Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

AUTO CORRELATION KULIAH 13 TIME SERIES Usman Bustaman, S.Si, M.Sc. 1.

Presentasi serupa


Presentasi berjudul: "AUTO CORRELATION KULIAH 13 TIME SERIES Usman Bustaman, S.Si, M.Sc. 1."— Transcript presentasi:

1 AUTO CORRELATION KULIAH 13 TIME SERIES Usman Bustaman, S.Si, M.Sc. 1

2 WHAT’S AUTOCORRELATION? Nature of Problem: correlation between members of series of observations ordered in time [as in time series data] or space [as in cross-sectional data] Ex: hubungan antara Output dan Naker (data kuartalan)  Obs kuartal 1 berpengaruhi pada obs kuartal berikutnya Ex: hubungan antara Pendptn dan Konsumsi Ruta (data cross section)  Obs Ruta 1 berpengaruhi pada obs Ruta berikutnya  “rumput tetangga selalu lebih hijau” 2

3 PATTERN siklus upward downwardlinier & kuadratik No systematic pattern 3

4 PENYEBAB 1.Inertia / siklus  Sering terjadi pada data time series: PDB, indeks harga, pengangguran, produksi, dll  Resesi , recovery  2.Specification Bias: Excluded Variables Case.  Variabel yg tdk masuk ke dlm model, ikut serta dalam “error”  Y=permintaaan daging sapi, X 2 =harga daging sapi, X 3 =income, X 4 =harga daging ayam  Persamaan:  Dimodelkan: 4

5 PENYEBAB 3.Specification Bias: Incorrect Functional Form. “True” Model Modeled with: v i = where: Other functional form: Cobweb function: Lag function 5

6 PENYEBAB 4. “Manipulasi” Data  Data triwulanan = rata-2 data 3 bln  Inter/extra-polasi data, ex: mengestimasi data antara dari data sensus th 1990 & Transformasi Data 6. Data Nonstasioner 6

7 AUTOKORELASI (+), (--) 7

8 APA KABAR BLUE? Perhatikan, jika terjadi autokorelasi, error u t misalkan mengikuti fungsi disebut sbg koefisien autokorelasi u t disebut sebagai fungsi autoregresi orde 1 (AR1)  t mengikuti asumsi OLS  Dengan dmk  Homoskedastic 8

9 APA KABAR BLUE? Jika r = 0.6,  = 0.8,  atau  Var OLS underestimate ! no longer BLUE  it’s LU 9

10 KONSEKUENSI 1.Karena var OLS underestimate  estimate parameter mjd non-sig meski kemungkinan (sebenarnya) sig. 2.  Varians residual,, underestimate thd 3.  uji t dan uji F tidak lagi valid  misleading 10

11 DIAGNOSA 1. Metode grafis -- Time sequence plot Positive correlation 11

12 DIAGNOSA 2. Runs Test Asumsi N1, N2 > 10  R ~ normal dgn: Jika R ada di luar CI  residual berautokorelasi N 1 = 19, N 2 = 21, R = 3 95% CI   Residual berautokorelasi 12

13 DIAGNOSA 3. Durbin-Watson Test Durbin–Watson d statistic: Asumsi: 1.Model RL mengandung intercept 2.X non stochastic 3.u t merupakan fungsi AR1: 4.u t ~ Normal 5.Model RL tdk mengandung lag Y pada variabel bebasnya 6.Tidak ada missing data  karena -1 ≤  ≤ 1  0 ≤ d ≤ 4  Jika tdk ada autokorelasi (  =0), d disekitar nilai 2 13

14 DURBIN-WATSON TEST 14

15 DIAGNOSA 4. The Breusch–Godfrey (BG) Test / LM Test Step: 1.Estimate RL, hitung residualnya, 2.Regresikan thd X dan lag residualnya Lalu hitung R 2 -nya 3.Jika n besar  4.Tolak Ho jika > 15

16 REMEDIAL 1. Metode Generalized Least Square (GLS) Misalkan: Jika rho diketahui: dimana Jika rho tidak diketahui: 1. Metode first difference  jika d < R 2  Valid jika  = 1  uji menggunakan g statistik:  kepuusan tolak H0 = d statistik 16

17 REMEDIAL Jika rho tidak diketahui 2. Estimasi rho menggunakan statistik d  3. Estimasi rho menggunakan residual  4. Estimasi rho menggunakan metode iterasi 2,3,4 Lalu estimasi GLS menggunakan 17

18 REMEDIAL 2. Metode Newey-West: HAC (heteroscedasticity- and autocorrelation-consistent) standard errors Menambahkan variabel bebas lain yang penting/mempengaruhi variabel tak bebas …. 18

19 NORMALITY TEST Histogram Normal probability plot Anderson-Darling Normality Test Jarque–Bera (JB) Test of Normality. 19


Download ppt "AUTO CORRELATION KULIAH 13 TIME SERIES Usman Bustaman, S.Si, M.Sc. 1."

Presentasi serupa


Iklan oleh Google