Ekonometrika
Program Studi Statistika, semester Ganjil 2012/2013
Autocorrelation
Terjadi ketika kovarians dan korelasi antar galat ≠ tidak sama
dengan nol.
Salah satu pelanggaran asumsi
u
t,
u
s
0
,
untuk
beberapa
t
s
cov
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
Penyebab Autokorelasi
Ommited important variable
Misspecification of the model
Omitted variable
Misalkan Yt dipengaruhi oleh X2t dan X3t
Akan tetapi X3t tidak disertakan di dalam model.
t t
t
X
u
Y
1
1 2
u
t
X
3t
v
t
Sifat data time series:
X
3tberhubungan dengan
X
3,t-1,X
3,t-2Misspecification of the model
Misalkan
Y
tdipengaruhi oleh
X
2tsecara kuadratik
t t
t
t
X
X
u
Y
1
2 2
3 22
Akan tetapi suku kuadratik X2t tidak disertakan di dalam
model.
t t
t
X
v
Y
1
2 2
v
t
3X
22t
u
t Jika X2t naik atau turun seiring waktu maka vt juga akan naik
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
Jenis autokorelasi
Yang paling sering terjadi adalah first order serial
autocorrelation: AR(1)
t kt
k t
t
t
X
X
X
u
Y
1
2 2
3 3
t t
t
u
u
1
ρ menyatakan hubungan fungsional antar galat
u
t Koefisien darifirst order autocorrelation
,
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 waktut
yang juga (-)
Galat waktu
t
-1 yang (+) diikuti oleh galat waktut
yang juga (+)
ρ→-1, negatif korelasi serial, galat waktu
sebelumnya sangat mempengaruhi galat saat
ini.
Galat waktu
t
-1 yang (-) diikuti oleh galat waktut
yang (+)
Galat waktu
t
-1 yang (+) diikuti oleh galat waktut
Positive Autocorrelation
Autokorelasi positif, ditunjukkan oleh pola siklus dari galat seiring waktu.
+
-t
uˆ
+
1
ˆt
u
-3.7 -6 -6.5 -6 -3.1 -5 -3 0.5 -1 1 4 3 5 7 8 7
+
-Time
t
Negative Autocorrelation
Autokorelasi negatif, ditunjukkan dari pola yang ‘alternating’ dari galat seiring waktu
+
-t
uˆ
+
1
ˆt
u
+
-t
uˆ
No pattern in residuals –
No autocorrelation
Tidak ada pola dari galat, tidak ada autokorelasi
+ t
uˆ
-+
1
ˆt
u
+
-t
uˆ
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
Efek matematis terhadap ragam penduga
koefisien
Ragam peragam penduga koefisien OLS tanpa autokorelasi:
1
1'
ˆ
var
β
X'
X
X'
E
uu
X
X'
X
ˆ
1 2
1var
β
X'
X
X'
IX
X'
X
ˆ
2
1
1 2
1
Jika terdapat autokorelasi, maka:
uu
Ω 1 1 1 1 ' 3 2 1 3 2 2 2 1 2 2 n n n n n n E
u
tu
t
E
,
E
u
t,
u
t1
E
u
t,
u
t 2
1
11
'
ˆ
var
β
AR
X'
X
X'
E
uu
X
X'
X
Ragam peragam penduga koefisien OLS dengan autokorelasi:
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
DW
u u
u
t t t
T
t t
T
1 2
2
The DurbinWatson Test: Critical Values
Dengan penyederhanaan:)
1
(
AR
pada
korelasi
koefisien
penduga
:
ˆ
1
ˆ
1
Sehingga:
1 ˆ
2
DW
4 0 DW
2 :
0
ˆ DW
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)
The DurbinWatson Test: Interpretasi
hasil uji
Dapat dilakukan untuk menguji autokorelasi sampai derajat
ke r
Uji BreuschGodfrey
t r
t r t
t t
t
u
u
u
u
v
u
1 1
2 2
3 3
0
,
2
~
vt
N
v
Hipotesis nol dan hipotesis alternatif:
H
0:
1= 0 dan
2= 0 dan ... dan
r= 0
H
1:
1
0 atau
2
0 atau ... atau
r
0
Dengan mengkombinasikan sifat galat tsb dan model regresi:
t r
r t
t kt
k t
t
X
X
u
u
u
v
Langkahlangkah uji
BreuschGodfrey
Langkah 1: Dapatkan penduga bagi model regresi
Langkah 2: Dapatkan penduga galat
t t
t
Y
Y
u
ˆ
ˆ
Langkah 3: Dapatkan penduga auxiliary regression bagi
penduga galat sebagai fungsi dari seluruh peubah eksogen dan galat sejumlah lag yang ingin diuji
p t p k t
k kt
k t
t
X
X
u
u
u
ˆ
0
1 2
1ˆ
1
ˆ
t kt
k t
t
t
X
X
X
u
Langkah 4: Dapatkan statistik uji berdasarkan
koefisien determinasi dari auxiliary regression R2
2~
2r
R
r
n
LM
Langkah 5: Tolak H0 jika ada bukti yang nyata dari
statistik uji
Penentuan
r
tergantung dari periode data (bulanan,Cara Mengatasi Autokorelasi
Berdasarkan pengetahuan tentang ρ diketahui
ρ diketahui atau
Mengatasi autokorelasi ketika
ρ
diketahui
ρ diketahui dan diasumsikan autokorelasi terjadi seusai
AR(1) model. t kt k t t
t
X
X
X
u
Y
1
2 2
3 3
t t
t
u
u
1
Model yang sama berlaku pada waktu ke t-1
1 1 1 3 3 1 2 2 1
1
t
t
k kt
tt
X
X
X
u
Y
Model pada t-1 dikalikan dengan ρ
1 1 1 3 3 1 2 2 1
1
t
t
k kt
tt
X
X
X
u
Y
(1)
Persamaan (1) dikurangi dengan persamaan (2) t kt k t t
t
X
X
X
u
Y
1
2 2
3 3
1 1 1 3 3 1 2 2 1
1
t
t
k kt
tt
X
X
X
u
Y
2
2 2 1
1 1
1
1
1
1
t t t k kt kt t tt
Y
X
X
X
X
u
u
Y
t t
k t
t
X
X
Y
*
1*
2 2*
3*
Akibat pembedaan, pengamatan berkurang 1 Pengamatan pertama digantikan dengan:
2 1 * 1 2 1 *
1
Y
1
,
X
i
X
i1
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:
t t
t
u
u
ˆ
ˆ
1
2 1 * 1 2 1 * 1 1 * 1 * 1 1 *ˆ
1
,
ˆ
1
ˆ
,
ˆ
1
,
ˆ
i i it it it t t tX
X
Y
Y
X
X
X
Y
Y
Y
t t k t tt
X
X
Y
*
*
2 2*
3*
Langkah 3: Lakukan transformasi untuk peubah
peubah yang dipakai dengan hubungan berikut:
Langkah 4: Dapatkan penduga regresi dan penduga
Ulangi lagi langkah 2 sampai dengan 4 sampai
dipenuhi kriteria berikut:
iterasi
ke
ˆ
iterasi
ke
1
0
ˆ
j
j