makalah-peramalasn20122007
TRANSCRIPT
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 1/19
Solusi Permasalahan Autokorelasi
Autokorelasi pada regresi time series menjadi masalah utama dalam model regresi.
Dalam pemikiran, autokorelasi seharusnya dibuang dan dimodelkan untuk mengetahui
keefektifan suatu model regresi. Autokorelasi terjadi karena ada spesifikasi eror seperti
variabel pengganggu dan hubungan antara eror sendiri dengan model spesifik.
Solusi untuk permasalahan autokorelasi yaitu dengan mengevaluasi model yang
spesifik. Pertanyaan-pertanyaan yang berkaitan dengan solusi autokorelasi sebagai berikut
- Apakah bentuk fungsi tersebut benar? Model dalam hal ini meliputi linier, kuadratik atau
logaritma.- Apakah terdapat variabel pengganggu dalam model?
- Apakah ada penyebab munulnya pola tertentu sepanjang !aktu yang membuatterjadinya autokorelasi pada eror.
Alasan utama terjadinya autokorelasi eror pada model regresi yaitu adanya
penghilangan variabel-variabel utama yang ada pada fungdi regresi yang benar. "amun,
variabel yang hilang tersebut sayangnya sulit untuk diukur. #ontoh konkretnya yaitu
- $nvestasi bisnis untuk masa depan dipengaruhi oleh perilaku para investor yang potensial.Dalam ontoh ini, akan sangat sulit mengukur variabel perilaku yang dimaksud.
Setelah adanya spesifikasi model persamaan regresi akan terlihat jelas. Maksudnya
persamaan regresi akan mudah untuk diinterpretasikan nilai variabel-variabelnya maupun
konstanta yang ada.
%ntuk memeahkan permasalahan autokorelasi pada bab ini akan dibahas beberapa teknik
untuk mengatasi autokorelasi. &eberapa pendekatan untuk mengeliminasi autokorelasi yaitu'
(. Menambah variabel pengganggu pada fungsi regresi yang menjelaskan asosiasi pada respon
dari periode ( ke periode selanjutnya.). Melalui Difference data sehingga model regresi akan mengalami perubahan jumlah suku.
Sebagai ontoh yaitu data pada logam *eynolds terlihat bah!a perubahan penjualan per
tahun berhubungan dengan perubahan pendapatan. Pada proses difference, variabel biasa
disajikan dalam bentuk logaritma dan perubahan dalam logartitma tersebut digunakan dalam
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 2/19
regresi. Penggunaan difference sangat penting karena dapat meregress perubahan persentase dari
respon ke prediktor.
Sedangkan untuk pendekatan autoregressive bertujuan untuk mengeliminasi autokorelasi
dengan menggeneralisasi variabel prediktor menggunakan variabel respon + lag ( atau lebih.
A. Model spesifikasi kesalahan (menghilangkan 1 variabel)
#ontoh . menunjukan bagaimana suatu variabel hilang dapat mengeliminasi korelasi
serial.
Contoh 8.3
Perusahaan "ovak ingin mengembangkan suatu model peramalan untuk proyek
penjualan masa depan. arena perusahaan tersebut mempunyai abang outlet di seluruh
!ilayah, pendapatan bersih setelah pajak pada suatu !ilayah yang besar terpilih sebagai
variabel prediktor yang mungkin. abel 8!" menunjukan penjualan "ovak tahun (/0-(//1.
2abel tersebut juga menunjukan pendapatan bersih setelah pajak dan pengangguran pada
!ilayah tersebut.
abel 8!" #ata Pen$ualan Perusahaan %ovak &o' +ear Sales3+
4
$nome *ate +-5agged
1 (/0 1.( 6.6 -
" (/( .) 7/.7 6.6
3 (/) .6 1)./ 1.8 .)
(/ /.) ./ 6.6 .6
(/7 (0.) 70). 6.8 /.)
* (/6 ((.7 78 6.) (0.)
+ (/1 (). 78).) 7.6 ((.7
8 (/8 (.1 6(0.7 . ().
, (/ (7.1 677.6 . (.1
1- (// (1.7 6.( .1 (7.1
11 (//0 (8. 10.7 .6 (1.7
1" (//( (.1 16./ 7./ (8.
13 (//) )0 87). 6./ (.1
1 (// )(./ 0(. 6.1 )0
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 3/19
1 (//7 )7./ /0.( 7./ )(./
1* (//6 )8. /.1 6.1 )7./
1+ (//1 )/.( (081.8 .6 )8.
abel 8!3 /utput Minitab untuk Pendapatan bersih
setelah pa$ak pen$ualan perusahaan %ovak Regression Analysis: Sales(Y) versus Income
The regression equation is
Sales(Y) = - 1.50 + 0.0292 Income
re!ictor "oe# S$ "oe# T
"onstant -1.50%& 0.'290 -%.5 0.000
Income 0.029191& 0.0005129 5&.92 0.000
S = 0.%&&&9 -Sq = 99.5* -Sq(a!) = 99.5*
,nalsis o# ariance
Source / SS S
egression 1 '&.15 '&.15 '2'9.9 0.000
esi!ual $rror 15 '.%1 0.2'
Total 1& '9.5&
/ur3in-4atson statistic = 0.210&
Dari tabel -, nilai Durbin-Watson statistik 0.8) dan menggunakan tingkat signifikansi 0.0(,
n9(8 dan k9(. Maka pada tabel 1 lampiran memberikan hasil
d L=0.87
dU =1.10
karena DW =0.72<d L=0.87 , mengindikasikan korelasi positif. :ariabel kuni yang
merupakan asosiasi dari sisa pada penjualan tahun ke tahun mungkin hilang dari model. ;asil
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 4/19
di atas mungkin benar meskipun pada minitab nilai yang dapat dijelaskan melalui model
hanya //.6 < dari variabilitas penjualan.
abel 8! /utput Minitab untuk Pendapatan bersih setelah pa$ak0
pen$ualan perusahaan %ovak dan angka pengangguranRegression Analysis: Sales(Y) versus Income, Rate
The regression equation is
Sales(Y) = - 0.01% + 0.029 Income - 0.'50 ate
re!ictor "oe# S$ "oe# T
"onstant -0.01%0 0.2%9 -0.0& 0.95&
Income 0.029%92 0.0002%0 119.9& 0.000
ate -0.'%9 0.0%&5& -.51 0.000
S = 0.2199'0 -Sq = 99.9* -Sq(a!) = 99.9*
,nalsis o# ariance
Source / SS S
egression 2 '. '&9.%% &'.91 0.000
esi!ual $rror 1% 0.& 0.05
Total 1& '9.5&
Source / Seq SS
Income 1 '&.15
ate 1 2.'
/ur3in-4atson statistic = 1.900'
Angka pengangguran bisa jadi prediktor hilang dari penjualan. 2abel -7 menunjukan hasil
analisis regresi ketika angka pengangguran ditambahkan pada model.
Model yang ook menjelaskan //./< variabilitas dari penjualan. =alaupun tidak
begitu signifikan, memperbaiki model tanpa memperhatikan Durbin-Watson Statistik (./
pada dasarnya tidak dapat berubah.
Dengan tingkat signifikansi 0.01,n=17, k =2 , nilai pada lampiran #-1 yaitu
d L=0.77
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 5/19
dU =1.25
arena DW =1.98>dU =1.25 , maka tidak terbukti terdapat korelasi serial.
0.80.60.40.20.0-0.2-0.4-0.6-0.8
99
95
90
80
70
60
50
40
30
20
10
5
1
RESI1
P e r c e n t
Mean -3.03026E-15
StDev 0.2057
N 17
AD 0.425
P-Value 0.281
Probability Plot of RESI1Normal - 95 !"
>ungsi Y =−0.014+0.03 X 1−0.35 X
2 dapat digunakan untuk memprediksi penjualan
"ovak . Plot residual biasa mengindikasikan bah!a tidak ada alasan untuk meragukan
asumsi model suatu regresi.. Perkiraan para ahli mengenai pendapatan bersih setelah pajak
($ 1185 juta) dan angka pengangguran (7.8 ) untuk daerah yang digunakan untuk
meramalkan penjualan "ovak tahun (//8. *amalannya yaitu
Y =−0.014+0.03 (1185 )−0.35 (7.8 )=32.8
atau ). juta.
. &egresi dengan Difference
%ntuk data dengan autokorelasi yang tinggi, perubahan model dari tingkatan sering
dieliminasi untuk korelasi serial. @adi, merumuskan persamaan regresi pada
Y dan X 1 , X 2, … , X k , persamaan regresi ditulis berdasarkan difference, Y t ' =Y t −Y t −1
dan X t 1
' = X t 1− X t −1,1 , X t 2
' = X t 2− X t −1,2 , dan seterusnya. Difference disarankan ketika nilai
Durbin-Watson berasosiasi dengan regresinya termasuk variabel biasa yang nilainya
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 6/19
mendekati 0. Pola suatu autokorelasi untuk variabel + atau variabel yang digambarkan
pada gambar - 3lihat hal 04 juga mengindikasikan bah!a fungsi regresi dengan
differene boleh dieliminasi atau 3atau dikurangi4 masalah tersebut disebabkan oleh korelasi
serial
Satu alasan digunakan difference yaitu berdasarkan argumen berikut. Misalkan saja
persamaan .( dan .) sebagai berikutY t = β0+ β1 X t +εt
Denganεt = ρ εt −1+v t
Dimana
ρ=korelasi antaraeror yang berturutan
v t =eror random
v t =ε t ketika ρ=0
Sehingga model untuk suatu periode !aktu yaitu
Y t −1= β0+ β1 X t −1+ε t −1
Dengan mengalikan kedua ruas persamaan di atas dengan ρ dan mengurangkan
dengan persamaan .( hasilnya,
Y t = β0+ β1 X t +εt 3Persamaan .(4
ρ Y t −1= ρ β0+ ρβ1 X t −1+ ρεt −1 3dikali dengan ρ 4
β
ε
(¿¿ t − ρεt −1)(¿¿1 X t − ρβ1 X t −1)+¿
Y t − ρY t −1= β0− ρ β0+¿
3pengurangan4
atau
Y t ' = β0 (1− ρ )+ β1 X t
' +v t (8.)
Dimana persamaan mengindikasikan suatu difference seara umum
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 7/19
Y t ' =Y t − ρY t −1
X t ' = X t − ρ X t −1 (8.*)
Model pada persamaan .6 memiliki erorv
t yang berdistribusi searaindependen dengan rata-rata 0 dan variansi konstan. Maka metode regresi seara umum
dapat diterapkan pada model ini.
@ika korelasi antara eror yang berturutan kuat 3 ρ dekat 1¿ , difference sederhana
dapat digunakan
Y t ' =Y t −Y t −1
X t
'
= X t − X t −1 (8.+)
Menggunakan model regresi yang terkonstruksi dengan difference umum dapat
mengeliminasi korelasi serial. @ika korelasi serial kuat, difference sederhana dapat
digunakan.
Contoh 8.
>red Barfner membutuhkan peramalan penjualan Sears *oebuk dalam ribuan
dolar untuk !ilayah barat. Dia telah memilih pendapatan bersih setelah pajak sebagai
variabel independennya. Menghubungkan penjualan dengan pedapatan bersih
menggunakan model regresi log linier juga akan dilakukan >red untuk memperkirakan
elastisitas pendapatan dari penjualan. Clastisitas mengukur presentase perubahan
penjualan untuk perubahan (< pada pendapatan.
Model regresi log linier mengasumsikan jika pendapatan dihubungkan dengan
penjualan dengan persamaan '
enjualan=! ( enda"atan) β1
Dengan mengambil logaritma natural di kedia sisi terlebih dahulu, maka akan
diberikan persamaan '
ln( enjualan)=ln ! + β1ln( enda"atan)
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 8/19
Den#an menambahkan suku eror untuk menghitung pengaruh variabel lain selain
pendapatan dalam penjualan, pernyataan sebelumnya menjadi model regresi log linier
dengan bentuk '
ln Yt = β0+ β1 ln Xt +εt
D$mana
ln Yt 9 ln( enjualan) 9 logaritma natural dari penjualan
ln Xt 9 ln( enda"atan) 9 logaritma natural dari pendapatan
εt 9 bentuk eror
β0 9 ln ! 9 koefisien pemisah
β1 9 koefisien kemiringan 9 elastisitas pendapatan dari penjualan
2abel -6 menunjukkan penjualan Sears, pendapatan bersih, logaritmanya, dan
differences dalam logaritma dari penjualan dan pendapatan bersih untuk periode
(/81-(//1.
2abel -6
+earsPenjuala
nPendapatan 5n+t 5nt Difference 5n+t Difference 5nt
(/81 08 )8.7.(0
6.1(0
/- -
(/88 661 )/(..(81
7
6.187
70.08)1 0.017
(/8 10( 01./.(/
0
6.8)1
60.0()1 0.06))
(/8/ 8)( (8.(.))(
6.86/
)0.0) 0.0)8
(/0 701 1.(.0
0
6.(8
70.0( 0.06)
(/( 7(7 7/.7.)8
0
6.61
)0.0)70 0.0
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 9/19
(/) 7)1 1)./.6
/
6./7
(0.0(/ 0.08/
(/ 768 ./.7)/
0
6./60
70.080( 0.061
(/7 60/ 70). .661
6.//7
0.(011 0.07(
(/6 68(1 78.16(
0
1.08/
/0.((67 0.0(6
(/1 168 78).).868
1.(68
70.(01 0.0886
(/8 181/ 6(0.7.)0
(
1.)6
)0.01) 0.088
(/ 8)/1 677.6
./6
(
1.)//
/ 0.0860 0.0178
(// (8 6.(/.00/
)
1.81
/0.((7( 0.0880
(//0 77 10.7/.08
6
1.771
70.08 0.01/6
(//( /)6( 16.//.()
6
1.60
80.0760 0.077
(//) (0001 87)./.)(0
/
1.1(0
70.086 0.08/8
(// (()00 0(./.)
8
1.11
)0.(()8 0.086
(//7 ()600 /0.(/.7
6
1.06
0.(0/ 0.((/1
(//6 ((0( /.1/.70
7
1./(
)0.0780 0.067
(//1 (170 (081.8/.6)0
1./(
80.070 0.0/07
;asil minitab menampilkan regresi dari ln 3Penjualan4 dalam ln 3Pendapatan4
pada 2abel -1. >red memperhatikan bah!a //,)< dari variabilitas dalam logaritma
penjualan Sears untuk !ilayah barat bisa dijelaskan oleh hubungan dengan logaritma dari
pendapatan bersih untuk !ilayah yang sama. *egresinya sangat signifikan, lagi pula
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 10/19
elastisitas pendapatan diperkirakan oleh b1=1.117 dengan eror standar #b1=0.21 .
"amun statisti Durbin-Watson 0.6 keil dan kurang dari dL=0.97 , batas ba!ah 0.(
nilai tingkat kritis untuk n=21dan k =1 . >red menyimpulkan bah!a korelasi antara
eror berturut-turut adalah positif dan besar 3mendekati (4.
arena besarnya korelasi serial, >red memutuskan model diubah 3differences4
dalam logaritma dari penjualan dan pendapatan, masing-masing. Dia mengerti bah!a
koefisien kemiringan dalam model untuk differences adalah sama dengan koefisien
kemiringan sebagai satu-satunya model asli melibatkan logaritmanya, karena itu dia tetap
bisa memperkirakan seara langsung elastisitas pendapatan. oefisien intersep dalam
model regresi untuk differences enderung keil dan dihilangkan. ;asil Minitab untuk
perubahan ditampilkan dalam tabel -8.
2abel -8 menunjukkan bah!a regresi signifikan. Clastisitas pendapatan
diperkirakan oleh b1=1.010 dengan eror standar #b1=0.093 . Perkiraan elastisitas
b1 tidak berubah banyak dari regresi yang pertama 3sekitar (< peningkatan dalam
pendapatan bersih menyebabkan kira-kira (< peningkatan penjualan setiap tahun di kedua
kasus4, tetapi saat ini standar eror (#b1=0.093) sekitar 7 kali lebih besar daripada
standar eror sebelumnya (#b1=0.023) . Standar eror sebelumnya enderung
mengeilkan standar eror yang benar karena korelasi serial.
Dengan memeriksa statistic Durbin-Watson untuk n=20, k =1 dan level
signifikansi 0.05 , >red menemukan bah!a dL=1.20< DW =1.28<dU =1.41 , jadi
tes korelasi serial positif tidak meyakinkan. 2etapi, memeriksa residual auttokorelasi, yang
ditampilkan dalam gambar -1, mengidikasi jika semua mereka semua baik dalam dua
batas standar eror mereka 3garis putus-putus dalam gambar4 untuk beberapa lag pertama.
>red menyimpulkan jika korelasi serial telah dieliminasi dan dia akan menggunakan
persamaan yang ook untuk meramalkan.
%ntuk model peramalan akhir, >red menulis
Y ' t =1.01 X ' t
Dimana
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 11/19
Y ' t =ln Y t −ln Y t −1 dan X ' t =ln Xt −ln X t −1
abel 8!* output Minitab untuk regresi logaritma pen$ualan dan
logaritma pendapatan
Regression Analysis: LnYt versus LnXt
The regression equation is
nYt = 1.2 + 1.12 n6t
re!ictor "oe# S$ "oe# T
"onstant 1.2'2 0.1%'% 12.1 0.000
n6t 1.112& 0.02'05 %.% 0.000
S = 0.0%'&% -Sq = 99.2* -Sq(a!) = 99.2*
,nalsis o# ariance
Source / SS S
egression 1 %.%21 %.%21 2'%9.'2 0.000
esi!ual $rror 19 0.0'&2 0.0019
Total 20 %.51'
/ur3in-4atson statistic = 0.%9&%25
2abel -8 output Minitab untuk perubahan logaritmaRegression Analysis: Difference LnYt versus Difference LnXt
The regression equation is
Difference nYt = 1.01 Difference n6t
re!ictor "oe# S$ "oe# T 7oconstant
/i##ere
nce n6t 1.00991 0.09'0% 10.& 0.000
S = 0.029%&
,nalsis o# ariance
Source / SS S
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 12/19
egression 1 0.10%2 0.10%2 11.' 0.000
esi!ual $rror 19 0.01&1 0.000
Total 20 0.12109
/ur3in-4atson statistic = 1.29
2ambar 8!*
54321
1.0
0.8
0.6
0.4
0.2
0.0
-0.2
-0.4
-0.6
-0.8
-1.0
Lag
A u t o c o r r e l a t i o n
Autocorrelation Function for RESI1%&$t' 5 ($#n$)$*an*e l$m$t( )or t'e auto*orrelat$on(+
Autocorrelation Function: RESI1
Lag ACF T LBQ
1 0.274348 1.23 1.74
2 -0.257876 -1.08 3.37
3 -0.065193 -0.26 3.48
4 0.350076 1.38 6.85
5 0.160995 0.58 7.61
Dengan mensubsitusi Y ' t dan t dan menata ulang bentuknya,
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 13/19
ln Y ' t =ln Y t −1+1.01(ln Xt −ln X t −1) (8.,)
Peramalan penjualan Sears pada (//8 dipertoleh dengan menetapkan t 9 )) '
ln Y ' 22=ln Y 21+1.01( ln X 22−ln X 21)
Penjualan pada (//1 telah diketahui, jadi Y 21
9 +)( 9 (170. Pendapatan bersih
untuk (//1 telah diketahui, jadi )( 9 (081,8. %ntuk melanjutkan, >red memerlukan
pendapatan bersih pada (//8. Seorang ahli ekonomi yang terkenal di !ilayah barat
memberikan perkiraan ((6 juta untuk pendapatan bersih pada tahun (//8 kepada >red.
>red menggunakan perkiraan ahli ekonomi ini dan )) 9 ((6. Persamaan paramalannya
menjadi '
ln Y ' 22=ln(13640)+1.01(ln (1185 )−ln(1076.7))
9 /.6)0 E (.0( 38.0886 F 1./(84 9 /.1(81
Atau dengan mengambil antilog '
Y 22=e9.6176=15027
Peramalan >red dari penjualan Sears (//8 untuk !ilayah barat adalah (60)8 juta. >red
bisa menggunakan persamaan ./ dan prosedur yang diuraikan sebelumnya untuk
meramalkan seara umum tahun (//, (/// dan sebagainya., tapi untuk melakukannya dia
membutuhkan perkiraan dari pendapatan bersih pribadi untuk tahun-tahun itu.
C. ror erautokorelasi dan Difference er general
2ujuannya adalah untuk menukupkan penjelasan area hubungan antara variabel dan
+ ketika terdapat korelasi serial.&erdasarkan model regresi dengan eror terautokorelasi sera serial 3lihat persamaan .(
dan .)4'Y t = β0+ β1 X t +εt
εt = ρ εt −1+v t
eror εt dibiarakan berdasarkan order pertama autoregressive, atau A* 3(4, model.
Sebut saja, setelah manipulasi seara aljabar, sistem persamaan di atas dapat ditulis
dalam bentuk regresi linier sederhana termasuk difference umum.
Y t ' =Y t −Y t −1 dan X t
' = X t − X t −1 3lihat persamaan .64'
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 14/19
Y t ' = β0
(1− ρ )+ β1 X t ' +vt
Model regresi yang mengandung difference general dikonstruksi untuk mengeliminasi
korelasi serial pada eror. Cror v t diasumsikan berdistribusi normal independen dengan
mean 0 dan variansi $ v2 . Akibatnya model harus diperbaiki seara langsung menggunakan
prinsip kuadrat terkeil. "amun, koefisien korelasi ρ tidak diketahui, jadi Y t '
dan
X t '
tidak dapat didefinisikan. Sementara itu, model tidak dapat diperbaiki hanya dengan
kuadrat terkeil biasa.
2erdapat dua pendekatan umum untuk mengestimasi parameter β0dan β1 , yang
merupakan target utama. Satu pendekatan menggunakan model perbaikan untuk korelasi
serial dan estimasi parameter menggunakan teknik numerik yang biasa dikenal kuadrat
terkeil non linier. Pendekatan ini menggunakan penarian rutin untuk menemukan nilai
parameter yang meminimalkan jumlah kuadrat sesatan3eror4. Pendekatan lainnya adalah
untuk menemukan nilai ρ , menggunakan ^ ρ untuk menyusun difference general dan
kemudian memperbaiki model menggunakan kuadrat terkeil biasa. 2eknik diskusi untuk
estimasi ρ dan menghitung korelasi serial disediakan dalam Pindyk and *ubinfield
3(//4
#ontoh berikutnya mengilustrasikan pendekatan kuadrat terkeil nonlinier
menggunakan output soft!are C-:ie!s.
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 15/19
#ontoh .6
Data Sears ditunjukan pada tabel .6. uadrat 2erkeil umum digunakan untuk
memperbaiki model regresi linier sederhana antara penjualan dengan pendapatan bersih
setelah pajak. Gutput C-:ie!s terlihat pada gambar -8. &erdasarkan gambar -8 persamaan
regresi yang didapat yaitu,
Y t =−524.33+14.05 X t
Dimana
b1=14.04
sb1=0.319
t = b1
sb1
=44.11
r2=0.99
DW =0.63
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 16/19
"ilai statistik D= dekat dengan 0, mengindikasikan adanya autokorelasi yang positif.
untuk n=21, k =1 , dan % =0.01 , dl=0.97 . karena DW =0.63<dl=0.97 kita
menolak & 0: ρ=0,dari & 1 : ρ>0Pada pembahasan ini, point pentingnya yaitu melibatkan eror terkolerasi serial untuk
membuat model sehingga termasuk melakukan difference,
Y t ' = β0
(1− ρ )+ β1 X t ' +vt
Dengan Y t ' =Y t − ρY t −1dan X t
' = X t − ρ X t −1 . C-vie!s digunakan untuk mengestimasi
parameter pada model kali ini. Gutput C-:ie!s terlihat pada gambar -.
>ungsi regresi diperbaiki
Y t ' =18184 (1−0.991 )+9.47 X t
'
Dimana D= statistik (.(). "ilai (.() tidak memberi kesimpulan pada % =0.01 . ;al ini karena (.() terletak
diantara d L dandU . "amun, standar error yang berasosiasi dengan b1 pada regresi
kedua lebih besar dibanding pada regresi pertama. Sementara, uji t untuk koefisien
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 17/19
kemiringan pada regresi kedua lebih keil daripada regresi pertama. Pada kenyataannya, p-
value yang berasosiasi dengan statistik t di regresi kedua adalah 0.)(. oefisien kemiringan
berbeda nyata dengan 0.
#. Model AutoregressiveAutokorelasi menyebabkan nilai dari variabel independen dengan variabel dependen
saling berpengaruh tiap !aktu. Salah satu ara untuk mengatasi masalah korelasi serial yaitu
memodelkan hubungan pada !aktu berbeda, yang dapat diselesaikan melalui regresi. Model
regresi seperti ini disebut model autoregresive
Grder pertama model autoregresive yaitu
Y t = β0+ β1 Y t −1+ε t
Dimana eror εt diasumsikan memiliki model regresi biasa. Setelah model diperbaiki
melalui metode kuadrat terkeil, persamaan peramalan menjadi
Y t =b0+b
1Y t −1
Model autoregressive ditunjukan seperti fungsi nilai sebelumnya dari runtun !aktu
Contoh 8.*
Data penjualan "ovak yang ditunjukkan pada ontoh . dan pada tabel -) akan
digunakan untuk mendemonstrasikan pengembangan model autoregressive. $ngat bah!a
setelah penjualan di lag pada tabel -), data ( tahun hilang karena penjualan "ovak tahun
(/8/ tidak diketahui. Dengan ukuran sampel n=16,ataun=17 . Grder pertama model
autoregressive dikembangkan bersama lag ( tahun penjualan "ovak sebagai variabel
prediktor.Gutput Minitab ditunjukan pada tabel -. "ilai peramalan tahun (//8 dengan
interval konfidensi /6 <. "ilai peramalannya yaitu ((8)) untuk tahun (//8.
Y =−0.109+1.094Y t −1
Y 18=−0.109+1.094Y
18−1=−0.109+1.094Y
17
Y 18=−0.109+1.094 (29.1 )=31.726
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 18/19
abel 8!8 /utput Minitab Model Perbaikan
Regression Analysis: Sales(Y) versus Y-Lagged
The regression equaion is
!a"es#$% & - 0.109 ' 1.09 $-Lagge(
16 )ases use(* 1 )ases )onain +issing ,a"ues
re(i)or Coe !/ Coe T
Consan -0.1093 0.3367 -0.32 0.750
$-Lagge( 1.09388 0.02063 53.01 0.000
! & 0.487455 -!q & 99.5 -!q#a(% & 99.5
Ana"sis o arian)e
!our)e F !! ! F
egression 1 667.73 667.73 2810.16 0.000esi(ua" /rror 14 3.33 0.24
Toa" 15 671.05
re(i)e( a"ue or e :ser,aions
e :s Fi !/ Fi 95 C; 95 ;
1 31.722 0.311 #31.055*32.390% #30.482*32.963%
%ji Durbin-=atson tidak dapat digunakan untuk ontoh ini. etika satu lag variabel
dependen termasuk dalam regresi sebagai variabel prediktor, Durbin-=atson bias hingga
nilai ). Sehingga, uji untuk korelasi serial dapat digunakan uji Durbin-=atson h.
oefisien hilang pada model regresi ini keil dan dekat dengan 0. Dengan melakukan
regresi tanpa suku hilang pada dasarnya sama.
etika analisis regresi diterapkan pada data runtun !aktu, nilai residual berautokorelasi
seara berturutan. Suku korelasi serial kadang digunakan untuk situasi seperti ini. Analisis
regresi mengasumsikan bah!a erornya independen, sehingga dapat menjadi masalah. "ilai
2 untuk regresi dengan data mengandung korelasi serial dapat palsu. Sementara eror
standar dari koefisien korelasi tidak dapat diestimasi dan akhirnya berhubungan dengan
statistik t.
7/26/2019 makalah-peramalasn20122007
http://slidepdf.com/reader/full/makalah-peramalasn20122007 19/19
Salah satu penyebab eror autokorelasi adalah adanya satu atau lebih variabel prediktor
pengganggu. Pengganggu ini biasanya bagian yang penting dari variasi variabel dependen
yang tidak dapat dijelaskan. Solusi untuk masalah ini yaitu menari variabel yang hilang dan
memasukkan ke model. Solusi lainnya yaitu dengan difference data atau model
autoregressive.