Professional Documents
Culture Documents
Masalah Stasioneritas Dan Statistik Ujinya
Masalah Stasioneritas Dan Statistik Ujinya
oleh
Bambang Juanda
Departemen Ilmu Ekonomi
Fakultas Ekonomi dan Manajemen IPB
https://bambangjuanda.com/
BJ-IPB
Pengertian Ekonometrika Deret Waktu
• Ekonometrika deret waktu: teknik ekonometrika untuk
menganalisis perilaku data deret waktu
• Data deret waktu: data yang dicatat/dikumpulkan berdasarkan
periode waktu tertentu (harian/mingguan/
bulanan/kuartalan/semesteran/tahunan)
• Mis: ekspor, investasi, indeks harga saham, suku bunga,
pengangguran, dan data lainnya yg dari waktu ke waktu.
• Dua kelompok analisis deret waktu:
(1) Menjelaskan pola data berdasarkan waktu
(2) Eksplanatoris, yakni menganalisis hubungan antar peubah-
peubah deret waktu (time series variables).
BJ-IPB
Komponen TimeSeries
Trend Siklus
Time-Series
Musiman Acak
BJ-IPB
Komponen Siklus Komponen Musiman
Sales
BJ-IPB
Setelah mengikuti pembahasan ini, Anda
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 STATA untuk pemeriksaan
kestasioneran data deret waktu
• Menginterprestasikan output program STATA
tentang kestasioneran data deret waktu.
BJ-IPB
Proses Stokastik dan Kestasioneran
Data Deret Waktu
• 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.
• Data stasioner jika:
BJ-IPB
Deret Waktu Stasioner
Sifat kestasioneran deret waktu diperlukan utk melakukan inferensia thd
struktur deret waktu tsb atas dasar pengamatan yg jumlahnya
terbatas. Sifat kestasioneran ini menyatakan bhw hukum peluang yg
mengendalikan proses stokastik tsb tidak berubah dgn berubahnya
waktu –yaitu, proses berada dlm keadaan equilibrium. Misalnya,
proses stokastik {Yt} bersifat stasioner jika sebaran sekuens
Yt1,Yt2,…, Ytn sama dgn sebaran Yt1-k,Yt2-k, …, Ytn-k utk semua pilihan
nilai-nilai indeks t1,t2,….,tn dan semua nilai waktu mundur (lag) k.
BJ-IPB
Pola Data Deret Waktu
BJ-IPB
Perbedaan Pendekatan Regresi Klasik
dengan Ekonometrika Deret Waktu
1.Pendekatan Regressi klasik: Menduga model dulu, kemudian dilihat (diuji)
apakah asumsi tentang error (ε) dipenuhi (ragam homogen/sama, dan tidak
ada autokorelasi). Dalam konteks data deret waktu, error tsb bersifat Stasioner.
2.Pendekatan (terkini) Regressi Deret Waktu: Data harus stasioner dulu,
kemudian baru diduga modelnya. Penentuan ordo/lag, juga dugaan
parameternya, dari data yang sudah stasioner.
Jika dipaksakan pada data deret waktu yg belum stasioner, analisisnya “dapat”
menyesatkan. Namun jika errornya memenuhi asumsi klasik atau stasioner,
model tsb tetap valid.
Penggunaan ADF yg “fleksibel” hasil uji dapat “berbeda”
Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa.
• Faktanya, hampir semua data deret waktu bersifat tidak stasioner.
• Ekonometrika menggunakan data deret waktu perlu ditangani dan dianalisis
secara berbeda
BJ-IPB
Residual Analysis
Linear, Homoscedasticity, bebas
Stasioner: Model dlm Keseimbangan Jangka Panjang
Not Linear et
Yt = a + b Xt + et
e
^
t; X Xj ; Y
Tidak Bebas
Heteroskedastisitas
SR
SR
t t
BJ-IPB
. webuse air2
Jumlah Penumpang Bulanan (air2.dta)
. tsset t, monthly
. twoway (tsline air)
600
0 50 100 150
t
BJ-IPB
Contoh Output STATA (Bgm Interpretasinya?)
History
//////////
dari
≥
Command P-value H0 : Tidak Stasioner
yang
Variabel yang ada
dipakai
pada dataset
BJ-IPB
Menulis command disini
Grafik Jumlah Penumpang dan Datanya yang Sudah Didiferensi (D1)
. twoway (tsline air) (tsline D.air, lcolor(red) lwidth(thick) lpattern(dash)), legend(on)
600
Yt tidak stasioner
400
200
BJ-IPB
Grafik Jumlah Penumpang dan Datanya yang Sudah Didiferensi (D & D2)
. twoway (tsline air) (tsline D.air, lcolor(red) lwidth(thick) lpattern(dash)) (tsline D2.air, lcolor(blue)), legend(on)
600
Yt tidak stasioner
400
200
BJ-IPB
Grafik Jumlah Penumpang yang Sudah Didiferensi (D & D2)
. twoway (tsline D.air, lcolor(red) lwidth(thick) lpattern(dash)) (tsline D2.air, lcolor(blue)), legend(on)
100
BJ-IPB
Grafik Jumlah Penumpang dan Datanya yang Sudah Ditransformasi Ln
. generate lnair = ln(air)
6.5
. twoway (tsline lnair)
5.5
BJ-IPB
Grafik Ln (Jumlah Penumpang) yang Sudah Didiferensi (detrend)
. twoway (tsline D1.lnair) Δ lnYt = D lnYt = lnYt - lnYt-1
pola trend sudah hilang
.2
.1
D.lnair
0
-.1
BJ-IPB
Grafik Jumlah Penumpang yang Sudah Dihilangkan Trend dan Musimannya
. twoway (tsline D12.D1.lnair) D12.D1 lnYt = D.lnYt – D.lnYt-12
300
200
100 pola trend & musiman sudah hilang
0
-100
-200
BJ-IPB
Pemeriksaaan Kestasioneran (Uji Statistik): Korelogram
(Y
t 1
t Y ) 2
𝑌 =rata-rata data deret waktu
© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu
BJ-IPB
Pemeriksaaan Kestasioneran: Uji Signifikansi Autokorelasi
• Signifikan atau tidaknya nilai autokorelasi melalui Statistik uji-t
atau Selang Kepercayaan menggunakan standar error (Se).
• Misalnya SK (1- α)100% atau dengan taraf nyata α= 5% untuk
ρk adalah:
1.96(Se) k 1,96(Se)
1.96( 1 / n ) k 1,96( 1 / n)
Uji Statistik Q
• Hipotesis:
H0 : Data Yt stasioner
H1 : Data Yt tidak stasioner; (jika p<)
• Uji Statistik Q dikembangkan oleh Box dan Pierce (2.7):
db=m
m
2
Q n ̂ k
2
(m)
k 1
adalah stasioner
BJ-IPB
AuroCorrelation, PArtialCorrelation, Stat-Q with its p-value
. corrgram air -1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 0.9480 0.9589 132.14 0.0000 |------- |-------
2 0.8756 -0.3298 245.65 0.0000 |------- --|
3 0.8067 0.2018 342.67 0.0000 |------ |- m 2
4
5
0.7526
0.7138
0.1450
0.2585
427.74 0.0000
504.8 0.0000
|------
|-----
|-
|--
Qn
k 1
̂ k 2
(m
db=m
6 0.6817 -0.0269 575.6 0.0000 |----- |
7 0.6629 0.2043 643.04 0.0000 |----- |-
8 0.6556 0.1561 709.48 0.0000 |----- |- H0: ρk = 0, data stasioner
9 0.6709 0.5686 779.59 0.0000 |----- |----
H1: ρk ≠ 0, data tidak stasioner
10 0.7027 0.2926 857.07 0.0000 |----- |--
11 0.7432 0.8402 944.39 0.0000 |----- |------ ; (jika p<)
12 0.7604 0.6127 1036.5 0.0000 |------ |----
13 0.7127 -0.6660 1118 0.0000 |----- -----|
14 0.6463 -0.3846 1185.6 0.0000 |----- ---|
15 0.5859 0.0787 1241.5 0.0000 |---- |
16 0.5380 -0.0266 1289 0.0000 |---- |
17 0.4997 -0.0581 1330.4 0.0000 |--- |
18 0.4687 -0.0435 1367 0.0000 |--- |
19 0.4499 0.2773 1401.1 0.0000 |--- |--
20 0.4416 -0.0405 1434.1 0.0000 |--- |
21 0.4572 0.1374 1469.9 0.0000 |--- |-
22 0.4825 0.3860 1510 0.0000 |--- |---
23 0.5171 0.2420 1556.5 0.0000 |---- |-
BJ-IPB
1.00 . ac air Correlogram 1.96( Se) k 1,96( Se)
(Y t Y )(Yt k Y )
k t k 1
0.00
t
(Y
t 1
Y ) 2
-0.50
0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands
BJ-IPB
Pemeriksaaan Kestasioneran: Uji Statistik Ljung-Box (LB)
BJ-IPB
.
BJ-IPB
Phillips-Perron test for unit root
Hipotesis: H0 : Yt tidak stasioner (ρ=1)
. pperron air, regress
H1 : Yt stasioner
Phillips-Perron test for unit root Number of obs = 143
Newey-West lags = 4
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(rho) -6.564 -19.943 -13.786 -11.057
Z(t) -1.844 -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.3588 tidak stasioner (Ho)
model Yt = a + ρ Yt-1 + et
------------------------------------------------------------------------------
air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | .958932 .023493 40.82 0.000 .9124878 1.005376
|
_cons | 13.7055 7.133673 1.92 0.057 -.3972781 27.80829
------------------------------------------------------------------------------
. test L1.air=1
( 1) L.air = 1
F( 1, 141) = 3.06, Prob > F = 0.0826
BJ-IPB
Phillips-Perron test for unit root
. pperron air, nocons regress Hipotesis: H0 : Yt tidak stasioner (ρ=1)
H1 : Yt stasioner
Phillips-Perron test for unit root Number of obs = 143
Newey-West lags = 4
( 1) L.air = 1
F( 1, 142) = 0.00 Prob > F = 0.9625
PR: Deferensi Data untuk menghilangkan Trend hasilnya Stasioner dalam NILAI TENGAH.
PR: Bagaimana Kesetasioneran dalam Ragam? (ADF & PP)
BJ-IPB Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
Semoga bermanfaat
Sampai ketemu di topik yang lain
Terima kasih
(Salam, BJ)
Departemen Ilmu Ekonomi
Fakultas Ekonomi dan Manajemen
Institut Pertanian Bogor
BJ-IPB
Hipotesis Penelitian Tahapan Pemodelan Empiris Bab 9.4
untuk menguji hipotesis, perlu diperiksa dulu apakah modelnya sudah “terspesifikasi dengan benar
BJ-IPB dengan melihat asumsi error”
Ɛt tdk memenuhi asumi,
Ada OV
Dugaan Model dg Dummy
7000
Model: Y= 2742 +24.8 Ukuran + 845 Lok
. ovtest
Ramsey RESET test using powers of the fitted
values of Nilai_Rumah
Ho: model has no omitted variables
6000
F(3, 24) = 8.56
Prob > F = 0.0005
20 40 60 80 100 120
(m2)
BJ-IPB
Ɛt sdh memenuhi asumi,
Dugaan Model dg Dummy Interaksi
Tidak Ada OV
7000
Model: Y= 3080 +20 Ukuran + 170 Lok + 9.7 (Uk x Lok)
. estat ovtest
20 40 60 80 100 120
(m2)
BJ-IPB