arfima-figarch.pdf
TRANSCRIPT
-
20
BAB III
ARFIMA-FIGARCH
3.1 Time Series Memori Jangka Panjang
Proses ARMA sering dinyatakan sebagai proses memori jangka pendek (short memory) karena fungsi autokorelasi antara dan turun cepat secara eksponensial untuk k . Dalam kasus-kasus tertentu, dapat saja
terjadi fungsi autokorelasi turun lambat atau turun secara hiperbolik untuk lag
semakin besar yang menunjukkan bahwa pengamatan yang jauh terpisah masih
saling berhubungan. Kondisi ini dikatakan bahwa proses mempunyai memori
jangka panjang atau terdapat ketergantungan jangka panjang. Suatu proses
stasioner dengan fungsi autokorelasi () dikatakan proses memori jangka panjang jika lim =1 tidak konvergen. (Hosking, 1981).
Cara yang biasa digunakan untuk membentuk model dari suatu data time
series memori jangka panjang adalah dengan menggunakan operator differensi
(1 ) untuk d bilangan real, misalkan, 0,5 < < 0,5 , jadi suatu model time series memori jangka panjang umumnya berbentuk
(1 ) = (3.1) Dimana adalah proses white noise dengan varians 2.
-
21
3.2 Model ARFIMA
Pemodelan ARFIMA dilakukan pada data time series non stasioner
dimana fungsi autokorelasi turun lambat yang mendekati linear atau turun secara
hiperbolik. Penanganan data non stasioner ini dengan menggunakan model
ARFIMA tidak perlu dilakukan tahap diferencing atau penyelisihan seperti pada
data non stasioner dengan d bulat. Karena dengan transformasi (1-B)d pada model
ARFIMA dengan nilai d bernilai riil dapat menangani data non stasioner. Dengan
transformasi itu dapat menangkap memori jangka panjang atau ketergantungan
jangka panjang sehingga dapat menghilangkan ketidakstasioneran dan dapat
menghilangkan trend data.
Misalkan Zt adalah data dengan sifat memori jangka panjang maka
pemodelan terbaik adalah proses Fractional Integrated ARMA yang juga
dinamakan proses ARFIMA yang pada awalnya dikembangkan oleh Granger,
(1980).
Model ARFIMA (p,d,q) diberikan oleh:
()(1 ) = () (3.2) dimana
() = 1 "# "$$ "&& (3.3) () = 1 + (# + ($$ + + (&& (3.4)
=1) merupakan kumpulan observasi dari proses yang diamati, dan =1) merupakan deret kesalahan stasioner.
-
22
3.2.1. Fractional Differencing
Untuk suatu nilai riil d, operator diferensi fractional (1 ) didefinisikan sebagai berikut:
= (1 ) = 1 + (+,)(),!,=1 , (3.5) Bila persamaan tersebut dijabarkan maka diperoleh,
Untuk i=1, diperoleh .(/0#).(/)#! = (/)!(//#)!#! = Untuk i=2, diperoleh .(/0$).(/)$! = (/0#)!(//#)!$! = /(#/)$ Untuk i=3, diperoleh .(/01).(/)1! = (/0$)!(//#)!1! = /(#/)($/)2 dan seterusnya. Sedemikian sehingga diperoleh,
1 1
2 3
( )1 ( ) !1 11 (1 ) (1 )(2 )2 6
(1 )ddid i
d i
dB d d d d d
B
B
B B
=
=
+= +
=
K
(3.6)
Ditunjukan oleh Granger dan Joyeux (1980) serta Hosking (1981) bahwa
jika, 0,5 < < 0,5 , Zt adalah stasioner dan invertible dengan 34 ( ) = .(#/$)5.(#/)67 (3.7) dan fak
() = .(#/).(80).().(80#/) , = 1,2, (3.8)
-
23
Misalkan k=1, maka diperoleh,
(1 ) (1 )(1) ( ) (1 1 )(1 1)!(1 1)!
( 1)!(2 1)!( )!( )!
( 1)!(1 )!( )!( )( 1)!
( 1)!(1 )( )!.(1 )
d dd d
d dd d
d dd d
d d dd d d
dd
+= +
+ =
=
=
=
Beberapa karakteristik deret fractionally integrated untuk berbagai nilai d
yaitu:
a. Jika d = 0, maka proses menunjukkan fungsi autokorelasi turun cepat secara
eksponensial dengan proses ARMA.
b. Jika d (0, 0.5), maka proses ARFIMA Zt merupakan proses stasioner dengan
fungsi autokorelasi dan fungsi autokorelasi parsial Zt semua positif yang
menunjukkan turun lambat atau turun secara hiperbolik menuju nol dengan lag
meningkat.
c. Jika d (-0.5, 0), maka proses ARFIMA Zt merupakan proses stasioner
dengan fungsi autokorelasi dan fungsi autokorelasi parsial Zt semuanya
negatif yang kelambatan monoton dan hiperbolik menuju nol dengan lag
meningkat.
d. Jika d (0.5, 1), maka proses ARFIMA Zt merupakan proses tidak stasioner.
(Atkink dan Cheng, 2002)
-
24
3.2.2. Identifikasi Model ARFIMA
Pengidentifikasian model ARFIMA pada tahap awal dengan menggunakan
plot data time series. Model-model time series dapat diidentifikasi melalui pola
dalam data, yaitu:
a. Plot data time series untuk melihat pola data
b. Plot fungsi autokorelasi dan plot fungsi autokorelasi parsial
c. Transformasi Box-Cox untuk data tidak stasioner dalam varians.
(Wei, 1990)
Pada data yang terindikasi adanya ketidakstasioneran dalam mean pada
ARIMA dilakukan dengan differensi sebanyak d kali dengan d bernilai bulat.
Sedangkan pada pemodelan ARFIMA dapat menangkap indikasi ketergantungan
jangka panjang dengan nilai d tertentu yang bernilai real.
3.2.3. Taksiran Parameter Model ARFIMA
Fungsi autokovarians dari model ARMA stasioner dengan mean ,
: = ;5( /# :>/# :A D = (3.10) Bentuk (3.10) disebut matriks Toeplitz, yang dinotasikan dengan
(:A, :#, , :>/8) dengan ~G>(
-
25
Dengan kenormalan pada (3.11) diperoleh fungsi kepadatan peluangnya
yaitu,
1 12
2
1 1( , ) exp( ( ) ' ( ))22
Tf Z Z Z pi
= (3.12)
dan dengan prosedur untuk menghitung autokovarian pada (3.10), maka log-
likelihood dengan H = < dapat ditulis sebgai berikut: log KL, ", (, M2N = )2 log(2O) 12 log|| 12 H1H (3.13) jika = RS$ pada persamaan (3.10), maka diperoleh log KL, ", (, M2N = )2 log(2O) 12 logTRM2T 12 H 1RM2 H = >$ log(2O) >$ log S$ #$ log|R| #$UV7 HWR/#H (3.14) diferensiasi log-likelihood pada persamaan (3.11) diperoleh
X(YZ[ \(,],^,UV7))XUV7 = >$UV7 + #$(UV7)7 HWR/#H (3.15) dengan menyamakan nol pada persamaan (3.15) diperoleh
_(log K(, ", (, M2))_M2 = 0 )2S$ +
12(S$)$ HWR/#H = 0 )2S$ =
12(S$)$ HWR/#H ) = 1S$ HWR/#H M2 = )1HR1H (3.16)
-
26
3.2.4. Kriteria Pemilihan Model ARFIMA Terbaik
Untuk memilih model terbaik digunakan beberapa kriteria pemilihan
model, yaitu:
a. Akaikes Information Criterion
Untuk menilai suatu kualitas dari pemilihan model, Akaike pada tahun
1973 memperkenalkan kriteria informasi yang mempertimbangkan banyaknya
parameter. Kriteria tersebut dinamakan AIC (Akaikes Information Criterion).
Untuk menghitung nilai AIC digunakan:
`ab = c ln ef$ + 2g (3.17) dimana,
M : banyaknya parameter dalam model
n : banyaknya observasi
h2: estimasi dari Mean Squre Error Dengan kriteria memilih nilai AIC yang paling kecil.
b. Schwartzs Bayesian Criterion
Pada tahun 1978, Schwartz mengusulkan pemilihan model dengan
Bayesian Criterion yang dinamakan SBC (Schwartzs Bayesian Criterion) yang
dirumuskan sebagai berikut:
ib = c ln ef$ + g ln c (3.18) dimana,
M : banyaknya parameter dalam model
n : banyaknya observasi
h2: estimasi dari Mean Squre Error
-
27
Dengan kriteria memilih nilai SBC yang paling kecil.
c. Mean Square Error (MSE)
( )pSSEMSE
n n=
(3.19)
dimana,
2
1
n
ii
SSE e=
=
n : banyaknya observasi
np: banyaknya parameter yang diestimasi
Pada tugas akhir ini, kriteria yang digunakan untuk pemilihan model
terbaik adalah metode AIC.
3.2.5. Peramalan Model ARFIMA
Seperti pada pembahsan sebelumnya, misalkan 1 2( , ,..., ) 'TZ Z Z Z= adalah
nilai-nilai pengamatan setelah estimasi. Diasumsikan Zt adalah stasioner dan
d > -1, maka prediksi linear terbaik dari ZT+h adalah
1 [ ( 1 )... ( )]{ [ (0),..., ( 1)]} 'T hZ r T h r h r r T Z q Z+ = + = (3.20)
yang terdiri dari kebalikan fungsi autokovarian dikalikan dengan data aslinya
yang diboboti oleh korelasinya. Mean Square Error peramalan adalah
2( ) [ (0) ' )]T h aMSE Z r r q+ = . (3.21)
-
28
3.3. Model ARCH
Model Autoregressive Conditional Heteroskedastic (ARCH) pertama kali
diperkenalkan oleh Engle (1982) merupakan teknik pemodelan yang dilakukan
apabila terdapat heteroskedastisitas dalam varian residual, yaitu dengan
memodelkan mean dan varian secara simultan sebagai suatu deret waktu. Model
ARCH adalah suatu kasus residual model ARIMA Box-Jenkins yang sudah
memenuhi asumsi dasar white noise, tetapi dalam kuadrat residualnya
menunjukkan adanya perubahan varian.
Dalam suatu variabel random proses residual yang memiliki bentuk
t t ta h= , dimana t adalah proses white noise dengan mean nol dan variansi 1,
maka mean = 0, karena ;( ) = 0 dan varian bersyarat sama dengan , yaitu ;( $) = . Bentuk umum model ARCH(p) adalah :
2
1
p
t i t ii
h a
=
= + . (3.22)
Dalam persamaan (3.22), 2 1ta sampai 2t pa mempunyai efek langsung
terhadap 2ta sehingga varian bersyarat identik seperti proses AR orde p. Dengan
menggunakan operator lag atau backshift B pada waktu t, model ARCH(p) dapat
ditulis sebagai :
= k0 + k()2 (3.23) dimana,
k() = "ll&lm# .
-
29
3.4. Model GARCH
Pengembangan model ARCH dinamakan Generalized Autoregressive
Conditional Heteroskedasticity (GARCH) yang diperkenalkan oleh Bollerslev
(1986). Model GARCH (p,q) dapat diekspresikan sebagai berikut:
2
1 1,
p q
t i t i t jji j
h a h
= =
= + + (3.24)
dimana 0, 0, 0i j = dan max( , )
1( )
p q
i ii
=
+ < 1. Dengan menggunakan
operator lag atau backshift B, model GARCH (p,q) dapat ditulis sebagai:
= n + k()2 + o(), (3.25) dimana k() = "ll&lm# dan o() = ollplm# . Proses stasioner terpenuhi ketika (1) (1) 1 + < . Proses ini dapat ditulis sebagai bentuk ARMA, sehingga bentuk (3.25) dapat ditulis sebagai:
2 2[1 ( ) ( )] [1 ( )]( )t t tB B a B a h = + . (3.26)
3.5. Model IGARCH
Jika polinomial [1 ( ) ( )]B B memliki akar-akar di luar lingkaran satuan ,
maka Engle dan Bolleslev (1986) mendefinisikan model IGARCH (p,q) sebagai2 2
2 2 2
2 2
2 2
2
1
(1 ) ( ) [1 ( )]( )(1 ) ( ) [ ( ) ( ) ](1 ) ( ) [ (1 ( )) (1 ( ))]
(1 ( )) (1 ( )) (1 ) ( )[(1 ( )) (1 ) ( )]
(1 ( ))(1 ( )) {[1
t t t
t t t t t
t t t
t t t
tt
t
B B a B a hB B a a h B a B hB B a a B h B
h B a B B B aa B B Bh
Bh B
= +
= + +
= +
= +
+ =
= + 1 2( )(1 ) ( )](1 ( )) } tB B B B a
(3.27)
-
30
dimana 1( ) [1 ( ) ( )](1 )B B B B = dan ini adalah orde {m-1}.
3.6. Model FIGARCH
Jika ditambahkan d berupa bilangan real pada operator diferensi pertama,
maka Bailei, Bollerslev dan Mikkelsen (1996) memperkenalkan Fractionally
Integrated Generalized Autoregressive Conditional Heteroskedasticity
(FIGARCH), dengan model, sebagai berikut: 2 2
2 2 2
2 2
2 2
2
1
(1 ) ( ) [1 ( )]( )(1 ) ( ) [ ( ) ( ) ](1 ) ( ) [ (1 ( )) (1 ( ))]
(1 ( )) (1 ( )) ( )(1 )[(1 ( )) ( )(1 ) ]
(1 ( ))(1 ( ))
dt t t
dt t t t t
dt t t
dt t t
dt
t
t
B B a B a hB B a a h B a B hB B a a B h Bh B a B B B a
a B B BhB
h B
= +
= + +
= +
= +
+ =
= 1 2{[1 ( )(1 ) ( )](1 ( )) }d tB B B B a +
(3.28)
dimana, 0
-
31
b. Statistik uji 2
2( )
1
( 2) ( )K
ik K p q
iQ T T
T K
=
= +
(3.29)
c. Kriteria Pengujian
Tolak H0 jika 2;( )k K p qQ > .
3.6.2. Taksiran Parameter Model FIGARCH
Pendekatan yang paling umum untuk menaksir model ARCH dengan
mengasumsikan adanya kenormalan dalam prosesnya. Dengan asumsi tersebut,
Maximum Likelihood Estimation (MLE) untuk parameter proses FIGARCH yang
didasarkan pada sample 1 2{ , , , }Ta a aK diperoleh dengan memaksimumkan fungsi
berikut:
21 2
1
1 1log ( ; , ,..., ) log(2 ) (log )2 2
T
T t t tt
Q a a a h a h pi=
= + (3.30)
dimana 1 1( , , ,..., , ,..., )p qd = .
Model ARCH (1) ekivalen dengan model GARCH (p,q) dengan p = 1,
dan q = 0 yang memiliki persamaan 20 1 1t th a = + . Estimasi parameter 0
dan 2 dapat diperoleh dari derivative fungsi loglikelihood 0
log L
dan 1
log L
masing-masing yaitu,
2120 1 1 2
1 10 0 1 1
1 2 22 2 1
1 0 1 1 2 21 1 11 0 1 1
log 1 1 02 2
log 1 1 02 2 [ ]
T Tt
tt t t
T T Tt t
t tt t t t
aLa
a
a aLa a
a
= =
= =
= + = +
= + = +
(3.31)
-
32
Sedangkan model IGARCH (1,1) ekivalen dengan model FIGARCH
(p,d,q) dengan p = 1, d = 0 dan q = 1 yang memiliki persamaan 2
0 1 1 1 1t t th a h = + + . Estimasi parameter 0 , 1 , dan 1 dapat diperoleh dari
turunan fungsi log-likelihood 0
log L
,
1
log L
dan 1
log L
masing-masing, yaitu
211
2 21 10 0 1 1 0 1 1
1 2 22 2 1 1
1 1 0 1 1 221 1 11 0 1 1
11 1
(1 )1log 1 1 02 2
(1 )log 1 1(1 ) 02 2
log 1 1 12 (1 ) 2
T Tt
t tt t
T T Tt t
t tt t t
t
T
t
aLa a
a aLa a
a
aL
= =
= = =
=
= = + +
= + = +
= +
2
21 0 1 1
0T
t
t ta = =
+
(3.32)
(Laurent dan Peter, 2002).
3.6.3. Peramalan Model FIGARCH
Untuk kasus GARCH (p,q), peramalan optimal h-tahap dari varian
bersyarat, yaitu |t h th + diberikan oleh 2 | |1 1
p q
t i t h i t j t h i tt t
h a h + + = =
= + + (3.33).
Dengan cara yang sama, dapat diperoleh peramalan h langkah ke depan
varian bersyarat dari FIGARCH. (Laurent dan Peter, 2002)