file · web viewautokorelasi pada regresi time series menjadi masalah utama dalam model...
TRANSCRIPT
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 munculnya pola tertentu sepanjang waktu yang membuat
terjadinya autokorelasi pada eror.
Alasan utama terjadinya autokorelasi eror pada model regresi yaitu adanya
penghilangan variabel-variabel utama yang ada pada fungdi regresi yang benar. Namun,
variabel yang hilang tersebut sayangnya sulit untuk diukur. Contoh konkretnya yaitu
- Investasi bisnis untuk masa depan dipengaruhi oleh perilaku para investor yang potensial.
Dalam contoh 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.
Untuk memecahkan permasalahan autokorelasi pada bab ini akan dibahas beberapa teknik
untuk mengatasi autokorelasi. Beberapa pendekatan untuk mengeliminasi autokorelasi yaitu:
1. Menambah variabel pengganggu pada fungsi regresi yang menjelaskan asosiasi pada respon
dari periode 1 ke periode selanjutnya.
2. Melalui Difference data sehingga model regresi akan mengalami perubahan jumlah suku.
Sebagai contoh yaitu data pada logam Reynolds terlihat bahwa perubahan penjualan per
tahun berhubungan dengan perubahan pendapatan. Pada proses difference, variabel biasa
disajikan dalam bentuk logaritma dan perubahan dalam logartitma tersebut digunakan dalam
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 Y lag 1 atau lebih.
A. Model spesifikasi kesalahan (menghilangkan 1 variabel)
Contoh 8.3 menunjukan bagaimana suatu variabel hilang dapat mengeliminasi korelasi
serial.
Contoh 8.3
Perusahaan Novak ingin mengembangkan suatu model peramalan untuk proyek
penjualan masa depan. Karena perusahaan tersebut mempunyai cabang outlet di seluruh
wilayah, pendapatan bersih setelah pajak pada suatu wilayah yang besar terpilih sebagai
variabel prediktor yang mungkin. Tabel 8-2 menunjukan penjualan Novak tahun 1980-1996.
Tabel tersebut juga menunjukan pendapatan bersih setelah pajak dan pengangguran pada
wilayah tersebut.
Tabel 8-2 Data Penjualan Perusahaan Novak
Row Year Sales(Y) Income Rate Y-Lagged
1 1980 8 336.1 5.5 -
2 1981 8.2 349.4 5.5 8
3 1982 8.5 362.9 6.7 8.2
4 1983 9.2 383.9 5.5 8.5
5 1984 10.2 402.8 5.7 9.2
6 1985 11.4 437 5.2 10.2
7 1986 12.8 472.2 4.5 11.4
8 1987 13.6 510.4 3.8 12.8
9 1988 14.6 544.5 3.8 13.6
10 1989 16.4 588.1 3.6 14.6
11 1990 17.8 630.4 3.5 16.4
12 1991 18.6 685.9 4.9 17.8
13 1992 20 742.8 5.9 18.6
14 1993 21.9 801.3 5.6 20
15 1994 24.9 903.1 4.9 21.9
16 1995 27.3 983.6 5.6 24.9
17 1996 29.1 1076.7 8.5 27.3
Tabel 8-3 : Output Minitab untuk Pendapatan bersih
setelah pajak penjualan perusahaan Novak
Regression Analysis: Sales(Y) versus Income
The regression equation isSales(Y) = - 1.50 + 0.0292 Income
Predictor Coef SE Coef T PConstant -1.5046 0.3290 -4.57 0.000Income 0.0291916 0.0005129 56.92 0.000
S = 0.476669 R-Sq = 99.5% R-Sq(adj) = 99.5%
Analysis of Variance
Source DF SS MS F PRegression 1 736.15 736.15 3239.89 0.000Residual Error 15 3.41 0.23Total 16 739.56
Durbin-Watson statistic = 0.721806
Dari tabel 8-3, nilai Durbin-Watson statistik 0.72 dan menggunakan tingkat signifikansi 0.01,
n=17 dan k=1. Maka pada tabel 6 lampiran memberikan hasil
d L=0.87
dU=1.10
karena DW=0.72<d L=0.87, mengindikasikan korelasi positif. Variabel kunci yang
merupakan asosiasi dari sisa pada penjualan tahun ke tahun mungkin hilang dari model. Hasil
di atas mungkin benar meskipun pada minitab nilai yang dapat dijelaskan melalui model
hanya 99.5 % dari variabilitas penjualan.
Tabel 8-4 : Output Minitab untuk Pendapatan bersih setelah pajak,
penjualan perusahaan Novak dan angka pengangguranRegression Analysis: Sales(Y) versus Income, RateThe regression equation isSales(Y) = - 0.014 + 0.0297 Income - 0.350 Rate
Predictor Coef SE Coef T PConstant -0.0140 0.2498 -0.06 0.956Income 0.0297492 0.0002480 119.96 0.000Rate -0.34987 0.04656 -7.51 0.000
S = 0.219930 R-Sq = 99.9% R-Sq(adj) = 99.9%
Analysis of VarianceSource DF SS MS F PRegression 2 738.88 369.44 7637.91 0.000Residual Error 14 0.68 0.05Total 16 739.56
Source DF Seq SSIncome 1 736.15Rate 1 2.73
Durbin-Watson statistic = 1.98003
Angka pengangguran bisa jadi prediktor hilang dari penjualan. Tabel 8-4 menunjukan hasil
analisis regresi ketika angka pengangguran ditambahkan pada model.
Model yang cocok menjelaskan 99.9% variabilitas dari penjualan. Walaupun tidak
begitu signifikan, memperbaiki model tanpa memperhatikan Durbin-Watson Statistik 1.98
pada dasarnya tidak dapat berubah.
Dengan tingkat signifikansi 0.01 , n=17 , k=2, nilai pada lampiran C-6 yaitu
d L=0.77
dU=1.25
Karena DW=1.98>dU=1.25, maka tidak terbukti terdapat korelasi serial.
Fungsi Y=−0.014+0.03 X 1−0.35 X2 dapat digunakan untuk memprediksi penjualan Novak .
Plot residual biasa mengindikasikan bahwa 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
Novak tahun 1997. Ramalannya yaitu
Y=−0.014+0.03 (1185 )−0.35 (7.8 )=32.8
atau $32.8 juta.
B. Regresi dengan Difference
Untuk data dengan autokorelasi yang tinggi, perubahan model dari tingkatan sering
dieliminasi untuk korelasi serial. Jadi, merumuskan persamaan regresi pada
Y dan X1 , X2 ,…, 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
mendekati 0. Pola suatu autokorelasi untuk variabel Y atau variabel X yang digambarkan
pada gambar 8-3 (lihat hal 330) juga mengindikasikan bahwa fungsi regresi dengan
difference boleh dieliminasi atau (atau dikurangi) masalah tersebut disebabkan oleh korelasi
serial
Satu alasan digunakan difference yaitu berdasarkan argumen berikut. Misalkan saja
persamaan 8.1 dan 8.2 sebagai berikut
Y t=β0+β1 X t +εt
Dengan
ε t=ρ εt−1+v t
Dimana
ρ=korelasi antara eror yang berturutan
v t=eror random
v t=εt ketika ρ=0
Sehingga model untuk suatu periode waktu 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 8.1 hasilnya,
Y t=β0+β1 X t +εt (Persamaan 8.1)
ρ Y t−1= ρ β0+ρβ1 X t−1+ρε t−1 (dikali dengan ρ)
Y t−ρ Y t−1=β0−ρ β0+(β ¿¿1 X t− ρβ1 X t−1)+(ε¿¿ t− ρε t−1)¿¿ (pengurangan)
atau
Y t' =β0 (1−ρ )+β1 X t
' +v t (8.5)
Dimana persamaan mengindikasikan suatu difference secara umum
Y t'=Y t−ρ Y t−1
X t'=X t−ρ X t−1 (8.6)
Model pada persamaan 8.5 memiliki eror v t yang berdistribusi secara independen
dengan rata-rata 0 dan variansi konstan. Maka metode regresi secara umum dapat
diterapkan pada model ini.
Jika korelasi antara eror yang berturutan kuat (ρ dekat 1¿, difference sederhana
dapat digunakan
Y t'=Y t−Y t−1
X t'=X t−X t−1 (8.7)
Menggunakan model regresi yang terkonstruksi dengan difference umum dapat
mengeliminasi korelasi serial. Jika korelasi serial kuat, difference sederhana dapat
digunakan.
Contoh 8.4
Fred Garfner membutuhkan peramalan penjualan Sears Roebuck dalam ribuan
dolar untuk wilayah barat. Dia telah memilih pendapatan bersih setelah pajak sebagai
variabel independennya. Menghubungkan penjualan dengan pedapatan bersih
menggunakan model regresi log linier juga akan dilakukan Fred untuk memperkirakan
elastisitas pendapatan dari penjualan. Elastisitas mengukur presentase perubahan
penjualan untuk perubahan 1% pada pendapatan.
Model regresi log linier mengasumsikan jika pendapatan dihubungkan dengan
penjualan dengan persamaan :
Penjualan=γ (Pendapatan)β 1
Dengan mengambil logaritma natural di kedia sisi terlebih dahulu, maka akan
diberikan persamaan :
ln (Penjualan)= ln γ +β1 ln (Pendapatan)❑
Dengan menambahkan suku eror untuk menghitung pengaruh variabel lain selain
pendapatan dalam penjualan, pernyataan sebelumnya menjadi model regresi log linier
dengan bentuk :
ln Yt=β0+β1ln Xt+εt
Dimanaln Yt = ln (Penjualan)= logaritma natural dari penjualan
ln Xt = ln (Pendapatan)= logaritma natural dari pendapatan
ε t = bentuk eror
β0 = ln γ = koefisien pemisah
β1 = koefisien kemiringan = elastisitas pendapatan dari penjualan
Tabel 8-5 menunjukkan penjualan Sears, pendapatan bersih, logaritmanya, dan
differences dalam logaritma dari penjualan dan pendapatan bersih untuk periode
1976-1996.
Tabel 8-5
Year
sPenjualan Pendapatan LnYt LnXt Difference LnYt Difference LnXt
1976 3307 273.4 8.1038 5.6109 - -
1977 3556 291.3 8.1764 5.6744 0.0726 0.0634
1978 3601 306.9 8.1890 5.7265 0.0126 0.0522
1979 3721 317.1 8.2218 5.7592 0.0328 0.0327
1980 4036 336.1 8.3030 5.8174 0.0813 0.0582
1981 4134 349.4 8.3270 5.8562 0.0240 0.0388
1982 4268 362.9 8.3589 5.8941 0.0319 0.0379
1983 4578 383.9 8.4290 5.9504 0.0701 0.0563
1984 5093 402.8 8.5356 5.9984 0.1066 0.0481
1985 5716 437 8.6510 6.0799 0.1154 0.0815
1986 6357 472.2 8.7573 6.1574 0.1063 0.0775
1987 6769 510.4 8.8201 6.2352 0.0628 0.0778
1988 7296 544.5 8.8951 6.2999 0.0750 0.0647
1989 8178 588.1 9.0092 6.3769 0.1141 0.0770
1990 8844 630.4 9.0875 6.4464 0.0783 0.0695
1991 9251 685.9 9.1325 6.5307 0.0450 0.0844
1992 10006 742.8 9.2109 6.6104 0.0785 0.0797
1993 11200 801.3 9.3237 6.6862 0.1127 0.0758
1994 12500 903.1 9.4335 6.8058 0.1098 0.1196
1995 13101 983.6 9.4804 6.8912 0.0470 0.0854
1996 13640 1076.7 9.5208 6.9817 0.0403 0.0904
Hasil minitab menampilkan regresi dari ln(Penjualan) dalam ln(Pendapatan) pada
Tabel 8-6. Fred memperhatikan bahwa 99,2% dari variabilitas dalam logaritma penjualan
Sears untuk wilayah barat bisa dijelaskan oleh hubungan dengan logaritma dari pendapatan
bersih untuk wilayah yang sama. Regresinya sangat signifikan, lagi pula elastisitas
pendapatan diperkirakan oleh b1=1.117 dengan eror standar Sb 1=0.21. Namun statistic
Durbin-Watson 0.5 kecil dan kurang dari dL=0.97, batas bawah 0.1 nilai tingkat kritis
untuk n=21 dan k=1. Fred menyimpulkan bahwa korelasi antara eror berturut-turut adalah
positif dan besar (mendekati 1).
Karena besarnya korelasi serial, Fred memutuskan model diubah (differences)
dalam logaritma dari penjualan dan pendapatan, masing-masing. Dia mengerti bahwa
koefisien kemiringan dalam model untuk differences adalah sama dengan koefisien
kemiringan sebagai satu-satunya model asli melibatkan logaritmanya, karena itu dia tetap
bisa memperkirakan secara langsung elastisitas pendapatan. Koefisien intersep dalam
model regresi untuk differences cenderung kecil dan dihilangkan. Hasil Minitab untuk
perubahan ditampilkan dalam tabel 8-7.
Tabel 8-7 menunjukkan bahwa regresi signifikan. Elastisitas pendapatan
diperkirakan oleh b1=1.010 dengan eror standar Sb 1=0.093. Perkiraan elastisitas b 1
tidak berubah banyak dari regresi yang pertama (sekitar 1% peningkatan dalam pendapatan
bersih menyebabkan kira-kira 1% peningkatan penjualan setiap tahun di kedua kasus),
tetapi saat ini standar eror (Sb 1=0.093) sekitar 4 kali lebih besar daripada standar eror
sebelumnya (Sb 1=0.023). Standar eror sebelumnya cenderung mengecilkan standar eror
yang benar karena korelasi serial.
Dengan memeriksa statistic Durbin-Watson untuk n=20 , k=1 dan level
signifikansi 0.05, Fred menemukan bahwa dL=1.20<DW=1.28<dU =1.41, jadi tes
korelasi serial positif tidak meyakinkan. Tetapi, memeriksa residual auttokorelasi, yang
ditampilkan dalam gambar 8-6, mengidikasi jika semua mereka semua baik dalam dua
batas standar eror mereka (garis putus-putus dalam gambar) untuk beberapa lag pertama.
Fred menyimpulkan jika korelasi serial telah dieliminasi dan dia akan menggunakan
persamaan yang cocok untuk meramalkan.
Untuk model peramalan akhir, Fred menulis
Y ' t=1.01 X ' t
Dimana
Y ' t=ln Y t− ln Y t−1 dan X ' t=ln Xt−ln X t−1
Tabel 8-6 output Minitab untuk regresi logaritma penjualan dan
logaritma pendapatan
Regression Analysis: LnYt versus LnXt
The regression equation isLnYt = 1.82 + 1.12 LnXt
Predictor Coef SE Coef T PConstant 1.8232 0.1434 12.71 0.000LnXt 1.11726 0.02305 48.47 0.000
S = 0.0436784 R-Sq = 99.2% R-Sq(adj) = 99.2%
Analysis of VarianceSource DF SS MS F PRegression 1 4.4821 4.4821 2349.32 0.000Residual Error 19 0.0362 0.0019Total 20 4.5183
Durbin-Watson statistic = 0.496425
Tabel 8-7 output Minitab untuk perubahan logaritma
Regression Analysis: Difference LnYt versus Difference LnXtThe regression equation isDifference LnYt = 1.01 Difference LnXt
Predictor Coef SE Coef T PNoconstantDifference LnXt 1.00991 0.09304 10.86 0.000S = 0.0297486Analysis of VarianceSource DF SS MS F PRegression 1 0.10428 0.10428 117.83 0.000Residual Error 19 0.01681 0.00088Total 20 0.12109Durbin-Watson statistic = 1.27898
Gambar 8-6
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 X’t dan menata ulang bentuknya,
ln Y ' t=ln Y t−1+1.01(ln Xt−ln X t−1) (8.9)
Peramalan penjualan Sears pada 1997 dipertoleh dengan menetapkan t = 22 :
ln Y ' 22=ln Y 21+1.01(ln X 22− ln X21)
Penjualan pada 1996 telah diketahui, jadi Y 21= Y21 = 13640. Pendapatan bersih untuk
1996 telah diketahui, jadi X21 = 1076,7. Untuk melanjutkan, Fred memerlukan pendapatan
bersih pada 1997. Seorang ahli ekonomi yang terkenal di wilayah barat memberikan
perkiraan $1185 juta untuk pendapatan bersih pada tahun 1997 kepada Fred. Fred
menggunakan perkiraan ahli ekonomi ini dan X22 = 1185. Persamaan paramalannya
menjadi :
ln Y ' 22=ln(13640)+1.01( ln (1185 )−ln(1076.7))
= 9.5208 + 1.01 (7.0775 – 6.9817) = 9.6176
Atau dengan mengambil antilog :
Y 22=e9.6176=15027
Peramalan Fred dari penjualan Sears 1997 untuk wilayah barat adalah $15027 juta. Fred
bisa menggunakan persamaan 8.9 dan prosedur yang diuraikan sebelumnya untuk
meramalkan secara umum tahun 1998, 1999 dan sebagainya., tapi untuk melakukannya dia
membutuhkan perkiraan dari pendapatan bersih pribadi untuk tahun-tahun itu.
C. Eror Terautokorelasi dan Difference Tergeneral
Tujuannya adalah untuk mencukupkan penjelasan area hubungan antara variabel X dan
Y ketika terdapat korelasi serial.
Berdasarkan model regresi dengan eror terautokorelasi secra serial (lihat persamaan 8.1
dan 8.2):
Y t=β0+β1 X t +εt
ε t=ρ εt−1+v t
eror ε t dibicarakan berdasarkan order pertama autoregressive, atau AR (1), model.8
Sebut saja, setelah manipulasi secara 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 (lihat persamaan 8.5):
Y t'=β0 (1−ρ )+β1 X t
' +v t
Model regresi yang mengandung difference general dikonstruksi untuk mengeliminasi
korelasi serial pada eror. Eror v t diasumsikan berdistribusi normal independen dengan mean
0 dan variansi σ v2. Akibatnya model harus diperbaiki secara langsung menggunakan prinsip
kuadrat terkecil. Namun, koefisien korelasi ρ tidak diketahui, jadi Y t' dan X t
' tidak dapat
didefinisikan. Sementara itu, model tidak dapat diperbaiki hanya dengan kuadrat terkecil
biasa.
Terdapat dua pendekatan umum untuk mengestimasi parameter β0 dan β1, yang
merupakan target utama. Satu pendekatan menggunakan model perbaikan untuk korelasi
serial dan estimasi parameter menggunakan teknik numerik yang biasa dikenal kuadrat
terkecil non linier. Pendekatan ini menggunakan pencarian rutin untuk menemukan nilai
parameter yang meminimalkan jumlah kuadrat sesatan(eror). Pendekatan lainnya adalah
untuk menemukan nilai ρ, menggunakan ρ untuk menyusun difference general dan
kemudian memperbaiki model menggunakan kuadrat terkecil biasa. Teknik diskusi untuk
estimasi ρ dan menghitung korelasi serial disediakan dalam Pindyck and Rubinfield (1998)
Contoh berikutnya mengilustrasikan pendekatan kuadrat terkecil nonlinier
menggunakan output software E-Views.
Contoh 8.5
Data Sears ditunjukan pada tabel 8.5. Kuadrat Terkecil umum digunakan untuk
memperbaiki model regresi linier sederhana antara penjualan dengan pendapatan bersih
setelah pajak. Output E-Views terlihat pada gambar 8-7. Berdasarkan gambar 8-7 persamaan
regresi yang didapat yaitu,
Y t=−524.33+14.05 X t
Dimana
b1=14.04
sb 1=0.319
t=b1
sb 1=44.11
r2=0.99
DW=0.63
Nilai statistik DW dekat dengan 0, mengindikasikan adanya autokorelasi yang positif.
untuk n=21 , k=1, dan α=0.01, dl=0.97. karena DW=0.63<dl=0.97 kita menolak
H 0 : ρ=0 ,dari H1: ρ>0
Pada pembahasan ini, point pentingnya yaitu melibatkan eror terkolerasi serial untuk
membuat model sehingga termasuk melakukan difference,
Y t'=β0 (1−ρ )+β1 X t
' +v t
Dengan Y t'=Y t−ρ Y t−1 dan X t
'=X t−ρ X t −1. E-views digunakan untuk mengestimasi
parameter pada model kali ini. Output E-Views terlihat pada gambar 8-8.
Fungsi regresi diperbaikiY t
'=18184 (1−0.991 )+9.47 X t'
Dimana DW statistik 1.12.Nilai 1.12 tidak memberi kesimpulan pada α=0.01. Hal ini karena 1.12 terletak diantara
d Ldan dU. Namun, standar error yang berasosiasi dengan b1 pada regresi kedua lebih besar
dibanding pada regresi pertama. Sementara, uji t untuk koefisien kemiringan pada regresi
kedua lebih kecil daripada regresi pertama. Pada kenyataannya, p-value yang berasosiasi
dengan statistik t di regresi kedua adalah 0.218. Koefisien kemiringan berbeda nyata dengan
0.
D. Model Autoregressive
Autokorelasi menyebabkan nilai dari variabel independen dengan variabel dependen
saling berpengaruh tiap waktu. Salah satu cara untuk mengatasi masalah korelasi serial yaitu
memodelkan hubungan pada waktu berbeda, yang dapat diselesaikan melalui regresi. Model
regresi seperti ini disebut model autoregresive
Order pertama model autoregresive yaitu
Y t=β0+β1Y t−1+εt
Dimana eror ε t diasumsikan memiliki model regresi biasa. Setelah model diperbaiki
melalui metode kuadrat terkecil, persamaan peramalan menjadi
Y t=b0+b1Y t−1
Model autoregressive ditunjukan seperti fungsi nilai sebelumnya dari runtun waktu
Contoh 8.6
Data penjualan Novak yang ditunjukkan pada contoh 8.3 dan pada tabel 8-2 akan
digunakan untuk mendemonstrasikan pengembangan model autoregressive. Ingat bahwa
setelah penjualan di lag pada tabel 8-2, data 1 tahun hilang karena penjualan Novak tahun
1979 tidak diketahui. Dengan ukuran sampel n=16 , ataun=17. Order pertama model
autoregressive dikembangkan bersama lag 1 tahun penjualan Novak sebagai variabel
prediktor.Output Minitab ditunjukan pada tabel 8-8. Nilai peramalan tahun 1997 dengan
interval konfidensi 95 %. Nilai peramalannya yaitu $311722 untuk tahun 1997.
Y=−0.109+1.094 Y t−1
Y 18=−0.109+1.094 Y 18−1=−0.109+1.094 Y 17
Y 18=−0.109+1.094 (29.1 )=31.726
Tabel 8-8 Output Minitab Model Perbaikan
Regression Analysis: Sales(Y) versus Y-Lagged
The regression equation isSales(Y) = - 0.109 + 1.09 Y-Lagged
16 cases used, 1 cases contain missing values
Predictor Coef SE Coef T PConstant -0.1093 0.3367 -0.32 0.750Y-Lagged 1.09388 0.02063 53.01 0.000
S = 0.487455 R-Sq = 99.5% R-Sq(adj) = 99.5%
Analysis of Variance
Source DF SS MS F PRegression 1 667.73 667.73 2810.16 0.000Residual Error 14 3.33 0.24Total 15 671.05
Predicted Value for New Observations
New Obs Fit SE Fit 95% CI 95% PI
1 31.722 0.311 (31.055,32.390) (30.482,32.963)
Uji Durbin-Watson tidak dapat digunakan untuk contoh ini. Ketika satu lag variabel
dependen termasuk dalam regresi sebagai variabel prediktor, Durbin-Watson bias hingga
nilai 2. Sehingga, uji untuk korelasi serial dapat digunakan uji Durbin-Watson h.
Koefisien hilang pada model regresi ini kecil dan dekat dengan 0. Dengan melakukan
regresi tanpa suku hilang pada dasarnya sama.
Ketika analisis regresi diterapkan pada data runtun waktu, nilai residual berautokorelasi
secara berturutan. Suku korelasi serial kadang digunakan untuk situasi seperti ini. Analisis
regresi mengasumsikan bahwa erornya independen, sehingga dapat menjadi masalah. Nilai
R2 untuk regresi dengan data mengandung korelasi serial dapat palsu. Sementara eror standar
dari koefisien korelasi tidak dapat diestimasi dan akhirnya berhubungan dengan statistik t.
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 mencari variabel yang hilang dan
memasukkan ke model. Solusi lainnya yaitu dengan difference data atau model
autoregressive.