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 atau turun seiring
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 dari
first 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 waktu
t
yang juga (-)
–
Galat waktu
t
-1 yang (+) diikuti oleh galat waktu
t
yang juga (+)
•
ρ→-1, negatif korelasi serial, galat waktu
sebelumnya sangat mempengaruhi galat saat ini.
–
Galat waktu
t
-1 yang (-) diikuti oleh galat waktu
t
yang (+)
–
Galat waktu
t
-1 yang (+) diikuti oleh galat waktu
t
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•
Ragam peragam penduga koefisien OLS dengan autokorelasi:
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
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: =0and H1: 0
• Statistik uji
DW
u u
u
t t
t T
t t
T
1 2
2
The Durbin-Watson 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 Durbin-Watson Test: Interpretasi hasil
uji
•
Dapat dilakukan untuk menguji autokorelasi sampai derajat ke
r
Uji Breusch-Godfrey
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
Langkah-langkah uji Breusch-Godfrey
• 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
tkt 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 H
0jika ada bukti yang nyata dari statistik uji
Penentuan r tergantung dari periode data (bulanan, mingguan
Cara Mengatasi Autokorelasi
•
Berdasarkan pengetahuan tentang ρ diketahui
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:
Cochrane-Orcutt 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 galat untuk
Ulangi lagi langkah 2 sampai dengan 4 sampai dipenuhi kriteria
berikut:
iterasi
ke
ˆ
iterasi
ke
1
0
ˆ
j
j