1 / 22

MODEL SPECIFICATION

MODEL SPECIFICATION. fungsi autokorelasi parsial adalah korelasi antara Z t dan Z t+k setelah pengaruh dari variabel penggangu Z t-1 ,Z t-2 ,…,Z t-k+1 dihilangkan . Koefisien autokorelasi parsial biasanya dinotasikan dengan  kk . .

duscha
Download Presentation

MODEL SPECIFICATION

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. MODEL SPECIFICATION

  2. fungsiautokorelasiparsialadalahkorelasiantaraZtdanZt+ksetelahpengaruhdarivariabelpenggangu Zt-1,Zt-2,…,Zt-k+1dihilangkan. Koefisienautokorelasiparsialbiasanyadinotasikandengankk. kkadalahkoefisienkorelasiantaraduabuahpeubahacakZtdanZt-kdengansyarat Zt-1,Zt-2,…,Zt-k+1 (Cryer,1986).

  3. Metodeumum yang seringdigunakanuntukmenghitungkoefisienautokorelasiparsialadalahdenganpersamaan Yule-Walker

  4. Koefisienautokorelasiparsialdapatdidugadenganmenggunakankoefisienautokorelasiparsialdarisampel. YaknidenganmenggantinilaipadapersamaanYule-Walkerdengan r danmenghitunguntuk k=1,2,… untukmendapatkannilaikkdenganaturan Cramer.

  5. Identifikasi model ARIMA dilakukandenganmelihatpola yang adadari ACF dan PACF data contoh. • Tahapan identifikasi model : • 1. Plot data deret waktu dan pilih tranformasi yang sesuai • Dari plot data deret waktu dapat diketahui pola trend, musiman yang mungkin ada, outlier, variansi tak konstan, normalitas dan stasioneritas. Tranformasi yang dapat digunakan adalah Box-Cox’s. • 2. Hitungdan uji ACF dan PACF contoh. • Jika ACF turunlambat dan PACF berbedanyata pada lagsatulakukandifferensiataulakukanujiDickey-Fuller. Diferensibiasanyadilakukan pada d=0,1,2. • 3. Hitungdan uji ACF dan PACF contoh. • Prosesindentifikasimodeltentatif ARIMA(p,d,q) dapatdilakukandenganmengenalciri-ciri ACF dan PACF suatumodel ARIMA (Tabel6.3). Jikaciri ACF dan PACF dari data yang stasionerdikenalimakadapatditentukanmodel ARIMA(p,d,q) dari data. • Misal plot ACF berbedanyata pada lagke 1 dan plot PACF turun secara eksponensial, maka data diindentifikasimengikutimodel MA(1).

  6. 4. Uji deterministik trend Jika d>0

  7. Specification of Some Simulated Time Series The dashed horizontal lines in Exhibit 6.5, plotted at = ±0.1826, are intended to give critical values for testing whether or not the autocorrelation coefficients are significantly different from zero.

  8. Nonstationarity For nonstationaryseries, the sample ACF typically fails to die out rapidly as the lags increase

More Related