipelajari secara aktif. Pada bagian ini, kami fokus pada metode
peramalan berbasis regresi. Diebold (2001) memberikan pengantar yang komprehensif untuk
peramalan, termasuk perkembangan terkini.
Kami berasumsi dalam bagian ini bahwa fokus utama adalah pada perkiraan nilai masa
depan dari proses deret waktu dan tidak harus pada estimasi model ekonomi kausal atau
struktural.
Hal ini berguna untuk pertama-tama mencakup beberapa dasar peramalan yang tidak
bergantung pada model tertentu. Misalkan pada saat itu kita ingin meramalkan hasil y pada
waktu t + 1, atau 𝑦𝑡+1 . Jangka waktu bisa sesuai dengan satu tahun, seperempat, sebulan,
seminggu, atau bahkan sehari. Hal ini menunjukkan informasi yang dapat kita amati pada
waktu t. Kumpulan informasi ini mencakup 𝑦𝑡 , nilai sebelumnya dari y. Hal tersebut dapat
menggabungkan informasi ini dengan cara yang tak terhitung jumlahnya untuk meramalkan
𝑦𝑡+1 . Apakah ada satu cara terbaik?
Tentu saja ada cara terbaik, asalkan dapat menentukan kerugian yang terkait dengan
kesalahan perkiraan. Biarkan 𝑓𝑡 menunjukkan perkiraan 𝑦𝑡+1 yang dibuat pada waktu t. Kami
menyebut ft sebagai perkiraan satu langkah ke depan. Kesalahan perkiraan adalah 𝑒𝑡+1 =
𝑦𝑡+1 − 𝑓𝑡

Ukuran kerugian yang paling umum adalah yang sama yang mengarah ke estimasi
2
kuadrat terkecil biasa dari beberapa model regresi linier berganda: kesalahan kuadrat, 𝑒𝑡+1 .
Kesalahan perkiraan kuadrat memperlakukan kesalahan prediksi positif dan negatif secara
simetris, dan kesalahan perkiraan yang lebih besar menerima bobot yang relatif lebih berat.
Misalnya, kesalahan +2 dan -2 menghasilkan kerugian yang sama, dan kerugiannya empat
kali lebih besar dari kesalahan perkiraan +1 atau -1. Kesalahan perkiraan kuadrat adalah
contoh fungsi loss. Fungsi loss populer lainnya adalah nilai absolut dari kesalahan prediksi,
|𝑒𝑡+1 |. Untuk alasan yang akan segera dilihat, kami fokus sekarang pada kehilangan kesalahan
kuadrat.

23
 Dengan adanya fungsi hilangnya error kuadrat, kita dapat menentukan cara terbaik
menggunakan informasi pada waktu t untuk meramalkan 𝑦𝑡+1 . Tetapi kita harus mengakui
bahwa pada waktu t, kita tidak tahu 𝑒𝑡+1 : itu adalah variabel acak, karena 𝑦𝑡+1 adalah variabel
acak. Karena itu, setiap kriteria yang berguna untuk memilih 𝑓𝑡 harus berdasarkan pada apa
yang kita ketahui pada waktu t. Adalah wajar untuk memilih ramalan untuk meminimalkan
kesalahan ramalan kuadrat yang diharapkan, mengingat:

[18.40]
Fakta dasar dari probabilitas (lihat Properti CE.6 dalam Lampiran B) adalah bahwa
harapan bersyarat, E(𝑦𝑡+1 |𝐼𝑡 ), meminimalkan (18.40). Dengan kata lain, jika kita ingin
meminimalkan error perkiraan perkiraan kuadrat yang diberikan pada waktu t, perkiraan kita
harus menjadi nilai yang diharapkan dari variabel 𝑦𝑡+1 yang diberikan yang kita tahu pada
waktu t.
Untuk banyak proses deret waktu populer, harapan bersyarat mudah diperoleh.
Misalkan {𝑦𝑡 : 𝑡 = 0, 1, … } adalah urutan perbedaan martingale (MDS) dan mengambilnya
menjadi {𝑦𝑡 , 𝑦𝑡−1 , … . , 𝑦0 }, masa lalu yang diamati dari y. Menurut definisi, E(𝑦𝑡+1 |𝐼𝑡 )= 0
untuk semua t; prediksi terbaik 𝑦𝑡+1 pada saat t selalu nol.
Urutan perbedaan martingale adalah urutan di mana masa lalu tidak berguna untuk
memprediksi masa depan. Pengembalian saham secara luas dianggap baik diperkirakan
sebagai MDS atau, mungkin, dengan rata-rata positif. Kuncinya adalah bahwa
E(𝑦𝑡+1 |𝑦𝑡, 𝑦𝑡−1 ) = 𝐸(𝑦𝑡+1 ): rata-rata bersyarat sama dengan rata-rata tanpa syarat, dalam hal
ini hasil masa lalu pada y tidak membantu memprediksi masa depan y.

Proses {𝑦𝑡 } adalah martingale jika 𝐸(𝑦𝑡+1 |𝑦𝑡 , 𝑦𝑡−1 , … , 𝑦0 ) = 𝑦𝑡 untuk semua t ≥ 0.
[Jika {𝑦𝑡 } adalah martingale, maka {∆𝑦𝑡 } adalah urutan perbedaan martingale, yang
merupakan asal dari mana nama yang terakhir berasal. Nilai prediksi y untuk periode
berikutnya selalu nilai y untuk periode ini. Contohnya:

[18.41]
di mana 0, < 𝛼 < 1 adalah parameter yang harus kita pilih. Metode peramalan ini
disebut perataan eksponensial karena bobot pada y yang tertinggal menurun menjadi nol
secara eksponensial.

24
 Alasan untuk menulis (18.41) adalah bahwa hal itu mengarah pada hubungan yang
sangat sederhana. Atur 𝑓0 = 𝑦0 . Kemudian, untuk t ≥ 1, perkiraan dapat diperoleh sebagai
𝑓𝑡 = 𝛼𝑦𝑡 + (1 − 𝛼)𝑓𝑡−1
Dengan kata lain, perkiraan 𝑦𝑡+1 adalah rata-rata tertimbang yt dan perkiraan yt yang
dibuat pada waktu 𝑡 − 1. Penghalusan eksponensial hanya cocok untuk deret waktu yang
sangat spesifik dan membutuhkan pemilihan 𝛼 metode regresi, yang kita beralih ke
berikutnya, lebih fleksibel.
2.5.1 Jenis Model Regresi Digunakan untuk Peramalan
Ada banyak model regresi yang dapat kita gunakan untuk memperkirakan nilai seri
waktu di masa depan. Model regresi pertama untuk data deret waktu dari Bab 10 adalah
model statis. Untuk melihat bagaimana kami dapat memperkirakan dengan model ini,
asumsikan bahwa kami memiliki variabel penjelas tunggal:

[18.42]
Misalkan, untuk saat ini, bahwa parameter β0 dan β1 diketahui. Kemudian, tulis
persamaan ini pada waktu 𝑡 + 1 sebagai 𝑦𝑡+1 = 𝛽0 + 𝛽1 𝑧𝑡+1 + 𝑢𝑡+1 . Sekarang, jika
𝑧𝑡+1 dikenal pada waktu t, sehingga merupakan elemen dari 𝐼𝑡 dan 𝐸(𝑢𝑡+1 |𝐼𝑡 ) = 0,
maka,
𝐸(𝑦𝑡+1 |𝐼𝑡 ) = 𝛽0 + 𝛽1 𝑧𝑡+1

di mana 𝐼𝑡 yaitu 𝑧𝑡+1 , 𝑦𝑡 , 𝑧𝑡 , … , 𝑦1, 𝑧1 . Sisi kanan dari persamaan ini adalah
perkiraan 𝑦𝑡+1 pada waktu t. Perkiraan semacam ini biasanya disebut perkiraan
bersyarat karena tergantung pada mengetahui nilai z pada waktu t + 1.
Sayangnya, kapan saja, kita jarang tahu nilai variabel penjelasan dalam periode
waktu mendatang. Pengecualian termasuk tren waktu dan variabel dummy musiman,
yang kami bahas secara eksplisit di bawah ini, tetapi jika tidak, pengetahuan tentang
𝑧𝑡+1 pada saat t jarang terjadi. Terkadang, kami ingin menghasilkan perkiraan bersyarat
untuk beberapa nilai 𝑧𝑡+1 .
Masalah lain dengan (18.42) sebagai model untuk peramalan adalah bahwa
𝐸(𝑢𝑡+1 |𝐼𝑡 ) = 0 berarti bahwa {𝑢𝑡 } tidak dapat mengandung korelasi serial, sesuatu yang
telah kita lihat salah di sebagian besar model regresi statis. [Masalah 8 meminta Anda

25
 untuk memperoleh perkiraan dalam model lag terdistribusi sederhana dengan kesalahan
AR(1).]
Jika 𝑧𝑡+1 tidak diketahui pada waktu t, kita tidak dapat memasukkannya ke
dalamnya. Kemudian, kita memiliki
𝐸(𝑦𝑡+1 |𝐼𝑡 ) = 𝛽0 + 𝛽1 𝐸(𝑧𝑡+1 |𝐼𝑡 )

Ini berarti bahwa untuk meramalkan 𝑦𝑡+1 , pertama-tama kita harus memperkirakan
𝑧𝑡+1 ,berdasarkan kumpulan informasi yang sama. Ini biasanya disebut perkiraan tanpa
syarat karena kita tidak mengasumsikan pengetahuan tentang 𝑧𝑡+1 pada saat t.
Sayangnya, ini agak keliru, karena perkiraan kami masih tergantung pada informasi di
dalamnya. Tetapi nama itu mengakar dalam literatur peramalan.

Untuk peramalan, kecuali kita menggunakan model statis pada (18.42) karena
alasan lain, lebih masuk akal untuk menentukan model yang hanya bergantung pada
nilai-nilai lag dari y dan z. Ini menyelamatkan kita dari langkah tambahan karena harus
meramalkan variabel sisi kanan sebelum memperkirakan y. Jenis model yang ada dalam
pikiran kita adalah

[18.43]

di mana 𝑙𝑡−1 berisi tanggal y dan z pada waktu 𝑡 − 1 dan sebelumnya. Sekarang,
perkiraan 𝑦𝑡+1 pada waktu t adalah 𝛿0 + 𝛼1 𝑦1 + 𝛾1 𝑧𝑡 jika kita tahu parameternya, kita
bisa mencolokkan nilai 𝑦𝑡 dan 𝑧𝑡 .

Jika kita hanya ingin menggunakan masa lalu y untuk memprediksi masa depan y,
maka kita dapat menghapus 𝑧𝑡−1 dari (18.43). Secara alami, kita dapat menambahkan
lebih banyak lag y atau z dan lag variabel lainnya. Khusus untuk peramalan satu langkah
ke depan, model seperti itu bisa sangat berguna
2.5.2 Peramalan Satu Langkah Satu Langkah ke Depan
Memperoleh perkiraan satu periode setelah sampel berakhir relatif mudah
menggunakan model seperti (18,43). Seperti biasa, biarkan n menjadi ukuran sampel.
Prakiraan 𝑦𝑛+1 adalah

[18.44]

26
 di mana kami mengasumsikan bahwa parameter telah diperkirakan oleh OLS. Kami
menggunakan topi pada fn untuk menekankan bahwa kami telah memperkirakan
parameter dalam model regresi. (Jika kita tahu parameternya, tidak akan ada estimasi
error dalam perkiraan.) perkiraan error yang tidak akan kita ketahui sampai waktu n +
1 — adalah

[18.45]
Jika kita menambahkan lebih banyak lag y atau z ke persamaan peramalan, kita
akan kehilangan lebih banyak pengamatan di awal sampel.
Perkiraan 𝑓̂𝑛 dari 𝑦𝑛+1 biasanya disebut perkiraan titik. Kami juga dapat
memperoleh interval perkiraan. Interval perkiraan pada dasarnya sama dengan interval
prediksi, yang kami pelajari di Bagian 6-4. Di sana kami menunjukkan bagaimana, di
bawah asumsi model linier klasik, untuk mendapatkan interval prediksi 95% yang tepat.
Interval perkiraan diperoleh dengan cara yang persis sama. Jika model tidak memenuhi
asumsi model linier klasik misalnya, jika mengandung variabel dependen yang
tertinggal, seperti pada (18.44) interval perkiraan masih kira-kira valid, asalkan 𝑢𝑡
diberikan 𝑙𝑡−1 biasanya didistribusikan dengan nol rata-rata dan varians konstan. (Ini
memastikan bahwa estimator OLS kira-kira didistribusikan secara normal dengan
varians OLS biasa dan bahwa 𝑢𝑛−1 tidak tergantung pada estimator OLS dengan rata-
rata nol dan varians 𝜎 2 ). Biarkan 𝑓̂𝑛 menjadi kesalahan standar perkiraan dan biarkan
𝜎̂ menjadi kesalahan standar regresi. [Dari Bagian 6-4, kita dapat memperoleh 𝑓̂𝑛 dan
se(𝑓̂𝑛 )sebagai pencegatan dan kesalahan standarnya dari regresi 𝑦𝑡 pada (𝑦𝑡−1 − 𝑦𝑛 )
dan (𝑧𝑡−1 − 𝑧𝑛 ), 𝑡 = 1, 2, … , 𝑛 yaitu, kita kurangi waktu n nilai y dari masing-masing
lag y, dan juga untuk z, sebelum melakukan regresi.]
Kemudian,

[18.46]
dan interval perkiraan (perkiraan) 95% adalah

[18.47]

27
 Karena se (𝑓̂𝑛 ) secara proporsional sebanding dengan 1 /√ n, se( 𝑓̂𝑛 ) biasanya kecil
relatif terhadap ketidakpastian dalam error 𝑢𝑛+1 , yang diukur dengan 𝜎̂. [Beberapa
paket ekonometrika menghitung interval perkiraan secara rutin, tetapi yang lain
memerlukan beberapa manipulasi sederhana untuk mendapatkan (18.47).]
Contoh Memprakirakan Tingkat Pengangguran A.S.
Kami menggunakan data dalam PHILLIPS, tetapi hanya untuk tahun 1948 hingga
1996, untuk memperkirakan tingkat pengangguran sipil A.S. untuk 1997. Kami
menggunakan dua model. Yang pertama adalah model AR (1) sederhana untuk unem:

[18.48]

Dalam model kedua, kami menambahkan inflasi dengan jeda satu tahun:

[18.49]

Tingkat inflasi yang lambat sangat signifikan dalam (18.49) (t ≈ 4.5 ), dan R-
squared yang disesuaikan dari persamaan kedua jauh lebih tinggi daripada yang dari
yang pertama. Namun demikian, ini tidak selalu berarti bahwa persamaan kedua akan
menghasilkan perkiraan yang lebih baik untuk tahun 1997. Yang dapat kita katakan
sejauh ini adalah bahwa, dengan menggunakan data hingga tahun 1996, jeda inflasi
membantu menjelaskan variasi dalam tingkat pengangguran.
Untuk mendapatkan perkiraan untuk tahun 1997, kita perlu tahu unem dan inf pada
tahun 1996. Ini adalah 5.4 dan 3.0, masing-masing. Oleh karena itu, perkiraan unem1997
dari persamaan (18.48) adalah 1.572 + .732 (5.4), atau sekitar 5.52. Perkiraan dari
persamaan (18.49) adalah 1.304 + .647 (5.4) + .184 (3.0), atau sekitar 5.35. Tingkat
pengangguran sipil yang sebenarnya untuk tahun 1997 adalah 4.9, sehingga kedua
persamaan melebih-lebihkan tingkat yang sebenarnya. Persamaan kedua memang
memberikan perkiraan yang agak lebih baik.

28
 Kita dapat dengan mudah mendapatkan interval perkiraan 95%. Ketika kita mundur
unemt pada (unemt-1 - 5.4) dan (inft-1 - 3.0), kita memperoleh 5.35 sebagai intesep yang
sudah kita hitung sebagai perkiraan-dan se (𝑓̂𝑛 ) = .137. Oleh karena itu, karena 𝜎̂ = .883,
1
̂
kita memiliki se (𝑒 2 2
𝑛+1 ) = [(. 137) + (. 883) ]2 ≈ .894.

Interval perkiraan 95% dari (18.47) adalah 5.35 ± 1.96(.894), atau sekitar [3.6, 7.1].
Ini adalah interval yang luas, dan nilai 1997 yang direalisasikan, 4.9, berada dalam
interval. Seperti yang diharapkan, kesalahan standar un+1, yaitu .883, adalah sebagian
̂
besar dari se (𝑒𝑛+1 )

Model dalam persamaan (18.43) adalah salah satu persamaan dalam apa yang
dikenal sebagai model vector autoregressive (VAR). Kita tahu apa model autoregresif
dari Bab 11: kita memodelkan satu seri, {yt}, dalam hal masa lalunya sendiri. Dalam
model autoregresif vektor, kami memodelkan beberapa seri — yang, jika anda akrab
dengan aljabar linier, adalah tempat kata "vektor" berasal — dalam hal masa lalu mereka
sendiri. Jika kita memiliki dua seri, yt dan zt, autoregresi vektor terdiri dari persamaan
yang terlihat

[18.16]
dan,

di mana setiap persamaan berisi error yang memiliki nilai nol yang diharapkan
diberikan informasi masa lalu pada y dan z. Dalam persamaan (18.43) —dan dalam
contoh yang diestimasi dalam (18.49) kita berasumsi bahwa satu lag dari setiap variabel
menangkap semua dinamika. (Uji F untuk signifikansi bersama unemt-2 dan inft-2
mengkonfirmasi bahwa hanya satu lag dari masing-masing diperlukan.)
Persamaan seperti (18.50) memungkinkan kita untuk menguji apakah, setelah
mengendalikan nilai-nilai masa lalu y, nilai-nilai masa lalu z membantu untuk
meramalkan yt. Secara umum, kita mengatakan bahwa z Granger menyebabkan y jika

[18.51]

29
 di mana 𝐼𝑡−1 berisi informasi masa lalu tentang y dan z, dan 𝐼𝑡−1 hanya berisi
informasi tentang masa lalu y. Ketika (18.51) berlaku, melewati z berguna, selain
melewati y, untuk memprediksi yt. Istilah "penyebab" dalam "penyebab Granger" harus
ditafsirkan dengan hati-hati. Satu-satunya pengertian di mana z “menyebabkan” y
diberikan dalam (18.51).
Setelah kita mengasumsikan model linier dan memutuskan berapa banyak
kelambatan y harus dimasukkan dalam 𝐸(𝑦𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) kita dapat dengan mudah
menguji hipotesis nol bahwa z tidak Granger menyebabkan y. Untuk lebih spesifik,
misalkan 𝐸(𝑦𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) hanya bergantung pada tiga kelambatan:
𝑦𝑡 = 𝛿0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑦𝑡−2 + 𝛼3 𝑦𝑡−3 + 𝑢𝑡

𝐸(𝑢𝑡 |𝑦𝑡−1 , 𝑦𝑡−2 , … ) = 0

Sekarang, di bawah hipotesis nol bahwa z tidak Granger menyebabkan y, setiap

kelambatan z yang kita tambahkan ke persamaan harus memiliki koefisien populasi nol.
Jika kita menambahkan 𝑧𝑡−1 , maka kita cukup melakukan tes t pada 𝑧𝑡−1 . Jika kita
menambahkan dua kelambatan z, maka kita dapat melakukan tes F untuk signifikansi
bersama 𝑧𝑡−1 dan 𝑧𝑡−2 dalam persamaan
𝑦𝑡 = 𝛿0 + 𝛼1 𝑦𝑡−1 + 𝛼2 𝑦𝑡−2 + 𝛼3 𝑦𝑡−3 + 𝛾1 𝑧𝑡−1 + 𝛾2 𝑧𝑡−2 + 𝑢𝑡

(Jika ada heteroskedastisitas, kita dapat menggunakan bentuk tes yang kuat. Tidak
mungkin ada korelasi serial di bawah H0 karena modelnya lengkap secara dinamis.)
Sebagai masalah praktis, bagaimana kita memutuskan kelambatan mana yang harus
disertakan oleh y dan z? Pertama, kita mulai dengan memperkirakan model autoregresif
untuk y dan melakukan tes t dan F untuk menentukan berapa banyak kelambatan y yang
akan muncul. Dengan data tahunan, jumlah kelambatan biasanya kecil, katakanlah, satu
atau dua. Dengan data triwulanan atau bulanan, biasanya ada lebih banyak kelambatan.
Setelah model autoregressive untuk y telah dipilih, kita dapat menguji kelambatan z.
Pilihan kelambatan z kurang penting karena, ketika z tidak Granger menyebabkan y,
tidak ada set z yang tertinggal yang harus signifikan. Dengan data tahunan, 1 atau 2
kelambatan biasanya digunakan; dengan data triwulanan, biasanya 4 atau 8; dan dengan
data bulanan, mungkin 6, 12, atau bahkan mungkin 24, diberikan data yang cukup.

30
 Kami telah melakukan satu contoh pengujian untuk kausalitas Granger dalam
persamaan (18,49). Model autoregresif yang paling sesuai dengan pengangguran adalah
AR (1). Dalam persamaan (18.49), kami menambahkan satu kelambatan inflasi, dan itu
sangat signifikan. Oleh karena itu, inflasi Granger menyebabkan pengangguran.
Ada definisi panjang kausalitas Granger yang sering berguna. Biarkan {𝑤𝑡 } menjadi
seri ketiga (atau, itu bisa mewakili beberapa seri tambahan). Kemudian, z Granger
menyebabkan y bersyarat pada w jika (18.51) memegang, tetapi sekarang 𝑙𝑡−1 berisi
informasi masa lalu tentang y, z, dan w, sementara 𝐽𝑡−1 berisi informasi masa lalu tentang
y dan w. Hal ini tentu mungkin bahwa z Granger menyebabkan y, tapi z tidak Granger
menyebabkan y bersyarat pada w. Tes 0 bahwa z tidak Granger menyebabkan y
bersyarat pada w diperoleh dengan pengujian untuk signifikansi z tertinggal dalam
model untuk y yang juga tergantung pada y tertinggal dan tertinggal w. Misalnya, untuk
menguji apakah pertumbuhan jumlah uang beredar Granger menyebabkan pertumbuhan
PDB riil, tergantung pada perubahan suku bunga, kami akan mundur gGDPt pada
kelambatan gGDP, ∆int, dan gM dan melakukan tes signifikansi pada kelambatan gM.
2.5.3 Membandingkan Prakiraan Satu Langkah ke Depan
Di hampir semua masalah peramalan, ada beberapa metode bersaing untuk
peramalan. Bahkan ketika kita membatasi perhatian pada model regresi, ada banyak
kemungkinan. Variabel mana yang harus dimasukkan, dan dengan berapa banyak
keterlambatan? Haruskah kita menggunakan log, level variabel, atau perbedaan
pertama?
Untuk memutuskan metode perkiraan, kita perlu cara untuk memilih mana yang
paling cocok. Secara luas, kita dapat membedakan antara kriteria in-sample dan out-of-
sample. Dalam konteks regresi, kriteria dalam sampel termasuk R-kuadrat dan
disesuaikan-R kuadrat. Ada banyak statistik pemilihan model lainnya, tetapi kami tidak
akan membahasnya di sini [lihat, misalnya, Ramanathan (1995, Bab 4)].
Untuk peramalan, lebih baik menggunakan kriteria out-of-sample, karena
peramalan pada dasarnya merupakan masalah di luar sampel. Model mungkin
memberikan kecocokan yang baik untuk y dalam sampel yang digunakan untuk
memperkirakan parameter. Tetapi ini tidak perlu diterjemahkan menjadi kinerja
perkiraan yang baik. Perbandingan di luar sampel melibatkan penggunaan bagian

31
 pertama sampel untuk memperkirakan parameter model dan menyimpan bagian sampel
terakhir untuk mengukur kemampuan perkiraannya. Ini meniru apa yang harus kita
lakukan dalam praktik jika kita belum tahu nilai variabel di masa depan.
Bagaimana seharusnya kita mengukur seberapa baik model kita meramalkan y
ketika itu keluar dari sampel? Dua langkah paling umum. Yang pertama adalah root
mean squared error (RMSE):

[18.52]

Ukuran umum kedua adalah kesalahan absolut rata-rata (MAE), yang merupakan
rata-rata kesalahan perkiraan absolut:

[18.53]

Sekali lagi, kami lebih suka MAE yang lebih kecil. Kriteria lain yang mungkin
termasuk meminimalkan nilai absolut terbesar dari kesalahan perkiraan.
Contoh 18.9 Perbandingan di Luar Sampel dari Prakiraan Pengangguran
Dalam Contoh 18.8, kami menemukan bahwa persamaan (18.49) cocok terutama
lebih baik selama tahun 1948 hingga 1996 daripada persamaan (18.48), dan, setidaknya
untuk peramalan pengangguran pada tahun 1997, model yang memasukkan inflasi
lambat bekerja lebih baik. Sekarang, kami menggunakan dua model, masih diperkirakan
menggunakan data hanya sampai tahun 1996, untuk membandingkan perkiraan satu
langkah ke depan untuk tahun 1997 hingga 2003. Ini menyisakan tujuh pengamatan out-
of-sample (n = 48 dan m = 7) untuk digunakan dalam persamaan (18,52) dan (18,53).
Untuk model AR (1), RMSE = .962 dan MAE = .778. Untuk model yang menambahkan
inflasi yang tertinggal (model VAR pesanan satu), RMSE = .673 dan MAE = .628.
Dengan demikian, dengan ukuran apa pun, model yang mencakup 𝑖𝑛𝑓𝑡−1 menghasilkan
perkiraan out-of-sample yang lebih baik untuk tahun 1997 hingga 2003. Dalam kasus
ini, kriteria dalam sampel dan di luar sampel memilih model yang sama.
2.5.4 Prakiraan Langkah-Maju (Multiple-Step-Ahead Forecasts)
Peramalan lebih dari satu periode ke depan umumnya lebih sulit daripada perkiraan
satu periode ke depan.

32
 Jika {yt} mengikuti model AR (1) (yang mencakup jalan acak, mungkin dengan
drift), kami dapat dengan mudah menunjukkan bahwa varians kesalahan meningkat
dengan horizon perkiraan. Modelnya adalah

dan {ut} memiliki varian 𝜎 2 konstan yang bergantung pada 𝐼𝑡−1 . Pada waktu t + h
+ 1, prakiraan kami tentang 𝑦𝑡+ℎ adalah 𝛼 + 𝜌𝑦𝑡+ℎ−1 , dan kesalahan perkiraan
hanyalah 𝑢𝑡+ℎ . Oleh karena itu, varian perkiraan satu langkah di depan hanyalah 𝜎 2 .
Untuk menemukan prakiraan beberapa langkah ke depan, kami, dengan substitusi
berulang,

Pada waktu t, nilai yang diharapkan dari 𝑢𝑡+𝑗 , untuk semua j ≥ 1, adalah nol. Begitu

[18.54]
Persamaan (18.54) menunjukkan bahwa menggunakan model AR (1) untuk
peramalan multistep itu mudah, setelah kami memperkirakan 𝜌 oleh OLS. Prakiraan
𝑦𝑛+ℎ pada waktu n adalah

[18.55]
Misalnya, ketika h = 2, perkiraan interval kepercayaan 95% (untuk n besar) adalah

[18.56]
Karena kita meremehkan standar deviasi 𝑦𝑛+ℎ , interval ini terlalu sempit, tetapi
mungkin tidak terlalu banyak, terutama jika n besar.
Kami juga dapat menghitung prakiraan beberapa langkah di depan dengan model
autoregresif yang lebih rumit. Sebagai contoh, misalkan {yt} mengikuti model AR (2)
dan pada waktu n, kami ingin meramalkan 𝑦𝑛+2 . Sekarang, 𝑦𝑛+2 = 𝛼 𝜌1 𝑦𝑛 + 𝑢𝑛+2 ,
jadi

Kita bisa menulis ini sebagai

33
 sehingga ramalan dua langkah di depan pada waktu n dapat diperoleh setelah kami
mendapatkan ramalan satu langkah di depan. Jika parameter model AR (2) telah
diestimasi oleh OLS, maka kami operasikan sebagai

[18.57]

Alasan yang sama dapat digunakan untuk mendapatkan prakiraan beberapa langkah
di depan untuk model VAR. Sebagai ilustrasi, misalkan kita punya...

[18.58]
Dan

Sekarang, misalkan kita ingin mendapatkan ramalan dua langkah di depan pada
waktu n. Dari (18.58), kami punya

[karena E(𝑢𝑛+2 |𝐼𝑛 ) = 0, jadi kami dapat menulis ramalan sebagai

[18.59]
Contoh 18.10 Prakiraan Dua Tahun Ke Depan untuk Tingkat Pengangguran
Untuk menggunakan persamaan (18.49) untuk memperkirakan pengangguran dua
tahun ke depan — katakanlah, angka tahun 1998 yang menggunakan data sampai tahun
1996 — kita membutuhkan model untuk inflasi. Model terbaik untuk inf dalam hal
keterlambatan unem dan inf tampaknya merupakan model AR (1) sederhana (unem21
tidak signifikan ketika ditambahkan ke regresi):

Jika kita memasukkan nilai inf pada 1996 ke dalam persamaan ini, kita
̂ 1997 = 3.27. Sekarang, kita bisa pasang ini,
mendapatkan perkiraan inf untuk 1997: 𝑖𝑛𝑓

34
 bersama dengan 𝑢𝑛𝑒𝑚
̂ 1997 5.35 (yang kami dapatkan sebelumnya), ke (18.59) untuk
memperkirakan unem1998:

Ingat, ramalan ini hanya menggunakan informasi sampai tahun 1996. Ramalan satu
langkah di depan unem1998, yang diperoleh dengan memasukkan nilai-nilai unem dan
inf pada tahun 1997 (18,48), sekitar 4,90. Tingkat pengangguran aktual pada tahun 1998
adalah 4,5%, yang berarti bahwa, dalam hal ini, ramalan satu langkah di depan sedikit
lebih baik daripada ramalan dua langkah di depan.
2.5.5 Proses Peramalan Tren, Musiman, dan Terpadu
A Kami sekarang beralih ke seri peramalan yang menunjukkan tren, memiliki
musim, atau memiliki unit root. Ingat dari Bab 10 dan 11 bahwa satu pendekatan untuk
menangani variabel dependen atau independen yang menjadi tren dalam model regresi
adalah dengan memasukkan tren waktu, yang paling populer adalah tren linier. Tren
dapat dimasukkan dalam persamaan perkiraan juga, meskipun harus digunakan dengan
hati-hati.
Dalam kasus yang paling sederhana, anggaplah bahwa {yt} memiliki tren linier
tetapi tidak dapat diprediksi di sekitar tren itu.
Lalu, kita bisa menulis

[18.60]

35
 Seperti yang kita bahas di Bab 10, sebagian besar rangkaian waktu ekonomi lebih
baik ditandai memiliki, setidaknya sekitar, laju pertumbuhan konstan, yang
menunjukkan bahwa log(yt ) mengikuti tren waktu linier. Misalkan kita menggunakan
n pengamatan untuk mendapatkan persamaan.

[18.61]
Kita harus memperhitungkan error yang tersirat dalam (18.61). Cara paling
sederhana untuk melakukan ini adalah dengan menggunakan observasi n untuk mundur
̂ 𝑡 tanpa intersep. Biarkan 𝛾̂ menjadi koefisien kemiringan pada 𝑙𝑜𝑔𝑦
pada 𝑙𝑜𝑔𝑦 ̂ 𝑡.
Kemudian, perkiraan y pada periode n + h adalah sederhana

[18.62]
Meskipun model tren dapat berguna untuk prediksi, mereka harus digunakan
dengan hati-hati, terutama untuk peramalan jauh ke seri terintegrasi masa depan yang
mengalami pergeseran. Masalah potensial dapat dilihat dengan mempertimbangkan
jalan acak dengan drift. Pada waktu t + h, kita dapat menulis yt+h sebagai

Biarkan 𝑦0 menjadi nilai awal dari proses pada waktu nol, yang kita ambil sebagai
nonrandom. Lalu, kita juga bisa menulis

Ini dapat diperluas ke prakiraan beberapa langkah di depan dengan menuliskan

𝑦𝑛+ℎ sebagai

Atau

Oleh karena itu, perkiraan 𝑦𝑛+ℎ pada waktu n adalah

[18.63]
Pendekatan kedua untuk variabel peramalan I (1) adalah dengan menggunakan
model AR atau VAR umum untuk {yt}. Ini tidak memaksakan root unit. Misalnya, jika
kita menggunakan model AR (2),

36
 [18.64]
Sebagai contoh, mari kita perkirakan model AR (2) untuk tingkat kesuburan umum
di FERTIL3, menggunakan pengamatan sampai 1979. (Dalam Latihan Komputer C8,
Anda diminta untuk menggunakan model ini untuk peramalan, itulah sebabnya kami
menyimpan beberapa pengamatan di akhir sampel.)

[18.65]

Statistik t pada lag kedua sekitar –2,57, yang secara statistik berbeda dari nol pada
sekitar level 1%. (Kelambatan pertama juga memiliki statistik t yang sangat signifikan,
yang memiliki distribusi t perkiraan dengan alasan yang sama dengan yang digunakan
untuk 𝜌̂2 .) R-kuadrat, disesuaikan atau tidak, tidak terlalu informatif sebagai ukuran
good-of-fit. karena gfr ternyata berisi unit root, dan tidak masuk akal untuk menanyakan
berapa banyak varian dalam gfr yang kami jelaskan.
Model koreksi error sederhana adalah

[18.66]

Dengan mengatur ulang model koreksi error, kita dapat menulis

[18.67]

37
 BAB III
PENUTUP

3.1 Kesimpulan
Berdasarkan pembahasan dari berbagai topik, adapun kesimpulan dari topik yang telah
dibahas yaitu model lag terdistribusi tak terbatas, yang memungkinkan perubahan penjelasan
variabel untuk mempengaruhi semua nilai masa depan dari variabel dependen. Secara
konseptual, model-model ini ekstensi langsung dari model lag terdistribusi terbatas pada bab
sebelumnya, tetapi memperkirakan ini model memiliki beberapa tantangan menarik.
Pada pembahasan tersebut kami memilih cara formal untuk unit root dalam proses deret
waktu yang mana dapat mengecualikan proses unit untuk menerapkan teori asimptotik yang
biasa. Karena Unit root Kehadiran menyiratkan bahwa guncangan hari ini memiliki jangka
panjang, menentukan apakah sebuah proses memiliki unit root yang menarik dalam dirinya
sendiri. Hasil utama adalah bahwa bahkan jika dua seri root unit independen, itu sangat
mungkin bahwa regresi satu sama lain akan menghasilkan T statistik yang signifikan secara
statistik. Ini menekankan konsekuensi serius yang berpotensi dari menggunakan inferensi
standar ketika ketergantungan dan variabel independen adalah proses terintegrasi.
Gagasan kointegrasi berlaku ketika dua seri adalah I (1), tetapi merupakan kombinasi
linear dari keduanya adalah I (0); dalam hal ini, regresi satu sama lain tidak palsu, tetapi
sebaliknya memberitahu kita sesuatu tentang hubungan jangka panjang di antara mereka.
Kointegrasi antara dua seri juga menyiratkan jenis model tertentu, yang disebut model koreksi
kesalahan, untuk dinamika jangka pendek.
3.2 Saran
Terima kasih kepada ibu dosen pengampu dan teman-teman yang telah membaca
makalah ini. Mohon maaf jika terdapat kekurangan materi dari kami, karena manusia itu luput
akan kesalahan. Untuk itu, kami sarankan kepada para pembaca untuk mempelajari lebih
mendalam mengenai advanced time series topics melalui referensi buku maupun jurnal.
Namun, kami berharap kepada para pembaca agar dapat menjadikan makalah ini sebagai
referensi awal. Sekian dan terima kasih

38
 DAFTAR PUSTAKA

Wooldridge, Jeffrey M. 2016. Introductory Econometrics: A Modern Approach Sixth Edition.

Cengage Learning, Boston

39