Anda di halaman 1dari 25

Pengantar Analisa

Time Series
Diskusi

 Mengapa data time series bersifat


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.

Formulasinya adalah sebagai berikut:


∆ Yt = β1 + β2 t + δ Yt-1 + α1 ∆ Yt-1 + α2 ∆ Yt-2 +...........+ αm ∆ Yt-m + εt

Atau dapat ditulis dengan:


m
Yt  1   2 t  Yt 1   i  Yt 1   t
i 1

Dimana m adalah panjangnya lag yang digunakan.


 Berdasarkan model tersebut kita dapat memilih tiga model
yang akan digunakan untuk melakukan Uji ADF, yaitu:

1. Model dengan intersep (β1) dan trend (β2), sebagaimana


model diatas.
2. Model yang hanya intersep saja (β1), yaitu:
m
Yt  1  Yt 1   i  Yt 1   t
i 1

3. Model tanpa intersep dan trend (slop), yaitu:


m
Yt  Yt 1   i  Yt 1   t
i 1

Penghitungan manual cukup sulit  EViews


Kalau data ternyata non-stationary?

 Pendekatan konvensional :
merubahnya dengan first difference :
ΔY = Yt – Yt-1
 Trend jadi tidak terlihat lagi atau bisa
berkurang….
TERIMA KASIH