Nama: Atika Putri Sherlyanti

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 Upah Minimum

TAHUN UPAH MINIMUM
2000 Rp 216,500.00
2001 Rp 290,500.00
2002 Rp 362,700.00
2003 Rp 414,700.00
2004 Rp 458,500.00
2005 Rp 507,697.00
2006 Rp 602,702.00
2007 Rp 672,480.00
2008 Rp 745,709.00
2009 Rp 841,530.00
2010 Rp 908,824.00
2011 Rp 988,829.00
2012 Rp 1,088,903.00
2013 Rp 1,296,908.00
2014 Rp 1,584,391.00
2015 Rp 1,790,342.00
2016 Rp 1,997,819.00
2017 Rp 2,154,465.00
2018 Rp 2,268,874.00
2019 Rp 2,455,662.00
Sumber: BPS Indonesia (Data sudah diolah)

 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

Sumber: BPS Indonesia (Data sudah diolah)

 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

1. Dari data yang sudah Anda kumpulkan, pilih dua variabel.

(Variabel upah minimum dan variabel inflasi)
a. Apakah kedua variabel mempunyai hubungan secara teori? Jika ya (ada
hubungan), berikan teori yang mendasarinya dan jelaskan bagaimana hubungan kedua
variabel tersebut. Jika tidak (kedua variabel tidak ada
hubungan secara teori), berikan argumen Anda mengapa memilih kedua
variabel tersebut!
Jawab:
 Teori Daya Beli (Purchasing Power Theory):
Menurut teori daya beli, inflasi dapat mempengaruhi upah minimum karena nilai uang
mengalami penurunan. Ketika tingkat inflasi tinggi, daya beli uang turun, dan upah
minimum yang tidak disesuaikan dengan tingkat inflasi dapat mengakibatkan penurunan
daya beli pekerja.

 Teori Biaya Hidup (Cost of Living Theory):

Teori ini berpendapat bahwa upah minimum seharusnya mencukupi untuk memenuhi
biaya hidup dasar pekerja. Jika inflasi meningkat, biaya hidup juga cenderung naik, dan
upah minimum harus disesuaikan agar pekerja dapat mempertahankan standar hidup
mereka.

 Teori Ekonomi Keynesian:

Dalam pandangan ekonomi Keynesian, kenaikan upah minimum dapat mendorong
tingkat pengeluaran konsumen, yang pada gilirannya dapat mengurangi tekanan
deflasioner. Inflasi dapat terjadi sebagai respons positif terhadap kenaikan pengeluaran.

b. Apakah syarat-syarat data disebut stasioner? Jelaskan

Jawab:
Data dikatakan stasioner jika memenuhi tiga syarat utama, yaitu:
 Rata-rata Konstan (Mean Constancy): Rata-rata dari data tersebut harus konstan
sepanjang waktu. Dengan kata lain, nilai rata-ratanya tidak boleh berubah secara
signifikan dari satu periode waktu ke periode waktu lainnya.

 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.

c. Bagaimana prosedur langkah pengujian stasioneritas data? Jelaskan

Jawab:
 Pengujian Level Series :
Tahap pertama dalam uji unit root adalah menguji tingkat series. Jika hasil dari uji unit
root menolak hipotesis nol bahwa terdapat unit root, artinya seri tersebut stasioner pada
tingkat level atau terintegrasi pada I(0).

 Estimasi Model Jika Semua Variabel Stasioner:

Apabila semua variabel dianggap stasioner, langkah selanjutnya adalah melakukan
estimasi terhadap model menggunakan regresi Ordinary Least Square (OLS).

 Pengujian Level Series:

Jika dalam uji pada tingkat level series, hipotesis adanya unit root untuk seluruh series
diterima, maka dapat disimpulkan bahwa seluruh series pada tingkat level adalah non-
stasioner.

 Pengujian First Difference:

Langkah berikutnya adalah melakukan uji unit root pada first difference dari series.

 Stasioneritas pada First Difference:

Jika hasilnya menolak hipotesis adanya unit root pada tingkat first difference, berarti
pada tingkat first difference, series sudah stasioner atau dengan kata lain, semua series
terintegrasi pada orde I(1). Estimasi dapat dilakukan dengan menggunakan metode
kointegrasi.

 First Difference Jika Level Series Non-Stasioner:

Jika uji unit root pada level series menunjukkan bahwa tidak semua series stasioner,
maka dilakukan first difference terhadap seluruh series.

 Pengujian First Difference

Jika hasil dari uji unit root pada tingkat first difference menolak hipotesis adanya unit
root untuk seluruh series, berarti seluruh series pada tingkat first difference terintegrasi
 pada orde I(0). Estimasi dilakukan dengan menggunakan metode regresi Ordinary Least
Square (OLS) pada tingkat first difference.

 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).

d. Bagaimana prosedur langkah pengujian kointegrasi dengan menggunakan

metode Engel-Granger? Jelaskan
Jawab:
 Estimasi Model Regresi:
1. Pilih dua variabel waktu yang ingin diuji hubungan kointegrasinya.
2. Estimasikan regresi antara variabel-variabel tersebut.
3. Ambil residual dari regresi.

 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.

e. Bagaimana prosedur langkah estimasi ECM? Jelaskan

Jawab:
Berikut adalah prosedur langkah-langkah estimasi ECM:
 Uji Stasioneritas (Unit Root Test):
1. Langkah pertama dalam estimasi ECM adalah melakukan uji stasioneritas pada
setiap variabel yang akan dimasukkan ke dalam model. Variabel yang tidak
stasioner (mengandung unit root) perlu di-differencing agar menjadi stasioner.
2. Unit root test seperti Augmented Dickey-Fuller (ADF) atau Kwiatkowski-Phillips-
Schmidt-Shin (KPSS) dapat digunakan untuk menentukan stasioneritas variabel.

 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.

 Estimasi Jangka Panjang:

1. Jika hasil uji kointegrasi positif, maka dilakukan estimasi parameter jangka panjang.
Ini melibatkan model regresi yang memodelkan hubungan jangka panjang antara
variabel-variabel yang kointegrasi.
2. Estimasi jangka panjang seringkali dilakukan dengan menggunakan metode OLS
(Ordinary Least Squares) pada model regresi yang sesuai.

 Estimasi Jangka Pendek:

1. Setelah mendapatkan parameter jangka panjang, langkah selanjutnya adalah estimasi
parameter jangka pendek (short-run dynamics) melalui ECM.
2. ECM melibatkan inklusi variabel koreksi kesalahan (error correction term) yang
memperhitungkan deviasi dari keseimbangan jangka panjang.

 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

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -3.257 -3.750 -3.000 -2.630

MacKinnon approximate p-value for Z(t) = 0.0169

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

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -3.257 -3.750 -3.000 -2.630

MacKinnon approximate p-value for Z(t) = 0.0169

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

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -5.144 -4.380 -3.600 -3.240

MacKinnon approximate p-value for Z(t) = 0.0001

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

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -2.194 -3.750 -3.000 -2.630

MacKinnon approximate p-value for Z(t) = 0.2085

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.

. dfuller X1, cons

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -2.194 -3.750 -3.000 -2.630

MacKinnon approximate p-value for Z(t) = 0.2085

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.

. dfuller X1, trend

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -2.195 -4.380 -3.600 -3.240

MacKinnon approximate p-value for Z(t) = 0.4925

.
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

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -4.699 -3.750 -3.000 -2.630

MacKinnon approximate p-value for Z(t) = 0.0001

Test statistic (-4.699) lebih kecil dari critical value (-3.000) pada tingkat signifikansi 5%,
sehingga kita dapat menolak hipotesis nol. Ini berarti ada cukup bukti untuk menyimpulkan
bahwa deret waktu setelah diferensiasi pertama adalah stasioner. Selanjutnya, MacKinnon
approximate p-value untuk Z(t) adalah 0.0001. P-value yang rendah (kurang dari tingkat
signifikansi yang umumnya digunakan, misalnya 0.05) juga mendukung penolakan hipotesis nol.

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

Source SS df MS Number of obs = 20

F(1, 18) = 0.14
Model 2.1860082 1 2.1860082 Prob > F = 0.7113
Residual 278.399567 18 15.4666426 R-squared = 0.0078
Adj R-squared = -0.0473
Total 280.585575 19 14.7676618 Root MSE = 3.9328

Y Coef. Std. Err. t P>|t| [95% Conf. Interval]

X1 -.3853949 1.025128 -0.38 0.711 -2.539109 1.768319

_cons 8.749799 5.371868 1.63 0.121 -2.536077 20.03568

. predict resid, residuals

. tsset Tahun
time variable: Tahun, 2000 to 2019
delta: 1 unit

. dfuller resid, lags(0)

Dickey-Fuller test for unit root Number of obs = 19

Interpolated Dickey-Fuller
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value

Z(t) -3.385 -3.750 -3.000 -2.630

MacKinnon approximate p-value for Z(t) = 0.0115

6. Jika hasil no. 4 menunjukkan keduanya terkointegrasi, tunjukkan persamaan kointegrasinya

dan interpretasikan hasil persamaan jangka panjangnya (persamaan kointegrasi) tersebut.
Jawab:
Test statistic (-3.385) lebih rendah daripada critical value (-3.000) pada tingkat signifikansi 5%,
kita dapat menolak hipotesis nol. Artinya, terdapat cukup bukti untuk menyatakan bahwa deret
waktu residu tersebut tidak memiliki unit root, sehingga dapat dianggap sebagai
stasioner.Selain itu, nilai p-value juga dapat digunakan untuk mengambil keputusan. P-value
yang diberikan (0.0115) adalah lebih kecil daripada tingkat signifikansi yang umumnya dipilih
(0.05), sehingga kita dapat menolak hipotesis nol.

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

Hasilnya adalah 9.35= 9.34633317

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.

 Koefisien Konstan (2.4385347):

1. Koefisien konstan mewakili bagian dari upah minimum yang tidak dijelaskan oleh
variabel inflasi.
2. Dalam konteks ini, nilai konstan (2.4385347) menambahkan komponen tetap ke nilai
upah minimum yang tidak terkait dengan inflasi.

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.

Soal Bagian C (Soal Pilihan): ARCH-GARCH

1. Gunakan salah satu variabel yang sudah Anda peroleh (Variabel PDB)
a. Jelaskan metode ARCH dan GARCH.
Jawab:
 Metode ARCH (Autoregressive Conditional Heteroskedasticity) dan GARCH
(Generalized Autoregressive Conditional Heteroskedasticity) merupakan dua pendekatan
dalam analisis deret waktu yang digunakan untuk memodelkan volatilitas heteroskedastis,
yaitu perubahan volatilitas dalam suatu data sepanjang waktu. Model ARCH
dikembangkan oleh Robert F. Engle pada tahun 1982, sementara GARCH merupakan
pengembangan lebih lanjut yang diperkenalkan oleh Tim Bollerslev pada tahun 1986.

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.

GARCH, sebagai perluasan dari model ARCH, menambahkan komponen autoregresi

pada variansi (kuadrat volatilitas) dari residual sebelumnya. Dengan ini, GARCH lebih
fleksibel dalam menangani struktur volatilitas yang kompleks dan berubah-ubah. Model
GARCH memungkinkan tingkat volatilitas untuk secara otomatis merespons perubahan
dalam data, sehingga lebih cocok untuk menganalisis deret waktu finansial yang sering
kali ditandai oleh perubahan volatilitas yang tidak terduga.

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.

b. Bagaimana prosedur langkah estimasi ARCH? Jelaskan

Jawab:
 Persiapan Data:
1. Mulailah dengan deret waktu yang relevan yang akan dianalisis. Pastikan bahwa
data sudah stasioner, atau lakukan transformasi data jika perlu.
2. Identifikasi apakah ada pola heteroskedastisitas dalam deret waktu. ARCH
biasanya digunakan ketika terdapat volatilitas yang bervariasi sepanjang waktu.

 Penentuan Orde Model:

1. Pilih orde model ARCH yang sesuai. Orde model ARCH diwakili oleh ARCH(p),
di mana p adalah orde model. Penentuan orde ini bisa dilakukan dengan
menggunakan berbagai teknik, seperti analisis ACF (Autocorrelation Function)
dan PACF (Partial Autocorrelation Function) pada residu model.
  Penulisan Model:
1. Tentukan model ARCH yang sesuai dengan deret waktu. Model ARCH(p) diwakili
oleh persamaan matematis yang menunjukkan hubungan antara variansi sekarang
dengan variansi pada periode sebelumnya.

 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.

c. Bagaimana prosedur langkah estimasi GARCH? Jelaskan

Jawab:
 Persiapan Data:
1. Kumpulkan data waktu yang relevan.
2. Pastikan data dalam urutan waktu yang benar.

 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.

 Spesifikasi Model GARCH:

1. Pilih orde (tingkat) model GARCH yang sesuai. Ini melibatkan pemilihan orde
GARCH (p) dan orde ARCH (q) berdasarkan pada uji statistik dan kebijaksanaan
praktis.

 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 Keberartian Parameter:

1. Lakukan uji hipotesis untuk menguji signifikansi statistik dari parameter model
yang diestimasi. Ini melibatkan pengujian apakah setiap parameter berbeda secara
signifikan dari nol.

 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.

 Prediksi dan Validasi:

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.

 Iterasi dan Peningkatan:

1. Jika model tidak memenuhi ekspektasi atau ada indikasi bahwa volatilitas tidak
cukup diprediksi, pertimbangkan untuk meningkatkan spesifikasi model dan
ulangi proses estimasi.
2. Dari satu variabel yang Anda pilih, berilah alasan kenapa memilih variabel tersebut untuk
digunakan dalam mengestestimasi model ARCH/GARCH.
Jawab:
Pemilihan variabel PDB (Produk Domestik Bruto) sebagai variabel untuk digunakan dalam
mengestimasi model ARCH/GARCH memiliki landasan yang kuat dalam konteks analisis deret
waktu ekonomi. PDB mencerminkan ukuran keseluruhan kesehatan ekonomi suatu negara atau
wilayah, dan perubahan dalam PDB dapat menciptakan fluktuasi yang signifikan dalam sektor-
sektor ekonomi yang berbeda. Dengan menggunakan model ARCH/GARCH, kita dapat
menangkap volatilitas kondisional dari data ekonomi, yang dapat berasal dari perubahan dalam
sektor-sektor tersebut. Selain itu, PDB juga mencakup kontribusi dari berbagai sektor seperti
industri, pertanian, dan jasa, memberikan representasi yang komprehensif terhadap dinamika
ekonomi. Selain itu, kebijakan ekonomi pemerintah yang mempengaruhi PDB dapat menjadi
faktor penting dalam merinci perubahan volatilitas, dan model ARCH/GARCH dapat
membantu mengidentifikasi dampak dari kebijakan-kebijakan tersebut. Dengan demikian, PDB
sebagai variabel dalam model ARCH/GARCH tidak hanya mencerminkan volatilitas ekonomi
tetapi juga mencakup faktor-faktor penting yang dapat berkontribusi terhadap pemahaman lebih
mendalam tentang fluktuasi dalam data ekonomi.