Post on 31-Oct-2015
description
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
1/16
CONTOH BAHAN BELAJAR MENGANALISA DATA TIME SERIES
DARMAWAN SOEGANDAR
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
2/16
1 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
1. Ditanyakan: buatlah model ARIMA terbaik berdasarkan data IHSG tahun 2006-2007 (data di
excel)
Dijawab:
Untuk mendapatkan model ARIMA terbaik terlebih dahulu harus di uji stasioneritas data. Akan di Uji
Stasioneritas
Berdasarkan gambar diatas bisakita ketahui bahwa data tidak stasioner dengan alasan:
a. Grafik otokorelasi pada lag pertama berada di luar garis barlet dan menurun secara
eksponensial
b. Nilai koefisien otokorelasi besar dan menurun secara perlahan
c. Nilai probabilitasn mendekati nol
Oleh karena itu kita akan menggunakan turunan pertama
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
3/16
2 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Model yang cocok untuk analisis adalah difer ke-1
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
4/16
3 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Selanjutnya akan di mulai menguji model ARIMA terbaik, untuk keperluan itu di ambil model-model
yang ditentukan berdasarkan garis barlet pada turunan (diferensi) pertama dari data IHSG.
Untuk ARIMA (45,1,45)
d(ihsg) c ar(45) ma(45)
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 01/25/13 Time: 13:49
Sample (adjusted): 3/07/2006 11/23/2007
Included observations: 449 after adjustments
Convergence achieved after 9 iterations
MA Backcast: 1/03/2006 3/06/2006
Variable Coefficient Std. Error t-Statistic Prob.
C 1.466760 0.043409 33.78914 0.0000
AR(45) -0.671608 0.033730 -19.91112 0.0000
MA(45) 0.893205 0.014449 61.81703 0.0000
R-squared 0.202416 Mean dependent var 1.469933
Adjusted R-squared 0.198840 S.D. dependent var 0.942361
S.E. of regression 0.843485 Akaike info criterion 2.504109
Sum squared resid 317.3139 Schwarz criterion 2.531550
Log likelihood -559.1724 Hannan-Quinn criter. 2.514925
F-statistic 56.59454 Durbin-Watson stat 2.439226
Prob(F-statistic) 0.000000
Inverted AR Roots .99-.07i .99+.07i .97+.21i .97-.21i
.93+.34i .93-.34i .88-.47i .88+.47i
.80+.58i .80-.58i .71-.69i .71+.69i
.61-.78i .61+.78i .50+.86i .50-.86i
.37-.92i .37+.92i .24+.96i .24-.96i
.10+.99i .10-.99i -.03+.99i -.03-.99i
-.17+.98i -.17-.98i -.31-.94i -.31+.94i
-.43-.89i -.43+.89i -.55+.82i -.55-.82i
-.66+.74i -.66-.74i -.76-.64i -.76+.64i
-.84-.53i -.84+.53i -.91-.40i -.91+.40i
-.95+.27i -.95-.27i -.98+.14i -.98-.14i
-.99
Inverted MA Roots 1.00-.07i 1.00+.07i .98+.21i .98-.21i
.94+.34i .94-.34i .88+.47i .88-.47i
.81-.59i .81+.59i .72+.69i .72-.69i
.61-.79i .61+.79i .50-.86i .50+.86i
.37+.92i .37-.92i .24+.97i .24-.97i
.10-.99i .10+.99i -.03-1.00i -.03+1.00i
-.17-.98i -.17+.98i -.31-.95i -.31+.95i
-.44-.90i -.44+.90i -.56-.83i -.56+.83i
-.67-.74i -.67+.74i -.76+.64i -.76-.64i
-.85-.53i -.85+.53i -.91+.41i -.91-.41i
-.96+.27i -.96-.27i -.99-.14i -.99+.14i
-1.00
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
5/16
4 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
karena < 0,05 maka model ini kita terima dengan r2 = 0,202416
yt = (1- 1) + (1 + 1) yt-1 - 1yt-2 + t + 1 t-1
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
Y45 = 2,451848 + 0,328392y44 + 0,6716y43 + 0,893205 45
Untuk ARIMA (96,1,96)
d(ihsg) c ar(96) ma(96)
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 01/25/13 Time: 13:54
Sample (adjusted): 5/17/2006 11/23/2007
Included observations: 398 after adjustments
Convergence achieved after 8 iterations
MA Backcast: OFF (Roots of MA process too large)
Variable Coefficient Std. Error t-Statistic Prob.
C 1.467088 0.047877 30.64261 0.0000
AR(96) -0.273170 0.083005 -3.291030 0.0011
MA(96) 0.426193 0.095226 4.475574 0.0000
R-squared 0.034408 Mean dependent var 1.467337
Adjusted R-squared 0.029519 S.D. dependent var 0.945725
S.E. of regression 0.931662 Akaike info criterion 2.703816
Sum squared resid 342.8578 Schwarz criterion 2.733865
Log likelihood -535.0594 Hannan-Quinn criter. 2.715718
F-statistic 7.037812 Durbin-Watson stat 2.357690
Prob(F-statistic) 0.000992
karena < 0,05 maka model ini kita terima dengan r = 0,034408
yt = (1- 1) + (1 + 1) yt-1 - 1yt-2 + t + 1 t-1
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
Y96 = 1,867852 + 0,72683y95 + 0,273170y94 + 0,426193 96
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
6/16
5 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Untuk ARIMA (151,1,151)
d(ihsg) c ar(151) ma(151)
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 01/25/13 Time: 13:58
Sample (adjusted): 8/02/2006 11/23/2007
Included observations: 343 after adjustments
Convergence achieved after 9 iterations
MA Backcast: OFF (Roots of MA process too large)
Variable Coefficient Std. Error t-Statistic Prob.
C 1.474742 0.059542 24.76815 0.0000
AR(151) 0.390905 0.060711 6.438768 0.0000MA(151) -0.511414 0.094143 -5.432286 0.0000
R-squared 0.098326 Mean dependent var 1.472303
Adjusted R-squared 0.093022 S.D. dependent var 0.951279
S.E. of regression 0.905954 Akaike info criterion 2.649052
Sum squared resid 279.0562 Schwarz criterion 2.682619
Log likelihood -451.3125 Hannan-Quinn criter. 2.662423
F-statistic 18.53829 Durbin-Watson stat 2.374547
Prob(F-statistic) 0.000000
karena < 0,05 maka model ini kita terima dengan r2 = 0,098326
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
y151 = 0,898258+ 1,390905y150 - 0,390905y149 0,511414 151
Untuk ARIMA (181,1,181)
d(ihsg) c ar(181) ma(181)
Dependent Variable: D(IHSG)
Method: Least Squares
Date: 01/25/13 Time: 14:02
Sample (adjusted): 9/13/2006 11/23/2007
Included observations: 313 after adjustments
Convergence achieved after 6 iterations
MA Backcast: OFF (Roots of MA process too large)
Variable Coefficient Std. Error t-Statistic Prob.
C 1.462293 0.053192 27.49086 0.0000
AR(181) 0.193471 0.064764 2.987338 0.0030
MA(181) -0.432598 0.102587 -4.216881 0.0000
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
7/16
6 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
R-squared 0.044791 Mean dependent var 1.463259
Adjusted R-squared 0.038628 S.D. dependent var 0.929963
S.E. of regression 0.911825 Akaike info criterion 2.662801
Sum squared resid 257.7417 Schwarz criterion 2.698707
Log likelihood -413.7283 Hannan-Quinn criter. 2.677150
F-statistic 7.268142 Durbin-Watson stat 2.348361
Prob(F-statistic) 0.000823
karena < 0,05 maka model ini kita terima dengan r2 = 0,044791
yt = (1-ARt)c + (1+ARt)yt-1 - Artyt-2 + Mat t
y181 = 1,179382 + 1,193471y180 0,193471y179 0,432598 181
Pertanyaan berikutnya adalah model manakah yang terbaik?
1. Y45 = 2,451848 + 0,328392y44 + 0,6716y43 + 0,893205 45
2. Y96 = 1,867852 + 0,72683y95 + 0,273170y94 + 0,426193 96
3. y151 = 0,898258+ 1,390905y150 - 0,390905y149 0,511414 151
4. y181 = 1,179382 + 1,193471y180 0,193471y179 0,432598 181
untuk keperluan itu kita harus mencek kriteria AIC (akaike info criterion) dan SIC (Schwarz criterion), darimodel ARIMA (7,1,7) ; ARIMA (24,1,24) ; dan ARIMA (25,1,25).
MODEL AIC SIC KESIMPULAN
ARIMA (45,1,45) 2.504109 2.531550 AIC dan SIC model
ARIMA (45,1,45)
terkecil sehingga model
ini adalah model yang
paling baik.
ARIMA (96,1,96) 2.703816 2.733865
ARIMA (151,1,151) 2.649052 2.682619
ARIMA (181,1,181) 2.662801 2.698707
Sehingga diputuskan model ARIMA (45,1,45): Y45 = 2,451848 + 0,328392y44 + 0,6716y43 + 0,893205 45adalah model yang kita pilih. Dengan r-square 0,202416.
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
8/16
7 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
2. Ditanyakan: berdasarkan data 2 (data di excel), dimana variable dependennya adalah IHSG,
sedangkan varaiabel independennya Kurs USD/Rp; BI Rate; dan Kurs Euro/Rp.
a. Lakukan uji asumsi klasikb. Lakukan regresi linier secara parsial
c. Lakukan regresi linier secara simultan
Buatlah dintrepretasi dari masing-masing uji tersebut.
a. Akan dilakukan uji klasik pada masing-masing data
test normalitas residu
Syarat normalitas j-Bera > 2 dan >0,05
Hasil analisa normalitas residu menunjukkan bahwa residu memenuhi indicator nilai Jarque-Bera
(21,90414 > 2) tetapi nilai = 0,000018 < 0,05 berarti residu tidak memenuhi indicator nilai alpha untuk
uji normalitas. Tetapi karena jumlah observasi total adalah 495 sampel maka diputuskan untuk tetap
memakai data ini. Untuk lebih meyakinkan akan dilakukan uji normalitas pada masing-masing variable.
Test normalitas data (variable)
IHSG USDRP BIRATE EURORP RESID
Mean 1801.598 9145.913 0.000298 12915.90 6.57E-13
Median 1759.490 9142.000 0.000308 12427.25 -4.810600
Maximum 2810.960 9746.000 0.000342 15430.95 548.4917
Minimum 1171.710 8731.000 0.000219 10896.35 -498.6549
Std. Dev. 457.1627 150.0822 5.17E-05 1361.775 142.6522
Skewness 0.528882 0.350832 -0.547408 0.268304 0.148389
Kurtosis 2.188929 3.682738 1.465775 1.619107 3.986885
0
20
40
60
80
100
120
-400 -200 0 200 400
Series: Residuals
Sample 1/02/2006 11/23/2007Observations 495
Mean 6.57e-13Median -4.810600Maximum 548.4917Minimum -498.6549Std. Dev. 142.6522Skewness 0.148389Kurtosis 3.986885
Jarque-Bera 21.90414Probability 0.000018
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
9/16
8 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Jarque-Bera 36.64444 19.76833 73.26965 45.26804 21.90414
Probability 0.000000 0.000051 0.000000 0.000000 0.000018
Sum 891791.2 4527227. 0.147548 6393372. 3.22E-10
Sum Sq. Dev. 1.03E+08 11127183 1.32E-06 9.16E+08 10052721
Observations 495 495 495 495 495
hasil analisa normalitas diatas menunjukkan bahwa semua variable memenuhi indicator nilai Jarque-
Bera.
Uji otokorelasi
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 2500.833 Prob. F(2,489) 0.0000
Obs*R-squared 450.9152 Prob. Chi-Square(2) 0.0000
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 01/25/13 Time: 14:41
Sample: 1/02/2006 11/23/2007
Included observations: 495
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C -15.90456 135.3714 -0.117488 0.9065
USDRP 0.018260 0.013085 1.395425 0.1635
BIRATE -173261.3 94054.61 -1.842135 0.0661
EURORP -0.007696 0.003589 -2.144655 0.0325
RESID(-1) 0.936647 0.045128 20.75531 0.0000
RESID(-2) 0.019263 0.045196 0.426216 0.6701
R-squared 0.910940 Mean dependent var 6.57E-13
Adjusted R-squared 0.910029 S.D. dependent var 142.6522
S.E. of regression 42.78872 Akaike info criterion 10.36247
Sum squared resid 895297.6 Schwarz criterion 10.41344Log likelihood -2558.712 Hannan-Quinn criter. 10.38248
F-statistic 1000.333 Durbin-Watson stat 1.963953
Prob(F-statistic) 0.000000
p-value Obs*R-squared >alpha, maka tidak ada autokorelasi
Pendapat lain mengatakan bahwa nilai pada obs*R-squared haruslah lebih dari 0,05 (pada tingkat
kepercayaan 5%). Bisa juga kita lihat dari nilai DW pada estimasi sebelumnya 0.092172.
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
10/16
9 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 14:41Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 4468.159 452.6867 9.870312 0.0000
USDRP -0.436478 0.043689 -9.990659 0.0000
BIRATE -3741117. 313528.7 -11.93229 0.0000
EURORP 0.188958 0.011949 15.81397 0.0000
R-squared 0.902632 Mean dependent var 1801.598
Adjusted R-squared 0.902037 S.D. dependent var 457.1627
S.E. of regression 143.0873 Akaike info criterion 12.77283Sum squared resid 10052721 Schwarz criterion 12.80681
Log likelihood -3157.277 Hannan-Quinn criter. 12.78617
F-statistic 1517.246 Durbin-Watson stat 0.092172
Prob(F-statistic) 0.000000
Syarat tidak ada otokorelasi adalah jika nilai D-W statstik antara 1,54 s.d 2,46
Untuk itu kita lakukan Estimasi ulang dengan diferensi tingkat satu sehingga didapat hasil estimasi berikut. tampakbahwa nilai DW telah memenuhi syarat 2,148349 1,54 < 1,964978 0,05
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
11/16
10 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Breusch-Godfrey Serial Correlation LM Test:
F-statistic 0.335422 Prob. F(2,488) 0.7152
Obs*R-squared 0.678160 Prob. Chi-Square(2) 0.7124
Test Equation:
Dependent Variable: RESID
Method: Least Squares
Date: 01/25/13 Time: 14:47
Sample: 1/03/2006 11/23/2007
Included observations: 494
Presample missing value lagged residuals set to zero.
Variable Coefficient Std. Error t-Statistic Prob.
C -0.005888 1.199982 -0.004907 0.9961D(USDRP) -0.001092 0.025233 -0.043293 0.9655
D(BIRATE) -5016.502 343677.7 -0.014597 0.9884
D(EURORP) 0.000131 0.007475 0.017520 0.9860
RESID(-1) 0.017919 0.045327 0.395322 0.6928
RESID(-2) -0.032828 0.045390 -0.723247 0.4699
R-squared 0.001373 Mean dependent var 6.98E-16
Adjusted R-squared -0.008859 S.D. dependent var 26.41527
S.E. of regression 26.53202 Akaike info criterion 9.406653
Sum squared resid 343526.6 Schwarz criterion 9.457696
Log likelihood -2317.443 Hannan-Quinn criter. 9.426692
F-statistic 0.134169 Durbin-Watson stat 1.993178
Prob(F-statistic) 0.984447
pilihannya tentu tinggal pendapat ahli mana yang akan kita gunakan.
Uji heterokedastisitas
Untuk persamaan pertama didapat
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 14:50
Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 4468.159 452.6867 9.870312 0.0000
USDRP -0.436478 0.043689 -9.990659 0.0000
BIRATE -3741117. 313528.7 -11.93229 0.0000
EURORP 0.188958 0.011949 15.81397 0.0000
R-squared 0.902632 Mean dependent var 1801.598
Adjusted R-squared 0.902037 S.D. dependent var 457.1627
S.E. of regression 143.0873 Akaike info criterion 12.77283
Sum squared resid 10052721 Schwarz criterion 12.80681
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
12/16
11 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Log likelihood -3157.277 Hannan-Quinn criter. 12.78617
F-statistic 1517.246 Durbin-Watson stat 0.092172
Prob(F-statistic) 0.000000
p-value Obs*R-squared > alpha, maka tidak ada heteroskedastisitas. Sedangkan menurut pendapat lain
harus > 0,05 dan ini dipenuhi oleh persamaan yang terdiferensi pada tingkat ke-1.
Heteroskedasticity Test: White
F-statistic 0.071904 Prob. F(9,484) 0.9999
Obs*R-squared 0.659622 Prob. Chi-Square(9) 0.9999
Scaled explained SS 2.379355 Prob. Chi-Square(9) 0.9840
Test Equation:Dependent Variable: RESID^2
Method: Least Squares
Date: 01/25/13 Time: 14:49
Sample: 1/03/2006 11/23/2007
Included observations: 494
Variable Coefficient Std. Error t-Statistic Prob.
C 703.1549 89.07194 7.894235 0.0000
D(USDRP) 0.156290 1.924666 0.081204 0.9353
(D(USDRP))^2 -0.000853 0.013085 -0.065200 0.9480
(D(USDRP))*(D(BIRATE)) 697262.9 5176871. 0.134688 0.8929
(D(USDRP))*(D(EURORP)) -0.002440 0.007123 -0.342598 0.7320
D(BIRATE) -547999.2 1.87E+08 -0.002924 0.9977
(D(BIRATE))^2 -1.57E+11 4.26E+12 -0.036890 0.9706
(D(BIRATE))*(D(EURORP)) -398885.4 2077301. -0.192021 0.8478
D(EURORP) 0.124372 0.549527 0.226326 0.8210
(D(EURORP))^2 8.88E-05 0.000426 0.208180 0.8352
R-squared 0.001335 Mean dependent var 696.3538
Adjusted R-squared -0.017235 S.D. dependent var 1887.547
S.E. of regression 1903.744 Akaike info criterion 17.96107
Sum squared resid 1.75E+09 Schwarz criterion 18.04614
Log likelihood -4426.384 Hannan-Quinn criter. 17.99447
F-statistic 0.071904 Durbin-Watson stat 1.120299
Prob(F-statistic) 0.999906
Jika kita ingin memenuhi pendapat harus > 0,05 pada persamaan sebelum didiferensiasi berarti
terdapat heterokedastisitas oleh karena itu untuk tetap menggunakan data ini, kita bisa
menghilangkannya, pada ceklist heterokedastisitas consistent covariance. Sehingga di dapat estimasi
baru sebagai berikut:
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
13/16
12 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 14:53
Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable Coefficient Std. Error t-Statistic Prob.
C 4468.159 368.9986 12.10888 0.0000
USDRP -0.436478 0.034768 -12.55419 0.0000
BIRATE -3741117. 359689.3 -10.40097 0.0000
EURORP 0.188958 0.011586 16.30944 0.0000
R-squared 0.902632 Mean dependent var 1801.598
Adjusted R-squared 0.902037 S.D. dependent var 457.1627
S.E. of regression 143.0873 Akaike info criterion 12.77283Sum squared resid 10052721 Schwarz criterion 12.80681
Log likelihood -3157.277 Hannan-Quinn criter. 12.78617
F-statistic 1517.246 Durbin-Watson stat 0.092172
Prob(F-statistic) 0.000000
Uji Multikolinieritas
IHSG USDRP BIRATE EURORP
IHSG 1.000000 0.031927 -0.915823 0.923837USDRP 0.031927 1.000000 -0.163706 0.188328
BIRATE -0.915823 -0.163706 1.000000 -0.917590
EURORP 0.923837 0.188328 -0.917590 1.000000
Syarat terjadinya multikolinieritas adalah koefisien korelasi di antara variabel bebas lebih besar dari 0,8.
Dilihat dari hasil uji korelasional tampak bahwa patut di duga adanya hubungan linier antar IHSG dengan
Kurs Euro/Rp (0,923837>0,8).
Untuk itu disarankan untuk menambah data, karena masalah multikolinieritas biasanya timbul karena
data yang di observasi sedikit.
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
14/16
13 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
b. Akan dibuat persamaan regresi linier secara parsial
Regresi linier Kurs USD/Rp terhadap IHSG
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 15:03
Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 912.1341 1254.244 0.727238 0.4674
USDRP 0.097253 0.137119 0.709259 0.4785
R-squared 0.001019 Mean dependent var 1801.598Adjusted R-squared -0.001007 S.D. dependent var 457.1627
S.E. of regression 457.3929 Akaike info criterion 15.09299
Sum squared resid 1.03E+08 Schwarz criterion 15.10998
Log likelihood -3733.516 Hannan-Quinn criter. 15.09966
F-statistic 0.503048 Durbin-Watson stat 0.003501
Prob(F-statistic) 0.478499
Persamaan regresi linier pengaruh Kurs USD/Rp terhadap IHSG adalah IHSG = 912,1341 + 0,097253
USDRP. Persamaan nilai = 0,4 > 0,05 hal ini menunjukkan bahwa tidak ada pengaruh yang signifikan dari
kurs USD/Rp terhadap IHSG.
Regresi linier BI-Rate terhadap IHSG
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 15:09
Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 4217.058 48.41199 87.10771 0.0000
BIRATE -8103485. 160033.1 -50.63631 0.0000
R-squared 0.838733 Mean dependent var 1801.598
Adjusted R-squared 0.838406 S.D. dependent var 457.1627
S.E. of regression 183.7740 Akaike info criterion 13.26932
Sum squared resid 16650028 Schwarz criterion 13.28631
Log likelihood -3282.157 Hannan-Quinn criter. 13.27599
F-statistic 2564.036 Durbin-Watson stat 0.042869
Prob(F-statistic) 0.000000
Persamaan regresi linier pengaruh BI-Rate terhadap IHSG adalah IHSG = 4217.05815311 -
8103485.23747*BIRATE. Persamaan nilai = 0,0 < 0,05 hal ini menunjukkan bahwa ada pengaruh yang
signifikan dari BI-Rate terhadap IHSG.
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
15/16
14 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
Pengaruh BI-Rate terhadap IHSG dapat digambarkan sebagai berikut: jika tidak ada perubahan BI-Rate
maka nilai IHSG sebesar 4217,058; Sedangkan jika terjadi kenaikan BI-Rate sebesar 1 satuan maka nilai
IHSG adalah 4217.05815311 - 8103485.23747*1 = -8099268,1793169
Regresi linier Kurs Euro/Rp terhadap IHSG
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 15:20
Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C -2204.167 75.16539 -29.32423 0.0000
EURORP 0.310142 0.005788 53.58749 0.0000
R-squared 0.853475 Mean dependent var 1801.598
Adjusted R-squared 0.853178 S.D. dependent var 457.1627
S.E. of regression 175.1727 Akaike info criterion 13.17345
Sum squared resid 15127935 Schwarz criterion 13.19044
Log likelihood -3258.430 Hannan-Quinn criter. 13.18012
F-statistic 2871.619 Durbin-Watson stat 0.111868
Prob(F-statistic) 0.000000
Persamaan regresi linier pengaruh Kurs Euro/Rp terhadap IHSG adalah IHSG = -2204.16733958 +0.310142148062*EURORP. Persamaan nilai = 0,0 < 0,05 hal ini menunjukkan bahwa ada pengaruh yangsignifikan dari Kurs Euro/Rp terhadap IHSG.Pengaruh Kurs Euro/Rp terhadap IHSG dapat digambarkan sebagai berikut: jika tidak ada perubahan Kurs
Euro/Rp maka nilai IHSG sebesar -2204,167; Sedangkan jika terjadi kenaikan Kurs Euro/Rp sebesar 1
satuan maka nilai IHSG adalah -2204.16733958 + 0.310142148062*1 = -2203,8571974319
c. Akan dibuat persamaan regresi linier secara simultan
Dependent Variable: IHSG
Method: Least Squares
Date: 01/25/13 Time: 15:02Sample (adjusted): 1/02/2006 11/23/2007
Included observations: 495 after adjustments
Variable Coefficient Std. Error t-Statistic Prob.
C 4468.159 452.6867 9.870312 0.0000
USDRP -0.436478 0.043689 -9.990659 0.0000
BIRATE -3741117. 313528.7 -11.93229 0.0000
EURORP 0.188958 0.011949 15.81397 0.0000
R-squared 0.902632 Mean dependent var 1801.598
Adjusted R-squared 0.902037 S.D. dependent var 457.1627
7/16/2019 Contoh Bahan Belajar Menganalisa Data Time Series
16/16
15 | C o n t o h b a h a n b e l a j a r d a t a t i m e s e r i e s
S.E. of regression 143.0873 Akaike info criterion 12.77283
Sum squared resid 10052721 Schwarz criterion 12.80681
Log likelihood -3157.277 Hannan-Quinn criter. 12.78617
F-statistic 1517.246 Durbin-Watson stat 0.092172
Prob(F-statistic) 0.000000
Persamaan regresi linier pengaruh simultan Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp terhadap IHSGadalah:IHSG = 4468.15906203 - 0.436477860762*USDRP - 3741116.73468*BIRATE + 0.188958339945*EURORP
Persamaan nilai = 0,0 < 0,05 hal ini menunjukkan bahwa ada pengaruh simultan yang signifikan dari KursUSD/Rp; BI-Rate dan Kurs Euro/Rp terhadap IHSG.Pengaruh Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp terhadap IHSG dapat digambarkan sebagai berikut:
Jika tidak ada perubahan Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp maka nilai IHSG sebesar
4468.15906203; Sedangkan jika terjadi kenaikan Kurs USD/Rp; BI-Rate dan Kurs Euro/Rp sebesar 1satuan maka nilai IHSG adalah 4468.15906203 - 0.436477860762*1 - 3741116.73468*1 +
0.188958339945*1 = -3736648,8231375.