Pelatihan software eviews 6 forecasting

Copyright © Wondershare Software

Pelatihan Software EViews

6

Lab. DSS Teknik Industri Universitas Diponegoro

Semarang, 8 Oktober 2011

Lab. Optimasi dan Perencanaan Sistem Industri Teknik Industri Universitas DiponegoroProudly Presents

Can You Predict the Future

by Looking at the Past?M. Mujiya

Ulkhaq, S.T.

Ekonometrika

Ekonometrika dapat didefinisikan sebagai ilmu sosial di mana teori ekonomi, matematika, dan statistik inferensia digunakan untuk menganalisis fenomena ekonomi (Goldberger, 1964).

Dalam bahasa mudahnya, ekonometrika merupakan gabungan antara teori ekonomi, matematika ekonomi, statistika ekonomi, dan matematika statistika (Gujarati, 2003).

Materi dalam ekonometrika meliputi: Analisis Time Series; Analisis Regresi beserta Asumsi Klasik Statistik; Model Persamaan Simultan.

Forecasting

Forecasting adalah suatu seni untuk mengetahui keadaan/ kondisi tertentu.

Mengapa perlu forecasting? Adanya ketidakpastian; Adanya keterbatasan sumber daya.

Tujuan diadakannya forecasting: Untuk meminimalisir ketidakpastian; Agar langkah proaktif dapat dilakukan.

Forecasting

Quantitative

Sufficient quantitative information is available. Quantitative forecasting can be applied when:

a. Information about the past is available;

b. It can be quantified in the form of numerical data;

c. It can be assumed that some aspects of the past pattern will continue into the future.

Qualitative

Little or no quantitative information is available, but sufficient qualitative knowledge exists.

These are: delphi, market survey, sales force, analogy. Unpredictable

Little or no information is available, such as: predicting the effects of interplanetary travel. (Makridakis et al., 1998)

Forecasting

Quantitative

Time Series

Explanatory/Causality

Combination

Regression

Ekonometrics

Sate Space

Bayesian

Wavelets

Intervention

ARIMAX

VARIMAX

Neural Networks

Analisis Time Series

Analisis time series pertama kali diperkenalkan oleh George E. Box dan Gwilym M. Jenkins pada tahun 1976 dalam bukunya: Time Series Analysis Forecasting & Control.

Dasar pemikirannya adalah pengamatan sekarang bergantung pada satu atau beberapa pengamatan sebelumnya. Atau dengan kata lain, model time series dibuat karena secara statistik ada korelasi antar tiap deret pengamatan.

If you think you know more about

time series…Think again…

Analisis Time Series

Time Series

Moving Average

Simple Average

Simple Moving AverageDouble Moving AverageCenter Moving Average

Weighted Moving Average

Dekomposisi

Trend AdditiveTrend Multiplicative

ARIMASARIMAARFIMA

SingleDouble

Holt-Winters (No Seasonal)Holt-Winters (Additive)

Holt-Winters (Multiplicative)

Exponential Smoothing

Stationer ?

Non stationer ? VARVECM

ARCH/EARCH

GARCH/EGARCHVolatile ?

Analisis SpektralTelaah Frekuensi

Seasonal Additive

Seasonal Multiplicative

Naïve MethodsNaïve Methods

ARIMA

ARIMA sering disebut Metode Box-Jenkins, karena ditemukan oleh George E.P. Box dan Gwylim M. Jenkins pada awal tahun 1970.

Tujuan dari ARIMA ialah menemukan suatu model peramalan yang akurat yang mewakili pola masa lalu dan masa depan dari suatu data time series.

Model ARIMA sering disebut sebagai model yang dapat secara tepat merepresentasikan model di dunia nyata, sehingga peramalan dengan metode ini lebih disukai oleh beberapa ahli. Selain itu, keunggulan dari ARIMA adalah cukup menggunakan data deret waktu itu sendiri (tanpa data yang lain) untuk melakukan peramalan

Filosofi dari ARIMA: “Let the data speak for themselves”.

ARIMA

Model ARIMA sejatinya terdiri dari tiga model, yakni: AR (Auto Regressive)

Model AR adalah: MA (Moving Average)

Model MA adalah: ARIMA (Auto Regressive Integrated Moving Average)

Model ARIMA adalah:

AR sering disebut dengan ordo p sedangkan MA sering disebut ordo q. Untuk data yang tidak stasioner, maka akan ditambahkan ordo d yang menunjukkan kalau data tidak stasioner. Dengan ordo d ini, maka AR dan MA menjadi terintegrasi, sehingga menjadi ARIMA.

tptpttt YYYY ...2211

qtqttttY ...2211

qtqtttptpttt YYYY ...... 22112211

ARIMA

1. Data preparation

2. Pengujian stasioneritas

Apabila data tidak stasioner, maka dilakukan proses stasionerisasi dengan men-difference data ke-i dengan data ke-i-1

Apabila data masih tidak stasioner pada proses difference ke-2, maka forecasting dengan ARIMA tidak dapat dilakukan

3. Penentuan ordo AR dan MA

4. Estimasi parameter

Apabila parameter tidak signifikan, maka model tidak dapat digunakan

5. Pemilihan model terbaik

Dilakukan dengan melihat nilai AIC dan SIC yang terrendah

6. Diagnostic Checking

Apabila residual bukan white noise, maka model tidak dapat dipakai

7. Forecasting

ARIMA

Konsep Stasioneritas

Kestasioneran data merupakan kondisi yang diperlukan dalam analisis time series karena dapat memperkecil kekeliruan dalam model.

The concept of stationarity is crucial because when a series is nonstationary (Heij et al., 2004),

1. Mean, variance, covariance, correlation, and partial correlation lose their meaning,

2. Important identification and estimation methods do not work,

3. Standard asymptotic results for statistical inference do not apply.

Apabila data tidak stasioner, maka harus dilakukan proses stasioneritas sampai dua kali.

ARIMA

Pengujian Stasioneritas dalam EViews 6

Pengujian yang sering (populer) dilakukan adalah dengan Uji ADF (Augmented Dickey-Fuller) yang dikembangkan oleh Dickey dan Fuller pada tahun 1979.

Uji lainnya adalah:

1. Uji DFGLS (Dickey-Fuller Test with GLS Detrending) yang dikembangkan oleh ERS tahun 1996;

2. Uji Phillipis-Perron yang dikembangkan tahun 1998;

3. Uji KPPS (Kwiatkowski, Phillips, Schmidt, and Shin) yang dikembangkan tahun 1992;

4. Uji ERS (Elliot, Rothenberg, and Stock Point Optimal Test) yang dikembangkan tahun 1996;

5. Uji NP (Ng-Perron) yang dikembangkan tahun 2001.

ARIMA

Penentuan Orde AR dan MA

Penentuan Orde AR dan MA dapat dilakukan dengan melihat correlogram dari data.

Penentuan Orde AR dilakukan dengan melihat grafik PACF (Partial Autocorrelation Function).

Penentuan Orde MA dilakukan dengan melihat grafik ACF (Autocorrelation Function).

Apabila model telah diestimasi, maka parameter harus dicek apakah signifikan atau tidak dengan melihat nilai p-value.

Ingat Prinsip Parsimoni!

ARIMA

AR 1 AR 2

ARIMA

MA 1

MA 2

ARIMA

Penentuan Model Terbaik.

Penentuan model terbaik dilakukan dengan melihat nilai AIC (Akaike Info Criterion) dan SIC (Schwarz Info Criterion).

AIC dan SIC merupakan “penalti” yang diberikan kepada suatu estimasi model untuk mengukur goodness of fit dari model tersebut.

Semakin kecil nilai AIC dan SIC, maka semakin baik model tersebut.

AIC = SIC =

l = besarnya nilai log likelihood

T = jumlah observasi

k = jumlah parameter yang diestimasi

T

k

T

l22

T

Tk

T

l log.2

ARIMA

Diagnostic Checking

Langkah selanjutnya adalah memeriksa apakah residual white noise apa tidak. Kalau residual tidak white noise, maka model yang telah dibuat tidak dapat dipakai. Akibatnya kita harus membuat mengestimasi model baru lagi.

Kriteria dari white noise dapat dilihat dari nilai Q statistic:

Box-Pierce Q = Ljung-Box Q* =

n = jumlah observasi

h = jumlah lag maksimal

r2k= koefisien autokorelasi pada lag ke-k

EViews hanya menampilkan statistic Ljung-Box Q*.

Nilainya harus dibawah dari nilai χ2 dengan v = (h-k), atau nilai p-value di atas 0,05.

h

kkrn

1

2

h

kkrknnn

1

212

ARIMA

Forecasting

Langkah terakhir setelah memeriksa apakah residual yang terjadi merupakan white noise, maka langkah selanjutnya adalah MERAMALKAN dengan model terpilih.

Selamat Mencoba


Metode peramalan dengan cara penghalusan (smoothing) merupakan metode peramalan univariat yang diperkenalkan oleh C.C. Holt pada tahun 1958. Metode ini menggunakan konstanta pemulusan. Metode peramalan ini terdiri dari berbagai jenis, di antaranya:

Single exponential smoothing : satu parameter (α) Double exponential smoothing : satu parameter (α) Holt-Winters – No seasonal : dua parameter (a dan b) Holt-Winters – Multiplicative : tiga parameter (a, b, dan

c) Holt-Winters – Additive : tiga parameter (a, b, dan

c)


Single exponential smoothing

Konstanta pemulusan adalah α, yang merupakan fungsi rekursif sebagai berikut:

Untuk memulai fungsi rekursif dan mencari nilai α, dibutuhkan

initial value dari . EViews memulai fungsi rekursif dengan

, di mana T adalah jumlah observasi.

α dapat dicari dengan:

1. Hitung residu dari masing-masing fungsi rekursif;

2. Hitung jumlah kuadrat residu;

3. Differensialkan fungsi rekursif ke arah α dan lakukan operasi matematika untuk mencari nilai optimalnya.

11.

ttt yyy

1

0

1t

sst

st yy

ty

2

1

Ty t


Double exponential smoothing

Konstanta pemulusan adalah α, yang merupakan fungsi rekursif sebagai berikut:

11. ttt SyS

11. ttt DSD

kDSDSy ttttkt

12


Holt-Winters No Seasonal

Konstanta pemulusan adalah a dan b, yang merupakan fungsi rekursif sebagai berikut:

a dan b dapat dicari dengan:

1. Hitung rata-rata data setiap horizon waktu (misal 1 tahun);

2. Tentukan model trend setiap horizon waktu dan hitung nilai ramalannya pada pengamatan terakhir;

3. Bangun formulasi pembobotan;

4. Lakukan iterasi seperti single exponential smoothing.

1.11

111.

tbtattb

tbtyta t

ktbty kt

Copyright © Wondershare Software

Thank you !

Technology

Pelatihan software eviews 6 forecasting