0 penilaian0% menganggap dokumen ini bermanfaat (0 suara)
85 tayangan25 halaman
Analisis time series membahas tentang fluktuasi data dan dampaknya terhadap pemodelan ekonometrika. Dokumen ini menjelaskan permasalahan modelling seperti korelasi, nilai statistik, variasi data, dan signifikansi variabel. Metode untuk mengurangi dampak fluktuasi meliputi menguji stasioneritas data dan menghindari spurious regression dengan uji kointegrasi dan unit root.
Analisis time series membahas tentang fluktuasi data dan dampaknya terhadap pemodelan ekonometrika. Dokumen ini menjelaskan permasalahan modelling seperti korelasi, nilai statistik, variasi data, dan signifikansi variabel. Metode untuk mengurangi dampak fluktuasi meliputi menguji stasioneritas data dan menghindari spurious regression dengan uji kointegrasi dan unit root.
Analisis time series membahas tentang fluktuasi data dan dampaknya terhadap pemodelan ekonometrika. Dokumen ini menjelaskan permasalahan modelling seperti korelasi, nilai statistik, variasi data, dan signifikansi variabel. Metode untuk mengurangi dampak fluktuasi meliputi menguji stasioneritas data dan menghindari spurious regression dengan uji kointegrasi dan unit root.
fluktuatif? Bagaimana dampak fluktuasi tersebut terhadap pemodelan ekonometrika? Bagaimana mengurangi dampak data yang fluktuatif? Permasalahan Modelling
Korelasi (individu; waktu)
Nilai statitistik rendah (t-statistik) Variasi data Signifikansi variabel Bentuk fungsional Omitted variabel Time Series
Data runtut waktu, Y1....Yt.
Random variabel, dengan stokhastik proses Data observasi waktu tertentu berhubungan dengan periode waktu lainnya. Prediksi bagi periode berikutnya. Data Time Series
Masalah penggunaan data time series:
Korelasi antar waktu (autokorelasi) Variasi relatif tinggi (heteroskedastisitas) Kestabilan data (stasioneritas) Kesetimbangan data (kointegrasi) Kesesuaian Model Stasioneritas
Data yang stasioner akan bergerak stabil
dan konvergen di sekitar nilai rata-rata dengan deviasi yang kecil tanpa pergerakan tren positif atau negatif. Data tidak stasioner menghasilkan regresi palsu (spurious regression) Uji kointegrasi merupakan uji awal untuk menghindari spurious regression Spurious Correlation/Regression
Masalah data time series: variabel
dependen dan independen memiliki trend yang sama Trend tersebut disebabkan oleh suatu variabel lain (yang sangat kuat pengaruhnya) tetapi berada di luar model Contoh: Inflasi Inilah yang disebut dengan spurious regression (regresi lancung) Spurious Correlation/Regression
Spurious regression disebabkan adanya
hubungan antara 2 variabel (independen dan dependen) yang bukan disebabkan oleh ‘real causal relationship’ tetapi oleh variabel lain diluar model Implikasi: T test (signifikansi variabel) dan uji F (serentak) menjadi ‘overstated’ dan tidak dapat dipercaya Stationary dan Nonstationary
Data time series disebut dengan non-
stationary, apabila pergerakan dari data tersebut dipengaruhi oleh suatu trend yang memang jelas atau variabel X diluar model
Data time series disebut dengan stationary,
apabila pergerakan dari data tersebut memang benar2 oleh data itu sendiri bukan karena tren atau variabel X Stationary dan Nonstationary
Data stationary harusnya memiliki
mean dan variance yang konstan, tidak berubah-ubah karena trend
Implikasi data yang tidak stationary =
spurious regression yang memiliki hasil uji t, F, dan R squared yang ‘overstated’ Contoh:
Price of oil = -27.8 + 0.07 Tuition Fees + e
P value (0.006) R squared 0.94
Is it possible bahwa tuition naik
meningkatkan price of oil? Bisa jadi karena inflasi Uji Dickey – Fuller test Uji STASIONERITAS
Uji stasioneritas: uji akar unit (unit root test)
Uji stasioneritas didasarkan atas Hipotesis Null: Unit root. Uji stasioneritasnya melalui prosedur Augmented Dickey Fuller Test (Uji ADF). Jika hipotesa Null diterima, berarti variabel tersebut tidak stasioner maka perlu dilakukan uji derajat integrasi. Uji derajat integrasi dimaksudkan untuk melihat pada derajat atau order diferensi ke berapa data yang diamati akan stasioner. Uji Stasioneritas Analisis secara grafis - Deviasi pergerakan data - Keberadaan tren Tidak stasioner : kecenderungan deviasi yang semakin menjauhi rata-rata dan memiliki tren tertentu Autocorrelation Function (ACF) dan Correlogram Indikasi tidak stasioner : - Grafik Correlogram AC (Autocorrelation) dan Partial Autocorrelation (PAC) melewati nilai batas - Nilai statistik AC dan PAC diatas 0,5 - Probabilita Q-stat berada di bawah 0,1 Uji Unit Root
Dikenalkan oleh David Dickey dan Wayne Fuller.
Perhatikan model berikut:
Yt = ρ Yt-1 + ut
Jika ρ = 1, maka model menjadi random walk
tanpa intersep. Disini kita akan menghadapi masalah dimana varian Yt tidak stasioner.
Dengan demikian Yt dapat disebut mengandung
“unit root” atau data tidak stasioner. Uji Unit Root
Bila persamaan diatas dikurangi pada Yt-1 sisi kanan
dan kiri, maka persamaannya menjadi:
Yt - Yt-1= ρ Yt-1 - Yt-1+ ut
∆ Yt = (ρ-1) Yt-1 + ut
Atau dapat ditulis dengan:
∆ Yt = δ Yt-1 + ut Hipotesis: H0: δ = 0 H1: δ ≠ 0 Jika kita menerima hipotesis null (δ = 0), maka ρ = 1. Artinya kita memiliki unit root, dimana data time series Yt tidak stasioner.
Uji signifikansi terhadap koefisien regresi dapat
dilakukan dengan Uji-t. Sayangnya dengan hipotesis tersebut, nilai Uji-t tidak mengikuti distribusi t sekalipun dalam sampel besar. Tetapi Dickey-Fuller telah membuktikan bahwa Uji-t terhadap hipotesis diatas mengikuti statistik ζ (tau). Statistik ini selanjutnya dikembangkan oleh Mc. Kinnon. Selain model diatas, pengujian ini juga dapat dilakukan dengan menggunakan beberapa model berikut: 1. Model dengan intersep: ∆ Yt = β1 + δ Yt-1 + ut 2. Model dengan intersep dan memasukkan variabel bebas waktu (t) ∆ Yt = β1 + β2 t + δ Yt-1 + ut Augmented Dickey-Fuller (ADF) Test. Model-model sebelumnya mengasumsikan ut tidak berkorelasi Hampir tidak mungkin. Untuk mengantisipasi adanya korelasi tersebut, Dickey-Fuller mengembangkan pengujian diatas dengan sebutan: Augmented Dickey- Fuller (ADF) Test.