PEMODELAN UNTUK

DATA TIME SERIES

Jenis Data dalam Riset Keuangan
 Time Series
Merupakan data dari satu atau beberapa variabel yang
dikumpulkan secara runtut waktu. Frekuensi data dapat
berupa harian, mingguan, bulanan, dsb. Misalnya adalah
data harga saham TLKM, ISAT, dsb.
 Cross Section
Data dari satu atau beberapa variabel pada satu titik waktu.
 Data Panel
Gabungan antara data Time Series dan Cross Section.
Misalnya : data rasio keuangan perusahaan sektor
manufaktur pada tahun 2000 s. d 2004
Karakteristik Data Time Series
Tidak Stationary
Data biasanya tidak memiliki rata-rata dan variansi
yang konstan
Tidak Independent
Nilai pada sebuah titik waktu dipengaruhi oleh nilai
pada waktu sebelumnya
Tidak Normal
Data tersebut tidak mengikuti pola distribusi normal.
Dapat dilihat dari skewness dan kurtosis-nya berbeda
dengan karakteristik distribusi normal
Asset Return pada data keuangan
Hampir semua riset dalam keuangan menggunakan
return sebagai data level. Contoh : CAPM, APT, dsb……
Ada beberapa cara dalam menghitung return :
Pt Pt  Pt  1
Rt  1 
Pt  1 Pt  1

Pt Zt  Rt  R0t
rt  ln(1  Rt )  ln  pt  pt  1
Pt  1
Rp, t   i 1 wiRi , t
N

Pt  Dt
Rt  1
Pt  1
Beberapa Perlakuan pada Data Time Series
Dalam melakukan riset dengan menggunakan data
time series, biasanya ada satu titik waktu yang data
missing (bukan 0) atau ada satu titik waktu yang nilai
datanya ekstrem (terlalu tinggi atau rendah)
Peneliti perlu melakukan beberapa perlakuan untuk
mengatasi masalah seperti di atas. Caranya adalah :
Mengisi data kosong dengan nilai data sebelumnya
Mengisi data kosong dengan nilai rata-rata
Melakukan treatment terhadap data ekstrem dengan
cara memotong nilainya atau membiarkannya
Asumsi Kenormalan
Seperti telah dijelaskan sebelumnya, data keuangan
biasanya tidak mengikuti pola distribusi normal,
caranya adalah :
Melihat statistik deskriptif dari data :
T T
1 T
1 
( Xt  X )
   ( X t  X )2
T 3
1 ( X t  X )4

2
X  Xt 1 t 1
T T t 1 S t 1
S
t 1 T 3 T 4

Mean Variance Skewness Kurtosis

T 2 1 2
JB   S  ( K  3)  Normality Test dengan
6 4  menggunakan uji
Jarque Berra
Asumsi Stationarity
 Suatu data series dapat dikatakan stasioner pada tingkat mean apabila
tidak ada kecenderungan mean dari series tersebut untuk naik/turun
secara terus menerus. Sedangkan suatu series dapat dikatakan
stasioner pada tingkat variance apabila fluktuasi series tersebut stabil,
tidak ada perbedaan range fluktuasi data.

280 5.6
30

240 20
5.2

200
4.8 10
160
4.4 0
120

4.0
80 -10

40 3.6
1999 2000 2001 2002 2003 2004 1999 2000 2001 2002 2003 2004 -20
1999 2000 2001 2002 2003 2004
IND L_IND
D_IND
Asumsi Stationarity
Lebih lanjut lagi, suatu series dapat dikatakan
stationary secara lemah (weakly stationary) apabila 2
momen pertama (mean dan variance) konstan seiring
dengan berjalannya observasi.

E[ t ]  0
Var[ t ]   2

Cov[ t ,  t k ]  0, for any k

Menguji asumsi stationarity
Dengan menggunakan grafik. Hal ini sering disebut
sebagai uji informal. Ini berguna untuk melihat
pergerakan data series sepanjang periode observasi
280 30

240
20

200
10
160
0
120

-10
80

40 -20
1999 2000 2001 2002 2003 2004 1999 2000 2001 2002 2003 2004

IND D_IND

Tidak Stationary Stationary

Menguji Asumsi Stationarity
Melakukan Uji Formal. Salah satu cara yang sering
digunakan adalah dengan menggunakan uji unit root
test. Beberapa jenis unit root test yang dapat digunakan
adalah:
Uji Dickey Fuller (DF)
 X t     X t 1   t  u t X t  X t  X t 1

Rumusan hipotesis dari test di atas adalah :

H0 :  = 0, jadi Xt non stationary
H1 :  < 0, jadi Xt stationary
Uji Augmented Dickey Fuller (ADF)
Uji Phillip Perron
Menguji Asumsi Not Independent
Pada data keuangan (terutama saham), seringkali nilai
dari sebuah titik waktu tidak bersifat independet. Jadi,
bisa jadi harga saham hari ini dipengaruhi oleh harga
saham di hari sebelumnya. Hal ini biasanya seringkali
dibahas ketika membahas topik atau riset yang
berkaitan dengan topik Efficient Market Hyphotesis
(EMH).
Lebih lanjut lagi, topik ini akan banyak diulas ketika
membahas Model Univariate Time Series.
Latihan
Kita mencoba untuk membuat model CAPM dengan
menggunakan single index model yang dibuat oleh Fama
Y t     X t  u t
Dimana :

Yt  Ri  R f X t  Rm  R f

Variabel Yt merupakan excess return dari Return Saham

terhadap Return Bebas Risiko. Sementara variabel Xt
merupakan excess return market terhadap return bebas
risiko.
Yang perlu diperhatikan
Lihat signifikansi dari  dan . Uji Hipotesis yang
dapat digunakan adalah :
H0 :  = 0
H1 :  ≠ 0
Lihat besaran nilai dari R2 dan Adjusted R2

ExplainedSumOfSquares
R2  T 1
TotalSumOfSquares R  1  (1  R )
2 2

e 2 T  k 1
 1 t

 Y  Y 
2
t
Cek Asumsi OLS
Ada beberapa asumsi yang harus dipenuhi pada
model OLS, yaitu :
Nilai rata-rata dari error adalah nol : E(ut) = 0
Var(ut) = σ2 < ∞ : variance dari error bersifat konstan
Cov(ui,uj) = 0 : Error bersifat independen secara
statistik
Cov(ui,xt) = 0 : Tidak ada hubungan antara error
dengan variabel xt
Ut memiliki distribusi normal
Pelanggaran Asumsi OLS
Heteroskedasticity : Pelanggaran asumsi no.2. Nilai
variance dari error tidak bersifat konstan dan dalam
beberapa kasus memiliki pola tertentu selama periode
tertentu
Autocorrelation : Pelanggaran asumsi no. 3. Nilai error
antar periode memiliki korelasi. Hal ini berarti nilai dari
error tidak independen secara statistik
Multicolinearity : Pelanggaran asumsi no. 4. Terjadi
korelasi antar variabel independen. Dalam single index
model, hal ini terjadi jika variabel Xt memiliki hubungan
dengan nilai Ut
Homocesdaticity
f(yt)

.
.
.
.
x1 x2 x3 x4 xt
Heteroscedasticity
f(y )
t

.
.
.
x1 x2 x3 x t
Cara Mendeteksi Heteroscedasticity
Secara intuitif, dapat menggunakan grafik plot dari error
terhadap waktu
Secara formal, dapat menggunakan uji White
Jika kita melakukan pemodelan seperti ini :
yt  1   2 x2 t   3 x3t  ut

Dan kita dapat membuat auxiliary regression :

uˆt2  1   2 x2 t   3 x3t   4 x22t   5 x32t   6 x2 t x3t  ut

Uji Hipotesis dari nilai  signifikan atau tidak. Jika signifikan,

maka dapat disimpulkan terjadi Heteroscedasticity. Jika tidak
signifikan maka tidak terjadi Heteroscedasticity.
Cara Mendeteksi Autocorrelation
Dengan cara menggunakan uji Durbin Watson (DW).
Biasanya sudah ada dalam paket output regresi yang
dikeluarkan oleh E-Views.

Biasanya jika nilai DW test adalah 2, itu berarti tidak

terindikasi adanya autokorelasi antar error. Jika lebih
besar atau lebih kecil biasanya terjadi autokorelasi
Cara mendeteksi Multicolinearity
Cara paling mudahnya adalah dengan cara melihat
koefisien korelasi antar variabel independen. Jika
angka koefisien korelasi cukup tinggi, maka bisa
disimpulkan terjadi multicolinearity antar variabel
independen
Pertemuan Berikutnya
Model Univariate Time Series
Model AR
Model MA
Model ARMA dengan pendekatan Box Jenkins
Variance Modelling
Model ARCH
Model GARCH
Model-model dalam kelompok GARCH