PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PERAMALAN DENGAN MODEL ARCH SKRIPSI Diajukan untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Sains (S.Si) Program Studi Matematika
Oleh: SUHARTINI NIM : 003114038
PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SANATA DHARMA YOGYAKARTA 2007
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
MOTTO
Serahkanlah perbuatanmu kepada Tuhan, maka terlaksanalah segala rencanamu. (Amsal 16:3). Do not dwell in the past, do not dream of the future, concentrate the mind on the present moment. ( Budha ) Our greatest glory is not in never falling, but in rising every time we fall. (Budha).
Dengan penuh kasih karya ini kupersembahkan untuk : Bapak dan Ibukku, Mas Arno, mas Ardi, mbak yanti, wandi, “bee”, all family, Teman-temanku serta almamaterku tercinta
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Model ARCH (Autoregressive Conditional Heteroscedastic) merupakan model autoregresif dalam keadaan variansi tidak konstan. Model ini akan digunakan untuk menentukan, meramalkan dan memperbaharui nilai parameter dari data runtun waktu yang variansinya tidak konstan. Nilai parameter dari model ARCH dapat diperoleh dengan menggunakan metode maksimum likelihood.
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
ARCH (Autoregressive Conditional Heteroscedastic) model is inconstant variance autoregressive model. Variance is a variable in statistic that illustrate how far the changes of the data to mean. This model will be used to fit, to forecast, and to update renew parameter from inconstant variance of time series data. ARCH model parameter value can be obtained by using likelihood maximum method.
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji dan syukur kepada Hati kudus Tuhan Yesus dan bunda Maria, karena berkat karunia dan rahmatnya yang telah mereka berikan penulis dapat menyelesaikan skripsi ini. Banyak hambatan dan kesulitan yang ditemui penulis dalam menyusun dan menulis skripsi ini. Namun, berkat bantuan dan dorongan dari berbagai pihak, baik langsung maupun tidak langsung, akhirnya skripsi ini dapat terselesaikan. Oleh karena itu penulis ingin mengucapkan terima kasih kepada : 1. Ibu Ch. Enny Murwaningtyas, S.Si, M.Si , selaku dosen pembimbing yang telah meluangkan waktu, pikiran, memimjamkan buku, serta kesabaran membimbing penulis dalam menyusun skripsi ini. 2. Bapak YG. Hartono, S.Si, M.Sc, selaku ketua program studi matematika FMIPA USD Yogyakarta. 3. Ibu Mv. Any Herawati, S.Si, M.Si, selaku dosen pembimbing akademik. 4. Bapak Ir. Ig. Aris Dwiatmoko, M.Sc dan Ibu Lusia Krismiyati Budiasih, S.Si, M.Si, selaku dosen penguji yang telah memberikan masukan-masukan dan koreksi. 5. Bapak dan ibu dosen FMIPA yang telah memberikan ilmu yang berguna kepada penulis selama dibangku kuliah. 6. Bapak Gunardi, S.Si, M.Si, yang telah memberikan judul skripsi dan masukan-masukan.
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ix
7. Mas Tukijo yang telah memberikan pelayanan administrasi dalam urusan-urusan perkuliahan kepada penulis. 8. Kedua orangtuaku yang tak henti-hentinya memberikan dukungan baik moral, spiritual, maupun materi sehingga penulis dapat menyelesaikan skripsi ini. 9. Kakak-kakakku, mas Ardi, mas Arno dan adiku yang selalu memberikan dukungan, doa, bantuan materi serta kesabarnya selama ini. 10. Keluarga mbak Yanti dan keponakan-keponakanku Angela, Jepin yang selalu memberi semangat, doa, bantuan materi. 11. Teman-temanku Sumi, Vin, Dora, Dewi, Deni, Veri (’01), Anjrah, Heri (Ndoet), yang selalu setia menemani, memberikan semangat dan mendengarkan curhatku. Penulis menyadari bahwa skripsi ini masih jauh dari sempurna, oleh karena itu penulis membuka diri untuk menerima kritik serta saran yang bermanfaat bagi kesempurnaan skripsi ini. Penulis berharap semoga skripsi ini memberikan manfaat dan berguna bagi semua pihak.
Yogyakarta, 22 Februari 2007
Penulis
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI Halaman HALAMAN JUDUL....................................................................................
i
HALAMAN PERSETUJUAN PEMBIMBING ..........................................
ii
HALAMAN PENGESAHAN......................................................................
iii
HALAMAN PERSEMBAHAN ..................................................................
iv
PERNYATAAN KEASLIAN KARYA ......................................................
v
ABSTRAK ...................................................................................................
vi
ABSTRACT.................................................................................................
vii
KATA PENGANTAR .................................................................................
viii
DAFTAR ISI................................................................................................
x
BAB I
PENDAHULUAN.....................................................................
1
A. Latar Belakang Masalah.......................................................
1
B. Rumusan Masalah ................................................................
2
C. Tujuan Penulisan..................................................................
2
D. Pembatasan Masalah ............................................................
2
E. Manfaat Penulisan................................................................
3
F. Metode Penulisan .................................................................
3
G. Sistematika Penulisan ..........................................................
3
LANDASAN TEORI................................................................
5
A. Konsep Dasar Runtun Waktu...............................................
11
B. Fungsi Autokovariansi dan Fungsi Autokorelasi.................
15
C. Fungsi Autokorelasi Parsial .................................................
18
BAB II
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xi
BAB III
BAB IV
D. Autoregresi (AR)..................................................................
19
MODEL ARCH........................................................................
32
A. ARCH...................................................................................
32
B. Pengujian Adanya Efek ARCH Dalam Data Runtun Waktu
41
C. Fungsi Kelihood ARCH.......................................................
47
PENERAPAN MODEL ARCH PADA DATA HARGA SAHAM COMPOSITE INDEX...............................................
53
A. Identifikasi Model ARCH ....................................................
53
B. Uji Efek ARCH ....................................................................
57
C. Pembentukan Model Akhir ..................................................
58
PENUTUP.................................................................................
60
A. Simpulan ..............................................................................
60
B. Saran.....................................................................................
60
DAFTAR PUSTAKA ..................................................................................
61
BAB V
LAMPIRAN................................................................................................. LAMPIRAN 1 Data Harga Saham Composite Index dari tanggal 03 Januari 2005 sampai 29 Desember 2005..........................................................
62
LAMPIRAN 2 Hasil Analisa Data yang Telah Didifferencing Satu Kali dengan Menggunakan AR (3) ..
66
LAMPIRAN 3 Hasil Analisa Data yang Telah Didifferenc-
LAMPIRAN 4
ing Satu Kali dengan Menggunakan AR (1) ..
67
Hasil Analisis Uji Efek ARCH ......................
68
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
xii
LAMPIRAN 5
Hasil Analisis Penentuan Modal Akhir..........
69
LAMPIRAN 6
Tabel Distribusi Statistik-t .............................
70
LAMPIRAN 7
Tabl Distribusi Khi-Kuadrat ..........................
71
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I PENDAHULUAN
A. Latar Belakang Masalah Pada kenyataannya data runtun waktu tidak semuanya memiliki variansi konstan. Model Autoregresif (AR) merupakan model yang menganggap bahwa data runtun waktu memiliki variansi yang konstan. Variansi merupakan variabel dalam statistik yang menggambarkan seberapa jauh perubahan data terhadap nilai rataratanya. Persamaan umum AR adalah Υt = β 0 + β 1 Υt −1 + K + β k Υt − k + ε t dengan : Υt = deret waktu tunggal Υt −i = deret waktu tunggal yang ketinggalan i perioda (i = 1,2,3, K , k )
β
= parameter
ε
= galat
Bila
variansi
galat
berubah
terhadap
waktu
maka
keadaan
ini
disebut
heteroskedastisitas. Untuk itulah Robert F. Engle pada tahun 1982 menawarkan model ARCH (Autoregressive Conditional Heteroscedastic). Model ARCH merupakan model autoregresif dalam keadaan variansi tidak konstan.
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 2
Bentuk model ARCH adalah ∞
ε t = vt ht dengan ht = α 0 + ∑ α i ε t2−i dan vt berdistribusi normal standar. i =1
Peramalan dengan model ARCH dapat kita lakukan cukup dengan adanya data runtun waktu tunggal. Peramalan dengan model ini tidak perlu memandang aspekaspek lain yang dapat mempengaruhi perubahan data runtun waktu.
B. Rumusan Masalah Pokok bahasan yang akan dibahas dalam tulisan ini dapat dirumuskan sebagai berikut: 1. Apa yang dimaksud dengan model ARCH? 2. Bagaimana
penerapan
model
ARCH
dalam
peramalan
dengan
menggunakan data runtun waktu?
C. Tujuan Penulisan Untuk menjelaskan dan membahas kegunaan model ARCH dalam peramalan data runtun waktu serta landasan teori yang mendukungnya.
D. Pembatasan Masalah Dalam tulisan ini peramalan dengan model ARCH hanya akan membahas 1. Model ARCH satu variabel (univariate)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 3
2. Uji
efek
ARCH
menggunakan
pengganda
langrange
(langrange
multiplier). 3. Estimasi model ARCH menggunakan maksimum likelihood distibusi normal. 4. Pembuktian distribusi khi-kuadrat tidak dibuktikan.
E. Manfaat Penulisan Manfaat yang akan diperoleh setelah mempelajari topik ini adalah untuk semakin memahami dan menguasai penggunaan model ARCH dalam peramalan khususnya peramalan dengan menggunakan data runtun waktu.
F. Metode Penulisan Metode yang digunakan dalam penulisan ini menggunakan metode kepustakaan dan data diolah menggunakan software Eviws dan Minitab.
G. Sistematika Penulisan BAB I : menjelaskan tentang latar belakang masalah, rumusan masalah, tujuan penulisan, manfaat penulisan, sistematika penulisan. BAB II : menjelaskan tentang konsep dasar runtun waktu, fungsi autokovariansi dan fungsi autokorelasi (ACF), fungsi parsial autokorelasi (PACF), autoregresi (AR).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI 4
BAB III : menjelaskan tentang model ARCH, ARCH, pengujian adanya efek ARCH dalam data runtun waktu, fungsi likelihood ARCH. BAB IV : menjelaskan Penerapan Model ARCH Pada Data Harga Saham Composite
Index, identifikasi model awal, uji efek ARCH, penentuan model akhir. BAB V :menjelaskan tentang simpulan dan saran.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II LANDASAN TEORI
Dalam peramalan dikenal adanya model deret berkala dan model regresi. Pada jenis model deret berkala, penduga masa depan dilakukan berdasarkan nilai masa lalu dari suatu variabel atau kesalahan masa lalu. Sedangkan model regresi mengasumsikan bahwa faktor yang diramalkan menunjukkan suatu hubungan sebabakibat dengan satu atau lebih variabel bebas (variabel independen). Suatu model regresi yang memiliki satu variabel bebas disebut model regresi sederhana atau model regresi linear klasik. Model regresi linear klasik dapat dinyatakan sebagai berikut: Υi = β 0 + β 1 Χ i + ε i
(2.1)
dengan:
Υ = variabel tak bebas (variabel dependen) Χ = variabel bebas (variabel independen)
β = parameter ε = unsur gangguan stokastik Model tersebut memiliki beberapa asumsi yaitu: Asumsi 1:
Nilai harapan unsur gangguan stokastik adalah nol, yaitu Ε(ε i ) = 0.
5
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
Asumsi 2:
Tidak adanya autokorelasi atau tidak terdapat korelasi diantara unsur gangguan stokastik, yaitu Kov (ε i , ε j ) = Ε((ε i − Ε(ε i ))(ε j − Ε(ε j ))) = Ε((ε i − 0 )(ε j − 0 )) = Ε(ε i ε j ) =0
dengan i dan j adalah indeks untuk dua pengamatan yang berbeda. Asumsi 3:
Varian ε i adalah suatu bilangan konstan positif yang sama dengan σ 2 dengan kata lain asumsi ini menyatakan homoskedastisitas atau variansi sama, yaitu: Var (ε i ) = Ε(ε i − Ε(ε i ))
2
( )
= Ε ε i2 =σ2
Penyimpangan dari asumsi 3 disebut sebagai heteroskedastisitas (variansi yang tidak konstan), yaitu:
Var (ε i ) = σ i2 Asumsi 4:
Variabel bebas Χ tak stokastik atau tetap.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
7
Untuk menaksir parameter β digunakan metode kuadrat terkecil biasa ( method
of ordinary least squares (OLS) ). Langkah –langkahnya sebagai beriku : Persamaan (2.1) dapat ditulis menjadi
Υi = βˆ0 + βˆ1 Χ i + ε i = Υˆ i + ε i
(2.2)
dengan Υˆ i merupakan nilai taksiran Υi . Secara alternatif persamaan (2.2) dapat dinyatakan sebagai berikut
ε i = Υi − Υˆ i = Υi − βˆ0 − βˆ1 Χ i
(2.3)
yang menunjukkan bahwa ε i (galat) hanyalah perbedaan antara nilai Υ sebenarnya dengan yang ditaksir. Untuk sampel berukuran N pasang observasi jumlah kuadrat galatnya dapat dinyatakan sebagai berikut
∑ε
2 i
( ) = ∑ (Υ − βˆ − βˆ Χ )
= ∑ Υi − Υˆ i
2
2
i
0
1
(2.4)
i
Bila persamaan (2.4) diturunkan terhadap βˆ0 maka diperoleh persamaan ∂
(∑ ε ) = −2 (Υ ∑ ˆ 2 i
i
∂β 0
)
− βˆ0 − βˆ1 Χ i = 0
(2.5)
Bila persamaan (2.4) diturunkan terhadap βˆ1 maka diperoleh persamaan ∂
(∑ ε ) = −2 (Υ ∑ ˆ 2 i
∂β 0
i
)
− βˆ0 − βˆ1 Χ i Χ i = 0
(2.6)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
Persamaan (2.5) dapat ditulis menjadi
∑Υ
= Nβˆ 0 + βˆ1 ∑ Χ i
i
(2.7)
Persamaan (2.6) dapat ditulis menjadi
∑Υ Χ i
i
= βˆ0 ∑ Χ i + βˆ1 ∑ Χ i2
(2.8)
Dari persamaan (2.7) dan (2.8) diperoleh N ∑ Χ i Υ i −∑ Χ i ∑ Υi
βˆ1 =
(2.9)
N ∑ Χ i2 − (∑ Χ i )
2
∑Χ ∑Υ − ∑Χ ∑Χ Υ N ∑ Χ − (∑ Χ ) 2 i
βˆ0 =
i
i
i
i
(2.10)
2
2 i
i
Selain menaksir parameter β kita tentukan koefisien determinasi R 2 . Koefisien determinasi merupakan ukuran ikhtisar yang menyatakan seberapa baik garis regresi sampel mencocokkan data. Bila persamaan (2.2) kedua sisi dikurangi Υ maka persamaannya menjadi Υi − Υ = Υˆ i − Υ + ε i
(2.11)
Kemudian persamaan (2.11) kedua sisi dikuadratkan sehingga persamaannya menjadi
∑ (Υ
i
(
Karena persamaan (2.5)
∑ (Υˆ
i
)
(
)
2 2 − Υ ) = ∑ Υˆ i − Υ + 2∑ Υˆ i − Υ ε i + ∑ ε i2
(
)
∑ε
i
= 0 dan persamaan (2.6)
(2.12)
∑ε Χ i
i
= 0 maka
)
− Υ ε i = ∑ βˆ0 + βˆ1 Χ i − Υ ε i = βˆ0 ∑ ε i + βˆ1 ∑ Χ i ε i − Υ ∑ ε i =0
(2.13)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
Sehingga persamaan (2.12) menjadi
(
∑ (Υ
)
2 2 − Υ ) = ∑ Υˆ i − Υ + ∑ ε i2
i
(2.14)
dengan
∑ (Υ
i
− Υ ) = jumlah kuadrat total ( total sum of squares (TSS) )
∑ (Υˆ
i
−Υ
∑ε
2
)
2
2 i
= jumlah kuadrat yang dijelaskan ( explined sum of squares (ESS) ) = jumlah kuadrat galat/residual ( residual sum of squares (RSS) )
Definisi 2.1:
Koefisien determinasi R 2 didefinisikan sebagai ESS R = = TSS 2
∑ (Υˆ ∑ (Υ
i i
−Υ
)
2
− Υ)
2
Teorema 2.1
Bila TR
2
∑ (Υˆ =N ∑ (Υ
i i
−Υ
)
2
− Υ)
2
dengan T merupakan banyaknya observasi maka sta-
sistik uji TR 2 akan berdistribusi khi-kuadrat. Bukti : Karena Υˆ i merupakan nilai taksiran Υi maka
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
( )
Var Υˆ i =
∑ (Υˆ
)
2
−Υ
i
= S2
n −1
sedangkan Var (Υi ) =
∑ (Υ
i
− Υ)
N
2
=σ2
akibatnya TR
2
∑ (Υˆ =N ∑ (Υ
i i
=N
−Υ
)
2
− Υ)
2
(n − 1)S 2 Nσ 2
= (n − 1)
S2
σ2
Jadi terbukti bahwa TR 2 berdistribusi χ 2 dengan derajat bebas n-1.
■
Sedangkan model regresi yang memiliki lebih dari satu variabel bebas disebut mode regresi linear berganda. Model regresi linear berganda dapat dinyatakan sebagai berikut: Υi = β 0 + β1 Χ 1i + β 2 Χ 2i + ... + β k Χ ki + ε i dengan:
Υ = variabel tak bebas Χ = variabel bebas
β = parameter
(2.15)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
ε = unsur gangguan stokastik i = observasi ke - i, (i = 1,2,3,...) Model tersebut memiliki asumsi yang sama dengan asumsi pada model regresi linear klasik. Sedangkan untuk menaksir parameter β juga menggunakan metode OLS.
A. Konsep Dasar Runtun Waktu
Suatu runtun waktu (deret waktu/deret berkala) adalah sekumpulan observasi yang berurutan dalam waktu tertentu. Suatu runtun waktu dinotasikan dengan Υt dengan t menunjuk pada perioda waktu yang berturutan. Bila t adalah bilangan asli maka Υt merupakan runtun waktu diskrit. Bila t sembarang bilangan real maka Υt merupakan runtun waktu kontinu. Dilihat dari sejarah nilai observasi, runtun waktu dapat dibedakan atas runtun waktu deterministik dan runtun waktu stokastik. Runtun waktu deterministik adalah runtun waktu dengan nilai observasi mendatang dapat dihitung atau diramalkan secara pasti melalui suatu fungsi berdasarkan nilai observasi yang lampau. Sedangkan runtun waktu stokastik adalah runtun waktu yang nilai observasi mendatang hanya menunjukkan struktur probabilistik yang digambarkan melalui fungsi tertentu berdasarkan observasi yang lampau. Contoh runtun waktu deterministik Υt = cos(2πft ) dengan Υt merupakan nilai observasi pada saat t . Sedangkan f merupakan frekuensi yang nilainya dapat ditentukan dengan f =
1 N
(N
adalah banyaknya panga-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
matan). Contoh runtun waktu stokastik adalah ada N observasi yang nilainya dapat ditentukan sebagai Υ1 , Υ2 , Υ3 ,K, Υn dengan Υ1 , Υ2 , Υ3 ,K, Υn merupakan variabelvariabel random yang memiliki fungsi probabilitas. Suatu runtun waktu disebut stasioner bila a. Ε(Υt ) = konstan untuk setiap t b. Var (Υt ) = konstan untuk setiap t c. Kov(Υt , Υt − k ) = konstan untuk setiap t dan Kov(Υt , Υt − k ) dependen terhadap lag k Dengan demikian, suatu runtun waktu dikatakan stasioner bila rata-rata, variansi, dan kovariansinya tetap konstan sepanjang waktu. Sedangkan runtun waktu dikatakan tidak stasioner bila runtun waktu tersebut gagal memenuhi satu bagian atau lebih dari syarat tersebut. Untuk mencapai asumsi stasioneritas, data yang belum stasioner harus diubah menjadi stasioner. Hal itu dapat diatasi melalui metode pembedaan (differencing). Misal diketahui deret angka sebagai berikut : 2,4,6,8,K,20 yang mengandung trend linear dan tidak bersifat acak. Dengan mengurangkan nilai-nilai yang berurutan , 4-2, 6-4, 8-6, ... ,20-18, kita akan mendapatkan nilai-nilai pembedaan pertama (first differeneces) yang merupakan deret angka 2,2,2,...,2 dan deret ini jelas stasioner. Jadi untuk mendapatkan kestasioneran dapat dibuat deret baru yang terdiri dari perbedaan angka antara periode yang berturut-turut: Υt′ = Υt − Υt −1
(2.16)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Deret baru Υt′, akan mempunyai n − 1 buah nilai dan akan stasioner apabila trend dari data awal Υt adalah linear (pada orde pertama). Apabila autokorelasi dari data yang dibedakan pertama tidak mendekati nol sesudah lag kedua atau ketiga, berarti data belum bisa dikatakan stasioner. Oleh karena itu perlu dilakukan pembedaan lagi dari data pembedaan pertama sebagai berikut: Υt′′ = Υt′ − Υt′−1
(2.17)
Υt′′ dinyatakan sebagai deret pembedaan orde kedua (second order differences). Deret ini akan mempunyai n − 2 buah nilai. Dengan mensubstitusikan (2.16) ke dalam (2.17) akan diperoleh: Υt′′ = (Υt − Υt −1 ) − (Υt −1 − Υt − 2 ) Υt′′ = Υt − 2Υt −1 + Υt − 2 Barisan {ε t } merupakan proses white noise bila untuk setiap periode waktu t maka berlaku I. Ε(ε t ) = 0 untuk setiap t II. Ε(ε t2 ) = σ 2 untuk setiap t III. Ε(ε t ε s ) = 0 untuk setiap t ≠ s
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
Teorema 2.2
Bila ε t white noise maka ε t stasioner. Bukti: karena Ε(ε t ) = 0 dan 0 suatu konstanta maka syarat pertama stasioner
Pertama dipenuhi.
Kedua karena Ε(ε t ) = 0 dan Ε(ε t2 ) = σ 2 maka Var (ε t ) = Ε(ε t − Ε(ε t )) = Ε(ε t − 0)
2
2
= Ε(ε t2 ) =σ2
Yang berarti syarat kedua stasioner dipenuhi. Ketiga karena Ε(ε t ) = 0 untuk setiap t dan Ε(ε t ε s ) = 0 untuk setiap t ≠ s maka Kov(ε t , ε t − k ) = Ε((ε t − Ε(ε t ))(ε t − k − Ε(ε t − k )))
= Ε((ε t − 0)(ε t − k − 0 )) = Ε(ε t ε t − k ) =0
Yang berarti syarat ketiga stasioner dipenuhi. Jadi terbukti bahwa ε t stasioner.
■
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
B. Fungsi Autokovariansi dan Fungsi Autokorelasi (ACF)
Definisi 2.2:
Autokovariansi antara Υt dan Υt − k didefinisikan sebagai Kov(Υt , Υt − k ) = Ε((Υt − Ε(Υt ))(Υt − k − Ε(Υt − k ))) = γ k
(2.18)
Teorema 2.3
Bila Υt runtun waktu stasioner maka γ 0 = Var (Υt ) dan γ k = γ − k . Bukti:
γ 0 = Kov(Υt , Υt ) = Ε((Υt − Ε(Υt ))(Υt − Ε(Υt ))) = Ε(Υt − Ε(Υt ))
2
= Var (Υt )
dengan mengingat syarat ketiga stasioner sehingga
γ k = Kov(Υt , Υt − k ) = Kov(Υt , Υt + k ) = γ −k
■
Fungsi autokovariansi merupakan plot dari γ k terhadap lag k . Fungsi korelasi digunakan untuk mengetahui sejauh mana hubungan antara satu kelompok data dengan satu kelompok data lainnya. Sedangkan fungsi autokorelasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
merupakan perkembangan lebih lanjut dari fungsi korelasi. Fungsi autokorelasi digunakan untuk mengetahui apakah suatu data pada waktu tertentu dipengaruhi oleh data pada waktu sebelumnya dan juga digunakan untuk mengetahui apakah suatu data stasioner atau tidak stasioner. Stasioneritas sangat diperlukan karena untuk mempermudah melakukan peramalan.
Definisi 2.3 :
Didalam runtun waktu korelasi antara Υt dan Υt − k disebut autokorelasi bila Korr (Υt , Υt − k ) = =
Kov(Υt , Υt − k )
Var (Υt )Var (Υt − k ) Ε((Υt − Ε(Υt ))(Υt − k − Ε(Υt − k )))
(Ε(Υ − Ε(Υ )) )(Ε(Υ 2
t
t −k
t
− Ε(Υt − k ))
2
)
(2.19)
Karena syarat kedua stasioner dan sifat pertama autokovariansi persamaan (2.19) menjadi Korr (Υt , Υt − k ) =
=
Ε((Υt − Ε(Υt ))(Υt − k − Ε(Υt − k ))) Ε(Υt − Ε(Υt ))
γk = ρk γ0
2
(2.20)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Teorema 2.4
Bila Υt runtun waktu stasioner maka ρ 0 = 1 dan ρ k = ρ − k . Bukti:
ρ0 =
γ0 =1 γ0
Menggunakan Teorema 2.3 maka diperoleh
ρk =
γ k γ −k = γ0 γ0
= ρ −k
■
Fungsi autokorelasi merupakan plot dari ρ k terhadap lag k . Dalam praktek kita bisa mengasumsikan Υt
stasioner sehingga Υ = Υ t = Υ t −1 dan Var (Υt ) = Var (Υt − k )
sebagai berikut:
ρk =
Kov(Υt , Υt − k )
Var (Υt )Var (Υt − k )
(
)(
)
n ∑ Υt − Υ Υt − k − Υ t =1+ k =
∑ (Υ n
t =1
t
−Υ
menggunakan autokorelasi sampel, dengan
)
2
n −1
n −1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
∑ (Υ n
ρk =
t =1+ k
t
)(
− Υ Υt − k − Υ
∑ (Υ n
t =1
t
−Υ
) (2.21)
)
2
C. Fungsi Autokorelasi Parsial (PACF)
Fungsi autokorelasi parsial (PACF) digunakan untuk menunjukkan keeratan hubungan antara Υt dan Υt − k .
Definisi 2.4 :
Autokorelasi parsial didefinisikan sebagai berikut:
φ kk =
Η (k )
(2.22)
Μ (k )
dengan Μ (k ) dan Η (k ) adalah matriks autokorelasi k × k , yaitu
Μ (k )
1 ρ 1 = ρ2 M ρ k −1
ρ1 1
ρ1 M
ρ k −2
ρ2 ρ1 1 M
ρ k −3
Sedangkan Η (k ) adalah Μ (k )
menjadi
L ρ k −1 L ρ k − 2 L ρ k −3 M M L 1 ρ1 ρ yang kolom terakhirnya diganti 2 dapat ditulis M ρ k
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Η (k )
ρ1
1 ρ 1 = ρ2 M ρ k −1
1
ρ1 M
ρ k −2
ρ2 ρ1 1 M
ρ k −3
L ρ1 L ρ 2 L ρ3 M M L ρ k
Untuk memperoleh φ kk dengan k = 1,2,3,K digunakan aturan Cramer akan diperoleh k = 1,
φ11 = ρ1
1
ρ1 ρ 2 ρ 2 − ρ12 = ρ1 1 − ρ12
ρ1
1
1
ρ1
ρ1 ρ2
1
1 k = 2,
k = 3,
φ 22 =
φ33 =
ρ1
1
ρ1 ρ2
1
ρ1 ρ2 ρ 3 ρ 3 + ρ1 ρ 22 + ρ13 − 2 ρ1 ρ 2 − ρ12 ρ 3 = ρ2 1 + 2 ρ12 ρ 2 − ρ 22 − 2 ρ12 ρ1
ρ1
1
ρ1 ρ1
D. Autoregresif (AR)
Model Autoregresif memiliki persamaan umum sebagai berikut: Υt = φ 0 + φ1 Υt −1 + φ 2 Υt − 2 + ... + φ k Υt − k + ε t
(2.23)
Persamaan (2.23) juga merupakan persamaan regresi, tetapi berbeda dengan persamaan (2.15). Pada persamaan (2.15) variabel-variabel sebelah kanan merupakan faktor-faktor bebas yang lain, sedangkan pada persamaan (2.23) variabel-variabel sebelah kanan merupakan nilai sebelumnya dari variabel tak bebas Υt . Asumsi-
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
asumsi pada persamaan regresi juga berlaku pada persamaan tersebut dengan ε t merupakan white noise. Bila persamaan (2.23) variabel sebelah kanan hanya dipengaruhi oleh nilai sebelumnya dari variabel tak bebas Υt yang ketinggalan satu perioda maka persamaannya disebut autoregresif orde satu (AR (1)). Persamaan AR (1) adalah Υt = φ 0 + φ1 Υt −1 + ε t
(2.24)
Bila Υt diketahui maka akan diperoleh Υ1 = φ 0 + φ1 Υ0 + ε 1 Υ2 = φ 0 + φ1 Υ1 + ε 2 = φ 0 + φ1 (φ 0 + φ1 Υ0 + ε 1 ) + ε 2 = φ 0 (1 + φ1 ) + φ12 Υ0 + φ1ε 1 + ε 2 Υ3 = φ 0 + φ1 Υ2 + ε 3
(
)
= φ 0 + φ1 φ 0 (1 + φ1 ) + φ12 Υ0 + φ1ε 1 + ε 2 + ε 3 = φ 0 + φ 0φ1 + φ φ + φ Υ0 + φ ε + φ1ε 2 + ε 3
(
2 0 1
)
3 1
2 1 1
= φ 0 1 + φ1 + φ12 + φ13 Υ0 + φ12 ε 1 + φ1ε 2 + ε 3 M
(
)
Υn = φ 0 1 + φ1 + φ12 + K + φ1n −1 + φ1n Υ0 + φ1n −1ε n −(n −1) +
φ1n − 2 ε n −(n − 2 ) + φ1n −3ε n −(n −3) + K + φ1n −n ε n −(n − n ) Sehingga untuk setiap t 〉 0 akan didapatkan t −1
t −1
i =0
i =0
Υt = φ 0 ∑ φ1i + φ1t Υ0 + ∑ φ1i ε t −i
(2.25)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Nilai harapan Υt pada persamaan (2.25) dapat dicari dengan mengingat syarat pertama white noise adalah t −1 t −1 Ε(Υt ) = Ε φ 0 ∑ φ1i + φ1t Υ0 + ∑ φ1i ε t −i i =0 i =0
t −1 t −1 = Ε φ 0 ∑ φ1i + Ε φ1t Υ0 + Ε ∑ φ1i ε t −i i =0 i =0
(
)
t −1
= φ 0 ∑ φ1i + φ1t Υ0
(2.26)
i =0
Sedangkan nilai harapan dari
Υt − k dengan mengingat syarat pertama white noise
adalah t − k −1 t − k −1 Ε(Υt − k ) = Ε φ 0 ∑ φ1i + φ1t − k Υ0 + ∑ φ1i ε t − k −i i =0 i =0
t − k −1 t − k −1 = Ε φ 0 ∑ φ1i + Ε φ1t − k Υ0 + Ε ∑ φ1i ε t − k −i i =0 i =0
(
= φ0
t − k −1
∑φ i =0
i 1
)
+ φ1t − k Υ0
(2.27)
Persamaan (2.26) dan (2.27) keduanya dependen terhadap waktu. Karena Ε(Υt ) ≠ Ε(Υt − k ) maka {Υt } tidak stasioner.
Teorema 2.5
bila φ1 〈1 maka I. φ1t − k akan konvergen ke nol untuk t mendekati tak hingga (t → ∞ )
(2.28)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
II. φ 0
t − k −1
∑φ i =0
i 1
(
)
= φ 0 1 + φ1 + φ12 + φ13 + ... konvergen ke
φo 1 − φ1
(2.29)
Bukti: I. Karena φ1 〈1 maka lim φ1t − k = 0 t →∞
II. Karena φ 0
t − k −1
∑φ i =0
i 1
(
)
= φ 0 1 + φ1 + φ12 + φ13 + ... merupakan deret geometri yang
konvergen dengan a = φ 0 dan r = φ1 maka
φ a = 0 1 − r 1 − φ1
■
Jadi untuk (t → ∞ ) dan φ1 〈1 , t −1 t −1 lim(Υt ) = lim φ 0 ∑ φ1i + φ1t Υ0 + ∑ φ1i ε t −i t →∞ t →∞ i =0 i =0
=
∞ φ0 + ∑ φ1i ε t −i 1 − φ1 i =0
(2.30)
Nilai harapan Υt dengan menggunakan persamaan (2.30) dan mengingat syarat pertama white noise adalah ∞ φ Ε(Υt ) = Ε 0 + ∑ φ1i ε t −i 1 − φ1 i =0
φ ∞ = Ε 0 + Ε ∑ φ1i ε t −i i =0 1 − φ1 =
φ0 1 − φ1
(2.31)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Terlihat bahwa rata-rata dari Υt berhingga dan independen terhadap waktu. Jadi Ε(Υt ) = Ε(Υt − k ) =
Nilai
φ0 untuk semua t. 1 − φ1
variansi Υt dengan menggunakan persamaan (2.30), (2.31) dan mengingat
syarat kedua white noise adalah Var (Υt ) = Ε(Υt − Ε(Υt ))
2
∞ φ0 φ = Ε + ∑ φ1i ε t −i − 0 1 − φ1 1 − φ1 i =0
∞ = Ε ∑ φ1i ε t −i i =0
( )
2
2
( )
( )
= Ε ε t2 + φ12 Ε ε t2−1 + φ14 Ε ε t2− 2 + ... = σ 2 + φ12σ 2 + φ14σ 2 + ...
σ2 = 1 − φ12
(2.32)
yang juga berhingga dan independen terhadap waktu. Nilai kovariansi Υt dengan mengingat persamaan (2.30), syarat kedua white noise dan persamaan (2.31) adalah Kov(Υt , Υt − k ) = Ε((Υt − Ε(Υt ))(Υt − k − Ε(Υt − k ))) ∞ ∞ φ φ φ φ = Ε 0 + ∑ φ1i ε t −i − 0 0 + ∑ φ1i ε t − k −i − 0 1 − φ1 1 − φ1 i =0 1 − φ1 1 − φ1 i =0
∞ ∞ = Ε ∑ φ1i ε t −i ∑ φ1i ε t − k −i i =0 i =0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
(( (ε
)
Kov(Υt , Υt − k ) = Ε ε t + φ1ε t −1 + φ12 ε t − 2 + K + φ1k ε t − k + φ1k +1ε t − k −1 + K
+ φ1ε t − k −1 + φ12 ε t − k − 2 + K + φ1k ε t − 2 k + φ1k +1ε t − 2 k −1
t −k
( ( )
(
)
(
)
))
)
= φ1k Ε ε t2− k + φ1k + 2 Ε ε t2− k −1 + φ1k + 4 Ε ε t2− k − 2 + K
(
)
= σ 2φ1k 1 + φ12 + φ14 + K
σ 2φ1k = 1 − φ12
(2.33)
Ternyata nilai kovariansinya berhingga dan tidak berubah terhadap waktu. Jadi bila nilai limit (2.30) digunakan maka deret {Υt } akan menjadi stasioner. Fungsi Autokorelasi (ACF) untuk AR (1) dapat dicari dengan menggunakan persamaan (2.32) dan (2.33) sebagai berikut untuk k =0
γ0 =1 γ0
ρ0 =
φ1σ 2
k =1
ρ1 =
(1 − φ12 ) = φ γ1 = 2 1 γ0 σ 2 (1 − φ1 ) φ12σ 2
k=2
ρ2 =
(1 − φ12 ) = φ 2 γ2 = 1 γ0 σ2 2 (1 − φ1 )
M
φ1nσ 2
k=n
ρn =
γn (1 − φ12 ) = φ n = 1 γ0 σ2 2 (1 − φ1 )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
Bila 0〈φ1 〈1 maka ρ k 〉 0 untuk semua k . Bila − 1〈φ1 〈 0 maka ρ k akan berubah tanda dari negatif ke positif untuk semua k ≥ 1. Fungsi Autokorelasi Parsial (PACF) untuk AR (1) Untuk k = 1, φ11 = ρ1 = φ1
ρ 2 − ρ12 φ12 − φ12 = =0 k = 2, φ 22 = 1 − ρ12 1 − φ12 Karena AR (1) persamaannya hanya berhubungan dengan Υt −1 maka untuk k ≥ 2 nilai φ kk bernilai nol. Secara umum dapat ditulis menjadi φ untuk k = 1 φ kk 1 0 untuk k ≥ 2
Pada proses ini autokorelasi parsial bernilai tidak nol pada lag pertama, yang juga merupakan order dari proses, tetapi bernilai nol untuk lag yang lain. Bila persamaan (2.23) variabel sebelah kanan hanya dipengaruhi oleh nilai sebelumnya dari variabel tak bebas Υt yang ketinggalan
p perioda maka
persamaannya disebut autoregresif orde p (AR (p)). Persamaan AR (p) adalah p
Υt = φ 0 + ∑ φi Υt −i + ε t i =1
(2.34)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Nilai harapan Υt persamaan (2.34) dengan mengingat syarat pertama white noise adalah p Ε(Υt ) = Ε φ 0 + ∑ φi Υt −i + ε t i =1
p = Ε(φ 0 ) + Ε ∑ φi Υt −i + Ε(ε t ) i =1 p
= φ 0 + ∑ φi Υt −i
(2.35)
i =1
sedangkan nilai harapan Υt − k adalah p Ε(Υt − k ) = Ε φ 0 + ∑ φi Υt − k −i + ε t − k i =1
p = Ε(φ 0 ) + Ε ∑ φi Υt − k −i + Ε(ε t − k ) i =1 p
= φ 0 + ∑ φi Υt − k −i
(2.36)
i =1
Persamaan (2.35) dan (2.36) keduanya dependen terhadap waktu. Karena Ε(Υt ) ≠ Ε(Υt − k ) maka {Υt } tidak stasioner. Persamaan (2.34) dapat ditulis menjadi p
Υt − ∑ φi Υt −i = φ0 + ε t i =1
Υt − φ1 Υt −1 − φ 2 Υt −2 − K − φ p Υt − p = φ 0 + ε t
(2.37)
Apabila persamaan (2.37) ditulis dalam bentuk operator pergeseran mundur dengan
B i Υt = Υt −i maka persamaannya menjadi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Υt − φ1 BΥt − φ 2 B 2 Υt − K − φ p B p Υt = φ 0 + ε t p Υt − ∑ φi B i Υt = φ 0 + ε t i =1 p Υt 1 - ∑ φi B i = φ 0 + ε t i =1
Υt =
φ0
+
p
1 - ∑ φi B
i
i =1 p
dengan
∑φ B i =1
εt p
1 − ∑ φ0 B
(2.38) i
i =1
i
i
≠ 1.
Nilai harapan Υt persamaam (2.38) dengan mengingat syarat pertama white noise adalah φ0 εt Ε(Υt ) = Ε + p p i i 1 − ∑ φi B 1 − ∑ φi B i =1 i =1
φ0 = Ε p i 1 − ∑ φi B i =1 =
φ0 p
1 − ∑ φi B i =1
εt + Ε p i 1 − ∑ φi B i =1
(2.39)
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
Nilai variansi Υt persamaam (2.38) dengan mengingat syarat kedua white noise adalah
Var (Υt ) = Ε(Υt − Ε(Υt ))
2
φ0 εt φ0 = Ε + − p p p i i i 1 − ∑ φi B 1 − ∑ φi B 1 − ∑ φi B i =1 i =1 i =1 ε t2 = Ε 2 p i 1 − ∑ φ i B i =1 =
2
σ2 p 1 − ∑ φi B i i =1
(2.40)
2
Nilai kovariansi (Υt , Υt − k ) dengan mengingat syarat ketiga white noise adalah Kov(Υt , Υt − k ) = Ε((Υt − Ε(Υt ))(Υt − k − Ε(Υt − k ))) φ0 εt φ0 = Ε + − p p p 1 − ∑ φ i B i 1 − ∑ φi B i 1 − ∑ φi B i i =1 i =1 i =1 φ0 ε t −k φ0 + − p p p i i i 1 − ∑ φi B 1 − ∑ φi B 1 − ∑ φi B i =1 i =1 i =1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
εt Kov(Υt , Υt − k ) = Ε p 1 − ∑ φi B i i =1
ε t − k p i 1 − ∑ φi B i =1
ε t ε t −k = Ε 2 p i 1 − ∑ φ i B i =1
=0
(2.41)
Jadi autoregresi orde p merupakan runtun waktu yang stasioner. Bila persamaan (2.34) dikalikan Υt − k dengan k 〉 0 maka persamaannya menjadi Υt Υt −k = φ 0 Υt − k + φ1 Υt −1 Υt − k + K + φ p Υt − p Υt −k + ε t Υt − k
(2.42)
dan dengan mengambil nilai harapannya diperoleh Ε(Υt Υt − k ) = φ 0 Ε(Υt − k ) + φ1Ε(Υt −1 Υt − k ) + K + φ p Ε(Υt − p Υt − k ) + Ε(ε t Υt − k )
(2.43)
Persamaan (2.43) menurut definisi 2.2 dan dengan menggunakan persamaan (2.39) serta syarat ketiga white noise dapat ditulis menjadi
γk =
φ 02 p
1 − ∑ φi B
i
+ φ1γ k −1 + K + φ p γ k − p
(2.44)
i =1
Bila persamaan (2.44) dibagi γ 0 maka diperoleh fungsi autokorelasi AR (p) sebagai berikut p φ 1 − ∑ φi B i i =1 +φ ρ +K+φ ρ ρk = 1 k −1 p k− p 2 2 0
σ
(2.45)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Persamaan (2.45) merupakan persamaan yule-walker. untuk
k = 1,
ρ1 =
p
i =1
φ 02 1 − ∑ φi B i σ
+φ +φ ρ +K+φ ρ p p −1 1 2 1
2
p 2 φ 0 1 − ∑ φi B i +φ +K+φ ρ i =1 2 p p −1 σ 1 ρ1 = 1 − φ2
k = 2,
ρ2 =
p
i =1
φ 02 1 − ∑ φi B i σ
2
+φ ρ +φ +K+φ ρ 1 1 2 p p−2
M
k = p,
ρp =
p
i =1
φ 02 1 − ∑ φi B i σ
2
+φ ρ +φ ρ +K+φ 1 p −1 2 p−2 p
Fungsi Autokorelasi Parsial (PACF) untuk AR (p) untuk
k = 1, M
p 2 φ 0 1 − ∑ φi B i +φ +K+φ ρ i =1 p p −1 σ2 1 φ11 = ρ1 = 1 − φ2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
k = p,
φ pp =
1
ρ1
ρ1
1
ρ2 ρ1
M
M
M
ρ p −1
ρ p−2
ρ p −3
1
ρ1
ρ1
1 M
ρ2 ρ1
M
ρ p −1
ρ p−2
M
ρ p −3
L ρ1 L ρ2 M M L ρp L ρ p −1 L ρ p−2 L M L 1
φ kk = 0 , untuk k 〉 p. Autokorelasi parsial akan nol setelah lag p atau kurva akan terputus setelah suku kep.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB III MODEL ARCH
A. ARCH Autoregressive Conditional Heteroscedastic (ARCH) merupakan model autoregresif dalam keadaan variansi tidak konstan. Masalah yang dihadapi ketika berhadapan dengan data runtun waktu adalah masalah variabilitas, yang menentukan seberapa cepat data berubah menurut waktu. Variabilitas menjadi bagian sangat penting ketika sebuah sistem lebih bersifat stokastik dari pada deterministik. Dalam sistem stokastik sendiri juga masih dibedakan antara data runtun waktu dengan variabilitas konstan atau variabilitas tidak konstan. Suatu besaran yang dapat mengukur variabilitas adalah variansi. Variansi mengukur harapan seberapa besar nilai suatu data runtun waktu berbeda terhadap rata-rata data keseluruhan. Engle (1982) menunjukkan bahwa model runtun waktu, rata-rata dan variansinya dapat dicari secara bersamaan. Dengan manunjukkan bahwa ramalan bersyarat lenih unggul dari pada yang tidak bersyarat. Sebagai contoh, kita miliki AR(1) Υt = φ 0 + φ1 Υt −1 + ε t
(3.1)
dan ingin meramalkan Υt +1 yaitu ramalan satu langkah kedepan. Ramalan bersyarat untuk Υt +1 = φ 0 + φ1 Υt + ε t +1 dapat dinyatakan sebagai berikut:
32
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
Ε(Υt +1 Υt ) = Ε(φ 0 + φ1 Υt + ε t +1 ) = Ε(φ 0 ) + Ε(φ1 Υt ) + Ε(ε t +1 ) = φ 0 + φ1 Υt
(3.2)
Sedangkan bila digunakan ramalan tak bersyarat dengan memperhatikan persamaan (2.16) maka nilai harapan adalah Ε(Υt +1 ) =
φ0 1 − φ1
(3.3)
Bila kita gunakan rata-rata bersyarat (3.2) untuk mencari nilai variansi bersyarat, akan diperoleh Var (Υt +1 Υt ) = Ε[Υt +1 − Ε(Υt +1 Υt )]
2
= Ε[Υt +1 − φ 0 − φ1 Υt ]
2
= Ε[φ 0 + φ1 Υt + ε t +1 − φ 0 − φ1 Υt ]
2
( )
= Ε ε t2+1
karena Ε(ε t ) = 0 maka
( ) ( )
Ε ε t2+1 = Ε ε t2+1 − (Ε(ε t +1 ))
2
= Var (ε t +1 ) =σ2
(3.4)
Sedangkan bila digunakan ramalan tak bersyarat dengan memperhatikan persamaan (2.11) maka variansi tidak bersyarat dari Var (Υt +1 ) =
σ2 1 − φ12
(3.5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
Bila 0〈φ1 〈1 maka
1 ≥ 1 sehingga ramalan tidak bersyarat mempunyai variansi 1 − φ12
yang lebih besar, dengan alasan inilah ramalan bersyarat lebih digemari. Bila variansi bersyarat Υt dependen terhadap waktu maka disebut heteroskedastisitas. Suatu pendekatan menggambarkan kuadrat dari ε t dapat ditulis dalam proses AR (1) sebagai berikut
ε t2 = α 0 + α 1ε t2−1 + u t
(3.6)
Dengan ut merupakan white noise baru, α 0 〉 0 dan α 1 ≥ 0. Persamaan
(3.6)
merupakan
pesamaan
Autoregressive
Conditional
Heteroscedastic orde 1 (ARCH (1)). Sebagai alternatif persamaan (3.6), dapat dinyatakan dalam bentuk multiplikatif yang diusulkan Engle (1982) sebagai berikut
ε t = vt ht
(3.7)
dengan ht = α 0 + α 1ε t2−1 dan vt berdisribusi normal standar. Bila persamaan (3.7) kedua sisi dikuadratkan dan ε t2 menggunakan persamaan (3.6) maka persamaannya menjadi ht vt2 = ht + u t u t = ht (vt2 − 1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
Berikut ini beberapa sifat yang dimiliki oleh model ARCH (1): a. Nilai harapan ε t sama dengan nol. Sifat tersebut dapat dibuktikan dengan menggunakan persamaan (3.9), sehingga akan diperoleh nilai harapan galat sebagai berikut
(
Ε(ε t ) = Ε vt α 0 + α 1ε t2−1
(
)
= Ε(vt )Ε α 0 + α 1ε t2−1
(
= 0Ε α 0 + α 1ε t2−1
)
)
=0 b. Bila α 1 〈1 maka galat (ε t ) mempunyai variansi tidak bersyarat yang konstan. Sifat tersebut dapat dibuktikan dengan Var (ε t ) = Ε(ε t − Ε(ε t ))
2
( )
2
= Ε εt
(( )( )) = Ε(v )Ε(α + α ε ) = 1Ε(α + α ε ) = Ε(α + α (v (α + α ε ))) = Ε(α + α α v + α v ε ) = Ε(α + α α v + α v (v (α + α ε ))) = Ε(α + α α v + α α v v + α v v ε )
= Ε vt2 α 0 + α 1ε t2−1 2 t
2 1 t −1
0
2 1 t −1
0
0
1
2 t −1
2 1 t −2
0
0
2 1 t −1
2 2 2 1 t −1 t − 2
0
0
2 1 t −1
2 2 1 t −1
0
0
2 1 t −1
0
0
2 t −2
2 2 2 1 t −1 t − 2
0
2 1 t −3
3 2 2 1 t −1 t − 2
2 t −3
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
Var (ε t ) = α 0 + α 0α 1 + α 0α 12 + α 0α 13 + K
(
)
= α 0 1 + α 1 + α 12 + α 13 + K =
α0 1 − α1
Jadi variansi tidak bersyarat dari ε t bersifat homoskedastik. c. Galat (ε t ) mempunyai variansi bersyarat yang tidak konstan. Sifat tersebut dapat dibuktikan dengan
( = Ε(ε
) )− 0
Var (ε t ε t −1 ) = Ε ε t2 ε t −1 − (Ε(ε t ε t −1 )) 2 t
ε t −1
2
)
(
2 = Ε vt α 0 + α 1ε t2−1
( ( )) = Ε(v α ) + Ε(v α ε ) = α Ε(v ) + α ε Ε(v ) = Ε vt2 α 0 + α 1ε t2−1 2 t
0
0
2 t
2 t
2 1 t −1
2 1 t −1 2 t
= α 0 + α 1ε t2−1 = ht Jadi variansi bersyarat dari ε t bersifat heteroskedastisitas. d. Galat {ε t } tidak berkorelasi Sifat tersebut dapat dibuktikan dengan kov(ε t , ε t − k ) = Ε[(ε t − Ε(ε t ))(ε t − k − Ε(ε t − k ))] = Ε(ε t ε t − k )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
(
kov(ε t , ε t − k ) = Ε vt α 0 + α 1ε t2−1 .vt − k α 0 + α 1ε t2− k −1 = Ε(vt )Ε(vt − k )Ε
( (α
0
)
)(
+ α 1ε t2−1 α 0 + α 1ε t2− k −1
))
=0
Jadi korr (ε t , ε t − k ) = =
kov(ε t , ε t − k )
Var (ε t )Var (ε t − k ) 0
Var (ε t )Var (ε t − k )
=0 Karena nilai korelasi nol berarti {ε t } tidak berkorelasi. Bila pada persamaan (3.6) kuadrat dari ε t ditulis dalam proses AR (q) maka persamaannya menjadi
ε t2 = α 0 + α 1ε t2−1 +α 2 ε t2−2 + K + α q ε t2−q + u t Dengan ut merupakan
(3.8)
white noise, α 0 〉 0 dan α i ≥ 0 untuk i = 1,2,K, q Bila
α 1 = α 2 = α 3 = K = α q = 0 maka variabel galat terestimasi menjadi α 0 . Sebaliknya apabila hal ini tidak terjadi variansi bersyarat Υt akan membesar menurut proses autoregresi pada (3.8). Persamaan
(3.8)
merupakan
pesamaan
Autoregressive
Conditional
Heteroscedastic orde q (ARCH (q)). Persamaan (3.8) dapat dinyatakan dalam bentuk multiplikatif sebagai berikut
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
ε t = vt ht
(3.9)
dengan ht = α 0 + α 1ε t2−1 + K + α q ε t2− q dan vt berdisribusi normal standar Berikut ini beberapa sifat yang dimiliki oleh model ARCH (q): a. Nilai harapan ε t sama dengan nol. Sifat tersebut dapat dibuktikan dengan menggunakan persamaan (3.9), sehingga akan diperoleh nilai harapan galat sebagai berikut q Ε(ε t ) = Ε vt α 0 + ∑ α i ε t2−i i =1
q = Ε(vt )Ε α 0 + ∑ α i ε t2−i i =1 q = 0Ε α 0 + ∑ α i ε t2−i i =1
=0 b. Galat (ε t ) mempunyai variansi tidak bersyarat yang konstan. Sifat tersebut dapat dibuktikan dengan Var (ε t ) = Ε(ε t − Ε(ε t ))
2
q = Ε vt α 0 + ∑ α i ε t2−i i =1
2
q = Ε vt2 Ε α 0 + ∑ α i ε t2−i i =1
( )
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
( = Ε(α
) )) + K + α (v (α
Var (ε t ) = 1Ε α 0 + α 1ε t2−1 + K + α q ε t2− q
( = Ε(α
0
( (
+ α 1 vt2−1 α 0 + α 1ε t2− 2
2 t −q
q
0
+ α q ε t2− q −1
)))
= Ε α 0 + α 0α 1vt2−1 + α 12 vt2−1ε t2− 2 + K + α 0α q vt2− q + α q2 vt2− q ε t2− q −1 0
( ( (v (α + α ε
)
)) )))
+ α 0α 1vt2−1 vt2− 2 α 0 + α 1ε t2−3 + K + α 0α q1vt2− q
+ α q2 vt2− q
2 t − q −1
0
q
2 t −q−2
(
= Ε α 0 + α 0 vt2−1 + α 0α 12 vt2−1vt2− 2 + α 13 vt2−1vt2− 2 ε t2−3 + K + α 0 β q vt2− q
) + (α α + α α + α α + K) + K + (α α + α α + α α (1 + (α + α + α + K) + K + (α + α + α + K)) + α 0α q2 vt2− q vt2− q −1 + α q2 vt2− q vt2− q −1 ε t2− q − 2
= α0 = α0 =
0
1
1
0
2 1
2 1
0
3 1
0
3 1
2 q
q
2 q
0
q
3 q
α0 1 − α1 − K − α q
Jadi variansi tak bersyarat dari ε t bersifat homoskedastik. c. Galat (ε t ) mempunyai variansi bersyarat yang tidak konstan. Sifat tersebut dapat dibuktikan dengan Var (ε t ε t −1 , K, ε t − q ) = Ε(ε t ε t −1 , K, ε t − q − Ε(ε t ε t −1 , K, ε t − q ))
2
(
)
= Ε ε t2 ε t −1 , K, ε t − q − 0 q = Ε vt α 0 + ∑ α i ε t2−i i =1
2
q 2 = Ε vt α 0 + ∑ α i ε t2−i i =1
q = Ε vt2α 0 + Ε vt2 ∑ α i ε t2−i i =1
(
)
0
3 q
)
+K
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
( )
( )
Var (ε t ε t −1 , K , ε t − q ) = α 0 Ε vt2 + ∑ α i ε t2−i Ε vt2 q
i =1
q
= α 0 + ∑ α i ε t2−i i =1
= ht Jadi variansi bersyarat dari ε t bersifat heteroskedastisitas. d. Galat {ε t } tidak berkorelasi Sifat tersebut dapat dibuktikan dengan kov(ε t , ε t − k ) = Ε[(ε t − Ε(ε t ))(ε t − k − Ε(ε t − k ))] = Ε(ε t ε t − k ) q q = Ε vt α 0 + ∑ α i ε t2−i .vt − k α 0 + ∑ α i ε t2− k −i i =1 i =1
= Ε(vt )Ε(vt − k )Ε
q q 2 α 0 + ∑ α i ε t −i α 0 + ∑ α i ε t2− k −i i =1 i =1
=0
Jadi korr (ε t , ε t − k ) = =
kov(ε t , ε t − k )
Var (ε t )Var (ε t − k ) 0
Var (ε t )Var (ε t − k )
=0 Karena nilai korelasi nol berarti {ε t } tidak berkorelasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
B. Pengujian Adanya Efek ARCH Dalam Data Runtun Waktu
Data runtun waktu dalam kenyataannya tidak semua mempunyai efek ARCH. Untuk mengetahui ada atau tidaknya efek ARCH dalam data runtun waktu dapat diuji dengan uji Pengganda Langrange. Langkah-langkah dalam uji Pengganda langrange sebagai berikut: 1. Tentukan persamaan rata-rata yang paling sesuai untuk data runtun waktu yang
{ }
ingin dianalisis. Dari persamaan tersebut akan diperoleh kuadrat galat ε t2 .
{ }
2. Regresikan kuadrat galat ε t2 pada konstanta dan q lag terhadap dirinya sendiri.
ε t2 = α 0 + α 1ε t2−1 + α 2 ε t2− 2 + K + α q ε t2− q
(3.10)
( )
3. Hitung koefisien determinasi R 2 dari persamaan (3.10). 4. Dilakukan uji hipotesis seperti dibawah ini: Η 0 = α 0 = α 1 = α 2 = K = α q = 0 ( tidak ada efek ARCH hingga lag q ). Η 1 = paling sedikit terdapat satu α k ≠ 0, k = 1,2,3,4,K, q. Digunakan statistik uji TR 2 dengan T menyatakan banyaknya galat pada langkah satu. Dibawah hipotesis nol statistik uji TR 2 akan berdistribusi χ q2 . Hipotesis nol ditolak bila nilai TR 2 lebih besar dari χ q2 maka terdapat efek ARCH dalam data runtun waktu tersebut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
Contoh 3.1
Pada data dibawah ini periksalah apakah ada efek ARCH pada data dengan menggunakan uji Langrange Multiplier . t
Υt
1
30
2
20
3
45
4
35
5
30
6
60
7
40
8
50
9
45
10
65
Penyelesaiannya 1. Untuk memperoleh kuadrat galat digunakan persamaan model AR (1) Υt = β 0 + β 1 Υt −1 + ε t
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
t
Υt
Υt −1
Υt Υt −1
Υt2−1
1
30
-
0
0
2
20
30
600
900
3
45
20
900
400
4
35
45
1575
2025
5
30
35
1050
1225
6
60
30
1800
900
7
40
60
2400
3600
8
50
40
2000
1600
9
45
50
2250
2500
10
65
45
2925
2025
∑Υ
t
= 420
∑Υ
t −1
= 355
Nilai β dapat diduga dengan
βˆ1 =
=
n∑ Υt Υt −1 − ∑ Υt ∑ Υt −1 n∑ Υt2−1 − (∑ Υt −1 )
2
10(15.500 ) − (355)(420 ) 10(15.175) − (355)
= 0,229349
2
∑Υ Υ t
t −1
= 15.500
∑Υ
2 t −1
= 15.175
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
βˆ0 =
∑Υ
=
t
n
− βˆ1
∑Υ
t −1
n
420 355 − (0,229349 ) 10 10
= 33,85811 Υˆ t = βˆ 0 + βˆ1 Υˆ t −1 = 33,85811 + 0,22935Υˆ t −1 Nilai galat dapat dihitung dengan
ε t = Υt − Υˆ t Υˆ t
εt
ε t2
33,85811
-3,85811
14,88501
30
40,73861
-20,73861
430,08994
45
20
38,44511
6,55489
42,96658
4
35
45
44,17886
-9,17886
84,25147
5
30
35
41,88536
-11,88536
141,26178
6
60
30
40,73861
19,26139
371,00114
7
40
60
47,61911
-7,61911
58,05084
8
50
40
43,03211
6,96789
48,55149
9
45
50
45,32561
-0,32561
0,10602
10
65
45
44,17886
20,82114
433,51987
t
Υt
1
30
2
20
3
Υt −1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
45
{ }
2. Regresi kuadrat galat ε t2 dalam persamaan ε t2 = α 0 + α 1ε t2−1 t
ε t2
ε t2−1
ε t2 ε t2−1
ε t4−1
1
14,88501
-
-
-
2
430,08994
14,88501
6401,89432
221,56361
3
42,96658
430,08994
18.479,49527
18.4977,36056
4
84,25147
42,96658
3.619,99781
1.846,12725
5
141,26178
84,25147
11.901,51294
7.098,31035
6
371,00114
141,26178
52.408,28295
19.954,89115
7
58,05084
371,00114
21.536,92705
137.641,84939
8
48,55149
58,05084
2.818,45470
3.369,89970
9
0,10602
48,55149
5,14752
2.357,24728
10
433,51987
0,10602
45,96259
0,01124
∑ε
2 t
∑ε
2 t
= 1.624,68416
∑ε
2 t −1
= 1.191,16429
ε t2−1 = 117.217,67516
∑ε
4 t −1
= 357.467,26052
Nilai α dapat diduga dengan
αˆ 1 =
=
n∑ ε t2−1ε t2 − ∑ ε t2 ∑ ε t2−1 n∑ ε t4−1 −
(∑ ε )
2 2 t −1
10(117.217,67516 ) − (1.624,68416 )(1.191,16429 ) 10(357.467,26052 ) − (1.191,16429 )
= −0,35397
2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
αˆ 0 = =
∑ε
2 t
n
∑ t −1 − αˆ 1 n ε2
1.624,68416 1.191,16429 − (0,35397 ) 10 10
= 204,63208
εˆt2 = αˆ 0 + αˆ 1εˆt2−1 = 204,63208 − 0,35397εˆt2−1
ε t2 =
∑ε
t
n
2 t
=
1624,68416 = 162,46842 10
ε t2
(εˆ
− ε t2
)
2
(ε
− ε t2
)
2
ε t2−1
εˆt2
-
204,63208
1.777,77457
21.780,86089
2 t
2 t
1
14,88501
2
430,08994
14,88501
199,36323
1.361,22745
71.621,28267
3
42,96658
430,08994
52,39314
12.116,56587
14.280,68810
4
84,25147
42,96658
189,42320
726,56031
6.117,89049
5
141,26178
84,25147
174,80959
152,30450
449,72131
6
371,00114
141,26178
154,62965
61,44630
43.485,89898
7
58,05084
371,00114
73,30880
7.949,43626
10.903,03075
8
48,55149
58,05084
184,08383
467,22592
12.977,06578
9
0,10602
48,55149
187,44631
623,89513
26.361,54701
10
433,51987
0,10602
204,59455
1.774,61129
73.468,89124
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
R2
∑ (εˆ = ∑ (ε =
2 t
− ε t2
2 t
− ε t2
) )
2
2
27.011,04760 281.446,87721
= 0,09597
TR 2 = 10(0,09597 ) = 0,9597
χ 02.05 (1) = 3,84 Karena TR 2 〈 χ 2 maka Η 0 diterima. Jadi tidak terdapat efek ARCH dalam data runtun waktu tersebut.
C. Fungsi Likelihood ARCH
Bila persamaan (3.9) ε t
diasumsikan berdistribusi normal denganψ t adalah
himpunana informasi yang diketahui pada waktu t maka asumsi normalitasnya dengan menggunakan densitas bersyarat adalah sebagai berikut
ε t ψ t −1 ≈ Ν (0, ht )
(3.11)
Sedangkan fungsi densitasnya dengan γ = (α 0 , α 1 ,K , α q ) adalah f (ε t ψ t −1 ; γ ) = f (vt )
ε 1 ∂vt = f t h h ∂ε t t t
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
f (ε t ψ t −1 ; γ ) =
2 εt ht 1 1 exp − 2 2π ht
= (2πht )
−
1 2
ε t2 exp − 2ht
(3.12)
Fungsi likelihood untuk sampel berukuran T dinyatakan sebagai berikut T f (ε 1 , K , ε T −1 , ε T ; γ ) = ∏ f (ε t ψ t −1 ; γ ) f (ε 1 , Kε q ; γ ) t = q +1 T −ε 2 −1 = ∏ (2πht ) 2 exp t t = q +1 2ht
f (ε 1 , K , ε q ; γ )
(3.13)
Bila Lt fungsi log likelihood untuk observasi ke t dari sampel berukuran T maka 1 T ε2 − Lt = ln ∏ (2πht ) 2 exp − t t = q +1 2ht
=−
(T − q + 1) ln(2π ) − 1 2
T
f (ε 1 ,K, ε q ; γ )
∑ ln(ht ) −
2 t = q +1
T
ε t2
∑ 2h
t = q +1
ε t2 1 T T − q +1 =− ln (2π ) − ∑ ln(ht ) + h 2 2 t = q +1 t
+ ln f (ε 1 , K, ε q ; γ )
t
+ ln f (ε 1 ,K, ε q ; γ )
(3.14)
Dalam praktek ln f (ε 1 ,K, ε q ; γ ) biasanya diabaikan sehingga bentuk log likelihood menjadi
Lt = −
ε2 1 T T − q +1 ln (2π ) − ∑ ln(ht ) + t 2 2 t =q +1 ht
Persamaan (3.15) disebut maksimum likelihood.
(3.15)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
Contoh 3.2
Diberikan nilai-nilai galat ε 1 = 0,1 , ε 2 = 0,2 , ε 3 = −0,1 . Dengan menggunakan fungsi maksimum likelihood tentukan persamaan ARCH (1). Penyelesaiannya sebagai berikut : Fungsi maksimum likelihood ARCH (1) adalah ε t2 3 1 3 Lt = − ln(2π ) − ∑ ln α 0 + α 1ε t2−1 + 2 2 2 t =2 α 0 + α 1ε t −1
(
)
(3.16)
Parameter α dapat diduga dengan mencari turunan pertama Lt terhadap α sebagai berikut : Turunan pertama Lt terhadap α 0 adalah ∂Lt ∂ = ∂αˆ 0 ∂αˆ 0 =−
Karena
−
3 3 ε t2 − ln (2π ) − 1 ∑ ln (α 0 + α 1ε t2−1 ) + 2 2 2 + α α ε = 2 t − 0 1 1 t
ε t2 1 3 1 − ∑ 2 t = 2 α 0 + α 1ε t2−1 (α 0 + α 1ε t2−1 )2
∂Lt = 0 maka ∂αˆ 0
ε t2 1 3 1 − ∑ 2 t =2 α 0 + α 1ε t2−1 α 0 + α 1ε t2−1
(
)
2
=0
(3.17)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
Turunan pertama Lt terhadap α 1 adalah ∂Lt ε t2 ∂ 3 1 3 2 = − ln (2π ) − ∑ ln (α 0 + α 1ε t −1 ) + ∂αˆ 1 ∂αˆ 1 2 2 t =2 α 0 + α 1ε t2−1
ε t2−1 ε t2 ε t2−1 1 3 =− ∑ − 2 t =2 α 0 + α 1ε t2−1 (α 0 + α 1ε t2−1 )2 Karena
−
∂Lt = 0 maka ∂αˆ 1
ε t2−1 ε t2 ε t2−1 1 3 − ∑ 2 t = 2 α 0 + α 1ε t2−1 (α 0 + α 1ε t2−1 )2
=0
(3.18)
Persamaan (3.17) dapat ditulis menjadi α 0 + α 1ε t2−1 − ε t2 ∑ α +α ε 2 t =2 0 1 t −1 3
=0
α 0 + 0,01α 1 − 0,04 α 0 + 0,04α 1 − 0,01 + =0 (α 0 + 0,01α 1 )2 (α 0 + 0,04α 1 )2
(α 0 + 0,01α 1 − 0,04)(α 02 + 0,08α 0α 1 + 0,0016α 12 ) + (α 0 + 0,04α 1 − 0,01)
(α
2 0
)
+ 0,02α 0α 1 + 0,0001α 12 = 0
α 03 + 0,01α 02 - 0,04α 02 + 0,08α 02α 1 + 0,0008α 0α 12 - 0,0032α 0α 1 + 0,0016α 0α 12 + 0,000016α 13 - 0,000064α 12 + α 03 + 0,04α 02α 1 - 0,01 α 02 + 0,02α 02α 1 + 0,0008α 0α 12 - 0,0002α 0α 1 + 0,0001α 0α 12 + 0,000004α 13 - 0,000001α 12 = 0 2α 03 − 0,05α 02 + 0,15α 02α 1 + 0,0033α 0α 12 - 0,0034α 0α 1 + 0,00002α 13 - 0,000065α 12 = 0
(2α 0 − 0,05)α 02 + (0,15α 0 + 0,0033α 1 − 0,0034)α 0α 1 + (0,00002α 1 − 0,000065)α 12
=0
(3.19)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
Bila persamaan (3.19) diturunkan terhadap α 0 maka persamaannya menjadi 2α 02 − (2α 0 − 0,05)2α 0 + 0,15α 0α 1 − (0,15α 0 + 0,0033α 1 − 0,0034 )α 1 = 0 − 2α 02 + 0,1α 0 − 0,0033α 12 + 0,0034α 1 = 0
(3.20)
Sedangkan persamaan (3.18) dapat ditulis menjadi α 0 ε t2−1 + α 1ε t4−1 − ε t2 ε t2−1 =0 ∑ 2 + α α ε t =2 0 1 t −1 3
0,01α 0 + 0,0001α 1 − 0,0004
(α 0 + 0,01α 1 )
2
+
(3.21)
0,04α 0 + 0,0016α 1 − 0,0004
(α 0 + 0,04α 1 )2
=0
(0,01α 0 + 0,0001α 1 − 0,0004)(α 02 + 0,08α 0α 1 + 0,0016α 12 ) + (0,04α 0 + 0,0016α 1 − 0,0004)(α 02 + 0,02α 0α 1 + 0,0001α 12 ) = 0 0,01α 03 + 0,0001α 02α 1 - 0,0004α 02 + 0,0008α 02α 1 + 0,000008α 0α 12 - 0,000032α 0α 1 + 0,000016α 0α 12 + 0,00000016α 13 - 0,00000064α 12 + 0,04α 03 + 0,0016α 02α 1 - 0,0004 α 02 + 0,0008α 02α 1 + 0,000032α 0α 12 - 0,000008α 0α 1 + 0,000004α 0α 12 + 0,00000016α 13 - 0,00000004α 12 = 0 0,05α 03 − 0,0008α 02 + 0,0033α 02α 1 + 0,00006α 0α 12 - 0,00004α 0α 1 + 0,00000032α 13 - 0,00000068α 12 = 0
(0,05α 0 − 0,0008)α 02 + (0,0033α 0 + 0,00006α 1 − 0,00004)α 0α 1 + (0,00000032α 1 − 0,00000068)α 12
=0
(3.22)
Bila persamaan (3.22) diturunkan terhadap α 1 maka persamaannya menjadi 0,0006α 0α 1 − (0,0033α 0 + 0,0006α 1 − 0,00004 )α 0 + 0,00000032α 12 −
(0,00000032α 1 − 0,00000068)2α 1 = 0 − 0,0033α 02 + 0,00004α 0 − 0,00000032α 12 + 0,00000136α 1 = 0
(3.23)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
Bila persamaan (3.20) dan (3.23) dibentuk eliminasi dengan mengalikan 2500 pada persamaan (2.23) maka persamaannya menjadi − 2α 02 + 0,1α 0 − 0,0033α 12 + 0,0034α 1 = 0 − 8,25α 02 + 0,1α 0 − 0,0008α 12 + 0,0034α 1 = 0 6,25α 02 − 0,0025α 12 = 0
α 02 =
0,0025α 12 = 0,0004α 12 6,25
α 0 = 0,02α 1 Subtitusikan α 0 = 0,02α 1 kedalam persamaan (3.20) sehingga diperoleh − 0,0008α 12 + 0,002α 1 − 0,0033α 12 + 0,0034α 1 = 0 − 0,0041α 12 + 0,0054α 1 = 0
α 1 (− 0,0041α 1 + 0,0054) = 0 α 1 = 0 atau α 1 =
0,0054 = 1,317 0,0041
α 0 = 0,02(1,317 ) = 0,02634 Jadi persamaan model ARCH (1) adalah
ε t = vt 0,02634 + 1,317ε t2−1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV Penerapan Model ARCH Pada Data Harga Saham Composite Index
Studi kasus ini menggunakan data harga saham Composite Index , dari tanggal 03 januari 2005 sampai dengan 29 desember 2005. Data tercantum dalam lampiran diambil dari situs http: finance.yahoo.com banyaknya observasi yang digunakan sebanyak 243. Analisis data menggunakan program eviws dan minitab.
A. Identifikasi Model Awal Langkah awal dari pembentukan model yaitu dengan mengenali sifat data asli. Gambar 1 merupakan plot dari data asli saham Composite Index . Sumbu y menyatakan harga saham, sedangkan sumbu x menyatakan waktu atau tanggal. Data asli saham Composite Index dinotasikan dengan Υt . 1200
1150
1100
1050
1000 1
24
48
72
96
120
144
Gambar 1
53
168
192
216
240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
Pada gambar 1 terlihat bahwa data asli memiliki bentuk trend. Kemudian plot ACF data asli. Autocorrelation Function for y (w ith 5% significance limits for the autocorrelations) 1,0 0,8
Autocorrelation
0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1
10
20
30
40
50 Lag
60
70
80
90
100
Gambar 2 Gambar 2 terlihat bahwa nilai autokorelasi setelah lag kedua atau ketiga jauh diatas garis batas toleransi. Hal ini menandakan bahwa data asli tidak stasioner. Untuk merubah kebentuk stasioner maka data asli perlu dilakukan differencing. Sehingga diperoleh data runtun waktu baru. Data runtun waktu hasil differencing pertama dari Υt dinotasikan Wt dengan Wt = Υt − Υt −1
(4.1)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
Gambar 3 dibawah ini merupakan plot dari data setelah dilakukan differencing satu kali. 50
25
0
-25
-50 1
24
48
72
96
120
144
168
192
216
240
Gambar 3 Pada gambar 3 memperlihatakan bahwa data setelah dilakukan differencing satu kali sudah stasioner. Kemudian kita lihat plot ACF dan PACF dari Wt . Gambar 4 merupakan plot ACF dari Wt . Terlihat setelah lag pertama semua lag berada dibawah batas toleransi. A u to c o r r e la tio n F u n c tio n fo r w ( w ith 5 % s ig n if ic a n c e lim its fo r th e a u to c o r r e la tio n s ) 1 ,0 0 ,8
Autocorrelation
0 ,6 0 ,4 0 ,2 0 ,0 - 0 ,2 - 0 ,4 - 0 ,6 - 0 ,8 - 1 ,0 1
20
40
60
80
100
120 La g
Gambar 4
140
160
180
200
220
240
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
Gambar 5 dibawah ini menunjukkan plot PACF untuk W. Terlihat hampir semua lag berada dibawah batas toleransi. Hal ini menunjukkan datanya stasioner. Ada tiga lag yang melewati garis toleransi, ini menunjukkan adanya proses AR (3). P ar tial Autocor r elation F unction for w (w ith 5% significance lim its for the partial autocorrelations) 1,0
Partial Autocorrelation
0,8 0,6 0,4 0,2 0,0 -0,2 -0,4 -0,6 -0,8 -1,0 1
20
40
60
80
100
120 La g
140
160
180
200
220
240
Gambar 5 Sebelum mencari model sesungguhnya dari proses ARCH, harus diduga terlebih dahulu model awal dari data. Sehingga menghasilkan galat yang digunakan untuk menduga nilai parameter dari model ARCH. Pada data diasumsikan model awal sebagai proses dari AR(3). Dari lampiran 2 dapat dibentuk model awal sebagai berikut Wt = 0,531874 + 0,167782Wt −1 − 0,075319Wt − 2 + 0,106073Wt −3
(4.2)
Bila persamaan (4.2) Wt menggunakan persamaan (4.1) maka persamaannya menjadi Υt − Υt −1 = 0,531874 + 0,167782(Υt −1 − Υt − 2 ) − 0, 075319(Υt − 2 − Υt −3 ) + 0,106073(Υt −3 − Υt − 4 )
(4.3)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Karena koefisien AR (2) dan AR (3) kurang dari satu. Sedangkan nilai probabilitas AR (2) 0,2502 dan AR (3) 0,1006 lebih dari 0,05 yang berarti menerima hipotesis nol ( menerima bahwa masing-masing parameter sama dengan nol). Hal ini juga diperkuat oleh nilai statistik-t
AR (2) -1,152626 lebih dari -1,96 dan AR (3)
1,648216 kurang dari 1,96 sehingga memungkinkan untuk menerima hipotesis nol. Hal itu mengakibatkan persamaan (4.3) menjadi Υt − Υt −1 = 0,531874 + 0,167782(Υt −1 − Υt − 2 )
(4.4)
Persamaan (4.4) disebut persamaan AR (1) dari data yang sudah dilakukan differencing satu kali. Pada lampiran 3 model awal dari data yang telah dilakukan differencing satu kali dengan menggunakan AR (1) ternyata signifikan. Hal itu ditunjukkan dengan nilai probabilitas AR (1) 0,0202 kurang dari 0,05 dan stasistik-t 2,338679 lebih dari 1,96 yang berarti menolak hipotesis nol ( menolak bahwa koefisien sama dengan nol). Sehingga model awalnya sebagai berikut Υt − Υt −1 = 0,584007 + 0,148984(Υt −1 − Υt − 2 )
(4.5)
B. Uji efek ARCH
Pada persamaan (4.5) diperoleh barisan galat. Barisan galat tersebut digunakan untuk menguji ada atau tidaknya efek ARCH dalam data harga saham Composite Index setelah dilakukan differencing.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Hasil yang diperoleh dari lampiran 4 terlihat bahwa nilai statistik TR 2 bernilai 27,11342 lebih besar dari statistik χ 02,05 (3) = 7,81 dan mempunyai nilai probabilitas 0 kurang dari 0,05. Sehingga hipotesis nol ditolak yang berarti ada efek ARCH dalam prosses. Efek ARCH dipengaruhi oleh persamaan ht = 96,95835 + 0,336174ε t2−1
(4.6)
C. Pembentukan Model Akhir
Setelah diketahui bahwa data mempunyai model efek ARCH dengan orde 1, selanjutnya dibentuk model regresi ARCH. Pada lampiran 5 memperlihatkan bahwa persamaan (4.5) dan (4.6) akan berubah menjadi Υt − Υt −1 = 1,753197 + 0,220550(Υt −1 − Υt − 2 )
(4.7)
dengan ht = 102,6211 + 0,290971ε t2−1
(4.8)
Karena nilai probabilitas AR (1) 0,0019 dan ARCH (1) 0,0026 kurang dari 0,05, sedangkan statistik-z AR (1) 3,101653 dan ARCH (1) 3,014244 lebih dari 1,64 maka Η 0 ditolak yang berarti koefisien persamaan (4.7) dan (4.8) tidak samadengan nol. Jadi dapat disimpulkan bahwa persamaan (4.7) dan (4.8) merupakan model regresi ARCH yang sesuai untuk data harga saham Composite Index. Untuk meramalkan harga saham pada tanggal 30 desember 2005 dapat dicari dengan menggunakan persamaan (4.7) dan (4.8), sehingga diperoleh
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
Υ244 − Υ243 = 1,753197 + 0,220550(Υ243 − Υ242 ) Υ244 − 1162,640 = 1,753197 + 0,220550(1162,640 − 1164,140) Υ244 = 1,753197 + 0,220550(− 1,5) − 1162,640 = 1164,062 dan h244 = 102,6211 + 0,29097(2,1835) = 103,2564
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V PENUTUP
A. Simpulan Pada kenyataanya data runtun waktu tidak semuanya memiliki variansi konstan. Model Autoregresif (AR) merupakan model yang menganggap bahwa data runtun waktu memiliki variansi konstan. Sedangkan model ARCH
(Autoregressive
Conditional Heteroscedastic) merupakan model autoregresif dalam keadaan variansi tidak konstan. Variansi merupakan variabel dalam statistik yang menggambarkan seberapa jauh perubahan data terhadap nilai rata-ratanya. Nilai parameter pada model ARCH diperoleh dengan metode iteratif yang diturunkan dari estimasi maksimum likelihood. Dari data harga saham Composite Index menunjukkan bahwa dalam data tersebut ada efek ARCH. Sehingga data harga saham Composite Index dapat diatasi menggunakan model ARCH. Namun peramalan dengan model ARCH tidak dapat mendeteksi faktor-faktor yang mempengaruhi perubahan harga yang signifikan.
B. Saran Untuk mengatasi data runtun waktu dengan variansi yang tidak konstan selain model ARCH masih ada model ARCH-M, TARCH, GARCH dan EGARCH yang dapat dipelajari sebagai kelanjutan dari model ARCH yang penulis bahas.
60
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Box, E.P George, Jenkins, M. Gwilym & Reinsel, C. Gregory. (1994). Time Series Analysis Forcasting and Control. USA: Prentice Hall Internasional. Daniel, Dena dkk. (2001). A Course in Time Series Analysis. New York: Wiley. Damodar, Gujarati. (1991). Ekonometrika Dasar (Terjemahan sumarno Zain). Jakarta: Penerbit Erlangga. Engle, R.F & Fadden, Mc, D.L. (1994). Handbook of econometrics (volume IV), 49, 2961-3031. Gourieroux, C. (1997). ARCH Models and Financial Applications. New York : Springer-Verlag . Halim, Siana, Rahardjo, Jani & Adelia, Shirley. Model Matematika Untuk Menentukan Nilai Tukar Mata Uang Rupiah Terhadap Dollar Amerika. http://puslit.petra.ac.id/journals/industrial. Makridakis, Spyros. (1999). Metode dan Aplikasi Peramalan. Jakarta: Penerbit Erlangga. Verbeek, Marno.(2000). A Guide to Modern Econometrics. New York: John Wiley & sons. LTD. William, H greene. (1951). Econometric Analysis. New York: New York University.
61
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
Lampiran 1 : Data harga saham Composite Index dari tanggal 03 januari 2005 sampai dengan 29 desember 2005
No 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31
Tgl
Close
No
3-Jan-05
1000.88
4-Jan-05
1018.54
5-Jan-05
1015.43
6-Jan-05
1029.89
32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62
7-Jan-05
1032.53
10-Jan-05
1015.48
11-Jan-05
1011.67
12-Jan-05
1008.58
13-Jan-05
1021.67
14-Jan-05
1021.34
17-Jan-05
1024.89
18-Jan-05
1017.73
19-Jan-05
1027.81
20-Jan-05
1035.75
24-Jan-05
1030.72
25-Jan-05
1026.89
26-Jan-05
1037.51
27-Jan-05
1044.99
28-Jan-05
1046.48
31-Jan-05
1045.44
1-Feb-05
1047.53
2-Feb-05
1052.82
3-Feb-05
1049.33
4-Feb-05
1048.39
7-Feb-05
1041.63
8-Feb-05
1036.60
11-Feb-05
1045.87
14-Feb-05
1050.73
15-Feb-05
1067.20
16-Feb-05
1073.44
17-Feb-05
1082.98
Tgl
Close
18-Feb-05
1092.49
21-Feb-05
1093.78
22-Feb-05
1099.91
23-Feb-05
1102.93
24-Feb-05
1102.02
25-Feb-05
1083.38
28-Feb-05
1073.83
1-Mar-05
1093.28
2-Mar-05
1082.75
3-Mar-05
1094.60
4-Mar-05
1103.01
7-Mar-05
1105.30
8-Mar-05
1114.21
9-Mar-05
1116.81
10-Mar-05
1108.05
14-Mar-05
1123.48
15-Mar-05
1119.00
16-Mar-05
1138.23
17-Mar-05
1134.59
18-Mar-05
1147.87
21-Mar-05
1151.56
22-Mar-05
1152.60
23-Mar-05
1142.15
24-Mar-05
1114.55
28-Mar-05
1100.24
29-Mar-05
1070.30
30-Mar-05
1065.13
31-Mar-05
1080.17
1-Apr-05
1095.07
4-Apr-05
1100.20
5-Apr-05
1096.53
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
No 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93
Tgl
Close
No
6-Apr-05
1103.29
7-Apr-05
1111.62
8-Apr-05
1111.23
11-Apr-05
1105.98
12-Apr-05
1110.88
13-Apr-05
1116.67
14-Apr-05
1108.44
15-Apr-05
1096.52
18-Apr-05
1060.19
19-Apr-05
1062.69
20-Apr-05
1070.95
21-Apr-05
1047.80
25-Apr-05
1019.88
26-Apr-05
1031.77
27-Apr-05
1032.22
28-Apr-05
1038.36
29-Apr-05
1029.61
2-May-05
1026.52
3-May-05
1033.50
4-May-05
1049.58
6-May-05
1068.28
9-May-05
1080.21
10-May-05
1071.16
11-May-05
1057.08
12-May-05
1063.83
13-May-05
1059.27
16-May-05
1048.79
17-May-05
1045.77
18-May-05
1040.26
19-May-05
1045.46
20-May-05
1048.11
94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124
Tgl
Close
23-May-05
1045.15
25-May-05
1049.06
26-May-05
1054.36
27-May-05
1061.49
30-May-05
1062.96
31-May-05
1088.17
1-Jun-05
1082.94
2-Jun-05
1091.46
3-Jun-05
1092.50
6-Jun-05
1096.83
7-Jun-05
1092.81
8-Jun-05
1095.51
9-Jun-05
1094.19
10-Jun-05
1096.93
13-Jun-05
1100.88
14-Jun-05
1105.89
15-Jun-05
1119.58
16-Jun-05
1125.76
17-Jun-05
1141.82
20-Jun-05
1147.71
21-Jun-05
1133.33
22-Jun-05
1134.69
23-Jun-05
1137.42
24-Jun-05
1135.67
27-Jun-05
1119.90
28-Jun-05
1127.82
29-Jun-05
1126.86
30-Jun-05
1122.38
1-Jul-05
1138.99
4-Jul-05
1138.88
5-Jul-05
1131.17
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
No 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155
Tgl
Close
No
6-Jul-05
1117.81
7-Jul-05
1108.40
8-Jul-05
1110.56
11-Jul-05
1123.46
12-Jul-05
1129.11
13-Jul-05
1132.79
14-Jul-05
1136.57
15-Jul-05
1131.46
18-Jul-05
1128.44
19-Jul-05
1132.02
20-Jul-05
1140.66
21-Jul-05
1157.51
22-Jul-05
1172.24
25-Jul-05
1169.75
26-Jul-05
1178.00
27-Jul-05
1178.11
28-Jul-05
1186.61
29-Jul-05
1182.30
1-Aug-05
1178.22
2-Aug-05
1189.33
3-Aug-05
1192.20
4-Aug-05
1185.33
5-Aug-05
1174.09
8-Aug-05
1158.59
9-Aug-05
1162.80
10-Aug-05
1176.84
11-Aug-05
1167.97
12-Aug-05
1153.97
15-Aug-05
1118.27
16-Aug-05
1113.82
18-Aug-05
1100.30
156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 183 184 185 186
Tgl
Close
19-Aug-05
1087.95
22-Aug-05
1076.35
23-Aug-05
1066.09
24-Aug-05
1035.44
25-Aug-05
1061.85
26-Aug-05
1048.87
29-Aug-05
994.77
30-Aug-05
1039.82
31-Aug-05
1050.09
1-Sep-05
1039.23
5-Sep-05
1035.89
6-Sep-05
1051.59
7-Sep-05
1059.38
8-Sep-05
1080.45
9-Sep-05
1098.46
12-Sep-05
1105.66
13-Sep-05
1085.74
14-Sep-05
1058.63
15-Sep-05
1050.91
16-Sep-05
1056.73
19-Sep-05
1066.59
20-Sep-05
1055.59
21-Sep-05
1044.06
22-Sep-05
1016.76
23-Sep-05
1012.85
26-Sep-05
1034.58
27-Sep-05
1037.63
28-Sep-05
1027.89
29-Sep-05
1048.30
30-Sep-05
1079.28
3-Oct-05
1083.41
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
No 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217
Tgl
Close
No
4-Oct-05
1101.17
5-Oct-05
1104.06
6-Oct-05
1096.38
7-Oct-05
1094.65
10-Oct-05
1102.78
11-Oct-05
1105.63
12-Oct-05
1102.98
13-Oct-05
1090.54
14-Oct-05
1096.70
17-Oct-05
1090.09
18-Oct-05
1095.87
19-Oct-05
1075.91
20-Oct-05
1075.40
21-Oct-05
1075.96
24-Oct-05
1073.08
25-Oct-05
1062.17
26-Oct-05
1062.18
27-Oct-05
1063.70
28-Oct-05
1058.26
31-Oct-05
1066.22
1-Nov-05
1064.95
9-Nov-05
1052.82
10-Nov-05
1043.70
11-Nov-05
1028.98
14-Nov-05
1017.73
15-Nov-05
1022.08
218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 233 234 235 236 237 238 239 240 241 242 243
16-Nov-05
1025.83
17-Nov-05
1033.28
18-Nov-05
1054.98
21-Nov-05
1062.46
22-Nov-05
1066.29
Tgl
Close
23-Nov-05
1061.08
24-Nov-05
1078.18
25-Nov-05
1074.40
28-Nov-05
1081.06
29-Nov-05
1082.28
30-Nov-05
1096.64
1-Dec-05
1096.37
2-Dec-05
1119.42
5-Dec-05
1120.58
6-Dec-05
1123.44
7-Dec-05
1151.36
8-Dec-05
1158.32
9-Dec-05
1160.07
12-Dec-05
1175.01
13-Dec-05
1182.03
14-Dec-05
1173.72
15-Dec-05
1155.96
16-Dec-05
1143.43
19-Dec-05
1162.33
20-Dec-05
1163.03
21-Dec-05
1160.56
22-Dec-05
1164.02
23-Dec-05
1158.34
27-Dec-05
1161.71
28-Dec-05
1164.14
29-Dec-05
1162.64
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Lampiran 2 : Hasil analisis dari data yang telah didifferencing satu kali dengan menggunakan AR (3)
Dependent Variable: W Method: Least Squares Date: 12/18/06 Time: 09:33 Sample(adjusted): 5 243 Included observations: 239 after adjusting endpoints Convergence achieved after 3 iterations Variable
Coefficient
Std. Error
t-Statistic
Prob.
C AR(1) AR(2) AR(3)
0.531874 0.167782 -0.075319 0.106073
0.975778 0.064643 0.065345 0.064356
0.545076 2.595498 -1.152626 1.648216
0.5862 0.0100 0.2502 0.1006
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots
0.038158 0.025879 12.08917 34344.80 -932.7715 2.000796 .48
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) -.15 -.45i
-.15+.45i
0.555439 12.24870 7.839092 7.897276 3.107588 0.027213
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Lampiran 3 : Hasil analisis dari data yang telah didifferencing satu kali dengan menggunakan AR (1)
Dependent Variable: W Method: Least Squares Date: 12/18/06 Time: 08:34 Sample(adjusted): 3 243 Included observations: 241 after adjusting endpoints Convergence achieved after 3 iterations Variable
Coefficient
Std. Error
t-Statistic
Prob.
C AR(1)
0.584007 0.148984
0.917453 0.063705
0.636552 2.338679
0.5250 0.0202
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots
0.022373 0.018282 12.12041 35110.16 -942.2288 1.977528 .15
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
0.597925 12.23275 7.835923 7.864843 5.469422 0.020177
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
Lampiran 4 : Hasil analisis uji efek ARCH
ARCH Test: F-statistic Obs*R-squared
30.31188 27.11342
Probability Probability
0.000000 0.000000
Test Equation: Dependent Variable: RESID^2 Method: Least Squares Date: 12/18/06 Time: 10:37 Sample(adjusted): 4 243 Included observations: 240 after adjusting endpoints Variable
Coefficient
Std. Error
t-Statistic
Prob.
C RESID^2(-1)
96.95835 0.336174
21.00267 0.061060
4.616478 5.505623
0.0000 0.0000
R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat
0.112973 0.109246 294.4876 20640068 -1703.998 2.020101
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
146.1302 312.0241 14.21665 14.24565 30.31188 0.000000
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
69
Lampiran 5 : Hasil analisis penentuan model akhir
Dependent Variable: W Method: ML - ARCH (Marquardt) Date: 12/18/06 Time: 08:38 Sample(adjusted): 3 243 Included observations: 241 after adjusting endpoints Convergence achieved after 17 iterations Variance backcast: ON C AR(1)
Coefficient
Std. Error
z-Statistic
Prob.
1.753197 0.220550
0.976684 0.071107
1.795050 3.101653
0.0726 0.0019
7.925826 3.014244
0.0000 0.0026
Variance Equation C ARCH(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots
102.6211 0.290971 0.011555 -0.000957 12.23860 35498.66 -931.6319 2.098638 .22
12.94768 0.096532
Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic)
0.597925 12.23275 7.764580 7.822419 0.923523 0.430078
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
70
Lampiran 6 : Tabel distribusi statistik-t
v 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
∞
α 0,10 3,08 1,89 1,64 1,53 1,48 1,44 1,42 1,40 1,38 1,37 1,36 1,36 1,35 1,35 1,34 1,34 1,33 1,33 1,33 1,33 1,32 1,32 1,32 1,32 1,32 1,32 1,31 1,31 1,31 1,28
0,05 6,31 2,92 2,35 2,13 2,02 1,94 1,89 1,86 1,83 1,81 1,80 1,78 1,77 1,76 1,75 1,75 1,74 1,73 1,73 1,72 1,72 1,72 1,71 1,71 1,71 1,71 1,70 1,70 1,70 1,64
0,025 12,71 4,30 3,18 2,78 2,57 2,45 2,36 2,31 2,26 2,23 2,20 2,18 2,16 2,14 2,13 2,12 2,11 2,10 2,09 2,09 2,08 2,07 2,07 2,06 2,06 2,06 2,05 2,05 2,05 1,96
0,01 31,82 6,96 4,54 3,75 3,36 3,14 3,00 2,90 2,82 2,76 2,72 2,68 2,65 2,62 2,60 2,53 2,57 2,55 2,54 2,53 2,52 2,51 2,50 2,49 2,49 2,48 2,47 2,47 2,46 2,33
0,005 63,66 9,92 5,84 4,60 4,03 3,71 3,50 3,36 3,25 3,17 3,11 3,05 3,01 2,98 2,95 2,92 2,90 2,88 2,86 2,85 2,83 2,82 2,81 2,80 2,79 2,78 2,77 2,76 2,76 2,58
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Lampiran 7 : Tabel distribusi khi-kuadrat
v 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 50 100 500 1000
α 0,995 0,00 0,01 0,07 0,21 0,41 0,68 0,99 1,34 1,72 2,16 2,60 3,07 3,57 4,07 4,60 5,14 5,70 6,26 6,84 7,43 8,03 8,64 9,26 9,89 10,52 11,16 11,81 12,46 13,12 13,79 27,99 67,33 422,3 888,6
0,99 0,00 0,02 0,11 0,30 0,35 0,87 1,24 1,65 2,09 2,56 3,05 3,57 4,11 4,66 5,23 5,81 6,41 7,01 7,63 8,26 8,90 9,54 10,20 10,86 11,52 12,20 12,88 13,56 14,26 14,95 29,71 70,06 429,4 898,8
0,975 0,00 0,05 0,22 0,48 0,83 1,24 1,69 2,18 2,70 3,25 3,82 4,40 5,01 5,63 6,26 6,91 7,56 8,23 8,91 9,59 10,28 10,98 11,69 12,40 13,12 13,84 14,57 15,31 16,05 16,79 32,36 74,22 439,9 914,3
0,95 0,00 0,10 0,35 0,71 1,51 1,64 2,17 2,73 3,33 3,94 4,57 5,23 5,89 6,57 7,26 7,96 8,67 9,39 10,12 10,85 11,59 12,34 13,09 13,85 14,61 15,38 16,15 16,93 17,71 18,49 34,76 77,93 449,1 927,6
0,90 0,02 0,21 0,58 1,06 1,61 2,20 2,83 3,49 4,17 4,87 5,58 6,30 7,04 7,79 8,55 9,31 10,09 10,86 11,65 12,44 13,24 14,04 14,85 15,66 16,47 17,29 18,11 18,94 19,77 20,60 37,69 82,36 459,9 943,1
0,10 2,71 4,61 6,25 7,78 9,24 10,64 12,02 13,36 14,68 15,99 17,28 18,55 19,81 21,06 22,31 23,54 24,77 25,99 27,20 28,41 29,62 30,81 32,01 33,20 34,38 35,56 36,74 37,92 39,09 40,26 63,17 118,5 540,9 1058
0,05 3,84 5,99 7,81 9,49 11,07 12,59 14,07 15,51 16,92 18,31 19,68 21,03 22,36 23,68 25,00 26,30 27,59 28,87 30,14 31,41 32,67 33,92 35,17 36,42 37,65 38,89 40,11 41,34 42,56 43,77 67,50 124,3 553,1 1075
0,025 5,02 7,38 9,35 11,14 12,83 14,45 16,01 17,54 19,02 20,48 21,92 23,34 24,74 26,12 27,49 28,85 30,19 31,53 32,85 34,17 35,48 36,78 38,08 39,36 40,65 41,92 43,19 44,46 45,72 46,98 71,42 129,6 563,9 1090
0,01 6,63 9,21 11,34 13,28 15,09 16,81 18,48 20,09 21,67 23,21 24,72 26,22 27,69 29,14 30,58 32,00 33,41 34,81 36,19 37,57 38,93 40,29 41,64 42,98 44,31 45,64 46,96 48,28 49,59 50,89 76,15 135,8 576,5 1107
0,005 7,88 10,60 12,84 14,86 16,75 18,55 20,28 21,96 23,59 25,19 26,76 28,30 29,82 31,32 32,80 34,27 35,72 37,16 38,58 40,00 41,40 42,80 44,18 45,56 46,93 48,29 49,65 50,99 52,34 53,67 79,49 140,2 585,2 1119