Professional Documents
Culture Documents
Moving Average
Moving Average
Moving Average
Yt et 1et 1 2 et 2 q et q
et : nilai residu yang independen dan berdistribusi normal dengan mean 0 dan variansi e2
Yt : nilai variansi pada waktu ke-t
θ_q : parameter model MA
e_t : nilai galat pada waktu ke-t
e_(t-q) : nilai galat pada waktu t-q
Moving Average Orde 1
Bentuk umum dari proses moving average dengan orde 1 atau proses MA (1) adalah
Yt et 1et 1
Berikut pola ACF dan PACF
MA(1)
Secara teoritis nilai mean, variansi dan autokorelasi dapat dirumuskan sebagai berikut:
E Yt 0
0 Var Yt e2 1 2
1 Cov Yt , Yt 1 e2
1 1 2
k k 0 untuk k 2
Moving Average Orde 2
Bentuk umum dari proses moving average dengan orde 2 atau proses MA (2) adalah
Yt et 1et 1 2 et 2
Berikut pola ACF dan PACF
MA(2)
Secara teoritis nilai mean, variansi dan autokorelasi dapat dirumuskan sebagai berikut:
E e E e E e E e
2 2 2 2
1 t 1 t 1 1 2 t 2 t 2
E Yt 0 1 1 2
1
0 Var Yt 1 12 22 e2 1 12 22
2
1 Cov(Yt , Yt 1 ) 1 1 2 e2 2
1 12 22
2 Cov(Yt 1 , Yt 2 ) 2 e2 k k 0 untuk k 3
Moving Average Orde q
Bentuk umum dari proses moving average dengan orde q atau proses MA (q) adalah
Yt et 1et 1 2 et 2 q et q
Nilai mean, variansi dan autokorelasi untuk model MA ( q) diperoleh sebagai berikut:
E Yt 0
0 1 12 22 q2 e2
k 1 k 1 2 k 2 q k q
k 1,2, , q
k 1 12 22 q2
0 untuk k q
Nilai Estimasi
Metode yang digunakan untuk mengestimasi parameter adalah metode momen untuk mendapat nilai estimasi
awal dan metode kuadrat terkecil untuk mendapatkan nilai estimasi akhir.
ˆ1
Untuk mendapat nilai awal estimasi parameter digunakan metode momen. Untuk MA (1): r1
1 ˆ 2
1
dari nilai-nilai ˆ1 yang diperoleh tersebut hanya satu nilai yang memenuhi syarat invertible, yaitu ˆ1 1
Untuk model MA(q) dengan q 1 akan diperoleh nilai-nilai ˆ1 yang memenuhi syarat invertible.
Untuk mendapatkan nilai estimasi akhir dari parameter yang digunakan metode kuadrat terkecil yaitu dengan
meminimalkan jumlah kuadrat nilai sisa. Jumlah kuadrat nilai sisa dapat dirumuskan dalam bentuk :
S t q 1 et2
n
S t q 1 Yt 1et 1 2 et 2 q et q et
n
2
Nilai fungsi S diturunkan pertama terhadap θ untuk mencari jumlah kuadrat residu yang minimum. Hasil
turunan pertama disamadengankan nol untuk mencari estimasi parameter
S t 2 et2
n
S t 2 Yt 1et 1
n 2
Estimasi
parameter dapat dicari dengan turunan pertama dari fungsi terhadap parameter sehingga diperoleh
S
0
1
t 2 Yt 1et 1
n 2
0
1
t 2 Yt 2 2Yt1et 1 12 et21
n
0
1
2t 2 Yt et 1 21 t 2 et21 0
n n
1 t 2 et21 t 2 Yt et 1
n n
t 2 Yt et 1
n
ˆ1
n 2
e
t 2 t 1
DATA M2
MULTIPLIER
Uji Kestasioneran Data
5.Kesimpulan
Karena nilai p-value < α, maka ditolak yang berarti bahwa data stasioner (tidak terdapat
akar unit)
Transformasi Data
return.
2. Uji Augmented Dickey-Fuller (ADF)
5.
■ Kesimpulan
Karena p-value < α, maka ditolak yang berarti bahwa data stasioner (tidak terdapat
akar unit)
Plot ACF Plot PACF
Model MA(1)
Uji Estimasi Parameter Model
1. H0 : (parameter MA (1) tidak signifikan dalam model)
H1 : (parameter MA(1) signifikan dalam model))
2. Tingkat signifikansi
α = 0.05
3. Daerah kritis
H0 ditolak jika p-value < α = 0.05
4. Statistik uji