MASALAH STASIONERITAS

(Statistika Deskriptif & Inferensia)

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

• Pergerakan Naik atau Turun Berulang • Pergerakan Naik atau Turun

• Periodisitas dapat Bervariasi • Priodisitas Sama (Beraturan)
• Umumnya Berakhir 2 - 10 Tahun • Teramati dalam 1 Tahun/bln/Ming

Sales

Tahun / Bulan / Kuartal

BJ-IPB
 Komponen Acak
• Fluktuasi Sisaan, Tidak Beraturan
• Karena Variasi Acak dari:
• Alami; Accidents

• Jangka Waktu Pendek & tidak

Berulang

Sumber: Herdiyeni et.al. (2020)

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.

Jika misalnya n=1, maka sebaran Yt sama dgn sebaran Yt-k

untuk sembarang k.
Dgn demikian, µt bernilai tetap (konstan) utk semua t dan k,
dan Var(Yt) = Var(Yt-k) juga konstan utk semua t dan k.
BJ-IPB
  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
• Proses diferensi (Yt – Yt-1)
• Transformasi data (Ln atau akar kuadrat)
 Pemeriksaan Kestasioneran Data Deret Waktu
• Melihat trend (pola) data dalam grafik
• Menggunakan autokorelasi dan korelogram.
• Uji Autokorelasi, Selang Kepercayaan
• Uji Statistik Q; Uji Statistik LB
• Uji akar unit (unit root test)
BJ-IPB
 Pemeriksaaan Kestasioneran: Trend & Keragaman Data

BJ-IPB
 Pola Data Deret Waktu

dan Nilai Tengah

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

Tidak stasioner dalam nilai tengah & ragam

500
400
300
200
100

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

Disini disajikan output dari Analisis

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

Δ Yt = D Yt = Yt - Yt-1 = Yt - L.Yt = (1-L) Yt

0

Stasioner dalam nilai tengah. Bgm dalam ragam?

-200

1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1

t

Airline Passengers (1949-1960) Airline Passengers (1949-1960), D

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

Δ Yt = D Yt = Yt - Yt-1 = Yt - L.Yt = (1-L) Yt

0

D2.Yt = Δ Yt - Δ Yt-1 = D.Yt – L.D.Yt = Yt - 2 Yt-1 + Yt-2

-200

1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1

t

Airline Passengers (1949-1960) Airline Passengers (1949-1960), D

Airline Passengers (1949-1960), D2

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

Δ Yt = D Yt = Yt - Yt-1 = Yt - L.Yt = (1-L) Yt

50
0
-50

D2.Yt = Δ Yt - Δ Yt-1 = D.Yt – L.D.Yt = Yt - 2 Yt-1 + Yt-2

-100

Stasioner dalam nilai tengah tapi Tidak stasioner dalam ragam

1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1
t

Airline Passengers (1949-1960), D Airline Passengers (1949-1960), D2

BJ-IPB
 Grafik Jumlah Penumpang dan Datanya yang Sudah Ditransformasi Ln
. generate lnair = ln(air)
6.5
. twoway (tsline lnair)

Supaya stasioner dalam ragam

6
lnair

5.5

Terlihat pola musiman (seasonal)

5
4.5

1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1

t

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

Masih terlihat pola musiman

-.2

1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1

t

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

1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1

t

BJ-IPB
 Pemeriksaaan Kestasioneran (Uji Statistik): Korelogram

 (Y t  Y )(Yt  k  Y ) 𝜌 = koefisien autokorelasi untuk lag k

k
k  t  k 1
T

 (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)

• H0: ρk = 0, utk semua k. Keputusannya belum cukup bukti

untuk menolak H0 bahwa ρk = 0, berarti data stasioner
• H1: ρk ≠ 0, data tidak stasioner; (jika p<)
BJ-IPB
 UJI KESTASIONERAN SERENTAK SEMUA KOEFISIEN DALAM ACF

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

dimana: n = banyak sampel, m=panjang lag


• Jika statistik Q <  ( m ) , H0 diterima, berarti data deret waktu
2

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
|------
|-----
|-
|--
Qn 
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)

di luar selang  1.96( 1 / n )   k  1,96( 1 / n)

0.50

 (Y t  Y )(Yt  k  Y )
k  t  k 1
0.00

 t
(Y
t 1
 Y ) 2
-0.50

H0: ρk = 0, data stasioner

H1: ρk ≠ 0, data tidak stasioner
-1.00

0 10 20 30 40
Lag
Bartlett's formula for MA(q) 95% confidence bands
BJ-IPB
 Pemeriksaaan Kestasioneran: Uji Statistik Ljung-Box (LB)

• Dikembangkan oleh, dengan rumus (2.8):

m  ˆ k 2 
LB  n(n  2)   ~  2m

k 1  n  1 

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.
• Hipotesis:
H0 : Data Yt stasioner (jika p>)
H1 : Data Yt tidak stasioner

BJ-IPB
 .

Random Walk (proses dgn trend stokastik)

Perhatikan model Autoregressive AR(1) berikut.
et adalah komponen residual (error) yang menyebar bebas stokastik dan Yt  Yt 1  et
identik dengan nilai tengah nol, ragam 2 dan tidak ada autokorelasi.
Residual seperti ini disebut sebagai white noise error.
Jika  =1, maka Yt disebut memiliki akar unit (unit root) dan dikenal
Y1  Y0  e1
sebagai random walk (langkah acak), yang tidak stasioner pada Y2  Y1  e2  Y0  e1  e2
ragam. Jika untuk t=0 nilainya Yo maka dapat ditunjukkan bahwa
Proses AR(1) diatas dapat juga dituliskan: Y3  Y2  e3  Y0  e1  e 2  e3
Yt  Y0   et
Yt  (   1)Yt 1  et Yt tidak stasioner
Yt   Yt 1  et (memiliki akar unit) Var(Yt )  t 2

dimana jika  =1 atau  =0

  (   1) dan Yt  Yt  Yt 1 (diferensi ordo 1)
jika data tidak stasioner pada tingkat level (data asli) maka dapat dilakukan
proses diferensi sbb: Y  Y  Y  e
BJ-IPB t t t 1 t
 Pemeriksaaan Kestasioneran:
Uji Akar Unit (unit root or DF-Test)
• Pengujian Dickey–Fuller (DF) dgn nilai -statistik:
ˆ  1

Se( ˆ )
• Hipotesis: random walk
H0 :  = 0 (yg berarti Yt tidak stasioner);  ≥ 0
H1 :  <0 ( yg berati Yt stasioner) Daerah kritis sebelah kiri
Note:  = ρ-1 dlm model Yt = ρ Yt-1 + et  ∆Yt =  Yt-1 + et
• Jika ρ=1 maka Yt tidak stasioner; tapi ∆Yt (diferensiasi ordo 1) stasioner
Berati Yt terintegrasi dgn ordo 1 dan ditulis I(1)
• Jika data menjadi stasioner setelah diferensiasi d kali, ditulis I(d).
• Nilai -statistik dibandingkan -McKinnon Critical Values.
BJ-IPB
 Augmented Dickey–Fuller (ADF)
Penambahan dalam Uji Akar Unit
• Korelasi serial antara residual dgn ΔYt, dapat dinyatakan
dalam bentuk umum proses autoregressive:
Yt  1   2t  Yt 1  1Yt 1   2 Yt 2  ... p Yt  p  et
• (random walk with) ditambah intercept (drift) dan trend
• Pengujian dengan menggunakan persamaan di atas dikenal
sebagai Augmented Dickey Fuller (ADF) test.
• Pengujian dan aturan pengambilan keputusan atas uji ADF
ini sama dengan uji DF.
Random walk with drift: 𝑌𝑡 = α + 𝑌𝑡−1 + ɛ𝑡
𝑡
Jika 𝑌0 = 0, maka mengandung trend: 𝑌𝑡 = α𝑡 + 𝑡=0 ɛ𝑡
E(𝑌𝑡 ) = t dan var(𝑌𝑡 ) = t𝟐
BJ-IPB
 Dickey-Fuller test for unit root, dengan dan tanpa konstanta (Ho:=0, tdk stasioner)
Number of obs = 143
. dfuller air, regress
---------- Interpolated Dickey-Fuller --------- H1 :  <0, stasioner)
Test 1% Critical 5% Critical 10% Critical (Daerah kritis sebelah kiri)
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -1.748 ≥ -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.4065  tidak stasioner (Ho)
------------------------------------------------------------------------------
D.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | -.041068 .023493 -1.75 0.083 -.0875122 .0053761
|
_cons | 13.7055 7.133673 1.92 0.057 -.3972781 27.80829
------------------------------------------------------------------------------
random walk  = ρ-1 dlm model Yt = ρ Yt-1 + et  ∆Yt =  Yt-1 + et
. dfuller air, nocons regress ---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) 0.047 ≥ -2.594 -1.950 -1.613
------------------------------------------------------------------------------
D.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | .000439 .0093163 0.05 0.962 -.0179775 .0188555
------------------------------------------------------------------------------
BJ-IPB
 Augmented Dickey-Fuller test (ditambah intercept, trend & lags)
H0 :  = 0 (tidak stasioner)
. dfuller air, lags(3) trend regress
H1 :  < 0 (stasioner)
Augmented Dickey-Fuller test for unit root Number of obs = 140
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -6.936 ≤ -4.027 -3.445 -3.145
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000  H1 :  <0 (stasioner)?
Note: random walk  = ρ-1 dlm model Yt = ρ Yt-1 + et  ∆Yt =  Yt-1 + et
------------------------------------------------------------------------------
D.air | Y     t  Y
t Coef.
1 Std.
2 Err. t 1   Y
t 1 P>|t|
t 1   Y
2 [95%t Conf.
2  ... Y
Interval]
p t p  et
-------------+----------------------------------------------------------------
air |
L1. | -.5217089 .0752195 -6.94 0.000 -.67048 -.3729379
LD. | .5572871 .0799894 6.97 0.000 .399082 .7154923
L2D. | .095912 .0876692 1.09 0.276 -.0774825 .2693065
L3D. | .14511 .0879922 1.65 0.101 -.0289232 .3191433
_trend | 1.407534 .2098378 6.71 0.000 .9925118 1.822557
_cons | 44.49164 7.78335 5.72 0.000 29.09753 59.88575
------------------------------------------------------------------------------
Penggunaan ADF yg “fleksibel”  hasil uji dapat “berbeda”; penting deskriptif grafik
Stasioner karena memasukan komponen trend.
BJ-IPB Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
 Dickey-Fuller Test (Setelah Deferensi Data = D.Yt )
H0 :  = 0 (tidak stasioner)
. dfuller D.air, regress
H1 :  < 0 (stasioner)

Dickey-Fuller test for unit root Number of obs = 142

---------- Interpolated Dickey-Fuller ---------

Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -8.580 ≤ -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000
random walk  = ρ-1 dlm model Y = ρ Y
t t-1 + e  ∆Y =  Y
t t t-1 t +e
------------------------------------------------------------------------------
D2.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
LD. | -.6941413 .0809012 -8.58 0.000 -.8540873 -.5341953
|
_cons | 1.612474 2.721903 0.59 0.555 -3.768876 6.993823
------------------------------------------------------------------------------
Deferensi Data untuk menghilangkan Trend  hasilnya Stasioner dalam NILAI TENGAH.
Bagaimana Kesetasioneran dalam Ragam?
Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
BJ-IPB
 Dickey-Fuller Test (Setelah Deferensi Data dua kali = D.D.Yt )
H0 :  = 0 (tidak stasioner)
. dfuller D2.air, regress
H1 :  < 0 (stasioner)

Dickey-Fuller test for unit root Number of obs = 141

---------- Interpolated Dickey-Fuller ---------

Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -14.044 ≤ -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000
random walk  = ρ-1 dlm model Y = ρ Y
t t-1 + e  ∆Y =  Y
t t t-1 t +e
------------------------------------------------------------------------------
D3.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
LD2. | -1.202615 .0856328 -14.04 0.000 -1.371926 -1.033303
|
_cons | .0879339 3.314309 0.03 0.979 -6.465045 6.640913
------------------------------------------------------------------------------
Deferensi Data untuk menghilangkan Trend  hasilnya Stasioner dalam NILAI TENGAH.
PR: Bagaimana Kesetasioneran dalam Ragam?
Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
BJ-IPB
 Pemeriksaaan Kestasioneran:
Uji Akar Unit Philip-Perron (PP-Test)
• Nilai -statistik dari uji PP (Philip-Perron) dapat dihitung sbb:
r0 h0  r0 M
 j 
  t0   h0  r0  2 1  r j
h0 2h0 r 1  T 
dimana:
adalah spektrum dari ΔYt pada frekuensi nol, rj adalah fungsi
autokorelasi pada lag j, t0 adalah -statistik pada θ, σθ adalah
standar error dari θ , dan σ adalah standar error uji regresi.

• Prosedur uji PP dapat diaplikasikan melalui cara yg sama dengan uji

DF.

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

---------- Interpolated Dickey-Fuller ---------

Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(rho) 0.005 -13.386 -7.929 -5.629
Z(t) 0.004 -2.594 -1.950 -1.613
model Yt = ρ Yt-1 + et
------------------------------------------------------------------------------
air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | 1.000439 .0093163 107.39 0.000 .9820225 1.018856
------------------------------------------------------------------------------
. test L1.air=1

( 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

Y= 3587 +24.8 Ukuran

5000

Y= 2742 +24.8 Ukuran

4000
3000

20 40 60 80 100 120
(m2)

P_Rumah(xRp100.000) yhat, Lokasi == Baik

yhat, Lokasi == Biasa

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

Ramsey RESET test using powers of the

fitted values of Nilai_Rumah
6000

Ho: model has no omitted variables

F(3, 23) = 0.67 Y= 3250 +29.7 Ukuran
Prob > F = 0.5806
5000
4000

Y= 3080 +20 Ukuran

3000

20 40 60 80 100 120
(m2)

P_Rumah(xRp100.000) yhat, Lokasi == Baik

yhat, Lokasi == Biasa

BJ-IPB