Cocok utk deret residu yg tidak ada trend atau musiman. Taksiran
model stasioner dapat digabungkan dengan taksiran model regresi utk
meningkatkan kemampuan ramalan.
Deret Stasioner yang Ketat (Strictly Stationary Series)
Model deret waktu {xt} dikatakan strictly stationary, jika
distribusi bersama dari xt1 , , xtn= distribusi bersama dari xt1 m , , xtn m
untuk semua t1,..., tn dan m. Sehingga distribusi tidak berubah
setelah terjadi perubahan waktu sebesar m.
Implikasinya: - rata-rata dan varians konstan seiring waktu
- Cov(xt,xs) hanya tergantung dari besarnya lag k = |t – s|
yang sering ditulis (k).
Jika suatu deret waktu tidak strictly stationary, tetapi rata-rata dan
varians-nya konstan dan otokovarians-nya hanya tgt dari lag, maka
disebut second-order stationary.
Model Rata-rata Bergerak (Moving Average, MA)
Proses MA(q): Definisi dan Sifat
Proses MA berorde q mrp kombinasi linier dari white noise saat ini
(waktu t) dan q buah white noise terakhir.
xt wt 1wt 1 q wt q .....(1)
2
dimana {wt} adalah white noise dgn rata-rata nol dan varians w
Model (1) dpt ditulis menggunakan backward shift operator B
xt 1 1B 2 B2 q Bq wt q B wt
dimana q mrp polinom berorde q.
Oleh karena proses MA terdiri atas jumlah terhingga dr white noise yg
stasioner, maka ia bersifat stasioner sehingga mempunyai rata-rata
dan autokovarians yg tidak tgt pada waktu.
Sifat-sifat dari MA(q):
-Rata-ratanya nol
-Varians-nya 1 12 q2 w2
-Fungsi autokorelasinya (ACF)
dengan 0 = 1
Proses MA bersifat invertible (dpt dibalik) jika dpt dinyatakan sbg
proses autoregresif stasioner berorde berhingga tanpa suku error.
Contoh: proses MA xt 1 B wt dapat ditulis
wt 1 B xt xt xt 1 2 xt 2
1
(a) ACF MA(3) dgn 1 = 0.7, 2 = 0.5 (b) ACF MA(3) dgn 1 = 0.7, 2 = 0.5
dan 3 = 0.2 dan 3 = 0.2
Simulasi MA(3)
> set.seed(1)
> b <- c(0.8, 0.6, 0.4)
> x <- w <- rnorm(1000)
> for (t in 4:1000)
+ {
+ for (j in 1:3) x[t] <- x[t] + b[j] * w[t-j]
+ }
> plot(x, type = "l")
> acf(x)
4
2
Residu pada t
0
-2
-4
Waktu t
Series x
1.0
0.8
0.6
ACF
0.4
0.2
0.0
0 5 10 15 20 25 30
Lag
Menaksir Model
Data Hasil Simulasi
Model MA(q) dapat ditaksir dengan perintah arima dimana
parameter order-nya diset c(0,0,q).
> x.ma <- arima(x, order = c(0, 0, 3))
> x.ma
Call:
arima(x = x, order = c(0, 0, 3))
Coefficients:
ma1 ma2 ma3 intercept
0.7898 0.5665 0.3959 -0.0322
s.e. 0.0307 0.0351 0.0320 0.0898
Model Campuran: Proses ARMA
Definisi
Ingat kembali bhw deret waktu {xt} mrp proses autoregresif berorde p,
AR(p), jika xt 1 xt 1 2 xt 2 p xt p wt
dimana {wt} adalah white noise dan i mrp parameter dgn p0.
Model ARMA dibentuk dengan menggabungkan AR dan MA ke dalam
satu model. Deret waktu {xt} mrp proses autoregresif moving average
(ARMA) berorde (p,q), dinotasikan dgn ARMA(p,q)
Deret waktu {xt} mrp proses autoregresif moving average (ARMA)
berorde (p,q), dinotasikan dgn ARMA(p,q)
xt 1 xt 1 2 xt 2 p xt p wt 1wt 1 q wt q
yg bisa ditulis dgn operator backward shift
p B xt q B wt
Beberapa catatan ttg proses ARMA(p,q)
-2
Time
Penaksiran
Model ARMA (p,q) dapat ditaksir dengan perintah arima dengan
parameter order diset c(p,0,q). Data yg dibangkitkan
mengikuti proses ARMA(1,1) xt 0.6 xt 1 wt 0.5wt 1 ditaksir sbb:
> taksir.arma11 <- arima(x, order = c(1, 0, 1))
> print(taksir.arma11)
Call:
arima(x = x, order = c(1, 0, 1))
Coefficients:
ar1 ma1 intercept
-0.5970 0.5027 -0.0066
s.e. 0.0494 0.0530 0.0095
0.2
0.0
-0.2
0 1 2 3
Lag