1 / 16

Pertemuan 21-22 Identifikasi model

Pertemuan 21-22 Identifikasi model. Matakuliah : I0224/Analisis Deret Waktu Tahun : 2007 Versi : revisi. Learning Outcomes. Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Membandingkan model-model analisis deret waktu metode Box-Jenkins. Outline materi.

blenda
Download Presentation

Pertemuan 21-22 Identifikasi model

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Pertemuan 21-22Identifikasi model Matakuliah : I0224/Analisis Deret Waktu Tahun : 2007 Versi : revisi

  2. Learning Outcomes Pada akhir pertemuan ini, diharapkan mahasiswa akan mampu : Membandingkan model-model analisis deret waktu metode Box-Jenkins

  3. Outline materi • Stasioner dan Non stasioner • Proses autoregresif (AR) • Proses rata-rata bergerak (MA) • Campuran AR dan MA

  4. Stasioner dan non stasioner • Operator shift mundur (backward shift), B, yang penggunaanya • BXt = Xt-1 • B(BX1)= B2Xt=Xt-2 • B12Xt=Xt-12

  5. Operator shift mundur bermanfaat untuk mengambarkan proses pembedaan (differencing) • Apabila suatu deret waktu tidak stasioner, aka data tersebut dapat dibuat lebih mendekati stasioer dengan melakkan pembedaan pertama dari data

  6. Pembedaan pertama X’t= Xt – Xt-1 • Dengan operator shift mundur dapat ditulis X’t=Xt – B Xt = (1-B)Xt • Pembedan orde kedua • X”t= X’t – X’t-1 • =(Xt – Xt-1)-(Xt-1 – Xt-2) • = Xt – 2 X-1 + Xt-2 • =(1-2B+B2) Xt • =(1-B)2 Xt

  7. Contoh data yang memiliki sifat trend, berati tidak stasioner terhadap nilai tengahnya • Apabila dibuat pembeda pertama, maka nilai pembeda ini akan memiliki sifat stasioner

  8. Data tidak stasioner, dapat distasionerkan dengan pembeda pertama

  9. ARIMA(0,1,0) (1-B) Xt= et yang bersifat stasioner

  10. Proses autoregresif • Model ARIMA(p,0,0) • Xt = u+ Φ1 Xt-1 + Φ2 Xt-2+ … + Φp Xt-p + et u = nilai konstan Φj = parameter autoregresif ke-j et = galat pada saat t

  11. Model ARIMA(1,0,0) Data dibangkitkan sebanyak 100 pengamatan dengan nilai tengah galat 0 dan standard deviasi 10 Parameter Φ1=0.6 dan u=40

  12. Proses rata-rata bergerak • ARIMA (0,0,q) atau MA(q) • Model Xt = u + et – θ1 et-1 – θ2 et-2- … - θq et-q • ARIMA (0,0,1) atau MA(1) • Xt = u + (1- θ1 B) et • ARIMA(0,0,2) atau MA(2) • Xt = u + (1- θ1B – θ2 B2) et

  13. ARIMA (1,0,0) atau MA(1) Data dibangkitkan dengan nilai tengah galat 0 dan standar deviasi 10 Model Xt=100 + et – 0.6 et-1

  14. Proses campuran • ARIMA (1,0,1) ditulis sebagai Xt = u + Φ1 Xt-1 + et - θ1 et-1 atau • (1- Φ1 B) Xt = u (1- θ1 B) et • ARIMA(1,1,1) • (1-B)(1- Φ1 B) Xt = u + (1- θ1 B) et

  15. Rakapitulasi • Membuat deret stasioner: • Pembedaan ordo pertama bagi data non stasioner nilai tengah • Transformasi logaritma bagi data non stasioner nilai ragam • Pengujian autokorelasi dapat memberikan indikasi model deret waktu

More Related