ASISTENSI :

EKONOMETRI
TIME SERIES
SANJOYO
 TOPIK - TOPIK
A. Pengertian Dasar
B. Pengujian Stasioneritas
C. ARMA & ARIMA
D. ARCH & GARCH
E. VAR
F. COINTEGRATION & ECM
G. SIMULTAN EQUATION
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 2
 VAR(1)
ƒ Vector Auto Regression
ƒ Alternatif modelling apabila kita tidak yakin
bahwa suatu variabel adalah exogenues
ƒ Sim (1980): Jika kita tdk dpt secara pasti
apakah suatu variabel exsogen atau
endogen, maka utk pembentukan model yg
melibatkan banyak variebel sebaiknya
memperlakukan semua variabel menjadi
variabel endogen Æ VAR
ƒ VAR adalah model yg memperlakukan
setiap variabel dlm model secara simetris,
artinya: varobel yg ada di RHS juga ada di
LHS ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 3
 VAR(2)
ƒ Model VAR utk bivariate:
Yt = α1 + α 2 X t + α 3Yt −1 + ε 1t
X t = β1 + β 2Yt + β 3 X t −1 + ε 2t
ƒ Standar form VAR utk bivariate/ Reduced
form :
Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t
X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t

zt = δ + θzt −1 + vt
⎡ Yt ⎤ ⎡π 11 ⎤ ⎡π 12 π 13 ⎤ ⎡υ1t ⎤
zt = ⎢ ⎥ δ = ⎢ ⎥ θ = ⎢ ⎥ vt = ⎢ ⎥
⎣Xt ⎦ ⎣π 21 ⎦ ⎣π 22 π 23 ⎦ ⎣υ 2t ⎦
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 4
 VAR(3)
ƒ Model VAR(p) dg p lag:
zt = δ + θ1 zt −1 + θ 2 zt − 2 + " + θ p zt − p + vt

ƒ Asumsi:
ƒ Yt dan Xt stasioner (if not: varians tdk konstan)
ƒ v1tdan v2t ~ white noise dg rata2=0 dan std dev
masing2 σy dan σx
ƒ v1tdan v2t uncorrelated disturbance

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO 5
 VAR(4)
ƒ Pengujian VAR: (Granger-causality)
ƒ Model Bivariate: Var (p=1)
Yt = π 11 + π 12Yt −1 + π 13 X t −1 + υ1t
X t = π 21 + π 22Yt −1 + π 23 X t −1 + υ 2t

ƒ Hipotesis Null:
ƒ X does not Granger-cause Y ( π13=0)
ƒ Y does not Granger-cause X ( π22=0)
ƒ Statistik Uji: Wald test ~dist F
ƒ Note: F={(RRSS-URSS)/r}/{URSS/(n-k)}
ƒ Estimasi Model VAR
ƒ Least Square
ƒ Pilih Lag dg kriteria AIC SIC
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO Lat : VAR.prg 6

ƒ Estimate model
 VAR(5)
ƒ Impuls Respon Function
⎡ Yt ⎤ ⎡ Y ⎤ ∞ ⎡φ11 (i ) φ12 (i ) ⎤ ⎡ε yt −i ⎤
⎢ X ⎥ = ⎢ ⎥ + ∑ ⎢φ (i ) φ (i )⎥ ⎢ε ⎥
⎣ t ⎦ ⎣ X ⎦ i =0 ⎣ 21 22 ⎦ ⎣ xt −i ⎦

ƒ Moving average utk melihat interaksi Yt dan Xt.

Koef φi digunakan utk “generate” efek dari
shock εyt dan εzt pada time path Yt dan Xt.

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO Lat : VAR.prg 7
 COINTEGRATION (1)
ƒ Pengertian
ƒ Dua variabel time series; Xt dan Yt yg keduanya
non-stasioner. Ada variabel Ztt dimana Zt=Yt-βXt
bersifat stasioner. Maka Xt dan Yt adalah dua
variabel yg terkointegrasi.
ƒ Jika Xt~I(1), dan Yt~I(1), tetapi Zt=Yt-βXt ~I(0),
maka Xt dan Yt cointegrated.
ƒ Dua variabel yg terintegrasi menunjukan
variabel tersebut mempunyai trend stokastik yg
sama dan selanjutnya mempunyai arah
pergerakan yg sama dlm jangka panjang
(mempunyai hubungan jangka panjang; PPP,
UIP, & permanen income hipotesis.
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 8
 COINTEGRATION (2)
ƒ Cointegration Test
ƒ Model: ∆ êt =β1+ β2t +δêt-1+ αi∑∆êt-i +ωt ; i=1,..m-1
ƒ Diperoleh dari pers regresi Yt= α+ βXt+et; ωt~ iid(0,σ2 ) Î
yaitu: eˆt = Yt − βˆX t
ƒ Dg prosedure Engle-Granger (1987) menggunakan ADF
test menguji stasioneritas êt (residual).
ƒ Hipotesis
ƒ Ho: δ =0 (tidak ada kointegrasi)
ƒ H1: δ <0 (ada kointegrasi)
ƒ Selanjutnya sama dg ADF test.
ƒ Bila variabel Yt dan Xt terkointergasi dg model Yt=
α+βXt+et, maka Yt dan Xt mempunyai hubungan jangka
panjang/ ekulibrium dg nilai long run β.
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 9
Lat : coint.prg
 ECM(1)
ƒ Pengertian:
ƒ Terjadinya kointegrasi 2 variabel menunjukan adanya
hubungan jangka panjang atau ekulibrium antara
keduanya.
ƒ Dalam jangka pendek mungkin terjadi disekulibrium
ƒ Error term, pada model Yt= β1+β2Xt+et,dapat diperlakukan
sebagai “ekulibrium error” dan dpt digunakan utk mengikat tingkat laku
jangka pendek variabel Yt terhadap nilai jangka panjangnya.
ƒ Model Lat : ECM.prg
ƒ Jika Variabel Yt dan Xt terkointegrasi model ECM, yaitu
ƒ ΔYt=α0+α1ΔXt+ α2μt-1+εt; dimana μt-1=(Yt-1- β1-β2Xt-1)
ƒ Persamaan tsb menunjukan bahwa ΔYt bergantung pada ΔXt dan
ekulibrium error term (μt-1)
ƒ Jika koef ekulibrium error term (α2)≠ 0, maka error term melakukan
koreksi pd partial adjustment ΔYt=α0+α1ΔXt menuju ekulibrium
jangka panjang. ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 10
 MULTIVARIATE COINTEGRATION (1)
ƒ Keterbatasan prosedure Engle-Granger
ƒ Harus diketahui mana variabel dependen dan
mana yg independent
ƒ Tidak netral thd pemilihan variabel:
kemungkinan bisa: regresi Y thd X kointegrated
namun regresi X thd Y tidak kointegrated
ƒ Pengujian dg 3 variabel atau lebih, tdk dpt
memberikan jalan keluar yg sistematis bila
terjadi multipel kointegrasi
ƒ Sangat tergantung pd two step estimator. Bila
terjadi kesalahan pd tahap pertama, maka akan
terbawa pd tahap ke dua.
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 11
 MULTIVARIATE COINTEGRATION (2)
ƒ Prosedure Johansen(1982)
ƒ Bergantung pada hubungan antara rank dr
suatu matrik( r ) dan characteristic root-nya
ƒ Generalisasi dr uji stasioneritas Dicky-Fuller
ƒ Xt=A1Xt-1+εt
ƒ Xt-Xt-1=A1Xt-1-Xt+ εt
ƒ ∆Xt =(A1-I)Xt-1+ εt
ƒ ∆Xt =πXt-1+ εt
ƒ dimana:
ƒ Xt, adalah (nx1) vectors
ƒ A1 =matrik(nxn) berisi parameter
ƒ I =matrik identitas berukuran, nxn
ƒ Π=(A1-I)= jml vektor kointegrasi 12
MULTIVARIATE COINTEGRATION (3)
ƒ Jika koef Matrik π mempunyai rank r < k,
dan exist k x r matrik α dan β dengan
masing2 rank r sehingga:
ƒ π = α β’, dan
ƒ β’yt adalah I(0) Æ stasioner
ƒ r = juml relasi yg terkointegrasi (rank
kointergrasi) dan setiap kolom β adlh
cointegrating vector.

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO 13
MULTIVARIATE COINTEGRATION (4)

ƒ Pengujian
ƒ Ho: λi=0 i=r+1,…,k Î r=0 (tdk terdpt koin)
ƒ λ1=λ2=…λk=0 Î r=1 (1 vektor terkoin)
ƒ λ2=λ3=…λk=0 Î r=2 (2 vektor terkoin)
ƒ λ3=λ4=…λk=0 Î r=3 (3 vektor terkoin)
ƒ λi adalah eigenvalue terbesar ke-I dari matrix π
k
λtrace = −T ∑ ln (1 − λi ) r = 0,1...k − 1
i = r +1

λ max = −T ln (1 − λr +1 ) Lat : mulcoint.prg

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO 14
 MULTIVARIATE COINTEGRATION (5)
Contoh:
ƒ Uji kointegrasi dr variabel CONS & INCM dg johansen
coint test dg output: (T=98).
Ho: Eigenvalue 5 Persent 5 Percent
No. of CE(s) Critical Value for Critical Value for
Maximal eigenvalue Trace Statistics
None 0.155456 14.1 15.4

At most 1 0.012214 3.8 3.8

ƒ Pengujian dg:
ƒ Max-Eigenvalue (λ max)
ƒ Trace Statistic (λ trace)

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO 15
 MULTIVARIATE COINTEGRATION (6)
Contoh:
ƒ λ maksimum:
Ho: Eigenvalue Max Eigenvalue 5 Persent Keputusan
No. of CE(s) Statistics Critical Value for Tolak Ho jika:
Maximal eigenvalue Max-Eig > CV
None* 0.155456(λ1) 16.5579 14.1 Tolak Ho

At most 1 0.012214(λ2) 1.2043 3.8 Terima Ho

ƒ λmax(1)=-98 (ln(1 - 0.155456)=16.5579 1 coint vector

ƒ λmax(2)=-98 (ln(1 - 0.012214)=1.2043

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO 16
 MULTIVARIATE COINTEGRATION (7)
Contoh:
ƒ λ trace:
Ho: Eigenvalue Trace 5 Persent Keputusan
No. of CE(s) Statistics Critical Value for Tolak Ho jika:
Trace statistic Trace Stat > CV
None* 0.155456(λ1) 17.7622 15.4 Tolak Ho

At most 1 0.012214(λ2) 1.2043 3.8 Terima Ho

ƒ λtrace(1)={-98 (ln(1 - 0.155456)} + 1 coint vector

{-98 (ln(1 - 0.012214) }=16.5579+1.2043=17.7622
ƒ λtrace(2)=-98 (ln(1 - 0.012214)=1.2043
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO 17
 Estimasi VEC(vector error corection) Model

ƒ Mis 3 variabel (X, Y, Z)

ƒ Terkointrasi 1 vektor
ƒ Lag =1
ΔYt = π 11 + π 12CoinEq1 + π 13ΔYt −1 + π 14 ΔX t −1 + π 15 ΔZ t −1 + υ1t
ΔX t = π 21 + π 22CoinEq1 + π 23ΔYt −1 + π 24 ΔX t −1 + π 25 ΔZ t −1 + υ2t
ΔZ t = π 31 + π 32CoinEq1 + π 33ΔYt −1 + π 34 ΔX t −1 + π 35 ΔZ t −1 + υ3t
dim ana :
CoinEq1 = (Yt −1 − (αˆ1 + αˆ 2 X t −1 + αˆ 3 Z t −1 ) )

ASISTENSI EKON TIME SERIES-

SERIES- SANJOYO 18