1 / 24

Kointegrasi dan ECM

Pertemuan 8 - Time Series. Kointegrasi dan ECM. Oleh : FITRI KARTIASIH, S.ST, S.E, M.Si. SEKOLAH TINGGI ILMU STATISTIK. Pendahuluan. Salah satu asumsi penting dalam pendugaan parameter dg metode least square adl homoskedastis dan non autokorelasi

candace-ford
Download Presentation

Kointegrasi dan ECM

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 8 - Time Series Kointegrasi dan ECM Oleh: FITRI KARTIASIH, S.ST, S.E, M.Si SEKOLAH TINGGI ILMU STATISTIK

  2. Pendahuluan • Salah satuasumsipentingdalampendugaan parameter dg metode least square adlhomoskedastisdan non autokorelasi • Persolannya: data time series seringkalimenunjukkankondisitidakstasioner (heteroskedastis, auto korelasi) • Padakondisi non stasioner, seringditemuiduaataulbhvariabel time series bergerak dg arah yang samaatauberlawanan, tetapipergerakantsbtjdscrkebetulandantidakmemilikidasarteoriataulogika.

  3. Spurious Regression Ciri-ciri : • R2sangattinggi/rendah • T-test / F test sangatsignifikan • DW rendah residual berkorelasi (non-stasioner) • Biasanya R2 > DW

  4. Mengapahasilregresitsbbagus? • Kedua data bergerakdenganarahygsamasecarakebetulan, tetapidiantarakeduanyatidakadahubungankausalitasnya • Fenomenainidisebut spurious regression • Untukmenghindarispurious regression, sblmmengembangkan model yang menggambarkan hub sebabakibat, penelitiharusmengkajilatarbelakangteori hub sebabakibattsb.

  5. RegresiTerkointegrasi • MisalnyaduapeubahYtdanXttidak stationer pada level, tetapistasionerpadadiferensiygsama (misalnyapddiferensipertama). • Jika etjugastasioner, keduapeubahadalahterkointegrasidanregresiantaraXtdanYtdisebutsebagairegresi yang terkointegrasi.

  6. Contohhubunganduavariabel yang tidakstasionerdalam • analisistime series tetapikeduanyaterkointegrasi

  7. Misalkanhubunganantara X dan Y berdasarkanGambardi atas: • Meskipunkeduavariabel di atasYtdanXt di atastidakstasioner di level, tapimungkinsajakombinasi linier keduavariabeltsbstasioner. • Error Term (et) dalamhalinimrpkombinasi linier. Jika et stasioner, keduapeubahadalahterkointegrasidanregresiantaraXtdanYtdiebutsebagairegresi yang terkointegrasi.

  8. Dalam time series, variabel2 yang salingterkointegrasiberartimempunyaihubunganjangkapanjangdandikatakandalamkeadaan long run equilibrium • MeskipunYtdanXtstasionerdanmungkinspurious regression, namunjikaterkointegrasi, makaregresinyamenjadi “meaning full” danbukanspurious regression.

  9. Untukmengetahuiapakah X dan Y mempunyaihubunganjangkapanjangyang stabilataudalamekonometrikamempunyaihubungankointegrasidapatdilakukandenganmenguji residual daripersamaanregresi. • Ujiresidual tersebut • mempunyaihipotesis: • H0 : et mengandung unit root (tidak stasioner) • H1 : et tidakmengandungunit root (stasioner) • ataudengan kata lain: • H0 : X dan Y tidakterkointegrasi • H1 : X dan Y terkointegrasi

  10. Kointegrasi • Kointegrasi dapat diartikan sebagai suatu hubungan jangka panjang (long term relationship/ekuilibrium) antara variabel-variabel yang tidak stasioner. • Keberadaan hubungan kointegrasi memberikan peluang bagi data-data yang secara individual tidak stasioner untuk menghasilkan sebuah kombinasi linier diantara mereka sehingga tercipta kondisi yang stasioner

  11. Error Correction Mechanism (ECM) • Secaraekonomi, kointegrasimenunjukkanadanyahubungankeseimbanganjangkapanjangantarakeduapeubah. • Namun, walaupuntdptkeseimbanganjangkapanjang, dlmjangkapendekmungkinsajakeduanyatidakmencapaikeseimbangan. • Dalamjangkapendekapa yang diinginkanpelakuekonomi (desired) belumtentusamadenganapa yang terjadisebenarnya. • Terjadinyaperbedaanantara yang diinginkandengan yang terjadisebenarnyatersebut, memerlukanadanyapenyesuaian (adjusment). • Model yang memasukkanpenyesuaianuntukmelakukankoreksiketidakseimbanganjangkapendekmenujukeseimbanganjangkapanjangdisebutError Correction Mechanism (ECM)

  12. Model Error Correction Mecahnism(ECM) • Error Correction Mechanism(ECM) merupakan model yang digunakan untuk mengoreksi persamaan regresi antara variabel-variabel yang secara individual tidak stasioner agar kembali ke nilai ekuilibriumnya di jangka panjang, dengan syarat utama berupa keberadaan hubungan kointegrasi di antara variabel-variabel penyusunnya

  13. Pengujian Hubungan Kointegrasi Kointegrasi adalah suatu hubungan jangka panjang antara variabel-variabel yang meskipun secara individual tidak stasioner, tetapi kombinasi linier antara variabel tersebut dapat menjadi stasioner (Thomas, 1997). • Metode yang dapat digunakan untuk melakukan uji kointegrasi, seperti Engle-Granger Cointegration Test, Johansen Cointegration Test, dan Cointegration Regression Durbin-Watson Test.

  14. Kointegrasi Engle-Granger (1987) Model Permintaan Uang Riil nmrt =  + 1gdprt + 2rirt + ut(1) Kombinasi linier dicerminkan oleh utsehingga nmrt--1gdprt - 2rirt = ut (2) Uji ut apakah stasioner atau tidak dengan metode ADF. Jika stasioner maka persamaan (1) adalah persamaan yang terkointegrasi sehingga parameter-parameter yang dihasilkan dalam persamaan (1) adalah parameter-parameter kointegrasi (jangka panjang).

  15. Contoh: Uji Stasioner terhadap residual Persamaan ini

  16. Uji Kointegrasi H0: tidak kointegrasi H1: terkointegrasi Nilai t-ADF/t-AEG = - 4,402 lebih kecildibanding critical values sehingga signifikan dan bisa tolak H0 Artinya antara ketiga variabel yang dianalisis adalah terkointegrasi

  17. Fakta…. • Variabel nmr dan gdpr adalah variabel-variabel yang tidak stasioner pada level tapi stasioner pada first difference atau ~I(1), sementara rir stasione pada level atau rir ~I(0). • Kombinasi linier ketiga variabel (diwakili oleh u) tersebut stasioner atau u~I(0). Terkointegrasi. • Model yang paling baik dengan karakteristik variabel-variabel time-series seperti ini adalah model koreksi kesalahan (error correction model/ECM). • ECM dapat menjelaskan pengaruh jangka pendek sekaligus pengaruh jangka panjang dari variabel-variabel independen terhadap variabel dependennya. • Ada koefisien koreksi (penyesuaian) jangka pendek menuju jangka panjang (equilibrium). • Variabel-variabel yang digunakan adalah variabel-variabel yang stasioner.

  18. ECM Engle-Granger (1987) Model Umum  adalah first difference dan– 1< 3 < 0 (Hendry, 1997). Koefisien 3adalah error correction terms (ECT) atauspeed of adjusment(harusbersifatnegatif), karena koefisien ini mewakili kecepatan penyesuaian dari jangka pendek ke jangka panjang atau equilibrium. Ut-1 adlvariabelECM (error jangkapanjang). Adalah error jkpendek

  19. Persamaanjangkapanjangpadametode ECM memilkiketerbatasaninterpretasi, sedangkanpersamaanjangkapendeknyabebasdiinterpretasikan, tentusajadenganpengujian asumsi2 regresidulusebelumnya. Koefisienregresipadapersamaanjangkapanjanghanyadapatdiinterpretasiberdasarkanarahpengaruhnya, positifataunegatif.

  20. Langkah-langkahdalam ECM • 1. Ujistasioneritassemuavariabel • 2. Jikavariabeltidakstasionerpada level, makalakukanujistasioneritaspada first difference. Jikastasionerpada diff ygsamamakalanjutkelangkahberikutnya • 3. regresikanpersamaandarivariabelygtdkstasionertsb • 4. simpan residual daripersregresitsb • 5. ujistasioneritasdari residual. Jika residual stasioner, maka variabel2 tsbdikatakanterkointegrasi. Jikatidakstasionerbaliklgkelangkah 1 • 6. regresikanpersamaan ECM nya • Syarat model ECM: • Variabeltidakstasionerpada level • Harusstasionerpada diff yang sama • Error/residual harusstasioner di level

  21. Kesimpulan • Beberapavariabeldalamanalisistime series terkadangbersifattidak • stasioner. Hubunganbeberapavariabeldalamanalisistime series dimanaminimal terdapatsatuvariabel yang tidakstasionerbisamenghasilkanhubunganyang semu(spurious regression). Akan tetapihubungantersebutjugabisamenghasilkanhubunganjangkapanjang yang stabil. Hubunganjangkapanjang yang stabilinibisadiketahuidenganmetodeujikointegrasi.

More Related