NPM: 2111021040
UAS EKONOMETRIKA II
Carilah tiga data(variabel) time series dengan jumlah observasi paling sedikit 15 (data tahunan),
40 (data triwulanan), atau 60 (data bulanan). Lampirkan datanya dan sertakan sumbernya.
Catatan: ketiga data yang dipilih oleh masing-masing mahasiswa tidak boleh sama dengan
mahasiswa lain (diperbolehkan hanya satu data yang sama)
Data Inflasi
TAHUN IINFLASI
2000 9,35
2001 12,55
2002 10,03
2003 5,06
2004 6,4
2005 17,11
2006 6,6
2007 6,59
2008 11,06
2009 2,78
2010 6,96
2011 3,79
2012 4,3
2013 8,38
2014 8,36
2015 3,35
2016 3,02
2017 3,61
2018 3,13
2019 2,72
Data PDB
TAHUN PDB
2000 4,77
2001 3,32
2002 3,66
2003 4,10
2004 5,13
2005 5,60
2006 5,50
2007 6,3
2008 6,1
2009 4,21
2010 6,1
2011 6,5
2012 6,23
2013 5,78
2014 5,02
2015 4,79
2016 5,02
2017 5,07
2018 5,17
2019 5,02
Sumber: BPS Indonesia (Data sudah diolah)
Keterangan:
Variabel Y : Upah Minimum
Variabel X1 : Inflasi
Variabel X2 : PDB
Soal Bagian A (Soal wajib): Uji Stasioneritas, Uji Kointegrasi dan ECM
Varian Konstan (Variance Constancy): Varians dari data tersebut juga harus tetap
konstan sepanjang waktu. Varians merupakan ukuran sebaran data, dan jika nilainya
bervariasi secara signifikan dari waktu ke waktu, maka data tersebut tidak memenuhi
syarat stasioner.
Kovarian Konstan (Covariance Constancy): Kovarian antara dua observasi atau lebih
pada waktu yang berbeda (lag) harus tetap konstan. Dengan kata lain, hubungan antar
variabel-variabel dalam data harus stabil sepanjang waktu. Jika kovarian berubah terlalu
banyak dari satu periode ke periode lainnya, data tersebut tidak dianggap stasioner.
Iterasi Diferensiasi:
Jika hasil uji unit root menerima hipotesis adanya unit root, maka langkah selanjutnya
adalah melakukan diferensiasi lagi terhadap series sampai series menjadi stasioner, atau
terintegrasi pada orde I(d).
Hitung Residualnya:
1. Lakukan uji ADF pada residual untuk menentukan stasioneritasnya.
2. Jika p-value dari uji ADF rendah (biasanya di bawah tingkat signifikansi yang
ditetapkan), maka kita dapat menyimpulkan bahwa residual tersebut bersifat
stasioner.
Interpretasi Hasil:
1. Jika residual stasioner, ini menunjukkan bahwa variabel waktu bersifat kointegrasi.
2. Kointegrasi mengindikasikan adanya hubungan jangka panjang antara kedua
variabel tersebut, yang berarti meskipun mungkin terdapat fluktuasi pendek, mereka
cenderung menuju ke suatu kesetimbangan dalam jangka panjang.
Uji Kointegrasi:
1. Setelah menguji stasioneritas, langkah selanjutnya adalah melakukan uji kointegrasi
untuk mengetahui apakah ada hubungan jangka panjang antara variabel-variabel
yang bersangkutan.
2. Uji kointegrasi seperti Johansen atau Engle-Granger digunakan untuk
mengidentifikasi apakah ada hubungan kointegrasi antara variabel-variabel tersebut.
Evaluasi Model:
1. Setelah mendapatkan hasil estimasi, model perlu dievaluasi untuk memastikan bahwa
model tersebut memenuhi asumsi-asumsi statistik dan memberikan hasil yang valid.
2. Pengujian heteroskedastisitas, autokorelasi, dan uji asumsi lainnya dapat dilakukan
untuk memeriksa kualitas model.
Uji Diagnostik:
1. Sebagai langkah terakhir, dilakukan uji diagnostik untuk memeriksa kecocokan
model dengan data. Hal ini melibatkan uji heteroskedastisitas, uji autokorelasi, dan uji
asumsi lainnya.
2. Ujilah stasioneritas data-data tersebut (pada level) dengan menggunakan ADF atau PP dengan
tiga bagian: none; constant; constant and trend. Beri kesimpulan Anda
Jawab:
. dfuller Y
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Test statistic (-3.257) lebih kecil daripada critical value (3.000) dan p-value lebih kecil daripada
alpha (0.05), Oleh karena itu, kita dapat menolak hipotesis nol.
. dfuller Y, cons
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Test statistic (-3.257) lebih kecil daripada critical value (3.000) dan p-value lebih kecil daripada
alpha (0.05), Oleh karena itu, kita dapat menolak hipotesis nol.
. dfuller Y, trend
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Test statistic (-5.144) lebih kecil daripada critical value (-3.600), dan p-value (0.0001) lebih kecil
daripada alpha (0.05).Oleh karena itu, kita dapat menolak hipotesis nol.
Kesimpulannya, ada cukup bukti statistik untuk menyimpulkan bahwa seri waktu Y (Upah
Minimum) bersifat stasioner.
Dengan kata lain, hasil pengujian Dickey-Fuller menunjukkan bahwa terdapat bukti statistik
yang cukup untuk mendukung gagasan bahwa seri waktu Y bersifat stasioner, karena kita
menolak hipotesis nol.
. dfuller X1
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Test statistic (-2.194) lebih besar daripada critical value (-3.000), dan p-value (0.2085) lebih
besar daripada alpha (0.05), kita tidak memiliki cukup bukti untuk menolak hipotesis nol. Oleh
karena itu, dalam hal ini, kita tidak dapat menyimpulkan bahwa deret waktu tersebut stasioner.
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
.
Test statistic (-2.195) lebih besar daripada critical value (-3.600), dan p-value (0.4925) lebih
besar daripada alpha (0.05), kita tidak memiliki cukup bukti untuk menolak hipotesis nol. Oleh
karena itu, dalam hal ini, kita tidak dapat menyimpulkan bahwa deret waktu tersebut stasioner.
Kesimpulannya, kita gagal menolak hipotesis nol, yang berarti tidak cukup bukti statistik untuk
menyimpulkan bahwa seri waktu X1 bersifat stasioner.
Dalam konteks ini, kita tidak memiliki cukup bukti untuk menyimpulkan bahwa seri waktu
X1 bersifat stasioner (non-stasioner)
3. Jika kedua variabel tersebut tidak stasioner pada level, ujilah stasioneritas datadata tersebut
(pada first-difference) dengan menggunakan ADF Beri kesimpulan Anda.
Jawab:
. dfuller dX1
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Kesimpulan:
Berdasarkan hasil-hasil uji, kita dapat menyimpulkan bahwa terdapat bukti yang cukup untuk
menolak hipotesis nol pada tingkat signifikansi 5%. Oleh karena itu, kita dapat menyimpulkan
bahwa data X1 setelah di-differensiasi memiliki sifat stasioner.
4. Jika kedua variabel tersebut tidak stasioner pada level dan sudah stasioner pada first-
difference, ujilah apakah keduanya terkointegrasi (dengan menggunakan uji Engle-Granger).
Tunjukkan tahapannya.
Jawab:
. regress Y X1
. tsset Tahun
time variable: Tahun, 2000 to 2019
delta: 1 unit
Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
Kesimpulannya, terdapat cukup bukti untuk menyatakan bahwa deret waktu residu tersebut
stasioner (terkointegrasi), dan kita dapat menolak hipotesis bahwa deret waktu memiliki unit
root.
Persamaan kointegrasinya:
Keterangan:
: adalah variabel upah minimum pada waktu t
: adalah variabel inflasi pada waktu t
: adalah intercept
: adalah koefisien regresi untuk variabel inflasi
: adalah residual (error) pada waktu t
Interpretasi:
Intercept (8.749799):
1. Intercept mewakili nilai upah minimum yang diharapkan ketika variabel inflasi sama
dengan nol.
2. Dalam hal ini, intercept dapat dianggap sebagai nilai awal upah minimum tanpa
adanya pengaruh inflasi. Ini mungkin mencerminkan baseline atau nilai dasar upah
minimum.
Koefisien (-0.3853949):
1. Koefisien ini mengindikasikan dampak perubahan satu unit dalam variabel inflasi
terhadap upah minimum dalam jangka panjang.
2. Dalam hal ini, nilai negatif (-0.3853949) menunjukkan adanya hubungan negatif
antara inflasi dan upah minimum. Artinya, ketika tingkat inflasi naik, upah minimum
cenderung turun.
Jadi, interpretasi keseluruhan persamaan kointegrasi adalah bahwa dalam jangka panjang,
terdapat hubungan antara inflasi dan upah minimum. Dengan adanya koefisien negatif untuk
variabel inflasi, persamaan mengindikasikan bahwa adanya hubungan negatif jangka panjang
antara tingkat inflasi dan upah minimum, dengan nilai baseline upah minimum (intercept) dan
komponen tetap (konstan) yang juga memainkan peran dalam menentukan nilai upah minimum.
Model ARCH memodelkan volatilitas sebagai suatu fungsi linear dari nilai-nilai residual
yang dihasilkan oleh model regresi. Dengan kata lain, model ini mengasumsikan bahwa
variabilitas data dapat dijelaskan oleh pola autoregresi pada kuadrat residual sebelumnya.
Namun, model ARCH memiliki kelemahan dalam menangani volatilitas yang berubah-
ubah sepanjang waktu.
Kedua metode ini sangat berguna dalam mengidentifikasi dan memodelkan volatilitas
heteroskedastis dalam deret waktu, khususnya dalam konteks keuangan. Penerapan
ARCH dan GARCH telah membantu para peneliti dan praktisi dalam mengukur risiko
pasar dengan lebih akurat, memprediksi volatilitas masa depan, dan mengelola risiko
finansial dengan lebih baik.
Estimasi Parameter:
1. Gunakan metode estimasi, seperti metode Maksimum Likelihood, untuk
mengestimasi parameter model ARCH. Prosedur ini melibatkan penyesuaian
parameter model agar sesuai dengan data observasi yang sebenarnya.
2. Metode Maksimum Likelihood melibatkan maksimalkan fungsi likelihood yang
mewakili probabilitas observasi yang diamati.
Verifikasi Model:
1. Lakukan uji kebenaran model ARCH yang telah diestimasi. Beberapa uji yang
umum digunakan termasuk uji heteroskedastisitas seperti Lagrange Multiplier test
atau uji Ljung-Box.
Prediksi:
1. Setelah model diestimasi dan diverifikasi, selanjutnya dapat menggunakannya
untuk membuat prediksi mengenai volatilitas di masa depan.
Evaluasi:
1. Evaluasi performa model ARCH dengan membandingkan prediksi dengan data
aktual. Gunakan metrik evaluasi yang sesuai, seperti Mean Squared Error (MSE)
atau Mean Absolute Error (MAE).
Iterasi:
1. Jika hasil evaluasi tidak memuaskan, pertimbangkan untuk melakukan iterasi
dengan mengubah orde model atau mengganti jenis model ARCH yang
digunakan.
Preliminary Analysis:
1. Lakukan analisis deskriptif sederhana untuk memahami sifat dasar data, seperti
mean, standar deviasi, dan grafik deret waktu.
2. Periksa apakah ada kehadiran heteroskedastisitas (varians yang bervariasi
sepanjang waktu.
Penyesuaian Model:
1. Sesuaikan model GARCH ke data dengan menggunakan metode estimasi seperti
metode Maksimum Likelihood Estimation (MLE). MLE adalah pendekatan yang
umum digunakan untuk menemukan parameter model yang memaksimalkan
kemungkinan data yang diamati.
Uji Asumsi:
1. Periksa apakah asumsi dasar dari model GARCH terpenuhi. Asumsi ini termasuk
keberartian parameter, normalitas residu, dan tidak adanya pola sistematis dalam
residu.
Diagnostik Model:
1. Lakukan analisis diagnostik untuk memeriksa apakah model GARCH secara
memadai menangkap struktur volatilitas di data. Ini melibatkan pemeriksaan
residual dan uji otokorelasi.
1. Gunakan model yang diestimasi untuk membuat prediksi volatilitas masa depan.
2. Validasi model dengan membandingkan prediksi dengan data aktual untuk
memeriksa sejauh mana model dapat memprediksi perilaku volatilitas.