Heterokedastisitas Model ARACH dan GARCH

Presentasi berjudul: "Heterokedastisitas Model ARACH dan GARCH"— Transcript presentasi:

1 Heterokedastisitas Model ARACH dan GARCH
Pertemuan 14 Heterokedastisitas Model ARACH dan GARCH

2 Pengertian Heterokedastisitas
Asumsi yang dipakai dalam penerapan model regresi lininer adalah varians dari setiap gangguan adalah konstan. Heteroskedatisitas adalah keadaan dimana asumsi diatas tidak tercapai Dampak adanya heteroskedastisitas adalah tidak efisiennya proses estimasi, sementara hasil estimasinya sendiri tetap konsisten dan tidak bias

3 Pengertian Heterokedastisitas
Dengan adanya masalah hteroskedastisitas akan mengakibatkan hasil uji t dan F dapat menjadi tidak berguna

4 Uji yang bisa dilakukan untuk melihat Heterokedastisitas
Uji Park Uji Goldfeld-Quant Uji White Heterocedasticity Test

5 Heterosekedastisitas
Penyebab : Data yang mengikuti learning model Adanya outlier dalam sekelompok data Kesalahan dalam memilih variabel Skewness atau kemencengan dalam variabel tertentu

6 Akibat heterokedastisitas terhadap OLS
Tidak konstannya variansi mengakibatkan lebih besarnya variansi dari taksiran Besarnya variansi taksiran akan mempengaruhi uji hipotesis (uji t dan F)yang dilakukan, karena kedua uji tersebut menggunakan besaran variansi taksiran. Akibatnya kedua uji hipotesis tersebut menjadi kurang akurat Besarnya variansi taksiran mengakibatkan standar error taksiran juga menjadi besar, sehingga interval kepercayaan menjadi sangat besar Akibat beberapa dampak diatas, maka kesimpulan yang diambil dari persamaan regresi yang dibuat dapat menyesatkan

7 Cara Untuk menghilangkan gejala Heterokedastisitas
Transformasi Logaritma Transformasi model regresi ke dalam bentuk logaritma akan membuat perbedaan nilai akan menjadi lebih kecil Misalnya angka 100 dengan angka 10 memiliki perbedaan sebesar 90. Setelah ditransformasi menjadi masing-masing Ln100 dan Ln10 maka perbedaannya menjadi lebih kecil yaitu Dengan mengurangi selisih, diharapkan data yang sebelumnya heterokedastisitas dapat menjadi homokedastisitas

8 Mendeteksi Heterosekedastisitas

9 Mendeteksi Heterokedastisitas dengan White Heterocedasticity Test
Hipotesis Ho = tidak ada heteroscedastisitas (homocedastis) Ha = ada heterocedastisitas Ketentuan: Jika Probalibitas F Statistic < 0.05 ( Signifikan), Terima Ha Tolak Ho maka ada Heterocedastisitas Jika Probalibitas F Statistic > 0.05 ( Tidak Signifikan),Terima Ho tolak Ha, maka tidak ada heteroscedastisitas (homocedastis)

10 Contoh: White Heteroskedasticity Test:
F-statistic Probability Obs*R-squared Probability Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 06/09/10 Time: 08:49 Sample: Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. C P P^ P*BP P*BD BP BP*BD BD^ R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

11 Model ARCH DAN GARCH Dalam metode OLS kita mengenal Teorema Gauss Markov, yang salah satunya mensyaratkan agar vairans dari error bersifat konstan, atau tidak berubah-ubah (homoskedastisitas), agar estimator yang didapat BLUE Akan Tetapi dalam pembuatan model, tidak jarang ditemui bahwa persyaratan tersebut tidak dapat dipenuhi

12 Model ARCH DAN GARCH Pada umumnya data cross section sering memunculkan varians error yang heteroskedastis. Akan tetapi bukan berarti data time series terhindar dari permasalahan tersebut Data keuangan, seperti: Harga saham, inflasi, nilai tukar, atau suku bunga seringkali mempunyai varian error yang tidak konstan

13 Model ARCH DAN GARCH Model Arch dan Garch merupakan model yang dapat digunakan bila ada gangguan Heterokedastisitas Bahkan cenderung memanfaatkan kondisi heterokedastisitas dan memanfaatkan heteroskedastisitas dalam error dengan tepat, maka akan diperoleh estimator yang lebih efisien

14 Model ARCH DAN GARCH ARCH singkatan dari AutoRegressive Conditional Heteroscedasticity GARCH singkatan dari Generalized AutoRegressive Conditional Heteroscedasticity

15 Quis: Dependent Variable: Q Method: Least Squares
Date: 06/09/10 Time: 08:49 Sample: Included observations: 11 Variable Coefficient Std. Error t-Statistic Prob. P BP BD C R-squared Mean dependent var Adjusted R-squared S.D. dependent var S.E. of regression Akaike info criterion Sum squared resid Schwarz criterion Log likelihood F-statistic Durbin-Watson stat Prob(F-statistic)

16 Pertanyaan: Ditanyakan: Bentuk Persamaan Regresi untuk Output diatas!
Apakah Model tersebut layak untuk digunakan? Jelaskan? Terangkan pengaruh parsial variabel independen dengan variabel dependennya! (Uji t) Apakah Penelitian output diatas ada Gejala Autokorelasi? Jelaskan! Apakah Penelitian output diatas ada Gejala Multikolinieritas? Jelaskan!