Escolar Documentos
Profissional Documentos
Cultura Documentos
Muhammadiyah Yogyakarta
Otokorelasi
1.Pendahuluan
Otokorelasi adalah korelasi antara anggota serangkaian
observasiyangdiurutkanmenurutwaktu(timeseries)atauruang
(crosssection).Masalahotokorelasiakanmunculpadadataruntut
waktu (time series) dan data lintas sektoral (cross section) dapat
diabaikan.
Dalammodelregresilinearklasik(ordinaryleastsquareatau
OLS) mengasumsikan bahwa otokorelasi tidak terdapat dalam
faktorresidual,ataudapatditulis:
E(uiuj)=0ij
2.PenyebabOtokorelasi
a.
Adanya
kelembaman
(inertia),
adalah
adanya
ketergantunganatauinterdependensiantaradataobservasi
periodesekarangdenganperiodesebelumnya.
b.
Biasspesifikasiadalahadanyavariabelpenjelasyangtidak
dimasukkan dalam model regresi, hal ini mengakibatkan
unsur penganggu (ui) akan merefleksikan suatu pola yang
sistematis diantara sesama unsur pengganggu, hal ini
mengakibatkanterjadiotokorelasidiantararesidual.
c.
e.
sekarang
dipengaruhi
oleh
pengeluaran
konsumsisebelumnya.
Dalamekonometrikadisebutdenganmodelautoregressive.
Yt=b0+b1X1+b2X2+b3Yt1+e
3.AkibatOtokorelasi
a.
PenaksirOLStidakefisienataumemilikivarianminimum.
b.
c.
Penaksirvarianakanlebihrendah(underestimate).
4.MendeteksiOtokorelasi
UjiDurbinWatson(DW)
Asumsi:
a.
Regresiharusmemilikikonstantaatautidakmelewatititik
origin.
b.
Variabelpenjelaskonstanuntuksampelyangberulang.
c.
Faktorpengganggu(ui)dapatdigeneralisasidenganskema
firstorderautoregressive.
d.
Yt=b0+b1X1+b2X2+b3Yt1+e
Wihandaru Sotya PamungkasOtokorelasi 105
Langkahlangkah:
a.
MencarinilaiDWhitung,sebagaiberikut:
t =n
d=
2
(
e
e
)
t t 1
t =2
t =n
2
e
t
t =1
et=nilairesidualsekarang;et1=nilaisebelumnya.
n=banyaknyaobservasi.
b.
MencarinilaiDWtabel,sebagaiberikut:
Otokorelasipositif
dL<DWhitung<dU
Raguragu
dUDWhitung4dU
Tidakadaotokorelasi
4dU<DWhitung4dL
Raguragu
DWhitung>4dL
OtokorelasiNegatif
c. Kesimpulan:membandingkanDWhitungdenganDWtabel.
5.Ujih
d
N
h = 1
2 1 {N * ( Yt 1 )}
d:nilaiDWhitung;N:jumlahdata;
Var:varianatau(standarerror)2
Kesimpulan:
Jikanilaih<1.645tidakterjadiotokorelasipadafungsi
empiris.
1.645=Z;=5%
6.PerbaikanOtokorelasi
1.StrukturOtokorelasi()Diketahui.
2.StrukturOtokorelasi()TidakDiketahui.
ModelEstimasi
Y=b0+b1X1+b2X2+e
6.1.StrukturOtokorelasi()
Diketahui
Langkahlangkah:
a.
b.
c.
Transformasidataobservasikeduadanseterusnya,dengan
cara:
Yt = Yt (p * Yt 1 )
d.
Yt1 = Yt1 * 1 p
X1t1 = X1t1 * 1 p
e.
6.2.StrukturOtokorelasi()
TidakDiketahui
Adabeberapametode:
a.
UjiBerenbluttWebb.
b.
UjiyangdidasarkanpadaDWdStatistics.
c.
d.
Disiniakandibahas:
a .
UjiTheilNagarModifikasidStatistics
(TheilNagarModifieddStatisticsTest).
b.
6.2.1.UjiTheilNagarModifikasid
Statistics(TheilNagarModifiedd
StatisticsTest)
Langkahlangkah:
a.
Mencarinilaikosntanta()denganrumus:
N 2 (1 d ) + k
2
p =
2
2
N +k
N:Jumlahdata;d:DWhitung;
k:Jumlahvariabelbebastermasukkonstanta.
b.
Transformasidataobservasikeduadanseterusnya,dengan
cara:
Yt = Yt (p * Yt1)
X1t = X1t (p * X1t1)
c.
Yt1 = Yt1 * 1 p
X1t1 = X1t1 * 1 p
d.
Daridatahasiltranformasidiregresdandiujikembali
apakahmasihterdapatotokorelasi.
Jika ya gunakan metode estimasi dengan
6.2.2.MetodeEstimasiDuaLangkah
Durbin(DurbinsTwostepMethodof
Estimating)
Langkahlangkah:
a.
Y=b0+b1X1+b2X2+e
b.
et=x(et1)+v
c.
Transformasidataobservasikeduadanseterusnya:
Yt=b0(1)+b1(X1X1t1)+
b2(X2X2t1)+Yt1+e
YtdanYt1:nilaisebelumtransformasi.
e.
Transformasidataobservasiketigadanseterusnya:
Yt = Yt (p * Yt 1 )
Modelestimasisetelahtransformasidatakedua:
YtYt1=b0(1)+b1(X1X1t1)+
b2(X2X2t1)+e
otokorelasi.
Jika ya gunakan metode estimasi dengan
proseduriterasiCochraneOrcutt.
7.ContohMendeteksidan
PerbaikanOtokorelasi
DataTimeSeriesHomoskedastisitas
ModelEstimasi
LnILQ=b0+b1LnBg+b2LnNT+e
7.1.MendeteksiOtokorelasidengan
UjiDurbinWatson
Langkahlangkah:
a.
b.
MencarinilaiDWtabel(k=2)dan(n=198).
dL=1.285;dU=1.403;4dU=2.597;4dL=2.715
c.
Kesimpulan:DWhitungterletakdiwilayahdL
adaotokorelasipadafungsiempiris.
7.2.PerbaikanOtokorelasi
7.2.1.TheilNagarModifikasid
Statistics(TheilNagarModifiedd
StatisticsTest)
Langkahlangkah:
a.
Mencarinilaikosntanta(),diperolehhasil=0.8325.
b.
LnILQ2=5.5606(0.8325*5.5485)=0.9414
LnBg2=2.064(0.8325*2.064)=0.3451
LnNT2=9.1896(0.8325*5.5485)=1.5363
c.
LnILQ1=5.5485*{1(0.83252)}^(1/2)=3.0741
LnBg1=2.0604*{1(0.83252)}^(1/2)=1.1415
LnNT1=9.1932*{1(0.83252)}^(1/2)=5.0933
e.
NilaiDWhitungsetelahtransformasikedua=1.242.
f.
Kesimpulan:DWhitungterletakdiwilayahdL
adaotokorelasipadafungsiempiris.
PerbaikandenganTheilNagarModifikasidStatistics
tidakbisadilakukan.
7.2.2.MetodeEstimasiDuaLangkah
Durbin(DurbinsTwostepMethodof
Estimating)
Langkahlangkah:
a.
Mencarinilai(rho)pertamasebesar0.984.
b.
LnBg2=2.0604{0.984*(2.0604)}=0.033
LnNT2=9.1896(0.984*9.1932)=0.1435
c.
Mencarinilai(rho)keduasebesar0.984.
d.
LnILQ3=5.865(0.984*5.606)=0.1149
LnBg3=2.0604{0.984*(2.0604)}=0.330
LnNT3=9.1876(0.984*9.1896)=0.1450
e.
NilaiDWhitungsetelahtransformasikedua=2.149.
f.
Kesimpulan:DWhitungterletakdiwilayah
dUDWhitungtidakadaotokorelasipadafungsi
emipiris.
C a t a t a n:
a. Setelahtransformasipertamajumlahdata1981=197.
b. Setelahtransformasikeduajumlahdata1971=196.
Nilairho()satudanrho()duakebetulansama(0.984).
DataPenelitian
TransformasiRho()
MetodeTheilNagar
ILQ45
Bunga
NilaiTukar
LnILQ
LnBg
LnNT
3.074002 1.141516
5.093213
0.941404 0.345121
1.536293
0.957361 0.345121
1.537219
0.934731 0.345121
1.528120
0.946032 0.345121
1.535041
Datadisajikansebagian.
TransformasiRhoSatuMetode
DuaLangkahDurbin
ILQ45
Bunga
NilaiTukar
LnILQ
LnBg
LnNT
0.100800
0.032967
0.143524
0.957361
0.345121
1.537219
0.934731
0.345121
1.528120
0.946032
0.345121
1.535041
No.
Datadisajikansebagian.
n=1981=197
TransformasiRhoDuaMetode
DuaLangkahDurbin
ILQ45
Bunga
NilaiTukar
LnILQ
LnBg
LnNT
No.
0.957361 0.345121
1.537219
0.934731 0.345121
1.528120
0.946032 0.345121
1.535041
Datadisajikansebagian.
n=1982=196
DaftarPustaka
Gujarati,DamodarN.(1995),ThirdEdition,BasicsEconometrics,McGraw
Hill,NewYork.