POLITEKNIK STATISTIKA STIS

For Better Official Statistics

Stationeritas Data Deret Waktu

 Kestationeran Data deret Waktu For Better Official Statistics

Setelah mengikuti pembahasan diharapkan dapat :

• Memahami makna kestasioneran data deret waktu dan
cara pemeriksaannya.
• Memahami implikasi kestasioneran (stasioner dan tidak
stasioner) data deret waktu dalam pemodelan.
• Memahami prosedur Eviews untuk pemeriksaan
kestasioneran data deret waktu
• Menginterprestasikan output program Eviews pada
kestasioneran data deret waktu.

2
Time Series For Better Official Statistics

• Suatu time series atau runtun waktu adalah himpunan

pengamatan yang berurut dalam waktu.
• If the set is continuous,the time series is said to be
continuous.
• If the set is discrete, the time series is said to be discrete.
• Pembahasan hanya dibatasi untuk time series yang diskrit
dengan pengamatan pada waktu t = 1, 2, …, N.

3
 Discrete time series may arise in two ways: For Better Official Statistics

1. By sampling a continuous time series. Mengambil pengamatan

pada waktu-waktu tertentu
§ Nilai tukar rupiah bulanan, yg diamati tiap awal bulan
2. By accumulating a variable over a period of time.
Mengakumulasikan pengamatan pada periode waktu tertentu.
§ rainfall, which is usually accumulated over a period such as a
day or a month,
§ GDP, which is accumulated over the quarterly or annual.

4
 For Better Official Statistics
Deterministic and Statistical Time Series
• If future values of a time series are exactly determined by
some mathematical function such as:
zt = cos(2πft)
the time series is said to be deterministic.
• If future values can be described only in terms of a
probability distribution, the time series is said to be
nondeterministic or stochastic, or simply a statistical time
series.
zt = cos(2πft) + ut, where ut is probabilistic 5
 For Better Official Statistics
Stochastic Processes

• Stochastic (Random) Process: collection of random variables

ordered in time.
oNOTATIONS: Let Y a random variable, Y(t) if continuous
(e.g. electrocardiogram), and Yt if discrete (e.g. GDP, PDI,
etc.).
oNow, If we let Y represent GDP, then we can have Y1, Y2,
Y3, ... , Y20 where the subscript 1 denotes the 1st observation
(i.e. GDP for the 1st quarter of 1st year) and the subscript 20
denotes the last observation (i.e. GDP for the 4th quarter of
5th year).

6
 For Better Official Statistics

STATIONARITY

7
 Proses Stokastik dan Kestasioneran Data Deret Waktu For Better Official Statistics

• Proses stokastik: proses yg menghasilkan rangkaian nilai-nilai

peubah acak yg menggambarkan perilaku data pd berbagai
kondisi.
• Setiap data deret waktu merupakan data dari hasil proses
stokastik.
• Proses stokastik dpt bersifat stasioner dan menghasilkan data
deret waktu yg bersifat stasioner.
• Proses stokastik dpt bersifat tidak stationer dan menghasilkan
data deret waktu yg tidak stasioner.

8
PENERIMAAN MAHASISWA BARU 2021 For Better Official Statistics

9
 For Better Official Statistics
Stationary Stochastic Processes
• Stationary Stochastic Processes: A stochastic process is said to be
stationary/ weakly /covariance/2nd-order stationary if:
o Its mean and variance are constant over time, and
o The value of the covariance between the two time periods depends only
on the distance/lag between the two time periods and not the actual
time at which the covariance is computed.
o E.g. let’s Yt be a stochastic process, then;
• Mean: E(Yt ) = µ ………………………………………….. (1)
• Variance: var (Yt ) = E(Yt − µ)2 = σ2 ……………………………….. (2)
• Covariance: γk = E[(Yt − µ)(Yt +k − µ)] ……………..………… (3)
• Where γk, the covariance (or auto-covariance) at lag k,
• If k = 0, we obtain γ0, which is simply the variance of Y (= σ2); if k = 1,
γ1 is the covariance between two adjacent values of Y

10
 For Better Official Statistics

• A very special class of stochastic processes, called

stationary processes, is based on the assumption that the
process is in a particular state of statistical equilibrium.
• Strictly Stationarity
• Weakly Stationarity
• Covariance Stationarity
• 2nd Order Stationarity

11
 (REVIEW) Sifat proses stokastik data yang For Better Official Statistics
stasioner:
1. f(Zt, . . . ,Zt+k) = f(Zt+m, . . . , Zt+k+m) " m,t,k
2. E(Zt) = µZ (tidak tergantung pada t)
3. Var (Zt) = s2Z = E [ (Zt -µZ )2] (tidak tergantung pada t)
4. gk = cov (Zt, Zt+k) ; tidak tergantung pada t
= cov(Zt+m, Zt+m+k)

Sebagai catatan: Untuk lag nol, atau k=0, berlaku:

g0 = cov (Zt, Zt) = var (Zt) = s2Z

12
 For Better Official Statistics

Suatu proses stokastik dinamakan stasioner (strict stationerity) jika pdf

bersama f (Z t1 , Z t 2 ,..., Z tn ) dan pdf bersama f (Z t1+k , Z t 2+k ,..., Z tn+k ) adalah
sama untuk sebarang bilangan bulat positif n dan sebarang pilihan
t1, t 2,..., tn . Dalam hal ini struktur probabilistik dari proses tidak berubah
dengan berubahnya waktu.

13
 Why are Stationary Time Series so For Better Official Statistics

Important?

• Jika time series tidak stasioner, maka hanya dapat

mempelajari perilaku data untuk periode waktu under
consideration, tidak bisa untuk forecasting (peramalan)
• Data time series yang tidak stasioner juga bisa
menimbulkan spurious regression à jika dua variabel
dibuat tren, regresi satu dan yang lainnya bisa memiliki
R2 tinggi tapi tidak berkorelasi (meaningless)

14
 For Better Official Statistics

• Data stasioner pada nilai tengahnya jika data berfluktuasi disekitar

suatu nilai tengah yg tetap dari waktu ke waktu.
• Data stasioner pada ragamnya jika data berfluktuasi dengan ragam yg
tetap dari waktu ke waktu.
• Mengatasi data yg tidak stasioner :
a) Proses diferensi
b) Transformasi data (Ln atau akar kuadrat)
• Pemeriksaan Kestasioneran Data Deret Waktu :
a) Melihat trend data dalam grafik
b) Menggunakan autokorelasi dan korelogram.
c) Uji akar-akar unit (unit root test)
15
 For Better Official Statistics

Mengatasi data yg tidak stasioner :

• Data tidak stationer pada nilai tengah à Proses
pembedaan / diferensiasi

• Data tidak stationer pada ragamnya à Transformasi

data asli ke dalam bentuk Ln atau akar kuadrat

16
 Non Stationary Stochastic Processes For Better Official Statistics

Random Walk merupakan model time series stokastik yang

paling sederhana, dan merupakan contoh klasik dari model yang
tidak stasioner.

1. Random walk without drift atau dikenal juga dengan pure

random walk à tanpa intercept
Yt = Yt–1 + ut

2. Random walk with drift à dengan intercept

Yt = d + Yt–1 + ut

17
For Better Official Statistics

18
 a) Random Walk without Drift
Asumsi pada model ini adalah perubahan nilai Yt
berurutan berdasarkan suatu distribusi probabilitas
dengan mean 0. Modelnya dapat dinyatakan dalam
bentuk:
Yt = Yt-1 + ut; atau Yt - Yt-1 = ut
E(ut) = 0; E (utus) = 0; t ¹ s
Dimana: ut adalah error yang “white noise” atau “purely
random”, dengan mean = 0 dan varian = σ2.
Model tsb juga dapat diartikan bahwa nilai Y pada waktu
ke-t sama dengan nilai Y pada waktu ke-t-1 ditambah
random.
 Bukti bahwa random walk tidak stasioner:
Model randam walk: Yt = Yt-1 + ut
dapat ditulis dengan:
Y1 = Y0 + u1.
Y2 = Y1 + u2 = Y0 + u1 + u2.
Y3 = Y2 + u3 = Y0 + u1 + u2 + u3.
Maka:
Yt = Y0 + Σut.
Sehingga:
E(Yt ) = E(Y0 + Σut) = E(Y0 ) + E(Σut)
Y0 adalah konstanta, sehingga nilai harapannya konstan, Y0
ut adalah “white noise”, sehingga nilai harapannya = 0.

Jadi: E(Yt ) = E(Y0 + Σut) = E(Y0 ) + E(Σut) = Y0 + 0 = Y0.

Maka dapat disimpulkan bahwa rata-rata random walk tanpa intersep adalah konstan.
Sekarang kita lihat varian-nya, yaitu:
Var(Yt ) = Var(Y0 + Σut)
= Var(Y0 ) + Var(Σut)
Y0 adalah konstanta, sehingga varian-nya = 0.
ut adalah “white noise”, sehingga variannya = σ2.

Jadi:
Var(Yt ) = Var(Y0 + Σut)
= Var(Y0) + Var(Σut)
= 0 + Σ σ2
= t σ2
(tidak konstan, tergantung pada t)
 Random Walk dengan Tren
Model: Yt = Yt-1 + δ t + ut

Bukti model ini tidak stasioner:

Y1 = Y0 + δ + u1
Y2 = Y1 + δ + u2 = Y0 + δ + δ + u1 + u2
……….
Yt = Y0 + t δ + Σut
Maka:
E(Yt) = E( Y0 + t δ + Σut)
= Y0 + t δ (depend on t)
Var(Yt) = Var(Y0 + t δ + Σut)
= t σ2 (depend on t)
 b) Random Walk with Drift

• Let’s modify, Yt = Yt −1 + ut…………….(4) as follows:

Yt = δ + Yt−1 + ut….....………….(9)
where δ is the drift parameter.
• The name drift comes from the fact that if we write the
preceding equation as:
Yt − Yt−1 = ∆Yt = δ + ut …………. (10)
• It shows that Yt drifts upward/downward, depending on δ being
positive/negative.
 Further Explanation
• Note that model Yt = δ + Yt−1 + ut ………….. (9) is also an AR(1) model.
• Following the procedure discussed for Random Walk Without Drift, it can
be shown that for the random walk with drift model (9),
E(Yt ) = Y0 + t · δ ……….. (11)
var (Yt ) = tσ2 …………….... (12)
• Here, again for RWM with drift the mean as well as the variance increases
over time, again violating the conditions of stationarity.
• In short, RWM, with or without drift, is a non-stationary stochastic
process.
• The random walk model is an example of what is known in the literature as
a Unit Root Process.
Tests of Stationarity
Uji Stasioneritas For Better Official Statistics

Pemeriksaan Kestasioneran Data Deret Waktu:

• Melihat trend data dalam grafikà analisis grafik

• Menggunakan Autocorrelation Function (ACF)
dan correlogram
• Uji akar-akar unit (unit root test)

26
 Analisis Grafik For Better Official Statistics

Sebelum dilakukan formal test, lakukan dulu plot data

time series. Plot tersebut dapat menjadi petunjuk awal
mengenai perilaku data time series.
Contoh : data time series PDB
Dapat kita lihat sepanjang periode nilai PDB cenderung
naik, menunjukkan trend meningkat

Hal ini mungkin menunjukkan bahwa deret PDB tidak

stasioner

27
Dari Plot data time series di atas dapat dilihat GDP menunjukkan tren
meningkat. Ini merupakan indikasi bahwa data GDP tidak stasioner
Pemeriksaaan Stasioneritas
2. Autocorrelation Function (ACF),
Correlogram & Uji-ujinya
Autocorrelation Function (ACF) dan Correlogram For Better Official Statistics

• Koefisien autokorelasi adalah angka yang

menunjukkan tingkat keeratan hubungan linier antara
nilai-nilai dari peubah yang sama dengan periode
waktu yang berbeda.

• Pada data bivariat, autokorelasi ini identik dengan

korelasi Pearson

32
For Better Official Statistics

33
Autocorrelation Function (ACF)
Di Makridakis.
ACF lag k dinotasikan rk Simbol r sebagai
estimasi dari rho,
korelasi Yt dg yt-1
sama dengan yt dg
yt+1

Karena yang digunakan adalah sample, maka

 Untuk suatu proses yang stasioner {Z t }, autokorelasi pada lag k
atau korelasi antara Z t dan Z t - k , didefinisikan sebagai

Cov ( Z t , Z t - k ) gk
rk = = . (2.4)
Var ( Z t ) Var ( Z t - k ) g0

Fungsi autokorelasi (autocorrelation function), yang disingkat ACF,

dibentuk dengan himpunan { rk ; k = 0,1,2,... } dengan r 0 = 1 .

0
k 20

-1
Contoh Fungsi autokorelasi (ACF) teoritik suatu data Zt
 Dari suatu time series yang stasioner Z1 , Z 2 ,..., Z n , estimasi
ACF terhadap nilai mean µ , fungsi autokovarians {g k ; k = 0,1,2,... }, dan ACF
{ rk ; k = 0,1,2,... } dapat dilakukan dengan menggunakan statistik

n
1
µ̂ = Z =
n
åZ
t =1
t , (2.5)

dan untuk k = 0,1,2,...

1 n
gˆ k = å ( Z t - µ )(Z t -k - µ ) .
n t = k +1
(2.6)

Diperlukan n yang cukup besar untuk memperoleh nilai estimasi

yang cukup baik, dan dalam praktek biasanya diperlukan n ³ 50 .
(Chatfield, 1996; Soejoeti, 1987). Dari formula diatas terlihat jelas bahwa
nilai gˆ k tidak dapat dihitung untuk k > n - 1 , dan dalam praktek biasanya
tidak memerlukan gˆ k untuk semua k , melainkan hanya kira-kira untuk
n
k £ saja. Nilai ACF r k selanjutnya dapat diestimasi dengan
4
n-k

gˆ
å (Z t - Z )(Z t + k - Z )
t =1
rˆ k = rk = k = . (2.7)
gˆ 0 n
å (Z t -Z) 2

t =1
Makridakis
pp 316
Partial Autocorrelation Function (PACF)
• Makridakis pp 320/323
 Besaran statistik lain yang diperlukan dalam analisis time series
PACF adalah fungsi autokorelasi parsial (PACF), yang ditulis dengan notasi
{f kk ; k = 1,2, !} , yakni himpunan autokorelasi parsial untuk berbagai lag k .
Autokorelasi parsial didefinisikan sebagai

| Pk* |
f kk = , (2.10)
| Pk |

dimana Pk adalah matriks autokorelasi k ´ k , dan Pk* adalah Pk dengan

kolom terakhir diganti dengan

é r1 ù
êr ú
ê 2ú.
ê " ú
ê ú
ër k û

Sehingga diperoleh

f11 = r1 ,

1 r1
r1 r2 r 2 - r12
f 22 = = ,
1 r1 1 - r12
r1 1
Contoh 1.

Berikut ini adalah sepuluh nilai yang pertama dari suatu data time
series yang panjang.

t 1 2 3 4 5 6 7 8 9 10

Zt 13 8 15 4 4 12 11 7 14 12

Dari data ini, hitunglah nilai r1 , r2 , dan r3 .

Jawaban :

Berikut ini adalah perhitungan r1 , r2 , dan r3 .dari 10 data time series

di atas.

t Zt Zt+1 Zt+2 Zt+3

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

Total 100 - - -
 10 -1
å (Z t - Z )(Z t +1 - Z )
t =1
(a). r1 =
10
å (Z t - Z )2
t =1

(13 - 10 )(8 - 10 ) + (8 - 10 )(15 - 10 ) + ... + (14 - 10 )(12 - 10 )

=
(13 - 10 ) 2 + (8 - 10 ) 2 + ... + (12 - 10 ) 2

- 27
= = - 0,188
144

10 - 2
å ( Zt - Z )(Z t + 2 - Z )
t =1
(b). r2 = 10
å ( Zt - Z )2
t =1

(13 - 10)(15 - 10) + (8 - 10)(4 - 10) + ... + (7 - 10)(12 - 10)

=
(13 - 10) 2 + (8 - 10) 2 + ... + (12 - 10) 2

= - 0,201

10 - 3
å ( Zt - Z )(Z t + 3 - Z )
t =1
(c). r3 = 10
å ( Zt - Z )2
t =1

(13 - 10)(4 - 10) + (8 - 10)(4 - 10) + ... + (11 - 10)(12 - 10)

=
(13 - 10) 2 + (8 - 10) 2 + ... + (12 - 10) 2

= 0,181
Dengan demikian dari data di atas diperoleh ACF rk , k = 1,2,3 sebagai
berikut.

k (lag) 1 2 3

rk (ACF) - 0,188 - 0,201 0,181

Contoh 2.

Berdasarkan data time series pada contoh 1 di atas, hitunglah nilai

dari fˆ11 , fˆ22 dan fˆ33 .

Jawaban :

Dengan menggunakan hasil dalam contoh 1, yaitu nilai-nilai dari

perhitungan r1 , r2 , dan r3 , serta menerapkan rumus Durbin (1960)
diperoleh

fˆ11 = r1 = -0.188 ,

r2 - r12 - 0.201 - (-0.188) 2

fˆ22 = = = -0.245 .
1- r12 1 - (-0.188) 2
 For Better Official Statistics

• Fungsi autokorelasi bermanfaat untuk menjelaskan

proses stokastik, dan memberikan informasi korelasi
antara data-data (Yt) yang berdekatan

• Fungsi Autokorelasi jika digambarkan dalam bentuk

kurva dikenal dengan korelogram ACF

46
Korelogram

Pada dasarnya korelogram merupakan teknik identifikasi kestasioneran data

time series melalui Fungsi Autokorelasi (ACF). Fungsi ini bermanfaat untuk
menjelaskan suatu proses stokastik, dan akan memberikan informasi
bagaimana korelasi antara data-data (Yt) yang berdekatan.

Korelogram akan didapat dengan membuat plot antara rk dan k (lag). Plot
antara rk dan k ini disebut korelogram populasi. Dalam praktek, kita hanya
dapat menghitung fungsi otokorelasi sampel (Sample Autocorrelation
Function).
 Pengamatan Pola Korelogram ACF For Better Official Statistics

• Data time series yang tidak stationer akan memiliki pola

korelogram yang menurun secara eksponensial
mendekati titik nol
• Data time series yang stationer akan memiliki pola
korelogram dengan nilai positif negatif secara bergantian
disekitar titik nol.

48
Pemeriksaaan Kestasioneran: Korelogram
• untuk data yang stasioner,
korelogram menurun
dengan cepat seiring
dengan meningkatnya k.

• Sedangkan untuk data

yang tidak stasioner,
korelogram cenderung
tidak menuju nol (tidak
mengecil) meskipun k
membesar
 Kapan Otokorelasi = 0?
Uji Bartlett
§ dilakukan untuk melihat signikansi rk satu per satu. Barlet
menunjukkan bahwa jika suatu time series dibentuk melalui
proses white noise, maka sampel otokorelasi-nya akan
berdistribusi normal dengan mean 0 dan standar deviasi 1/ √n,
dimana n banyaknya pengamatan, atau dinotasikan dengan rk
~ N (0, 1/√n). Bila n = 100, maka rk ~ N (0, 0.1).
§ Oleh karena itu, bila ada rk > 0.2 (dua kali standar deviasi),
maka kita yakin dengan kepercayaan 95% bahwa r ¹ 0 dan
berarti time series yang sedang kita analis bukan berasal dari
proses white noise. Atau secara matematis dituliskan dengan:
rk ± Zα/2 s.e ; dimana s.e adalah standar error
• Signifikan atau tidaknya nilai autokorelasi melalui pengujian
standar error (Se).
Hipotesis yang digunakan:
H0: rk = 0 (Stasioner)
H1: rk ≠ 0

§ Jika interval rk tidak mengandung nilai 0, maka H0 tidak dapat ditolak,

tetapi jika interval tidak mengandung nilai 0, maka H0 dapat ditolak.
§ Pada Korelogram uji ini digambarkan dengan: garis putus-putus
§ Kelemahan: Kadang timbul keraguan dalam memutuskan stasioner atau
tidak.

==è Perlu uji formal

Pemeriksaan Stasioneritas: Pormanteau Test
Box-Pierce Q Statistic

• Box-Pierce Q Statistic:
m
Q = n å r̂ k
2

k =1

dimana: n = banyak sampel, m=panjang lag

c 2
• Jika statistik Q < (a ) , H0 diterima, berarti data deret
waktu adalah stasioner
 Pemeriksaan Stasioneritas: Pormanteau Test
Ljung-Box (LB) Statistic

• Ljung-Box Statistic:
m æ rˆ k 2 ö
LB = n(n + 2)å çç ÷ ~ c 2m
÷
k =1 è n - 1 ø

dimana: n = banyak sampel, m=panjang lag

• Jika statistik LB lebih kecil dari nilai kritis statistik tabel Chi-
Square dengan taraf nyata α maka data stasioner.
• Lebih ‘powerfull’, Cocok untuk sampel kecil
 Ringkasan Prosedur Eviews
untuk Pemeriksaan Stasioneritas
Trend Data
• Dari workfile klik View.

• Selanjutnya klik Graph:

• Lakukan semua pilihan seperti

gambar disamping.
• Klik OK, akan diperoleh grafik data
Autokorelasi dan Korelogram
• Dari menu View, klik Correlogram. Muncul tampilan berikut:

• Gunakan terlebih dahulu pilihan level pada correlogram

of. Pilihan Lag to include = 36 (by default).
• Klik OK. Akan muncul output korelogram

Contoh output
korelogram
3- The Unit Root Test
 Unit Root Test (DF-Test)
• Uji formal kestationeran data time series dengan uji akar unit
( unit root test)
• Dikenalkan David Dickey & Wayne Fuller.
Perhatikan model berikut:
Yt = ρ Yt-1 + ut

Jika ρ = 1, maka model menjadi random walk tanpa intersep.

Disini kita akan menghadapi masalah dimana varian Yt tidak

stasioner. Yt mengandung “unit root” atau data tidak
stasioner.
Bila persamaan diatas dikurangi pada Yt-1 sisi kanan
dan kiri, maka persamaannya menjadi:

Yt - Yt-1= ρ Yt-1 - Yt-1+ ut

∆ Yt = (ρ-1) Yt-1 + ut

Atau dapat ditulis dengan:

∆ Yt = δ Yt-1 + ut
Jika d = 0 , maka r = 1, artinya memiliki unit root sehingga
tidak stasioner. Tetapi…

DYt = et
Yt - Yt–1 = et

Karena et adalah white noise error term à stasioner

Jadi data time series yang tidak stasioner tadi (random walk)
menjadi stasioner setelah difference pertama
Dari persamaan tersebut dapat dibuat hipotesis:
H0 : δ = 0
H1 : δ ≠ 0

Jika kita tidak menolak hipotesis δ = 0, maka ρ = 1.

Artinya kita memiliki unit root, dimana data time
series Yt tidak stasioner.
• Uji signifikansi terhadap koefisien regresi dapat
dilakukan dengan Uji-t. Sayangnya dengan hipotesis
tersebut, nilai Uji-t tidak mengikuti distribusi t
sekalipun dalam sampel besar.

• Tetapi Dickey-Fuller telah membuktikan bahwa Uji-t

terhadap hipotesis diatas mengikuti statistik ζ (tau).
Statistik ini selanjutnya dikembangkan oleh Mc.
Kinnon.
 Tetapi karena data awalnya tidak stasioner, maka tidak bisa diuji
dengan t-test karena tidak mengikuti distribusi t
Diuji dengan uji t (dibaca: tau) atau yang dikenal dengan Dickey
Fuller Test (DF)
rˆ
t=
Se( rˆ )

Ho : d = 0 (yg berarti Yt tidak stasioner)

H1 : d < 0 ( yg berati Yt stasioner)
• Nilai t-statistik dibandingkan t-McKinnon Critical Values.
• Tolak Ho berarti data stasioner. Jika kita tidak menolak hipotesis δ
= 0, maka ρ = 1. Artinya data memiliki unit root, maka data time
series Yt tidak stasioner.
DF diestimasi untuk 3 bentuk random walk yang berbeda, yaitu
1. Yt random walk
DYt = dYt-1 + ut
2. Yt random walk with drift
DYt = b1+ dYt-1 + ut
3. Yt random walk with drift around a stochastic trend
DYt = b1+ b2t + dYt-1 + ut
Jika Ho ditolak, memiliki arti yang berbeda untuk masing
bentuk
1. Yt stasioner dengan rata-rata nol
2. Yt stasioner dengan rata-rata tidak nol yaitu b1/(1- r)
3. Yt stasioner disekitar tren deterministik
 The Unit Root Test (cont.)
• We have to take the first differences of Yt and regress them on Yt−1
and see if the estimated slope co-efficient in this regression (δ) is zero
or not.
• If it is zero, we conclude that Yt is non-stationary.
• But if it is negative, we conclude that Yt is stationary.
• The only question is which test we use to find out if the estimated co-
efficient of Yt−1 in (4.2) is zero or not?
• Unfortunately, under the null hypothesis that δ = 0 (i.e., ρ = 1), the t
value of the estimated coefficient of Yt−1 does not follow the t
distribution even in large samples; i.e. it does not have an asymptotic
normal distribution.
 Unit Root Test:
Augmented Dickey-Fuller (ADF) Test
• Model-model sebelumnya mengasumsikan ut tidak berkorelasi à Hampir
tidak mungkin.
• Korelasi serial antara residual dgn ΔYt, dapat dinyatakan dalam bentuk
umum proses autoregressive.
• Jika error term memiliki korelasi, maka dilakukan Augmented Dicky Fuller
test (ADF) dengan meregresikan
DYt = b1 + b 2t + dYt -1 + a1DYt -1 + a 2 DYt -2 + ...a1DYt -2 + ut
m
DYt = b1 + b 2t + dYt -1 + a i å DYt -i +e t
i =1

• Hipotesisnya sama dengan DF test

Berdasarkan model tersebut kita dapat memilih tiga model yang akan
digunakan untuk melakukan Uji ADF, yaitu:

1. Model dengan intersep (β1) dan trend (β2), sebagaimana model

diatas.
2. Model yang hanya intersep saja (β1), yaitu:
m
DYt = b1 + dYt -1 + a i å DYt -1 + e t
i =1
3. Model tanpa intersep dan trend (slop), yaitu:
m
DYt = dYt -1 + a i å DYt -1 + e t
i =1

Penghitungan manual cukup sulit à EViews

 Unit Root Test:
Phillip Peron (PP) Test

• Asumsi penting dalam DF test adalah error term i.i.d.

Sementara ADF menyesuaikan DF test untuk mengatasi
masalah korelasi pada error term dengan menambahkan
lagged difference terms terhadap regresi

• Phillip Peron menggunakan metode non parametrik untuk

mengatasi masalah korelasi pada error term tanpa
menambahkan lagged difference terms.
 Pemeriksaaan Kestasioneran:
Uji Akar Unit (PP-Test)
• Nilai t-statistik dari uji PP (Philip-Perron) dapat dihitung sbb:
r0 h0 - r0
t= t0 - sq
h0 2h0s

M
æ jö
dimana: h0 = r0 + 2å ç1 - ÷r j
r =1 è Tø
adalah spektrum dari ΔYt pada frekuensi nol, rj adalah fungsi
autokorelasi pada lag j, t0 adalah t-statistik pada θ, adalah standar
error dari θ , dan σ adalah standar error uji regresi.
• Prosedur uji PP dapat diaplikasikan melalui cara yg sama dengan uji
DF.
Uji Akar Unit
• Dari menu View, klik Unit Root Test. Muncul tampilan berikut:

Tentukan jenis uji.

Pilihannya lihat gambar
samping kanan

Contoh Output Uji Akar

Unit (ADF test)
Assigment

Uji stasioneritas data yang telah ditugaskan sebelumnya,

dengan metode:
• Grafik
• Korelogram
• Unit Root Test
 Bagaimana agar Data Menjadi
Stasioner?

Transformasi Data Tidak Stasioner Menjadi Stasioner

• Metode:
• Pembedaan (differencing)
• Transformasi (Ln, dsb)
 Transformasi Data Tidak Stasioner àStasioner
Metode: pembedaan (difference).
Perhatikan model berikut:
Yt = β1 + β2 t + β3 Yt-1 + ut

Jika: β1 = 0, β2 = 0, dan β3 = 1, maka modelnya menjadi: Yt = Yt-1 + ut

Telah kita ketahui bahwa model tersebut adalah Random Walk tanpa intersep,
yang tidak stasioner. Akan tetapi, bila model ditulis dengan:
Yt - Yt-1 = ut
Atau
∆ Yt = ut
Sehingga, E(∆ Yt) = 0, dan Var(∆ Yt) = σ2, maka model menjadi stasioner à
proses pembedaan stasioner.
Jika β1 ≠ 0, β2 = 0, dan β3 = 0, maka modelnya menjadi:
Yt = β1 + Yt-1 + ut
Model tersebut adalah Random Walk dengan intersep, yang tidak stasioner.
Bila model ditulis dengan:
Yt - Yt-1 = β1 + ut
Atau
∆ Yt = β1 + ut
Maka:
E(∆ Yt) = E (β1 + ut) = β1
Dan
Var(∆ Yt) = Var (β1 + ut) = σ2.
Rata-rata maupun varian telah konstan, yang berarti ∆ Yt stasioner. Berarti
persamaan ini juga merupakan proses pembedaan stasioner, karena
ketidakstasioneran Yt dapat dieliminasi pada pembedaan pertama.
 Ringkasan Prosedur Eviews
untuk Pemeriksaan Kestasioneran
Trend Data
• Dari workfile klik View.

• Selanjutnya klik Graph:

• Lakukan semua pilihan seperti gambar

disamping.
• Klik OK, akan diperoleh grafik data
Autokorelasi dan Korelogram
• Dari menu View, klik Correlogram. Muncul tampilan berikut:
• Gunakan terlebih dahulu pilihan level pada
correlogram of. Pilihan Lag to include = 36 (by default).
• Klik OK. Akan muncul output korelogram

Contoh output
korelogram
Uji Akar Unit
• Dari menu View, klik Unit Root Test. Muncul tampilan berikut:

Tentukan jenis uji.

Pilihannya lihat gambar
samping kanan

Contoh Output Uji Akar

Unit (ADF test)