stk352 analisis deret waktu model deret waktu tidak stasioner · analisis deret waktu model deret...
TRANSCRIPT
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 1 / 20
STK352
Analisis Deret Waktu
Model Deret Waktu Tidak StasionerPertemuan 7
Farid Mochamad AfendiDepartemen Statistika IPB
23 April 2008
contents
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 2 / 20
REVIEW KESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
REVIEW KESTASIONERAN
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 3 / 20
Review Kestasioneran
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 4 / 20
Mengacu kepada konsep weak stationarity, ∀t, k, s ≥ 1, suatuseries {Zt} dikatakan stasioner bila:
Review Kestasioneran
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 4 / 20
Mengacu kepada konsep weak stationarity, ∀t, k, s ≥ 1, suatuseries {Zt} dikatakan stasioner bila:
■ E(Zt) = E(Zt−k)
Review Kestasioneran
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 4 / 20
Mengacu kepada konsep weak stationarity, ∀t, k, s ≥ 1, suatuseries {Zt} dikatakan stasioner bila:
■ E(Zt) = E(Zt−k)■ V ar(Zt) = V ar(Zt−k)
Review Kestasioneran
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 4 / 20
Mengacu kepada konsep weak stationarity, ∀t, k, s ≥ 1, suatuseries {Zt} dikatakan stasioner bila:
■ E(Zt) = E(Zt−k)■ V ar(Zt) = V ar(Zt−k)■ Cov(Zt, Zs) = Cov(Zt−k, Zs−k)
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
■ Gambaran series tersebut adalah sebagai berikut
Z1 = a1
Z2 = a1 + a2
...
Zt = a1 + a2 + . . . + at
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
■ Gambaran series tersebut adalah sebagai berikut
Z1 = a1
Z2 = a1 + a2
...
Zt = a1 + a2 + . . . + at
■ Bila a dipahami sebagai besarnya ’langkah’ maju ataumundur pada periode t, maka Zt adalah posisi ’randomwalker’ pada periode t.
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
■ Gambaran series tersebut adalah sebagai berikut
Z1 = a1
Z2 = a1 + a2
...
Zt = a1 + a2 + . . . + at
■ Bila a dipahami sebagai besarnya ’langkah’ maju ataumundur pada periode t, maka Zt adalah posisi ’randomwalker’ pada periode t.
■ E(Zt) = µt = 0; ∀t
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
■ Gambaran series tersebut adalah sebagai berikut
Z1 = a1
Z2 = a1 + a2
...
Zt = a1 + a2 + . . . + at
■ Bila a dipahami sebagai besarnya ’langkah’ maju ataumundur pada periode t, maka Zt adalah posisi ’randomwalker’ pada periode t.
■ E(Zt) = µt = 0; ∀t
■ V ar(Zt) = tσ2
a; ∀t
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
■ Gambaran series tersebut adalah sebagai berikut
Z1 = a1
Z2 = a1 + a2
...
Zt = a1 + a2 + . . . + at
■ Bila a dipahami sebagai besarnya ’langkah’ maju ataumundur pada periode t, maka Zt adalah posisi ’randomwalker’ pada periode t.
■ E(Zt) = µt = 0; ∀t
■ V ar(Zt) = tσ2
a; ∀t
■ Cov(Zt, Zs) = tσ2
a; untuk 1 ≤ t ≤ s
Contoh Series Nonstasioner
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 5 / 20
■ Perhatikan series Zt = Zt−1 + at
■ Gambaran series tersebut adalah sebagai berikut
Z1 = a1
Z2 = a1 + a2
...
Zt = a1 + a2 + . . . + at
■ Bila a dipahami sebagai besarnya ’langkah’ maju ataumundur pada periode t, maka Zt adalah posisi ’randomwalker’ pada periode t.
■ E(Zt) = µt = 0; ∀t
■ V ar(Zt) = tσ2
a; ∀t
■ Cov(Zt, Zs) = tσ2
a; untuk 1 ≤ t ≤ s
■ Corr(Zt, Zs) =√
ts; untuk 1 ≤ t ≤ s
Plot Series Random Walk
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 6 / 20
Gambar 1: Ilustrasi Random Walk
Plot Autokorelasi Random Walk
contents
REVIEWKESTASIONERAN
Review KestasioneranContoh SeriesNonstasionerPlot Series RandomWalkPlot AutokorelasiRandom Walk
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 7 / 20
Gambar 2: Autokorelasi Random Walk
DIFFERENCING
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 8 / 20
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
◆ Pembedaan lag 1: Ut = Zt − Zt−1
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
◆ Pembedaan lag 1: Ut = Zt − Zt−1
◆ Pembedaan lag 2: Vt = Zt − Zt−2
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
◆ Pembedaan lag 1: Ut = Zt − Zt−1
◆ Pembedaan lag 2: Vt = Zt − Zt−2
■ Proses pembedaan ini dapat dituliskan:
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
◆ Pembedaan lag 1: Ut = Zt − Zt−1
◆ Pembedaan lag 2: Vt = Zt − Zt−2
■ Proses pembedaan ini dapat dituliskan:
◆ pembedaan sekali: Ut = ▽Zt = Zt − Zt−1
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
◆ Pembedaan lag 1: Ut = Zt − Zt−1
◆ Pembedaan lag 2: Vt = Zt − Zt−2
■ Proses pembedaan ini dapat dituliskan:
◆ pembedaan sekali: Ut = ▽Zt = Zt − Zt−1
◆ pembedaan dua kali: Wt = ▽2Zt = ▽Ut = Ut − Ut−1
Konsep Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 9 / 20
■ Ketidakstasioneran data pada rataannya dapat diatasidengan proses differencing (pembedaan), yaitu prosesmenyelisihkan data dengan data sebelumnya.
◆ Pembedaan lag 1: Ut = Zt − Zt−1
◆ Pembedaan lag 2: Vt = Zt − Zt−2
■ Proses pembedaan ini dapat dituliskan:
◆ pembedaan sekali: Ut = ▽Zt = Zt − Zt−1
◆ pembedaan dua kali: Wt = ▽2Zt = ▽Ut = Ut − Ut−1
■ Perhatikan bahwa Vt 6= Wt
Penerapan Differencing pada Random Walk
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 10 / 20
■ Untuk proses Random Walk, pembedaan sekali telahmengatasi ketidakstasioneran
Wt = Zt − Zt−1
= Zt−1 + at − Zt−1
= at
Penerapan Differencing pada Random Walk
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 10 / 20
■ Untuk proses Random Walk, pembedaan sekali telahmengatasi ketidakstasioneran
Wt = Zt − Zt−1
= Zt−1 + at − Zt−1
= at
■ Secara umum, pembedaan yang diperlukan maksimal hanya2 kali.
Random Walk Setelah Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 11 / 20
Gambar 3: Random Walk Setelah Differencing Lag 1
Autokorelasi Random Walk Setelah Differencing
contents
REVIEWKESTASIONERAN
DIFFERENCING
Konsep Differencing
Penerapan Differencing
pada Random Walk
Random Walk SetelahDifferencing
Autokorelasi RandomWalk SetelahDifferencing
MODEL ARIMA
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 12 / 20
Gambar 4: Autokorelasi Random Walk Setelah Differencing Lag1
MODEL ARIMA
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 13 / 20
Model ARIMA
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 14 / 20
■ Series {Zt} mengikuti model integrated
autoregressive-moving average bila hasil pembedaan ke-dWt = ▽dZt merupakan proses ARMA yang stasioner.
Model ARIMA
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 14 / 20
■ Series {Zt} mengikuti model integrated
autoregressive-moving average bila hasil pembedaan ke-dWt = ▽dZt merupakan proses ARMA yang stasioner.
■ Dengan kata lain, jika Wt adalah ARMA(p, q), maka Zt
adalah ARIMA(p, d, q).
Model ARIMA
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 14 / 20
■ Series {Zt} mengikuti model integrated
autoregressive-moving average bila hasil pembedaan ke-dWt = ▽dZt merupakan proses ARMA yang stasioner.
■ Dengan kata lain, jika Wt adalah ARMA(p, q), maka Zt
adalah ARIMA(p, d, q).■ Untuk ARIMA(p, 1, q) dengan Wt = Zt − Zt−1
Wt =φ1Wt−1 + φ2Wt−2 + . . . + φpWt−p
+ at − θ1at−1 − θ2at−2 − θqat−q
Model ARIMA lanjutan
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 15 / 20
■ Penulisan model ini untuk series semula:
Zt − Zt−1 =φ1(Zt−1 − Zt−2) + φ2(Zt−2 − Zt−3) + . . .
+ φp(Zt−p − Zt−p−1)
+ at − θ1at−1 − θ2at−2 − θqat−q
Zt =(1 + φ1)Zt−1 + (φ2 − φ1)Zt−2
+ (φ3 − φ2)Zt−3 + . . . + (φp − φp−1)Zt−p
+ at − θ1at−1 − θ2at−2 − θqat−q
Model IMA(d, q)
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 16 / 20
■ Bila proses tersebut tidak memuat komponenautoregressive, maka dinamakan integrated moving average
IMA(d, q);
Model IMA(d, q)
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 16 / 20
■ Bila proses tersebut tidak memuat komponenautoregressive, maka dinamakan integrated moving average
IMA(d, q);■ Sebagai ilustrasi, untuk IMA(1,1):
Wt = at − θat−1
Zt − Zt−1 = at − θat−1
Zt = Zt−1 + at − θat−1
Model ARI(p, d)
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 17 / 20
■ sementara bila komponen moving average yang tidak ada,maka dinamakan autoregressive integrated ARI(p, d).
Model ARI(p, d)
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
Model ARIMA
Model IMA(d, q)
Model ARI(p, d)
TRANSFORMASI
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 17 / 20
■ sementara bila komponen moving average yang tidak ada,maka dinamakan autoregressive integrated ARI(p, d).
■ Untuk ARI(1,1):
Wt = φWt−1 + at
Zt − Zt−1 = φ(Zt−1 − Zt−2) + at
Zt = Zt−1 + φZt−1 − φZt−2 + at
Zt = (1 + φ)Zt−1 − φZt−2 + at
TRANSFORMASI
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
Transformasi Data
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 18 / 20
Transformasi Data
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
Transformasi Data
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 19 / 20
■ Terkadang, series data tidak stasioner dalam ragamnya.
Transformasi Data
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
Transformasi Data
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 19 / 20
■ Terkadang, series data tidak stasioner dalam ragamnya.■ Hal ini dapat diatasi dengan transformasi data, seperti
dengan logaritma atau dengan Transformasi Box-Cox.
Transformasi Data
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
Transformasi Data
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 19 / 20
■ Terkadang, series data tidak stasioner dalam ragamnya.■ Hal ini dapat diatasi dengan transformasi data, seperti
dengan logaritma atau dengan Transformasi Box-Cox.■ Bila data juga tidak stasioner dalam rataan, proses
transformasi dilakukan sebelum proses pembedaan.
contents
REVIEWKESTASIONERAN
DIFFERENCING
MODEL ARIMA
TRANSFORMASI
Transformasi Data
c© Farid Mochamad Afendi 2008 Powered by Powerdot of LATEX – 20 / 20
TERIMA KASIH