Otokorelasi

Nachrowi dan Usman (2006) menjelaskan bahwa pelanggaran asumsi yang hampir dipastikan ditemui pada setiap data time series adalah apa yang disebut dengan otokorelasi. Langkah-langkah yang digunakan untuk menanggulangi otokorelasi ini, secara tidak langsung akan mampu pula menghindari pelanggaran asumsi lainnya. Oleh karena itulah, dalam data time series, masalah otokorelasi inilah yang menjadi fokus perhatian utama.
Otokorelasi didefinisikan sebagai korelasi antara anggota observasi dalam beberapa deret waktu (serial correlation) atau antara anggota observasi berbagai obyek atau ruang (spatial correlation). Konsekuensi penggunaan ordinary least squares estimator dengan mengabaikan otokorelasi adalah: (1) taksiran variance error terlalu rendah dari nilai varians sebenarnya, (2) sebagai hasilnya taksiran koefisien determinasi terlalu tinggi, (3) bila taksiran varians tidak terlalu rendah, taksiran varians koefisien ordinary least squares estimator lebih rendah dari varians koefisien first-order autoregressive (AR(1)) dan kurang efisien dibandingkan general least squares estimator, oleh sebab itu penggunaan uji distribusi t dan F tidak valid. Otokorelasi muncul karena observasi yang berurutan sepanjang waktu berkaitan satu sama lain. Gangguan pada individu atau kelompok cenderung mempengaruhi gangguan pada individu atau kelompok yang sama pada periode berikutnya.
Nachrowi dan Usman (2006) menjelaskan bahwa ada beberapa metode yang dapat digunakan untuk mendeteksi otokorelasi. Metode tersebut adalah metode grafik, uji Durbin Watson, Uji Run, Lagrange Multiplier (The Breusch-Godfrey Test).
Nachrowi dan Usman (2006) menjelaskan bahwa metode grafik merupakan langkah paling mudah untuk mendeteksi otokorelasi. Metode grafik dilakukan dengan membuat plot antara residual dan variabel bebas atau waktu. Dalam melakukan pengujian otokorelasi dengan menggunakan grafik, tidak jarang akan ditemui kesulitan untuk menentukan ada atau tidaknya otokorelasi. Penilaian yang subyektif, tentunya akan dapat mengakibatkan berbedanya kesimpulan antara satu orang dengan lainnya. Apalagi bila gambar yang dilihat mempunyai skala yang berbeda. Oleh karena itu uji formal tetap lebih dibutuhkan.
Salah satu uji formal yang paling populer untuk mendeteksi otokorelasi adalah uji Durbin Watson (Nachrowi dan Usman, 2006). Pada tahun 1970 Durbin mengembangkan uji statistik yang asimtotis untuk model regresi yang mengandung lagged dependent variable. Uji statistik tersebut menggunakan statistik h yang ditunjukkan pada persamaan (10). Parameter   adalah varians koefisien lagged dependent variable. Pengujian statistik h pada model regresi lagged dependent variable dengan sendirinya menimbulkan masalah otokorelasi dan bukan berarti model ini tidak menderita otokorelasi. Akan tetapi menurut Breusch-Godfrey test, statistik h tidak kuat karena alasan historis.
Nachrowi dan Usman (2006) menjelaskan uji formal untuk mendeteksi masalah otokorelasi adalah uji Run. Dasar pengujian ini sangat sederhana, yaitu hanya dengan melihat tanda nilai residual (positif (+) atau negatif (-)), tanpa memperhatikan nilainya. Adapun uji Run didefinisikan sebagai sekelompok nilai residual yang mempunyai tanda yang sama secara berturut-turut.
Langkah yang dilakukan untuk mendeteksi adanya otokorelasi menurut Breusch Godfrey Test adalah sebagai berikut:
1.Estimasi persamaan regresi dan hitung μt2, notasi μt adalah error (selisih ramalan dengan aktual) pada waktu t.
2.Gunakan μt^2 sebagai variabel tak bebas dan regresikan dengan variabel bebas dan μt-1, μt-2, …, μt-p.
3.Hitung koefisien determinan (R^2), jika data yang digunakan besar maka kalikan koefisien determinan dengan selisih antara jumlah observasi dengan derajat kebebasan. Derajat kebebasan besarnya sama dengan ordo yang digunakan untuk model otoregresi.
Ada empat pilihan untuk mengkoreksi otokorelasi yaitu: (1) penentuan apakah otokorelasi murni atau disebabkan kesalahan spesifikasi model, (2) jika otokorelasi murni terjadi maka model awal ditransformasikan dan digunakan general linear squares estimator, (3) bila observasi besar digunakan Newey-West method untuk memperoleh disturbance term error dari ordinary linear squares estimator, (4) dalam situasi di atas penggunaan ordinary linear squares estimator dapat dilanjutkan.
Newey dan West mengembangkan metode sebagai pengembangan dari metode White yang disebut Heteroscedasticity and autocorrelation consistent (HAC) atau Newey-West standard error. Model ini dapat digunakan bila jumlah sampel besar yang dapat mengkoreksi otokorelasi dan heteroskedastisitas pada ordinary least square estimator.
Yohan Naftali
http://yohanli.com

3 Comments

Anton

Dear Pak Yohan, salam sejahtera

Disebutkan bahwa metode HAC / Newey-West dapat digunakan untuk mengkoreksi otokorelasi dan heteroskedastisitas. Pertanyaan saya adalah:
1. Apa yang dimaksud dengan sampel besar, sehingga asumsi ini berlaku untuk koreksi HAC? Adakah referensinya?
2. Adakah jurnal tentang Newey-West dan keabsahan penggunaan metodenya dalam mengkoreksi otokorelasi dan heteroskedastisitas pada OLS?
3. Apabila equation model kita memiliki gangguan heteroskedastisitas dan autokorelasi sekaligus, dan bersampel besar, dapatkah hasil run OLS menggunakan Eviews dengan option Heteroskedasticity Consistent Coefficient Covariance – Newey West digunakan untuk mengambil kesimpulan?

terimakasih sebelumnya atas penjelasan Bapak

rgds,

apetlebaw

perlu memeriksa:)

Dawud Tan (陳大衛)

permisi pak, saya pernah menulis tentang fungsi autocorrelation untuk penentuan pola data time series apakah musiman, tren, atau stationer, di artikel berikut: http://datacomlink.blogspot.com/2015/12/data-mining-identifikasi-pola-data-time.html yang ingin saya tanyakan, apakah ada teknik lain untuk mencari pola data time series selain fungsi autocorrelation ya pak? terima kasih

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.