Stasioneritas

Kestasioneran data merupakan kondisi yang diperlukan dalam analisis regresi deret waktu karena dapat memperkecil kekeliruan model, sehingga jika data tidak stasioner, maka harus dilakukan transformasi stasioneritas melalui proses diferensi, jika trend-nya linier, sedangkan jika tidak linier, maka transformasi linieritas trend melalui proses logaritma natural jika trend-nya eksponensial, dan proses pembobotan (penghalusan eksponensial sederhana) jika bentuknya yang lain, yang selanjutnya dilakukan proses diferensi pada data hasil proses linieritas.

Berdasarkan deskripsinya, bentuk kestasioneran ada dua yaitu Stasioner Kuat (Strickly Stationer) atau Stasioner Orde Pertama (Primary Stationer) dan stasioner lemah (Weakly Stationer) atau Stasioner orde kedua (Secondary Stationer). Deskripsi umum kestasioneran adalah sebagai berikut, X_t1, X_t2, ΓǪ disebut stasioner kuat jika distribusi gabungan X_t1, X_t2, ΓǪ , X_tn sama dengan distribusi gabungan X_t1+k, X_t2+k, ΓǪ , X_tn+k, untuk setiap nilai t₁, t₂, ΓǪ , t_n dan k. Sedangkan disebut stasioner lemah, jika rata-rata hitung data konstan, E(X)  = ┬╡ dan autokovarians-nya merupakan fungsi dari lag ╧ü_k =  f(k). Sedangkan ketidaksioneran data diklasifikasikan atas 3 (tiga) bentuk yaitu :

1. Tidak stasioner dalam rata-rata hitung, jika trend tidak datar (tidak sejajar sumbu waktu) dan data tersebar pada ΓÇ£pitaΓÇ¥ yang meliputi secara seimbang trendnya.
2. Tidak stasioner dalam varians, jika trend datar atau hampir datar tapi data tersebar membangun pola melebar atau menyempit yang meliputi secara seimbang trendnya (pola terompet).
3. Tidak stasioner dalam rata-rata hitung dan varians, jika trend tidak datar dan data membangun pola terompet.

Dalam data-data Keuangan, ekonomi dan akuntansi yang sebagian besar merupakan data sekunder dengan jangka waktu/periode waktu tertentu  (time series/data runtut waktu) tidaklah terlepas akan permasalahan Stasioneritas ini. Variabel-variabel yang digunakan dalam penelitian keuangan, akuntansi dan ekonomi pada dasarnya memiliki keterkaitan satu sama lain (dan ini merupakan salah satu ciri khas dari data time series pada pendekatan keuangan) bahkan cenderung memiliki hubungan kausalitas yaitu hubungan antara suatu kejadian (sebab) dan kejadian kedua (akibat atau dampak), yang mana kejadian kedua dipahami sebagai konsekuensi dari yang pertama. 

Untuk itulah dalam pertemuan kali ini kita akan banyak membahas mengenai metode ARIMA (model Bob Jenkins), dan ARCH/GARCH berdasarkan kasus-kasus data yang disampaikan pada materi ini (lihat data Excel dibawah)

Flowchart dalam Arima box-jenkins

Untuk lebih jelas lagi marilah kita latihan dengan menggunakan panduan Modul ARIMA dan ARCH GARCH, sedangkan untuk Teori ARIMA sendiri anda bisa pelajari kembali pada materi pertemuan ke-6)

Selamat mencoba, Terima kasih

Pada bagian ini akan dikemukakan penggunaan EViews untuk analisis ARCH dan GARCH. Penggunaan EViews kali ini lebih ditekankan dengan memanfaatkan menu-menu yang sudah disediakan oleh EViews. Langkah-langkah analisis yang dilakukan dapat anda lohat pada Modul sebagai berikut:

Metode VAR 

Vector Auto Regression (VAR) digunakan untuk memproyeksikan sebuah sistem dengan variabel runtut waktu dan untuk menganalisis dampak dinamis dari faktor gangguan yang terdapat dalam sistem variabel tersebut. Pada dasarnya Analisis VAR sama dengan suatu model persamaan simultan, karena dalam Analisis VAR kita mempertimbangkan beberapa variabel endogen secara bersama-sama dalam suatu model. Sebenarnya analisis ini mirip dengan model persamaan simultan biasa. Hanya saja di dalam Analisis VAR masing-masing variabel selain diterangkan oleh nilainya di masa lampau, juga dipengaruhi oleh nilai masa lalu dari semua variabel endogen lainnya dalam model yang diamati. Selain itu, dalam analisis VAR biasanya tidak ada variabel eksogen di dalam model.

Selain itu juga metode VAR juga biasanya dipakai dalam kajian-kajian ekonomi dalam rangka membentuk suatu hubungan timbal balik dalam berbagai fenomena ekonomi

Metode VECM

Bagian ini fokus pada metode VECM yang digunakan untuk menganalisa adanya hubungan jangka panjang dan jangka pendek antara variabel independen dan variabel dependen pada data time-series. Pembahasan memuat tentang tahapan-tahapan dan kriteria dalam menjalankan metode VECM dan metode-metode lainnya yang harus dilakukan sebelum menjalankan metode VECM, seperti Unit Root Test dan JohansenΓÇÖs Co-integration Test dengan menggunakan aplikasi statistik EViews.

VECM (Vector Error Correction Model) adalah metode yang berfungsi sebagai pendekatan untuk memperkirakan hubungan jangka panjang dan jangka pendek pada satu data time-series terhadap data time-series lainnya. Untuk mengetahui hubungan jangka panjang, dapat dianalisa melalui persamaan kointegrasi pada hasil tes VECM. Untuk mengetahui hubungan jangka pendek, digunakan uji Wald Statistics dari hasil persamaan variabel dependen pada hasil tes VECM.

Sama dengan VAR biasanya metode VECM digunakan dalam menjelaskan fenomena timbal balik/ kausalitas baik jangka panjang maupun jangka pendek antar variabel ekonomi. Selain itu, dengan menggunakan tahapan pengujian lanjutan dari kedua model yaitu analisis impulse response dan variance decomposition, diharapkan mampu melihat kontribusi terbesar dari variabel ekonomi yang biasanya digunakan oleh peneliti.

https://statistikceria.blogspot.com/2014/02/tutorial-eviews-error-correction-mechanism-ecm.html

Untuk mencoba melakukan estimasi persamaan dengan model ARIMA, ARCH GARCH, dan VAR-VECM silahkan anda unduh file sebagai berikut