fungsi autokorelasi parsial adalah korelasi antara Z
tdan Z
t+ksetelah pengaruh dari variabel penggangu Z
t-1,Z
t-2,โฆ,Z
t-k+1dihilangkan. Koefisien autokorelasi parsial biasanya
dinotasikan dengan
๏ฆ
kk.
๏ฆ
kkadalah koefisien korelasi antara dua buah peubah acak Z
tdan Z
t-kdengan syarat Z
t-1,Z
t-2,โฆ,Z
t-k+1(Cryer,1986).
)
,...,
,
|
,
(
๏ญ ๏ญ1 ๏ญ 2 ๏ญ ๏ซ1๏ฝ
t t k t t t kkk
Corr
Z
Z
Z
Z
Z
Metode umum yang sering digunakan untuk menghitung
koefisien autokorelasi parsial adalah dengan persamaan
Yule-Walker
Koefisien autokorelasi parsial dapat diduga dengan
Identifikasi model ARIMA dilakukan dengan melihat pola yang ada dari ACF dan PACF data contoh.
Tahapan identifikasi model :
1. Plot data deret waktu dan pilih tranformasi yang sesuai
Dari plot data deret waktu dapat diketahui pola trend, musiman yang mungkin ada, outlier, variansi tak konstan, normalitas dan stasioneritas. Tranformasi yang dapat digunakan adalah Box-Coxโs. 2. Hitung dan uji ACF dan PACF contoh.
Jika ACF turun lambat dan PACF berbeda nyata pada lag satu lakukan differensi atau lakukan uji Dickey-Fuller. Diferensi biasanya dilakukan pada d=0,1,2.
3. Hitung dan uji ACF dan PACF contoh.
Proses indentifikasi model tentatif ARIMA(p,d,q) dapat dilakukan dengan mengenal ciri-ciri ACF dan PACF suatu model ARIMA (Tabel 6.3). Jika ciri ACF dan PACF dari data yang stasioner dikenali maka dapat ditentukan model ARIMA(p,d,q) dari data.
Specification of Some Simulated Time Series
Nonstationarity
