Upload
others
View
5
Download
0
Embed Size (px)
Citation preview
BJ-IPB
MASALAH STASIONERITAS(Statistika Deskriptif & Inferensia)
oleh
Bambang JuandaDepartemen Ilmu Ekonomi
Fakultas Ekonomi dan Manajemen IPB
https://bambangjuanda.com/
BJ-IPB
Pengertian Ekonometrika Deret Waktu
• Ekonometrika deret waktu: teknik ekonometrika untukmenganalisis perilaku data deret waktu
• Data deret waktu: data yang dicatat/dikumpulkan berdasarkan periode waktu tertentu (harian/mingguan/ bulanan/kuartalan/semesteran/tahunan)
• Mis: ekspor, investasi, indeks harga saham, suku bunga, pengangguran, dan data lainnya yg dari waktu ke waktu.
• Dua kelompok analisis deret waktu:
(1) Menjelaskan pola data berdasarkan waktu
(2) Eksplanatoris, yakni menganalisis hubungan antar peubah-peubah deret waktu (time series variables).
BJ-IPB
Komponen TimeSeries
Time-Series
Siklus
Acak
Trend
Musiman
BJ-IPB
Komponen Siklus
• Pergerakan Naik atau Turun Berulang
• Periodisitas dapat Bervariasi
• Umumnya Berakhir 2 - 10 Tahun
Komponen Musiman
• Pergerakan Naik atau Turun
• Priodisitas Sama (Beraturan)
• Teramati dalam 1 Tahun/bln/Ming
Sales
Tahun / Bulan / Kuartal
BJ-IPB
Komponen Acak
• Fluktuasi Sisaan, Tidak Beraturan
• Karena Variasi Acak dari:
• Alami; Accidents
• Jangka Waktu Pendek & tidak
Berulang
Sumber: Herdiyeni et.al. (2020)
Setelah mengikuti pembahasan ini, Andadiharapkan dapat :
• Memahami makna kestasioneran data deretwaktu dan cara pemeriksaannya.
• Memahami implikasi kestasioneran (stasioner dantidak stasioner) data deret waktu dalampemodelan.
• Memahami prosedur STATA untuk pemeriksaankestasioneran data deret waktu
• Menginterprestasikan output program STATA tentang kestasioneran data deret waktu.
BJ-IPB
• Proses stokastik: proses yg menghasilkan rangkaian nilai-nilaipeubah acak yg menggambarkan perilaku data pd berbagai kondisi.
• Setiap data deret waktu merupakan data dari hasil proses stokastik.
• Proses stokastik dpt bersifat stasioner dan menghasilkan data deretwaktu yg bersifat stasioner.
• Proses stokastik dpt bersifat tidak stationer dan menghasilkan data deret waktu yg tidak stasioner.
• Data stasioner jika:
BJ-IPB
Proses Stokastik dan KestasioneranData Deret Waktu
Deret Waktu Stasioner
Jika misalnya n=1, maka sebaran Yt sama dgn sebaran Yt-k
untuk sembarang k.
Dgn demikian, µt bernilai tetap (konstan) utk semua t dan k,
dan Var(Yt) = Var(Yt-k) juga konstan utk semua t dan k.
Sifat kestasioneran deret waktu diperlukan utk melakukan inferensia thd
struktur deret waktu tsb atas dasar pengamatan yg jumlahnya
terbatas. Sifat kestasioneran ini menyatakan bhw hukum peluang yg
mengendalikan proses stokastik tsb tidak berubah dgn berubahnya
waktu –yaitu, proses berada dlm keadaan equilibrium. Misalnya,
proses stokastik {Yt} bersifat stasioner jika sebaran sekuens
Yt1,Yt2,…, Ytn sama dgn sebaran Yt1-k,Yt2-k, …, Ytn-k utk semua pilihan
nilai-nilai indeks t1,t2,….,tn dan semua nilai waktu mundur (lag) k.
BJ-IPB
Data stasioner pada nilai tengahnya jika data berfluktuasi disekitar suatu nilai tengah yg tetap dari waktu ke waktu.
Data stasioner pada ragamnya jika data berfluktuasi dengan ragam ygtetap dari waktu ke waktu.
Mengatasi data yg tidak stasioner
• Proses diferensi (Yt – Yt-1)
• Transformasi data (Ln atau akar kuadrat)
Pemeriksaan Kestasioneran Data Deret Waktu
• Melihat trend (pola) data dalam grafik
• Menggunakan autokorelasi dan korelogram.
• Uji Autokorelasi, Selang Kepercayaan
• Uji Statistik Q; Uji Statistik LB
• Uji akar unit (unit root test)BJ-IPB
BJ-IPB
Pemeriksaaan Kestasioneran: Trend & Keragaman Data
Pola Data Deret Waktu
dan Nilai Tengah
BJ-IPB
1.Pendekatan Regressi klasik: Menduga model dulu, kemudian dilihat (diuji) apakah asumsi tentang error (ε) dipenuhi (ragam homogen/sama, dan tidakada autokorelasi). Dalam konteks data deret waktu, error tsb bersifat Stasioner.
2.Pendekatan (terkini) Regressi Deret Waktu: Data harus stasioner dulu, kemudian baru diduga modelnya. Penentuan ordo/lag, juga dugaanparameternya, dari data yang sudah stasioner.
Jika dipaksakan pada data deret waktu yg belum stasioner, analisisnya “dapat” menyesatkan. Namun jika errornya memenuhi asumsi klasik atau stasioner, model tsb tetap valid.
Penggunaan ADF yg “fleksibel” hasil uji dapat “berbeda”
Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa.
• Faktanya, hampir semua data deret waktu bersifat tidak stasioner.
• Ekonometrika menggunakan data deret waktu perlu ditangani dan dianalisis secara berbeda
BJ-IPB
Perbedaan Pendekatan Regresi Klasikdengan Ekonometrika Deret Waktu
Linear, Homoscedasticity, bebas
et
t; X
BJ-IPB
Residual Analysis
Not Linear
t
e
Heteroskedastisitas
SR
t
Tidak Bebas
t
SR
Xj ; Y^
Stasioner: Model dlm Keseimbangan Jangka Panjang
Yt = a + b Xt + et
100
200
300
400
500
600
Airl
ine
Pas
seng
ers
(194
9-19
60)
0 50 100 150t
. twoway (tsline air)
BJ-IPB
. webuse air2 Jumlah Penumpang Bulanan (air2.dta). tsset t, monthly
Tidak stasioner dalam nilai tengah & ragam
//////////
Contoh Output STATA (Bgm Interpretasinya?)
Disini disajikan output dari Analisis
History dariCommand yang dipakai
Variabel yang adapada dataset
Menulis command disiniBJ-IPB
P-value H0 : Tidak Stasioner
≥
-200
0
200
400
600
1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1t
Airline Passengers (1949-1960) Airline Passengers (1949-1960), D
BJ-IPB
Grafik Jumlah Penumpang dan Datanya yang Sudah Didiferensi (D1)
Yt tidak stasioner
Stasioner dalam nilai tengah. Bgm dalam ragam?
Δ Yt = D Yt = Yt - Yt-1 = Yt - L.Yt = (1-L) Yt
. twoway (tsline air) (tsline D.air, lcolor(red) lwidth(thick) lpattern(dash)), legend(on)
BJ-IPB
Grafik Jumlah Penumpang dan Datanya yang Sudah Didiferensi (D & D2)-2
00
0
200
400
600
1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1t
Airline Passengers (1949-1960) Airline Passengers (1949-1960), D
Airline Passengers (1949-1960), D2
Yt tidak stasioner
D2.Yt = Δ Yt - Δ Yt-1 = D.Yt – L.D.Yt = Yt - 2 Yt-1 + Yt-2
Δ Yt = D Yt = Yt - Yt-1 = Yt - L.Yt = (1-L) Yt
. twoway (tsline air) (tsline D.air, lcolor(red) lwidth(thick) lpattern(dash)) (tsline D2.air, lcolor(blue)), legend(on)
BJ-IPB
-100
-50
050
100
1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1t
Airline Passengers (1949-1960), D Airline Passengers (1949-1960), D2
Grafik Jumlah Penumpang yang Sudah Didiferensi (D & D2)
Δ Yt = D Yt = Yt - Yt-1 = Yt - L.Yt = (1-L) Yt
. twoway (tsline D.air, lcolor(red) lwidth(thick) lpattern(dash)) (tsline D2.air, lcolor(blue)), legend(on)
D2.Yt = Δ Yt - Δ Yt-1 = D.Yt – L.D.Yt = Yt - 2 Yt-1 + Yt-2
Stasioner dalam nilai tengah tapi Tidak stasioner dalam ragam
4.5
55.
56
6.5
lnai
r
1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1t
. generate lnair = ln(air)
. twoway (tsline lnair)
BJ-IPB
Grafik Jumlah Penumpang dan Datanya yang Sudah Ditransformasi Ln
Supaya stasioner dalam ragam
Terlihat pola musiman (seasonal)
-.2
-.1
0.1
.2
D.ln
air
1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1t
. twoway (tsline D1.lnair)
BJ-IPB
Grafik Ln (Jumlah Penumpang) yang Sudah Didiferensi (detrend)
Δ lnYt = D lnYt = lnYt - lnYt-1
pola trend sudah hilang
Masih terlihat pola musiman
-200
-100
0
100
200
300
D13
.lnai
r
1960m1 1962m1 1964m1 1966m1 1968m1 1970m1 1972m1t
. twoway (tsline D12.D1.lnair)
BJ-IPB
Grafik Jumlah Penumpang yang Sudah Dihilangkan Trend dan Musimannya
D12.D1 lnYt = D.lnYt – D.lnYt-12
pola trend & musiman sudah hilang
Pemeriksaaan Kestasioneran (Uji Statistik): Korelogram
© Bambang Juanda & Junaidi: Ekonometrika Deret Waktu
T
t
t
T
kt
ktt
k
YY
YYYY
1
2
1
)(
))((
𝜌k = koefisien autokorelasi untuk lag k
𝑌 =rata-rata data deret waktu
BJ-IPB
Pemeriksaaan Kestasioneran: Uji Signifikansi Autokorelasi
• Signifikan atau tidaknya nilai autokorelasi melalui Statistik uji-t atau Selang Kepercayaan menggunakan standar error (Se).
• Misalnya SK (1- α)100% atau dengan taraf nyata α= 5% untukρk adalah:
• H0: ρk = 0, utk semua k. Keputusannya belum cukup buktiuntuk menolak H0 bahwa ρk = 0, berarti data stasioner
• H1: ρk ≠ 0, data tidak stasioner; (jika p<)
)(96,1)(96.1 SeSe k
)/1(96,1)/1(96.1 nn k
BJ-IPB
Uji Statistik Q• Hipotesis:
H0 : Data Yt stasioner
H1 : Data Yt tidak stasioner; (jika p<)
• Uji Statistik Q dikembangkan oleh Box dan Pierce (2.7):
dimana: n = banyak sampel, m=panjang lag
• Jika statistik Q < , H0 diterima, berarti data deret waktuadalah stasioner
m
k
knQ1
2̂
)(
2
mdb=m
BJ-IPB
UJI KESTASIONERAN SERENTAK SEMUA KOEFISIEN DALAM ACF
)(
2
m
-1 0 1 -1 0 1
LAG AC PAC Q Prob>Q [Autocorrelation] [Partial Autocor]
-------------------------------------------------------------------------------
1 0.9480 0.9589 132.14 0.0000 |------- |-------
2 0.8756 -0.3298 245.65 0.0000 |------- --|
3 0.8067 0.2018 342.67 0.0000 |------ |-
4 0.7526 0.1450 427.74 0.0000 |------ |-
5 0.7138 0.2585 504.8 0.0000 |----- |--
6 0.6817 -0.0269 575.6 0.0000 |----- |
7 0.6629 0.2043 643.04 0.0000 |----- |-
8 0.6556 0.1561 709.48 0.0000 |----- |-
9 0.6709 0.5686 779.59 0.0000 |----- |----
10 0.7027 0.2926 857.07 0.0000 |----- |--
11 0.7432 0.8402 944.39 0.0000 |----- |------
12 0.7604 0.6127 1036.5 0.0000 |------ |----
13 0.7127 -0.6660 1118 0.0000 |----- -----|
14 0.6463 -0.3846 1185.6 0.0000 |----- ---|
15 0.5859 0.0787 1241.5 0.0000 |---- |
16 0.5380 -0.0266 1289 0.0000 |---- |
17 0.4997 -0.0581 1330.4 0.0000 |--- |
18 0.4687 -0.0435 1367 0.0000 |--- |
19 0.4499 0.2773 1401.1 0.0000 |--- |--
20 0.4416 -0.0405 1434.1 0.0000 |--- |
21 0.4572 0.1374 1469.9 0.0000 |--- |-
22 0.4825 0.3860 1510 0.0000 |--- |---
23 0.5171 0.2420 1556.5 0.0000 |---- |-
. corrgram air
m
k
knQ1
2̂ )(
2
mdb=m
BJ-IPB
AuroCorrelation, PArtialCorrelation, Stat-Q with its p-value
H0: ρk = 0, data stasioner
H1: ρk ≠ 0, data tidak stasioner
; (jika p<)
-1.0
0-0
.50
0.0
00
.50
1.0
0
Au
tocorr
ela
tion
s o
f air
0 10 20 30 40Lag
Bartlett's formula for MA(q) 95% confidence bands
. ac air Correlogram )(96,1)(96.1 SeSe k
)/1(96,1)/1(96.1 nn k
BJ-IPB
T
t
t
T
kt
ktt
k
YY
YYYY
1
2
1
)(
))((
H0: ρk = 0, data stasioner
H1: ρk ≠ 0, data tidak stasioner
di luar selang
• Dikembangkan oleh, dengan rumus (2.8):
dimana: n = banyak sampel, m=panjang lag
• Jika statistik LB lebih kecil dari nilai kritis statistik tabelChi-Square dengan taraf nyata α maka data stasioner.
• Hipotesis:
H0 : Data Yt stasioner (jika p>)
H1 : Data Yt tidak stasioner
m
m
k
k
nnnLB 2
1
2
~1
ˆ)2(
BJ-IPB
Pemeriksaaan Kestasioneran: Uji Statistik Ljung-Box (LB)
Random Walk (proses dgn trend stokastik)
ttt eYY 1Perhatikan model Autoregressive AR(1) berikut.
et adalah komponen residual (error) yang menyebar bebas stokastik dan
identik dengan nilai tengah nol, ragam 2 dan tidak ada autokorelasi.
Residual seperti ini disebut sebagai white noise error.
tt eYY
eeeYeYY
eeYeYY
eYY
0
3210323
210212
101
2)( tYVar t
.
Jika =1, maka Yt disebut memiliki akar unit (unit root) dan dikenal
sebagai random walk (langkah acak), yang tidak stasioner pada
ragam. Jika untuk t=0 nilainya Yo maka dapat ditunjukkan bahwa
Proses AR(1) diatas dapat juga dituliskan:
1) ordo ( dan )1(
dimana
)1(
1
1
1
diferensiYYY
eYY
eYY
ttt
ttt
ttt
Yt tidak stasioner
(memiliki akar unit)
jika =1 atau =0
jika data tidak stasioner pada tingkat level (data asli) maka dapat dilakukanproses diferensi sbb:
tttt eYYY 1BJ-IPB
Pemeriksaaan Kestasioneran: Uji Akar Unit (unit root or DF-Test)
• Pengujian Dickey–Fuller (DF) dgn nilai -statistik:
• Hipotesis: random walk
H0 : = 0 (yg berarti Yt tidak stasioner); ≥ 0
H1 : <0 ( yg berati Yt stasioner)
Note: = ρ-1 dlm model Yt = ρ Yt-1 + et ∆Yt = Yt-1 + et
• Jika ρ=1 maka Yt tidak stasioner; tapi ∆Yt (diferensiasi ordo 1) stasioner
Berati Yt terintegrasi dgn ordo 1 dan ditulis I(1)
• Jika data menjadi stasioner setelah diferensiasi d kali, ditulis I(d).
• Nilai -statistik dibandingkan -McKinnon Critical Values.
)ˆ(
1ˆ
Se
BJ-IPB
Daerah kritis sebelah kiri
Augmented Dickey–Fuller (ADF)Penambahan dalam Uji Akar Unit
• Korelasi serial antara residual dgn ΔYt, dapat dinyatakandalam bentuk umum proses autoregressive:
• (random walk with) ditambah intercept (drift) dan trend
• Pengujian dengan menggunakan persamaan di atas dikenalsebagai Augmented Dickey Fuller (ADF) test.
• Pengujian dan aturan pengambilan keputusan atas uji ADF ini sama dengan uji DF.
tptptttt eYYYYtY ...2211121
Random walk with drift: 𝑌𝑡 = α + 𝑌𝑡−1 + ɛ𝑡Jika 𝑌0 = 0, maka mengandung trend: 𝑌𝑡 = α𝑡 + 𝑡=0
𝑡 ɛ𝑡E(𝑌𝑡) = t dan var(𝑌𝑡) = t𝟐
BJ-IPB
. dfuller air, nocons regress
. dfuller air, regress
BJ-IPB
Dickey-Fuller test for unit root, dengan dan tanpa konstanta (Ho:=0, tdk stasioner)Number of obs = 143
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -1.748 -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.4065 tidak stasioner (Ho)
------------------------------------------------------------------------------
D.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | -.041068 .023493 -1.75 0.083 -.0875122 .0053761
|
_cons | 13.7055 7.133673 1.92 0.057 -.3972781 27.80829
------------------------------------------------------------------------------
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) 0.047 -2.594 -1.950 -1.613
------------------------------------------------------------------------------
D.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | .000439 .0093163 0.05 0.962 -.0179775 .0188555
------------------------------------------------------------------------------
random walk = ρ-1 dlm model Yt = ρ Yt-1 + et ∆Yt = Yt-1 + et
≥
≥
H1 : <0, stasioner)
(Daerah kritis sebelah kiri)
Augmented Dickey-Fuller test (ditambah intercept, trend & lags)
. dfuller air, lags(3) trend regress
Penggunaan ADF yg “fleksibel” hasil uji dapat “berbeda”; penting deskriptif grafikStasioner karena memasukan komponen trend.
H0 : = 0 (tidak stasioner)
H1 : < 0 (stasioner)
BJ-IPB
Augmented Dickey-Fuller test for unit root Number of obs = 140
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -6.936 -4.027 -3.445 -3.145
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000 H1 : <0 (stasioner)?
Note: random walk = ρ-1 dlm model Yt = ρ Yt-1 + et ∆Yt = Yt-1 + et
------------------------------------------------------------------------------
D.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | -.5217089 .0752195 -6.94 0.000 -.67048 -.3729379
LD. | .5572871 .0799894 6.97 0.000 .399082 .7154923
L2D. | .095912 .0876692 1.09 0.276 -.0774825 .2693065
L3D. | .14511 .0879922 1.65 0.101 -.0289232 .3191433
_trend | 1.407534 .2098378 6.71 0.000 .9925118 1.822557
_cons | 44.49164 7.78335 5.72 0.000 29.09753 59.88575
------------------------------------------------------------------------------
Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
tptptttt eYYYYtY ...2211121
≤
Dickey-Fuller test for unit root Number of obs = 142
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -8.580 -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000
------------------------------------------------------------------------------
D2.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
LD. | -.6941413 .0809012 -8.58 0.000 -.8540873 -.5341953
|
_cons | 1.612474 2.721903 0.59 0.555 -3.768876 6.993823
------------------------------------------------------------------------------
Dickey-Fuller Test (Setelah Deferensi Data = D.Yt )
. dfuller D.air, regress
Deferensi Data untuk menghilangkan Trend hasilnya Stasioner dalam NILAI TENGAH.
H0 : = 0 (tidak stasioner)
H1 : < 0 (stasioner)
BJ-IPB
≤
random walk = ρ-1 dlm model Yt = ρ Yt-1 + et ∆Yt = Yt-1 + et
Bagaimana Kesetasioneran dalam Ragam? Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
Dickey-Fuller Test (Setelah Deferensi Data dua kali = D.D.Yt )
. dfuller D2.air, regress
Deferensi Data untuk menghilangkan Trend hasilnya Stasioner dalam NILAI TENGAH.
H0 : = 0 (tidak stasioner)
H1 : < 0 (stasioner)
BJ-IPB
≤
random walk = ρ-1 dlm model Yt = ρ Yt-1 + et ∆Yt = Yt-1 + et
PR: Bagaimana Kesetasioneran dalam Ragam? Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
Dickey-Fuller test for unit root Number of obs = 141
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(t) -14.044 -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.0000
------------------------------------------------------------------------------
D3.air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
LD2. | -1.202615 .0856328 -14.04 0.000 -1.371926 -1.033303
|
_cons | .0879339 3.314309 0.03 0.979 -6.465045 6.640913
------------------------------------------------------------------------------
Pemeriksaaan Kestasioneran: Uji Akar Unit Philip-Perron (PP-Test)
• Nilai -statistik dari uji PP (Philip-Perron) dapat dihitung sbb:
dimana:
adalah spektrum dari ΔYt pada frekuensi nol, rj adalah fungsiautokorelasi pada lag j, t0 adalah -statistik pada θ, σθ adalahstandar error dari θ , dan σ adalah standar error uji regresi.
• Prosedur uji PP dapat diaplikasikan melalui cara yg sama dengan ujiDF.
0
000
0
0
2h
rht
h
r
j
M
r
rT
jrh
1
00 12
BJ-IPB
Phillips-Perron test for unit root
. pperron air, regress
. test L1.air=1
( 1) L.air = 1F( 1, 141) = 3.06, Prob > F = 0.0826
Phillips-Perron test for unit root Number of obs = 143
Newey-West lags = 4
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(rho) -6.564 -19.943 -13.786 -11.057
Z(t) -1.844 -3.496 -2.887 -2.577
------------------------------------------------------------------------------
MacKinnon approximate p-value for Z(t) = 0.3588 tidak stasioner (Ho)
model Yt = a + ρ Yt-1 + et
------------------------------------------------------------------------------
air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | .958932 .023493 40.82 0.000 .9124878 1.005376
|
_cons | 13.7055 7.133673 1.92 0.057 -.3972781 27.80829
------------------------------------------------------------------------------
Hipotesis: H0 : Yt tidak stasioner (ρ=1)H1 : Yt stasioner
BJ-IPB
Phillips-Perron test for unit root
. pperron air, nocons regress
. test L1.air=1
( 1) L.air = 1F( 1, 142) = 0.00 Prob > F = 0.9625
Phillips-Perron test for unit root Number of obs = 143
Newey-West lags = 4
---------- Interpolated Dickey-Fuller ---------
Test 1% Critical 5% Critical 10% Critical
Statistic Value Value Value
------------------------------------------------------------------------------
Z(rho) 0.005 -13.386 -7.929 -5.629
Z(t) 0.004 -2.594 -1.950 -1.613
model Yt = ρ Yt-1 + et
------------------------------------------------------------------------------
air | Coef. Std. Err. t P>|t| [95% Conf. Interval]
-------------+----------------------------------------------------------------
air |
L1. | 1.000439 .0093163 107.39 0.000 .9820225 1.018856
------------------------------------------------------------------------------
Hipotesis: H0 : Yt tidak stasioner (ρ=1)H1 : Yt stasioner
BJ-IPB
PR: Deferensi Data untuk menghilangkan Trend hasilnya Stasioner dalam NILAI TENGAH.
PR: Bagaimana Kesetasioneran dalam Ragam? (ADF & PP)Oleh karenanya asumsi error model yg dihasilkan tetap diperiksa (klasik).
Semoga bermanfaatSampai ketemu di topik yang lain
Terima kasih(Salam, BJ)
Departemen Ilmu EkonomiFakultas Ekonomi dan ManajemenInstitut Pertanian Bogor
BJ-IPB
BJ-IPB
Tahapan Pemodelan Empiris
untuk menguji hipotesis, perlu diperiksa dulu apakah modelnya sudah “terspesifikasi dengan benar dengan melihat asumsi error”
Hipotesis Penelitian Bab 9.4
300
04
00
05
00
06
00
07
00
0
20 40 60 80 100 120(m2)
P_Rumah(xRp100.000) yhat, Lokasi == Baik
yhat, Lokasi == Biasa
Dugaan Model dg Dummy
Y= 3587 +24.8 Ukuran
Y= 2742 +24.8 Ukuran
. ovtest
Ramsey RESET test using powers of the fitted
values of Nilai_Rumah
Ho: model has no omitted variables
F(3, 24) = 8.56
Prob > F = 0.0005
Model: Y= 2742 +24.8 Ukuran + 845 Lok
BJ-IPB
Ɛt tdk memenuhi asumi,
Ada OV
300
04
00
05
00
06
00
07
00
0
20 40 60 80 100 120(m2)
P_Rumah(xRp100.000) yhat, Lokasi == Baik
yhat, Lokasi == Biasa
Y= 3250 +29.7 Ukuran
Y= 3080 +20 Ukuran
Model: Y= 3080 +20 Ukuran + 170 Lok + 9.7 (Uk x Lok). estat ovtest
Ramsey RESET test using powers of the
fitted values of Nilai_Rumah
Ho: model has no omitted variables
F(3, 23) = 0.67
Prob > F = 0.5806
BJ-IPB
Ɛt sdh memenuhi asumi,
Tidak Ada OV
Dugaan Model dg Dummy Interaksi