MODEL (ECM)
Dr. Taosige Wau
Pendahuluan
• Model regresi time series dgn data yg tidak stasioner →
menghasilkan regresi lancung (spurious regression).
• Regresi lancung → 𝑅2 tinggi namun banyak variabel bebas yg
tidak signifikan (melalui uji 𝑡).
• Jika data tidak stasioner → model estimasi yg tepat model
koreksi kesalahan (Error Correction Model, ECM).
• Data yg tdk stasioner menunjukkan hubungan yg tidak seimbang
dalam jangka pendek, namun seimbang dalam jangka panjang.
• Ada tidaknya hubungan jangka panjang dalam variabel ekonomi
diketahui melalui uji kointegrasi.
Stasioneritas Data
• Data time series hasil proses random dikatakan stasioner, jika:
▪ Rata-rata konstan → 𝐸 𝑌𝑡 = 𝜇
▪ Varian konstan → 𝑣𝑎𝑟 𝑌𝑡 = 𝐸 𝑌𝑡 − 𝜇 2 = 𝜎 2
▪ Kovarian antar dua data time series hanya bergantung dari
kelambanan antar dua periode waktu tersebut → 𝛾𝑘 =
𝐸 𝑌𝑡 − 𝜇 𝑌𝑡+𝑘 − 𝜇
• Alat uji stasioner (materi sebelumnya) → uji correlogram.
• Alat uji yg lain → uji Dickey-Fuller (unit root test) dan uji Philips
Perron.
Unit Root Test
• Uji akar unit (unit root test) dikembangkan oleh Dickey-Fuller.
• Ide dasar unit root test dijelaska melalui model berikut:
𝑌𝑡 = 𝜌𝑌𝑡−1 + 𝑒𝑡 ∀ −1 ≤ 𝜌 ≤ 1 (1)
Ket: 𝑌𝑡−1 adalah kelambanan 𝑌𝑡 , 𝑒𝑡 residual yg bersifat random
dan memenuhi asumsi OLS, atau white noise.
• Jika 𝜌 = 1 → variabel 𝑌𝑡 mempunyai unit root.
• Data time series yg memiliki unit root → maka data bergerak
secara random → data tidak stasioner.
Unit Root Test
• Jika persamaan (1) dikurangi dengan 𝑌𝑡−1 , maka:
𝑌𝑡 − 𝑌𝑡−1 = 𝜌𝑌𝑡−1 − 𝑌𝑡−1 + 𝑒𝑡 (2)
∆𝑌𝑡 = 𝜌 − 1 𝑌𝑡−1 + 𝑒𝑡 (3)
∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡 (4)
• Hasil estimasi persamaan (4), unit root diuji dgn hipotesis
𝐻0 : 𝜙 = 0 → data 𝑌𝑡 mengandung unit root
𝐻1 : 𝜙 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root
• Nilai estimasi 𝑡 dari koefisien 𝑌𝑡−1 mengikuti distribusi 𝜏 atau
distribusi Mackinnon.
Uji Dickey-Fuller
• Pengujian unit root pada data time series, Dickey-Fuller
menyarankan estimasi model-model berikut:
1. Uji tanpa konstanta dan trend waktu
∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝑒𝑡 (5)
2. Uji dengan konstanta dan tanpa trend waktu
∆𝑌𝑡 = 𝛼0 + 𝜙𝑌𝑡−1 + 𝑒𝑡 (6)
3. Uji dengan konstanta dan trend waktu
∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝜙𝑌𝑡−1 + 𝑒𝑡 (7)
Uji Dickey-Fuller
• Hipotesis:
• 𝐻0 : 𝜙 = 0 → data 𝑌𝑡 mengandung unit root (tidak stasioner)
• 𝐻1 : 𝜙 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root (stasioner)
• Prosedur pegujian:
• Nilai statistik Dickey-Fuller (DF) dibandingkan dengan nilai
distribusi statistik 𝜏 (statistik Mackinnon).
• Nilai statistik DF ditunjukkan oleh 𝑡-statistik koefisien 𝑌𝑡−1 (𝜙).
• Jika nilai absolut 𝑡 > 𝜏 → hipotesis nol ditolak → data stasioner.
Uji Augmented Dickey-Fuller
• Uji unit root di persamaan (5), (6), dan (7) digunakan jika data
time series hanya mengikuti pola AR(1).
• Jika AR lebih tinggi, residual (𝑒𝑡 ) pada persamaan (5), (6), dan
(7) terindikasi autokorelasi.
• Dickey-Fuller kemudian mengembangkan uji unit root untuk AR
yg lebih tinggi → menambah kelambanan variabel diferensi.
• Uji unit root seperti ini disebut → uji Augmented Dickey-Fuller
(ADF).
Uji Augmented Dickey-Fuller
• Model uji ADF:
𝑝
∆𝑌𝑡 = 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 ∆𝑌𝑡−𝑖 + 𝑒𝑡 (8)
𝑝
∆𝑌𝑡 = 𝛼0 + 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 ∆𝑌𝑡−𝑖 + 𝑒𝑡 (9)
𝑝
∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝜙𝑌𝑡−1 + 𝛼𝑖 σ𝑖=1 ∆𝑌𝑡−𝑖 + 𝑒𝑡 (10)
• Panjang kelambanan (𝑝) ditentukan berdasarkan kriteria AIC dan SIC.
• Akaike Information Criterion (AIC) dan Schwarz Information Criterion (SIC):
2𝑘 𝑆𝑆𝑅
ln 𝐴𝐼𝐶 = + ln (11)
𝑛 𝑛
𝑘 𝑆𝑆𝑅
ln 𝑆𝐼𝐶 = ln 𝑛 + ln (12)
𝑛 𝑛
• Keterangan: SSR adalah jumlah residual kuadrat, k adalah jumlah parameter
estimasi, dan n adalah jumlah observasi.
Uji Augmented Dickey-Fuller
• Hipotesis:
• 𝐻0 : 𝜙 = 0 → data 𝑌𝑡 mengandung unit root (tidak stasioner)
• 𝐻1 : 𝜙 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root (stasioner)
• Prosedur pegujian:
a. Nilai statistik ADF dibandingkan dengan nilai distribusi
statistik 𝜏 (statistik Mackinnon).
b. Nilai statistik ADF ditunjukkan oleh 𝑡-statistik koefisien 𝑌𝑡−1
(𝜙).
c. Jika nilai absolut 𝑡 > 𝜏 → hipotesis nol ditolak → data
stasioner.
Uji Philips-Perron
• Asumsi uji unit root DF → residual memenuhi asumsi
OLS.
• Jika terdapat autokorelasi pada residual model DF, maka
solusinya → uji Philips-Perron (PP)
• Model uji unit root Philips-Perron:
∆𝑌𝑡 = 𝛾𝑌𝑡−1 + 𝑒𝑡 (13)
∆𝑌𝑡 = 𝛼0 + 𝛾𝑌𝑡−1 + 𝑒𝑡 (14)
∆𝑌𝑡 = 𝛼0 + 𝛼1 𝑇 + 𝛾𝑌𝑡−1 + 𝑒𝑡 (15)
Uji Philips-Perron
• Hipotesis:
• 𝐻0 : 𝛾 = 0 → data 𝑌𝑡 mengandung unit root (tidak stasioner)
• 𝐻1 : 𝛾 ≠ 0 → data 𝑌𝑡 tidak mengandung unit root (stasioner)
• Prosedur pegujian:
a. Nilai statistik PP dibandingkan dengan nilai distribusi statistik
Mackinnon.
b. Nilai statistik PP ditunjukkan oleh 𝑡-statistik koefisien 𝑌𝑡−1 (𝛾).
c. Jika nilai absolut 𝑡 > statistik Mackinnon → hipotesis nol
ditolak → data stasioner.
Contoh
• Data nilai Kurs Rupiah terhadap Dollar Amerika (USD) dan
Nilai Eskport Indonesia adalah sbb:
• Kurs →
https://drive.google.com/file/d/1nCtH3zu5qXYvYqiSf9UBp1WnR
OSDYGu3/view?usp=sharing
• Eksport → https://drive.google.com/file/d/1n-
MBowYjcmJbau1MDxn12EaobNUASEZc/view?usp=sharing
• Ujilah Apakah data time series di atas bersifat stasioner
pada level atau stasioner pada diferensi.
EKSPOR
20,000
18,000
Uji Stasioner: Variabel Eksport
16,000
Null Hypothesis: EKSPOR has a unit root
14,000 Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=14)
12,000
t-Statistic Prob.*
10,000
Augmented Dickey-Fuller test statistic 0.574094 0.8397 Augmented Dickey-Fuller test statistic -1.051032 0.7350
Test critical values: 1% level -2.574714 Test critical values: 1% level -3.457747
5% level -1.942164 5% level -2.873492
10% level -1.615810 10% level -2.573215