Manajemen Umum Tulisan 2

Regresi Linear da Uji Asumsi Klasik

     Analisis regresi adalah suatu analisis statistika yang digunakan untuk menjelaskan hubungan suatu variable respons. Pemilihan variable independen dapat dilakukan dengan berbagai metode seperti berikut ;

1.      Metode eliminasi mundur (backward)

2.      Metode seleksi maju (forward selection)

3.      Metode gabungan

Berikut beberapa keterangan singkat tentang uji asumsi klasik dari model regresi.

a.       Uji multikolinearitas

Tidak memuat hubungan dependensi linear antarvariabel independen

b.      Uji heteroskedastisitas galat(eror)

Bertujuan untuk menganalisis apakah variansi galat bersifat tetap/konstan (homoskedasti) atau berubah-ubah.

c.       Uji Autokorelasi dari galat

Uji untuk korelasi serial dapat dilakukan diantaranya dengan uji durbian Watson dan uji breusch godfrey lagrange multiplier.

d.      Uji normalitas dari galat

Salah satu asumsi lain yang peting untuk inferensi statistika dalam analisis regreswi adalah asumsi normalitas dari galat.

Regresi Dumi

     Variabel kualitatif yang memiliki dua nilai yang mungkin disebut variable dumi(boneka). Variable dumi dapat masuk ke dalam model regresi dengan berbagai cara yaitu :

1.      Variable dumi sebagai komponen intersep.

2.      Variable dumi sebagai komponen slope.

3.      Variable umisebagai komponen intesep dan slope.

Regresi Logistik

     Digunakan untuk menganalisis pola hubungan antara sekumpulan variable independen dengan suatu variable dependen bertipe kategoris atau kualitatif. Tujuan utama dari adalah sebagai berikut :

1.      Memprediksi probablitas terjadinya atau tidak terjadinya event berdasarkan nilai-nilai predictor yang ada

2.      Mengklasifikasikan subjek penelitian berdasarkan ambang probabilitas.

Model Penghalusan Ekosponensial

     Datanruntun waktu adalah data yang dikumpulkan, dicatat, ata diobservasi berdasarkan urutan waktuk. Tujuan analisis runtun waktu secara umum adalah untuk menemukan bentuk atau pola variasi dari data dimasa lampau peramalan terhadap  sifat-sifat dari data dimasa yang akan datang. Untuk tujuan peramalan, data runtun waktu sering didekomposisikan ke dalam empat kompomen utama yaitu :

1.      Tren, yang ditandai dengan adanya bentuk penurunan atau kenaikan data dalam perubahan waktu.

2.      Musiman, pada plot data menurut waktu terlihat adanya fluktuasi berulang dalam suatu kurun waktu tertentu

3.      Siklis atau pola siklus, umumnya periode waktu relative lebih panjang dibandingkan musiman

4.      Komponen takteratur berupa pola acak.

Dekomposisi dan Penyesuaian Musiman

     Tujuan utama dari metode dekomposisi dan penyesuaian musiman dengan R-CLI ini adalah untuk membangkitkan data baru hasil penghapusan komponen musiman. Didalam R, untuk didekomposisikan kita menggunakan teknik metode penghalusan rata-rata bergerak, tersedia pada perentah decompose() dalam pustaka stats.

Pemodelan Arima Nonmusiman

Metodologii Box-Jenkins dalam pemodelan ARIMA secara umum terdiri atas empat langkah, sebagai berikut :

1.      Prapemrosesan data dan identifikasi model stasioner.

Dalam tahap awal dilakukan identifikasi model rintun waktu yang mungkin digunakan untuk memodelkan sifar-sifat data. Identifikasi secara sedehana dilakukan secara visual dengan melihat plot data, untuk melihat adanya tren, komponen musiman, nonstasioneritas dalam variansi, dan lain-lain.

2.      Estimasi Model

Setelah bentuk model yang kira-kira sesuai untuk data ditentukan selanjutnya kita mengestimasi parameter dalam model, seperti koefisien dari model ARMA dan nilai variansi dari residual. Estimasi dari model ARMA dapat dilakukan dengan metode maksimum likelihood estimator, least square, hannan rissanen, metode whittlem dan lain-lain.

3.      Cek diagnostic pemilihan model terbaik

Langkah selanjutnya adalah melakukan cek diagnostik dari model yang telah di estimasi dibagian 2, yakni memverifikasi kesesuaian model dengan sifat-sifat data.jika model merupakan model yang tepat, data yang dihitung dengan model (Fitted value) akan memiliki sifat-sifat yang mirip dengan data asli.

4.      Aplikasi model untuk simulasi,peramalan,dan lain-lain

Setelah model terbaik diperoleh dari langkah-langkah pemodelan di atas model tersebut dapat digunakan untuk meramalkan sifat-sifat data dimasa yang akan datang. Dalam analisis runtun waktu, sering kali data dibagi menjadi dua bagian yaitu data in sample , yakni data-data yang digunakan untuk memilih model terbaik dengan langkah-langkah pemodelan diatas, dan data out sample , yakni bagian data yang digunakan untuk memvalidasi kakuratan peramalan dari model terbaik yang diperoleh berdasarkan data in sample.

Pemodelan Data Runtun Waktu Musiman

     Untuk membuat bagi data musiman, secara umum kita dapat menggunakan dua jenis model, yaitu model aditif musiman dan model multiplikatif musiman.

1.      Model aditif musiman

Pada model ini komponen musiman berinteraksi dengan komponen nonmusiman dalam model secara aditif, untuk model ini komponen musiman digambarkan dengan komponen rata-rata orede s . komponen musiman juga dapat dinyatakan dengan komponen autoregresif.

2.      Model Multiplikatif Musiman

Pada model ini komponen musiman berinteraksi dengan komponen nonmusiman dalam model secara multiplikasitif ini dapat di notasikan sebagai model ARIMA (p,d,q)(P,D,Q)s.

   Langkah-langkah untuk melakukan analisis pemodelan data musiman dengan metodologi Box-Jenkins langkah-langkahnya yaitu:

1.      Persiapan data

2.      Melakukan Transformasi awal untuk data

3.      Menghitung nilai dan membuar grafik ACF dan PACF

4.      Estimasi parameter dari model

5.      Pengecekan Diaggnostik

6.      Rangkuman hasil pemodelan

7.      Peramalan dengan model terbaik

Pemodelan ARIMAX

     Salah satu model runtun waktu yang dapat dipandang sebagai perluasan model runtun waktu ARIMA/SARMA adalah model ARIMAX/SARMAX, yakni model ARIMA/SARMA dengan variable eXogen. Dalam model ini factor-faktor yang mempengaruhi variable dependen Y pada waktu ke-t tidak hanya oleh fungsi variable T dalam waktu, tetapi juga oleh variable-variabel independen lainnya pada waktu ke-t.

     Dalam model ini adalah data runtunan waktu dan diasumsikan stasioner. Jika kedianya stasioner, alternahtif model lain yang dapat digunakan adalah model autoregressive Distributed Log. Langkah-langkah pemodelan ARMAX/SARMAX secara umum sama dengan pemodelan ARIMA/SARIMAnamun dalam estimasi model, komponen variable-variabel independen lainnya ditambahkan kedalam model.

Model Autoregressive Distributed Lag

    Salah satu perluasan langsung dari model ARIMAX adalah model dinamik yang disebut model Autoregresive distributed lag.

Estimasi model ADL dengan R-CLI menggunakan data yang tersedeia pada fail liberal.txt. langkah pertam dari analisis adalah melihat apakah data merupakan data stasioner atau tidak dengan melakukan uji ADF, apabila data tidak stasioner dan tidak berkointegrasi , kita dapat melakukan pemodelan dengan hasil pembedaan. Jika data telah stasioner sehingga dapat dimodelkan langsung dengan model ADL.

Estimasi model ADL dengan R-GUI dapat dilakukan dengan R Commander plugins yang disebut RcmdrPlugins.Econometries.

Kointegrasi dan Model Koreksi Kesalahan

     Pengujian kointegrasi dapat dilakukan dengan metode uji engle-Granger dua langkah dan uji johansen.

Kausalitas Granger, Model VAR, dan VECM

     Kualitas Granger dalam model regresi terdapat variable dependen Y dan sejumlah variable independen X lainnya. Jika menggunakan data runtun waktu, komsep kualitas dapat diterangkan dengan cara yang berbeda dengan adanya fakta bahwa waktu tidak dapat berjalan mundur. Model Var dapat dilakukan dengan persamaan ADL beganda, takni model Vector Auto Regression (VAR). secara umum, VAR untuk k-variabel akan terdiri atas k-persamaan.sedangkan model VECM apabila terdapat sejumlah variable yang mengandung akar unit, dan tidak berkointegrasi sati dengan lainnya, variable yang mengandung akar unit harus dibedakan dan variable stasioner hasil pembedaan dapat digunakan dalam model VAR.

Model Heteroskedastis ARCH/GARCH

     Didalam literature diketahui dua sifat penting yang sering dimiliki oleh data runtun waktu dibidang keuangan, khususnya untuk data return, yakni:

1.      Distribusi probabilitas dari retun bersifat fat tails dibandingkan dengan distribusi Gaussian/normal, yakni memiliki kecenderungan terjadinya kejadian ekstrem yan lebih besar dibandingkan dengan yang dapat dimodelkan oleh distribsi Gaussian.

2.      Adanya penggugusan volatilitas, yakni jika terjadi variabilitas data yang relative tinggi pada suatu waktu, kecenderungan yang sama dalam kurun waktu selanju\tnya akan terjadi, dan sebaliknya, variabilitas data yang relative kecil akan diikuti oleh adanya kecenderungan yang sama dalam kurun waktu selanjutnya

Langkah-langkah analisi data: Pemodelan Fungsi Mean

1.      Membuat plot data kurs harian

2.      Menghitung harga return rdeugbp

3.      Menentukan model runtun waktu untuk mean

Pengantar Analisis Data Panel

     Dalam tataran aplikasi praktis, terdapat banyak data (ekonometrik) yang merupakan kombinasi dari data bertipe kali-silang dan data runtun waktu. Data ini disebut data panel atau pooling, dan model yang digunakan untuk menganalisis data jenis ini disebut model data panel.