yes
TRANSCRIPT
![Page 1: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/1.jpg)
Studi penelitian ini didasarkan pada pemodelan keuangan time series
dengan khusus applikasi khusus pada data inflasi Tanzania
Data inflasi mulai dari Januari 1997 sampai Desember 2010. Data
diperoleh dari Tanzania Biro Nasional Statistik
Tahap-tahap pembangunan model yaitu, identifikasi, estimasi dan
pengecekan
Sebuah model fit terbaik dipilih berdasarkan bagaimana model dapat
menangkap variasi stokastik dalam data. Kecocokan data dinilai melalui
kriteria informasi Akaike (AIC), Bayesian informasi kriteria (BIC) dan
standard error (SE). Berdasarkan nilai minimum AIC dan nilai-nilai BIC,
model GARCH terbaik cocok cenderung GARCH (1,1) dan GARCH
(1,2). Setelah estimasi parameter dari model yang dipilih, serta akurasi
diagnostik dan perkiraan tes dilakukan. Setelah memeriksa semua
asumsi model, GARCH (1,1) model yang dinilai menjadi model terbaik
untuk peramalan. Berdasarkan model yang dipilih, kita diperkirakan dua
belas (12) bulan inflasi tingkat Tanzania di-sample periode (yaitu dari
Januari 2010 sampai Desember 2010)
Dari hasil, telah diamati bahwa seri perkiraan dekat dengan seri yang
sebenarnya.
Latar Belakang Masalah
inflasi telah menjadi salah satu tantangan utama sebagian besar negara
di dunia terutama di Afrika termasuk Tanzania. Inflasi adalah fokus utama
dari kebijakan ekonomi seluruh dunia seperti yang dijelaskan oleh David
(2001).dinamika dan evolusi Inflasi dapat dipelajari menggunakan
pendekatan stokastik model yang menangkap struktur waktu tergantung
pada waktu seri data inflasi heteroskedastisitas bersyarat
autoregressive / autoregressive conditional heteroscedasticity (ARCH)
model, dengan ekstensi generalized autoregressive conditional
![Page 2: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/2.jpg)
heteroscedasticity (GARCH) model sebagai diperkenalkan oleh Engle
(1982) dan Bollerslev (1986) masing-masing mengakomodasi dinamika
heteroskedastisitas bersyarat (yang mengubah sifat varians dari data).
Heteroskedastisitas mempengaruhi akurasi perkiraan batas-batas
kepercayaan (forecast confidence) dan dengan demikian harus ditangani
dengan baik dengan membangun model sesuai varians model non-
konstan (Amos, 2009).
Inflasi seperti yang dijelaskan oleh kamus Webster (2000), adalah
peningkatan terus-menerus harga dalam tingkat konsumen atau
penurunan terus-menerus dalam daya beli uang. Inflasi juga dapat
dinyatakan sebagai situasi ketika permintaan terhadap barang dan jasa
melebihi pasokan mereka dalam perekonomian (Hall, 1982). Dalam
kenyataannya inflasi berarti bahwa uang Anda tidak bisa membeli
sebanyak apa yang bisa membeli kemarin. Cara yang paling umum dari
pengukuran inflasi adalah Indeks Harga Konsumen (CPI) selama bulanan,
kuartalan atau tahunan. Rumus untuk menghitung inflasi data dapat
didefinisikan sebagai berikut
Misalkan Pt menjadi tingkat harga rata-rata saat ini dari ekonomi
sekeranjang barang dan jasa dan Pt-1 adalah tingkat harga rata-rata
keranjang setahun yang lalu pada waktu t
Langkah alternatif adalah penghitungan inflasi adalah dengan dihitung
dari produk domestik bruto (PDB) yang biasanya diambil setiap tahun. Di
Tanzania CPI dihitung oleh Biro Nasional Statistik di bawah naungan
Departemen Keuangan. CPI Nasional meliputi harga yang dikumpulkan
dalam dua puluh kota di daratan Tanzania. Semua harga yang dihitung
merupakan harga berlaku harga pasar dan dikumpulkan untuk 207 item.
CPI adalah sosok dinamis diperoleh dengan mengukur variasi harga dari
banyak barang dan jasa yang dikonsumsi oleh rumah tangga Tanzania
![Page 3: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/3.jpg)
setiap bulan. Berbagai jenis pengeluaran dikelompokkan bersama dalam
sebuah keranjang dan barang dengan pengeluaran volume tinggi
memiliki bobot paling berat dan karena itu memiliki dampak yang paling
berpengaruh pada penghitungan indeks. Setelah CPI diketahui, tingkat
inflasi adalah tingkat perubahan dalam CPI selama periode misalnya
bulan-ke-bulan inflasi dan biasanya unit adalah dalam persentase. Inflasi
dapat disebabkan terlalu banyak uang beredar di negara itu atau terlalu
sedikit barang yang ditawarkan untuk dijual. Orang yang hidup dengan
pendapatan tetap paling menderita ketika harga kenaikan komoditas,
karena mereka tidak bisa membeli sebanyak yang mereka bisa membeli
sebelumnya (Aidoo, 2010). Inflasi yang tak terduga membuat harga di
masa depan tidak diketahui, sebagai situasi ini menghambat tabungan
karena adanya fakta bahwa uang bernilai lebih saat ini daripada di masa
depan. Hal ini menyebabkan alokasi inefisiensi sumber daya ekonomi . hal
tersebut mengurangi pertumbuhan ekonomi, karena ekonomi
membutuhkan tingkat tabungan untuk membiayai investasi yang
meningkatkan pertumbuhan ekonomi.
1.1.1 Inflasi Kinerja di Tanzania
Kecenderungan historis inflasi di Tanzania menunjukkan bahwa inflasi
selalu menunjukkan dua digit angka mulai tahun 1966. Pada 1970-an,
berfluktuasi antara 10% dan 20%. Pada akhir 1970-an dan awal 1980,
Inflasi meningkat ke level 30%. pada level ini terjadi kestabilan , dan
hanya turun menjadi 20% pada akhir 1980-an. strategi Pemerintah Tan
zania untuk mengurangi inflasi sejak 1986 berfokus pada kebijakan uang
dan peningkatan hasil produksi. Tetapi Inflasi tetap tinggi selama periode
ini , meskipun pada tingkat yang sedikit lebih rendah dari tingkat pra-
reformasi yaitu 22,3% pada 1985 (Rutayisire, 1986) Penurunan signifikan
dalam tingkat inflasi sejak tahun 1994 mencerminkan dampak kebijakan
moneter dan fiskal yang ketat yang diambil oleh pusat bank dan
pemerintah.
![Page 4: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/4.jpg)
Inflasi menurun dari 15,5% pada Desember 1996 menjadi 5,5% pada
bulan Desember 2000; namun, meningkat menjadi 6,7% pada Desember
2006. Periode antara Desember 2000 dan Desember 2005, inflasi turun
menjadi 6,2% dan 4,4% masing-masing. Dari 6,7% tahun 2006 inflasi
telah meningkat dan mencapai menjadi 11,6% pada tahun 2010 (Tanzania
Biro Nasional Statistik, 2010)
Studi penelitian dimaksudkan untuk model perilaku jangka panjang
bulanan Data tingkat inflasi Tanzania 1997-2010 dan memprediksi nilai
masa depan. Hal tersebut merupakan cara terbaik untuk mempelajari
dan memahami fenomena yang mendasari inflasi proses adalah untuk
membangun model stokastik praktis matematika .
1.2 Rumusan Masalah
data inflasi memiliki varians yang berubah berdasarkan waktu (fenomena didefinisikan sebagai heteroskedastisitas)masalah pemodelan dan peramalan inflasi di Tan zania, telah banyak dilakukan penelitian, tapi tidak ada studi matematika sebelumnya yang menggunakan data Tanzania inflasi bulanan untuk model bersyarat varians dan nilai-nilai perkiraan masa depan
Masalah :
1. karya ini bermaksud menggunakan heteroskedastisitas bersyarat
autoregressive (ARCH) model dengan nya ekstensi untuk umum
(GARCH) model ARCH untuk memodelkan dan mengakomodasi
dinamika heteroskedastisitas kondisional dalam data inflasi.
2. Selain itu dengan menemukan model yang tepat untuk mewakili
data, penelitian ini bermaksud untuk menggunakannya untuk
memprediksi nilai masa depan berdasarkan pengamatan terakhir.
1.3 Tujuan Penelitian
1.3.1 Tujuan Umum
Tujuan umum dari penelitian ini adalah untuk menetapkan autoregressive
umum
![Page 5: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/5.jpg)
heteroskedastisitas bersyarat time series model untuk menganalisis data
inflasi di Tanzania.
1.3.2 Tujuan Khusus
Tujuan khusus dari penelitian ini adalah:
• Untuk mengembangkan model seri waktu (GARCH model) untuk data
inflasi di Tanzania.
• Untuk menentukan akurasi dari model.
• Untuk menentukan tingkat inflasi di masa depan.
1.4 Manfaat Penelitian
Studi penelitian adalah signifikan untuk beberapa pihak sebagai berikut:
• Untuk Akademisi dan peneliti; Studi penelitian ini diharapkan dapat
memberikan pengetahuan dan dasar untuk lebih lanjut studi di daerah
yang sama atau bidang terkait lainnya studi.
• Untuk para pembuat kebijakan; Studi ini dimaksudkan untuk
memberikan kontribusi terhadap pembuatan kebijakan melalui
pengembangan model yang dapat digunakan untuk meramalkan inflasi
sehingga memandu pembuat kebijakan di merumuskan kebijakan
ekonomi makro.
BAB 4
bab ini untuk mencocokan data dengan GARCH model untuk Data tingkat
inflasi Tanzania yang kami memperoleh milik dari Biro Nasional Statistik
Tanzania
4.2 Deskripsi data dan Statistik DasarData yang digunakan dalam penelitian ini terdiri dari 168 bulanan hasil observasiInflasi harga Tanzania mulai dari 1 Januari 1997 sampai dengan 31 Desember 2010. Di Tanzania Indeks Harga Konsumen (IHK) dihitung oleh Biro NasionalStatistik di bawah naungan Departemen Keuangan. Nasional CPImeliputi harga yang dikumpulkan dari dua puluh kota di daratan Tanzania harga pasar berlaku untuk 207 item.
![Page 6: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/6.jpg)
Table 4.1: Descriptive Statistics for the Ination Rate Series.
Price ReturnMean 80.500 19.773Median 69.000 19.314
Std. Dev 36.475.
0.5023Kurtosis 2.8019 6.9162
Skewness 0.8138 -
0.3811Maximum 17.2 26.391Minimum 0.2 -16.094
Jarque-Bera 558.432538.218
ADF(Level) -0.576881
ADF(1st dff )
-11.642.26
4
Tabel 4.1 memberikan statistik deskriptif untuk harga konsumen bulanan
dan return.Dari tabel dapat diketahui bahwa rata-rata umum konstan
sebesar 8,1, standar deviasi sebesar 3,7, kemiringan positif dari 0,8138
menyiratkan bahwa distribusi memiliki long right tail dan kurtosis dari
2,8019. Nilai minimum dalam data ini adalah 0,2 dan nilai maksimum
adalah 17,2, memberikan range data 17,0. Di Sisi Lain, pada data return
memiliki kemiringan negatif -0,3811 menyiratkan bahwa distribusi
Memilikilong left tail. Nilai untuk kurtosis tinggi (mendekati tiga), jadi,
distribusi yang memuncak relatif normal. Jarque-Bera tes menolak
hipotesis nol pada tingkat 5% yang menunjukkan bahwa distribusi adalah
normal. Jadi, sampel memiliki semua karakteristik keuangan, yaitu,
pengelompokan volatilitas(volatility clustering ) dan leptokurtosis.
Selanjutnya, dalam hal stasioneritas hasil dari Augmented Dickey Fuller
(ADF) uji pada Tabel 4.1 menunjukkan bahwa seri memiliki unit root dan
model seri sehingga dapat digunakan untuk memeriksa perilaku volatilitas
dari waktu ke waktu.
4.3 Transformasi
![Page 7: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/7.jpg)
Gambar 4.1: Time Plot Bulanan Dalam asi di Tanzania
Seperti yang dinyatakan sebelumnya data time series yang digunakan
adalah non stasioner, varians mereka berubah berdasarkan
waktu . Perhatikan, misalnya, plot dari seri CPI untuk periode Januari 1997
hingga Desember 2010 di Gambar 4.1, jelas bahwa varians berubah
dengan waktu. Seri inflasi yang kita miliki dalam penelitian ini adalah non-
stasioner maka kami mengkonversi harga ke returns dengan transformasi
logaritmik. Logaritmik return didasarkan pada definisi matematika berikut
dimana• r t adalah return untuk waktu ke t,• P t adalah Indeks Harga Konsumen nilai pada waktu, t,• P t-1 adalah Indeks Harga Konsumen nilai pada waktu, t - 1.
![Page 8: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/8.jpg)
Gambar 4.2: Difference Pertama dari Log dari CPI
Gambar 4.2 menggambarkan plot dari seri return yang dikonversi dari
data asli. Data return tampaknya cukup stabil dari waktu ke waktu dan
transformasi telah menghasilkan proses stasioner. perilaku hasil seri
inflasi ini sejalan dengan teori keuangan dan model yang mengasumsikan
hargapada return , menjadi data stasioner. Hal ini juga melihat pada
Gambar 4.9 (b) di mana normal Plot probabilitas menunjukkan garis yang
hampir lurus menunjukkan bahwa residual mengikuti distribusi yang
mendekati normal.
4.4 Pengujian untuk efek ARCH dan Korelasi Serial Seri Return
Bagian ini menggunakan uji statistik formal untuk menetapkan adanya
efek ARCH Dalam Data. Tes untuk heteroskedastisitas telah dilakukan
dengan menggunakan Ljung-Box-Pierce Q-test dan uji ARCH Engle. Tabel
4.2 menunjukkan Ljung-Box Pierce Q-test . H = 0 berarti bahwa tidak ada
korelasi yang signifikan korelasi ada. H = 1 berarti bahwa korelasi yang
signifikan. Dari Tabel 4.2 dapat memverifikasi bahwa tidak ada korelasi
signifikan dalam data return. saat diuji pada lag 10,15 dan 20 dari ACF
pada tingkat signifikansi 5%.Namun, ada korelasi serial yang signifikan
![Page 9: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/9.jpg)
dalam hasil kuadrat pada Tabel 4.3 dan Tabel 4.4, semua p - value
menunjukkan bahwa T - test dan tes ARCH di lag 10, lag lag 15 dan 20
adalah menampilkan signifikansi dari efek ARCH.
Tabel 4.2: Ljung-Box-Pierce Q-test untuk Autokorelasi: (pada kepercayaan 95%).
Lag H p value Stat Critical Value10 0.0000 0.0721 17.1019 18.307015 0.0000 0.2359 18.529 24.995820 0.0000 0.3888 21.1416 31.4104
Tabel 4.3: Ljung-Box Q-test untuk Return kuadrat (di Keyakinan 95%).
Lag H p value Stat Critical Value10 1.000 0.0000 57.3782 18.307015 1.000 0.0000 76.7057 24.995820 1.000 0.0000 82.7525 31.4104
Tabel 4.4: Engle ARCH uji heteroskedastisitas: (di Keyakinan 95%).
Lag H p value Stat
Critical V alue
10 1.000 0.0000 68.6467 18.307015 1.000 0.0000 67.9727 24.995820 1.000 0.0000 66.2913 31.4104
ARCH & GARCH(4)Pengujian Model ARCHHipotesis:Pengujian Model ARCHEngle (1982) Lagrange Multiplier test utk ARCH, dg step:Ettimasi AR(n) (regressi) dg OLS: yt= α0+ α1yt-1 +…+ αnyt-n + t Hitung Bila tak ada ARCH/ GARCH maka α0= α2=…= αq=0Ho: α0= α2=…= αq=0 •tidak ada ARCH error s/d order qH1: ada ARCHTest Statistik TR2 ~χ2qKeputusan : Tolak Ho bila TR2 >χ2q
![Page 10: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/10.jpg)
Gambar 4.3: ACF untuk data Seri Return
Gambar ACF di atas digunakan untuk melihat autocorelasi dari data.
Metode lain yang berguna untuk memeriksa autokorelasi adalah dengan
cara memeriksa PACF
Gambar 4.4: PACF untuk Seri Return
![Page 11: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/11.jpg)
Dalam Gambar 4.3 dan Gambar 4.4 yang ACF dan PACF tidak memberikan
indikasi korelasi pada karakteristik return .
Gambar 4.5: ACF dari Return Squared
Gambar 4.5 menunjukkan korelasi yang signifikan dan turun secara
perlahan-lahan. Hasil ini menunjukkan bahwa varians dari return ini
tergantung waktu dan dapat berubah dari waktu ke waktu. Dimana : εt =
Rt - C dan C adalah
Berarti rata-rata dari rt.
4.5 Model Estimasi dan Evaluasi
4.5.1 Model Pemilihan dan Analisis
Strategi yang digunakan dalam memilih model yang sesuai dari model
bersaing
didasarkan pada informasi Akaike kriteria (AIC), informasi Bayesian
kriteria (BIC), standar error (SE) dan pada tes signifikansi. MATLAB
perangkat lunak digunakan untuk melakukan trial and error untuk
menentukan model yang cocok terbaik.
![Page 12: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/12.jpg)
Tabel 4.5 memberikan model yang disarankan dengan statistik masing-
masing.
.Biasanya model GARCH sederhana menangkap sebagian besar
variabilitas di seri yang paling stabil. Tertinggal Kecil untuk p dan q yang
umum dalam aplikasi. Biasanya GARCH (1,1), GARCH (2,1) atau GARCH
(1,2) model yang memadai untuk pemodelan volatilitas bahkan selama
masa sampel panjang (Bollerslev, Chou dan Kro ner, 1992). Namun dalam
Tabel 4.5 di bawah ini kami telah memasukkan GARCH (1,0), GARCH (0,2)
dan GARCH (2,2) untuk memeriksa apakah mereka sesuai untuk waktu
pemodelan berbagai varians dari data kami. Pada Tabel 4.5 di bawah
lebih kecil AIC dan BIC lebih baik.
Tabel 4.5: Perbandingan Model GARCH yang disarankan
Model AIC BIC SE Log-LikelihoodGARCH(0; 1) 489.0200 498.3560 0.1026 241.5100GARCH(1; 1) 474.8236 487.2715 0.0544 233.4118GARCH(0; 2) 478.5589 491.0068 0.0860 235.2794GARCH(1; 2) 475.5820 491.1419 0.0863 232.7910GARCH(2; 1) 476.8236 492.3835 0.0735 233.4118GARCH(2; 2) 477.1047 495.7766 0.0654 232.5524
Model yang diberikan dalam huruf tebal dinilai sebagai yang paling tepat
sesuai dengan kriteria di atas. Tabel 4.5 menunjukkan model yang baik
ditunjukkan dari AIC, BIC dan SE. Dari model kami dengan menggunakan
metode Maksimum likelihood , parameter estimasi model standard error
berkaitan dan tes statistik lainnya dapat dilihat pada Tabel 4.6,4.7 dan
4,8. Kami mulai pada Tabel 4.6 dengan fitting GARCH (1,1) terhadap data.
Parameter C K GARCH(1) ARCH(1)Estimates 0.0272 0.0753 0.5427 0.4573
Standard Error 0.0283 0.0254 0.0681 0.0958t - value 0.9627 29.656 67.136 56.619Pr(> |t|) 0.8315 < 0:0001 < 0:0001 < 0:0001
rt = 0,0272 + Ɛt
![Page 13: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/13.jpg)
σ t2= 0,0753 + 0,45730 rt−1
2 + 0:54266 σ t−1
2
GARCH secara signifikan berbeda dari nol dan perkiraan nilai memenuhi
kondisi stabilitas, yaitu α1+β1 < 1; with β1 > α
Model kedua yang harus dipertimbangkan adalah GARCH (1,2). Model ini
dipilih karena sepertinya sesuai dengan data, karena memiliki fungsi log
likelihood kecil, standard error kecil dan keduanya AIC dan BIC sangat
dekat dengan yang GARCH (1,1). Namun model ditemukan melanggar
αi+βj < 1, i, j ∈ Z+
Tabel 4.7: Parameter Perkiraan untuk GARCH (1,2).
Parameter C KGARCH(1
)ARCH(1)
ARCH(2)
Estimates 0.01980.0892 0.4766 0.3471 0.1764
Standard Error 0.04220.0290 0.0915 0.1219 0.1468
t - value 0.470630.819 37.920 39.109 12.013
rt = 0,0198 + Ɛt
σ t2= 0,0892 + 0,3471 rt−1
2 + 0,04766σ t−1
2 +0,01764σ t−22
Dimana
α1 = 0,34705,
α2 = 0,01764,
β1 = 0,47655,
α1+ Β1+ Β2 = 1, dimana
αi+ Βj <1 adalah kondisi yang diperlukan untuk model menjadi stasioner.
AIC = 475,6 dan BIC = 491,1 dengan log likelihood fungsi sebesar
232,8. Dengan demikian GARCH (1,2) memiliki AIC dan BIC yang lebih
besar dari GARCH (1,1)
GARCH (2,1) model yang juga terlihat tidak cocok dengan data ,koefisien
dari GARCH (2,1) tidak signifikan, juga kondisi stationaritas dilanggar.
![Page 14: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/14.jpg)
calon Model yang diuji adalah GARCH (2,2). analisis menunjukkan
koefisien α1 non signifikan dengan AIC =477,1 dan BIC = 495,8 yang juga
lebih besar dari model GARCH (1,1), kesalahan standar rata-rata GARCH
(2,2) lebih besar dibandingkan dengan volatilitas GARCH model stokastik
(1,1).
Tabel 4.8: Parameter Perkiraan untuk GARCH (2,2).
4.6 Diagnostik Pemeriksaan Model (1,1) GARCH
pemeriksaan dilakukan melalui analisis residual dari model
dipasang . Salah satu asumsi dari model GARCH adalah residual harus
mengikuti proses white noise, residualnya bersifat random, independen
dan identik didistribusikan mengikuti distribusi normal.
Gambar 4.6: Plot return , Perkiraan Volatilitas dan residual
![Page 15: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/15.jpg)
Gambar 4.7. merupakan gambar Plot standardized residual(residual
dibagi dengan standar deviasi bersyarat) untuk memeriksa apakah
residual adalah acak
Gambar 4.7: Standardized Residual dari GARCH (1,1)
Pemeriksaan normalitas dilakukan dengan menganalisis histogram dari
residual dan plot probabilitas normal. Histogram menunjukkan bentuk
hampir simetris berbentuk lonceng yang mengindikasikan residual
![Page 16: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/16.jpg)
mengikuti distribusi normal. Adanya sedikit Kemiringan negatif
diperkirakan karena data juga dapat berdistribusi student's t.
![Page 17: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/17.jpg)
Gambar 4.9: (a) Histogram Residual (atas) dan (b) Probabilitas Normal
(bawah) Plot dari GARCH (1,1)
model yang baik adalah model yang tidak mengandung autokorelasi pada
residual standardized dan residual standardized kuadrat.
Gambar 4.8 memberikan plot ACF residual kuadrat
Tabel 4.9 dan 4.10 dibandingkan hasil Q-test dan tes ARCH dengan hasil
tes yang sama dalam perkiraan pra-analisis pada Tabel 4.2 dan 4.3. baik
Q-test dan tes ARCH menunjukkan penolakan (H = 0 dengan nilai p = 0)
dari hasil hipotesis nol masing menunjukkan bukti yang signifikan dalam
mendukung GARCH . Dalam analisis bagian ini didasarkan pada residual
standar. hasil uji menunjukkan penerimaan (H = 0 dengan sangat p-nilai
signifikan) dari hipotesis nol diperoleh kesimpulan bahwa tidak ada efek
ARCH yang tertinggal (tidak ada heteroskedastisitas). Dari uji - t hasil
Tabel 4.9 dengan tingkat kepercayaan 5%, kita gagal menolak null
hipotesis bahwa, tidak ada autokorelasi tertinggal dalam residu. Maka
model ini dilanjutkan untuk digunakan untuk memperkirakan nilai masa
depan dari seri inflasi.
![Page 18: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/18.jpg)
Tabel 4.9: Ljung-Box-Pierce Q-uji pada Residual Standar.
4.7 Peramalan dengan Model GARCH (1,1)
Peramalan diawali dengan memeriksa akurasi peramalan lebih lanjut
dengan memeriksa MAE, RMSE dan MSE .U Thiele untuk dua model cocok
dengan data, Koefisien ketidaksetaraan Theil selalu terletak antara nol
dan satu, di mana nol menunjukkan sempurna. Juga statistik Thiele adalah
kurang dari satu (0,8528 sebagai dari Tabel 4.11) yang menunjukkan
bahwa, perkiraan yang cukup akurat. Adanya kesalahan yang semakin
kecil menunjjukkan kemampuan peramalan model yang semakin baik
sesuai. Dari hasil, dapat dilihat bahwa, sebagian besar mendukung uji
akurasi GARCH (1,1) model.
Tabel 4.11: Prakiraan Akurasi Uji pada GARCH Model.
Untuk mengukur kemampuan peramalan kita telah memperkirakan dalam
perkiraan sampel. Tujuan dari peramalan dalam sampel adalah menguji
prediktabilitas
![Page 19: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/19.jpg)
kekuatan model. Jika besarnya perbedaan antara diperkirakan dan nilai
yang sebenarnya adalah kecil maka model memiliki kekuatan peramalan
yang baik. Dalam kasus kami GARCH (1,1) telah menunjukkan hasil yang
baik seperti terlihat dari Tabel 4.12. Gambar 4.10 menampilkan tingkat
inflasi dan nilai-nilai asli diperkirakan diproduksi oleh model (1,1)
GARCH. Angka tersebut juga menampilkan bagaimana perilaku nilai-nilai
yang diperkirakan
Tabel 4.12: Perkiraan Satu Tahun dari Inflasi dari GARCH (1,1).
Month
Forecast
(%)
Observed
Value(%)
Forecas
t Error
January 11.32 10.9 0.42
Februar
y 10.43 9.6 0.83
March 9.66 9.0 0.66
April 10.08 9.4 0.68
May 7.90 7.2 0.70
June 8.74 7.9 0.84
July 7.29 6.3 0.99
August 7.48 6.6 0.88
Septem
ber 5.03 4.5 0.53
October 4.81 3.9 0.91
Novemb
er 5.14 4.3 0.84
Decemb
er 6.30 5.6 0.70
Gambar 4.10: Time Plot Tingkat Inflasi dan Prakiraan Satu Tahun dari
GARCH (1,1)
![Page 20: Yes](https://reader037.vdokumen.com/reader037/viewer/2022100517/557202034979599169a2cd78/html5/thumbnails/20.jpg)