Setelah mengikuti pembahasan bab ini, pembaca diharapkan

dapat :
 Memahami model ARCH dan GARCH.

 Memahami varian-varian model ARCH dan GARCH.

 Mengimplementasikan Model ARCH dan GARCH, serta

varian-variannya.
 Memahami prosedur Eviews untu pemodelan ARCH dan
GARCH serta varian-variannya
 Menginterprestasikan output program Eviews untuk model
ARCH dan GARCH serta varian-variannya.

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

 Data deret waktu, terutama data keuangan seringkali
memiliki volatilitas yang tinggi.
 Volatilitas mengacu pada kondisi yang berkonotasi tidak
stabil, cenderung bervariasi dan sulit diperkirakan.
 Implikasi data yang bervolatilitas tinggi adalah variance dari
error tidak konstan (mengalami heterokedastisitas)
 ARCH dan GARCH adalah dua model estimasi untuk
perilaku data dengan volatilitas tinggi

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

 Engle mengembangkan model dimana rerata dan ragam suatu data deret
waktu dimodelkan secara simultan.
 Model tersebut dikenal dengan model autoregressive conditional
heteroscedasticity (ARCH).
 Model ARCH(p) dinyatakan sebagai:
Yt =  0 + 1 X t + et ( persamaan rerata )
 2 t =  0 + 1e 2 t −1 +  2 e 2 t − 2 + ... +  p e 2 t − p ( persamaan ragam)
 Persamaan kedua menunjukkan ragam residual (σ2t) memiliki dua
unsur: konstanta (0) dan kuadrat residual periode lalu (e2t-p).
 Persamaan pertama model linear, persamaan kedua model non-linear,
sehingga metode OLS tidak bisa untuk estimasi model.
 Hanya bisa diestimasi dengan metode ML.
 Melalui metode ML didapatkan estimator yg secara asimptotik lebih
efisien dibandingkan dgn estimator OLS.

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

 Bollerslev mengembangkan model ARCH dgn memasukkan unsur
residual periode lalu dan ragam residual.
 Dikenal sebagai model Generalized Autoregressive Conditional
Heteroscedasticity (GARCH).
 Model GARCH(p,q) dinyatakan sebagai:

 2 t =  0 + 1e 2 t −1 + ... +  p e 2 t − p + 1 2 t −1 + ...q 2 t − q

 Persamaan tsb menunjukkan ragam residual (σ2t) tidak hanya
dipengaruhi oleh kuadrat residual periode yang lalu (e2t-p), tetapi juga
oleh ragam residual periode yang lalu (σ2t-q).
 Model ARCH seperti model ARCH, juga diestimasi menggunakan
metode Maximum Likelihood (ML).

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

1. Identifikasi efek ARCH
 Bentuk model deret waktu mengikuti metode Box-Jenkins
 Deteksi apakah terdapat efek ARCH pada residualnya

 Dua cara umum menguji efek ARCH: (1) Pola residual

kuadrat melalui korelogram; (2) Uji ARCH-LM
2. Estimasi Model
 Estimasi dan simulasikan beberapa model persamaan
ragam berdasarkan persamaan rerata yang telah dibentuk
 Pilih model terbaik dgn memperhatikan signifikansi
parameter estimasi, Log Likelihood serta kriteria AIC dan
SIC terkecil.

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

3. Evaluasi Model
 Beberapa pengujian: (1) normalitas error; (2) keacakan
residual; dan (3) efek ARCH
4. Peramalan
 Lakukan peramalan dengan menggunakan model terbaik

 Evaluasi kesalahan peramalan: Root Mean Squares Error

(RMSE), Mean Absolute Error (MAE) atau Mean
Absolute Percentage Error (MAPE)

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

Prosedur Eviews untuk memperoleh pola residual kuadrat
 Dari workfile: View > Correlogram Squared Residuals.

Tentukan panjang lag.

Klik OK

 Contoh output uji residual kuadrat

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

Prosedur Eviews untuk Uji ARCH-LM
 Dari tampilan Eviews untuk residual tests klik Heteroskedasticity Tests

•Pada test type pilih ARCH

•Number of lags = 1

 Contoh output Heteroskedasticity Test: ARCH

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

Prosedur Eviews untuk Estimasi dan Simulasi Model
 Dari menu utama Eviews: Quick > Estimate Equation

Pada Estimation setting pilih metode

estimasinya yaitu ARCH–
Autoregressive Conditional
Heteroskedasticity

 Contoh output Heteroskedasticity Test: ARCH

•Mean equation: Tulis persamaan model ARIMA
•Model, pilih estimasi model yang ingin
digunakan .
•Order, tentukan ordo ARCH & ordo GARCH.
•Treshold order/Asymetric order: tentukan ordo
treshold/asymetric-nya.
•Variance regressor, tambahkan peubah lain di
luar term ARCH dan GARCH.
•-ARCH-M: pilihan untuk membentuk model
ARCH-M
© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu
 Contoh Output Model ARCH(1)

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu

Prosedur Eviews untuk Evaluasi Model
Pengujian Normalitas Error: dari Workfile: View > Residual Tests >
Histogram-Normality Test. Muncul output:
36
Series: Standardized Residuals
32 Sample 4 248
Observations 245
28

24 Mean -0.028679
Median -0.048628
20 Maximum 5.486492
Minimum -3.377857
16
Std. Dev. 1.007445
12 Skewness 0.560827
Kurtosis 6.866798
8
Jarque-Bera 165.4795
4 Probability 0.000000
0
-2.50 -1.25 0.00 1.25 2.50 3.75 5.00

Pengujian Keacakan Residual: gunakan ACF dan PACF (lihat

prosedur sebelumnya)
Pengujian Efek ARCH: uji ARCH-LM (lihat prosedur sebelumnya)
Prosedur Eviews untuk Prediksi atau Peramalan
(lihat prosedur bab 5 sebelumnya)

© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu