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
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
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
Yt Ri R f X t Rm R f
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