P
Bahan Kuliah Ekonometrika
10-11
MODEL ARIMA
Dr. Jolianis, S.Pd., M.E
Fakultas Ekonomi dan Bisnis
Universitas PGRI Sumatera Barat
Ekonometrika Time Series
Metode George EP Box- Gwilym M. Jenkin (1976)
1. Autoregresive (AR)
2. Moving Average (MA)
3. Autoregressive Moving Average (ARMA)
4. Autoregressive Integrated moving Average
(ARIMA)
Model autoregresif
• Model autoregresif/distribute lag model) adalah: model yang memasukan unsur kelambanan
(lag) di dalam variabel independen
• Model autoregresif dapat dibedakan atas dua:
• Model kelambanan yang tidak terbatas (infinite distribute lag):
• Model kelambanan geometrik: Penurunan secara geometris kelambanan: utk
mengestimasinya digunakan transformasi Koyck.
• Model penyesuaian adaptif (adaptaive expectation model): model yang bergantung
pada ekspektasi di masa lalu, yg tergantung pada nilai masa lalu.
• Partial adjusment Model (PAM)
• Model kembanan yang terbatas (finite distribute lag)
• Estimasi model Autoregresif:
• Estimasi model melalui variabel instrumen
• Maximum likelihood
Beberapa model autoregresif
infinite
• Persamaan model kelambanan geometris:
Yt (1 ) 0 X t Yt 1 vt
dimana : Vt et et 1
• Persamaan Model Penyesuaian adaptif
Yt 0 1X t (1 )Yt 1 vt
dimana : vt et (1 )et 1
• Persamaan Model Penyesuaian adaptif (PAM)
Yt 1 X t (1 )Yt 1 vt
dimana vt et
jadi model umum autoregresif itu adalah :
Yt 0 1X t 2 Yt -1 v t
MODEL BOX-JENKIN
(AR, MA, ARMA, ARIMA)
• Model George EP Box dan Gwilym M Jenkin (Box-
Jenkin)merupakan salah satu teknik peramalan model
time series yg hanya berdasarkan perilaku data variabel
yg diamati (let the data speak for themselve)
• Model Box-Jenkin dikenal dengan model
autoregressive integrated moving average (ARIMA).
Model ini terdiri dari beberapa model yakni: AR, MA,
ARMA, dan ARIMA
• Model autoregressive (AR); menunjuk kepada nilai
prediksi variabel dependen Yt, hanya fungsi linear dari
sejumlah Yt aktual sebelumnya.
• Yt = β0 + β1Yt-1 +εt
• Model moving average (MA) menunjuk kpd nilai
prediksi variabel dependen Yt hanya dipengaruhi oleh
nilai residual periode sebelumnya.
• Yt = α0 + α1εt + α2εt-1
• Model Autoregressive moving average (ARMA);
merupakan pengabungan antara model AR dan MA.
Nilai variabel Yt dipengaruhi oleh kelambanan Yt dan
kelambanan pertama residual, maka modelnya ditulis
ARMA (1,1) yakni:
• Yt = β0 + β1Yt-1 + α0εt + α1εt-1
• Yt = β0 + β1Yt-1 + β1Yt-2 +….+ βYt- + α0εt + α1εt-1 +
α1εt-2 + ….+ αqεt-q
• Model autoregressive integrated moving average (ARIMA): adalah
model dengan data yang stationer melalui proses diffrencing yang
sama.
• Jika data stationer pada proses diffrencing, d, kali dan
mengaplikasikan ARMA (p,q), maka model ARIMA (p,d,q), dimana p,
adalah tingkat AR, d tingkat proses membuat data stationer dan q,
merupakan tingkat MA. ARIMA (2,1,2) berarti menunjukkan AR(2),
proses diffencing 1 utk membuat data stationer dan MA pada level 2.
• Bagaimana menentukan panjangnya lag:
• Melihat nilai R2 adjustednya: apabila nilai R2 adjustednya tidak lagi meningkat,
maka panjagnya lag sudah optimal.
• Menggunakan kriteria AIC dan SIC: panjangnya lag ditentukan adalah nilai AIC
dan BIC yang paling minimum.
• Langkah-langkah teknik Box-Jenkin:
1. Identifikasi Model: mencari nilai p, d, dan q, dengan menggunakan
correlogram
2. Estimasi parameter
3. Uji diagnosis
4. Prediksi
• Identifikasi model ARIMA dapat dilakukan dg:
• Uji Stationer melalui correlogram
• Contoh model ARIMA dalam Eviews, data IHSG stationer ?
FORECASTING
Forecasting atau peramalan adalah suatu cara untuk mendapatkan
informasi hari esok atau masa depan berdasarkan pada data historis atau
suatu spekulasi tentang masa depan ketika tidak terdapat data historis.
Peramalan merupakan suatu metode yang berguna sebagai alat bantu
dalam melakukan suatu perencanaan yang efisien dan efektif.
Misalkan seorang peneliti ingin meramalkan IHSG bulan dengan
menggunakan data historis 11 tahun terakhir
Tahapan Model ARIMA
1. Uji Stasioner
2. Identifikasi Model. Memilih ordo maksimal ARIMA dengan cara mencari nilai p, d, dan q,
melalui correlogram
3. Identifikasi ACF dan PACF
3. Pemilihan Model ARIMA yang terbaik diantara AR dengan MA
4. Diagnosis Cheking
5. Peramalan
Pemilihan Model ARIMA Terbaik
Model Parameter Coefficient Prob. Prob. Q-stat SE
ARIMA 5 10 20
Kriteria pemilihan model :
1. Semua koefisien signifikan
2. Error random, nilai probability Q-stat > 0,05
3. SE paling kecil
Hasil Uji Stationer – Grafik
Terlihat Nilai Probability lebih kecil dari
alpha (0,00 < 0,05) hal ini menunjukkan
bahwa data IHSG tidak stationer pada
tingkat level
Hasil Uji Stationer – Level
Nilai Probability 0,95 > 0,05 hal ini
menunjukkan bahwa data IHSG tidak
stationer pada tingkat level
Hasil Uji Stationer – 1st Difference
Nilai Probability 0,00 < 0,05 hal ini
menunjukkan bahwa data IHSG stationer
pada tingkat 1st difference
Penentuan Ordo Maksimal
Pada output Correlogram dilihat nilai koefisien AC dan
PAC. Perhatian nilai AC dan PAC yang lompatannya
jauh menuju 0.
AC = MA
PAC = AR
Ordo Maksimal : AR(1) MA(1)
Model ARIMA : (1,1,0) (0,1,1) (1,1,1)
Model ARIMA : (1,1,0)
Model ARIMA : (0,1,1)
Model ARIMA : (1,1,1)
Ringkasan Hasil Estimasi ARIMA
Model Parameter Coefficient Prob. Prob. Q-stat SE
ARIMA 5 10 20
(1.1.0) Constan 3719,38 0,00 0,003 0,002 0,00 1142,14
AR(1) 0,53 0,00
(0.1.1) Constan 0,01 0,11 0,70 0,32 0,74 1209,08
MA(1) 0,45 0,00
(1.1.1) Constan 0,01 0,09 0,62 0,29 0,71 0,063150
AR(1) 0,10 0,61
MA(1) 0,35 0,06
Berdasarkan hasil estimasi ARIMA diketahui bahwa model terbaik adalah
ARIMA (0.1.1).
Model ARIMA (0,1,1) adalah model terbaik untuk
melakukan peramalan, maka terlebih dahulu
dipersiapkan wadah sebagai tempat meletakan data
hasil estimasi
Berikut ini adalah data Pertumbuhan Ekonomi Periode
1980-2002.
1. Tentukan model terbaik dalam melakukan
peramalan
2. Tentukan nilai Pertumbuhan Ekonomi periode
2023-2025
Hasil Uji Stationer – Level
Nilai Probability 0,00 < 0,05 hal ini
menunjukkan bahwa data PE stationer
pada tingkat level
Penentuan Ordo Maksimal
Pada output Correlogram dilihat nilai koefisien AC dan
PAC. Perhatian nilai AC dan PAC yang lompatannya
jauh menuju 0.
AC = MA
PAC = AR
Ordo Maksimal : AR(1) MA(1)
Model ARIMA : (1,0,0) (0,0,1) (1,0,1)
Model ARIMA : (1,0,0)
Model ARIMA : (0,0,1)
Model ARIMA : (1,0,1)
Ringkasan Hasil Estimasi ARIMA
Model Parameter Coefficient Prob. Prob. Q-stat SE
ARIMA 5 10 20
(1.0.0) Constan 5,37 0,00 0,57 0,84 0,89 2,47
AR(1) 0,48 0,00
(0.0.1) Constan 5,70 0,00 0,55 0,92 0,93 2,67
MA(1) 0,42 0,01
(1.0.1) Constan 5,28 0,00 0,35 0,66 0,89 2,49
AR(1) 0,55 0,01
MA(1) -0,14 0,60
Berdasarkan hasil estimasi ARIMA diketahui bahwa model terbaik adalah
ARIMA (1.0.0).
Model ARIMA (1,0,0) adalah model terbaik untuk
melakukan peramalan, maka terlebih dahulu
dipersiapkan wadah sebagai tempat meletakan data
hasil estimasi
Model ARIMA (0,1,1) adalah model terbaik untuk
melakukan peramalan, maka terlebih dahulu
dipersiapkan wadah sebagai tempat meletakan data
hasil estimasi
