Presentasi sedang didownload. Silahkan tunggu

Presentasi sedang didownload. Silahkan tunggu

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

Presentasi serupa


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

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

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”

3 PATTERN siklus upward downwardlinier & kuadratik No systematic pattern

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:

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

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

7 AUTOKORELASI (+), (--)

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

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

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

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

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

13 DIAGNOSA 3. Durbin-Watson Test Durbin–Watson d statistic: Asumsi: 1.Model RL mengandung intercept 2.X non stochastic


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

Presentasi serupa


Iklan oleh Google