Pemilihan Metode Univariate Terbaik Dalam Peramalan Inflasi Kota Watampone
description
Transcript of Pemilihan Metode Univariate Terbaik Dalam Peramalan Inflasi Kota Watampone
-
Tugas Offisial Statistik | 1
PEMILIHAN METODE UNIVARIATE TERBAIK DALAM PERAMALAN
INFLASI KOTA WATAMPONE
(Perbandingan Metode ARIMA, ARIMA-GARCH dan Seasonal ARIMA)
NAMA : ZABLIN
NRP : 1314201713
TUGAS MATA KULIAH OFFICIAL STATISTIK
PROGRAM PASCASARJANA STATISTIKA KERJASAMA BPS DAN ITS
TAHUN 2014/2015
-
Tugas Offisial Statistik | 2
1. PENDAHULUAN
1.1 Latar Belakang
Indikator Ekonomi makro sangat diperlukan terutama dalam melakukan
perencanaan pambangunan. Indikator ini diperlukan minimal untuk dua kepentingan yaitu
targeting dan monitoring. Dari sisi targeting, perencana pembangunan menetapkan target
nilai terhadap suatu indikator. Sementara dari sisi monitoring, pemangku kebijakan akan
berusaha mengawal agar target yang telah ditetapkan bisa tercapai. Berangkat dari dua
kepentingan tersebut, maka pengguna data tidak cukup hanya menunggu angka-angka dari
indikator makro dirilis, tetapi juga harus memiliki kemampuan untuk memperkirakan atau
melakukan peramalan terhadap indikator tersebut.
Inflasi adalah salah satu indikator makro ekonomi yang memiliki dampak luas
terhadap kehidupan masyarakat. Indikator ini menggambarkan perubahan rata-rata harga
yang terjadi. Perubahan yang signifikan pada inflasi akan direspon oleh pemerintah dengan
kebijakan fiskal dan Bank Indonesia selaku otoritas moneter dengan kebijakan moneter.
Dalam pergerakan almiahnya, inflasi dipengaruhi oleh perubahan pada sisi penawaran dan
permintaan. Disamping itu, inflasi juga dipengaruhi oleh ekspektasi inflasi. Dalam
perkembangannya, ekspektasi inflasi dipengaruhi oleh dua aspek yaitu informasi yang
diterima tentang sesuatu yang akan terjadi pada masa depan atau pengalaman karena
pernah mengalami inflasi di masa lalu. Ekspektasi inflasi karena kejadian inflasi di masa lalu
ini, memunculkan beberapa model peramalan inflasi univariate.
Terdapat beberapa motode univariate dalam memodelkan inflasi yang
dikembangkan oleh para ahli. Pemodelan dengan Autoregressive (AR), Moving Average
(MA), Autoregressive Moving Average (ARMA) maupun Autoregressive Integrated Moving
Average (ARIMA) sering sangat berguna bagi pemodelan data runtun waktu. Cara kerja
berbagai metode tersebut adalah dengan memodelkan proses rataan (mean process) dari
suatu runtun waktu dengan asumsi bahwa data tersebut sudah stasioner dan varians error
selalu tetap antar waktu (homosedasticity). Disamping itu, metode tersebut selalu
memperhatikan kerandoman data antar waktu
Berbagai asumsi pemodelan yang digunakan pada metode Autoregressive (AR),
Moving Average (MA), Autoregressive Moving Average (ARMA) dan Autoregressive
Integrated Moving Average (ARIMA) dianggap tidak realistis ketika dihadapkan pada sebuah
-
Tugas Offisial Statistik | 3
transaksi finansial dan sebuah variabel dari pasar finansial. Hal ini dikarenakan pada
kebanyakan data runtun waktu finansial tidak dapat memenuhi semua asumsi pada
metode-metode tersebut. Metode tersebut juga tidak memperhitungkan adanya
ketidakstasioneran dalam varians yang berarti bahwa nilai variansnya selalu berubah-ubah
sepanjang waktu, sedangkan data finansial umumnya variansnya belum stasioner.
Disamping itu, pemodelan dengan metode tersebut hanya mampu menggambarkan nilai
runtun antar waktu yang volatilitasnya tidak mengalami pengelompokan. Sedangkan pada
data runtun waktu finansial umumnya mengalami pengelompokan volatilitas.
Untuk menanggulangi keadaan tersebut maka diperlukan sebuah metode lain yang
dapat digunakan sesuai dengan karakteristik yang dimiliki oleh data runtun waktu finansial.
Hal inilah yang mendasari Robert Egle (1982) mengemukakan sebuah metode baru yang
memungkinkan adanya heteroskedastisitas dan mengijinkan ketergantungan volatilitas pada
runtun waktunya. Metode tersebut adalah Autoregressive Conditional Heteroscedasticity
(ARCH). Menurut Egle, penggunaan metode ARCH pada runtun waktu yang mengalami
heteroskedastisitas akan berperan penting dalam meningkatkan efisiensi. Model ARCH
mempunyai kemampuan menangkap semua karakteristik dalam pasar finansial. Pada
metode ini, varians error waktu sekarang dipengaruhi oleh volatilitas masa lalu (last periods
volatility). Secara lebih umum, varians error dapat tergantung pada sejumlah lag volatilitas
yang menyatakan besarnya ordo dari metode tersebut.
Pada tahun 1986, Tim Bollerslev mengemukakan metode baru yang dikembangkan
dari metode ARCH. Metode tersebut adalah Generalized Autoregressive Conditional
Heteroscedasticity (GARCH) yang merupakan ekspansi dari model ARCH. Pada metode ini,
varians error waktu sekarang tidak hanya dipengaruhi oleh volatilitas masa lalu (last periods
volatility) tetapi juga dipengaruhi oleh varians masa lalu (last periods varians).
1.2 Tujuan
1. Membentuk model peramalan inflasi kota Watampone dengan menggunakan
ARIMA, GARCH dan Seasonal ARIMA
2. Memilih model terbaik dengan menggunakan R2 adjusted, MAE, AIC dan MAPE
1.3 Sumber Data
Data inflasi yang dipublikasikan oleh Badan Pusat Statistik Kabupaten Bone tahun
2010 bulan januari sampai 2014 bulan november
-
Tugas Offisial Statistik | 4
2. METODE PERAMALAN INFLASI
2.1. ARIMA
Proses { }tX adalah sebuah proses Autoregressive Moving Average, ARMA ),( qp jika
memenuhi formula
qtqttptpttt XXXX = ...... 112211 (2.1)
dimana t adalah white noise.
Kadang model seperti Autoregressive atau Moving Average sendiri tidak
memberikan hasil yang efektif ketika mengepaskan data. Oleh karena itu model ARMA
dengan orde p dan q yang kecil lebih suka digunakan daripada model AR dengan orde yang
lebih tinggi. Sebagai contoh model ARMA (1,1) didefinisikan sebagai
1111 = tttt XX
Atau dapat juga dinyatakan sebagai
1111 += tttt XX
)( 21211111 ++= ttttt XXXX
22
1211111 )( += tttt XXX
)()( 313122
1211111 ++= tttttt XXXXX
33
13
2
112111111 )()( += ttttt XXXX
.
.
.
11
1111
1
1
111 )( +
=
+= ktkktk
k
j
jt
j
t XXX
Anggap | 1 | < 1 dan k menjadi tak terhingga (infinite) maka persamaan di atas akan menjadi
=
=1
1
111 )(j
jt
j
tt XX
(2.2)
atau dapat juga dituliskan sebagai
tj
jt
j
t XX +=
=
1
1
111 )(
-
Tugas Offisial Statistik | 5
ini adalah model AR )( tj
jtjt XX +=
=
1
* dengan
1
111
* )( = jj untuk = ,....,1j .
Ini memberikan kesan bahwa model ARMA (1,1) mungkin kadang-kadang menjadi penaksir
yang lebih baik dibanding model AR dengan ordo yang lebih tinggi.
Parameter 11 , dan 2
dapat diestimasi dengan menggunakan metode Maximum
Likelihood. Seperti pada proses AR (1), kepadatan gabungan dapat juga ditulis sebagai
perkalian kepadatan bersyaratnya.
Kepadatan bersyarat (conditional density) dari kX untuk Tk ,...,2= bersyarat pada
11 ,..., kXX dan 1 adalah
),,....,( 111,,..., 111 kkXXX xxxf kk
+=
2
2
1111
2
)(exp
2
1
kkk xx
Kepadatan marginal dari 1X dapat dihilangkan seperti pada proses AR (1) karena nilainya
dapat diabaikan jika observasi besar. Sehingga fungsi likelihoodnya diperoleh sebagai
),,...,(),,( 112,,...,2
11112
xxxfL TXXX T=
=
=T
j
jjXXXxxxf
jj2
111,,...,),,....,(
111
=
+=
T
j
jjj xx
22
2*
1111
2
)(exp
2
1
(2.3)
dimana *
21211
*
1 += jjjj xx untuk Tj ,...,3= yang didapatkan secara berulang. Nilai
parameter 1 dan 1 dapat diperoleh dengan cara memaksimumkan nilai dari fungsi
likelihoodnya yaitu dengan menurunkan fungsi log-likelihood terhadap masing-masing
parameter dan disamakan dengan nol.
2.2. ARCH
Anggap TXXX ,...,, 21 adalah observasi runtun waktu dan anggap tF adalah
kumpulan dari tX hingga waktu t , termasuk tX untuk 0t . Seperti yang didefinisikan oleh
Engle (1982), proses tX disebut sebagai sebuah Autoregressive Conditional
Heteroscedasticity dengan orde p , jika
-
Tugas Offisial Statistik | 6
1tt FX ),0( thN dengan
22
110 ... ptptt XXh +++=
=
+=p
i
itiX1
2
0 (2.4)
dimana p > 0, 0 > 0, dan 0i untuk pi ,...,1= . Kondisi 0 > 0 dan 01 diperlukan
agar nilai varians bersyarat th selalu positif.
Jelas bahwa dari persamaan 2.1 harapan bersyarat dan varians dari tX adalah
0)( 1 =tt FXE
ttttt hFXEFXV == )()( 12
1
Model paling sederhana adalah ARCH (1) yang dinyatakan dengan
1tt FX ),0( thN dengan
2 110 += tt Xh
dan parameter 0 dan 1 dapat diestimasi dengan maximum likelihood. Kepadatan
gabungan dari observasi TXX ,...,1 adalah
)(),...,(),...,( 12
11,...,1,..., 1111xfxxxfxxf X
T
j
jjXXXTXX jjT
= =
Untuk Tk ,...,2= kepadatan bersyaratnya adalah
= ),...,( 11,..., 11 kkXXX xxxf kk
+
+ )(2exp)(2
12
110
2
2
110 k
k
kx
x
x
(2.5)
Kepadatan marjinal dari 1X dapat dihilangkan seperti pada proses AR (1) dan menghasilkan
fungsi likelihood menjadi
=
+
+=
T
j j
j
jx
x
xL
22
110
2
2
110
10)(2
exp)(2
1),(
dan diperoleh fungsi log-likelihood dengan mengabaikan kontanta adalah
=
+++=
T
j j
j
jx
xxl
22
110
2
2
11010 )log(2
1),(
(2.6)
-
Tugas Offisial Statistik | 7
Estimasi parameter 0 dan 1 dapat diperoleh dengan memaksimumkan fungsi
likelihoodnya yaitu dengan menurunkan fungsi log-likelihoodnya terhadap masing-masing
parameter dan disamakan dengan nol.
2.3. GARCH
Generalized Autoregressive Conditional Heteroscedasticity (GARCH) adalah salah satu
pendekatan untuk memodelkan runtun waktu dengan kondisi error bervariasi menurut
waktu (heteroscedasticity). Metode ini diperkenalkan pertama kali oleh Bollerslev (1986)
yang merupakan generalisasi dari proses Autoregressive Conditional Heteroscedasticity
(ARCH). GARCH dianggap memberikan hasil yang lebih sederhana karena menggunakan
lebih sedikit parameter sehingga mengurangi beban penghitungan.
Secara umum GARCH ),( qp dituliskan sebagai
tX 1tF ),0( thN dengan
qtqtptptt hhXXh ++++++= ...... 1122
110
=
=
++=q
j
jtj
p
i
iti hX11
2
0
(2.7)
0 > 0, 0i untuk pi ,...,1= dan 0j untuk qj ,...,1=
2.4. Seasonal ARIMA
Secara umum, model Seasonal ARIMA dinotasikan sebagai berikut:
ARIMA(p,d,q)(P,D,Q)s
dengan (p,d,q) = bagian tidak musiman dari model
(P,D,Q) = bagian musiman dari model
P = orde musiman untuk AR
Q = orde musiman untuk MA
D = banyaknya seasonal differencing
S = jumlah periode per musim.
Suatu deret {Zt} tidak diketahui periode variasi musiman dan tidak musiman, bentuk
model ARIMA untuk deret itu adalah
p(B)(1-B)dZt = q(B)bt (2.8)
-
Tugas Offisial Statistik | 8
Jika terdapat {bt} tidak white noise dengan korelasi antar periode musiman, maka
fungsi autokorelasi untuk {bt} adalah
= , = 1,2,3, Untuk lebih mudah melihat korelasi antar periode, dapat direpresentasikan sebagai
model ARIMA berikut
p(Bs)(1-Bs)Dbt = Q(Bs)at (2.9) Dengan p(Bs)=1- 1Bs 2B2s - ... PBPs Dan Q(Bs)=1- 1(Bs)- 2(B2s)- . . . - Q(BQs) adalah persamaan polinomial dalam B
s . Jika akarakar dari polinomial-polinomial tersebut
berada di luar lingkaran unit dan {at} = 0, maka proses tersebut adalah proses white noise.
Dengan mengkombinasikan persamaan (2.8) dan persamaan (2.9), diperoleh model
seasonal ARIMA, yaitu
p(Bs) p(B)(1-B)d(1-Bs)DZt = q(B) Q(Bs)at (2.10) Dengan = , = 0!"!#$ = 0,%!&''(!) p(B) = faktor AR tidak musiman q(B) = faktor MA tidak musiman p(Bs) = faktor AR musiman Q(Bs) = faktor MA musiman = rata-rata Zt
2.5. Diagnosa Model Rataan
2.5.1. Kestasioneran Runtun Waktu
Ketika mulai mengembangkan sebuah model untuk data runtun waktu, ingin
diketahui apakah proses stokhastik yang dihasilkan dari runtun waktu tersebut dapat
diasumsikan tidak bervariasi menurut waktu (invariant with respect to time). Jika nilai rata-
rata dan varians dari proses stokhastik berubah menurut waktu berarti proses tersebut
belum stasioner. Hal ini akan menyebabkan sulitnya mewakili selang waktu dari masa lalu
dan masa yang akan datang dengan model aljabar sederhana. Sebaliknya jika proses
stokhastik tidak bervariasi menurut waktu berarti proses telah stasioner. Jika data telah
-
Tugas Offisial Statistik | 9
stasioner, maka runtun waktu dapat dimodelkan menjadi sebuah persamaan dengan
koefisien tetap yang dapat diperkirakan dari data masa lalu.
Anggap )',...,( 1 TXX= mempunyai multivariate normal distribution dengan vektor
rata-rata )',...,( 1 T= dan sebuah matriks varians-covarians berukuran TT . Misal ada
titik data sebanyak T dan sejumlah parameter yang tidak mungkin diestimasi. Agar kita
dapat mengestimasi sejumlah parameter tersebut maka kita harus membuat beberapa
asumsi pada proses { }tX . Dalam hal ini asumsi yang paling umum digunakan adalah
kestasioneran.
Definisi 2.1 (Distribusi gabungan)
Fungsi distribusi gabungan dari TXX ,...,1 diberikan sebagai
),....,(),...( 111,...,1 TTTXX xXxXPxxF T =
Definisi 2.2 (Stasioner sempurna)
Sebuah proses dikatakan mengalami kestasioneran sempurna jika distribusi
gabungan (joint distribution) dari kXX ,...,1 adalah sama dengan distribusi gabungan dari
ktt XX ++ ,....,1 dilihat pada kumpulan titik yang sama kxx ,....1 , yaitu
),...,(),...,( 1,..,1,..., 11 kXXkXX xxFxxF kttk ++=
untuk semua t dan untuk semua k .
Menurut Gujarati, Sebuah proses stokhastik dikatakan stasioner jika rata-rata dan
variansnya konstan sepanjang waktu dan nilai covarians antara dua periode waktu hanya
tergantung pada jarak atau lag pada dua periode waktu tersebut dan bukan pada waktu
sekarang dimana covarians dihitung.1
Untuk menerangkan pernyataan di atas, anggap tX adalah runtun waktu stokhastik
dengan sifat-sifat
Rata-rata: ===== TtXE ....)( 21
Varians: 22)()( == tt XEXVar untuk semua t
Covarians: )))((( = +kttk XXE
Dimana k adalah covarians atau autocovarians pada lag k , yaitu covarians antara nilai tX
dan ktX + .
-
Tugas Offisial Statistik | 10
2.5.2. Serial Correlation LM Test
Pengujian dengan metode ini adalah salah satu alternatif untuk mengetahui ada
tidaknya serial korelasi dalam suatu data runtun waktu. Uji yang termasuk dalam kelas
untuk menguji jumlah sampel yang besar dikenal sebagai Lagrange Multiplier test.
Tidak seperti statistik Durbin Watson, Lagrange Multiplier test dapat digunakan
untuk ordo yang lebih tinggi pada model ARMA (Autoregressive Moving Average). Dalam hal
ini hipotesis yang diambil adalah
0H : tidak ada serial korelasi hingga lag ke p
1H : terjadi serial korelasi hingga lag ke p
Uji statistik ini dihitung dengan alat bantu regresi sebagai berikut. Anggap sebuah
persamaan model regresi yang telah diestimasi
ttt bXy +=
dimana adalah residual. Uji statistik untuk lag ordo p berdasar pada regresi
tptptttt vX +++++= ...2211
Persamaan di atas adalah regresi dari residual pada peregresi asal X dan lag residual hingga
ordo p .
Statistik Obs*R-square adalah Breusch-Godfrey LM test statistic. Anggap bahwa suku
pengganggu tu dibangkitkan dari fungsi autoregressive dengan ordo p sebagai berikut
ttpttt uuuu ++++= ....2211
dimana t adalah faktor pengganggu acak murni dengan rata-rata nol dan varians konstan.
Dalam hal ini hipotesis yang diambil adalah
0....: 210 ==== pH
yaitu bahwa semua koefisien autoregresi secara simultan sama dengan nol. Ini berarti tidak
ada serial korelasi pada lag berapapun. Menurut Breusch dan Godfrey , hipotesis nol dapat
diuji sebagai berikut:
1. Estimasi model regresi dengan prosedur Ordinary Least Square (OLS) dan dapatkan
residual tu .
2. Regresikan tu kembali dengan semua peregresi dalam model ditambah regresor
tambahan, pttt uuu , ,....,21 dimana yang terakhir adalah nilai lag dari residual.
Dapatkan nilai 2R dari regresi tersebut.
-
Tugas Offisial Statistik | 11
3. Jika ukuran sampel besar, Breusch dan Godfrey ditunjukkan sebagai
2).( Rpn 2p
Dalam penerapannya jika nilai 2).( Rpn melebihi nilai kritis tabel Chi Square pada
tingkat signifikansi tertentu maka berarti hipotesis nol telah ditolak.
2.5.3. Uji Heteroskedastisitas
Pengujian heteroskedastisitas untuk mengetahui apakah varians residual berubah
seiring waktu. Statistik uji yang digunakan yaitu White Test.
0H : tidak ada heteroskedastisitas hingga lag ke p
1H : terdapat heteroskedastisitas hingga lag ke p
Jika p-value lebih kecil dari maka terdapat heteroskedastisitas dan sebaliknya jika
p-value lebih besar dari maka tidak terdapat heteroskedastisitas.
2.6. Pemilihan Model Terbaik
Pemilihan model terbaik menggunakan Adjusted R-Square, MAE, AIC dan MAPE.
Adjusted R-Square
*+, = --.--+ */0 = 1 11 *
' 1' 2 1 3
SSE adalah sum square error dan SST adalah sum square total, n adalah jumlah observasi, k
adalah jumlah variabel bebas (tidak termasuk konstant).
Mean Absolut Error (MAE)
45 = 678 9:;97;
-
Tugas Offisial Statistik | 12
3. HASIL PERAMALAN
3.1. Stasionaritas Inflasi
Pengujian statsionaritas data menggunakan paket program eviews 7.2, hasilnya
sebagai berikut:
Null Hypothesis: INFWTP has a unit root
Exogenous: Constant
Lag Length: 1 (Automatic - based on SIC, maxlag=10)
t-Statistic Prob.*
Augmented Dickey-Fuller test statistic -7.157746 0.0000
Test critical values: 1% level -3.550396
5% level -2.913549
10% level -2.594521
Hipotesis yang digunakan adalah:
1:0 =H yang berarti data mengandung akar-akar unit
1:1 H yang berarti data tidak mengandung akar-akar unit
Dengan p-value 0,000 maka Ho ditolak artinya data inflasi tidak mengandung akar-
akar unit. Sehingga dapat disimpulkan bahwa data inflasi sudah stasioner pada levelnya.
3.2. Pemodelan Inflasi
Beberapa model yang dibentuk untuk inflasi kota watampone yaitu ARIMA(2.0.2),
ARIMA(2.0.2)-ARCH(1,0), ARIMA(2.0.2)-GARCH(0,1) dan Seasonal ARIMA(2.0.2)
Tabel 4.1 Model Peramalan Inflasi Kota Watampone
Model
Kecocokan Model Autokorelasi Heteroskedasticity
F-
Statistik
Prob(F-
statistic)
Prob. F Statistik
L-M Test DW
Prob. F Statistik
White Test
(1) (2) (3) (4) (5) (6)
ARIMA(2.0.2) 7,870 0,000 0,704 1,945 0,257
ARIMA(2.0.2)-GARCH(0,1) - - - 1,941 0,893
Seasonal
ARIMA(2.0.2)(12,1) 10,192 0,000 0,698 1,956 0,129
-
Tugas Offisial Statistik | 13
Berdasarkan tabel 4.1, baik model ARIMA(2.0.2), ARIMA(2.0.2)-GARCH(0,1) maupun
Seasonal ARIMA(2.0.2)-(12,1) memenuhi syarat digunakan untuk meramalkan inflasi di Kota
Watampone. Untuk memilih model terbaik diantara ketiga model tersebut, digunakan
MAPE, MAE dan MAD sebagai berikut
Tabel 4.2 Perbandingan Nilai Adjusted R-Squared, MAPE, MAE dan AIC
Model Adjusted
R-squared MAPE MAE AIC
(1) (2) (3) (4) (5)
ARIMA(2.0.2) 0,329 2,142 0,456 1.8615
ARIMA(2.0.2)-GARCH(0,1) 0.329 2,148 0,455 1.9306
Seasonal ARIMA(2.0.2)(12,1) 0,556 1,554 0,341 1.3999
Kriteria pemilihan model terbaik yaitu:
1. Semakin besar Adjusted R-Squared maka model semakin baik
2. Semakin kecil nilai MAPE maka model semakin baik
3. Semakin kecil nilai MAE maka model semakin baik
4. Semakin kecil AIC maka model semakin baik
Dari tiga model pada tabel 4.2 model Seasonal ARIMA(2.0.2)(12,1) adalah model
terbaik untuk semua kriteria. Model ARIMA(2.0.2) tidak berbeda dengan ARIMA(2.0.2)-
GARCH(0,1) hal ini terjadi karena pada model ARIMA(2.0.2) sudah tidak mengandung
heteroskedasticity sehingga perbaikan model dengan menambahkan efek GARCH tidak
meningkatkan kebaikan model. Hal ini juga menunjukkan bahwa pada model tanpa
heteroskedasticity tidak efisien menggunakan GARCH.
Model yang terbaik (Seasonal ARIMA(2.0.2)(12.1)) memiliki Adjusted R-Square yang
lebih tinggi artinya kemampuan variabel independent dalam menjelaskan variabel
dependent pada model ini lebih baik dibandingkan dua model lainnya. Model Seasonal
ARIMA(2.0.2)(12.1) juga memiliki AIC yang paling kecil sehingga ketika digunakan untuk
melakukan peramalan akan memberikan hasil yang lebih baik dengan dua model lainnya.
-
Tugas Offisial Statistik | 14
Grafik 4.1 Perbandingan Fitted Value dari ARIMA, ARIMA-GARCH dan SARIMA dengan
Aktual Value
Fitted Value dari ARIMA dan ARIMA-GARCH hampir berimpit karena memiliki nilai
yang hampir sama. Dari grafik terlihat bahwa fitted value dari SARIMA lebih mendekati
aktual value dibandingkan dengan dua model lainnya.
-1
-0.5
0
0.5
1
1.5
2
2.5
3
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33 35 37 39 41 43 45
Aktual
ARIMA
ARIMA-GARCH
SARIMA
-
Tugas Offisial Statistik | 15
DAFTAR PUSTAKA
Huselius and Linn Walln (2014), Forecasting inflation in Sweden- A univariate approach,
Stockhlom University.
Hwang, Soosung and Pedro L. Valls Pereira (2003), Small Sample Properties of GARCH
Estimation and Persistence.
Karlsson, Lars (2002), GARCH-Modelling Teoritical Survey, Model Implementation and
Robustness Analysis.
Kanti, T., 2014, Bahan Ajar Indeks Harga Konsumen dan SBH 2012, Badan Pusat Statistik RI,
Jakarta Pusat
Lo, Michael S (2003), Generalized Autoregressive Conditional Heteroscedastic Time Series
Models. Thesis, Department of Statistics And Actuarial Science, Simon Fraser
University.
Maddala, G. S (1997), Econometrics. Singapore: McGraw Hill International, Inc.
-
Tugas Offisial Statistik | 16
LAMPIRAN
ARIMA(2.0.2)
Model Dependent Variable: INFWTP
Method: Least Squares
Date: 12/15/14 Time: 06:49
Sample (adjusted): 3 59
Included observations: 57 after adjustments
Convergence achieved after 14 iterations
MA Backcast: 1 2
Variable Coefficient Std. Error t-Statistic Prob.
C 0.445153 0.049978 8.906965 0.0000
AR(1) 0.876908 0.178579 4.910471 0.0000
AR(2) -0.588846 0.173813 -3.387824 0.0013
MA(1) -0.522399 0.223636 -2.335935 0.0234
MA(2) -0.034599 0.217342 -0.159193 0.8741
R-squared 0.377104 Mean dependent var 0.427368
Adjusted R-squared 0.329189 S.D. dependent var 0.718691
S.E. of regression 0.588629 Akaike info criterion 1.861591
Sum squared resid 18.01720 Schwarz criterion 2.040806
Log likelihood -48.05535 Hannan-Quinn criter. 1.931240
F-statistic 7.870270 Durbin-Watson stat 1.945010
Prob(F-statistic) 0.000049
Inverted AR Roots .44+.63i .44-.63i
Inverted MA Roots .58 -.06
Pengujian ASUMSI
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.470181 Prob. F(3,49) 0.7044
Obs*R-squared 1.591600 Prob. Chi-Square(3) 0.6613
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/21/14 Time: 10:59
Sample: 3 59
Included observations: 57
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C -0.000928 0.051121 -0.018159 0.9856
AR(1) -0.111917 0.349481 -0.320238 0.7501
AR(2) -0.080589 0.237856 -0.338816 0.7362
MA(1) -1.462903 2.457080 -0.595383 0.5543
MA(2) 0.469553 1.355960 0.346288 0.7306
RESID(-1) 1.588037 2.591242 0.612848 0.5428
RESID(-2) 0.446949 0.773912 0.577519 0.5662
RESID(-3) 0.386351 0.387389 0.997319 0.3235
-
Tugas Offisial Statistik | 17
R-squared 0.027923 Mean dependent var -0.004355
Adjusted R-squared -0.110945 S.D. dependent var 0.567200
S.E. of regression 0.597837 Akaike info criterion 1.938474
Sum squared resid 17.51306 Schwarz criterion 2.225218
Log likelihood -47.24652 Hannan-Quinn criter. 2.049913
F-statistic 0.201074 Durbin-Watson stat 1.993326
Prob(F-statistic) 0.983752
Date: 12/15/14 Time: 06:49
Sample: 3 59
Included observations: 57
Q-statistic probabilities
adjusted for 4 ARMA
term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. | . | . | . | 1 0.003 0.003 0.0005
. | . | . | . | 2 -0.024 -0.024 0.0369
. |*. | . |*. | 3 0.088 0.088 0.5138
. | . | . | . | 4 -0.023 -0.025 0.5474
.*| . | .*| . | 5 -0.086 -0.082 1.0276 0.311
. | . | . | . | 6 0.064 0.058 1.3015 0.522
.*| . | .*| . | 7 -0.150 -0.154 2.8201 0.420
. | . | . | . | 8 -0.049 -0.030 2.9849 0.560
. | . | . | . | 9 0.033 0.013 3.0599 0.691
**| . | **| . | 10 -0.267 -0.262 8.1714 0.226
. | . | . |*. | 11 0.072 0.105 8.5505 0.287
. |** | . |** | 12 0.249 0.220 13.189 0.106
.*| . | .*| . | 13 -0.149 -0.139 14.886 0.094
.*| . | .*| . | 14 -0.072 -0.096 15.289 0.122
. |*. | . | . | 15 0.093 0.027 15.975 0.142
. | . | . | . | 16 -0.032 0.028 16.061 0.188
. | . | . | . | 17 0.008 -0.030 16.066 0.246
. |*. | . |*. | 18 0.128 0.094 17.485 0.231
. | . | . | . | 19 -0.057 0.019 17.770 0.275
. | . | . | . | 20 0.024 -0.064 17.822 0.334
. | . | .*| . | 21 -0.063 -0.084 18.195 0.377
**| . | .*| . | 22 -0.214 -0.101 22.579 0.207
. |*. | . | . | 23 0.113 0.056 23.839 0.202
. | . | . | . | 24 0.044 -0.040 24.038 0.241
Heteroskedasticity Test: White
F-statistic 1.273212 Prob. F(20,36) 0.2576
Obs*R-squared 23.61474 Prob. Chi-Square(20) 0.2596
Scaled explained SS 18.92265 Prob. Chi-Square(20) 0.5269
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/21/14 Time: 11:01
Sample: 3 59
-
Tugas Offisial Statistik | 18
Included observations: 57
Variable Coefficient Std. Error t-Statistic Prob.
C -7.987043 10.04700 -0.794968 0.4318
GRADF_01 15.04854 15.29167 0.984101 0.3316
GRADF_01^2 -6.158171 5.677442 -1.084674 0.2853
GRADF_01*GRADF_02 -5.729889 2.219449 -2.581672 0.0140
GRADF_01*GRADF_03 -1.345873 3.612545 -0.372555 0.7117
GRADF_01*GRADF_04 10.59826 4.788803 2.213134 0.0333
GRADF_01*GRADF_05 5.785662 7.162303 0.807794 0.4245
GRADF_02 9.202827 3.541912 2.598265 0.0135
GRADF_02^2 -0.067265 0.344705 -0.195139 0.8464
GRADF_02*GRADF_03 0.003531 0.478553 0.007378 0.9942
GRADF_02*GRADF_04 0.286519 0.654364 0.437859 0.6641
GRADF_02*GRADF_05 -0.100393 0.554011 -0.181211 0.8572
GRADF_03 2.125911 5.752402 0.369569 0.7139
GRADF_03^2 0.030082 0.326876 0.092030 0.9272
GRADF_03*GRADF_04 -0.055754 0.513631 -0.108548 0.9142
GRADF_03*GRADF_05 0.064503 0.634567 0.101649 0.9196
GRADF_04 -16.78062 7.640759 -2.196199 0.0346
GRADF_04^2 -0.263625 0.355052 -0.742496 0.4626
GRADF_04*GRADF_05 -0.245095 0.700556 -0.349858 0.7285
GRADF_05 -9.515057 11.44446 -0.831412 0.4112
GRADF_05^2 0.223787 0.417281 0.536298 0.5951
R-squared 0.414294 Mean dependent var 0.316091
Adjusted R-squared 0.088901 S.D. dependent var 0.442529
S.E. of regression 0.422401 Akaike info criterion 1.391585
Sum squared resid 6.423201 Schwarz criterion 2.144288
Log likelihood -18.66016 Hannan-Quinn criter. 1.684111
F-statistic 1.273212 Durbin-Watson stat 1.952784
Prob(F-statistic) 0.257565
-
Tugas Offisial Statistik | 19
ARIMA-GARCH
Model Dependent Variable: INFWTP
Method: ML - ARCH (Marquardt) - Normal distribution
GARCH
Date: 12/20/14 Time: 09:21
Sample (adjusted): 3 59
Included observations: 57 after adjustments
Convergence achieved after 30 iterations
MA Backcast: 1 2
Presample variance: backcast (parameter = 0.7)
GARCH = C(6) + C(7)*GARCH(-1)
Variable Coefficient Std. Error z-Statistic Prob.
C 0.446011 0.055504 8.035714 0.0000
AR(1) 0.884766 0.229419 3.856557 0.0001
AR(2) -0.603638 0.180067 -3.352297 0.0008
MA(1) -0.533402 0.306143 -1.742331 0.0815
MA(2) -0.012797 0.225477 -0.056755 0.9547
Variance Equation
C 0.141908 2.348973 0.060413 0.9518
GARCH(-1) 0.555418 7.405382 0.075002 0.9402
R-squared 0.377054 Mean dependent var 0.427368
Adjusted R-squared 0.329135 S.D. dependent var 0.718691
S.E. of regression 0.588653 Akaike info criterion 1.930698
Sum squared resid 18.01865 Schwarz criterion 2.181599
Log likelihood -48.02490 Hannan-Quinn criter. 2.028207
Durbin-Watson stat 1.941310
Inverted AR Roots .44-.64i .44+.64i
Inverted MA Roots .56 -.02
Pengujian ASUMSI
Heteroskedasticity Test: ARCH
F-statistic 0.018388 Prob. F(1,54) 0.8926
Obs*R-squared 0.019063 Prob. Chi-Square(1) 0.8902
Test Equation:
Dependent Variable: WGT_RESID^2
Method: Least Squares
Date: 12/21/14 Time: 11:17
Sample (adjusted): 4 59
Included observations: 56 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 0.983755 0.231393 4.251441 0.0001
WGT_RESID^2(-1) 0.018568 0.136931 0.135603 0.8926
-
Tugas Offisial Statistik | 20
R-squared 0.000340 Mean dependent var 1.001754
Adjusted R-squared -0.018172 S.D. dependent var 1.405694
S.E. of regression 1.418409 Akaike info criterion 3.572009
Sum squared resid 108.6417 Schwarz criterion 3.644343
Log likelihood -98.01625 Hannan-Quinn criter. 3.600053
F-statistic 0.018388 Durbin-Watson stat 1.983726
Prob(F-statistic) 0.892639
Date: 12/21/14 Time: 14:30
Sample: 3 59
Included observations: 57 Q-statistic
probabilities adjusted for 4 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 0.005 0.005 0.0016
. | . | . | . | 2 -0.031 -0.031 0.0600
. |*. | . |*. | 3 0.093 0.094 0.6026
. | . | . | . | 4 -0.022 -0.024 0.6320
.*| . | .*| . | 5 -0.091 -0.086 1.1702 0.279
. | . | . | . | 6 0.057 0.049 1.3844 0.500
.*| . | .*| . | 7 -0.154 -0.159 2.9695 0.396
. | . | . | . | 8 -0.046 -0.024 3.1177 0.538
. | . | . | . | 9 0.035 0.014 3.2039 0.669
**| . | **| . | 10 -0.268 -0.262 8.3453 0.214
. | . | . |*. | 11 0.072 0.106 8.7253 0.273
. |** | . |** | 12 0.250 0.216 13.399 0.099
.*| . | .*| . | 13 -0.151 -0.140 15.140 0.087
.*| . | .*| . | 14 -0.072 -0.094 15.550 0.113
. |*. | . | . | 15 0.098 0.027 16.322 0.130
. | . | . | . | 16 -0.030 0.027 16.396 0.174
. | . | . | . | 17 0.007 -0.028 16.400 0.228
. |*. | . |*. | 18 0.127 0.096 17.792 0.216
. | . | . | . | 19 -0.056 0.017 18.070 0.259
. | . | . | . | 20 0.025 -0.064 18.128 0.316
. | . | .*| . | 21 -0.061 -0.083 18.478 0.359
**| . | .*| . | 22 -0.212 -0.099 22.807 0.198
. |*. | . | . | 23 0.114 0.057 24.084 0.193
. | . | . | . | 24 0.047 -0.036 24.309 0.229
-
Tugas Offisial Statistik | 21
SARIMA
Model Dependent Variable: INFWTP
Method: Least Squares
Date: 12/21/14 Time: 11:19
Sample (adjusted): 15 59
Included observations: 45 after adjustments
Convergence achieved after 98 iterations
MA Backcast: 1 14
Variable Coefficient Std. Error t-Statistic Prob.
C 0.552015 0.156824 3.519966 0.0011
AR(1) 0.680179 0.289639 2.348366 0.0242
AR(2) -0.395275 0.303142 -1.303925 0.2001
SAR(12) 0.622923 0.131341 4.742784 0.0000
MA(1) -0.383015 0.303528 -1.261877 0.2147
MA(2) 0.036814 0.316038 0.116486 0.9079
SMA(12) -0.877001 0.043322 -20.24392 0.0000
R-squared 0.616742 Mean dependent var 0.414000
Adjusted R-squared 0.556227 S.D. dependent var 0.681287
S.E. of regression 0.453848 Akaike info criterion 1.399926
Sum squared resid 7.827164 Schwarz criterion 1.680962
Log likelihood -24.49833 Hannan-Quinn criter. 1.504693
F-statistic 10.19164 Durbin-Watson stat 1.956009
Prob(F-statistic) 0.000001
Inverted AR Roots .96 .83-.48i .83+.48i .48+.83i
.48-.83i .34+.53i .34-.53i .00+.96i
-.00-.96i -.48+.83i -.48-.83i -.83-.48i
-.83+.48i -.96
Inverted MA Roots .99 .86+.49i .86-.49i .49+.86i
.49-.86i .19+.01i .19-.01i -.00-.99i
-.00+.99i -.49-.86i -.49+.86i -.86+.49i
-.86-.49i -.99
Pengujian ASUMSI
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.362989 Prob. F(2,36) 0.6981
Obs*R-squared 0.189983 Prob. Chi-Square(2) 0.9094
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 12/21/14 Time: 11:20
Sample: 15 59
Included observations: 45
-
Tugas Offisial Statistik | 22
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C 0.024713 0.162646 0.151945 0.8801
AR(1) -0.089862 0.328485 -0.273564 0.7860
AR(2) 0.159036 0.376983 0.421866 0.6756
SAR(12) -0.005835 0.139823 -0.041730 0.9669
MA(1) -0.498372 0.921329 -0.540928 0.5919
MA(2) -0.330938 0.629315 -0.525870 0.6022
SMA(12) -0.002167 0.044387 -0.048830 0.9613
RESID(-1) 0.584228 0.924855 0.631696 0.5316
RESID(-2) 0.453210 0.552860 0.819756 0.4177
R-squared 0.004222 Mean dependent var -0.052110
Adjusted R-squared -0.217062 S.D. dependent var 0.418465
S.E. of regression 0.461653 Akaike info criterion 1.468849
Sum squared resid 7.672441 Schwarz criterion 1.830182
Log likelihood -24.04911 Hannan-Quinn criter. 1.603551
F-statistic 0.019079 Durbin-Watson stat 2.013875
Prob(F-statistic) 0.999998
Heteroskedasticity Test: White
F-statistic 2.042065 Prob. F(35,9) 0.1285
Obs*R-squared 39.96721 Prob. Chi-Square(35) 0.2589
Scaled explained SS 19.70525 Prob. Chi-Square(35) 0.9826
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 12/21/14 Time: 11:21
Sample: 15 59
Included observations: 45
Variable Coefficient Std. Error t-Statistic Prob.
C 0.136576 0.123436 1.106453 0.2972
GRADF_01 0.070734 0.121068 0.584252 0.5734
GRADF_01^2 0.159740 0.303263 0.526739 0.6111
GRADF_01*GRADF_02 -1.820869 0.776610 -2.344638 0.0437
GRADF_01*GRADF_03 -0.170902 0.674892 -0.253229 0.8058
GRADF_01*GRADF_04 0.054845 0.152672 0.359231 0.7277
GRADF_01*GRADF_05 2.023875 0.811478 2.494062 0.0342
GRADF_01*GRADF_06 0.246795 0.684681 0.360452 0.7268
GRADF_01*GRADF_07 0.035173 0.057627 0.610354 0.5567
GRADF_02 0.076840 0.449656 0.170887 0.8681
GRADF_02^2 1.168513 0.734508 1.590879 0.1461
GRADF_02*GRADF_03 -1.533839 1.395906 -1.098813 0.3004
GRADF_02*GRADF_04 -1.335716 1.017766 -1.312401 0.2219
GRADF_02*GRADF_05 -0.525211 1.146073 -0.458270 0.6576
GRADF_02*GRADF_06 -0.808839 1.429428 -0.565848 0.5853
GRADF_02*GRADF_07 0.367123 0.247363 1.484146 0.1719
GRADF_03 -0.167324 0.248010 -0.674666 0.5168
GRADF_03^2 -0.797896 0.901268 -0.885304 0.3990
GRADF_03*GRADF_04 -0.829655 0.795936 -1.042364 0.3244
GRADF_03*GRADF_05 2.206723 1.827663 1.207401 0.2581
GRADF_03*GRADF_06 1.732121 1.740779 0.995026 0.3457
GRADF_03*GRADF_07 -0.117562 0.152539 -0.770702 0.4606
-
Tugas Offisial Statistik | 23
GRADF_04 0.094970 0.148135 0.641107 0.5374
GRADF_04^2 -0.402056 0.176038 -2.283923 0.0483
GRADF_04*GRADF_05 1.443791 1.319833 1.093920 0.3024
GRADF_04*GRADF_06 0.274835 0.746064 0.368380 0.7211
GRADF_04*GRADF_07 0.012423 0.050431 0.246342 0.8109
GRADF_05 -0.378187 0.554577 -0.681939 0.5124
GRADF_05^2 -1.098301 1.244541 -0.882495 0.4005
GRADF_05*GRADF_06 -0.694374 1.374537 -0.505170 0.6256
GRADF_05*GRADF_07 -0.275345 0.255105 -1.079342 0.3085
GRADF_06 0.039610 0.333775 0.118672 0.9081
GRADF_06^2 -0.341102 0.898070 -0.379817 0.7129
GRADF_06*GRADF_07 0.166283 0.149975 1.108736 0.2963
GRADF_07 0.041955 0.037312 1.124426 0.2899
GRADF_07^2 0.036147 0.028622 1.262930 0.2384
R-squared 0.888160 Mean dependent var 0.173937
Adjusted R-squared 0.453228 S.D. dependent var 0.206850
S.E. of regression 0.152953 Akaike info criterion -0.926810
Sum squared resid 0.210552 Schwarz criterion 0.518520
Log likelihood 56.85323 Hannan-Quinn criter. -0.388006
F-statistic 2.042065 Durbin-Watson stat 1.738596
Prob(F-statistic) 0.128532
Date: 12/21/14 Time: 14:32
Sample: 15 59
Included observations: 45 Q-statistic
probabilities adjusted for 6 ARMA term(s)
Autocorrelation Partial Correlation AC PAC Q-Stat Prob . | . | . | . | 1 -0.012 -0.012 0.0070
. | . | . | . | 2 0.015 0.015 0.0179
.*| . | .*| . | 3 -0.124 -0.124 0.7908
.*| . | .*| . | 4 -0.152 -0.158 1.9900
. | . | . | . | 5 0.026 0.024 2.0252
. | . | . | . | 6 -0.020 -0.031 2.0465
. | . | .*| . | 7 -0.043 -0.087 2.1488 0.143
. | . | .*| . | 8 -0.056 -0.080 2.3250 0.313
. | . | . | . | 9 -0.006 -0.008 2.3272 0.507
.*| . | .*| . | 10 -0.145 -0.180 3.6036 0.462
. | . | . | . | 11 0.065 0.017 3.8632 0.569
. | . | . | . | 12 0.011 -0.006 3.8716 0.694
**| . | **| . | 13 -0.221 -0.297 7.1078 0.418
. | . | .*| . | 14 -0.025 -0.112 7.1489 0.521
. | . | . | . | 15 0.001 0.007 7.1489 0.622
. |*. | . | . | 16 0.128 0.024 8.3485 0.595
. |*. | . | . | 17 0.173 0.050 10.599 0.477
. | . | . | . | 18 0.043 0.030 10.745 0.551
.*| . | .*| . | 19 -0.074 -0.087 11.191 0.595
. | . | . | . | 20 -0.005 -0.027 11.194 0.671