Setelah sebelumnya kita membahas bagaimana kita cara mendeteksi uji autokorelasi, maka kali ini akan kita bahas bagaimana kita mengatasi hal tersebut sehingga datanya bisa menjadi stasioner.
Langkah pertama yang harus dilakukan untuk mendeteksi autokorelasi yaitu dengan mengidentifikasi apakah autokorelasi itu pure autocorrelation atau karena mis-spesification model. Mis-spesifikasi disini adalah kemungkinan adanya kuadratik model atau modelnya mengandung kuadratik. Sehingga apabila hasil tersebut masih mengandung autokorelasi maka autokorelasi tersebut merupakan pure autocorrelation.
Setelah kita mengetahui ternyata pure autocorrelation . maka langkah selajutnya yaitu salah satunya dengan melakukan transformasi. Transformasi ini dilakukan dengan mengurangi nilai variabel (bebas dan terikat) pada waktu ke-t, dengan waktu ke-(t-1).
Pertama, kita memulai dengan regresi biasa.
Sehingga akan membentuk persamaan umum berikut:
Atau bisa dibentuk menjadi:
Dimana: 
Jika autokorelasi di dalam residual tinggi (p=1), maka kita akan persamaan regresi tanpa intersep. Sedangkan jika (p=0) maka model regresi yang akan didapat adalah regresi dengan pembeda pertama.
GLS ini bisa digunakan jika nilai roh didapatkan. Permasalahannya roh didapatkan dari nilai populasi yang sulit diperoleh. Sehingga perlu dilakukan roh berdasarkan data sampel.
Metode ini dapat digunakan jika statistic Durbin-Watson lebih kecil dibandingkan koefisien determinasi (DW<R2). Sehingga dengan nilai DW yang kecil, maka pada residual terdapat autokorelasi yang kuat. Jika autokorelasi kuat, kita dapat mengasumsikan roh = 1. Sehingga menggunakan metode pembeda pertama.
Permasalahan metode pembeda pertama adalah kita harus mempunyai nilai korelasi yang kuat. Sehingga untuk korelasi tidak terlalu kuat tidak bisa digunakan. Sehingga cara selajutnya yaitu dengan menggunakan estimasi roh . salah satu cara yaitu dengan estimasi Durbin-Watson.
Formula diatas untuk data yang besar. Sedangkan untuk data berukuran kecil, sebaliknya menggunakan formulasi yang diusulkan oleh Theil-Nagar, yaitu:
Dimana: k adalah jumlah koefisien termasuk intercept
Setelah memperoleh modelnya dimasukkan ke model umum tadi sehingga akan membentuk model baru yang akan dilakukan analisis regresi. Kemudian hasilnya diharapkan sudah tidak mengadung autokorelasi.
Berbeda dengan metode diatas yang menggunakan DW. Sedangkan pada metode ini menggunakan residual untuk menentukan roh.
Setelah memperoleh roh maka kita akan membentuk model persamaan seperti pada transformasi yang dilakukan dengan pendekatan Durbin-Watson. Selain cara itu, bisa digunakan dengan formulasi berikut:
Dari model tersebut akan diperoleh slope dengan melakukan regresi. koefisien itulah yang menjadi nilai koefisien korelasi yang diestimasi. Langkah selajutnya hampir sama dengan langkah yang telah dijelaskan diatas.
sekian dulu ya. setelah ini insya allah akan dibahas bagaimana tutorialnya.
refrensi:
Nachrowi Djalal Nachrowi dan Hardius Usman. ekonometrika untuk analisis ekonomi dan keuangan. 2006.
Gujarati, Basic_Econometrics. 2004. bisa didowload
autocorelasi. basic economic. sanjoyo. bisa didownload disini
guy judge march 2007. bisa didownload disini
berikut ada beberapa langkah dalam mengatasi autokorelasi:
1. Evaluasi model
Langkah pertama yang harus dilakukan untuk mendeteksi autokorelasi yaitu dengan mengidentifikasi apakah autokorelasi itu pure autocorrelation atau karena mis-spesification model. Mis-spesifikasi disini adalah kemungkinan adanya kuadratik model atau modelnya mengandung kuadratik. Sehingga apabila hasil tersebut masih mengandung autokorelasi maka autokorelasi tersebut merupakan pure autocorrelation.
2. Generalized Least Squared(GLS)
Setelah kita mengetahui ternyata pure autocorrelation . maka langkah selajutnya yaitu salah satunya dengan melakukan transformasi. Transformasi ini dilakukan dengan mengurangi nilai variabel (bebas dan terikat) pada waktu ke-t, dengan waktu ke-(t-1).
Pertama, kita memulai dengan regresi biasa.
dan
Jika autokorelasi di dalam residual tinggi (p=1), maka kita akan persamaan regresi tanpa intersep. Sedangkan jika (p=0) maka model regresi yang akan didapat adalah regresi dengan pembeda pertama.
GLS ini bisa digunakan jika nilai roh didapatkan. Permasalahannya roh didapatkan dari nilai populasi yang sulit diperoleh. Sehingga perlu dilakukan roh berdasarkan data sampel.
1. First-Difference Method (Pembeda Pertama)
Metode ini dapat digunakan jika statistic Durbin-Watson lebih kecil dibandingkan koefisien determinasi (DW<R2). Sehingga dengan nilai DW yang kecil, maka pada residual terdapat autokorelasi yang kuat. Jika autokorelasi kuat, kita dapat mengasumsikan roh = 1. Sehingga menggunakan metode pembeda pertama.
2. Estimasi roh dengan Durbin Watson
Permasalahan metode pembeda pertama adalah kita harus mempunyai nilai korelasi yang kuat. Sehingga untuk korelasi tidak terlalu kuat tidak bisa digunakan. Sehingga cara selajutnya yaitu dengan menggunakan estimasi roh . salah satu cara yaitu dengan estimasi Durbin-Watson.
Dimana: k adalah jumlah koefisien termasuk intercept
Setelah memperoleh modelnya dimasukkan ke model umum tadi sehingga akan membentuk model baru yang akan dilakukan analisis regresi. Kemudian hasilnya diharapkan sudah tidak mengadung autokorelasi.
3. Estimasi roh berdasarkan residual
Berbeda dengan metode diatas yang menggunakan DW. Sedangkan pada metode ini menggunakan residual untuk menentukan roh.
3. Newey – West Method.
Pada metode mengasumsikan bahwa sampel yang digunakan besar. Dalam perhitungannya digunakan software-software statistic salah satunya adalah E-views.sekian dulu ya. setelah ini insya allah akan dibahas bagaimana tutorialnya.
refrensi:
Nachrowi Djalal Nachrowi dan Hardius Usman. ekonometrika untuk analisis ekonomi dan keuangan. 2006.
Gujarati, Basic_Econometrics. 2004. bisa didowload
autocorelasi. basic economic. sanjoyo. bisa didownload disini
guy judge march 2007. bisa didownload disini
Social Plugin