Regresi dengan Autokorelasi Pada Error Autocorrelation • Terjadi ketika kovarians dan korelasi antar galat ≠ tidak sama dengan nol. – Salah satu pelanggaran.
Download
Report
Transcript Regresi dengan Autokorelasi Pada Error Autocorrelation • Terjadi ketika kovarians dan korelasi antar galat ≠ tidak sama dengan nol. – Salah satu pelanggaran.
Regresi dengan Autokorelasi
Pada Error
Autocorrelation
• Terjadi ketika kovarians dan korelasi antar galat ≠ tidak sama dengan nol.
– Salah satu pelanggaran asumsi
covut , us 0, untuk beberapa t s
Paling sering terjadi pada data deret waktu
Karena urutan pengamatan mempunyai makna
Galat pada satu periode mempengaruhi galat pada periode berikutnya
Terutama pada periode dengan jarak pendek (mis: harian)
Pada data cross section jarang terjadi
Karena urutan pengamatan tidak penting
Penyebab Autokorelasi
• Ommited important variable
• Misspecification of the model
• Systematic errors in measurement
Omitted variable
• Misalkan Yt dipengaruhi oleh X2t dan X3t
• Akan tetapi X3t tidak disertakan di dalam model.
Yt 1 1 X 2t ut
ut X 3t vt
Sifat data time series:
X3t berhubungan dengan X3,t-1, X3,t-2
Sehingga ut berhubungan dengan ut-1, ut-2
Misspecification of the model
• Misalkan Yt dipengaruhi oleh X2t secara kuadratik
Yt 1 2 X 2t 3 X 22t ut
Akan tetapi suku kuadratik X2t tidak disertakan di dalam
model.
Yt 1 2 X 2t vt
vt 3 X 22t ut
Jika X2t naik atau turun seiring waktu maka vt juga akan naik
atau turun seiring waktu
Systematic Errors in Measurement
• Pengukuran yang dilakukan pada waktu
tertentu
– Misalkan tingkat sediaan pada waktu t
– Terjadi kesalahan dalam pengukuran tersebut
• Jika variabel bersifat akumulatif, maka
kesalahan pengukuran juga akan terakumulatif
• Error di pengamatan t dipengaruhi oleh error
pada waktu sebelumnya
Jenis autokorelasi
• Yang paling sering terjadi adalah first order serial autocorrelation:
AR(1)
Yt 1 2 X 2t 3 X 3t k X kt ut
ut ut 1 t
ρ menyatakan hubungan fungsional antar galat ut
Koefisien dari first order autocorrelation,
Bernilai di antara -1 s/d 1
Dan εt adalah galat yang iid
• ρ=0, tidak ada autokorelasi
• ρ→1, positif korelasi serial, galat waktu sebelumnya
sangat mempengaruhi galat saat ini.
– Galat waktu t-1 yang (-) diikuti oleh galat waktu t
yang juga (-)
– Galat waktu t-1 yang (+) diikuti oleh galat waktu t
yang juga (+)
• ρ→-1, negatif korelasi serial, galat waktu
sebelumnya sangat mempengaruhi galat saat ini.
– Galat waktu t-1 yang (-) diikuti oleh galat waktu t
yang (+)
– Galat waktu t-1 yang (+) diikuti oleh galat waktu t
yang (-)
Positive Autocorrelation
+
uˆ t
uˆ t
-
+
+
uˆ t 1
Time
-
-
Autokorelasi positif, ditunjukkan oleh pola siklus dari galat seiring waktu.
Negative Autocorrelation
uˆ t
+
uˆ t
+
-
+
uˆ t 1
-
Time
-
Autokorelasi negatif, ditunjukkan dari pola yang ‘alternating’ dari galat seiring waktu
No pattern in residuals –
No autocorrelation
uˆ t
+
+
uˆ t
-
+
uˆ t 1
-
-
Tidak ada pola dari galat, tidak ada autokorelasi
Efek dari Autokorelasi
• Penduga OLS untuk koefisien regresi tetap tidak bias akan tetap
tidak lagi efisien (ragam besar)
– Tidak lagi BLUE
• Penduga ragam bagi koefisien regresi menjadi bias dan tidak
konsisten
– Uji hipotesis tidak lagi valid
– Tidak mencerminkan hal yang sebenarnya
• Overestimated R2:
– Lebih besar dari yang sebenarnya
– Model lebih sering dinyatakan ‘a good fit’ daripada hubungan yang
sebenarnya
– Uji t juga lebih sering dinyatakan nyata
Efek matematis terhadap ragam
penduga koefisien
• Ragam peragam penduga koefisien OLS tanpa autokorelasi:
var βˆ X' X X' Euu'XX' X
1
1
var βˆ X' X X' 2IXX' X
1
1
var βˆ 2 X' X X' XX' X 2 X' X
1
1
1
Jika terdapat autokorelasi, maka:
E ut , ut E ut , ut 1
1
E u u' 2 2
n 1
1
2
2
1
n 2
n 3
E ut , ut 2
n 1
n 2
n 3 Ω
1
• Ragam peragam penduga koefisien OLS dengan autokorelasi:
var βˆ AR1 X' X X' E uu'XX' X X' X1 X' ΩXX' X1
1
1
Detecting Autocorrelation:The
Durbin-Watson Test
Uji Durbin-Watson (DW):
- Uji untuk first order autocorrelation AR (1)
ut = ut-1 + vt
dengan vt N(0, v2).
• Hipotesis uji:
– H0 : =0 and H1 : 0
• Statistik uji
T
ut ut 1 2
DW t 2 T
ut 2
t 2
The Durbin-Watson Test: Critical Values
Dengan penyederhanaan:
DW 21 ˆ
ˆ : penduga koefisienkorelasipada AR(1)
1 ˆ 1
0 DW 4
Sehingga:
ˆ 0 : DW 2
Untuk DW → 2, tidak akan ada cukup bukti untuk adanya autokorelasi
Terdapat dua nilai kritis bagi DW,
Upper critical value (du)
Lower critical value (dL)
Terdapat pula daerah yang ‘inconclusive’
The Durbin-Watson Test:
Interpretasi hasil uji
Syarat agar uji dapat dilakukan secara sah:
1. Ada suku konstan pada model regresi
2. Peubah eksogen non stokastik (fixed)
3. Tidak ada lag pada peubah eksogen
Uji Breusch-Godfrey
• Dapat dilakukan untuk menguji autokorelasi sampai derajat ke r
ut 1ut 1 2ut 2 3ut 3 rut r vt
vt ~ N 0, v2
Dengan mengkombinasikan sifat galat tsb dan model regresi:
Yt 1 2 X 2t k X kt 1ut 1 2ut 2 rur1 vt
Hipotesis nol dan hipotesis alternatif:
H0 : 1 = 0 dan 2 = 0 dan ... dan r = 0
H1 : 1 0 atau 2 0 atau ... atau r 0
Langkah-langkah uji Breusch-Godfrey
• Langkah 1: Dapatkan penduga bagi model regresi
Yt 1 2 X 2t 3 X 3t k X kt ut
Langkah 2: Dapatkan penduga galat
uˆt Yt Yˆt
Langkah 3: Dapatkan penduga auxiliary regression bagi penduga
galat sebagai fungsi dari seluruh peubah eksogen dan galat sejumlah
lag yang ingin diuji
uˆt 0 1 X 2t k X kt k 1uˆt 1 k puˆt p
Langkah 4: Dapatkan statistik uji berdasarkan koefisien
determinasi dari auxiliary regression R2
LM n r R2 ~ r2
Langkah 5: Tolak H0 jika ada bukti yang nyata dari statistik uji
Penentuan r tergantung dari periode data (bulanan,
mingguan dsb) dan sifat siklusnya.
Cara Mengatasi Autokorelasi
• Berdasarkan pengetahuan tentang ρ diketahui
– ρ diketahui atau
– ρ tidak diketahui
Mengatasi autokorelasi ketika ρ
diketahui
• ρ diketahui dan diasumsikan autokorelasi terjadi seusai AR(1)
model.
Yt 1 2 X 2t 3 X 3t k X kt ut
(1)
ut ut 1 t
Model yang sama berlaku pada waktu ke t-1
Yt 1 1 2 X 2t 1 3 X 3t 1 k X kt1 ut 1
Model pada t-1 dikalikan dengan ρ
Yt 1 1 2X 2t 1 3X 3t 1 k X kt1 ut 1
(2)
• Persamaan (1) dikurangi dengan persamaan (2)
Yt 1 2 X 2t 3 X 3t k X kt ut
Yt 1 1 2X 2t 1 3X 3t 1 k X kt1 ut 1
Yt Yt 1 1 1 2 X 2t X 2t 1 k X kt1 X kt1 ut ut 1
Yt* 1* 2 X 2*t k X 3*t t
Akibat pembedaan, pengamatan berkurang 1
Pengamatan pertama digantikan dengan:
Y1* Y1 1 2 , X i*1 X i1 1 2
Mengatasi autokorelasi ketika ρ tidak diketahui: CochraneOrcutt Iterative Procedure
• Langkah 1: duga model regresi dan dapatkan penduga galat
• Langkah 2: duga koefisien korelasi serial orde 1 dengan metode OLS
dari:
uˆt uˆt 1 t
Langkah 3: Lakukan transformasi untuk peubah peubah yang dipakai
dengan hubungan berikut:
Yt* Yt ˆYt 1 , 1* 1 1 ˆ , X it* X it ˆX it1
Y1* Y1 1 ˆ 2 , X i*1 X i1 1 ˆ 2
Langkah 4: Dapatkan penduga regresi dan penduga galat untuk
persamaan berikut:
Yt* t* 2 X 2*t k X 3*t t
Ulangi lagi langkah 2 sampai dengan 4 sampai dipenuhi kriteria
berikut:
ˆ iterasike j ˆ iterasike j 1 0