200 likes | 315 Views
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 ]
E N D
Auto CORRELATION KULIAH 13 TIME SERIES UsmanBustaman, 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] • Ex: hubunganantara Output danNaker (data kuartalan) • Obskuartal 1 berpengaruhipadaobskuartalberikutnya • Ex: hubunganantaraPendptndanKonsumsiRuta (data cross section) • ObsRuta 1 berpengaruhipadaobsRutaberikutnya • “rumputtetanggaselalulebihhijau”
Pattern upward siklus No systematic pattern downward linier & kuadratik
Penyebab • Inertia / siklus • Seringterjadipada data time series: PDB, indeksharga, pengangguran, produksi, dll • Resesi, recovery • Specification Bias: Excluded Variables Case. • Variabelygtdkmasukkedlm model, ikutsertadalam “error” • Y=permintaaandagingsapi, X2=hargadagingsapi, X3=income, X4=hargadagingayam • Persamaan: • Dimodelkan:
penyebab • Specification Bias: Incorrect Functional Form. “True” Model Modeled with: vi = where: Other functional form: Cobweb function: Lag function
penyebab • 4. “Manipulasi” Data • Data triwulanan = rata-2 data 3 bln • Inter/extra-polasi data, ex: mengestimasi data antara 1990-2000 dari data sensusth 1990 & 2000 5. Transformasi Data 6. Data Nonstasioner
Apakabarblue? • Perhatikan , jikaterjadiautokorelasi • , error utmisalkanmengikutifungsi • disebutsbgkoefisienautokorelasi • utdisebutsebagaifungsiautoregresiorde 1 (AR1) • t mengikutiasumsi OLS • Dengandmk Homoskedastic
Apakabarblue? • Jikar = 0.6, = 0.8, • atau • Var OLS underestimate ! • no longer BLUE it’s LU
konsekuensi • Karenavar OLS underestimate estimate parameter mjd non-sig meskikemungkinan (sebenarnya) sig. • Varians residual, , underestimate thd • uji t danuji F tidaklagi valid misleading
Diagnosa • 1. Metodegrafis -- Time sequence plot Positive correlation
diagnosa • 2. Runs Test Asumsi N1, N2 > 10 R ~ normal dgn: N1 = 19, N2 = 21, R = 3 Jika R ada di luar CI residual berautokorelasi 95% CI Residual berautokorelasi
diagnosa • 3. Durbin-Watson Test • Durbin–Watson d statistic: • Asumsi: • Model RL mengandungintercept • X non stochastic • utmerupakanfungsiAR1: • ut ~ Normal • Model RL tdkmengandung lag Y padavariabelbebasnya • Tidakadamissing data karena -1 ≤ ≤ 1 0 ≤ d ≤ 4 Jikatdkadaautokorelasi ( =0), ddisekitarnilai 2
diagnosa • 4. The Breusch–Godfrey (BG) Test / LM Test • Step: • Estimate RL, hitungresidualnya, • Regresikanthd X dan lag residualnya Laluhitung R2-nya • Jika n besar • Tolak Ho jika >
remedial • 1. Metode Generalized Least Square (GLS) Misalkan: Jika rho diketahui: dimana Jika rho tidakdiketahui: 1. Metode first difference jikad < R2 • Valid jika = 1 ujimenggunakan g statistik: • kepuusantolak H0 = d statistik
remedial Jika rho tidakdiketahui 2. Estimasi rho menggunakanstatistikd 3. Estimasi rho menggunakan residual 4. Estimasi rho menggunakanmetodeiterasi 2,3,4 LaluestimasiGLS menggunakan
remedial • 2. MetodeNewey-West: HAC (heteroscedasticity- and autocorrelation-consistent) standard errors • . . . . . . • 3. Menambahkanvariabelbebas lain yang penting/mempengaruhivariabeltakbebas ….
Normality test • Histogram • Normal probability plot • Anderson-Darling Normality Test • Jarque–Bera (JB) Test of Normality.