Ekonometrika

Program Studi Statistika, semester Ganjil 2012/2013

Dr. Rahma Fitriani, S.Si., M.Sc
Autocorrelation
Terjadi ketika kovarians dan korelasi antar galat tidak sama
dengan nol.
Salah satu pelanggaran asumsi

( ) s t u u
s t
= = beberapa untuk , 0 , cov
Paling sering terjadi pada data deret waktu
Karena urutan pengamatan mempunyai makna
Galat pada satu periode mempengaruhi galat pada periode
berikutnya
Terutama pada periode dengan jarak pendek (mis: harian)
Pada data cross section jarang terjadi
Karena urutan pengamatan tidak penting
Penyebab Autokorelasi
Ommited important variable
Misspecification of the model
Systematic errors in measurement
Omitted variable
Misalkan Y
t
dipengaruhi oleh X
2t
dan X
3t
Akan tetapi X
3t
tidak disertakan di dalam model.
t t t
u X Y + + =
2 1 1
| |
t t t
v X u + =
3
Sifat data time series:
X
3t
berhubungan dengan X
3,t-1,
X
3,t-2

Sehingga u
t
berhubungan dengan u
t-1,
u
t-2


Misspecification of the model
Misalkan Y
t
dipengaruhi oleh X
2t
secara kuadratik

t t t t
u X X Y + + + =
2
2 3 2 2 1
| | |
Akan tetapi suku kuadratik X
2t
tidak disertakan di dalam
model.

t t t
v X Y + + =
2 2 1
| |
t t t
u X v + =
2
2 3
|
Jika X
2t
naik atau turun seiring waktu maka v
t
juga akan
naik atau turun seiring waktu

Systematic Errors in Measurement
Pengukuran yang dilakukan pada waktu tertentu
Misalkan tingkat sediaan pada waktu t
Terjadi kesalahan dalam pengukuran tersebut
Jika variabel bersifat akumulatif, maka kesalahan
pengukuran juga akan terakumulatif
Error di pengamatan t dipengaruhi oleh error pada
waktu sebelumnya
Jenis autokorelasi
Yang paling sering terjadi adalah first order serial
autocorrelation: AR(1)
t kt k t t t
u X X X Y + + + + + = | | | |
3 3 2 2 1
t t t
u u c + =
1
menyatakan hubungan fungsional antar galat u
t
Koefisien dari first order autocorrelation,
Bernilai di antara -1 s/d 1
Dan
t
adalah galat yang iid
=0, tidak ada autokorelasi
1, positif korelasi serial, galat waktu sebelumnya
sangat mempengaruhi galat saat ini.
Galat waktu t-1 yang (-) diikuti oleh galat waktu t yang
juga (-)
Galat waktu t-1 yang (+) diikuti oleh galat waktu t yang
juga (+)
-1, negatif korelasi serial, galat waktu
sebelumnya sangat mempengaruhi galat saat ini.
Galat waktu t-1 yang (-) diikuti oleh galat waktu t yang (+)
Galat waktu t-1 yang (+) diikuti oleh galat waktu t yang (-)
Positive Autocorrelation










Autokorelasi positif, ditunjukkan oleh pola siklus dari galat seiring waktu.
+
-
-
t
u
+
1

t
u
-3.7
-6
-6.5
-6
-3.1
-5
-3
0.5
-1
1
4
3
5
7
8
7
+
-
Time
t
u
Negative Autocorrelation










Autokorelasi negatif, ditunjukkan dari pola yang alternating dari galat seiring
waktu
+
-
-
t
u
+
1

t
u
+
-
t
u
Time
No pattern in residuals
No autocorrelation









Tidak ada pola dari galat, tidak ada autokorelasi
+
t
u
-
-
+
1

t
u
+
-
t
u
Efek dari Autokorelasi
Penduga OLS untuk koefisien regresi tetap tidak bias akan
tetap tidak lagi efisien (ragam besar)
Tidak lagi BLUE

Penduga ragam bagi koefisien regresi menjadi bias dan tidak
konsisten
Uji hipotesis tidak lagi valid
Tidak mencerminkan hal yang sebenarnya

Overestimated R
2
:
Lebih besar dari yang sebenarnya
Model lebih sering dinyatakan a good fit daripada hubungan yang
sebenarnya
Uji t juga lebih sering dinyatakan nyata

Efek matematis terhadap ragam penduga
koefisien
Ragam peragam penduga koefisien OLS tanpa
autokorelasi:
( ) ( ) ( ) ( )
1 1
'

var

= X X' X uu X' X X' E
( ) ( ) ( )
1
2
1

var

= X X' IX X' X X' o
( ) ( ) ( ) ( )
1
2
1 1
2

var

= = X X' X X' X X' X X' o o
Jika terdapat autokorelasi, maka:
( ) uu =
(
(
(
(
(
(

1
1
1
1
'
3 2 1
3 2
2 2
1 2
2

n n n
n
n
n
E




o
( )
t t
u u E , ( )
1
,
t t
u u E ( )
2
,
t t
u u E
( )
( )
( ) ( ) ( )
1 1
1
'

var

= X X' X uu X' X X' E
AR
Ragam peragam penduga koefisien OLS dengan
autokorelasi:
( ) ( )
1 1
= X X' X X' X X'
Detecting Autocorrelation:The Durbin-
Watson Test
Uji Durbin-Watson (DW):
- Uji untuk first order autocorrelation AR (1)

u
t
= u
t-1
+ v
t

dengan v
t
~ N(0, o
v
2
).

Hipotesis uji:
H
0
: =0 and H
1
: =0

Statistik uji



( )
DW
u u
u
t t
t
T
t
t
T
=


=
=

1
2
2
2
2
The Durbin-Watson Test: Critical Values
Dengan penyederhanaan:
) 1 ( AR pada korelasi koefisien penduga :

1 s s
Sehingga:
( ) 1 2 ~ DW
4 0 s s DW
2 : 0 = = DW
Untuk DW 2, tidak akan ada cukup bukti untuk adanya autokorelasi
Terdapat dua nilai kritis bagi DW,
Upper critical value (d
u
)
Lower critical value (d
L
)
Terdapat pula daerah yang inconclusive
The Durbin-Watson Test: Interpretasi
hasil uji









Syarat agar uji dapat dilakukan secara sah:
1. Ada suku konstan pada model regresi
2. Peubah eksogen non stokastik (fixed)
3. Tidak ada lag pada peubah eksogen

Dapat dilakukan untuk menguji autokorelasi sampai
derajat ke r

Uji Breusch-Godfrey
t r t r t t t t
v u u u u u + + + + + =


3 3 2 2 1 1
( )
2
, 0 ~
v t
N v o
Hipotesis nol dan hipotesis alternatif:
H
0
:
1
= 0 dan
2
= 0 dan ... dan
r
= 0
H
1
:
1
= 0 atau
2
= 0 atau ... atau
r
= 0
Dengan mengkombinasikan sifat galat tsb dan model
regresi:
t r r t t kt k t t
v u u u X X Y + + + + + + + + =
1 2 2 1 1 2 2 1
| | |
Langkah-langkah uji Breusch-Godfrey
Langkah 1: Dapatkan penduga bagi model regresi
Langkah 2: Dapatkan penduga galat
t t t
Y Y u

=
Langkah 3: Dapatkan penduga auxiliary regression bagi
penduga galat sebagai fungsi dari seluruh peubah eksogen
dan galat sejumlah lag yang ingin diuji
p t p k t k kt k t t
u u X X u
+ +
+ + + + + + =
1 1 2 1 0
o o o o o
t kt k t t t
u X X X Y + + + + + = | | | |
3 3 2 2 1
Langkah 4: Dapatkan statistik uji berdasarkan koefisien
determinasi dari auxiliary regression R
2


( )
2 2
~
r
R r n LM _ =
Langkah 5: Tolak H
0
jika ada bukti yang nyata dari
statistik uji

Penentuan r tergantung dari periode data (bulanan,
mingguan dsb) dan sifat siklusnya.

Cara Mengatasi Autokorelasi
Berdasarkan pengetahuan tentang diketahui
diketahui atau
tidak diketahui

Mengatasi autokorelasi ketika diketahui
diketahui dan diasumsikan autokorelasi terjadi seusai AR(1)
model.

t kt k t t t
u X X X Y + + + + + = | | | |
3 3 2 2 1
t t t
u u c + =
1
Model yang sama berlaku pada waktu ke t-1

1 1 1 3 3 1 2 2 1 1
+ + + + + =
t kt k t t t
u X X X Y | | | |
Model pada t-1 dikalikan dengan

1 1 1 3 3 1 2 2 1 1
+ + + + + =
t kt k t t t
u X X X Y | | | |
(1)
(2)
Persamaan (1) dikurangi dengan persamaan (2)
t kt k t t t
u X X X Y + + + + + = | | | |
3 3 2 2 1
1 1 1 3 3 1 2 2 1 1
+ + + + + =
t kt k t t t
u X X X Y | | | |
( ) ( ) ( ) ( )
1 1 1 1 2 2 2 1 1
1

+ + + + =
t t kt kt k t t t t
u u X X X X Y Y | | |
t t k t t
X X Y c | | | + + + + =
*
3
*
2 2
*
1
*

Akibat pembedaan, pengamatan berkurang 1

Pengamatan pertama digantikan dengan:
2
1
*
1
2
1
*
1
1 , 1 = =
i i
X X Y Y
Mengatasi autokorelasi ketika tidak diketahui:
Cochrane-Orcutt Iterative Procedure
Langkah 1: duga model regresi dan dapatkan penduga galat
Langkah 2: duga koefisien korelasi serial orde 1 dengan
metode OLS dari:
t t t
u u c + =
1

( )
2
1
*
1
2
1
*
1
1
*
1
*
1 1
*

1 ,

1 ,

| |
= =
= = =

i i
it it it t t t
X X Y Y
X X X Y Y Y
t t k t t t
X X Y c | | | + + + + =
*
3
*
2 2
* *

Langkah 3: Lakukan transformasi untuk peubah peubah yang

dipakai dengan hubungan berikut:
Langkah 4: Dapatkan penduga regresi dan penduga galat
untuk persamaan berikut:
Ulangi lagi langkah 2 sampai dengan 4 sampai dipenuhi
kriteria berikut:
( ) ( ) ( ) 0 1 ke iterasi

ke iterasi

j j