Upload
zev
View
76
Download
0
Embed Size (px)
DESCRIPTION
Auto CORRELATION. KULIAH 13 TIME SERIES. Usman B ustaman , S.Si , M.Sc. 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 ] - PowerPoint PPT Presentation
Citation preview
AUTO C
ORRELATI
ON
KU
L I AH
13
TI M
E S
ER
I ES
Usm
an
Bu
st a
ma
n,
S. S
i , M
. Sc .
1
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
PATTERN
siklus
upward
downward linier & kuadratik
No systematic pattern
3
PENYEBAB1. 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, X2=harga daging sapi,
X3=income, X4=harga daging ayam
Persamaan: Dimodelkan:
4
PENYEBAB3. Specification Bias: Incorrect Functional
Form. “True” Model
Modeled with:
vi = where:
Other functional form:Cobweb function:
Lag function
5
PENYEBAB4. “Manipulasi” Data
Data triwulanan = rata-2 data 3 blnInter/extra-polasi data, ex: mengestimasi data antara 1990-2000 dari data sensus th 1990 & 2000
5. Transformasi Data
6. Data Nonstasioner
6
AUTOKORELASI (+) , (--)
7
APA KABAR BLUE?Perhatikan , jika terjadi
autokorelasi
, error ut misalkan mengikuti fungsi
disebut sbg koefisien autokorelasi
ut disebut sebagai fungsi autoregresi orde 1 (AR1)
t mengikuti asumsi OLS
Dengan dmk
Homoskedastic
8
APA KABAR BLUE?
Jika r = 0.6, = 0.8, atau
Var OLS underestimate !
no longer BLUE it’s LU
9
KONSEKUENSI1. 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
DIAGNOSA1. Metode grafis -- Time sequence plot
Positive correlation
11
DIAGNOSA2. Runs Test
Asumsi N1, N2 > 10 R ~ normal dgn:
Jika R ada di luar CI residual berautokorelasi
N1 = 19, N2 = 21, R = 3
95% CI Residual berautokorelasi
12
DIAGNOSA3. Durbin-Watson Test
Durbin–Watson d statistic:Asumsi:
1. Model RL mengandung intercept
2. X non stochastic
3. ut merupakan fungsi AR1:
4. ut ~ 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
DURBIN-WATSON TEST
14
DIAGNOSA4. The Breusch–Godfrey (BG) Test / LM Test
Step:
1. Estimate RL, hitung residualnya,
2. Regresikan thd X dan lag residualnya
Lalu hitung R2-nya
3. Jika n besar
4. Tolak Ho jika >
15
REMEDIAL1. Metode Generalized Least Square (GLS)
Misalkan:
Jika rho diketahui:
dimana
Jika rho tidak diketahui:1. Metode first difference jika d < R2
Valid jika = 1 uji menggunakan g statistik: kepuusan tolak H0 = d statistik
16
REMEDIALJika rho tidak diketahui2. Estimasi rho menggunakan statistik d
3. Estimasi rho menggunakan residual
4. Estimasi rho menggunakan metode iterasi
2,3,4 Lalu estimasi GLS menggunakan
17
REMEDIAL2. Metode Newey-West: HAC
(heteroscedasticity- and autocorrelation-consistent) standard errors
. . . . . .
3. Menambahkan variabel bebas lain yang penting/mempengaruhi variabel tak bebas ….
18
NORMALITY TESTHistogram
Normal probability plot
Anderson-Darling Normality Test
Jarque–Bera (JB) Test of Normality.
19