Transcript ANALISIS DERET WAKTU Ganjil 2011 kuliah ke-8
ANALISIS DERET WAKTU Abdul Kudus, SSi., MSi., PhD.
Ingat bahwa fungsi autokorelasi utk proses AR(1):
x t
x t
1
w t
adalah
k
k
(
k
0)
.................(1) dimana proses tsb bersifat stabil jika 1 Persamaan (1) menunjukkan bhw grafik autokorelasi akan meluruh menuju nol, dan peluruhannya akan lebih cepat untuk yang kecil.
Autokorelasi Parsial (PACF = Partial Autocorrelation Function)
atau
kk
t
1
Y
t
1 2
Y
t
2
k
1
Y
t k
1)
,
Y
Contoh untuk 22 1
Y
t
1
k
2 1) 1 2 1 2 2
Y
t k
2)
k
1
Y
t
1
)
Sehingga autokorelasi parsial untuk proses AR(1) yang mempunyai
k
22
1
2 2 2
0
Jadi, bagi AR(1) PACF lag ke-2-nya adalah nol.
Secara umum bagi AR(p), PACF lag ke-(p+1) dst-nya adalah nol.
kk
0 untuk
k
p
REGRESI
Linier
u
i,t adalah variabel prediktor ke-i pada waktu t Contoh model linier: Polinom ber-orde p dimana u i,t = t
i
(i = 1,2,...,p) Kasus khusus adalah jika p = 1
x
t
0 1
t
z
t
.........(2)
Kestasioneran
Model linier utk deret waktu bersifat TIDAK stasioner krn merupakan fungsi dari t. Pembedaan pertama terhadap model (2) Artinya dgn asumsi {z
t
} stasioner, maka
x t
merupakan fungsi dari t.
stasioner krn tidak
Simulasi
x
t
z t
= 0.8z t-1 + w
t
z
t
error dari regresi adalah berkorelasi berupa AR(1)
w t
stasioner Misal t = 1,2,...,100
> set.seed(1) > z <- w <- rnorm(100, sd = 20) > for (t in 2:100) z[t] <- 0.8 * z[t - 1] + w[t] > Time <- 1:100 > x <- 50 + 3 * Time + z > plot(x, xlab = "time", type = "l")
0 20 40 time 60 80 100
Penaksiran Model Penaksiran Model Berdasarkan Data Hasil Simulasi
Model linier ditaksir dengan metode peminimuman jumlah kuadrat error yang dapat dilakukan dengan perintah lm dalam R
> x.lm < lm (x ~ Time) > coef(x.lm) (Intercept) Time 58.551218 3.063275 > sqrt(diag(vcov(x.lm))) (Intercept) Time 4.88006278 0.08389621
Setelah penaksiran model, kita harus melakukan pemeriksaan korelogram dari residu.
> acf(resid(x.lm)) > pacf(resid(x.lm))
Series resid(x.lm)
0 5 10 Lag
Series resid(x.lm)
15 20 5 10 15 20 Lag Berdasarkan ACF dan PACF di atas, residu tsb merupakan proses apa?
Penaksiran Model utk Data Suhu Global (kuliah-2 slide-13)
Kita hanya ambil data tahun 1970 sampai 2005
> temp <- window(Global.ts, start = 1970) > temp.lm <- lm(temp ~ time(temp)) > coef(temp.lm) (Intercept) time(temp) -34.920409 0.017654
> confint(temp.lm) 2.5 % 97.5 % (Intercept) -37.21001248 -32.63080554
time(temp) 0.01650228 0.01880572
> acf(resid(temp.lm))
Series resid(temp.lm)
0 5 10 Lag 15 20 25
Generalised Least Squares (GLS)
Jika {x
t
: t = 1,...,n} merupakan deret waktu yang stasioner dengan E(x
t
) = dan Var(x
t
) = 2 TETAPI tidak saling bebas, melainkan mempunyai autokorelasi Corr(x
t
, x t+k ) =
k
, maka varians dari rata-rata sampelnya adalah Oleh karena itu, jika
k
> 0 maka varians yang sesungguhnya adalah lebih besar dari yg kita hitung (underestimate). Salah satu solusinya adalah metode penaksiran GLS.
Penaksiran Menggunakan Metode GLS utk Data Simulasi > library(nlme) > x.gls <- gls(x ~ Time, cor = corAR1(0.8) ) > coef(x.gls) (Intercept) Time 58.233018 3.042245 > sqrt(diag(vcov(x.gls))) (Intercept) Time 11.9245679 0.2024447
Bagaimana kalau data riil?
Selang Kepercayaan utk Trend dari Data Suhu > temp.gls <- gls(temp ~ time(temp), cor = corAR1(0.7)) > confint(temp.gls) 2.5 % 97.5 % (Intercept) -39.80571598 -28.49658972
time(temp) 0.01442274 0.02011148