PRAKTIKUM 9

Metode Time Series Regresi

Tujuan:

Mahasiswa dapat menggunakan R-Studio untuk memodelkan data time series dengan metode time
series regresi

Petunjuk:

1. Import data Tab8-1.csv.

Caranya: Import Dataset- From Text file... kemudian pilih data yang akan digunakan klik
import.

Data tersebut merupakan data penjualan Reynolds Metals tahun 1976 hingga 1996,
sehingga

>RMsales<-ts(Tab8.1,start=c(1976,1))
>RMsales
Time Series:
Start = 1976
End = 1996
Frequency = 1
Sales Income Ln.Sales.Ln.Income.
1976 295 273.4 5.686975 5.610936
1977 400 291.3 5.991465 5.674354
1978 390 306.9 5.966147 5.726522
1979 425 317.1 6.052089 5.759217
1980 547 336.1 6.304449 5.817409
1981 555 349.4 6.318968 5.856217
1982 620 362.9 6.429719 5.894127
1983 720 383.9 6.579251 5.950382
1984 880 402.8 6.779922 5.998440
1985 1050 437.0 6.956545 6.079933
1986 1290 472.2 7.162397 6.157403
1987 1528 510.4 7.331715 6.235195
1988 1586 544.5 7.368970 6.299868
1989 1960 588.1 7.580700 6.376897
1990 2118 630.4 7.658228 6.446355
1991 2116 685.9 7.657283 6.530732
1992 2477 742.8 7.814803 6.610427
1993 3199 801.3 8.070594 6.686235
1994 3702 903.1 8.216628 6.805833
1995 3316 983.6 8.106515 6.891219
1996 2702 1076.7 7.901748 6.981656

2. Membentuk persamaan regresi

>model=lm(Tab8.1$Sales~Tab8.1$Income)
>model
Call:
lm(formula = Tab8.1$Sales ~ Tab8.1$Income)
Coefficients:
(Intercept) Tab8.1$Income
-792.002 4.255

Dengan demikian diperoleh persamaan:

Sales = -792,002 + 4,255 Income
3. Menampilkan nilai Durbin Watson.
Package yang dibutuhkan adalah lmtest.

37
 >dwtest(model)
Durbin-Watson test
data: model
DW = 0.8713, p-value = 0.0007507
alternative hypothesis: true autocorrelation is greater than 0

Nilai p-value < 0.05% sehingga dapat disimpulkan bahwa error mengandung autokorelasi.
4. Berikut akan diberikan contoh yang lain, dengan lebih dari satu variabel dependent. Contoh
diambil dari Case 8-4 pada buku Hanke & Wichern(2005:369). Variabel independent
dinyatakan sebagai variabel dummy.
5. Membentuk persamaan regresi

>Novak=lm(Case8.4$Sales~Case8.4$Time+Case8.4$S1+Case8.4$S2+Case8.4$S3
+Case8.4$S4+Case8.4$S5+Case8.4$S6+Case8.4$S7+Case8.4$S8+Case8.4$S9+Ca
se8.4$S10+Case8.4$S11)
>Novak
Call:
lm(formula = Case8.4$Sales ~ Case8.4$Time + Case8.4$S1 + Case8.4$S2 + Case8.4$S3 +
Case8.4$S4 + Case8.4$S5 + Case8.4$S6 + Case8.4$S7 + Case8.4$S8 + Case8.4$S9 +
Case8.4$S10 + Case8.4$S11)
Coefficients:
(Intercept) Case8.4$Time Case8.4$S1 Case8.4$S2 Case8.4$S3 Case8.4$S4
-35023 2752 -48459 -29808 21681 119019
Case8.4$S5 Case8.4$S6 Case8.4$S7 Case8.4$S8 Case8.4$S9 Case8.4$S10
139212 57713 21689 74014 7872 -9009
Case8.4$S11
-25050

Dengandemikian persamaan regresi menjadi

Sales = -35023 + 2752 Time – 48459 S1 – 29808 S2 + 21681 S3 + 119019 S4 + 139212 S5 +

57713 S6 + 21689 S7 + 74014 S8 + 7872 S9 – 9009 S10 – 25050 S11

6. Untuk mengetahui informasi lebih lanjut gunakan perintah summary()

>summary(Novak)
Call:
lm(formula = Case8.4$Sales ~ Case8.4$Time + Case8.4$S1 + Case8.4$S2 +
Case8.4$S3 + Case8.4$S4 + Case8.4$S5 + Case8.4$S6 + Case8.4$S7 +
Case8.4$S8 + Case8.4$S9 + Case8.4$S10 + Case8.4$S11)
Residuals:
Min 1Q Median 3Q Max
-79425 -24470 -3091 18566 86758
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) -35024 15441 -2.268 0.025912 *
Case8.4$Time 2752 141 19.517< 2e-16 ***
Case8.4$S1 -48459 19059 -2.543 0.012863 *
Case8.4$S2 -29808 19048 -1.565 0.121427
Case8.4$S3 21681 19039 1.139 0.258056
Case8.4$S4 119019 19030 6.254 1.65e-08 ***
Case8.4$S5 139212 19022 7.319 1.45e-10 ***
Case8.4$S6 57713 19015 3.035 0.003210 **
Case8.4$S7 21689 19009 1.141 0.257170
Case8.4$S8 74014 19005 3.895 0.000198 ***
Case8.4$S9 7872 19001 0.414 0.679708
Case8.4$S10 -9009 18998 -0.474 0.636600
Case8.4$S11 -25050 18997 -1.319 0.190908
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 37990 on 83 degrees of freedom
Multiple R-squared: 0.8771, Adjusted R-squared: 0.8594
F-statistic: 49.38 on 12 and 83 DF, p-value: < 2.2e-16

38
 >dwtest(Novak)
Durbin-Watson test
data: Novak
DW = 1.4094, p-value = 0.0026
alternative hypothesis: true autocorrelation is greater than 0

7. Menggambar ACF dari residual Novak

>tsdisplay(Novak$residual)

8. Menentukan model autoregressive dengan analisis regresi variabel Sales sebagai variabel
dependen dan Y-lagged periode 12 sebagai variabel independent. Untuk lebih mudahnya
data diolah terlebih dahulu dengan bantuan software Ms Excel sehingga menjadi

Data ke-13 dipengaruhi oleh data ke-1, data

ke -14 dipengaruhi oleh data ke-2 dan
seterusnya...

Selanjutnya data disimpan dalam ekstensi csv dan di import dalam R.

39
9. Menentukan persamaan regresi dan menghitung nilai Durbin Watson

>Ar.Novak=lm(tux$Sales~tux$Y.lagged)
>Ar.Novak
Call:
lm(formula = tux$Sales ~ tux$Y.lagged)

Coefficients:
(Intercept) tux$Y.lagged
24786.416 1.068

>summary(Ar.Novak)
Call:
lm(formula = tux$Sales ~ tux$Y.lagged)

Residuals:
Min 1Q Median 3Q Max
-86908 -18848 -590 13755 92671

Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 2.479e+04 5.322e+03 4.658 1.22e-05 ***
tux$Y.lagged 1.068e+00 3.803e-02 28.084 < 2e-16 ***
---
Signif.codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
Residual standard error: 30780 on 82 degrees of freedom
Multiple R-squared: 0.9058, Adjusted R-squared: 0.9047
F-statistic: 788.7 on 1 and 82 DF, p-value: < 2.2e-16

>dwtest(Ar.Novak)
Durbin-Watson test

data: Ar.Novak
DW = 1.829, p-value = 0.1906
alternative hypothesis: true autocorrelation is greater than 0

40
 Daftar Pustaka
Hanke, J.E., & D. W. Wicern, 2005, Business Forecasting, 8th ed, Ney Jersey: Pearson Prentice Hall.

http://www.squaregoldfish.co.uk/2010/01/20/r-the-acf-function-and-statistical-significance/

http://a-little-book-of-r-for-time-series.readthedocs.org/en/latest/src/timeseries.html

http://otexts.com/fpp/2/3/

http://www.prenhall.com/Hanke/7/

http://students.washington.edu/mclarkso/documents/line%20styles%20Ver2.pdf

http://stat.ethz.ch/R-manual/R-patched/library/stats/html/acf.html

http:// www.win.tue.nl/~aserebre/2IS55/2011-
2012/2IS55%20Time%20Series%20with%20R%202011_2012.pdf

41