Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

Model ARIMA Box-Jenkins Pertemuan 11. Metodologi Box-Jenkins: 1.Identifikasi model untuk sementara  data lampau digunakan untuk mengidentifikasi model.

Presentasi serupa


Presentasi berjudul: "Model ARIMA Box-Jenkins Pertemuan 11. Metodologi Box-Jenkins: 1.Identifikasi model untuk sementara  data lampau digunakan untuk mengidentifikasi model."— Transcript presentasi:

1 Model ARIMA Box-Jenkins Pertemuan 11

2 Metodologi Box-Jenkins: 1.Identifikasi model untuk sementara  data lampau digunakan untuk mengidentifikasi model ARIMA yang sesuai. 2.Penaksiran parameter pada model sementara  data lampau digunakan untuk mengestimasi parameter dari model sementara. 3.Pemeriksaan diagnosa, apakah model memadai?  berbagai diagnosa digunakan untuk memeriksa kecukupan model sementara.  jika memenuhi, maka model bisa digunakan untuk meramalkan. Bila tidak, maka ditetapkan model sementara yang baru. 4.Meramalkan  model sementara yang sudah sesuai dapat digunakan untuk meramalkan nilai yang akan datang.

3 Diagram Metodologi Box-Jenkins 1. Identifikasi model sementara 2. Estimasi parameter 3. Pemeriksaaan diagnosa [ apakah modelmemadai? ] 4. Meramalkan Tdk Ya  Stationary dannon- stationary  ACF dan PACF  Tingkat residu  Distribusi Normal dari residual  Testing parameter  Perhitungan peramalan

4 Pola umum data time series Nonseasonal Nonstationary models Seasonal and Multiplicative models Intervention models Nonseasonal Stationary models ACF dan PACF

5 Stationary dan Nonstationary data Time Series Stationer Nonstationer

6 Perbedaan pertama: Z t = Y2 t – Y2 t-1 Nonstationer Stationer Differences

7 Sample Autocorrelation Function (ACF) For the working series Z 1, Z 2, …, Z n :

8 ACF for stationary time series 1 0 Lag k Lag k Lag k Lag k 8 cuts off dies down (exponential) dies down (sinusoidal) no oscillation oscillation

9 Dying down fairly quickly versus extremely slowly Dying down fairly quickly Lag k Lag k Dying down extremely slowly stationary time series (usually) nonstationary time series (usually)

10 Sample Partial Autocorrelation Function (PACF) For the working series Z 1, Z 2, …, Z n : Corr(Z t,Z t-k |Z t-1,…,Z t-k+1 )

11 Calculation of PACF at lag 1, 2 and 3 The sample partial autocorelations at lag 1, 2 and 3 are:

12 MINITAB output of STATIONARY time series ACF PACF Dying down fairly quickly Cuts off after lag 2

13 MINITAB output of NONSTATIONARY time series ACF PACF Dying down extremely slowly Cuts off after lag 2

14 Explanation of ACF … [MINITAB output]  t  /2. se(r k ) +  + 

15 General Theoretical ACF and PACF of ARIMA Models Model ACF PACF MA(q): moving average of order qCuts offDies down after lag q AR(p): autoregressive of order pDies downCuts off after lag p ARMA(p,q): mixed autoregressive-Dies downDies down moving average of order (p,q) AR(p) or MA(q)Cuts off Cuts off after lag qafter lag p No order AR or MANo spikeNo spike (White Noise or Random process)


Download ppt "Model ARIMA Box-Jenkins Pertemuan 11. Metodologi Box-Jenkins: 1.Identifikasi model untuk sementara  data lampau digunakan untuk mengidentifikasi model."

Presentasi serupa


Iklan oleh Google