Teori Statistika II (S2) - WordPress.com...2020/02/05 · Wei, William, W.S. 1990. Time Series...
Transcript of Teori Statistika II (S2) - WordPress.com...2020/02/05 · Wei, William, W.S. 1990. Time Series...
-
Dr. Kusman Sadik, M.Si
Sekolah Pascasarjana Departemen Statistika IPB
Semester Genap 2019/2020
Analisis Deret Waktu (STK651)
IPB University─ Bogor Indonesia ─ Inspiring Innovation with Integrity
Pemodelan Data Deret Waktu(ARMA dan ARIMA)
-
AR(p) : Autoregressive ber-ordo p
I(d) : Integrated ber-ordo d
MA(q) : Moving Average ber-ordo q
2
-
3
-
4
-
5
-
Model Tidak-Stasioner
Model Stasioner
differencing
6
-
7
-
8
-
9
-
or ARIMA(0, 1, 1)
10
-
or ARIMA(0, 2, 2)
11
-
12
-
13
-
14
-
or ARIMA(1, 1, 0)
15
-
Model dengan Konstanta (μ)
without Constant Term
with Constant Term
μ +
Contoh:
16
-
17
-
q
18
-
p
19
-
qp
(1 – φ1B – φ2B2 - … - φpB
p )(1 – B)dYt = (1 – θ1B – θ2B2 - … - θqB
q )et
20
qp
-
Tuliskan persamaan model ARIMA(1, 1, 2) dengan
konstanta melalui backshift-operator. Selanjutnya
uraikan persamaan model tersebut secara
lengkap, yaitu : yt = …...
21
-
22
-
Ketidakstasioneran dapat diidentifikasi dari time-
series-plot dan correlogram (ACF-plot).
Pada beberapa kasus data, ketidakstasioneran
tersebut terkadang kurang secara jelas tergambar
dalam bentuk grafik, sehingga perlu pengujian
hipotesis.
Salah satu bentuk pengujian hipotesis yang banyak
digunakan adalah uji Augmented Dickey–Fuller
(ADF-test).
23
-
24
1
2
-
25
-
# Simulasi ARIMA(1,1,2)
# Install packages : "tseries“, "forecast", "TTR", "TSA", "graphics"
library("tseries")
library("forecast")
library("TTR")
library("TSA")
library("graphics")
set.seed(1001)
e
-
# membuang 50 data pertama
y
-
28
-
29
-
30
Augmented Dickey-Fuller Test
data: y
Dickey-Fuller = -3.2272,
Lag order = 4, p-value = 0.08725
alternative hypothesis (H1): stationary
-
31
-
32
-
33
Augmented Dickey-Fuller Test
data: y.dif1
Dickey-Fuller = -5.4304,
Lag order = 4, p-value = 0.01
alternative hypothesis (H1): stationary
-
34
-
35
-
1. Melalui Program R:
a. Bangkitkan data yt, (n = 175), berupa model ARIMA(0, 2, 2)
dengan μ = 0.35, θ1 = 0.85, θ2 = - 0.55 dan et ~ Normal(0,1).
Gunakan 150 data terakhir dan lakukan proses berikut:
b. Buatlah time-series plot, correlogram, dan uji ADF. Apakah
dapat diidentifikasi ketidakstasioneran data?
c. Lakukan proses pembedaan hingga data menjadi stasioner.
d. Periksa kembali kestasioneran seperti pada poin (b) di atas.
Apakah dapat diidentifikasi kestasioneran data? Jelaskan.
e. Berdasarkan jawaban Anda pada poin (c) dan (d) di atas,
tentukan nilai d dan q pada model ARIMA(p, d, q).
36
-
2. Melalui Program R:
a. Bangkitkan data yt, (n = 175), berupa model ARIMA(2, 1, 2)
dengan μ = 1.50, Φ1 = 0.70, Φ2 = - 0.85, θ1 = - 0.55 dan
θ2 = 0.45 serta et ~ Normal(0,1). Gunakan 150 data terakhir
dan lakukan proses berikut:
b. Buatlah time-series plot, correlogram, dan uji ADF. Apakah
dapat diidentifikasi ketidakstasioneran data?
c. Lakukan proses pembedaan hingga data menjadi stasioner.
d. Periksa kembali kestasioneran seperti pada poin (b) di atas.
Apakah dapat diidentifikasi kestasioneran data? Jelaskan.
e. Berdasarkan jawaban Anda pada poin (c) dan (d) di atas,
tentukan nilai d dan q pada model ARIMA(p, d, q).
37
-
Montgomery, D.C., et.al. 2008. Forecasting Time Series Analysis
2nd. John Wiley.
Cryer, J.D. and Chan, K.S. 2008. Time Series Analysis with
Application in R. Springer.
Cowpertwait, P.S.P. and Metcalfe, A.V. 2009. Introductory Time
Series with R. Springer New York.
Wei, William, W.S. 1990. Time Series Analysis, Univariate and
Multivariate Methods. Adison-Wesley Publishing Company Inc,
Canada.
38
-
Bisa di-download di
kusmansadik.wordpress.com
39
-
40