Anda di halaman 1dari 10

Ada beberapa cara estimasi parameter untuk model ARIMA, yaitu :

1. estimasi dengan metode momen


2. estimasi dengan metode least square
3. estimasi dengan metode maximum likelihood.
ESTIMASI PARAMETER METODE MOMEN
 Metode momen adalah salah satu metode estimasi yang paling mudah, tetapi
juga yang paling tidak efisien.
 Untuk mendapatkan taksiran parameter pada model ARIMA. Metode ini
menggunakan persamaan sampel momen dan menyelesaikan persamaan-
persamaan yang ada untuk mendapatkan taksiran parameter-parameter yang
tidak diketahui.
 Contoh yang paling sederhana dari metode momen ini adalah untuk menaksir
mean  dari suatu series digunakan sampel meannya Y .
MODEL AUTOREGRESSIVE
 untuk proses AR(1), diperoleh hubungan yang sederhana 1  1 . Dalam
model momen, 1 ditaksir dengan r1 , yaitu sampel autokorelasi pada lag 1.
 Dengan demikian estimasi pada model AR (1) ini adalah
ˆ1  r1
 Untuk proses AR(2), hubungan antara parameter 1 dan 2 dan beberapa
momennya telah diberikan oleh persamaan Yule-Wlker .
1  1  12
 2  11  2
 Dengan metode momen diperoleh :

r1  1  r12

r2  r11  2
 Dengan menyelesaikan kedua persamaan di atas diperoleh taksiran parameter
pada model AR(2) sebagai berikut

^ r1 (1  r2 )
1 
1  r1
2

r r
^ 2
2  2 12
1  r1

 variansi dari error atau  a . Dalam semua kasus, kita pertama-tama dapat
2

mengertimasi dengan sampel variansi  0  var(Yt )

 Y  Y 
n
2
t
S  2 t 1
n 1
ESTIMASI PARAMETER METODE LEAST SQUARE
Contoh penerapan metode least square untuk estimasi parameter model AR(1), yaitu :

Yt    1 (Yt 1   )  at

Model ini dapat dilihat sebagai suatu model regresi dengan variabel prediktor Yt 1
dan variabel respon Yt . Estimasi least square dilakukan dengan cara mencari
nilai parameter yang meminimumkan jumlah kuadrat error, yaitu
n
S* (1 ,  )   Yt     1 Yt 1   
2

t 2

Melalui penerapan differensial terhadap 


dan kemudian disamakan dengan 0,
akan diperoleh estimasi parameter model AR(1) ini seperti sebagai berikut :
n n

^ Y  Y
t 1 t 1
 t 2 t 2
(n  1)(1  1 ) (1)
untuk n yang besar
n n

Y t Y t 1
t 2
 t 2
Y
(n  1) (n  1)
Dengan demikian, persamaan (1) dapat direduksi menjadi
^ Y  1Y
 Y
(1  1 )

Dengan cara yang sama, lakukan differensial terhadap 1 akan diperoleh


 Y  
n

^ t  Y Yt 1  Y
1  t 2

 Y 
n
2
t Y
t 2
ESTIMASI PARAMETER METODE MAXIMUM
LIKELIHOOD
Untuk dapat menerapkan teknik estemasi maximum likelihood (kemungkinan
maksimum), kita harus membuat asumsi tentang bentuk fungsi probabilitas dari data
yang teramati. Dalam hal ini, analisis dimulai dengan asumsi bahwa at berdistribusi
normal. Fungsi kepadatan probabilitas suatu error at adalah :
2  12  at 2 
f (at |  a )  (2 a ) exp   
2
2 
 2 a 
Karena error independen, maka distribusi bersamaanya untuk a1 , a2 , a3 , , an
adalah
 1 n 

2 n 2
f (at ,..., an |  a )  (2 a ) exp  ai 
2 2
(2)
 2 a
2
i 1 

Dapat kita catat bahwa tiap dapat dinyatakan dalam bentuk observasi Y ,
parameter-parameter  ,  dan  , serta error-error sebelumnya, yakni
2
a

at  Yt  1Yt 1  ...  1Yt  p  1at 1  ...  1at  q (3)


Selanjutnya dengan mensubstitusikan (3) ke dalam (2) akan kita peroleh fungsi kepadatan
bersama Y sebagai

 
 Y   Y  ...   pYt  p  1at 1  ...   q at  q 
n
1
f (Y |  ,  ,  )  (2 )
2 2 n / 2

exp 
2

a a
 2 t 1 t 1 
 2 a t 1 
Maka fungsi likelihood untuk parameter-parameternya jika diketahui data observasi adalah

2 n 2  1 
I ( ,  ,  a | Z )  (2 a )
2

exp   S ( ,  ) 
 2 a
2

dengan

S ( ,  )   Yt  1Yt 1  ...   pYt  p  1at 1  ...   q at  q 


n
2

i 1
Rumus log likelihood

n n 1
I ( ,  ,  a | Z )   log 2  log  a  S ( ,  )
2 2

2 a
2
2 2

parameter-parameter 
dan  hanya masuk dalam bagian jumlah kuadrat fungsi
likelihoodnya, dengan demikian untuk memaksimumkan likelihood kita hanya perlu
meminimumkan fungsi jumlah kuadrat untuk seluruh nilai parameter-parameter itu.
Setelah taksiran maximum likelihood parameter-parameter itu diperoleh, dengan
mudah dapat ditunjukkan bahwa taksiran maximum likelihood untuk  a2 adalah

^ 2S ( ,  )
a 
n