Professional Documents
Culture Documents
Model Arch-Garch
Model Arch-Garch
60.00
50.00
40.00
30.00
20.00
10.00
0.00
Gambar 2
Data Peresentasi Nilai Pedagangan Internasional Terhadap GDP
Indonesia Tahun 1960-2018
120.00
100.00
80.00
60.00
40.00
20.00
0.00
1960
1962
1964
1966
1968
1970
1972
1974
1976
1978
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
2018
Model ARCH
• Data variabel yg memiliki volatilitas → varian residual data
time series tidak konstan atau berubah setiap waktu atau
heteroskedastisitas.
• Menurut Robert Engle, varian residual yg tidak konstan
karena → varian residual fungsi dari variabel bebas dan
residual di masa lalu.
• Model yg mengasumsikan bahwa varian residual tidak
konstan → model Autregressive Condisitional
Heteroscedastisity (ARCH).
Model ARCH
• Misal, model regresi sederhana
𝑌𝑡 = 𝑏0 + 𝑏1 𝑋𝑡 +𝑒𝑡 (1)
• Kasus heteroskedastisitas → berhubungan langsung dgn variabel
bebas.
• Pada model ARCH, kasus heteroskedastisitas → karena adanya
volatilitas pada data time series.
• Varian residual model ditentukan oleh volatilitas variabel residual
periode sebelumnya → varian residual sangat dipengaruhi oleh
residual periode sebelumnya.
Model ARCH
• Varian residual model ARCH:
2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 (2)
• Komponen varian residual, 𝜎𝑡2 → konstanta (𝛼0 ) dan kuadrat
2
residual sebelumnya (𝑒𝑡−1 ).
• Model variabel residu 𝑒𝑡 adalah heteroskedastisitas bersyarat
(conditional heteroscedasticity) pada variabel residual sebelumnya
𝑒𝑡−1 .
• Persamaan (1) disebut persamaan rata-rata (conditional mean) dan
persamaan (2) disebut persamaan varian (conditional variance).
Model ARCH
• Jika varian residual hanya ditentukan oleh volatilitas
kuadrat residual 1 periode kelambanan → model ARCH(1)
→ lihat persamaan (2)
• Varian residual yg ditentukan oleh volatilitas kuadrat
residual 𝑝 periode kelambanan → model ARCH(𝑝):
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 + 𝛼2 𝑒𝑡−2 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 (3)
• Model persamaan (3) diestimasi dgn metode: maximum
likelihood (ML).
Deteksi ARCH
• Menurut Engle, data time series umumnya
mengandung autocorelation dan heteroscedasticity.
• Alat uji deteksi heteroskedastisitas atau ARCH pada
data time series:
1. Uji correlogram; dan
2. Uji ARCH-LM.
Uji Correlogram
• Uji Correlogram → menggunakan uji statistik ACF dan
PACF.
• Jika ACF dan PACF adalah nol pada semua kelambanan atau
tidak signifikan secara statistik → tidak ada unsur ARCH.
• Alat uji lain adalah uji statistik Ljung-Box:
2
𝑚 𝜌
𝐿𝐵 = 𝑛(𝑛 + 2) 𝑘=1 𝑘
σ (4)
𝑛−𝑘
2
• Jika 𝐿𝐵 < 𝜒 tabel pada 𝑑𝑓 = 𝑚 → tidak ada unsur ARCH.
Uji Correlogram
Langkah pengujian correlogram
1. Bentuk modelnya dgn teknik Box-Jenkin:
a. Identifikasi model;
b. Estimasi parameter;
c. Uji diagnosis.
2. Model yg terpilih lakukan uji correlogram → untuk melihat apakah
model yg terpilih mengandung unsur ARCH.
3. Jika ada unsur ARCH, estimasi model ARCH
Uji ARCH-LM
• Varian residual 𝜎𝑡2 selain fungsi variabel bebas juga
dipengaruhi residual sebelumnya, atau
2 2
𝜎𝑡2 = 𝛼0 + 𝛼1 𝑒𝑡−1 + 𝛼2 𝑒𝑡−2 2
+ ⋯ + 𝛼𝑝 𝑒𝑡−𝑝 (5)
• Apabila dianggap ada unsur ARCH GARCH(-1) 1.174299 0.093952 12.49891 0.0000
adalah AR(1) dan AR(7) Variable Coefficient Std. Error z-Statistic Prob.
adalah AR(1) dan AR(7) Variable Coefficient Std. Error z-Statistic Prob.
unsur ARCH. C
RESID(-1)^2
6.307425
0.101848
5.235358
0.064624
1.204774
1.576020
0.2283
0.1150