Model Autoregressive (AR)

Data time series merupakan jenis data yang dikumpulkan menurut urutan waktu dalam suatu rentang waktu tertentu. Pada suatu pengamatan berhingga, dapat dibangun model dengan parameter berhingga untuk menggambarkan proses time series. Proses AR menggambarkan kondisi dimana nilai Z saat t bergantung pada nilai terdahulu (Zt1 ) dan variabel noise. Selain itu, model autoregrresive, dengan bobot () berhingga dan tidak sama dengan 0, didenisikan sebagai berikut: Zt = 1 Zt1 + 2 Zt2 + . . . + p Ztp + t Berdasarkan denisi di atas, nilai Yt merupakan kombinasi linier dari Yt1 , Yt2 , . . . , Ytp dan t . Untuk setiap t, t saling bebas dengan Yt1 , Yt2 , . . . , Ytp .

Model AR(1)
Model AR(1) merupakan model Autoregressive orde-1, didenisikan sebagai: Zt = Zt1 + t dengan asumsi t berdistribusi normal, mean 0 dan variansi 2 . E (Yt ) = 0 V ar(Yt ) = 0 = 2 1 2

diperoleh bahwa 2 < 1 atau || < 1. Untuk menghitung kovariansi, perhatikan bahwa: E (Ytk Yt ) = E (Ytk Yt ) + E (t Ytk ) k = k1 + E (t Ytk ) karena t saling bebas dengan Ytk , maka k = k1 , k = 1, 2, 3, . . .
2 . (12 ) 2 2 . (12 )

Misalkan k = 1, diperoleh 1 = 0 = Secara umum dapat ditulis: k = k

Untuk k = 2, 2 =

2 (1 2 ) diperoleh autokorelasi sebagai berikut: k k = = k , k = 1, 2, 3, . . . 0 1

Berikut adalah plot Autocorrelation Function (ACF) AR(1) pada berbagai nilai :

Gambar 1: Grak ACF saat = 0.98

Gambar 2: Grak ACF saat = 0.35

Gambar 3: Grak ACF saat = 0.78

Gambar 4: Grak ACF saat = 0.78

Berdasarkan grak di atas, nilai yang dekat dengan 1 (Gambar 1 dan Gambar 3), plot ACF turun secara eksponensial (exponential decay ) dengan semakin besarnya lag. Semakin kecil nilai (Gambar 2 dan Gambar 4), plot ACF cut o setelah lag 1. Nilai yang dekat dengan 1, menunjukkan korelasi kuat pada hampir semua lag, dengan grak yang cenderung smooth untuk positif dan bergantian naik-turun untuk yang negatif. Secara umum, AR(1) mempunyai plot ACF dengan trend exponential decay dimulai pada lag 0. Untuk > 0, maka trend ACF bernilai positif. Sedagkan untuk < 0, maka trend ACF benilai positif dan negatif secara bergatntian. Selain itu, grak PACF (Partial Autocorrelation ) memperlihatkan plot yang cut o setelah lag ke 1. Hal ini menunjukkan bahwa model AR pada grak berorde-1.

Gambar 5: Grak PACF saat = 0.98

Gambar 6: Grak PACF saat = 0.35

Gambar 7: Grak PACF saat = 0.78

Gambar 8: Grak PACF saat = 0.78

Model AR(2)
Model AR(2) merupakan model Autoregressive orde-2, didenisikan sebagai: Yt = 1 Yt1 + 2 Yt2 + t dengan t berdistribusi normal, mean 0 dan variansi 2 . E (Yt ) = 0 V ar(Yt ) = Cov (Yt , Yt ) 21 2 1 + 2 = 2 1 2 1 2 Persamaan Yule-Walker untuk kovarian dan korelasi AR(2) adalah k = 1 k1 + 2 k2 , k k = 0 = 1 k1 + 2 k2 , Persamaan karakteristik AR(2) adalah (x) = 1 1 x 2 x2 yang berkorespondensi dengan persamaan karakteristik AR(2) 1 1 x 2 x2 = 0 1 + 2 1 + 42 x(1) = 22 1 2 1 + 42 x(2) = 22 dimana |x(1) | > 1 dan |x(2) | > 1. Misalkan g(1) = g(1) = 1
1 x(1)

k = 1, 2, 3, . . .

k = 1, 2, 3, . . .

dan g(2) = 2 1 + 42 2

1 , x(2)

maka

2 1 + 1 + 42 dan g(2) = 2

dengan |g(1) | < 1, |g(2) | < 1 dan 2 1 + 42 > 0, sehingga diperoleh syarat kestasioneran AR(2) sebagai berikut: 1 + 2 < 1, 2 1 < 1 dan |2 | < 1

Berikut adalah plot Autocorrelation Function (ACF) AR(2) pada berbagai nilai 1 dan 2 :

Gambar 9: Grak ACF saat 1 > 0 dan 2 < 0

Gambar 10: Grak ACF saat 1 < 0 dan 2 > 0

Gambar 11: Grak ACF saat 1 < 0 dan 2 < 0

Gambar 12: Grak ACF saat 1 > 0 dan 2 > 0 Berdasarkan grak di atas, jika nilai salah satu negatif, grak menunjukkan kecenderungan nilai positif dan negatif bergantian. Sedangkan untuk kedua nilai positif, grak menunjukkan nilai positif pada semua lag dan exponential decay. Secara umum AR(2) memiliki beberapa trend ACF. Namun, jika akar persamaan karakteristik bernilai kompleks maka memiliki plot ACF cosine decay. Grak ACF AR(2) belum dapat menunjukkan orde dari model AR. Namun, dari grak PACF AR(2), kita dapat melihat bahwa plot PACF (Partial Autocorrelation ) cut o setelah lag ke 2. Hal ini menunjukkan bahwa model AR pada grak berorde-2.

Gambar 13: Grak PACF saat 1 > 0 dan 2 < 0

Gambar 14: Grak PACF saat 1 < 0 dan 2 > 0

Gambar 15: Grak PACF saat 1 < 0 dan 2 < 0

Gambar 16: Grak PACF saat 1 > 0 dan 2 > 0

Simulasi Data dengan Software R

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

clear; clc; format long phi1 = input('phi1 = '); variansi = input('variansi e(t) = '); n = input('banyaknya data yang diinginkan = '); Y(1) = randn(1); sigmae = sqrt(variansi); e = normrnd(0,sigmae2,n); for t = 2:n Y(t) = (phi1 * Y(t1)) + e(t); end figure(1) plot(Y); title('Model AR(1)') xlabel('t') ylabel('y') figure(2) autocorr(Y); figure(3) parcorr(Y);

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

clear; clc; format long phi1 = input('phi1 = '); phi2 = input('phi2 = '); variansi = input('variansi e(t) = '); n = input('banyaknya data yang diinginkan = '); sigmae = sqrt(variansi); e = normrnd(0,sigmae2,n); Y(1) = randn(1); Y(2) = randn(1); for t = 3:n Y(t) = (phi1 * Y(t1)) + (phi2 * Y(t2)) + e(t);

17 18 19 20 21 22 23 24 25 26 27 28 29

end figure(1) plot(Y); title('Model AR(2)') xlabel('t') ylabel('y') figure(2) autocorr(Y); figure(3) parcorr(Y);

10