Sesi11 12TimeSeriesRegrs2019New 1
Sesi11 12TimeSeriesRegrs2019New 1
Data Time-Series
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
Co effici en tsa
a
Co lli n ear ity Diagn o sti cs