MOVING AVERAGE

Kelompok 1 : Dimas Muryanto M0716019

Dyah Auliya AgustinaM0716022
Firda Anindita Latifah M0716026
Gabriel Angelina Putri M0716028
Lingga Aji Andika M0716040
Made Tiara Saskia P. M0716041
Renny Meilawati M0716050
Shindy Dwi Pratiwi M0716052
Tsaniyah Hanif Kurnia Dewi M0716055
 Definisi
Menurut Makridakis (1999: 524), model moving average merupakan nilai runtun waktu t yang dipengaruhi oleh
unsur kesalahan pada saat ini dan unsur kesalahan terbobot pada masa lalu.
Bentuk umum dari proses moving average dengan orde q atau proses MA (q) adalah

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   E  et   1et 1  Cov Yt , Yt 1   Cov et   1et 1 , et 1   1et  2 

 E   et   1et 1  E  et   1et 1    et 1   1et  2  E  et 1  1et  2   
 E  et   E 1et 1 
 E   et   1et 1  E  et    1 E  et 1    et 1   1et  2  E  et 1    1 E  et  2   
 0  1 E  et 1 
 E   et   1et 1  0 et 1   1et  2  0 
0 
 E et et 1   1et et  2   1et21   12 et 1 et  2 
Var  Yt   Var  et  1et 1 
 
 E  et et 1    1 E  et et  2    1 E et21   12 E  et 1et  2 

 Var  et   Var   1et 1 

 
 E  et  E  et 1    1 E  et  E  et  2    1 E et21   12 E  et 1  E  et  2 
 
 0  0  1 E et21  0
    Var  et 1 
2 2
e 1
  
  1 E et21   E  et 1  
2

   
2
e 1
2 2
e   1Var  et 1 

  e2 1  12    1 e2
Cov Yt , Yt  2   Cov et  1et 1 , et  2   1et 3 
 E   et  1et 1  E  et  1et 1    et  2  1et 3  E  et  2  1et 3   
 E   et  1et 1  E  et   1 E  et 1    et  2  1et 3  E  et  2   1 E  et 3   
 E   et  1et 1  0 et  2  1et 3  0  

 E et et  2  1et et 3  1et 1et  2  12 et 1et 3 
 E  et et  2    1 E  et et 3   1 E  et 1et  2   12 E  et 1et 3 
 E  et  E  et  2   1 E  et  E  et 3   1 E  et 1  E  et  2   12 E  et 1  E  et 3 
0

Sehingga didapat ringkasan untuk model MA (1) 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  Yt   E  et  1et 1   2 et  2  Var  Yt   Var  et   1et 1   2 et  2 

 E  et   E 1et 1   E  2 et  2   Var  et   Var    1et 1   Var    2 et  2 
 0  1 E  et 1    2 E  et  2    e2   12Var  et 1    22Var  et  2 
0   e2   12 e2   22 e2

 1   12   22  e2 
Cov  Yt , Yt 1   Cov  et  1et 1   2 et  2 , et 1  1et  2   2et 3 
 E   et  1et 1   2 et 2  E  et  1et 1   2 et 2    et 1  1et  2   2 et 3  E  et 1  1et  2   2 et 3   
 E   et  1et 1   2 et 2  E  et   1 E  et 1    2 E  et  2    et 1  1et  2   2 et 3  E  et 1   1 E  et  2     2 E  et 3  
 E   et  1et 1   2 et 2  0  et 1  1et  2   2 et 3  0 

 E et et 1  1et et  2   2 et et 3  1et21  12 et 1et  2  1 2 et 1et 3   2 et 1et  2  1 2 et2 2   22 et  2 et 3 
   
 E  et et 1   1 E  et et 2    2 E  et et 3   1 E et21  12 E  et 1et  2   1 2 E  et 1et 3    2 E  et 1et  2   1 2 E et22   22 E  et  2 et 3 
 0  0  0   Ee   0  0  0    Ee   0
1
2
t 1 1 2
2
t 2

   E  e    E  e        E  e    E  e   
2 2 2 2
1 t 1 t 1 1 2 t 2 t 2

 1Var  et 1   1 2Var  et  2 

 1 e2  1 2 e2
   1  1 2  e2
Cov Yt , Yt  2   Cov et  1et 1   2et  2 , et  2  1et  3   2et  4 
 E   et  1et 1   2et  2  E  et  1et 1   2et  2    et  2  1et  3   2et  4  E  et  2  1et  3   2et  4   
 E   et  1et 1   2et  2  E  et   1E  et 1    2 E  et  2    et  2  1et  3   2et  4  E  et  2   1E  et  3     2 E  et  4  
 E   et  1et 1   2et  2  0  et  2  1et  3   2et  4  0 

 E et et  2  1et et  3   2et et  4  1et 1et  2  12et 1et  3  1 2et 1et  4   2 et2 2  1 2et  2 et  3   22et  2 et  4 
 
 E  et et  2   1E  et et  3    2 E  et et  4   1E  et 1et  2   12 E  et 1et  3   1 2 E  et 1et  4    2 E et2 2  1 2 E  et  2et  3    22 E  et  2et  4 
 0  0  0  0  0  0   2 E et2 2  0  0  
  
  2 E et2 2   E  et  2  
2

  2Var  et  2 
  2 e2

Cov Yt , Yt 3   Cov et  1et 1   2et  2 , et 3  1et  4   2et 5 

 E   et  1et 1   2 et  2  E  et  1et 1   2 et  2    et  2  1et 3   2 et  4  E  et  2  1et 3   2et  4   
 E   et  1et 1   2 et  2  E  et   1 E  et 1    2 E  et  2    et 3  1et  4   2 et 5  E  et 3   1 E  et  4     2 E  et 5  
 E   et  1et 1   2 et  2  0  et 3  1et  4   2et 5  0  

 E et et 3  1et et  4   2 et et 5  1et 1et 3  12 et 1et  4  1 2 et 1et 5   2 et  2 et 3  1 2 et  2 et  4   22 et  2 et 5 
 E  et et 3   1 E  et et  4    2 E  et et 5   1 E  et 1et 3   12 E  et 1et  4   1 2 E  et 1et 5    2 E  et  2 et 3   1 2 E  et  2 et  4    22 E  et  2et 5 
 000000000
0
Sehingga didapat ringkasan untuk model MA (2) sebagai berikut:

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

Ciri dari proses MA (q) yaitu:

• ACF terputus setelah lag ke-q.
• PACF turun secara eksponensial menuju nol.

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 1 et2 dengan S   ,   = jumlah kuadrat nilai sisa

n

et = nilai sisa (white noise)

 Dari n observasi e1 , e2 , e3 ,..., en dengan parameter 1 ,  2 ,  3 ,...,  q dapat diestimasi dengan meminimumkan
jumlah kuadrat residual Sum Squared Error (SSE).

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 

Sebagai contoh, diketahui model MA(1) Yt  et  1et 1

Diperoleh eror et  Yt  1et 1

θ1 dapat diestimasi dengan meminimumkan jumlah kuadrat residual

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  2Yt1et 1  12 et21
n
0
1
2t  2 Yt et 1  21 t  2 et21  0
n n

21 t  2 et21  2t  2 Yt et 1

n n

1 t  2 et21  t 2 Yt et 1
n n

Estimator untuk parameter θ1 dinyatakan sebagai berikut

 t  2 Yt et 1
n

ˆ1 

n 2
e
t  2 t 1
 DATA M2
MULTIPLIER
Uji Kestasioneran Data

1. Plot Data 2. Uji Augmented Dickey-Fuller (ADF)

1.   Terdapat akar unit (Data tidak
■ stasioner)
Tidak terdapat akar unit (Data stasioner)
2. Tingkat Signifikansi
α = 0.05
3. Daerah Kritis
ditolak jika p-value < α
4. Statistik Uji
  Berdasarkan output di atas, diperoleh nilai p-value sebesar 0.01

5.Kesimpulan
Karena nilai p-value < α, maka ditolak yang berarti bahwa data stasioner (tidak terdapat
akar unit)
 Transformasi Data

Data M2 Multiplier telah stasioner, tetapi

1. Plot Data

menurut Tsay, indikator perekonomian

cenderung berfluktuasi dari waktu ke waktu

sehingga perlu dilakukan transformasi.

Transformasi yang digunakan pada data

indikator M2 Multiplier yaitu transformasi log

return.
2. Uji Augmented Dickey-Fuller (ADF)

 1. Terdapat akar unit (Data tidak stasioner)

Tidak terdapat akar unit (Data stasioner)
2. Tingkat Signifikansi
α = 0.05
3. Daerah Kritis
ditolak jika p-value < α
4. Statistik Uji
Berdasarkan output tersebut,
diperoleh nilai p-value sebesar 0.01

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

Berdasarkan output di atas, diperoleh nilai p-value <

5. Kesimpulan
Karena p-value < α, maka H0­ditolak yang berarti bahwa parameter MA (1) signifikan dalam model

Diperoleh persamaan model MA(1) : 𝑌  𝑡 =𝑒 𝑡 +0.80981𝑒 𝑡−1