ARCH-

GARCH
Time Series Econometrics Lab 5
Masalah Memiliki trend
Memiliki arah gerak baik positif maupun
Data Time Series seringkali
negatif
mempunyai kondisi yang tidak
stationer
Varians tidak konstan
Data yang tidak stationer akan membuat varians
tidak konstan karena data yang nilainya sangat
bervariasi

Memiliki rata-rata dan kovarians

yang tidak konstan

Data yang tidak stationer akan memiliki

rata-rata dan kovarians yang tidak konstan
Contoh Data Tidak
Stationer
Data memiliki trend

Rata-rata tidak konstan

Varians tidak konstan

Volatility Clustering
01 Residual dari persamaan tidak konstan
Adanya varians yang tidak konstan menyebabkan residual pun
menjadi bervariasi

02 Terjadinya volatility clustering

Keadaan dimana sebagian waktu mempunyai tingkat residu yang
berbeda dengan waktu lainnya

03 Data tidak stationer dan juga heterokedastisitas

Adanya volatility clustering merupakan ciri dan bukti bahwa

terdapat masalah heterokedastisitas dalam data
ARCH-GARCH
Model univariat yang merupakan kelanjutan dari ARIMA untuk data
yang mempunyai masalah heterokedastisitas

Untuk menyelesaikan Kelanjutan dari

masalah ARIMA dan OLS
Model ini diperlukan jika kalian ingin
membuat persamaan univariat dengan data
Model ARCH digunakan untuk menyelesaikan yang mempunyai masalah heterokedastisitas
masalah heteroskedastisitas pada model
ataukondisi dimana varians data tidak konstan
Pengembangan ARCH-GARCH

ARCH Model

GARCH Model

ARCH in Mean
GARCH with ARMA Process

EGARCH
 Uji Stationeritas

Tahapan Melakukan regresi

Mean Equation
ARCH- ARCH Effect Test/

GARCH Melihat
Heterokedastisitas
Melakukan
permodelan
Tahapan untuk melakukan ARCH/GARCH
permodelan ARCH-GARCH Melihat stationeritas
pada varians
 ARCH Effect Test
01 Melakukan regresi dari residu ARIMA
Command :
- Model ARIMA terbaik
- Predict uhat, resid
- Reg uhat

02 Mengecek Heterokedastisitas
Command : estatarchlm, lags(1/n)
Hipotesis:
• H0 : tidak memiliki ARCH Effect
• Ha : memiliki ARCH Effect
Kriteria :
• p.value < α H0 ditolak
• p.value > α H0 tidakdapatditolak
Kesimpulan :
• Dengan tingkat signifikansi 1% / 5% / 10% dapat
disimpulkan bahwa model (memiliki/tidak memiliki) ARCH
effect pada periode ...
ARCH
Model
 ARCH
Model
Dasar Persamaan ARCH

Setelah kita kuadratkan error dari persamaan, lalu kita lakukan

kembali persamaan AR terhadap error kuadrat
GARCH
Model
 GARCH with
ARMA Process

Conditional variance sama seperti GARCH Model,

Conditional Mean diregresi dengan proses ARMA dan
memiliki efek seasonal.
Model with Command untuk masing-masing model

ARCH:

ARCH- arch varnamel l.varname, arch (p)

GARCH
GARCH:
arch varnamel l.varname, arch (p) garch (q)

ARCH-M:
arch varnamel l.varname, archm arch (p)

GARCH with ARMA Process:

arch varname, ar (p) ma (q) arch (p) garch (q)

EGARCH:
arch varname, ar (p) ma (q) earch (p) egarch (q)
 Contoh
GARCH
GARCH:
arch d.consump ld.consump, arch (1) garch (1)

Persamaan
Conditional Mean

Persamaan
Conditional
Variance
 Stationarity test
on variance
Hipotesis:
H0 : non-stasioner
Ha : stasioner

Kriteria:
p.value < α H0 ditolak
p.value > α H0 tidak dapat ditolak

Kesimpulan:
Jadi, dengan tingkat signifikansi 1%/5%/10% dapat
disimpulkan bahwa variansnya stasioner di tingkat level