Professional Documents
Culture Documents
2
Time Series For Better Official Statistics
3
Discrete time series may arise in two ways: For Better Official Statistics
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
6
For Better Official Statistics
STATIONARITY
7
Proses Stokastik dan Kestasioneran Data Deret Waktu For Better Official Statistics
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
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)
12
For Better Official Statistics
13
Why are Stationary Time Series so For Better Official Statistics
Important?
14
For Better Official Statistics
16
Non Stationary Stochastic Processes For Better Official Statistics
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:
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
26
Analisis Grafik For Better Official Statistics
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
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
Cov ( Z t , Z t - k ) gk
rk = = . (2.4)
Var ( Z t ) Var ( Z t - k ) g0
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)
1 n
gˆ k = å ( Z t - µ )(Z t -k - µ ) .
n t = k +1
(2.6)
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 |
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
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
- 27
= = - 0,188
144
10 - 2
å ( Zt - Z )(Z t + 2 - Z )
t =1
(b). r2 = 10
å ( Zt - Z )2
t =1
= - 0,201
10 - 3
å ( Zt - Z )(Z t + 3 - Z )
t =1
(c). r3 = 10
å ( Zt - Z )2
t =1
= 0,181
Dengan demikian dari data di atas diperoleh ACF rk , k = 1,2,3 sebagai
berikut.
k (lag) 1 2 3
Jawaban :
fˆ11 = r1 = -0.188 ,
46
Korelogram
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
48
Pemeriksaaan Kestasioneran: Korelogram
• untuk data yang stasioner,
korelogram menurun
dengan cepat seiring
dengan meningkatnya k.
• Box-Pierce Q Statistic:
m
Q = n å r̂ k
2
k =1
• Ljung-Box Statistic:
m æ rˆ k 2 ö
LB = n(n + 2)å çç ÷ ~ c 2m
÷
k =1 è n - 1 ø
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
DYt = et
Yt - Yt–1 = et
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
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:
Contoh output
korelogram
Uji Akar Unit
• Dari menu View, klik Unit Root Test. Muncul tampilan berikut: