Causality & Cointegration

Slides:



Advertisements
Presentasi serupa
Evaluasi Model Regresi
Advertisements

Auto Correlation/ Serial Correlation
Auto CORRELATION KULIAH 13 TIME SERIES Usman Bustaman, S.Si, M.Sc.
Angelina Ika Rahutami Unika Soegijapranata Gasal 2011/2012.
TIME SERIES DAN STASIONERITAS
ANALISIS TIME SERIES KONSEP-KONSEP DASAR.
Auto CORRELATION KULIAH 13 TIME SERIES Usman Bustaman, S.Si, M.Sc.
Regresi Palsu (Spurious Regression), Ko-Integrasi, dan ECM
(Guru Besar pada Fakultas Ekonomi dan Manajemen
KONSEP-KONSEP DASAR TIME SERIES
Vector Auto Regression (VAR) SEKOLAH TINGGI ILMU STATISTIK
UJI UNIT ROOT PADA DATA PANEL
Vector Error Correction Model (VECM)
Regresi linier sederhana
Regresi linier sederhana
Uji Asumsi Klasik Pada Regresi Dengan Metode Kuadrat Terkecil (OLS)
KONSEP DAN PEMODELAN ARIMA (AUTOREGRESSIVE INTEGRATED MOVING AVERAGE)
Regresi dengan Autokorelasi Pada Error
EKONOMETRIKA TERAPAN (Pertemuan #3)
Regresi linier sederhana
KULIAH  Nature of the problem: X’X matrix must not be singular  why?  Ada hubungan linier antar beberapa (atau semua) variabel bebas.  Perfect:
Pengendalian dan Penjaminan Mutu (sebelum UTS)
Roesfiansjah Rasjidin Program Studi Teknik Industri FT - UEU.
Analisis Deret Waktu: Materi minggu ketiga
(Guru Besar pada Fakultas Ekonomi dan Manajemen Institut Pertanian Bogor) Lektor pada Fakultas Ekonomi Universitas Jambi © Bambang Juanda & Junaidi: Ekonometrika.
KONSEP DAN PENGUJIAN UNIT ROOT
(Guru Besar pada Fakultas Ekonomi dan Manajemen
Asumsi Model Regresi Pemeriksaan Pola Sisaan (Residual) Kutner, Ch. 3
ANALISIS EKSPLORASI DATA
1 Pertemuan 25 Matakuliah: I0044 / Analisis Eksplorasi Data Tahun: 2007 Versi: V1 / R1 Analisis Regresi Ganda (I) : Pendugaan Model Regresi.
Simple Regression ©. Null Hypothesis The analysis of business and economic processes makes extensive use of relationships between variables.
MULTIPLE REGRESSION ANALYSIS THE THREE VARIABLE MODEL: NOTATION AND ASSUMPTION 08/06/2015Ika Barokah S.
1 Pertemuan 24 Matakuliah: I0214 / Statistika Multivariat Tahun: 2005 Versi: V1 / R1 Analisis Struktur Peubah Ganda (IV): Analisis Kanonik.
Analisis Regresi. ANALISIS REGRESI Melihat ‘pengaruh’ variable bebas/independet variabel/ thd variable terikat/dependent variabel. Berdasarkan jumlah.
(Guru Besar pada Fakultas Ekonomi dan Manajemen
Richard Matias A.muh.Awal Ridha s Alfiani Nur Islami
MULTICOLLINEARITY Salah satu asumsi model regresi berganda adalah tidak ada hubungan linier antar peubah bebas. Sebagai ilustrasi bagaimana jika terjadi.
Ekonometrika Lanjutan
KORELASI & REGRESI.
Ekonometrika Lanjutan
GRANGER CAUSALITY Sebenarnya Granger Causality adalah diadaptasi dari hubungan sebab akibat matematika dari Norbert Weiner ,1956 Prof.Clive Granger, 1960.
Pertemuan 11 Chow Test.
Restricted Least Squares & Omitted Test
EKONOMETRIKA Pertemuan 7: Analisis Regresi Berganda Dosen Pengampu MK:
Program Studi Statistika, semester Ganjil 2012/2013
Oleh : St Nurhotimah & M. Wahyu Syaputra
Asumsi Klasik (Multikolinieritas)
Muchdie, Ir, MS, Ph.D. FE-Uhamka
Heterokedastisitas Model ARACH dan GARCH
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 2)
PENANGANAN ASUMSI RESIDUAL DALAM ANALISIS REGRESI
Program Studi Statistika, semester Ganjil 2012/2013
METODA PERAMALAN KUANTITATIF
Program Studi Statistika, semester Ganjil 2012/2013
Modul 12 Qualitative Independent Variables
Program Studi Statistika, semester Ganjil 2012/2013
Agribusiness Study of Programme Wiraraja University
Praktikum Metode Regresi MODUL 1
Analisis regresi (principle component regression)
Program Studi Statistika, semester Ganjil 2012/2013
M. Double Moving Average
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 2)
Uji Kausalitas Granger
ANALISA REGRESI LINEAR DAN BERGANDA
(Guru Besar pada Fakultas Ekonomi dan Manajemen
Agribusiness Study of Programme Wiraraja University
Analisis Regresi.
DERET BERKALA (TIME SERIES) (1)
Program Studi Statistika, semester Ganjil 2012/2013
Uji Korelasi dan Regresi
Transcript presentasi:

Causality & Cointegration

Causality Vs Correlation Correlation does not necessarily imply causation in any meaningful sense of that word. The econometric graveyard is full of magnificent correlations, which are simply spurious or meaningless. Interesting examples include a positive correlation between teachers' salaries and the consumption of alcohol and a superb positive correlation between the death rate in the UK and the proportion of marriages solemnized in the Church of England. Economists debate correlations which are less obviously meaningless.

Granger Causality

Granger Causality

Granger Causality

Granger causality

Granger causality

Cointegration Apabila dua data time series yang non stationer dan di-regres untuk mencari hubungan kausalitasnya maka persamaan regresi yang diperoleh akan bersifat spurious Regression equation bersifat spurious jika error yang dihasilkannya tidak bersifat white noise

Cointegration Error bersifat white noise/stasioner jika: E(e)= 0 Var (e) konstan Corr (e) =0 Error yang bersifat non stasioner atau random menunjukkan tidak ada hubungan kausalitas antara variable yang bersifat random

Cointegration Dua variable yang random (non stationer) walaupun tidak memiliki hubungan kausalitas yang signifikan, kadang kala memiliki pola pergerakan yang sama (move together). Pola move together kedua variable tersebut terlihat dari error yang stasioner Dua time series yang move together disebut Cointegrated

Engle–Granger Method Uji stationaritas dua variabel yang ingin diketahui pola hubungannya Jika kedua variabel bersifat stationer I(0) maka estimasi pola hubungan linier dapat menggunakan regresi OLS Jika salah satu variabel bersifat random I(1) maka pola hubungan linier tidak dapat diperoleh Jika kedua variabel bersifat random, maka pola hubungan yang mungkin adalah cointegration. Pada uji Cointegration dengan EG method, kedua variabel harus integrated pada orde yang sama

Engle–Granger Method Lakukan regresi terhadap variabel yang random tersebut: Yt = a + BXt + et Lakukan uji stationaritas terhadap error dari persamaan di atas. Δ et = aet-1 + et-1 +ut Jika error menunjukkan pola yang stationer maka variabel Y dan X disebut memiliki sifat cointegration

Engle–Granger Method (KETERBATASAN) Pola hubungan antar variabel ditentukan secara apriori Jika cointegration melibatkan lebih dari dua variabel, EG Method yang mendasarkan pada residual test dari single equation tidak mampu menangkapnya

Error Correction Model (ECM) jika Y dan X keduanya bersifat random maka persamaan regresi Yt = a + BXt + et akan bersifat spuriuos Untuk memperoleh hubungan X dan Y, kedua variabel dapat di-diferenced sehingga diperoleh persamaan ΔYt = a + B ΔXt + et persamaan ini dapat bersifat blue dimana errornya white noise Namun persamaan diatas tidak menunjukkan hubungan jangka panjang Y dan X melainkan hanya ΔYt dan ΔXt yang disebut sebagai hubungan jangka pendek

Error Correction Model (ECM) jika error persamaan regresi bersifat cointegrated ( Y dan X, I(1) dan e I(0) ) maka dapat dibuat persamaan error et = Yt - a - BXt dimana Y dan X menunjukkan hubungan jangka panjang antara keduanya Untuk memperoleh long run dan short run relationship dapat dibuat model koreksi error (ECM): ΔYt = a + B ΔXt -π et-1 + Y t atau ΔYt = a + B ΔXt -π (Yt-1 - a – BXt-1 ) + Y t

Error Correction Model (ECM) Jika dua variabel bersifat cointegrated, error dari persamaan cointegration dapat digunakan untuk mengestimasi error correction model (ECM) ECM digunakan untuk menganalisis long run dan short run relationships between variables

Johansen Method Test the order of integration of variables Set the apropriate lag length of the model (Adj R squared, AIC & SBC) Choose the apropriate model regarding the deterministic component in the multivariate system

Johansen Method Zt = [Yt , Xt , Wt ] Zt = A1 Zt-1 + A2 Zt-2 +…+ Ak Zt-k + ut VECM → ∆Zt = г1 ∆ Zt-1 + г1 ∆ Zt-2 +…+ г k -1 ∆ Zt-k-1 + η Zt-1 + ut Гi = (I - A1- …-Ak) η = - (I - A1- …-Ak)

Johansen Method ∆ Xt = г1 ∆ Xt-1 + η Xt-1 + ut ∆ Wt ∆ Wt-1 Wt-1 ∆Zt = г1 ∆ Zt-1 + г1 ∆ Zt-2 +…+ г k -1 ∆ Zt-k-1 + η Zt-1 + ut ∆ Yt ∆ Yt-1 Yt-1 ∆ Xt = г1 ∆ Xt-1 + η Xt-1 + ut ∆ Wt ∆ Wt-1 Wt-1 ∆ Yt ∆ Yt-1 a11 a12 b11 b21 b31 Yt-1 ∆ Xt = г1 ∆ Xt-1 + η a21 a22 b12 b22 b32 Xt-1 + ut ∆ Wt ∆ Wt-1 a31 a23 Wt-1

Johansen Method ∆ Yt ∆ Yt-1 a11 a12 b11 b21 b31 Yt-1 ∆ Xt = г1 ∆ Xt-1 + η a21 a22 b12 b22 b32 Xt-1 + ut ∆ Wt ∆ Wt-1 a31 a23 Wt-1 Yt-1 η1 Zt-1 = ([a11 b11 + a12 b12 ] [a11 b21 + a12 b22 ] [a11 b31 + a12 b32 ] ) Xt-1 Wt-1 η1 adalah first row dari η matrix η1 Zt-1 = a11 (b11 Yt-1 + b21 Xt-1 + b31 Wt-1 ) + a12 (b12 Yt-1 + b22 Xt-1 + b32 Wt-1 ) 2 cointegrating vector with speed of adjustment a11 and a12

β ∆Zt = г1 ∆ Zt-1 + г1 ∆ Zt-2 +…+ г k -1 ∆ Zt-k-1 + α μ1 Zt-1 1 t + σ1 μ2 + σ2 t + ut μ1 = constant in Cointegrating Equation (CE), σ2 = trend in CE μ2 = constant in VAR , σ2 = trend in VAR