Hello!

Korelasi Serial dan

Heteroskedastisitas dalam
Regresi Time Series
Hi!
 Anggota:
Kadek Kanaya Dwi Putri (1907511239)
I Made Bagus Krisna (1907511254)
I Putu Gede Wira Prayoga Putra (1907511268)

Kelompok 11
 Pengujian Korelasi Serial

1.  bagian ini, membahas beberapa metode pengujian korelasi serial dalam istilah errors dalam model regresi linier
Pada
berganda
 

a.Uji A untuk AR (1) Korelasi Serial dengan Regresor Eksogen Ketat

pertama-tama memperoleh uji sampel besar dengan asumsi bahwa variabel penjelas benar-benar eksogen: nilai yang
diharapkan dari , mengingat seluruh riwayat variabel independen, adalah nol. Sebagai tambahan, dalam (12.1), kita harus
mengasumsikan itu

E [ 12.10]

Var [ 12.11]
Seperti
1.   halnya pengujian heteroskedastisitas, hipotesis nolnya adalah bahwa asumsi Gauss-Markov yang sesuai adalah
benar. Dalam model AR (1), hipotesis nol bahwa errors tidak berkorelasi secara serial adalah
 
[ 12.12]
 
Bagaimana kita dapat menguji hipotesis ini? Jika diamati, maka, di bawah (12.10) dan (12.11), kita dapat segera
menerapkan hasil normalitas asimtotik dari Teorema 11.2 ke model regresi dinamis
 
[12.13]

Dengan kata lain, kita dapat memperkirakan dari regresi pada , untuk semua , tanpa intersep, dan penggunaan statistik
biasa untuk . Ini tidak bekerja karena errors tidak diamati. Namun demikian, seperti halnya pengujian heteroskedastisitas,
kita dapat mengganti dengan residual OLS yang sesuai, . Sejak tergantung pada estimator OLS , tidak jelas bahwa
menggunakan untuk dalam regresi tidak berpengaruh pada distribusi statistik .

 
Pengujian
1.   AR (1) Serial Correlation dengan Strictly Exogenous Regressors:
 
(i) Jalankan regresi OLS dari pada dan dapatkan residuals OLS, , untuk semua
.
(ii) Jalankan regresi

di dari semua , [ 12.14]

 
memperoleh koefisien pada dan statistik -nya, . (Regresi ini mungkin atau mungkin tidak berisi intersep; statistik
untuk akan sedikit terpengaruh, tetapi valid asimtotik dengan cara apa pun.)

(iii) Gunakan untuk menguji melawan dengan cara biasa. (Sebenarnya, karena sering diharapkan apriori, alternatifnya
bisa .) Biasanya, kami menyimpulkan bahwa korelasi serial adalah masalah yang harus ditangani hanya jika ditolak pada
tingkat 5% Seperti biasa, yang terbaik adalah melaporkan nilai p untuk pengujian tersebut.
Contoh
1.   2.1 Menguji Korelasi Serial AR (1) di Kurva Phillips

Di Bab 10, kami memperkirakan kurva Phillips statis yang menjelaskan tradeoff inflasi-pengangguran di Amerika Serikat
(lihat Contoh 10.1). Dalam Bab 11, kami mempelajari ekspektasi tertentu yang ditambah kurva Phillips, di mana kami
mengasumsikan ekspektasi adaptif (lihat Contoh 11.5). Kami sekarang menguji istilah error di setiap persamaan untuk
korelasi serial. Karena kurva ekspektasi augmented menggunakan sebagai variabel dependen, kami memiliki satu
observasi yang lebih sedikit.
Untuk kurva Phillips statis, regresi di (12.14) menghasilkan = 573, = 4.93, dan p-value = .000 (dengan 48
observasi hingga 1996). Ini adalah bukti yang sangat kuat dari korelasi serial urutan pertama yang positif. Salah satu
konsekuensi dari ini adalah errors standar dan statistik t dari Bab 10 tidak valid. Sebaliknya, uji untuk AR (1) korelasi
serial dalam kurva ekspektasi yang ditambah memberikan = -.036, .287dan p-value = .775 (dengan 47 observasi): tidak
ada bukti AR (1 ) korelasi serial dalam kurva Phillips ekspektasi ditambah.
1.   Meskipun pengujian dari (12.14) diturunkan dari model AR (1), pengujian tersebut dapat mendeteksi jenis korelasi
serial lainnya. Ingat, adalah penduga yang konsisten dari korelasi antara dan . Korelasi serial apa pun yang menyebabkan
errors yang berdekatan dikorelasikan dapat diambil dengan tes ini. Di sisi lain, itu tidak mendeteksi korelasi serial di mana
errros yang berdekatan tidak berkorelasi, Corr. (Misalnya, dan dapat dikorelasikan.)
Dalam menggunakan statistik t biasa dari (12.14), kita harus mengasumsikan bahwa kesalahan dalam (12.13)
memenuhi asumsi homoskedastisitas yang sesuai, (12.11). Nyatanya, sangat mudah untuk membuat pengujian yang kuat
terhadap heteroskedastisitas dalam : kita cukup menggunakan statistik t yang biasa, heteroskedastisitas-kuat dari Bab 8.
Untuk kurva Phillips statis pada Contoh 12.1, statistik t heteroskedastisitas-robust adalah 4,03, yang mana adalah lebih
kecil dari statistik t non robust tetapi masih sangat signifikan. Dalam Bagian 12-7, kami membahas lebih lanjut
heteroskedastisitas dalam regresi time series, termasuk bentuk dinamisnya.
b.
1. Uji  Durbin-Watson di bawah Asumsi Klasik
 
Uji lain untuk korelasi serial AR (1) adalah uji Durbin-Watson. Statistik Durbin-Watson (DW) juga berdasarkan
residuals OLS:
 
 
DW = [ 12.15]
 
Aljabar sederhana menunjukkan bahwa DW dan dari (12.14) terkait erat:

DW = . [ 12.16]
 
Salah satu alasan hubungan ini tidak tepat adalah karena memiliki dalam penyebutnya, sedangkan DW statistik memiliki
jumlah kuadrat dari semua sisa OLS di penyebutnya. Bahkan dengan ukuran sampel yang moderat, perkiraan di (12.16)
seringkali cukup dekat. Oleh karena itu, pengujian berdasarkan DW dan uji t berdasarkan secara konseptual sama.
Beberapa
1.   teks ekonometrika melaporkan batas atas dan bawah untuk nilai kritis yang bergantung pada tingkat signifikansi
yang diinginkan, hipotesis alternatif, jumlah observasi, dan jumlah regressor. (Kami berasumsi bahwa intersep disertakan
dalam model.) Biasanya, tes DW digunakan untuk alternatif.
 
[12.17]

c. Pengujian AR (1) Serial Korelasi tanpa Regressor Yang Sangat Eksogen

Ketika variabel penjelas tidak benar-benar eksogen, sehingga satu atau lebih berkorelasi dengan , baik uji t dari regresi
(12.14) maupun statistik Durbin-Watson tidak valid, bahkan dalam sampel besar. Kasus utama regressor nonstrictly
exogenous terjadi ketika model berisi variabel dependen tertinggal: dan jelas berkorelasi.
Pengujian Korelasi Serial dengan Regresor Umum:
 
(i) Jalankan regresi OLS dari pada,…, dan dapatkan residual OLS, , untuk semua .
(ii) Jalankan regresi

on untuk semua t = 2,…,n. [ 12.18]

1.  
Contoh 2.2 Menguji Korelasi Seri aR (1) dalam Persamaan Upah Minimum

kami memperkirakan pengaruh upah minimum terhadap tingkat pekerjaan di Puerto Rico. Kami
sekarang memeriksa apakah errors tampaknya mengandung korelasi serial, menggunakan pengujian
yang tidak mengasumsikan eksogenitas yang ketat dari upah minimum atau variabel GNP. [Kami
menambahkan log GNP nyata Puerto Rico ke persamaan (10.38), seperti dalam Latihan Komputer C3
di Bab 10.] Kami mengasumsikan bahwa proses stokastik yang mendasarinya sangat bergantung, tetapi
kami mengizinkannya untuk memuat tren waktu linier dengan memasukkan t dalam regresi.

Membiarkan menunjukkan residual OLS, kita menjalankan regresi

 
di log (mincov), log (prgnp), log (usgnp), t, dan .

 
menggunakan 37 observasi yang tersedia. Koefisien yang diperkirakan pada adalah = .481 dengan t =
2.89 (nilai = .007). Oleh karena itu, terdapat bukti kuat korelasi serial AR (1) pada error tersebut, yang
berarti statistik t untuk yang kita peroleh sebelumnya tidak valid untuk inferensi. Ingat,
bagaimanapun, masih konsisten jika secara bersamaan tidak berkorelasi dengan setiap variabel
penjelas. Kebetulan, jika kita menggunakan regresi (12.14) sebagai gantinya, kita memperoleh .417
dan t = 2.63, jadi hasil tes serupa dalam kasus ini.
1. Menguji
d.   Korelasi Serial Orde Tinggi

Pengujian dari (12.18) dengan mudah diperluas ke urutan korelasi serial yang lebih tinggi. Misalnya, kita ingin menguji
 
[ 12.19]

dalam model AR (2)

 

 
Model alternatif korelasi serial ini memungkinkan kita untuk menguji korelasi serial orde dua.
kami memperkirakan model dengan OLS dan mendapatkan residu OLS, . Kemudian, kita dapat menjalankan regresi
 
di dan untuk semua t = 3,…, n
untuk
1.   mendapatkan uji F untuk signifikansi gabungan dari dan . Jika kedua kelambatan ini signifikan secara bersama-
sama pada tingkat yang cukup kecil, katakanlah, 5%, maka kami menolak (12.19) dan menyimpulkan bahwa errors
tersebut berkorelasi secara serial.
Secara lebih umum, kita dapat menguji korelasi serial dalam model autoregresif urutan q:
 

[ 12.20]

Hipotesis nol adalah

 
[ 12.21]
Jika
1.  diasumsikan benar-benar eksogen, sehingga setiap tidak berkorelasi dengan , ,…, , maka dapat dihilangkan dari
(12.22). Memasukkan dalam regresi membuat pengujian valid dengan atau tanpa asumsi exogeneity yang ketat.
Pengujian tersebut membutuhkan asumsi homoskedastisitas
 
Var. [12.23]
 
Versi heteroskedastisitas-kuat dapat dihitung seperti yang dijelaskan pada Bab 8.
Alternatif untuk menghitung uji F adalah dengan menggunakan bentuk statistik pengali Lagrange (LM). (Kami membahas
statistik LM untuk menguji pembatasan pengecualian di Bab 5 untuk analisis cross-sectional.) Statistik LM untuk
pengujian (12.21) hanyalah
 
LM = [12.24]
 
di mana hanya R-kuadrat biasa dari regresi (12.22). Di bawah hipotesis nol, LM . Ini biasanya disebut uji Breusch-
Godfrey untuk korelasi serial AR (q). Statistikjuga membutuhkan (12.23), tetapi dapat dibuat kuat untuk
heteroskedastisitas.
1.  
Contoh 2.3 Menguji Korelasi Serial AR (3)
Dalam studi acara industri barium klorida (lihat Contoh 10.5), kami menggunakan data
bulanan, jadi kami mungkin ingin menguji urutan korelasi serial yang lebih tinggi. Untuk
tujuan ilustrasi, kami menguji korelasi serial AR (3) dalam error yang mendasari persamaan
(10.22). Menggunakan regresi (12.22), kami menemukan F statistik untuk signifikansi
bersama dari dan adalah F = 5.12. Awalnya, kami memiliki n = 131, dan kami kehilangan
tiga pengamatan dalam regresi tambahan (12,22). Karena kami memperkirakan 10
parameter dalam (12.22) untuk contoh ini, df dalam statistik F adalah 3 dan 118. Nilai p
dari statistik F adalah .0023, jadi ada bukti kuat korelasi serial AR (3).
 Mengoreksi Korelasi Serial dengan
Regresor Eksogen Ketat
1.  
a. Memperoleh Estimator Tak Memihak Linier Terbaik dalam Model AR (1)
 
Kami mengasumsikan asumsi Gauss-Markov TS.1 hingga TS.4, tetapi kami melonggarkan Asumsi TS.5. Secara khusus,
kami mengasumsikan bahwa error mengikuti model AR (1)
 
untuk semua t = 1,2,…. [12.26]
 
Ingat bahwa Asumsi TS.3 menyiratkan bahwa memiliki kondisi rata-rata nol pada X. Dalam analisis berikut, kita
membiarkan pengkondisian pada X diimplikasikan untuk menyederhanakan notasi. Jadi, kami menulis varians sebagai
 
Var. [12.27]

Untuk kesederhanaan, pertimbangkan kasus dengan satu variabel penjelas:

 
untuk semua t = 1,2,…,n.
1.   masalah dalam persamaan ini adalah korelasi serial di , maka masuk akal untuk mengubah persamaan untuk
Karena
menghilangkan korelasi serial. Untuk t $ 2, kami menulis
 

 
Sekarang, jika kita mengalikan persamaan pertama ini dengan dan menguranginya dari persamaan kedua, kita dapatkan
 

 
di mana kami telah menggunakan fakta bahwa . Kita bisa menulis ini sebagai
 
[ 12.28]
 
dimana
 
[ 12.29]
Estimator
1.   OLS dari (12.28) tidak cukup BLUE karena mereka tidak menggunakan periode waktu pertama. Ini mudah
diperbaiki dengan menuliskan persamaan untuk t = 1 sebagai
 
[12.30]

Var( [Persamaan (12.27) jelas tidak berlaku ketika 1, itulah sebabnya kami mengasumsikan kondisi stabilitas.] Jadi, kita
harus mengalikan (12.30) dengan untuk mendapatkan error dengan varian yang sama:

 
 
[12.31]

Menambahkan lebih banyak regressor hanya mengubah sedikit. Untuk t, kami menggunakan persamaan
 
[12.32]

 
1. Estimasi
b.   GLS yang Layak dengan Kesalahan AR (1)

Masalah dengan penduga GLS adalah bahwa jarang diketahui dalam praktiknya. Namun, kita sudah
tahu bagaimana mendapatkan estimator yang konsisten dari : kita hanya meregresikan residual OLS
pada lagged counterpart mereka, persis seperti dalam persamaan (12.14). Selanjutnya, kami
menggunakan estimasi ini, , sebagai ganti untuk mendapatkan variabel quasi-differenced. Kami
kemudian menggunakan OLS pada persamaan
1.  
2. [ 12.33]
Contoh 2.4 Prais-Winsten Estimation dalam Studi Acara
 
Sekali lagi menggunakan data dalam BARIUM, kami memperkirakan persamaan dalam
Contoh 10.5 menggunakan estimasi Prais-Winsten yang diulang. Sebagai perbandingan,
kami juga menyajikan hasil OLS pada Tabel 12.1.
Koefisien yang signifikan secara statistik dalam estimasi Prais-Winsten tidak berbeda jauh
dari perkiraan OLS [khususnya, koefisien pada log (chempi), log (rtwex), dan afdec6].
Tidaklah mengherankan jika koefisien yang secara statistik tidak signifikan berubah,
mungkin secara nyata, di seluruh metode estimasi yang berbeda.
1.  
Perhatikan bagaimana standar error di kolom kedua secara seragam lebih tinggi daripada standar error di kolom (1). Ini
biasa. Akun standar error Prais-Winsten untuk koreksi serial; standar error OLS tidak. Seperti yang kita lihat di Bagian
12-1, errors standar OLS biasanya mengecilkan variasi pengambilan sampel aktual dalam perkiraan OLS dan tidak boleh
diandalkan ketika ada korelasi serial yang signifikan. Oleh karena itu, efek pada impor China setelah keputusan Komisi
Perdagangan Internasional sekarang kurang signifikan secara statistik daripada yang kami duga (1.69).
Akhirnya, R-squared dilaporkan untuk estimasi PW yang jauh di bawah R-squared untuk estimasi OLS dalam kasus ini.
Namun, R-kuadrat ini tidak boleh dibandingkan. Untuk OLS, R-squared, seperti biasa, didasarkan pada regresi dengan
variabel dependen dan independen yang tidak diubah. Untuk PW, R-squared berasal dari regresi akhir dari variabel
dependen yang ditransformasikan pada variabel independen yang ditransformasikan. Tidak jelas apa yang sebenarnya
diukur ini, meskipun demikian, hal itu dilaporkan secara tradisional
1. Membandingkan
c.   OLS dan FGLS

di mana proses deret waktu tidak bergerak. Sekarang, dengan asumsi bahwa hukum angka besar berlaku, konsistensi OLS
untuk berlaku jika
 
Cov [ 12.34]
 
Sebelumnya, kami menegaskan bahwa FGLS konsisten di bawah asumsi eksogenitas yang ketat, yang lebih ketat daripada
(12,34). Faktanya, dapat ditunjukkan bahwa asumsi terlemah yang harus dipegang agar FGLS tetap konsisten, selain
(12.34), adalah bahwa jumlah dan tidak berkorelasi dengan :
 
Cov [ 12.35]
Contoh 2.5 Kurva Phillips Statis

Tabel 12.2 menyajikan OLS dan perkiraan Prais-Winsten berulang dari kurva Phillips statis dari Contoh 10.1,
menggunakan pengamatan sampai tahun 1996.

 
Koefisien
1.   bunga ada di unem, dan itu sangat berbeda antara PW dan OLS. Karena estimasi PW konsisten dengan tradeoff
inflasi-pengangguran, kecenderungan kita untuk fokus pada estimasi PW. Faktanya, perkiraan ini cukup dekat dengan apa
yang diperoleh dengan membedakan inf dan unem terlebih dahulu (lihat Latihan Komputer C4 di Bab 11), yang masuk
akal karena quasi-differencing digunakan dalam PW dengan = .781 mirip dengan pembedaan pertama. Mungkin saja inf
dan unem tidak terkait dalam level, tetapi mereka memiliki hubungan negatif dalam perbedaan pertama.
 
Contoh seperti kurva Phillips statis dapat menimbulkan masalah yang sulit bagi peneliti empiris. Di satu sisi, jika kita
benar-benar tertarik pada hubungan statis, dan jika pengangguran dan inflasi adalah proses I (0), maka OLS menghasilkan
estimator yang konsisten tanpa asumsi tambahan. Tapi bisa jadi pengangguran, inflasi, atau keduanya memiliki akar unit,
dalam hal ini OLS tidak perlu memiliki properti yang diinginkan seperti biasanya; kita membahas ini lebih lanjut dalam
Bab 18. Dalam Contoh 12.5, FGLS memberikan perkiraan yang lebih masuk akal secara ekonomi; karena mirip dengan
diferensiasi pertama, FGLS memiliki keuntungan (kurang-lebih) menghilangkan akar unit.
1. Mengoreksi
d.   Korelasi Serial Orde Tinggi

Dimungkinkan juga untuk mengoreksi urutan korelasi serial yang lebih tinggi. Perlakuan umum diberikan dalam Harvey
(1990). Di sini, kami menggambarkan pendekatan untuk korelasi serial AR (2)
 

 
di mana memenuhi asumsi yang ditetapkan untuk model AR (1). Kondisi stabilitas sekarang lebih rumit. Mereka dapat
dibuktikan [lihat Harvey (1990)]
 
dan
 
Misalnya, model stabil jika .8 dan 2.3; model tidak stabil jika .7 dan .4.

Dengan asumsi kondisi stabilitas berlaku, kita dapat memperoleh transformasi yang menghilangkan korelasi serial.
Dalam model regresi sederhana, hal ini mudah dilakukan jika t >2:
 

 
[ 12.36]
Jika
1. kita
  mengetahui dan , kita dapat dengan mudah memperkirakan persamaan ini dengan OLS setelah mendapatkan
variabel yang ditransformasikan. Karena kita jarang mengetahui dan , kita harus memperkirakannya. Seperti biasa, kita
dapat menggunakan residual OLS, : dapatkan dan dari regresi
 
pada t = 3,….,n.
 
[Ini adalah regresi yang sama yang digunakan untuk menguji korelasi serial AR (2) dengan regresi eksogen ketat.]
Kemudian, kami menggunakan dan sebagai ganti dan untuk mendapatkan variabel yang ditransformasikan. Ini
memberikan satu versi penduga FGLS. Jika kita memiliki beberapa variabel penjelas, maka masing-masing diubah oleh
ketika t > 2.
1.  
Perawatan
1.   untuk dua pengamatan pertama agak rumit. Dapat ditunjukkan bahwa ketergantungan variabel dan setiap
variabel independen (termasuk intersep) harus diubah oleh
 

 
di mana dan masing-masing menunjukkan variabel dependen atau independen pada t = 1 dan t = 2. Kami tidak akan
mendapatkan transformasi ini. Singkatnya, mereka menghilangkan korelasi serial antara dua pengamatan pertama dan
membuat varian kesalahannya sama dengan .
Untungnya, paket ekonometrik yang diarahkan pada analisis time series dengan mudah memperkirakan model dengan
kesalahan AR (q) umum; kita jarang perlu menghitung sendiri variable yang ditransformasikan secara langsung.
 Perbedaan dan Korelasi Serial

1.  
Menyajikan diferensiasi sebagai transformasi untuk membuat proses terintegrasi sangat bergantung. Ada cara lain untuk
melihat manfaat dari pembedaan saat menangani data yang sangat persisten. Misalkan kita mulai dengan model regresi
sederhana:
 
[ 12.37]

 
di mana mengikuti proses AR (1) di (12.26). Seperti yang kita sebutkan di Bagian 11-3, dan seperti yang akan kita bahas
lebih lengkap di Bab 18, prosedur inferensi OLS yang biasa bisa sangat menyesatkan ketika variabel dan terintegrasi dari
urutan satu, atau I (1). Dalam kasus ekstrim di mana error dalam (12.37) mengikuti jalan acak, persamaan tersebut tidak
masuk akal karena, antara lain, varians tumbuh dengan t. Lebih logis untuk membedakan persamaan:
 
[ 12.38]
 
1.   mengikuti jalan acak, maka ; Dut memiliki mean nol dan varians konstan dan tidak berkorelasi
Jika
secara serial. Jadi, dengan asumsi bahwa dan tidak berkorelasi, kita dapat memperkirakan (12.38)
dengan OLS, di mana kita kehilangan observasi pertama.
Bahkan jika tidak mengikuti jalan acak, tetapi positif dan besar, pembedaan pertama sering kali
merupakan ide yang bagus: ini akan menghilangkan sebagian besar korelasi serial. Tentu saja,
persamaan (12.38) berbeda dari (12.37), tetapi setidaknya kita dapat lebih percaya pada standar error
OLS dan statistik t (12.38). Membiarkan beberapa variabel penjelas tidak mengubah apa pun.
1.  
Contoh 2.5 Membedakan Persamaan Suku Bunga

Dalam Contoh 10.2, kami memperkirakan persamaan yang menghubungkan tingkat tagihan T tiga bulan dengan inflasi
dan defisit federal [lihat persamaan (10.15)]. Jika kita mendapatkan residual yang diperoleh dari estimasi (10.15) dan
regresi mereka pada satu lag, kita memperoleh = .623 (.110), yang besar dan sangat signifikan secara statistik. Oleh
karena itu, minimal, korelasi serial menjadi masalah dalam persamaan ini.
Jika kita membedakan data dan menjalankan regresi, kita dapatkan
 

(.171) (.092) (.148) [12.39]

 
Koefisien dari regresi ini sangat berbeda dari persamaan dalam level, menunjukkan bahwa variabel penjelas tidak
sepenuhnya eksogen atau satu atau lebih variabel memiliki akar unit. Faktanya, korelasi antara dan adalah sekitar 0,885,
yang mungkin menunjukkan masalah dengan menafsirkan (10.15) sebagai regresi yang bermakna. Plus, regresi dalam
perbedaan pada dasarnya tidak korelasi serial: regresi pada memberikan .072 (.134). Karena perbedaan pertama
menghilangkan kemungkinan akar unit serta korelasi serial.
 Korelasi Serial-Inferensi Kuat setelah OLS
Dalam
1.   beberapa tahun terakhir, telah menjadi lebih populer untuk memperkirakan model oleh OLS tetapi untuk
memperbaiki standar error untuk bentuk korelasi serial yang cukup arbitrer (dan heteroskedastisitas). Meskipun kami tahu
OLS tidak akan efisien, ada beberapa alasan bagus untuk mengambil pendekatan ini. Pertama, variabel penjelas mungkin
tidak sepenuhnya eksogen. Dalam hal ini FGLS malah tidak konsisten apalagi efisien. Kedua, di sebagian besar aplikasi
FGLS, error diasumsikan mengikuti model AR (1). Mungkin lebih baik untuk menghitung standar error untuk perkiraan
OLS yang kuat untuk bentuk korelasi serial yang lebih umum.
Untuk mendapatkan gambaran tersebut, perhatikan persamaan (12.4) yang merupakan varians dari penduga
kemiringan OLS dalam model regresi sederhana dengan error AR (1). Kita dapat memperkirakan varians ini dengan
sangat sederhana dengan memasukkan penduga standar dan . Satu-satunya masalah dengan ini adalah bahwa ia
mengasumsikan model AR (1) berlaku dan juga mengasumsikan homoskedastisitas. Anda bisa melonggarkan kedua
asumsi ini.
Perlakuan umum untuk standar error yang heteroskedastisitas- dan korelasi serial- kuat diberikan dalam Davidson
dan MacKinnon (1993). Di sini, kami menyediakan metode sederhana untuk menghitung kesalahan standar yang kuat dari
setiap koefisien OLS.
Perawatan kami di sini mengikuti Wooldridge (1989). Pertimbangkan model regresi linier berganda standar
1.   [ 12.40]
 
yang telah kami perkirakan oleh OLS. Untuk konkretnya, kami tertarik untuk mendapatkan korelasi serial– standar error
yang kuat untuk . Ini ternyata cukup mudah. Tulis sebagai fungsi linier dari variable bebas yang tersisa dan suku
kesalahan,
 

 
di mana error memiliki mean nol dan tidak berkorelasi dengan , ,…, .

Kemudian, dapat ditunjukkan bahwa varians asimtotik dari estimator OLS adalah
 
AVar = Var
 
Di bawah Asumsi korelasi serial tidak ada TS.5’, tidak berkorelasi serial, jadi standar error OLS biasa (di bawah
homoskedastisitas) atau standar error heteroskedastisitas-kuat akan valid. Tetapi jika TS.5’ gagal, ekspresi kita untuk AVar
harus menjelaskan korelasi antara dan , ketika t. Dalam praktiknya, adalah umum untuk mengasumsikan bahwa, sekali
istilah-istilah tersebut terpisah lebih jauh dari a beberapa periode, korelasinya pada dasarnya nol. Ingat bahwa di bawah
ketergantungan yang lemah, korelasinya harus mendekati nol, jadi ini adalah pendekatan yang masuk akal.
1.  
Mengikuti kerangka umum Newey dan West (1987), Wooldridge (1989) menunjukkan bahwa AVar dapat diperkirakan
sebagai berikut. Misalkan "se" menunjukkan standar error OLS yang biasa (tetapi tidak benar) dan misalkan s ^ menjadi
kesalahan standar biasa dari regresi (atau root mean squared error) dari estimasi (12,40) oleh OLS. Misalkan
menunjukkan residual dari regresi tambahan
 
pada [12.41]
 
(termasuk konstanta, seperti biasa). Untuk bilangan bulat yang dipilih g > 0, jelaskan
 

[12.42]
dimana
 

 
Ni terlihat agak rumit, tetapi dalam praktiknya mudah didapat. Integer g dalam (12.42) mengontrol seberapa banyak
korelasi serial yang kita izinkan dalam menghitung standar error. Setelah kita memiliki di korelasi serial-standar error
yang kuat dari sederhana
 
se = [ 12.43]
 
Dengan
1.   kata lain, kita mengambil standar error OLS biasa dari , membaginya dengan , mengkuadratkan hasilnya, lalu
mengalikannya dengan akar kuadrat dari . Ini dapat digunakan untuk membangun interval kepercayaan dan statistik t
untuk .
Sangat berguna untuk melihat seperti apa dalam beberapa kasus sederhana. Ketika g = 1,
 

[12.44]

dan ketika g = 2
 

[12.45]

Semakin besar g, semakin banyak istilah yang disertakan untuk mengoreksi korelasi serial. Tujuan dari faktor dalam
(12.42) adalah untuk memastikan bahwa sebenarnya nonnegatif [Newey dan West (1987) memverifikasi ini]. Kita jelas
membutuhkan , karena mengestimasi varians dan akar kuadrat dari muncul di (12.43).
1.   error di (12.43) juga kuat untuk heteroskedastisitas arbitrer. (Dalam literatur time series, korelasi serial-standar
Standar
error yang kuat kadang-kadang disebut heteroskedastisitas dan autorelasi konsisten, atau HAC, standar error.) Faktanya,
jika kita memasukkan suku kedua (12.42), maka (12.43 ) menjadi standar error heteroskedastisitas-kuat yang biasa kita
diskusikan di Bab 8 (tanpa derajat penyesuaian kebebasan).
Teori yang mendasari standar error dalam (12.43) bersifat teknis dan agak halus. Ingat, kami memulai dengan
mengklaim bahwa kami tidak mengetahui bentuk korelasi serial. Jika demikian, bagaimana kita memilih bilangan bulat g?
Teori menyatakan bahwa (12.43) bekerja untuk bentuk korelasi serial yang cukup arbitrer, asalkan g tumbuh dengan
ukuran sampel n. Idenya adalah bahwa, dengan ukuran sampel yang lebih besar, kita dapat lebih fleksibel dalam
menentukan jumlah korelasi (12.42). Ada banyak pekerjaan baru-baru ini tentang hubungan antara g dan n, tapi kita tidak
akan membahasnya di sini. Untuk data tahunan, memilih g kecil, seperti g = 1 atau g = 2, kemungkinan besar akan
menjelaskan sebagian besar korelasi serial. Untuk data kuartalan atau bulanan, g mungkin harus lebih besar (seperti g = 4
atau 8 untuk kuartalan dan g = 12 atau 24 untuk bulanan), dengan asumsi kami memiliki data yang cukup. Newey dan
West (1987) merekomendasikan mengambil g sebagai bagian integer dari; yang lain menyarankan bagian integer dari .
Saran Newey-West diimplementasikan oleh program ekonometrik Eviews®. Untuk, katakanlah, n = 50 (yang wajar untuk
data tahunan pascaperang dari Perang Dunia II), g = 3. (Bagian bilangan bulat dari memberikan g = 2.)
1.   meringkas bagaimana mendapatkan korelasi serial-standar error yang kuat untuk . Tentu saja, sejak kita dapat
Kami
membuat daftar variabel independen terlebih dahulu, prosedur berikut berfungsi untuk menghitung standar error untuk
koefisien kemiringan apa pun.
 
Serial Korelasi-Robust Standard Error untuk :
(i) Perkirakan (12.40) oleh OLS, yang menghasilkan " se", , dan sisa OLS
(ii) Hitung residual dari regresi tambahan (12.41). Kemudian, bentuk
(untuk setiap t).
(iii) Untuk pilihan g Anda, hitung seperti pada (12.42).
(iv) Hitung " se" dari (12.43)

Secara empiris, standar error korelasi-korelasi serial biasanya lebih besar dari standar error OLS biasa ketika ada korelasi
serial. Ini benar karena, dalam banyak kasus, berkorelasi error positif secara serial. Namun, dimungkinkan untuk memiliki
korelasi serial yang substansial di tetapi juga memiliki kesamaan dalam standar error korelasi biasa dan serial-kuat (SC-
robust) dari beberapa koefisien-ficients: itu adalah contoh autokorelasi dari yang menentukan kesalahan standar yang kuat
untuk .
1.  
Contoh 2.7 Upah minimum Puerto Rico

Kami mendapatkan standar error SC-robust untuk efek upah minimum dalam persamaan ketenagakerjaan Puerto Rico.
Dalam Contoh 12.2, kami menemukan bukti yang cukup kuat dari korelasi serial AR (1). Seperti dalam contoh itu, kami
menggunakan log kontrol tambahan (usgnp), log (prgnp), dan tren waktu linier.
Estimasi OLS tentang elastisitas tingkat pekerjaan sehubungan dengan upah minimum adalah 2.2123, dan standar
error OLS yang biasa adalah " se" =,.0402. Standar error dari regresi adalah s ^ 5 .0328. Selanjutnya, menggunakan
prosedur sebelumnya dengan g = 2 [lihat (12.45)], kami memperoleh .000805. Ini memberikan standar error kuat-SC
sebagai " se" = = .0426.Menariknya, standar error yang kuat hanya sedikit lebih besar dari standar error OLS biasa. Itu
statistik t robust sekitar −4,98, sehingga estimasi elastisitas masih signifikan secara statistik.
 Heteroskedastisitas dalam Regresi Time Series

a. Statistik Heteroskedastisitas-Kuat

Dalam Bagian 8-2, kita membahas bagaimana standar error OLS biasa, statistik t, dan statistik F dapat
disesuaikan untuk memungkinkan adanya heteroskedastisitas dalam bentuk yang tidak diketahui.
Penyesuaian yang sama ini bekerja untuk regresi time series pada Asumsi TS.1’, TS.2’, TS.3’, dan
TS.5’. Jadi, asalkan satu-satunya asumsi yang dilanggar adalah asumsi homoskedastisitas, inferensi
yang valid dengan mudah diperoleh di sebagian besar paket ekonometrik .
 1. Pengujian
b.   Heteroskedastisitas

Jadi, masuk akal untuk menguji korelasi serial terlebih dahulu, menggunakan uji heteroskedastisitas-kuat
jika diduga ada heteroskedastisitas. Kemudian, setelah sesuatu dilakukan untuk mengoreksi korelasi
serial, kami dapat menguji heteroskedastisitas.
Kedua, pertimbangkan persamaan yang digunakan untuk memotivasi uji Breusch-Pagan untuk
heteroskedastisitas

[12.46]
1.  
dimana hipotesis nolnya adalah H0: = = ….= = 0. Untuk statistik F — dengan menggantikan sebagai
variabel dependen — agar valid, kita harus mengasumsikan bahwa kesalahan itu sendiri
homoskedastik (seperti dalam kasus penampang) dan tidak berkorelasi serial. Ini secara implisit
diasumsikan dalam komputasi semua tes standar untuk heteroskedastisitas, Dengan asumsi bahwa
adalah aturan yang tidak berkorelasi serial dari bentuk heteroskedastisitas dinamis tertentu, sesuatu
yang akan kita bahas di sub-bagian berikutnya
Jika heteroskedastisitas ditemukan di (dan ut tidak berkorelasi serial), maka statistik uji
heteroskedastisitas-robust dapat digunakan.
 1.  
Contoh 12.8 Hipotesis Heteroskedastisitas dan Pasar Efisien

Dalam Contoh 11.4, kami memperkirakan model sederhana

 
retrun, = [12.47]

 
EMH menyatakan bahwa 0. Ketika kami menguji hipotesis ini menggunakan data di NYSE, kami memperolehnya 1,55
dengan n = 689. Dengan sampel yang begitu besar, ini tidak banyak bukti yang menentang EMH.1 Meskipun EMH
menyatakan bahwa pengembalian yang diharapkan diberikan informasi pengamatan masa lalu harus dipertimbangkan stant,
itu tidak mengatakan apa-apa tentang varians bersyarat. Faktanya, uji Breusch-Pagan untuk heteroskedastisitas memerlukan
regresi residual OLS kuadrat sebagai :

 
 1.  
(0.43) (0.201)
n = 689, = .042.
[12.48]
 
Statistik t pada adalah sekitar -5,5, menunjukkan bukti kuat dari heteroskedastisitas. Karena koefisien
negatif, kami mendapatkan temuan menarik bahwa volatilitas return saham lebih rendah ketika return
sebelumnya tinggi, begitu pula sebaliknya. Oleh karena itu, kami telah menemukan apa yang umum
dalam banyak studi keuangan: nilai yang diharapkan dari pengembalian saham tidak bergantung pada
pengembalian masa lalu, tetapi varians pengembalian bergantung
 1. Heteroskedastisitas
c.   Bersyarat Autoregresif

Untuk melihat ini, pertimbangkan model regresi statis sederhana

 
dan asumsikan bahwa asumsi Gauss-Markov berlaku. Ini berarti penduga OLS berwarna BLUE. Asumsi
homoskedastisitas menyatakan bahwa Var konstan, dimana Z menunjukkan semua n hasil . Bahkan jika
varians yang diberikan Z konstan, ada cara lain agar heteroskedastisitas dapat muncul. Engle (1982)
menyarankan untuk melihat varian bersyarat dari kesalahan masa lalu yang diberikan (di mana
pengkondisian pada Z dibiarkan tersirat). Engle menyarankan apa yang dikenal sebagai model
autoregressive conditional heteroskedasticity (ARCH). Model ARCH orde pertama adalah
1.   EE= [12.49]

di mana kita meninggalkan pengkondisian pada Z implisit. Persamaan ini merepresentasikan varian
bersyarat yang diberikan masa lalu hanya jika E, yang berarti bahwa kesalahan tidak berkorelasi seri.
Karena varians bersyarat harus positif, model ini hanya masuk akal jika 0 dan 0, jika 0, tidak ada
dinamika dalam persamaan varians. Adalah instruktif untuk menulis (12.49) sebagai

[12.50]
 
di mana nilai yang diharapkan dari (diberikan , ,…) adalah nol menurut definisi. (Namun, tidak
independen dari masa lalu karena kendala .Persamaan (12,50) terlihat seperti model autoregressive di
(oleh karena itu dinamai ARCH). Kondisi stabilitas persamaan ini adalah 1, seperti pada model AR (1)
biasa. Ketika 0, kesalahan kuadrat mengandung korelasi serial (positif) meskipun sendiri tidak. 
Model
1. ARCH
  juga berlaku jika ada dinamika dalam mean kondisional. Misalkan kita memiliki variabel dependen, , variabel
eksogen kontemporer, , dan

E
 
sehingga paling banyak satu lag dari y dan z muncul dalam regresi dinamis. Pendekatan tipikal adalah dengan
mengasumsikan bahwa Varadalah konstan, seperti yang telah kita bahas di Bab 11. Tetapi varians ini dapat mengikuti model
ARCH:

Var
=

dimana = Seperti yang kita ketahui dari Bab 11, kehadiran ARCH tidak mempengaruhi konsistensi OLS, dan standar error
heteroskedastisitas-kuat dan statistik uji yang biasa berlaku. (Ingat, ini berlaku untuk segala bentuk heteroskedastisitas, dan
ARCH hanyalah salah satu bentuk heteroskedastisitas tertentu.)
 1.   12.9 ARCH dalam Pengembalian Saham
Contoh
 
Dalam Contoh 12.8, kita melihat bahwa ada heteroskedastisitas dalam pengembalian saham mingguan. Heteroskedastisitas
ini sebenarnya lebih baik dicirikan oleh model ARCH di (12,50). Jika kita menghitung sisa OLS dari (12.47),
mengkuadratkan ini, dan meregresinya pada sisa kuadrat tertinggal, kita memperoleh

(.44) (.036) [12.51] n = 688.

Statistik t pada lebih dari sembilan, menunjukkan ARCH yang kuat. Seperti yang telah kita bahas sebelumnya, kesalahan
yang lebih besar pada waktu t - 1 menunjukkan varians yang lebih besar dalam return saham hari ini.
Penting untuk dilihat bahwa, meskipun residual OLS kuadrat adalah autokorelasi, residual OLS itu sendiri tidak (seperti
yang konsisten dengan EMH). Menekankan pada menghasilkan .0014 dengan =.038.
 1. Heteroskedastisitas
d.   dan Korelasi Serial dalam Model Regresi

Alternatifnya, kita dapat memodelkan heteroskedastisitas dan korelasi serial dan mengoreksi keduanya melalui prosedur AR
(1) kuadrat terkecil yang digabungkan. Secara khusus, pertimbangkan modelnya
 
[12.52]

 
dimana variabel penjelas X tidak bergantung pada untuk semua t, dan adalah fungsi dari. Proses memiliki mean nol dan
varians konstan dan tidak berkorelasi secara serial. Oleh karena itu, satis-menerapkan proses AR (1) yang stabil. Kesalahan
bersifat heteroskedastik, selain mengandung korelasi serial:

Var

dimana Tetapi = bersifat homoskedastik dan mengikuti model AR (1) yang stabil
Oleh
1. karena
  itu, persamaan ditransformasikan

…+ [12.53]

memiliki kesalahan AR (1). Sekarang, jika kita memiliki jenis heteroskedastisitas tertentu dalam pikiran — yaitu, kita tahu
— kita dapat memperkirakan (12,53) menggunakan metode CO atau PW standar.

Dalam kasus utama, kita harus memperkirakan terlebih dahulu. Metode berikut menggabungkan metode kuadrat dari Bagian
8-4 dengan urutan serial AR (1) dari Bagian 12-3.

GLS Layak dengan Heteroskedastisitas dan AR (1) Serial Correlation:

 
(i) Perkirakan (12.52) oleh OLS dan simpan residu, .
(ii) Regres log ( ) pada (atau pada ) dan dapatkan nilai yang sesuai, katakanlah, .
(iii) Dapatkan perkiraan : .exp
(iv) Perkirakan persamaan yang ditransformasikan
 1.   [12.54]

dengan metode Cochrane-Orcutt atau Prais-Winsten standar

Estimator FGLS yang diperoleh dari prosedur tersebut efisien secara asimtotik asalkan asumsi dalam
model (12.52) berlaku. Lebih penting lagi, semua standar error dan statistik uji dari estimasi CO atau PW
valid secara asimtotik. Jika kita mengizinkan fungsi varians menjadi salah ditentukan, atau
memungkinkan kemungkinan bahwa korelasi serial apa pun tidak mengikuti model AR (1), maka kita
dapat menerapkan quasi-differencing ke (12.54), memperkirakan persamaan yang dihasilkan dengan
OLS, dan kemudian mendapatkan standar error Newey-West.
 TERIMAKASIH

Hello!