Beruflich Dokumente
Kultur Dokumente
ARFIMA-FIGARCH
pendek (short memory) karena fungsi autokorelasi antara dan turun
Cara yang biasa digunakan untuk membentuk model dari suatu data time
series memori jangka panjang adalah dengan menggunakan operator differensi
(1 ) untuk d bilangan real, misalkan, 0,5 < < 0,5 , jadi suatu model time
series memori jangka panjang umumnya berbentuk
(1 ) =
20
(3.1)
21
(3.2)
dimana
() = 1 "# "$ $ "& &
() = 1 + (# + ($ $ + + (& &
)=1 merupakan kumpulan observasi dari proses yang diamati, dan
)=1 merupakan deret kesalahan stasioner.
(3.3)
(3.4)
22
(+,) ,
(),!
(3.5)
.(/0#)
.(/0$)
.(/01)
.(/)#!
.(/)$!
.(/)1!
(/)!
= (//#)!#! =
(/0#)!
/(#/)
(/0$)!
/(#/)($/)
= (//#)!$! =
= (//#)!1! =
= (1 B)
d
( d + i) i
B
1=1 ( d )i !
1
1
2
3
= 1 dB d (1 d ) B d (1 d )(2 d ) B K
2
6
= 1+
(3.6)
Ditunjukan oleh Granger dan Joyeux (1980) serta Hosking (1981) bahwa
jika, 0,5 < < 0,5 , Zt adalah stasioner dan invertible dengan
.(#/$)
34 ( ) = 5.(#/)67
(3.7)
dan fak
() =
.(#/).(80)
.().(80#/)
, = 1,2,
(3.8)
23
(1) =
=
=
=
=
(1 d )(1 + d )
(d )(1 + 1 d )
(1 d 1)!(1 + d 1)!
(d 1)!(2 d 1)!
(d )!(d )!
(d 1)!(1 d )!
( d )!(d )(d 1)!
(d 1)!(1 d )( d )!
d
.
(1 d )
Beberapa karakteristik deret fractionally integrated untuk berbagai nilai d
yaitu:
a. Jika d = 0, maka proses menunjukkan fungsi autokorelasi turun cepat secara
eksponensial dengan proses ARMA.
b. Jika d (0, 0.5), maka proses ARFIMA Zt merupakan proses stasioner dengan
fungsi autokorelasi dan fungsi autokorelasi parsial Zt semua positif yang
menunjukkan turun lambat atau turun secara hiperbolik menuju nol dengan lag
meningkat.
c. Jika d (-0.5, 0), maka proses ARFIMA Zt merupakan proses stasioner
dengan fungsi autokorelasi dan fungsi autokorelasi parsial Zt semuanya
negatif yang kelambatan monoton dan hiperbolik menuju nol dengan lag
meningkat.
d. Jika d (0.5, 1), maka proses ARFIMA Zt merupakan proses tidak stasioner.
(Atkink dan Cheng, 2002)
24
(3.9)
:>/#
D=
:A
(3.10)
(3.11).
25
f ( Z , ) =
1
1
exp( ( Z ) ' ( Z ))
2
(3.12)
dan dengan prosedur untuk menghitung autokovarian pada (3.10), maka loglikelihood dengan H = < dapat ditulis sebgai berikut:
)
(3.13)
)
1
1
1
log KL, ", (, 2M N = log(2O) logTR2M T H 2 H
2
2
2 RM
>
>
(3.14)
>
$UV7
$(UV7 )7
H W R /# H
(3.15)
1
)
+
H W R /# H = 0
$
$
$
2S 2(S )
)
1
=
H W R /# H
2S$
2(S$ )$
)=
1 W /#
HR H
S$
2M = )1 H R1 H
(3.16)
26
(3.17)
dimana,
M : banyaknya parameter dalam model
n : banyaknya observasi
h 2 : estimasi dari Mean Squre Error
(3.18)
27
MSE =
SSE
(n n p )
(3.19)
dimana,
n
SSE = e i
i =1
n : banyaknya observasi
np: banyaknya parameter yang diestimasi
Pada tugas akhir ini, kriteria yang digunakan untuk pemilihan model
terbaik adalah metode AIC.
(3.20)
yang terdiri dari kebalikan fungsi autokovarian dikalikan dengan data aslinya
yang diboboti oleh korelasinya. Mean Square Error peramalan adalah
(3.21)
28
;($ ) = .
h t = + i a t i .
2
(3.22)
i =1
2
t 1
sampai
2
t p
terhadap at2 sehingga varian bersyarat identik seperti proses AR orde p. Dengan
menggunakan operator lag atau backshift B pada waktu t, model ARCH(p) dapat
ditulis sebagai :
= k0 + k()2
dimana,
k() = &lm# "l l .
(3.23)
29
= + i a t i +
dimana
i =1
j =1
t j
= 0, i 0, j 0 dan
(3.24)
max( p , q )
i =1
operator lag atau backshift B, model GARCH (p,q) dapat ditulis sebagai:
= n + k()2 + o(),
(3.25)
Proses stasioner terpenuhi ketika (1) + (1) < 1 . Proses ini dapat ditulis
sebagai bentuk ARMA, sehingga bentuk (3.25) dapat ditulis sebagai:
[1 ( B ) ( B )]at2 = + [1 ( B )](at2 ht ) .
(3.26)
(3.27)
30
Generalized
Autoregressive
Conditional
Heteroskedasticity
(1 B) d ( B)at2 = + [1 ( B)](at2 ht )
(1 B) d ( B)at2 = + [at2 ht ( B)at2 + ( B )ht ]
(1 B) d ( B)at2 = + [at2 (1 ( B)) ht (1 ( B))]
ht (1 ( B)) = + at2 (1 ( B)) ( B)(1 B)d at2
ht =
(3.28)
H 0 : 1 = 2 = 3 = K = k = 0
H1 : minimal ada satu i 0, i = 1, 2,K, k (terdapat proses FIGARCH)
31
b. Statistik uji
K
Qk = T (T + 2)
i =1
i2
(T K )
(2K p q )
(3.29)
c. Kriteria Pengujian
Tolak H0 jika Qk > 2 ;( K p q ) .
(3.30)
log L
log L
dan
0
1
masing-masing yaitu,
1
at2
log L
1 T
1 T
= 0 + 1at21
=0
2
0
2 t =1
2 t =1 0 + 1at 1
1
at21at2
log L
1 T
T
1 T
= at21 0 + 1at21
=0
2 2
1
2 t 1
t =1
2 t =1 [ 0 + 1at 1 ]
(3.31)
32
log L log L
log L
,
dan
masing-masing, yaitu
0
1
1
1 T
1 1 1 T at2 (1 1 )
log L
=
=0
2 t =1 0 + 1at21 2 t =1 0 + 1at21
0
1
1 T a 2 a 2 (1 )
1 T 2
log L
T
2
1
= at 1 (1 1 ) 0 + 1at 1 t 1 t
=0
2
2
1
2 t =1
2
t =1 + a
t =1
1 t 1
0
(3.32)
at2
log L
1 T
1 1 T
=
=0
+
1
2 t =1 (1 1 ) 2 t =1 0 + 1at21
(Laurent dan Peter, 2002).
t =1
t =1
(3.33).