Académique Documents
Professionnel Documents
Culture Documents
COINT VAR ECM-des07 PDF
COINT VAR ECM-des07 PDF
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)
Vector Auto Regression
Alternatif modelling apabila kita tidak yakin
bahwa suatu variabel adalah exogenues
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
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)
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
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)
Model VAR(p) dg p lag:
zt = δ + θ1 zt −1 + θ 2 zt − 2 + " + θ p zt − p + vt
Asumsi:
Yt dan Xt stasioner (if not: varians tdk konstan)
v1tdan v2t ~ white noise dg rata2=0 dan std dev
masing2 σy dan σx
v1tdan v2t uncorrelated disturbance
Hipotesis Null:
X does not Granger-cause Y ( π13=0)
Y does not Granger-cause X ( π22=0)
Statistik Uji: Wald test ~dist F
Note: F={(RRSS-URSS)/r}/{URSS/(n-k)}
Estimasi Model VAR
Least Square
Pilih Lag dg kriteria AIC SIC
ASISTENSI EKON TIME SERIES-
SERIES- SANJOYO Lat : VAR.prg 6
Estimate model
VAR(5)
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 ⎦
Pengujian
Ho: λi=0 i=r+1,…,k Î r=0 (tdk terdpt koin)
λ1=λ2=…λk=0 Î r=1 (1 vektor terkoin)
λ2=λ3=…λk=0 Î r=2 (2 vektor terkoin)
λ3=λ4=…λk=0 Î r=3 (3 vektor terkoin)
λi adalah eigenvalue terbesar ke-I dari matrix π
k
λtrace = −T ∑ ln (1 − λi ) r = 0,1...k − 1
i = r +1
Pengujian dg:
Max-Eigenvalue (λ max)
Trace Statistic (λ trace)