5

A) Karena ϕ = 0. 7, maka lag 1 = 0. 7, dan lag 5 = ϕ = 0. 16807

B)

Akan dihitung standard error untuk 𝑟1 dan 𝑟5

2
𝑟1 =
1−ϕ
= (1−0.72) = 0. 010625 ≈0. 10
𝑛 48

2 2
𝑟5 =
1 ⎡ 1+ϕ ⎤ = 1 ⎡ 1+0.7 ⎤≈0. 25
𝑛 ⎢ 1−ϕ2 ⎥ 48 ⎢ 1−0.72 ⎥
⎣ ⎦ ⎣ ⎦

Dengan standar error berikut estimasinya dapat dinilai baik

C)

Dengan standar error yang sama, estimasi dapat dibilang cukup baik

D) Histogram 𝑟1 Histogram 𝑟5
 Untuk distribusi sampling 𝑟1, rata-ratanya adalah 0,618 (ρ1= 0,7) dan mediannya
adalah 0,631. Ini setuju dengan kecondongan yang diamati terhadap nilai-nilai yang
lebih rendah. Deviasi standar dalam distribusi ini adalah 0,11 yang sesuai dengan teori
asimtotik (0,10).

Distribusi sampling 𝑟5 memiliki rata-rata 0,033 (ρ5= 0,168) dan median 0,032 dan ini
sesuai dengan simetri distribusi ini. Deviasi standar dalam distribusi ini adalah 0,18
yang cukup sesuai dengan teori asimtotik (0,25).

^ 𝑟1(1−𝑟2) 0.8(1−0.5)
ϕ1 = 2 = 2 = 1. 11
1−𝑟1 1−0.8

^ 𝑟2(1−𝑟1) 0.5−0.8
2
ϕ2 = 2 = 2 =− 0. 389
1−𝑟2 1−0.8

^ ^
( ^ ^
)
θ0 = µ 1 − ϕ1 − ϕ2 = 2(1 − 1. 11 − (− 0. 389)) = 0. 558

2
( ^ ^
) 2
σ𝑒 = 1 − ϕ1𝑟1 − ϕ2𝑟2 𝑠 = [1 − (1. 11)(0. 8) − (− 0. 389)(0. 5)]5 = 1. 5325

^ 6+5+4+6+4
𝑢= 5
= 5
2 2 2 2 2
γ0 = [
^ (6−5) +(5−5) +(4−5) +(6−5) +(4−5) ]
5−1
=1

^ [(6−5)(5−5)+(5−5)(4−5)+(4−5)(6−5)+(6−5)(4−5)] 1
ρ1 = 𝑟1 = 4
=− 2
6.21 Simulate an MA(1) time series with 𝑛 = 60 and with 𝜃 = 0,5.
(a) Calculate the theoretical autocorrelation at lag 1 for this model
−𝜃 −0,5
𝜌1 = = = −0,4
1 + 𝜃 2 1 + (0,5)2
(b) Calculate the sample autocorrelation at lag 1, and compare the value with its
theoretical value. Use Exhibit 6.2 on page 112, to quantify the comparisons.
Akan dihitung autokorelasi sampel menggunakan RStudio :
> model <- arima.sim(n=60, list(ma=0.5), innov=rnorm(60))
> par(mar=c(1,1,1,1))
> acf(model, lag.max=1, plot=F) [1]
Autocorrelations of series ‘model’, by lag
1
0.392

Selanjutnya akan dibandingkan autokorelasi sampel dengan autokorelasi teori.

Berdasarkan Exhibit 6.2 standard deviasi untuk 𝜃 = −0,5 adalah
0.79 0,79
√𝑉𝑎𝑟(𝑟1) = = ≈ 0,10198856 ≈ 0,102
√𝑛 √60
1
Secara umum : 𝑉𝑎𝑟(𝑟𝑘 ) = 𝑛 [1 + 2 ∑𝑞𝑗=1 𝜌𝑗2 ], 𝑢𝑛𝑡𝑢𝑘 𝑘 > 𝑞.

Maka standard deviasi untuk autokorelasi teori :

1 1
√𝑉𝑎𝑟(−0,4) = √𝑛 (1 + 2𝜌12 ) = √60 [1 + 2(−0,4)2 ] ≈ 0,14832

Dan standard deviasi untuk autokorelasi sampel :

1 1
√𝑉𝑎𝑟(0,392) = √𝑛 (1 + 2𝜌12 ) = √60 [1 + 2(0,392)2 ] ≈ 0,14761

Selisih antara standard deviasi autokorelasi sampel dengan standard deviasi

autokorelasi teori sangat kecil yaitu 0,00071 artinya perbedaan antar autokorelasi
sampel hampir sama dengan perbedaan antar autokorelasi teori.

(c) Repeat part (b) with a new simulation. Describe how the precision of the estimate
varies with different samples selected under identical conditions.
> model <- arima.sim(n=60, list(ma=0.5), innov=rnorm(60))
> par(mar=c(2,2,2,2))
> acf(model, lag.max=1, plot=F) [1]
Autocorrelations of series ‘model’, by lag
1
 0.401
Hasil estimasi akan terus berubah jika di-run ulang. Dapat disimpulkan bahwa
walaupun model yang disimulasikan sama, presisi dari estimasi akan berbeda-beda
tergantung pada pemilihan sampelnya.

(d) If software permits, repeat the simulation of the series and calculation of 𝑟1. Describe
how the precision of the estimate varies with different samples selected under
identical conditions. How well does the large sample variance given in Exhibit 6.2
on page 112, approximate the variance in your sampling distribution?
> set.seed(1000); r1=rep(NA,10000); r5=r1
> for(k in 1:10000) {model=arima.sim(n=60, list(ma=-0.5),
innov=rnorm(60)); r1[k]=acf(model, lag.max = 1, plot=F)$acf[1]}
> hist(r1)
> mean(r1)
> median(r1)
> sd(r1)

Dari distribusi sampling dengan 𝑛 = 10000 :

mean = −0,390, median = −0,393 dan standard deviasi = 0,10.
Berdasarkan Exhibit 6.2 standard deviasi untuk 𝜃 = −0,5 adalah
0.79 0,79
√𝑉𝑎𝑟(𝑟1) = = ≈ 0,10198856 ≈ 0,102
√𝑛 √60
7.3 If {𝑌𝑡 } satisfies an AR(1) model with 𝜑 of about 0.7, how long of a series do we need to
estimate 𝜑 = 𝜌1 with 95% confidence that our estimation error is no more than ±0.1?
The (large sample) standard error of 𝜙̂ = 𝑟1 is
1−𝜙 ̂2
AR(1) : 𝑉𝑎𝑟(𝜙̂) = 𝑛

Standard deviasi :

1 − 𝜙̂ 2 1 − (0,7)2 0,51 0,714

√𝑉𝑎𝑟(𝜙̂) = √ =√ =√ ≈
𝑛 𝑛 𝑛 √𝑛
2
0,714 2(0,714)
2( ) = 0,1 → 𝑛 = ( ) = 203,9 ≈ 204
√𝑛 0,1
Maka kita membutuhkan series sebanyak 𝑛 = 204

7.4 Consider an MA(1) process for which it is known that the process mean is zero. Based
on a series of length 𝑛 = 3, we observe 𝑌1 = 0, 𝑌2 = −1, and 𝑌3 = ½.
(a) Show that the conditional least-squares estimate of θ is ½.
Berdasarkan Equation 7.2.14 : halaman 157, kita punya
𝑒1 = 𝑌1 = 0
𝑒2 = 𝑌2 + 𝜃𝑒1 = −1
1
𝑒3 = 𝑌3 + 𝜃𝑒2 = 2 + (−1)𝜃
1 2 1
Sehingga 𝑆𝑐 (𝜃) = ∑(𝑒𝑡 )2 = 02 + (−1)2 + (2 − 𝜃) = 1 + 4 − 𝜃 + 𝜃 2

Untuk memaksimumkan 𝜃 maka 𝑑(𝑆𝑐 (𝜃)) = 0 sehingga

1
2𝜃 − 1 = 0 → 𝜃 =
2
1
Maka akan maksimum saat 𝜃 = 2.

(b) Find an estimate of the noise variance. (Hint: Iterative methods are not needed in this
simple case.)
𝑆𝑐 (𝜃) ∑(𝑒𝑡 )2 1 1
𝜎̂𝑒2 = = = =
𝑛−1 𝑛−1 3−1 2
6.23 Simulate an AR(1) time series with φ = 0.6, with
a. n = 24, and estimate 𝜌1 = φ = 0.6 with 𝑟1 ;
dengan bantuan R Studio diperoleh:

b. n = 60, and estimate 𝜌1 = φ = 0.6 with 𝑟1 ;

c. n = 120, and estimate 𝜌1 = φ = 0.6 with 𝑟1 .

d. For each of the series in parts (a), (b), and (c), compare the estimated values with the theoretical
value. Use Equation (6.1.5) on page 111, to quantify the comparisons. In general, describe how
the precision of the estimate varies with the sample size.
1−(0.6)2
Pada kasus (a) 𝑛 = 24: √𝑉𝑎𝑟(𝑟1 ) ≈ √ ≈ 0.16. Perkiraan 0,459 berada dalam dua
24

kesalahan standar dari nilai sebenarnya 0,6.

1−(0.6)2
Pada kasus (a) 𝑛 = 60: √𝑉𝑎𝑟(𝑟1 ) ≈ √ ≈ 0.10. Perhatikan bahwa meskipun ukuran
60

sampelnya lebih besar, rangkaian ini memberi perkiraan yang kurang akurat 0,385 dari 𝜌1 = 𝜙 =

0.6 daripada yang ada di bagian (a). Sebenarnya perkiraan ini lebih dari dua standar kesalahan jauh

dari nilai sebenarnya 𝜌1 = 𝜙 = 0.6. Namun, secara umum, perkiraan dengan ukuran sampel yang

lebih besar memberikan hasil yang lebih baik perkiraan karena kesalahan standar lebih kecil.

1−(0.6)2
Pada kasus (a) 𝑛 = 120: √𝑉𝑎𝑟(𝑟1 ) ≈ √ ≈ 0.07. Estimasi 0,627 ini adalah yang terbaik
120

dari ketiganya dan memiliki kesalahan standar terkecil.