Model ARCH/GARCH

OLAH DATA STATISTIK

Model ini muncul karena masalah heteroskedastisitas pada model ekonomi yang menggunakan data time series. Penyebabnya adalah tingginya volatilitas pada data time series.

Akibatnya penduga tetap tidak bias, konsisten, tapi tidak efisien.

Maka muncullah model ARCH/GARCH yang mampu memanfaatkan kondisi heteroskedastisitas untuk menghasilkan penduga parameter yang lebih efisien.

Model Simultan

Model yang mengandung lebih dari satu persamaan, disebut model simultan, dimana sejumlah persamaan membentuk suatu system persamaan yang menggambarkan ketergantungan antar variable.

Contoh :

Y_1t = α₀ + α₁X₁ + α₂X₂ + α₃Y_t-1 + e₁

Y_2t = β₀ + β₁X₁ + β₂X₃ + e₂

Y_3t = ς₀ + ς₁X₁ + ς₂X₄ + ς₃X₅ + e₃

Regresi Logistik

OLAH DATA STATISTIK
 

Contoh Regresi linear berganda (Multi Linear Regression - MLR)

Y = β₀+ β₁X₁ + … + β_nX_n + e

Metode MLR digunakan pada data numeric yang menyebar normal pada data dependen.

Metode ini masih bisa digunakan pada data independent yang memiliki kategori data kategorik,

Karna akan digunakan sebagai dummy variable.

Dalam beberapa penelitian sering juga ditemukan peubah respon yang bersifat kualitatif termasuk data biner.

Y atau variable independen hanya memiliki dua (2) nilai, maka metode MLR tidak dapat dilakukan.

Generalized Linear Model (GLM) merupakan suatu alternatif untuk memecahkan masalah ini.
GLM mempunyai fungsi penghubung, diantaranya logit dan probit yang dapat digunakan untuk melakukan analisis data kualitatif.

PCA (Principal Component Analysis) RKU (Regresi Komponen Utama)

OLAH DATA STATISTIK

ReGresi Komponen Utama (RKU) atau Principal Component Analysis (PCA)

Adalah metode untuk menghilangkan masalah multikolinearitas pada data.

Masalah multikolinearitas menyebabkan beberapa masalah, yakni :

- Asumsi Ceteris Paribus tidak terpenuhi

- Beberapa variabel independent tidak signifikan sekalipun nilai R² cukup tinggi.

Contoh pemodelan yang memiliki masalah multikolinearitas, saya menggunakan Minitab pada praktek ini.

FIle Latihan
Excel

Panel Data

OLAH DATA STATISTIK

Panel data adalah sejumlah data cross section yang dikumpulkan dalam sejumlah waktu tertentu.

1.       Meningkatkan ketepatan dari pendugaan parameter.

Dikarenakan jumlah data yang digunakan menjadi lebih banyak, sehingga meningkatkan derajat bebas.

2.       Mampu mengkontrol keheterogenitas individu (individual fixed effect)

3.       Mampu mengukur efek sederhana yang tidak mampu dijelaskan oleh cross section murni maupun time series murni.

4.       Lebih baik untuk membangun model perilaku yang lebih kompleks.

5.       Lebih baik untuk mempelajari dynamic adjustment (Dynamic panel).

VAR (Vector autoregression)

OLAH DATA STATISTIK

Model ekonometrika yang dibangun berdasarkan hubungan antar variabel yang mengacu pada model dan digunakan untuk melihat hubungan kausalitas antar variabel. 

Model umum, VAR dengan lag 1:

Kelebihan dari model VAR adalah:

1. Model VAR adalah model yang sederhana dan tidak erlu membedakan mana variabel yang endogen dan eksogen. Semua variabel pada model VAR dapat dianggap sebagai variabel endogen.

2. Cara estimasi model VAR sangat mudah yaitu dengan menggunakan OLS pada setiap persamaan secara terpisah.

3. Peramalan menggunakan model VAR pada beberpa hal lebih baik dibanding menggunakan model dengan persamaan simulatan yang lebih kompleks.

Kelemahan model VAR adalah:

1. Model VAR lebih bersifat a teoritik karena tidak memanfaatkan informasi atau teori terdahulu dan sering disebut sebagai model yang tidak struktural.

2.  Model VAR kurang cocok untuk analisis kebijakan.

3.  Pemilihan banyaknya lag yang digunakan dalam persamaan juga dapat menimbulkan permasalahan.

4.  Semua variabel dalam VAR harus stasioner. Jika tidak stasioner, maka harus ditransfomasikan terlebih dahulu.

5.  Interpretasi koefisien yang didapat berdasarkan model VAR tidak mudah.

Model ECM (Error Correction Model)

OLAH DATA STATISTIK

Terkadang terdapat beberapa kombinasi variabel dependen dengan independen yang data levelnya tidak stationer, namun kombinasi linier antara keduanya menjadi stationer.

Jika 2 variabel ini dipaksakan untuk diregresikan, maka regresi yang dihasilkan kadang kala baik-baik saja.

Akan tetapi interpretasi hasil analisis tidak sesuai dengan kenyataan sesungguhnya. Kedua variabel ini, seringkali disebut berkointegrasi.

Regresi ini seringkali disebut spurious regression (regresi palsu), dikarenakan terdapat kondisi kointegrasi.

Kointegrasi?

Kointegrasi adalah kombinasi linier antar variabel-variabel yang tidak stationer shingga menghasilkan peubah baru yang stationer (U_t)

Sehingga persamaan seimbang hanya untuk jangka panjang saja.

Maka, cara mengatasinya adalah dengan model ECM.

ARIMA - PEMODELAN PERAMALAN BERKALA

OLAH DATA STATISTIK

Tujuan Pemodelan ARIMA :

Untuk memahami dan menjelaskan mekanisme tertentu dengan variabel independen itu sendiri,

sekaligus meramalkan suatu nilai di masa depan, mengoptimalkan sistem kendali .

Tahap-tahap dalam pemodelan ARIMA :

1. Uji Stationeritas Data.

2. Mendeteksi model dengan plot correlogram.

3. Memilih model terbaik yang sesuai dengan beberapa asumsi-asumsi, yang akan saya jelaskan setelah ini.

Stationaritas data

Terdapat 3 jenis data, yaitu :
1. Cross Section.
2. Time Series.
3. Panel

1. Cross Section
Cross Section adalah sejumlah kumpulan data individu dalam satu waktu.
Contoh : Data total keuntungan sepuluh (10) perusahaan pada tahun 2012.

2. Time Series
Time Series adalah data sebuah perusahaan dalam kumpulan waktu.
Contoh : Data total keuntungan perusahaan ABC pada tahun 2000 - 2012.

3. Panel
Panel adalah data sejumlah kumpulan data individu dalam kumpulan waktu.
Contoh : Data total keuntungan sepuluh (10) perusahaan pada tahun 2010-2012.

Dalam pemodelan time series diperlukan keadaan stationeritas.

Stationeritas adalah sejumlah data deret waktu (time series) yang memiliki nilai rataan dan ragam yang konstan.

Workshop SEM (Structural Equation Modeling)