Arima: Modul Tutorial Pengolahan Data Metode Arima

Untuk mendapatkan filenya secara gratis silakan kunjungi:  http://pam.web.id/tutorial

arima

1. Autoregressive Integrated Moving Average (ARIMA) Untuk mendapatkan filenya silakan kunjungi: pam.web.id Untuk mendapatkan filenya silakan kunjungi: pam.web.id 1

  • 2. Konsep ARIMA    ARIMA disebut juga metode Box-Jenkins, yang merupakan suatu teknik yang mengabaikan independent variable dalam melakukan peramalan, sehingga; ARIMA hanya menggunakan nilai-nilai sekarang dan masa lalu dari dependent variable untuk melakukan peramalan jangka pendek. Perbedaannya dengan metode lain karena metode ini tidak mengasumsikan pola tertentu dalam data historis dari series yang akan diforecast. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 2
  • 3. Proses Pemilihan Model ARIMA Penentuan Bentuk Umum Model • Stasioneritas (Residu) •Autokorelasi (Residu) • AIC Identifikasi Model Terpilih secara Tentatif Estimasi Parameter Model Terpilih secara Tentatif Uji Kecukupan Model (Adequacy Test) Gunakan Model untuk Peramalan Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 3
  • 4. Proses Pemilihan Model ARIMA  Model AR(p) Yt = α 0 + α 1Yt −1 + α 2Yt −1 + α 3Yt −1 + … + α p Yt − p + u t  Model MA(q) u t = ε t − β1ε t −1 − β 2 ε t −1 − β 3ε t −1 − … − β p ε t − p  Model ARIMA (p,i=0,q) Yt = α 0 + α 1Yt −1 + … + α p Yt − p + ε t − β1ε t −1 − … − β p ε t − p Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 4
  • 5. Penentuan Model Terbaik     Model ARIMA terbaik, adalah model ARIMA yang memiliki: Signifikansi t-stat untuk seluruh suku AR dan MA dalam persamaan. Probabilita t-stat dari setiap koefisien lebih kecil dari 0.1 (asumsi =10%). Nilai inverted root matriks (IRM) suku AR dan MA, |IRM| <1 Nilai residual yang bebas otokorelasi. Yaitu nilai koefisien korelasi |AC| dan |PAC| yang lebih kecil dari 0.5; dan probabilita Q-stat seluruh variabel selang yang lebih besar dari 0.1. Memiliki nilai Schwarz Criterion atau Akaike Information Criterion (AIC) terkecil. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 5
  • 6. Penentuan Model Terbaik     Guna memperoleh hasil estimasi yang baik perhatikanlah kriteria berikut: Gunakan data dalam jumlah yang banyak (long series) Gunakan suku MA yang sedikit Jika menggunakan suku AR dan MA, gunakan dalam jumlah sedikit Semakin sedikit suku AR dan MA yang digunakan akan semakin baik Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 6
  • 7. Penentuan Bentuk Umum: I   Pengujian Stasioneritas: yt = α 0 + α 0 . yt −1 + ε t Merupakan inspeksi visual atas series: view  line graph Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 7
  • 8. Penentuan Bentuk Umum: I    Pengujian Statistik: Augmented Dickey Fuller Test E-views: View  Unit Root Test (ADF) ADF stat sebesar -2.549886 nilainya secara absolut lebih kecil dari MacKinnon critical value  data memiliki unit root (tidak stasioner) pada level. Lakukan kembali pengujian unit root, tetapi kali ini pada tingkat 1st difference: Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 8
  • 9. To Do …  Do the ARIMA (1,2,1), store it!  A   Do the ARIMA (1,2,0), store it!  B    d(d(gdpriil)) c AR(1) Do the ARIMA (0,2,1), store it!  C   d(d(gdpriil)) c AR(1) MA(1) d(d(gdpriil)) c MA(1) COMPARE THEM ALL | OK      | Tdk OK | Significance: | AR(1) Stasionerity of residual: | Q-statistic/ Correlogram/ DW: Adj-R2: | ARI AIC: | ARI Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 9
  • 10. Penentuan Bentuk Umum: I    Sekarang ADF stat secara absolut lebih besar daripada critical value  Tolak Ho (tolak hipotesa bahwa ada unit root alias tidak stasioner) bentuk data yang stasioner pada first difference. Secara tidak langsung ordo integrasi pun telah ditemukan, yaitu d = 1. Berikutnya adalah penentuan ordo suku AR dan MA. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 10
  • 11. Penentuan Bentuk Umum: AR-MA       Pengujian correlogram: View Correlogram (lakukan sesuai dengan hasil derajat integrasi) Biarkan Eviews menentukan panjang lag maksimum-ok Dari grafik batang AC: pelanggaran garis batas terjadi pada lag 1, 8, dan 12 kandidat MA (1). Dari grafik batang PAC: pelanggaran garis batas juga terjadi pada lag 1 kandidat AR (1). 3 kandidat model: ARIMA (1,1,1); ARIMA (1,1,0)/ARI (1); dan ARIMA (0,1,1)/IMA (1). Selanjutnya adalah penentuan model terbaik. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 11
  • 12. Estimasi Parameter    Model ARIMA (1,1,1): quick-estimate equation-ketikkan: d(gdp) c AR(1) MA(1) Repeat: Model ARI (1): d(gdp) c AR(1), dan Repeat: IMA (1): d(gdp) c MA(1) Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 12
  • 13. Estimasi Parameter: ARIMA (1,1,1)  Hasil Estimasi: suku MA tidak signifikan  maka model ini gugur. MODEL ARIMA (1,1,1) Dependent Variable: D(GDP) Variable Coefficient Std. Error t-Statistic Prob. C AR(1) MA(1) 23.50643 0.499691 -0.201503 5.942468 0.275092 0.312611 3.955667 1.816447 -0.644582 0.0002 0.0729 0.5210 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat 0.105750 0.084202 34.39166 98171.24 -424.7539 1.994227 Inverted AR Roots Inverted MA Roots .50 .20 Qiyara Damayanti Consulting Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) Untuk mendapatkan filenya silakan kunjungi: pam.web.id 23.34535 35.93794 9.947766 10.03338 4.907606 0.009673 13
  • 14. Estimasi Parameter: AR(1)/ ARIMA(1,1,0) Hasil Estimasi: suku AR signifikan. Didukung lebih lanjut dg. nilai |IRM|<1  Kandididat OK  Perlu diuji lebih lanjut dengan pengujian otokorelasi.   MODEL ARI(1) Dependent Variable: D(GDP) Variable Coefficient C AR(1) R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted AR Roots Qiyara Damayanti Consulting 23.44152 0.317238 0.101516 0.090820 34.26717 98636.06 -424.9570 2.034425 Std. Error t-Statistic Prob. 5.412216 0.102975 4.331224 3.080716 0.0000 0.0028 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 23.34535 35.93794 9.929234 9.986311 9.490809 0.002791 .32 Untuk mendapatkan filenya silakan kunjungi: pam.web.id 14
  • 15. Estimasi Parameter: IMA (1)/ARIMA(0,1,1) Hasil Estimasi: suku MA signifikan. Didukung lebih lanjut dg. nilai |IRM|<1  Kandididat OK  Perlu diuji lebih lanjut dengan: Pengujian otokorelasi.   MODEL IMA(1) Dependent Variable: D(GDP) Variable Coefficient Std. Error t-Statistic Prob. C MA(1) 22.79699 0.258489 4.666371 0.104582 4.885378 2.471642 0.0000 0.0154 R-squared Adjusted R-squared S.E. of regression Sum squared resid Log likelihood Durbin-Watson stat Inverted MA Roots Qiyara Damayanti Consulting 0.080866 0.070053 34.65297 102070.4 -430.8843 1.911491 Mean dependent var S.D. dependent var Akaike info criterion Schwarz criterion F-statistic Prob(F-statistic) 22.93333 35.93448 9.951364 10.00805 7.478367 0.007598 -.26 Untuk mendapatkan filenya silakan kunjungi: pam.web.id 15
  • 16. Uji Kecukupan: Pengujian Otokorelasi Fokus pada residual model. Pada masing-masing model: View Residual Test  Correlogram Q-statistics   Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 16
  • 17. Uji Kecukupan : Pengujian Otokorelasi  Kedua model OK: terlihat dari ketidaksignifikanan nilai Q-stat di setiap lag.  Maka langkah terakhir pemilihan model akan bergantung pada nilai SC yang lebih kecil:  ARI (1) memiliki nilai SC sebesar 9.986.  IMA (1) sebesar 10.00805.  Model ARI(1) yang terbaik. MODEL Adjusted R square AIC SC IMA (1) ARI (1) ARIMA(1,1,1)* 0.070053 0.09082 0.084202 9.951364 9.929234 9.947766 10.00805 9.986311 10.03338 Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 17
  • 18. Peramalan  Tipe Peramalan:    Back Cast Fore Cast Kriteria model peramalan terbaik:     Theil inequality coefficient < 0.2 Bias proportion < 0.2 Variance proportion < 0.2 Nilai covariance proportion mendekati 1. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 18
  • 19. Peramalan: Kelayakan Model Terlihat bahwa nilai bias proportion nilainya 0.053880 (dibawah 0.2), sementara covariance proportion 0.856076 (hampir mendekati 1), maka model ini dapat meramal nilai GDP kedepan.  Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 19
  • 20. Peramalan: Aplikasi  Perpanjang range data. Pada menu utama Eviews click procs-change workfile range-ubah end date menjadi 1992.1, karena bentuk data yang kuartalan-ok.  Ubah juga sampel data, procs-sample-ubah end date menjadi 1992.1-ok.   Kemudian kembali pada model ARI (1):   Procs  Make model  Solve Terbentuk variabel forecast gdpf dengan tambahan nilai konsumsi 1992.1. Qiyara Damayanti Consulting Untuk mendapatkan filenya silakan kunjungi: pam.web.id 20

arima,arima box jenkins,arima model,arima forecasting,arima time series,seasonal arima,arima pdf,arima minitab,arima spss,arima eviews,arima matlab,arima ppt,arima model pdf,arima excel,x-12-arima,arima models,x12 arima,proc arima,arima in excel,excel arima,r arima,arima software,arima model excel,arima r,box jenkins arima,arima stata,stata arima,arima meaning,Pengolahan data metode arima,olah data arima,olah data arima eviews,metode arima,metode arima box-jenkins,metode arima dalam teknik peramalan,peramalan dengan metode arima,langkah-langkah metode arima,metode arima dengan eviews