You are on page 1of 2

Model ARIMA yang akan dipilih harus memenuhi asumsi white noise.

Pengujian
asumsi white noise dapat dilakukan dengan menggunakan pengujian Ljung-Box Chi-square
Statistics. Dengan hipotesis sebagai berikut.
Hipotesis: H0 : model telah memenuhi asumsi white noise
H1 : model tidak memenuhi asumsi white noise
H0 dapat ditolak jika nilai P-value dari Ljung-Box chi-square Statistics tersebut kurang
dari nilai α yang ditentukan sebelumnya.
Contoh output pengujian Ljung-Box chi-square Statistics pada minitab:

> terasvirta.test(DA,lag=1,type=c("F"),scale = TRUE)

Teraesvirta Neural Network Test

data: DA

F = 9.2995, df1 = 2, df2 = 727, p-value = 0.0001028

> terasvirta.test(DA,lag=2,type=c("F"),scale = TRUE)

Teraesvirta Neural Network Test

data: DA

F = 4.5435, df1 = 7, df2 = 721, p-value = 5.637e-05

> summary(DA_tr.arima)

Series: DA_tr

ARIMA(1,1,2)
Coefficients:

ar1 ma1 ma2

0.4770 -0.7272 -0.1217

s.e. 0.0862 0.0890 0.0589

sigma^2 estimated as 9.306: log likelihood=-1691.63

AIC=3391.26 AICc=3391.32 BIC=3409.27

Training set error measures:

ME RMSE MAE MPE MAPE MASE ACF1

Training set 0.08282055 3.041383 2.003969 -0.8392854 7.532956 1.084666 0.0009996079

> shapiro.test(DA_tr.arima$residuals)

Shapiro-Wilk normality test

data: DA_tr.arima$residuals

W = 0.9035, p-value < 2.2e-16