analisis deret waktu
DESCRIPTION
ANALISIS DERET WAKTU. Abdul Kudus, SSi ., MSi ., PhD. Ingat bahwa fungsi autokorelasi utk proses AR(1):. adalah. .................(1). dimana proses tsb bersifat stabil jika. - PowerPoint PPT PresentationTRANSCRIPT
ANALISIS DERET WAKTU
Abdul Kudus, SSi., MSi., PhD.
Ingat bahwa fungsi autokorelasi utk proses AR(1):
( 0)kk k
1t t tx x w adalah
dimana proses tsb bersifat stabil jika 1 Persamaan (1) menunjukkan bhw grafik autokorelasi akan meluruh menuju nol, dan peluruhannya akan lebih cepat untuk yang kecil.
.................(1)
Autokorelasi Parsial (PACF = Partial Autocorrelation Function)
atau1 1 2 2 1 ( 1)
1 ( 1) 2 ( 2) 1 1
( ,
)
kk t t t k t k
t k t k t k k t
Corr Y Y Y Y
Y Y Y Y
Contoh untuk2
2 122 2
11
Sehingga autokorelasi parsial untuk proses AR(1) yang mempunyai fungsi autokorelasi adalahk
k 2 2
22 20
1
Jadi, bagi AR(1) PACF lag ke-2-nya adalah nol.Secara umum bagi AR(p), PACF lag ke-(p+1) dst-nya adalah nol.
0 untuk kk k p
REGRESI
Linier
Contoh model linier: Polinom ber-orde p
ui,t adalah variabel prediktor ke-i pada waktu t
dimana ui,t = ti (i = 1,2,...,p)
Kasus khusus adalah jika p = 1 0 1t tx t z
KestasioneranModel linier utk deret waktu bersifat TIDAK stasioner krn merupakan fungsi dari t. Pembedaan pertama terhadap model (2)
.........(2)
Artinya dgn asumsi {zt} stasioner, maka xt stasioner krn tidak merupakan fungsi dari t.
Simulasi
wt stasioner
zt = 0.8zt-1 + wt error dari regresi adalah berkorelasi berupa AR(1)50 3t tx t z
Misal t = 1,2,...,100
> set.seed(1)> z <- w <- rnorm(100, sd = 20)> for (t in 2:100) z[t] <- 0.8 * z[t - 1] + w[t]> Time <- 1:100> x <- 50 + 3 * Time + z> plot(x, xlab = "time", type = "l")
0 20 40 60 80 100
10
02
00
30
04
00
time
x
Penaksiran Model
Penaksiran Model Berdasarkan Data Hasil Simulasi
Model linier ditaksir dengan metode peminimuman jumlah kuadrat error
yang dapat dilakukan dengan perintah lm dalam R
> x.lm <- lm(x ~ Time)> coef(x.lm)(Intercept) Time 58.551218 3.063275 > sqrt(diag(vcov(x.lm)))(Intercept) Time 4.88006278 0.08389621
Setelah penaksiran model, kita harus melakukan pemeriksaan korelogram dari residu.> acf(resid(x.lm))> pacf(resid(x.lm))
0 5 10 15 20
-0.2
0.4
1.0
Lag
AC
F
Series resid(x.lm)
5 10 15 20
-0.2
0.2
0.6
Lag
Pa
rtia
l AC
F
Series resid(x.lm)
Berdasarkan ACF dan PACF di atas, residu tsb merupakan proses apa?
Penaksiran Model utk Data Suhu Global (kuliah-2 slide-13)
Kita hanya ambil data tahun 1970 sampai 2005
> temp <- window(Global.ts, start = 1970)> temp.lm <- lm(temp ~ time(temp))> coef(temp.lm)(Intercept) time(temp) -34.920409 0.017654> confint(temp.lm) 2.5 % 97.5 %(Intercept) -37.21001248 -32.63080554time(temp) 0.01650228 0.01880572
0 5 10 15 20 25
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Lag
AC
F
Series resid(temp.lm)
> acf(resid(temp.lm))
Generalised Least Squares (GLS)
Jika {xt: t = 1,...,n} merupakan deret waktu yang stasioner dengan E(xt) = dan Var(xt) = 2 TETAPI tidak saling bebas, melainkan mempunyai autokorelasi Corr(xt, xt+k) = k, maka varians dari rata-rata sampelnya adalah
Oleh karena itu, jika k > 0 maka varians yang sesungguhnya adalah lebih besar dari yg kita hitung (underestimate). Salah satu solusinya adalah metode penaksiran GLS.
Penaksiran Menggunakan Metode GLS utk Data Simulasi
> library(nlme)> x.gls <- gls(x ~ Time, cor = corAR1(0.8))> coef(x.gls)(Intercept) Time 58.233018 3.042245 > sqrt(diag(vcov(x.gls)))(Intercept) Time 11.9245679 0.2024447
Bagaimana kalau data riil?
Selang Kepercayaan utk Trend dari Data Suhu
> temp.gls <- gls(temp ~ time(temp), cor = corAR1(0.7))> confint(temp.gls) 2.5 % 97.5 %(Intercept) -39.80571598 -28.49658972time(temp) 0.01442274 0.02011148