PELATIHAN TIME SERIES

MODELLING

ARDL (AutoRegressive Distributed Lag)

Dr. Aliasuddin, M.Si

LEARNING OBJECT

1. Menjelaskan penggunaan model ARDL

2. Syarat-syarat Model ARDL
3. Penggunaan lag optimum dinamis dan fix
4. Keuntungan model ARDL
5. Cointegrasi dengan Bound-test
6. Estsimasi ARDL dgn eviews.
Introduction
 ARDL merupakan model time series dengan single-equation (satu
persamaan). Umumnya model ini mencari hubungan antar variabel
(ekonomi).
 Pendekatan ARDL tidak jauh berbeda dengan model time series
lain. Tetap pada penggunaan LAG (p,q). Namun lag dapat beragam
sebagai estimasi jangka pendek dan jangka panjang.
 Model umum ARDL:

 
e
Syarat-syarat Model ARDL
 Menggunakan model time-series maka perlu pengujian
stasioneritas. Stasioneritas berupa ADF, PP, dan KPSS.
Staisioner tingkat level atau dif (1) tidak disarankan dif (2)
 Data time-series disarankan harus lebih panjang. Akan
tetapi data yang sedikit dapat di estimasi tergantung
jumlah variabel. Mengapa? Semakin banyak variabel
maka lag ikut mempengaruhi jumlah data yang tersedia.
 Contoh: variabel 4. lag 4. obs 50. Maka 4x4=16 sample
yang hilang dan 50-16 = 34 obs yang tersedia.
 Sample dengan ukuran kecil dibawah 20 dapat diestimasi
dengan kurang dari 3 variabel (termasuk dependen) dan
terbatas penggunaan lag.
 Tidak terdapat gejala autokorelasi
Lag optimum dinamis dan Fix
 lag optimum merupakan langkah kedua yang penting.
Semakin banyak lag maka berdampak pemilihan model
dan efisiensi model.
 Pemilihan lagi optimum melalui :
1. AIC (akaike information criteria),
2. SC (Schwartchz Criteria)
3. HQ (Hannan-Quinn)
 Lag dapat fix tergantung kebutuhan estimasi, tetapi
disarankan memakai kriteria.
 Tujuan lag fix sebagai bentuk tes estimasi awal pendugaan
model p,q (1,1).
Keuntungan Model ARDL
 Beberapa keuntungan model ARDL
1. Jika data stasioner at-level, maka estimasi ARDL dapat
digunakan.
2. Jika data stasioner first-diff, estimasi ARDL tetap bisa
dilakukan.
3. Jika data stasioner at-level dan data lain stasioner first diff,
estimasi ARDL bisa digunakan (mixture stasionary).
4. Sample kecil dapat diestimasi tergantung jumlah variabel
dan lag.
5. Estimasi dengan OLS.
Kointegrasi Bound Test
 Mirip dengan kointegrasi model ECM, cointegrasi ARDL
menggunakan teknik Bound Test.
 Tujuan sama yakni mengukur ketidakseimbangan jangka pendek
dan jangka panjang serta melihat hubungan jangka pendek menuju
jangka panjang.
 Kointregrasi bound dilihat F-stat > nilai critical I(0) atau I(1).
Kointegrasi (Eq) harus negatif dan signifikan
 Hipotesis :
Ho = tidak ada hubungan jangka pendek ke jangka panjang.
Ha = terdapat hubungan jangka pendek ke jangka panjang.
Stabilitas model
 Stabilitas model sangat perlu sebelum membaca hasil
estimasi.
 Stabilitas model ARDL menggunakan CUSUM dan
CUSUM Q
 CUSUM dan CUSUM Q hanya berlaku dengan teknik
estimasi OLS
 Apabila garis keluar dari jalur dari tingkat singifikansi 5
persen maka model tida stabil.
 stabilitas ini WAJIB.
 Jika garis keluar dari batas maka perlu di check
correlogram of residual squared. Apabila nilai prob < 0.05
maka data autokorelasi.
 Model ardl akan stabil jika nilai prob > 0.05 atau terbebas
autokorelasi.
ARDL in Eviews
 Quick > estimate Estimation
 Select estimation setting method > ARDL
 Dynamic equation followed dependent then independent
variable.
 Select lag dynamic or fix
 Fixed regressors meaning that selected variable not
included lag (q)
 Choose option >> criteria lag optimum (AIC, SC, or HQ)
 View > Stability > Recursive >> CUSUM da CUSUM Q
 Check Korelasi (correlogram of residual squared)
 Intepretasi hasil estimasi

Note:
1. Equation must be log to all variable not in First-Difference
or stationary
2. Log in eviews is LN.
Contoh estimasi ARDL
 Data ARDL.xls
 Estimasi pendapatan dan suku bunga terhadap konsumsi
dan tabungan
 Tahun 1999Q1 – 2017Q2
 Y = C + S, di mana Y adalah GDP
 Create variabel tabungan genr sav = GDP-Cons, tekan
enter.
 Variabel suku bunga dalam persen sehingga tidak perlu
LN
Model Konsumsi
Model Tabungan