MODEL SPECIFICATION

fungsi autokorelasi parsial adalah korelasi

antara Zt dan Zt+k setelah pengaruh dari
variabel penggangu Zt-1,Zt-2,,Zt-k+1
dihilangkan. Koefisien autokorelasi parsial
biasanya
kk Corr ( Z t , Z t k | Z t 1 , Z t 2 ,..., Z
dinotasikan dengan kkt. k 1 )

kk adalah koefisien korelasi antara dua buah

peubah acak Zt dan Zt-k dengan syarat Zt-1,Zt-2,
,Zt-k+1 (Cryer,1986).
Metode umum yang sering digunakan untuk
menghitung koefisien autokorelasi parsial
adalah dengan persamaan Yule-Walker
1 k1 k 2 1 ......... kk k 1
2 k 1 1 k 2 ......... kk k 2
. . . .
. . . .
. . . .
k k 1 k 1 k 2 1 ......... kk
Koefisien autokorelasi parsial dapat diduga
dengan menggunakan koefisien autokorelasi
parsial dari sampel. Yakni dengan mengganti
nilai pada persamaan Yule-Walker dengan r
dan menghitung untuk k=1,2, untuk
mendapatkan nilai kk dengan aturan Cramer.
Identifikasi model ARIMA dilakukan dengan melihat pola
yang ada dari ACF dan PACF data contoh.
Tahapan identifikasi model :
1. Plot data deret waktu dan pilih tranformasi yang
sesuai
Dari plot data deret waktu dapat diketahui pola trend,
musiman yang mungkin ada, outlier, variansi tak
konstan, normalitas dan stasioneritas. Tranformasi
yang dapat digunakan adalah Box-Coxs.
2. Hitung dan uji ACF dan PACF contoh.
Jika ACF turun lambat dan PACF berbeda nyata pada
lag satu lakukan differensi atau lakukan uji Dickey-
Fuller. Diferensi biasanya dilakukan pada d=0,1,2.
3. Hitung dan uji ACF dan PACF contoh.
Proses indentifikasi model tentatif ARIMA(p,d,q) dapat
dilakukan dengan mengenal ciri-ciri ACF dan PACF
suatu model ARIMA (Tabel 6.3). Jika ciri ACF dan PACF
dari data yang stasioner dikenali maka dapat
ditentukan model ARIMA(p,d,q) dari data.
4. Uji deterministik trend 0 Jika d>0
Specification of Some Simulated Time Series

The dashed horizontal lines in Exhibit 6.5, plotted at = 0.1826,

are intended to give critical values for testing whether or not the
autocorrelation coefficients
are significantly different from zero.
Nonstationarity

For nonstationary series, the sample ACF typically fails to die

out rapidly as the lags increase