Model regresi linier klasik mengasumsikan bahwa
Mengapa muncul
autokorelasi
1. Inersia (kelembaman)
Data deretan waktu ekonomi
seringkali menunjukkan pola siklus
2. Bias Spesifikasi : terdapat
variabel yang tidak dimasukkan dalam model
Misalkan kita memiliki model
Tetapi kita melakukan regresi berikut:
Jika model pertama adalah model yang benar, maka melakukan
regresi kedua sama halnya dengan memisalkan
Jika X3 memang mempengaruhi Y maka pada akan terdapat pola
yang sistematis yang
menimbulkan autokorelasi
3. Bias spesifikasi : bentuk
4. Fenomena Cobweb
Penawaran pada banyak komoditi pertanian bereaksi terhadap harga dengan keterlambatan satu periode waktu karena keputusan penawaran
memerlukan waktu untuk penawarannya. Sehingga penawaran tahun ini
dipengaruhi harga tahun lalu
5. Keterlambatan atau lag
Beberapa variabel ekonomi misalnya
konsumsi dalam periode ini dipengaruhi konsumsi periode yang lalu.
Sehingga unsur kesalahan atau error akan mencerminkan pola yang sistematis
6. “Manipulasi” data
Konsekuensi Autokorelasi
Jika terdapat autokorelasi , maka penduga OLS akan memiliki sifat – sifat berikut:
1. Tidak bias 2. Konsisten
3. Tidak efisien
Akibat sifat 3 maka
• Selang kepercayaan menjadi lebar
• Pengujian t dan F tidak sah, sehingga
Untuk model dengan satu variabel penjelas
Misalkan terdapat hubungan atau korelasi antara dan
-1 < < 1
Dapat ditunjukkan bahwa
Sementara Varians penduga OLS adalah
Jika positif maka
Disamping itu, untuk regresi dengan satu variabel penjelas
Jika terdapat autokorelasi
Dimana
Jika dan r keduanya positif maka
Pendeteksian Autokorelasi
Metode Grafik
Dilakukan dengan cara
memetakan ei terhadap t atau i. Jika pemetaan ei terhadap t atau i membentuk suatu pola sistematis maka diindikasikan bahwa
Percobaan d dari
Durbin-Watson
Statistik d dari Durbin-Watson ditetapkan sebagai,
d =
nilai d kemudian dikomparasikan dengan wilayah kritis yang
dipresentasikan dalam grafik berikut
Persyaratan penggunaan
statistik
d
Model regresi mencakup unsur
intersep.
Model regresi tidak mengandung
nilai yang terlambat (lagged) dari peubah respon Y sebagai satu
dari peubah penjelas. Jadi,
pengujian tidak dapat diterapkan untuk model jenis , di mana Yt–1
adalah nilai lagged satu periode dari Y.
Tindakan perbaikan
Jika struktur korelasi diketahuiMisalkan (1)
Dengan mengikuti asumsi OLS dengan nilai harapan nol dan ragam konstan serta tidak ada autokorelasi
Model Regresi dengan satu variabel penjelas (2)
Pada saat t-1 modelnya menjadi (3)
Kalikan (3) dengan menjadi
(4)
Kurangkan 4 dari 2
sudah memenuhi asumsi OLS
Kehilangan satu observasi karena transformasi pembedaan
didapatkan dari dan
Jika tidak diketahui
1. Metode pembedaan pertama
Jika = 1persamaan pembedaan pertama adalah:
Misalkan model yang asli adalah
Dimana t adalah variabel trend dan Maka model pembedaan pertamanya adalah
Jika ada unsur intersep dalam bentuk
pebedaan pertama, ini menandakan bahwa ada unsur trend linier dalam model asli dan unsur intersep adalah, pada kenyataannya, koefisien pada variabel trend.
Jika diasumsikan = -1,
persamaan pembedaan menjadi
Atau
Yang dikenal dengan model regresi rata – rata bergerak (moving
average)
didasarkan pada statistik d Durbin – Watson
atau
Untuk sampel kecil Theil dan Nagar menyarankan hubungan berikut:
Dimana N = banyaknya observasi total, D = d Durbin – Watson dan k =
banyaknya koeisien yang diduga (termasuk intersep)