Download - KONSEP-KONSEP DASAR TIME SERIES
KONSEP-KONSEP DASAR TIME SERIES
Pertemuan 1 - Time Series
SEKOLAH TINGGI ILMU STATISTIK
OLEH: FITRI KARTIASIH, S.ST, S.E, M.Si
Silabus
Kuliah 1: Konsep-Konsep Dasar Time Series dan Forecasting
Kuliah 2: Pemulusan/Smoothing Data
Kuliah 3: Konsep dan Pengujian Unit Root
Kuliah 4: Konsep dan Pemodelan ARIMA
Kuliah 5: Aplikasi Model ARIMA dengan Eviews
Kuliah 6: Konsep dan Pemodelan ARCH dan GARCH
Kuliah 7: Aplikasi Model ARCH dan GARCH dengan Eviews
UTS
Kuliah 8:Konsep Kointegrasi dan Pemodelan ECM (Error Correction Mechanism)
Kuliah 9: Aplikasi Model ECM dengan Eviews
Kuliah 10: Konsep dan Pemodelan VAR (Vector Autoregressive)
Kuliah 11:Konsep Kointegrasi untuk Pemodelan VECM (Vector Erroe Correction Mechanism)
Kuliah 12: Aplikasi Model VAR dan VECM dengan Eviews
Kuliah 13: Presentasi Bedah Jurnal Aplikasi Time Series
Kuliah 14: Presentasi Bedah Jurnal Aplikasi Time Series
UAS
Text book
Enders, Walter. “Applied Econometric Time Series”, 2nd ed., Wiley, America, 2004
Data
Data
Cross Section
Time Series
Panel
Jenis Data-1
Data Cross-Section
Adalah nilai variabel yang dikumpulkan pada satu periode waktu yang sama dari beberapa individu
Individu bisa berupa negara, daerah, perusahaan atau perorangan dan lain sebagainya.
Sebagai contoh adalah data makroekonomi seluruh propinsi di Indonesia pada tahun 1998.
Jenis Data-2
Data Time Series
Adalah nilai variabel dari suatu individu yang disusun menurut urutan waktu
Data time seris bisa berupa data harian, mingguan, bulanan, triwulanan maupun tahunan dan lain sebagainya.
Sebagai contoh adalah data makroekonomi Indonesia dari tahun 1993 sampai dengan tahun 2008
Misalnya berupa data: household consumption (HHC), private consumption (PC), government consumption (GC), investment (I), saving (S), export (X), import (M), produk domestik bruto (PDB), dan sebagainya.
Jenis Data-3Data Panel
Adalah gabungan time series dan cross-section data.
Mencakup banyak individu (negara, provisi, perusahaan, household dll) selama rentang waktu tertentu.
Sebagai contohnya adalah data makroekonomi seluruh propinsi di Indonesia dari tahun 1993 sampai tahun 2008.
Misalnya, household consumption (HHC), private consumption (PC), government consumption (GC), investment (I), saving (S), export (X), import (M), produk domestik bruto regional (PDBR), price ratio (PR) untuk semua propinsi di Indonesia, dari tahun 1993 – 2008.
DATA
Cross Section
Time Series Panel Data
Univariate Multivariate
Correlation
Regression
Multivariate Analysis
Regression
AR, MA
ARMA
ARIMA
(G)ARCH
Correlation
Multiple Regression
Granger Causality
VAR
SVAR
V(ECM), GMM
Pooled
Fixed-Effect
Random-Effect
8
ModelModel
Linear
Single equation
Regresi Sederhana
Regresi Berganda
System Equation (multi equation)
Simultan
Bukan simultan
Non Liner
Introduction
Time series adalah suatu himpunan pengamatan yang dibangun secara berurutan dalam waktu. Waktu atau periode yang dibutuhkan untuk melakukan suatu peramalan itu biasanya disebut sebagai lead time yang bervariasi pada tiap persoalan.
Berdasarkan himpunan pengamatan yang tersedia maka time series dikatakan kontinu jika himpunan pengamatan tersebut adalah kontinu dan dikatakan diskrit bila himpunan pengatamatan tersebut juga diskrit.
Pola Data Time Series
Trend
Cyclical
Seasonal
Irreguler
Pola data time series
1. Trend, Yaitu komponen jangka panjang yang mendasari pertumbuhan (atau penurunan) suatu data runtut waktu. Merupakan pergerakan meningkat atau menurun. Contoh: jumalh pengguna seluler yang terus bertambah.
2. Cyclical, yaitu suatu pola dalam data yang terjadi setiap beberapa tahun. fluktuasi atau siklus dari data runtut waktu akibat perubahan kondisi ekonomi
3. Seasonal, yaitu pola data yang berulang pada kurun waktu tertentu. fluktuasi musiman yang sering dijumpai pada data kuartalan,bulanan atau mingguan. Contoh: menjelang lebaran jumlah permintaan uang naik, penjualan pakaian meningkat
4. Irregular, yaitu pola acak yang disebabkan oleh peristiwa yang tidak bisa diprediksi atau tidak beraturan.
Konsep dasar time series
Konsep
Deterministic Process
Stochastic/Random process
Stationarity process
Proses Deterministik : jika dari pengalaman yang lalu keadaan yang akan datang dari suatu barisan kejadian dapat diramalkan secara pasti, maka barisan kejadian itu dinamakan deterministik
Proses Stokastik : jika pengalaman yang lalu hanya dapat menyajikan struktur peluang keadaan yang akan datang, maka barisan kejadian yang demikian disebut stokastik. Hull, 1989 setiap nilai yang berubah terhadap waktu dengan cara yang tidak tertentu (dalam ketidakpastian) dikatakan mengikuti proses stokastik.
Stasioner
Data time series dikatakan stasioner jika rata–rata, varian dan covarian dari variabel–variabel tersebut seluruhnya tidak dipengaruhi oleh waktu atau dengan kata lain konstan.
Untuk menjelaskan pernyataan di atas, maka dapat dijelaskan sebagai berikut:
Rata-rata: E(Yt) = = konstan (1)Varian: Var (Yt) = E(Yt - )2 = 2 = konstan (2)Covarian: cov (Yt , Yt-k) = E[(Yt - )(Yt-k - )] = k = konstan (3)
Stasioner
Non Stationary process
E[Yt] = µt
Var[Yt] = 2t
White noise process
E[Yt] = 0
Var[Yt] = 2
Umumnya data time series tidak stasioner
Regresi dengan menggunakan data yang tidak stasioner akan menyebabkan spurious regression (ditandai dengan nilai R2 yang tinggi dan t-stat, F-stat yang signifikan tetapi dw relatif kecil < 0.5)
Regresi kelihatan “bagus” tetapi sebetulnya tidak.
Karakteristik data time series yang stasioner dan tidak stasioner
8.0
8.5
9.0
9.5
10.0
10.5
11.0
11.5
70 75 80 85 90 95 00
LOG(NMR)
9.0
9.5
10.0
10.5
11.0
11.5
12.0
70 75 80 85 90 95 00
LOG(GDPR)
-0.1
0.0
0.1
0.2
0.3
0.4
0.5
70 75 80 85 90 95 00
RIR
-0.3
-0.2
-0.1
0.0
0.1
0.2
70 75 80 85 90 95 00
DLOG(NMR)
-0.10
-0.05
0.00
0.05
0.10
0.15
70 75 80 85 90 95 00
DLOG(GDPR)
-0.2
-0.1
0.0
0.1
0.2
0.3
70 75 80 85 90 95 00
D(RIR)
Data pada level (unit atau log)relatif tidak Stasioner
Data pada first difference (unit atau log) relatif akan stasioner
Pengujian Kestasioneran data
Correlogram
DF-ADF test
Phillips-Perron
The Kwiatkowski, Phillips, Schmidt, and Shin (KPSS) Test
Elliot, Rothenberg, and Stock Point Optimal (ERS) Test
Ng and Perron (NP) Tests
20
Jika data tidak stasioner maka harus distasionerkan terlebih dahulu, salah satu caranya adalah dengan melakukan pembedaaan (differencing)
Asumsi time series
White noise residual tidak ada autokorelasi diuji dengan Durbin Watson
Residual berdistribusi normalResidual tidak heteroskedastis
Kegunaan time series data :
Kegunaan Time Series
Peramalan
Smoothing
Metode Rata-rata Bergerak
(Moving Average)
Single Moving Average (SMA)
Linear Moving Average
Weighted Moving Average
Exponential Smoothing
Single exponential smoothing
Double exponential smoothingDouble
Moving Average
Kriteria peramalan
Pemodelan