ARIMA Model

ECONOMETRICS (2) TUTORIAL
M. Edhie Purnawan. M.A, Ph.D

Prepared by: Amrie Anjas Economics Department UGM

1

ARMA dan ARI MA
(Autoregressive - I ntegrated - Moving Average)

ARMA dan ARIMA (atau dikenal dengan model Box Jenkins) merupakan model
ekonometrika yang bermanfaat untuk peramalan jangka pendek
1)
. Dalam spirit untuk melakukan
teknik peramalan, model ARMA dan ARIMA menggunakan informasi dari series-nya sendiri.
Secara teknis, model ARMA dan ARIMA merupakan penggabungan dari dua model pola
serial waktu yaitu AR (autoregressive) oleh Yule (1926) dan MA (moving average) oleh Slutzky
(1937). Dalam hal ini, karakteristik AR dan MA dijabarkan sebagai berikut:
Autoregresive (p)
Merupakan model dimana perilaku variabel dependen dipengaruhi oleh nilai variabel tersebut pada
satu atau beberapa periode sebelumnya (lag).
Y
t
=
0
+
1
Y
t-1
+
2
Y
t-2
+
3
Y
t-3
...
p
Y
t-p
+ e
t
(1)

Moving Average (q)
Merupakan model dimana perilaku variabel dependen dipengaruhi oleh nilai residual pada satu atau
beberapa periode sebelumnya.
Y
t
=
0
+ 1
et-1
+ 2
et-2
+ 3
et-3
... p
et-p
+ e
t
(2)

Penggabungan model AR dan MA menghasilkan model ARMA. Dengan demikian bentuk dari
model ARMA (p,q) adalah sebagai berikut:
Y
t
=
0
+ + (3)

Dalam prakteknya, pengolahan ARMA seringkali dihadapkan pada keberadaan data (variabel) yang
cenderung mempunyai sifat yang tidak stasioner
2)
. Kondisi ini menuntut adanya suatu smoothing
terhadap data. Smoothing tersebut merupakan bagian dari upaya integrasi model AR dan MA,
dengan data (variabel) yang tidak stasioner (nonstationary variables).

1)
Model ARMA dan ARIMA digagas oleh G.P.E Box dan G.M Jenkin pada tahun 1976. Oleh karena itu model
tersebut kemudian dikenal dengan model Box-Jenkin.
2)
Data yang mempunyai sifat tidak stasioner adalah data yang mempunyai nilai rata-rata, varian dan kovarian yang
tidak konstan.


2

I ntegrated
Upaya integrasi dengan melakukan smoothing terhadap data (variabel), mengarah pada suatu proses
diferensi (d) data
3)
. Dalam hal ini, ada beberapa kemungkinan mengenai bentuk hasil proses
diferensi data (Enders, 1995):
1. Data stasioner pada derajat 1
st
Differences
Data yang stasioner pada derajat satu diperoleh dari sebuah kalkulasi sebagai berikut:
y
t
= f(
t
) f(
t-1
) = y
t
y
t-1

y
t+1
= f(
t+1
) f(
t
) = y
t+1
y
t

y
t+2
= f(
t+2
) f(
t+1
) = y
t+2
y
t+1

2. Data stasioner pada derajat 2
nd
Differences
Data yang stasioner pada derajat dua diperoleh dari sebuah kalkulasi sebagai berikut:
2
y
t
= () y
t
= (y
t
y
t-1
)

= (y
t
y
t-1
) (y
t-1
y
t-2
) = y
t
- 2y
t-1 +
y
t-2

2
y
t+1
= () y
t+1
= (y
t+1
y
t
)

= (y
t+1
y
t
) (y
t
y
t-1
) = y
t+1
- 2y
t +
y
t-1

Terkait dengan pengolahan AR dan MA, maka proses diferensi terhadap data (variabel) seakan
menjadi jembatan agar pengolahan atas gabungan AR dan MA layak untuk dilakukan lebih lanjut
4)
.
Implikasi dari penggabungan AR dan MA dengan kondisi data (variabel) yang telah didiferensi,
membuat model tidak lagi bernama ARMA, melainkan bernama ARIMA.
Dalam hal ini, model ARIMA merupakan model gabungan AR (p) dan MA (q) dengan data
(variabel) yang telah melewati proses diferensi (d). Pada umumnya, model ARIMA dituliskan
sebagai ARIMA (p,d,q) dimana:
p adalah ordo dari autoregressive
d adalah ordo integrasi (diferensi)
q adalah ordo dari moving average

Adapun contoh model ARIMA (1,1,1)
Y
t
- Y
t-1
0
1
(Y
t-1
-

Y
t-2
)
1
e
t-1
+ e
t

Sementara contoh model ARIMA (2,1,2)
Y
t
- Y
t-1

0
1
(Y
t-1
- Y
t-2
)
2
(Y
t-2
-Y
t-3
)
1
e
t-1

2
e
t-2
+ e
t

3)
Proses diferensi data adalah proses mencari perbedaan data secara berurutan
4)
Tanpa proses diferensi, pengolahan atas model gabungan AR dan MA (ARMA) dengan data yang tidak stasioner
pada dasarnya tetap memungkinkan untuk dilakukan, namun pengolahan tersebut akan menghasilkan ouput yang
spurious. Oleh karena itu pengolahan seperti ini tidak disarankan untuk dilakukan.


3

Tahapan Pengolahan Model ARMA dan ARI MA
Secara eksplisit, Box-Jenkin merumuskan metodologi atas pengolahan model ARMA dan ARIMA
sebagai berikut (Gujarati hal 841, 2004) :

Gambar 1: Metodologi Box-Jenkin
1. I dentification of the model
Tahapan ini mengarah pada identifikasi terhadap tiap ordo yang tepat untuk p,d,q (Gujarati,
2004). Namun, identifikasi tersebut menuntut terpenuhinya stasioneritas data. Dalam konteks
ini ada dua cara untuk mendeteksi stasioneritas data (variabel):
Secara I nformal
Deteksi stasioneritas data secara informal dapat dilakukan dengan mengidentifikasi
kecenderungan data terhadap nilai rata-ratanya. Singkatnya, kecenderungan data tersebut
tersirat secara grafis. Apabila pergerakkan data secara grafis cenderung menjauhi nilai rata-
ratanya, maka disinyalir data tersebut tidak stasioner, vice versa.
Secara Formal
Deteksi stasioneritas data secara formal diakomodasi oleh tabel correlogram
5)
. Salah satu
cara deteksi tersebut dilakukan dengan Uji Statistik Ljung-Box (LB)
6)
. Dalam uji tersebut:

5)
Menurut Enders (1995), tabel correlogram merupakan tabel yang merepresentasikan perilaku fungsi autokorelasi
keseluruhan (ACF) maupun parsial (PACF) dari data (variabel).
6)
Alternatif lain dalam uji deteksi stasioneritas adalah uji statistik Box-Pierce. Uji yang dapat dihitung secara
matematis tersebut, dilakukan dgn membandingkan nilai ACF pada lag terakhir terhadap nilai kritis
2
pada
tertentu.
Data stasioner : Nilai Q-statistic LB < nilai kritis Chi-6TXDUH
2
SDGDWHUWHQWX


4

Setelah prasyarat stasioneritas data terpenuhi maka kemudian diidentifikasi ordo untuk model
AR (p) dan MA (q). Ordo yang dipilih untuk kedua model tersebut didasarkan pada pola ACF
dan PACF. Adapun petunjuk untuk dapat mengetahui pola ACF dan PACF adalah sebagai
berikut:
Tabel 1: Pola AC F dan PA C F

Model Pola AC F Pola PAC F
AR (p) ACF decay towards zero as the lag increases PACF cut off abruptly
MA (q) ACF cut off abruptly PACF decay towards zero as the lag increases

Apabila pola ACF dan PACF telah diketahui, maka dilakukan pemilihan ordo bagi model AR
(p) dan MA (q). Pemilihan ordo tersebut didasarkan pada nilai ordo maksimum
7)
.

2. Parameter estimation of the chosen model
Setelah pemilihan ordo untuk model AR (p) dan MA (q) dilakukan, maka perlu dilakukan
upaya percobaan terhadap berbagai kemungkinan kombinasi nilai ordo. Lebih lanjut,
kombinasi-kombinasi tersebut kemudian diestimasi.

3. Diagnostic checking
Untuk menentukan kombinasi ordo untuk model AR (p) dan MA (q) yang paling tepat, maka
perlu dilakukan suatu diagnosa terhadap tiap model tersebut. Diagnosa tersebut merujuk pada
pengamatan terhadap beberapa informasi sebagai berikut:
Goodness of fit dari model yaitu uji t, uji F maupun koefisien determinasi (R
2
)
Informasi kriteria seperti Schwarz Criterion (SIC) dan Akaike Info Criterion (AC)
Sifat dari residual (Dalam hal ini, apakah nilai residual yang diperoleh bersifat white noise)

4. Forecast
Setelah didapatkan model terbaik berdasarkan diagnosa yang dilakukan, maka model
tersebutlah yang digunakan untuk melakukan suatu peramalan jangka pendek. Hasil proses
peramalan tersebut sekaligus menjadi output dari model Box-Jenkin yang dibangun.
Sebagai upaya evaluasi, maka hasil peramalan tersebut dapat dikatakan baik apabila nilai Root
Mean Squares Error (RMSE), Mean Absolute Error (MAE) maupun Mean Absolute
Percentage Error (MAPE) relative kecil.

7)
Nilai ordo maksimum adalah nilai ordo pada koefisien ACF dan PACF yang cenderung menjauh dari nol.


5

PRA K T E K DENGAN E VI E WS
Praktik model ARMA/ARIMA pada pertemuan ini menggunakan data bulanan dari volume
penjualan suatu perusahaan otomotif.
Tahapan:
1. ME MBUAT K ERT AS K ERJA DAN I NPUT DAT A
Keti k : Wor kfile Box_Jenkin m 2001:1 2008:4

Copy data dari Excel
Kli k : Quick -------- Empty Group ----------- Paste --------- Name Group

2. ME L A KUK AN T AHAPAN ME T ODOL OGI BOX JENKI N
A. I dentification of the model
Tahapan ini diawali dengan uji stasioneritas data. Adapun uji tersebut dilakukan dengan
cara sebagai berikut:
o Secara I nformal
Deteksi grafis:

Keti k : plot sales @mean(sales)

2400
2800
3200
3600
4000
4400
4800
5200
2001 2002 2003 2004 2005 2006 2007
SALES @MEAN(SALES)

Pergerakkan data secara grafis cenderung menjauhi nilai rata-ratanya, maka
disinyalir data tersebut tidak stasioner.


6

o Secara Formal
Deteksi stasioneritas data secara formal diakomodasi oleh tabel correlogram.
Deteksi stasioneritas data pada derajat Level :

Kli k : Series sales -------- View -------------- Cor relogram
Pilih : Cor relogram of : Level
Pilih : Lag to I nclude : 30 ---------------- O K

Output deteksi stasioneritas pada tingkat level dengan tabel correlogram:
Sample: 2001:01 2008:04
Included observations: 88
Autocorrelation Partial Correlation AC PAC Q-Stat Prob
. |*******| . |*******| 1 0.969 0.969 85.462 0.000
. |*******| .*| . | 2 0.935 -0.058 166.02 0.000
. |*******| . | . | 3 0.901 -0.020 241.72 0.000
. |*******| . | . | 4 0.866 -0.045 312.39 0.000
. |****** | . | . | 5 0.830 -0.024 378.10 0.000
. |****** | .*| . | 6 0.791 -0.062 438.57 0.000
. |****** | . | . | 7 0.752 -0.029 493.85 0.000
. |***** | . | . | 8 0.713 -0.024 544.11 0.000
. |***** | . | . | 9 0.675 0.009 589.77 0.000
. |***** | . | . | 10 0.638 -0.010 631.12 0.000
. |***** | . | . | 11 0.601 -0.020 668.33 0.000
. |**** | . | . | 12 0.565 -0.012 701.65 0.000
. |**** | . | . | 13 0.532 0.020 731.56 0.000
. |**** | . | . | 14 0.500 -0.012 758.29 0.000
. |**** | . | . | 15 0.468 -0.021 782.02 0.000
. |*** | . | . | 16 0.437 -0.001 803.03 0.000
. |*** | . | . | 17 0.405 -0.041 821.35 0.000
. |*** | . | . | 18 0.375 -0.005 837.24 0.000
. |*** | . | . | 19 0.344 -0.038 850.79 0.000
. |** | . | . | 20 0.313 -0.017 862.17 0.000
. |** | .*| . | 21 0.279 -0.066 871.39 0.000
. |** | . | . | 22 0.246 -0.019 878.65 0.000
. |** | . | . | 23 0.214 -0.008 884.22 0.000
. |*. | . | . | 24 0.182 -0.018 888.31 0.000
. |*. | . | . | 25 0.153 0.017 891.25 0.000
. |*. | . | . | 26 0.123 -0.024 893.19 0.000
. |*. | . | . | 27 0.095 -0.007 894.38 0.000
. |*. | . | . | 28 0.068 -0.012 894.99 0.000
. | . | . | . | 29 0.043 -0.007 895.24 0.000
. | . | . | . | 30 0.019 -0.005 895.29 0.000

Hasil uji stasioner pada tingkat level menunjukkan bahwa:
Nilai Q-statistic LB
(pada lag terakhir)
Sign Nilai kritis Chi-Square (
2
)
(dgn df sebesar 30 pada alpha 5%)
Keterangan
895,29
>
43,7729 Data tidak stasioner
pada derajat level


7

Oleh karena data (variabel) tidak stasioner pada derajat level, maka perlu dilakukan proses diferensi
data pada derajat 1
st
Differences
Deteksi stasioneritas data pada derajat 1
st
Difference:

Kli k : Series sales -------- View -------------- Cor relogram
Pilih : Cor relogram of : 1
st
Difference
Pilih : Lag to I nclude : 30 ---------------- O K

Output deteksi stasioneritas pada 1
st
difference dengan tabel correlogram:
Sample: 2001:01 2008:04
. |** | . |** | 1 0.316 0.316 9.0136 0.003
. |*. | . |*. | 2 0.186 0.095 12.165 0.002
. | . | . | . | 3 0.049 -0.038 12.389 0.006
. | . | . | . | 4 0.051 0.033 12.631 0.013
. | . | . | . | 5 -0.007 -0.032 12.636 0.027
. | . | . | . | 6 -0.019 -0.020 12.672 0.049
.*| . | .*| . | 7 -0.073 -0.062 13.188 0.068
**| . | **| . | 8 -0.289 -0.280 21.380 0.006
.*| . | . |*. | 9 -0.067 0.128 21.820 0.009
. | . | . |*. | 10 0.019 0.100 21.855 0.016
. | . | . | . | 11 0.037 -0.008 21.991 0.024
**| . | **| . | 12 -0.239 -0.311 27.892 0.006
.*| . | . | . | 13 -0.117 0.011 29.314 0.006
**| . | .*| . | 14 -0.204 -0.114 33.712 0.002
.*| . | . | . | 15 -0.128 -0.051 35.474 0.002
. | . | . | . | 16 -0.035 -0.021 35.610 0.003
. | . | . | . | 17 -0.056 -0.019 35.956 0.005
. | . | . |*. | 18 0.009 0.122 35.965 0.007
. | . | .*| . | 19 -0.045 -0.071 36.195 0.010
. |*. | .*| . | 20 0.066 -0.126 36.694 0.013
. |*. | . |*. | 21 0.084 0.089 37.519 0.015
. | . | .*| . | 22 0.039 -0.060 37.696 0.020
.*| . | .*| . | 23 -0.068 -0.121 38.259 0.024
. | . | . | . | 24 -0.032 -0.041 38.384 0.032
. | . | . |*. | 25 0.013 0.092 38.406 0.042
.*| . | .*| . | 26 -0.064 -0.143 38.932 0.049
. | . | .*| . | 27 -0.017 -0.081 38.970 0.064
. | . | . | . | 28 -0.038 -0.051 39.156 0.078
. | . | . | . | 29 0.005 0.056 39.160 0.099
.*| . | .*| . | 30 -0.100 -0.141 40.516 0.095

Hasil uji stasioner pada tingkat 1st differences menunjukkan bahwa:
(pada lag terakhir)
2
)
Keterangan
40,516
<
43,7729 Data stasioner pada
derajat 1st difference


8

Berdasarkan ouput dari tabel correlogram diatas (pada level 1st difference), diketahui bahwa pola
ACF dan PACF cenderung menurun drastis, sehingga variabel tersebut dapat dimodelkan dengan
ARIMA.

Apabila pola ACF dan PACF telah diketahui, maka dilakukan pemilihan ordo bagi model AR (p)
dan MA (q). Pemilihan ordo tersebut didasarkan pada nilai ordo maksimum. Sebagaimana
ditunjukkan pada output dari tabel correlogram, ordo maksimum dari model tersebut adalah:
Ordo maksimum AR (p) adalah 1 dan 8 (dilihat dari pola PAC)
Ordo maksimum MA (q) adalah 1 dan 8 (dilihat dari pola AC)

Dengan demikian kemungkinan kombinasi beberapa nilai ordo dari model ARIMA tersebut adalah
ARIMA (1,1,1)
ARIMA (1,1,8)
ARIMA (8,1,1)
ARIMA (8,1,8)

B. Parameter estimation of the chosen model
Setelah pemilihan kombinasi ordo untuk model AR (p) dan MA (q) dilakukan, maka perlu
dilakukan upaya percobaan terhadap berbagai kemungkinan kombinasi nilai ordo. Dalam hal ini,
kombinasi ordo untuk model tersebut adalah ARIMA (1,1,1), ARIMA (1,1,8), ARIMA (8,1,1) dan
ARIMA (8,1,8). Lebih lanjut, kombinasi-kombinasi tersebut kemudian diestimasi.

Estimasi model ARIMA (1,1,1)
Keti k: equation ARI MA_1_1_1.ls d(sales) c ar(1) ma(1)
Dependent Variable: D(SALES)
Method: Least Squares
Date: 09/29/10 Time: 23:39
Sample(adjusted): 2001:03 2008:04
Included observations: 86 after adjusting endpoints
Convergence achieved after 8 iterations
Backcast: 2001:02
Variable Coefficient Std. Error t-Statistic Prob.
C 23.50643 5.942537 3.955622 0.0002
AR(1) 0.499690 0.275101 1.816384 0.0729
MA(1) -0.201502 0.312614 -0.644572 0.5210
R-squared 0.105750 Mean dependent var 23.34535
Adjusted R-squared 0.084202 S.D. dependent var 35.93794
S.E. of regression 34.39166 Akaike info criterion 9.947766
Sum squared resid 98171.24 Schwarz criterion 10.03338
Log likelihood -424.7539 F-statistic 4.907606
Durbin-Watson stat 1.994227 Prob(F-statistic) 0.009673


9

Date: 09/29/10 Time: 23:46
Backcast: 2000:07 2001:02
C 23.90312 3.210378 7.445578 0.0000
AR(1) 0.321655 0.103967 3.093808 0.0027
MA(8) -0.420554 0.100186 -4.197747 0.0001

Date: 09/29/10 Time: 23:53
Backcast: 2001:09
C 23.60958 3.733635 6.323484 0.0000
AR(8) -0.321538 0.105248 -3.055065 0.0031
MA(1) 0.340719 0.108008 3.154563 0.0023


10

Date: 09/29/10 Time: 23:54
Backcast: 2001:02 2001:09
C 23.91332 2.515046 9.508104 0.0000
AR(8) -0.004767 0.266867 -0.017863 0.9858
MA(8) -0.402039 0.248953 -1.614920 0.1105

C. Diagnostic checking
Untuk menentukan kombinasi ordo untuk model AR (p) dan MA (q) yang paling
tepat, maka perlu dilakukan suatu diagnosa terhadap tiap model tersebut. Diagnosa
tersebut merujuk pada pengamatan terhadap beberapa informasi sebagai berikut:

Model
Parameter
Uj i t
R2 SC AI C ARIMA Probability Keterangan
ARIMA
(1,1,1)

C 0.0002 Signifikan

AR (1) 0.0729 Tidak Signifikan 0.105750 10.03338 9.947766
MA (1) 0.5210 Signifikan

ARIMA
(1,1,8)

C 0.0000 Signifikan

AR (1) 0.0027 Signifikan 0.221697 9.894513 9.808896
MA (8) 0.0001 Signifikan

ARIMA
(8,1,1)

C
0.0000
Signifikan

AR (8)
0.0031
Signifikan 0.213567
9.944516
9.854537
MA (1)
0.0023
Signifikan

ARIMA
(8,1,8)

C
0.0000
Signifikan

AR (8)
0.9858
Tidak Signifikan 0.127046 10.04889 9.958912
MA (8)
0.1105
Tidak Signifikan


11

Berdasarkan diagnosa dengan memanfaatkan beberapa informasi diatas maka sementara dapat
disimpulkan bahwa model dengan kombinasi ordo yang baik dan tepat adalah model ARIMA
(1,1,8) dan ARIMA (8,1,1). Lebih lanjut, untuk menentukan model yang paling baik dan tepat,
maka diagnosa terhadap sifat residual dilakukan untuk tiap model tersebut.

Dalam Eviews:
1. Diagnosa sifat residual ARI MA (1,1,8)
Kli k : model ARI MA (1,1,8) ----- View ----- Residual Test ----- Cor relogram (Q-Statistic)
Dengan Lag (30)
Ouput Residual test model ARI MA (1,1,8) adalah
. | . | . | . | 1 -0.028 -0.028 0.0720
. |*. | . |*. | 2 0.095 0.094 0.8837
. | . | . | . | 3 0.055 0.060 1.1555 0.282
.*| . | .*| . | 4 -0.142 -0.150 3.0161 0.221
. | . | . | . | 5 0.023 0.004 3.0651 0.382
. | . | . | . | 6 -0.031 -0.003 3.1532 0.533
. | . | . | . | 7 -0.036 -0.024 3.2753 0.658
. | . | . | . | 8 0.053 0.034 3.5491 0.737
. | . | . | . | 9 -0.036 -0.022 3.6751 0.816
. |*. | . |*. | 10 0.108 0.099 4.8440 0.774
. |*. | . |*. | 11 0.131 0.135 6.5712 0.682
***| . | ***| . | 12 -0.337 -0.360 18.197 0.052
. | . | . | . | 13 0.045 -0.010 18.409 0.073
**| . | .*| . | 14 -0.199 -0.117 22.557 0.032
.*| . | .*| . | 15 -0.130 -0.084 24.358 0.028
. | . | . | . | 16 0.055 0.000 24.684 0.038
.*| . | . | . | 17 -0.101 -0.057 25.802 0.040
. |*. | . | . | 18 0.080 0.048 26.518 0.047
.*| . | .*| . | 19 -0.066 -0.108 27.011 0.058
. | . | .*| . | 20 -0.046 -0.060 27.254 0.074
. |*. | . |*. | 21 0.134 0.098 29.331 0.061
.*| . | . | . | 22 -0.092 -0.012 30.325 0.065
. | . | . | . | 23 -0.054 -0.020 30.677 0.079
. | . | .*| . | 24 -0.010 -0.134 30.689 0.103
. | . | . |*. | 25 -0.015 0.126 30.718 0.130
. | . | .*| . | 26 -0.007 -0.123 30.724 0.162
. | . | .*| . | 27 -0.011 -0.115 30.739 0.198
. | . | . | . | 28 -0.018 -0.015 30.783 0.236
. |*. | . | . | 29 0.077 0.031 31.569 0.248
**| . | **| . | 30 -0.202 -0.195 37.088 0.117

Berdasarkan hasil uji sifat residual dari model ARIMA (1,1,8), maka identifikasi terhadap sifat
residual dari model ARIMA dilakukan dengan membandingkan nilai Q-statistik dengan Nilai kritis
Chi-Square (2). Dalam hal ini residual dikatakan mempunyai sifat white noise apabila:

Nilai Q-statistic LB < nilai kritis Chi-Square (
2
) pada tertentu


12

Terkait dengan prosedur tersebut maka hasil uji sifat residual dari model ARIMA (1,1,8)
menunjukkan bahwa:

(pada lag terakhir)
2
)
Keterangan
37,088
<
43,7729 Tidak signifikan (residual
mempunyai sifat white-
noise)

2. Diagnosa sifat residual ARI MA (8,1,1)
Kli k : model ARI MA (8,1,1) ----- View ----- Residual Test ----- Cor relogram (Q-Statistic)
Dengan Lag (30)
Ouput Residual test model ARI MA (8,1,1) adalah
. | . | . | . | 1 0.046 0.046 0.1740
. |*. | . |*. | 2 0.174 0.172 2.6765
. |*. | . | . | 3 0.075 0.062 3.1443 0.076
.*| . | .*| . | 4 -0.087 -0.126 3.7918 0.150
. | . | . | . | 5 0.024 0.008 3.8420 0.279
. | . | . | . | 6 -0.046 -0.014 4.0249 0.403
. | . | . | . | 7 0.015 0.027 4.0445 0.543
.*| . | .*| . | 8 -0.070 -0.078 4.4891 0.611
. | . | . | . | 9 0.035 0.043 4.6016 0.708
. | . | . |*. | 10 0.064 0.083 4.9874 0.759
. |*. | . |*. | 11 0.119 0.123 6.3278 0.707
**| . | ***| . | 12 -0.262 -0.348 12.908 0.229
. | . | .*| . | 13 -0.047 -0.075 13.122 0.285
.*| . | .*| . | 14 -0.180 -0.078 16.325 0.177
**| . | .*| . | 15 -0.206 -0.109 20.582 0.082
. | . | . | . | 16 -0.031 -0.054 20.682 0.110
.*| . | .*| . | 17 -0.152 -0.076 23.071 0.083
. |*. | . |*. | 18 0.079 0.117 23.731 0.096
.*| . | .*| . | 19 -0.089 -0.065 24.572 0.105
. | . | .*| . | 20 -0.020 -0.144 24.614 0.136
. |*. | . |*. | 21 0.124 0.132 26.311 0.122
.*| . | . | . | 22 -0.075 0.001 26.937 0.137
. | . | .*| . | 23 -0.042 -0.058 27.135 0.166
. | . | .*| . | 24 -0.017 -0.089 27.171 0.205
. | . | . | . | 25 -0.047 0.037 27.436 0.238
. | . | . | . | 26 -0.050 -0.045 27.741 0.271
. | . | .*| . | 27 0.004 -0.134 27.743 0.320
. | . | . | . | 28 0.003 -0.054 27.744 0.371
. | . | . | . | 29 0.033 0.004 27.886 0.417
.*| . | .*| . | 30 -0.117 -0.140 29.663 0.379


13

Sementara itu, hasil uji sifat residual dari model ARIMA (8,1,1) menunjukkan bahwa:

(pada lag terakhir)
2
)
Keterangan
29,633
<
43,7729 Tidak signifikan (residual
mempunyai sifat white-
noise)

Berdasarkan diagnose terhadap sifat residual, maka model ARIMA (1,1,8) dan model ARIMA
(8,1,1) pada dasarnya mempunyai sifat eror yang white-noise. Dengan demikian, maka kedua model
tersebut tergolong sebagai model yang baik. Namun, dalam tuntutan untuk memilih satu model
terbaik, maka model yang layak dipilih dalam contoh kasus ini adalah model ARIMA (8,1,1) karena
mempunyai Q-statistik LB yang relatif lebih kecil. Hal ini mengindikasikan bahwa residual dari
model ARIMA (8,1,1) cenderung relatif kecil.

D. Forecast
Setelah didapatkan model terbaik berdasarkan diagnosa yang dilakukan, maka
model tersebutlah yang digunakan untuk melakukan suatu peramalan jangka pendek.

Langkah -langkah dalam Eviews:
Ubah Range Workfile
Kli k : proc ------ change wor kfile range ----start date 2000:12 dan end date 2008:05

Ubah Sample
Kli k : proc ------ sample ----start date 2000:12 dan end date 2008:05

Kli k : Model ARI MA (8,1,1) ------- forecast

Forecast of : Sales
Forecast Name : Forecast_Sales
Method : Static
Ouput : Do Graph and forecast evaluation


14

Adapun ouput dari hasil forecast tersebut dapat dilihat pada:
1. Sales forecast series

2. Ouput evaluasi dan grafis
2800
3200
3600
4000
4400
4800
5200
2002 2003 2004 2005 2006 2007
SALES_FORECAST
Forecast: SALES_FORECAST
Actual: SALES
Forecast sample: 2000:12 2008:05
Adjusted sample: 2001:10 2008:05
Root Mean Squared Error 32.14816
Mean Absolute Error 24.14636
Mean Abs. Percent Error 0.654275
Theil Inequality Coefficient 0.004107
Bias Proportion 0.000001
Variance Proportion 0.000724
Covariance Proportion 0.999275

Keakuratan nilai peramalan didasarkan dengan penilaian pada beberapa alat evaluasi kesalahan.
Dalam hal ini, apabila nilai-nilai berikut ini semakin rendah (kecil) maka dapat diduga bahwa
peramalan relatif akurat:

RMSE (Root Mean Square Error):
RMSE =

MAE (Mean Absolute Error)
MAE=

MAPE (Mean Abs. Percentage Error)

MAPE=
Periode
2008:05
Sales Forecast
4785.869


15

Theil Inequality Coefficient

Dalam hal ini, nilai theil inequality coefficient terletak diantara 0 hingga 1. Niali peramalan
dikatakan baik apabila nilai theil inequality coefficient mendekati nol

Selain itu, keakuratan suatu peramalan juga perlu didasarkan pada beberapa informasi berikut:
Bias proportion memaparkan seberapa jauh nilai rata-rata dari peramalan series Y terhadap
nilai rata-rata series Y aktual

Variance proportion memaparkan seberapa jauh variasi dari peramalan series Y terhadap
variasi dari series Y aktual.

Covariance proportion mengukur unsystematic forecasting errors

Nilai peramalan aakan dikatakan 'baik/mendekati akurat apabila bias dan variance proportions
relative kecil namun covariance proportion relatif tinggi. (For additional discussion of forecast
evaluation, see Pindyck and Rubinfeld (1991, Chapter 12).
h T
T t
t
h T
T t
t
h T
T t
t t
h y h y
h y y
Theil
1
2
1
2
1
2
1 / 1 / `
1 / `
h y y
y h y
t t
t
/ ) ` (
) ) / ` ((
bias
2
2
h y y
s s
t t
y y
/ ) ` (
) (
variance
2
2
`
h y y
s s r
t t
y y
/ ) ` (
) 1 ( 2
covariance
2
`

ARIMA Model

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

ARIMA Model

Uploaded by

Copyright:

Available Formats

ECONOMETRICS (2) TUTORIAL

M. Edhie Purnawan. M.A, Ph.D

You might also like