Dokumen tersebut membahas masalah-masalah yang terkait dengan data deret waktu, termasuk adanya time lags, korelasi serial, notasi data deret waktu, transformasi data melalui lag dan pembedaan, autokorelasi, stasioneritas, deteksi trend, proses random walk, dan regresi palsu.
2. Masalah Teknis Sehubungan dengan Data
Deret Waktu
Adanya time lags beda waktu
Korelasi antara variabel yang berbeda waktu (serial
correlation, a.k.a. autocorrelation korelasi dengan
dirinya sendiri)
3. Notasi bagi data deret waktu:
Yt : Variabel Y pada waktu t.
Y1,…,YT , T adalah lama waktu diamatinya deret
waktu dari peubah acak Y
Pengamatan dilakukan pada selang waktu yang
teratur (bulanan, harian, tahunan dst) tanpa adanya
data hilang.
Data Deret Waktu Dan Korelasi
Serial
4. Transformasi Data Deret Waktu: lag,
pembedaan (difference)
Lag pertama dari suatu deret waktu Yt , t = 1, … T
adalah Yt-1, t = 2, …, T
Lag ke j dari suatu deret waktu Yt , t = 1, … T adalah
Yt-j , t = j+1, …, T
Pembedaan pertama (first difference) dari suatu
deret waktu Yt adalah deret waktu baru yang
merupakan selisih antara Yt dengan lag pertamanya
Yt-1: ∆Yt =Yt -Yt-1
6. Autokorelasi
Korelasi antara suatu deret waktu dengan lag ke-j dari
deret tersebut
Disebut pula dengan korelasi serial (serial correlation).
Autokorelasi pertama dari Yt adalah corr(Yt,Yt–1)
Autokovarians pertama dari Yt adalah cov(Yt,Yt–1)
Secara fungsional (populasi):
𝑐𝑜𝑟𝑟 𝑌𝑡, 𝑌𝑡−1 =
𝑐𝑜𝑣 𝑌𝑡, 𝑌𝑡−1
𝑣𝑎𝑟 𝑌𝑡 𝑣𝑎𝑟 𝑌𝑡−1
= 𝜌1
7. Autokorelasi
Autokorelasi sampel pada lag pertama:
𝜌1 =
𝑡=2
𝑇
𝑌𝑡 − 𝑌2,𝑇 𝑌𝑡−1 − 𝑌1,𝑇−1
𝑡=1
𝑇
𝑌𝑡 − 𝑌 2
Autokorelasi sampel pada lag ke – j:
𝜌𝑗 =
𝑡=𝑗+1
𝑇
𝑌𝑡 − 𝑌
𝑗+1,𝑇 𝑌𝑡−𝑗 − 𝑌1,𝑇−𝑗
𝑡=1
𝑇
𝑌𝑡 − 𝑌 2
8. Autokorelasi
Perhitungan autokorelasi bermanfaat untuk
menentukan metode mana yang sesuai untuk
peramalan
Dari materi sebelumnya, peramalan dengan asumsi
trend bersifat deterministik dapat dilakukan jika
sisaan model tidak menunjukkan adanya
autokorelasi.
9. Stasioneritas
Stasionaritas adalah kunci supaya situasi di masa
lalu tetap relevan dengan situasi di masa kini
maupun masa depan
Suatu deret waktu Yt dikatakan stasioner jika sifat
deret tersebut (secara peluang) tidak berubah
seiring waktu.
Sifat Y1, …, YT sama dengan Y1+s , …, YT+s , untuk
berapapun perbedaan waktu s
10. Peramalan: Terminologi dan Notasi
Nilai prediksi (Predicted values) menggunakan rentang waktu
yang berada di dalam sampel (“in-sample”)
Nilai ramalan (Forecasts value) menggunakan rentang waktu
masa mendatang, di luar sampel (“out-of-sample”)
Notasi:
YT+1|T : ramalan bagi YT+1 berdasarkan YT,YT–1,…,
menggunakan parameter populasi (yang tidak diketahui)
1|
ˆ
T T
Y : ramalan bagi YT+1 berdasarkan YT,YT–1,…,
menggunakan penduga koefisien. Pendugaan dilakukan
menggunakan data s/d waktu ke-T.
11. 11
Kesalahan Peramalan (Forecast errors)
Kesalahan peramalan satu periode ke depan didefinisikan
sebagai
Kesalahan Peramalan = YT+1 – 1|
ˆ
T T
Y
Perbedaan antara kesalahan peramalan dan sisaan adalah:
Sisaan diperoleh dari prediksi “in-sample”
Kesalahan peramalan diperoleh dari peramalan “out-of-
sample” – nilai YT+1 tidak digunakan pada pendugaan
koefisien model
12. 12
Non Stationarity - Trends
Situasi paling ideal adalah ketika data bersifat stasioner.
Pada prakteknya lebih sering dijumpai sifat data yang tidak
stasioner
Sifat non stationarity perlu dideteksi dan diperbaiki terlebih
dahulu
13. 13
Trend Deterministik dan Stokastik
Trend adalah sifat kecenderungan atau pergerakan jangka
panjang pada data
Trend determinisitik adalah fungsi tidak acak (a nonrandom
function) dari waktu (mis: yt = t, atau yt = t2
).
Trend stokastik berupa fungsi dari waktu yang bersifat
random dan berubah-ubah seiring waktu
Contoh dari trend stokastik adalah proses random walk:
Yt = Yt–1 + ut, di mana ut mempunyai autokorelasi serial
Jika Yt mengikuti proses random walk, maka nilai Y pada
waktu besok adalah nilai Y hari ini, ditambah unsur galat acak
14. 14
Trend Deterministik dan Stokastik
Dua sifat proses random walk:
(i) YT+h|T = YT
Prediksi terbaik dari nilai Y di masa depan adalah nilai Y
hari ini
(ii) var(YT+h|T – YT) = 2
u
h
Ragam dari kesalahan peramalan meningkat (secara
linier) seiring waktu.
Semakin ke depan peramalan yang dilakukan, semakin
besar sifat ketidakpastian peramalan.
15. 15
Trend Deterministik dan Stokastik
A random walk with drift adalah
Yt = 0 +Yt–1 + ut, di mana ut mempunyai autokorelasi
serial
0 adalah parameter “drift”: Jika 0 0, maka Yt adalah
proses
random walk dengan trend linier. Berdasarkan model ini
peramalan h waktu ke dapan adalah:
YT+h|T = 0h + YT
17. 17
Trend Deterministik dan Stokastik
Jika Yt mempunyai trend dan mengikuti proses random walk,
maka Yt akan bersifat stasioner dan analisis lanjutan dapat
menggunakan Yt
Beberapa fakta:
Proses random walk berhubungan dengan AR (1)
Pengujian koefisien regresi secara parsial bagi model AR
(1) dapat dilakukan untuk mendeteksi proses random walk.
18. 18
Stochastic trends and unit
autoregressive roots
Random walk (dengan pergeseran/drift):
Yt = 0 + Yt–1 + ut
AR(1): Yt = 0 + 1Yt–1 + ut
Hubungan antara random walk dan AR (1)
Random walk adalah AR(1) dengan 1 = 1.
Kasus khusus 1 = 1 disebut unit root.
Ketika 1 = 1, model AR(1) dapat dirubah menjadi:
Yt = 0 + ut
Deret hasil pembedaan (differentiated series) sebagai
deret yang stasioner di sekitar 0
19. 19
Stochastic trends and unit
autoregressive roots
Random walk (dengan pergeseran/drift):
Yt = 0 + Yt–1 + ut
AR(1): Yt = 0 + 1Yt–1 + ut
Hubungan antara random walk dan AR (1)
Random walk adalah AR(1) dengan 1 = 1.
Kasus khusus 1 = 1 disebut unit root.
Ketika 1 = 1, model AR(1) dapat dirubah
menjadi:
Yt = 0 + ut
Deret hasil pembedaan (differentiated series)
sebagai
deret yang stasioner di sekitar 0
20. 20
2. Masalah apa yang disebabkan
oleh trend?
1. Penduga koefisien AR bersifat bias.
2. Statistik t yang diperoleh tidak mengikuti sebaran normal.
3. Jika Y dan X sama-sama memiliki trend dalam bentuk
random walk maka keduanya terlihat saling berhubungan
linier padahal sebenarnya tidak “spurious regressions.”
21. 21
3. Bagaimana Mendeteksi Adanya Trend?
1. Membuat tebaran data seiring waktu
2. Memanfaatkan uji unit root Dickey-Fuller: uji untuk men
berbasis regresi.
Uji Dickey-Fuller test untuk AR(1)
Yt = 0 + 1Yt–1 + ut
atau
Yt = 0 + (1 – 1)Yt–1 + ut = 0 +Yt–1 + ut
H0: = 0 (yang berarti bahwa 1 = 1 random walk)
H1: < 0 ( < 0 berarti bahwa Yt bersifat stasioner
bukan random walk)
22. 22
Uji DF pada AR(1)
Statistik uji yang digunakan adalah statistik uji t (uji parsial
koefisien regresi = 0)
Akan tetapi di bawah H0, statistik uji t ini tidak berdistribusi t
(tidak seperti pada analisis regresi)
Statistik uji t pada uji ini dibandingkan dengan nilai kritis tabel
Dickey-Fuller.
23. 23
Nilai kritis Table DF
(a) Yt = 0 + Yt–1 + ut (hanya intersep)
(b) Yt = 0 + t + Yt–1 + ut (intersep dan trend waktu)
Tolak H0 jika statistik t DF lebih kecil daripada nilai kritis yang
dispesifikasikan
Tolak H0 berarti bahwa deret waktu mengikuti proses AR yang
stasioner.
24. Integrated Stochastic Processes
Yt = Yt–1 + ut
Proses random walk tanpa pergeseran adalah
proses yang tidak stasioner
Akan tetapi pembedaan pertama dari proses
tersebut bersifat stasioner (di sekitar nol)
Proses tersebut dinyatakan sebagai proses
terintegrasi berorde 1 (integrated of order 1)
Yt =Yt – Yt–1 = ut
26. Integrated Stochastic Processes
d
Suatu proses yang harus mengalami pembedaan
sampai dengan pembedaan ke – d untuk mencapai
stasioner, disebut dengan proses terintegrasi
berorde d
Yt ~ I(d)
Proses stasioner dinyatakan sebagai proses
terintegrasi berorde 0
Yt ~ I(0)
27. Sifat – sifat Deret Terintegrasi
Kombinasi linier dari deret stasioner dan deret
terintegrasi berorde satu (tidak stasioner) adalah
deret terintegrasi berorde satu (tidak stasioner).
Fungsi linier dari suatu deret akan mempunyai sifat
yang sama dengan deret tersebut.
Jika deret asal stasioner maka fungsi liniernya juga
stasioner
Jika deret asal terintegrasi dengan orde d (tidak
stasioner) maka fungsi liniernya adalah deret yang juga
terintegrasi dengan orde d (tidak stasioner).
28. Sifat – sifat Deret Terintegrasi
Kombinasi linier dari dua deret yang tidak stasioner
menghasilkan deret yang juga tidak stasioner. Deret
tersebut merupakan deret terintegrasi dengan orde
tertinggi dari dua deret asal.
Jika kedua deret asal mempunyai orde integrasi
yang sama (d) maka kombinasi dari keduanya dapat
saja mempunyai orde integrasi yang lebih kecil (d* <
d)
Ketika d*= 0, maka kedua deret tersebut mengalami
proses kointegrasi
29. Spurious Regression
Yt = Yt–1 + ut
Diberikan dua deret berikut:
Xt = Xt–1 + ut
Keduanya adalah deret yang tidak stasioner
(terintegrasi dengan orde 1), masing – masing
mempunyai stochastic trend
Regresi Yt terhadap Xt akan menghasilkan model
dengan R2 yang tinggi, meskipun keduanya tidak
berkorelasi, atau tidak berhubungan secara terapan.
30. Plot deret waktu variabel X
0
10
20
30
40
50
60
70
1980 1990 2000 2010 2020 2030
X
31. Plot Deret Waktu Variabel Y
-10
0
10
20
30
40
50
1980 1990 2000 2010 2020 2030
Y
32. Regresi Yt terhadap Xt
Model 1: OLS, using observations 1980:01-2038:04 (T = 700)
Dependent variable: Y
coefficient std. error t-ratio p-value
---------------------------------------------------------
const -7.33993 0.870523 -8.432 1.95e-016 ***
X 0.837184 0.0205007 40.84 3.57e-187 ***
Mean dependent var 25.67996 S.D. dependent var 15.69695
Sum squared resid 50817.50 S.E. of regression 8.532552
R-squared 0.704943 Adjusted R-squared 0.704521
F(1, 698) 1667.648 P-value(F) 3.6e-187
Log-likelihood -2492.977 Akaike criterion 4989.955
Schwarz criterion 4999.057 Hannan-Quinn 4993.473
rho 0.989723 Durbin-Watson 0.022227
33. Spurious Regression
Fenomena tersebut adalah spurious regression atau
regresi yang tidak masuk akal (regresi lancung).
Jika dilakukan pembedaan pertama terhadap
keduanya, maka akan dihasilkan dua deret yang
stasioner
Yt dan Xt
Regresi dari Yt terhadap Xt akan menghasilkan
R2 menuju nol
36. Regresi Y terhadap X
Model 2: OLS, using observations 1980:02-2038:04 (T = 699)
Dependent variable: d_Y
coefficient std. error t-ratio p-value
-------------------------------------------------------
const 0.0469393 0.0375860 1.249 0.2121
d_X 0.0279278 0.0381836 0.7314 0.4648
Mean dependent var 0.048201 S.D. dependent var 0.992343
Sum squared resid 686.8249 S.E. of regression 0.992674
R-squared 0.000767 Adjusted R-squared -0.000667
F(1, 697) 0.534957 P-value(F) 0.464776
Log-likelihood -985.6969 Akaike criterion 1975.394
Schwarz criterion 1984.493 Hannan-Quinn 1978.911
rho 0.036719 Durbin-Watson 1.924188
37. Pendeteksian Stasioneritas
Secara grafis Dengan melihat plot deret waktu
Adanya pola naik atau turun adalah indikator bahwa
deret tidak stasioner
Rata – rata mengalami perubahan seiring waktu
38. Plot deret waktu dari GDP UK (setiap
kuartal)
30
40
50
60
70
80
90
100
110
1955 1960 1965 1970 1975 1980 1985 1990 1995
GDP
39. Pendeteksian Stasioneritas
Autokorelasi adalah fungsi dari time lag atau
perbedaan waktu antar dua pengamatan
Fungsi autokorelasi adalah autokorelasi yang
dihitung untuk beberapa time lag, k = 0, 1, 2, …
Plot antara autokorelasi dan time lag disebut dengan
korrelogram.
40. Pendeteksian Stasioneritas
Autokorelasi sampel pada lag ke – k dihitung
berdasarkan:
T
t
t
T
k
t
k
T
j
t
T
k
t
k
Y
Y
Y
Y
Y
Y
1
2
1
,
1
,
1
̂
41. Pendeteksian Stasioneritas
Proses dikatakan stasioner jika pengamatan pada
satu periode waktu tidak berkorelasi dengan
pengamatan pada periode yang lain
Autokorelasi bernilai 1 pada time lag 0 (korelasi
dengan dirinya sendiri) dan tidak nyata pada time
lag yang lainnya
Keberartian autokorelasi sampel pada time lag tertentu
diiuji berdasarkan sifat:
di mana T adalah total banyaknya pengamatan
T
N
k
1
,
0
~
̂
42. Pendeteksian Stasioneritas
Selang kepercayaan 95% bagi autokorelasi sampel
adalah:
T
k
96
.
1
ˆ
Autokorelasi pada time lag ke – k dikatakan tidak
nyata jika masih berada pada selang tersebut.
43. Korrelogram data GDP UK
-1
-0.5
0
0.5
1
0 5 10 15 20
lag
ACF for GDP
+- 1.96/T^0.5
-1
-0.5
0
0.5
1
0 5 10 15 20
lag
PACF for GDP
+- 1.96/T^0.5
44. Pendeteksian Stasioneritas
Selain dari selang kepercayaan, dapat pula dilakukan uji
secara serempak untuk autokorelasi sampai dengan time
lag maksimum (m) uji Ljung Box
Uji tersebut juga dipakai untuk mendeteksi apakah
sisaan suatu model sudah bersifat acak white noise
0
satu
salah
minimal
:
0
...
:
0
1
0
j
k
H
H
Statistik uji yang digunakan:
m
k
m
k
k
T
T
T
LB
1
2
2
~
ˆ
2
46. Pendeteksian Stasioneritas
Dapat pula dilakukan dengan uji unit root Uji Dickey
Fuller
Contoh pada data GDP UK (yang tidak stasioner)
Pengujian dilakukan dengan asumsi bahwa deret
tersebut adalah random walk tanpa pergeseren (drift )
model dengan trend untuk time lag 1 tanpa intersep
Yt = β1Yt–1 + ut
47. Uji DF pada data GDP UK
Dickey-Fuller test for GDP
sample size 174
unit-root null hypothesis: a = 1
test without constant
model: (1-L)y = (a-1)*y(-1) + e
1st-order autocorrelation coeff. for e: 0.045
estimated value of (a - 1): 0.00585119
test statistic: tau_nc(1) = 8.02815
p-value 1
H0 tidak dapat ditolak, yang berarti bahwa deret tersebut
mempunyai unit root atau random walk tidak stasioner
48. Transformasi bagi Nonstationary Time Series
Jika deret waktu mempunyai unit root (tidak stasioner)
maka pembeda pertamanya akan bersifat stasioner
Jika ditemui deret waktu dengan sifat tersebut
transformasi supaya stasioner pembedaan pertama
49. Plot deret Waktu Bagi Pembedaan Pertama
GDP UK
-2
-1.5
-1
-0.5
0
0.5
1
1.5
2
2.5
3
3.5
1955 1960 1965 1970 1975 1980 1985 1990 1995
d_GDP
50. Kointegrasi
Regresi yang diterapkan pada dua deret yang tidak
stasioner (X maupun Y) dapat menghasilkan spurious
regression
Misalkan masing – masing deret mempunyai unit root
atau bersifat terintegrasi pada ordo 1 I(1)
Galat (ut ) regresi Yt terhadap Xt kombinasi linier dari dua
deret I(1).
Orde integrasi dari galat ≤ 1
Jika dihasilkan galat yang bersifat I(0) (stasioner) maka
kedua deret tersebut dikatakan ber – kointegrasi
Regresi yang dihasilkan bukan lagi spurious regression
51. Kointegrasi
Kointegrasi terjadi jika dua deret tersebut memang
mempunyai hubungan fungsional secara terapan
Kecenderungan/trend yang terjadi pada deret Xt mempunyai
pola yang sama dengan yang terjadi pada deret Yt
Kombinasi linier dari deret – deret dengan sifat tersebut
dapat menghilangkan sifat ketidastasioneritasan
52. Pengujian Kointegrasi
Pengujian unit root pada setiap deret Yt maupun Xt
Menduga parameter model regresi Yt terhadap Xt
Mendapatkan sisaan model
Menguji unit root pada sisaan
Dapat disimpulkan bahwa keduanya ber-kointegrasi jika:
Uji unit root pada deret Yt dan Xt menyimpulkan H0 tidak
ditolak
Uji unit root pada sisaan menyimpulkan H0 ditolak
Uji yang digunakan pada masing – masing uji unit root
adalah uji DF
Secara keseluruhan dengan memberikan koreksi pada
statistik uji, DF uji yang digunakan adalah uji Engle –
Granger (EG).
53. Contoh Kasus Konsumsi dan Pendapatan
Secara a priori konsumsi memang dipengaruhi oleh
pendapatan
Akan tetapi jika data yang teramati adalah data deret
waktu (mis: per kuartal) maka setiap deret menunjukkan
sifat stochastic trend tidak stasioner I(1)
Masing – masing deret memiliki trend yang serupa
56. Regresi dari Konsumsi terhadap
Pendapatan
^PCE = -171 + 0.967*PDI
(22.9) (0.00807)
T = 88, R-squared = 0.994
(standard errors in parentheses)
Hasil uji unit root bagi Konsumsi (terima H0)
Augmented Dickey-Fuller test for PCE
including one lag of (1-L)PCE (max was 1)
sample size 86
unit-root null hypothesis: a = 1
test without constant
model: (1-L)y = (a-1)*y(-1) + ... + e
1st-order autocorrelation coeff. for e: -0.036
estimated value of (a - 1): 0.00512264
test statistic: tau_nc(1) = 4.87711
asymptotic p-value 1
57. Regresi dari Konsumsi terhadap
Pendapatan
Hasil uji unit root bagi Pendapatan (terima H0)
Dickey-Fuller test for PDI
sample size 87
unit-root null hypothesis: a = 1
test without constant
model: (1-L)y = (a-1)*y(-1) + e
1st-order autocorrelation coeff. for e: -0.031
estimated value of (a - 1): 0.00611493
test statistic: tau_nc(1) = 5.7059
p-value 1
58. Regresi dari Konsumsi terhadap
Pendapatan
Hasil uji unit root bagi sisaan (tolak H0)
Augmented Dickey-Fuller test for uhat2
including one lag of (1-L)uhat2 (max was 1)
sample size 86
unit-root null hypothesis: a = 1
test without constant
model: (1-L)y = (a-1)*y(-1) + ... + e
1st-order autocorrelation coeff. for e: -0.019
estimated value of (a - 1): -0.220462
test statistic: tau_nc(1) = -2.82347
asymptotic p-value 0.004621
Model yang didapatkan bukan spurious regression