Analisis Regresi dengan

Data Time-Series

Addinul Yakin (Addy)

Faperta UNRAM
2019
 2
AyakinS56Timeseriesregres2016

PENDAHULUAN (1)
 Data Time-Series (Rentang Waktu) yaitu data yang
diperoleh tentang individu (orang, perusahaan,
dsb) selama rentang atau rangkaian periode waktu
tertentu (hari, minggu, bulan, caturwulan,
semester, musim, tahun, dsb)
 Analisis regresi yang digunakan pada kasus data
cross-section (pada suatu waktu tertentu) juga bisa
digunakan untuk kasus data time-series.
 Ketika berhubungan dengan data time-series.
Tujuan utama adalah untuk mampu memprediksi
dari variabel dependen untuk periode waktu masa
depan.
 3
AyakinS56Timeseriesregres2016

PENDAHULUAN (2)
Ada dua pendekatan untuk mengidentifikasi
masalah seperti itu:
(1) peneliti mengidentifikasi variabel2 yang
berhubungan dengan variabel dependen dalam
bentuk kausal (sebab akibat) dan menggunakan
itu untuk membangun model regresi kausal;
(2) mengidentifikasi pola pergerakan dalam nilai
variabel dependen di masa lalu dan meramalkan
kemungkinan pola-pola tersebut ke masa depan
dengan menggunakan model regresi ekstrapolatif.
 4
AyakinS56Timeseriesregres2016

PENDAHULUAN(2)
 Kedua model itu masing2 punya kelebihan dan
kekurangan
 Model ekstrapolatif berpenampilan terbaik untuk
kasus jangka pendek dan menengah (0- 2 tahun),
dan model kausal lebih cocok untuk prediksi
jangka menengah dan jangka panjang (> 2 tahun).
 Ketika menggunakan analisis time-series
dimungkinkan untuk menghubungkan nilai variabel
dependen pada saat ini terhadap nilai variabel
independen pada periode waktu sekarang
 5
AyakinS56Timeseriesregres2016

PENDAHULUAN(4)
 Misalkan nilai penjualan (y) dalam periode waktu t
dengan biaya iklan (I) dalam periode t. xt-1
merepresentasikan biaya iklan dalam periode
waktu t -1
 Model penjualan:
yt = β0+β1xt+β2xt-1+β3xt-2+e
Dalam hal ini penjualan dimodelkan sebagai fungsi
dari biaya iklan bulan sekarang dengan dua bulan
sebelumnya.
t xt Xt-1 Xt-2 6
AyakinS56Timeseriesregres2016
1 4 * *
2 7 4 * Lagged variabel untuk
variabel dependen: Bisa
3 8 7 4
merupakan model kausal atau
4 10 8 7 ekstrapolatif
5 11 10 8 Yt = βo + β 1Yt-1 + et
6 9 11 10
7 15 9 11 t yt Yt-1
8 16 15 9 1 22 *
2 24 22
3 27 24
4 35 27
Lagged varibel untuk variabel
penjelas/independen - kausal 5 38 35
6 42 38
Penjualan sebagai fungsi
7 47 42
dari biaya iklan bulan ini
dan dua bulan sebelumnya 8 50 47
 7
AyakinS56Timeseriesregres2016

MODEL GABUNGAN
 Lagged variabel dependen dan independen dikombinasikan

 Yt = β0+ β 1Yt-1 +β2xt+β3xt-1+β4xt-2+e

 Jika penjualan yang lalu bisa mempengaruhi penjualan bulan

ini atau mempertahankan penjualan maka model ini adalah
model kausal.
 8
AyakinS56Timeseriesregres2016

Metode Estimasi untuk Menggantikan

Data yang hilang atau tidak ada (1)
 Rata-rata rangkaian data (Series mean):
menggantikan nilai-nilai yang hilang dengan rata-rata
dari semua rangkaian data.
 Rata-rata dari angka-angka sekitarnya (Mean of
nearby points). Menggantikan nilai yang hilang dengan
rata-rata nilai yang valid sekitarnya. Cakupan nilai
sekitar mencakup jumlah nilai valid di atas dan di bawah
nilai yang hilang digunakan untuk menghitung rata-rata.
 9

Metode Estimasi untuk Data AyakinS56Timeseriesregres2016

yang hilang atau tidak ada (2)

 Nilai tengah dari angkat-angka sekitar (Median of
nearby points) Menggantikan nilai yang hilang dengan
median yang valid sekitarnya. Cakupan nilai sekitar
mencakup jumlah nilai valid di atas dan di bawah nilai
yang hilang digunakan untuk menghitung median
 Interpolasi (interpolation). Nilai valid terakhir sebelum
nilai yang hilang dan nilai valid pertama setelah nilai
yang hilang digunakan untuk interpolasi. Jika angka
pertama dan terakhir dari rangkaian data mempunyai
nilai yang hilang, nilai yang hilang tersebut tidak diganti.
 10
AyakinS56Timeseriesregres2016

Metode Estimasi untuk Data

yang hilang atau tidak ada (3)
Tren linier pada titik itu (Linear trend at
point). Menggantikan nilai-nilai yang hilang
dengan tren liniar untuk titik itu. Rangkaian
data yang ada diregresikan pada suatu
variabel indeks skala 1 sampai n. Nilai
yang hilang digantikan dengan nilai yang
diprediksi tersebut.
1 8.1 5 9 11
AyakinS56Timeseriesregres2016
2 8.1 6 10
3 8.6 7 11
4 8.8 8 12
5 9 1
6 10 2
7 11 3
8 12 4
9 1 5
10 2 6
11 3 7
12 4 8
1 5 9
2 6 10
3 7 11
4 8 12
 CONTOH: DAMPAK MUSIM AyakinS56Timeseriesregres2016
12

DALAM REGRESI TIME-SERIES

Dampak musiman adalah pola-pola
pergerakan yang cukupteratur, yang
berurang dalam periode satu tahun.
Misalnya, penjualan pakaian renang akan
lebih tinggi pada musim panas
dibandingkan pada musim dingin,
meskipun dampak seperti itu tidak selalu
sama setiap tahun.
 13
AyakinS56Timeseriesregres2016
CONTOH: DAMPAK MUSIM DALAM
REGRESI TIME-SERIES (2)
 Dampak musiman ini bisa dimasukkan dalam
regresi dengan menggunakan variabel indikator
(atau variabel dummy) yang mempunyai nilai 1
dan o
 Misalkan ada musim dalam setahun, maka ada:
 Q1 = 1 jika obervasi dari kuartal pertama dari
tahun tertentu
= 0 sebaliknya
Q2, Q3, dan Q4
 14
AyakinS56Timeseriesregres2016

Penjualan Trend Kuatral Q1 Q2 Q3 Q4
15
221 1 1 1 0 0 0
AyakinS56Timeseriesregres2016
204 2 2 0 1 0 0
190 3 3 0 0 1 0
225 4 4 0 0 0 1
224 5 1 1 0 0 0
190 6 2 0 1 0 0
206 7 3 0 0 1 0
226 8 4 0 0 0 1
236 9 1 1 0 0 0
214 10 2 0 1 0 0
210 11 3 0 0 1 0
238 12 4 0 0 0 1
245 13 1 1 0 0 0
201 14 2 0 1 0 0
230 15 3 0 0 1 0
254 16 4 0 0 0 1
 ANOVAb
16
Sum of
Model Squares df Mean Square F AyakinS56Timeseriesregres2016
Sig.
1 Regress ion 4559.300 4 1139.825 17. 259 .000a
Res idual 726.450 11 66. 041
Tot al 5285.750 15
a. Predic tors: (Cons tant ), Q3, Tren, Q2, Q1
b. Dependent Variable: Penjualan

Co effici en tsa

Uns tandardized Standardized

Coef f icients Coef f icients Collinearity Statistics
Model B Std. Error Beta t Sig. Toleranc e VIF
1 (Constant) 215.625 6. 095 35. 378 .000
Tren 2. 013 .454 .510 4. 430 .001 .941 1. 063
Q1 1. 788 5. 906 .043 .303 .768 .631 1. 584
Q2 -29.475 5. 818 -. 702 -5.066 .000 .650 1. 538
Q3 -24.738 5. 764 -. 589 -4.292 .001 .663 1. 509
a. Dependent Variable: Penjualan

a
Co lli n ear ity Diagn o sti cs

Condition Variance Proport ions

Model Dim ension Eigenv alue Index (Const ant) Tren Q1 Q2 Q3
1 1 2. 644 1. 000 .02 .03 .02 .02 .02
2 1. 004 1. 623 .00 .00 .25 .00 .23
3 1. 000 1. 626 .00 .00 .08 .33 .08
4 .280 3. 072 .00 .36 .23 .30 .39
5 .072 6. 064 .98 .62 .42 .35 .28
a. Dependent Variable: Penjualan
 17
Residual s Statisticsa
AyakinS56Timeseriesregres2016

Minimum Max imum Mean Std. Dev iation N

Predic ted Value 190.1750 247.8250 219.6250 17. 43426 16
Res idual -13.32500 13. 82500 .00000 6. 95917 16
Std. Predic ted Value -1.689 1. 618 .000 1. 000 16
Std. Residual -1.640 1. 701 .000 .856 16
a. Dependent Variable: Penjualan