Apa itu Unit Root - Seri 1 Econometrica

(Comments)

Penjelasan mengenai panel cointegration ini akan dibahas sesuai struktur berikut

  • Esensi dari stationarity
  • Persamaan Matematikanya
  • Bagaimana cara implementasinya di STATA khususnya Stata versi 2

Harapannya adalah setelah ini saya khususnya dan pembaca mampu

  • Memhami konsep dari kointegrasi $cointegration$ dalam time series
  • Mendapatkan hasil dari test kointegrasi menggunakan STATA
  • Menestimasi error correction model menggnakan STATA

#MenguakBahasaKalbu-1 Asal Mula ada nya Kointegrasi (Unit root dan Spurious Regression )

#MenguakBahasaKalbu-2 Apakah itu Kointegrasi dan Error Correction Models #MenguakBahasaKalbu-3 Test Kointegrasi Engle Granger #MenguakBahasaKalbu-4 Test Kointegrasi Johansen #MenguakBahasaKalbu-5 Panel Kointegrasi Pendahuluan


  Mengapa bahasan Ini kita sebut sebagai bahasa kalbu? karena esensi di belakang bahasa kalbu adalah banyak hal yang tidak bisa kita lihat. Seperti saat seseorang itu galau, dari luar tampak susah, padahal di dalamnya lebih susah.. he he.. Galau Dari hal paling simpel ini lah semua itu berasal!! Galau!!!! Oke kembali ke hal yang serius, kita ketahui bahwa perbedaan atara stasioner dan tidak stasioner dalam ime series. Pada statsioner time series, shock akan temporrere dan seiring dengan waktu efeknya akan teremlimasi saat sereis berada pada rata rata long run. Hal yang lain, non statsionertime sereis akan menjadikan shock tadi seagai komponen yang permanen. Seperti hati kita cuy, saat kita memiliki hati yang sebenarnya baik, maka yang namanya sifat jelek atau khilaf berlangsung hanya sementara, sedangkan kalau kita labil maka ke labilan kita akan memakan diri kita sendiri (cieh puitis saya). Lanjut!!! Oleh karena itu, rata rata dan variance dari non stasioner time series akan tergantung pada waktu, yang menghantarakan kepada kasus dimana seris tidak memiliki long run mean (rata rata) dan juga varianc akan bergantung pada waktu dan kanam mendekeati inifinity saat waktu berlalu ke keabadian! ciehh dalammm Kita juga sudah membahas bagaimana mengidentifikasi non-statiner seris. Pada umumnya kita mengatakan stasioner seris akan mengikuti theoritical corrlogram yang akan hilang dengan sendirinya saat penambahan lag meningkat, sementara theorteical correlogram dari nono stationary time series tidak adakan hilang seiring dengan penambahan panjang lag. Bagaimana pun metodak ini terika untuk tidak akurat karena dekat dengan unit root process akan memiliki bentuk yang sama paa autocorrelation funcion (ACF) sebagai real unit root process. Olh karenanya apa yang umncul menjadi unit root untuk seoang penlit mungkin muncul sebagai stationer process untuk peneliti yang lain. Poin dari diskusi ini adalah formal tes untuk mengidentifkasi non statsionary (unit root). Bahasan selanjutnya akan penmenjaskan apa itu dan problem apa yang ada pada unit regresi model yang memiliki unit orrot. Oke akhir kata selamat menikmati kisah pemuda pemudi galau ini he he.   Sebelum kita mulai apa itu unit root, mari kita simak model berikut


  Perhatikan persamaan AR(1) berikut

\(  y_t = \phi y_{t-1} + e_t \)

di mana $e_t$ adalah proses white nose dan kondisi dari stationarity adalah $|phi|<1$ Secara general ada 3 case case 1 $|phi|<1$ dan oleh karena nya series ini stasioner. case 2 $|phi|<1$ dimana series ini mengalami keledakan case 3 $|phi|<1$ di mana series ini menangdung unit root dan oleh karenanya tidak stasioner. Sehingga apabila $phi =1$, sehingga $y_t$ mengandung unit root, memiliki $phi=1$ dan mengurangi $y_{t-1}$ dari kedua sisi persamaan sebelumnya ref{eq:one} maka kita akan mendapatkan. begin{equation} label{eq:two} y_t -y_{t-1}= y_{t-1} +y_{t-1}+ e_t triangle y_t = e_t end{equation} dan karena e_t adalah white noise process, sehingga $triangle y_t$ adalah seri yang statsioer. Sehingga dengan mengurangkan $ y_t$ kita akan mendapatkan stationaritas.

Definisi 1 Sebuah seri $y_t$ adalah terintegrasi pada order satu ($y_t sim I(1)$) dan mengandung sebuah unit root apabila $y_t$ tidaklah statsioner, namun $triangle y_t$ statsioner.

  Secara general, sebuah time series $y_t$ yang tidak stationer mungkin butuh untuk diselisihkan lebih dari sekali sebelum menjadi stationer. Sebuah series $y_t$ menjadi stationer setelah sekian banyak selesih d (d numbers of differences) disebut juga terintegrasi pada order d.

Definisi 2 Sebuah seri $y_t$ terintegrasi pada order d (disimbolkan $y_t sim I(d))$ apabila $y_t$ tidak stasioner tetapi $triangle^d y_t $ stasioner; dimana $triangle y_t = y_t - y_{t-1}$ dan $triangle^2 y_t = triangle(triangle y_t) =triangle y_t- y_{t-1}$ dan seterusnya.

Lanjutan berikutnya adalah mengenai spurious regression. Reference : Baltagi (2013) Asteriou (2008)

Currently unrated

Comments

Riddles

22nd Jul- 2020, by: Editor in Chief
524 Shares 4 Comments
Generic placeholder image
20 Oct- 2019, by: Editor in Chief
524 Shares 4 Comments
Generic placeholder image
20Aug- 2019, by: Editor in Chief
524 Shares 4 Comments
10Aug- 2019, by: Editor in Chief
424 Shares 4 Comments
Generic placeholder image
10Aug- 2015, by: Editor in Chief
424 Shares 4 Comments

More News  »

Potongan cerita pendek - kelas kosong masa SMA yang mengingatkanku pada dirinya

Recent news

Cerita ini fiksi belaka, kemiripan dengan kejadian sesungguhnya hanyalah kebetulan, atau dirimu memang ingin membuatnya kebetulan 😅

read more
16 hours, 46 minutes ago

Apa kepanjangan kwk di c plano pilkada

Recent news

Dalam konteks formulir C Plano pada Pilkada, singkatan “KWK” berarti “Kepala Wilayah Kerja”. Formulir C1-KWK Plano adalah catatan hasil penghitungan suara di Tempat Pemungutan Suara (TPS) yang digunakan dalam Pemilihan Kepala Daerah dan Wakil Kepala Daerah. Formulir ini mencatat secara rinci perolehan suara di setiap TPS dan merupakan bagian penting dalam proses rekapitulasi suara.

read more
4 days, 21 hours ago

What is department of Government efficiency

Recent news

The **Department of Government Efficiency (DOGE)** is a proposed initiative by President-elect Donald Trump, aiming to streamline federal operations and reduce wasteful spending. Announced on November 12, 2024, the department is set to be co-led by tech entrepreneur Elon Musk and former Republican presidential candidate Vivek Ramaswamy.

read more
1 week, 1 day ago

Who Kyle Singler

Recent news

Kyle Singler is a former professional basketball player known for his collegiate success at Duke University and his tenure in the NBA.

read more
1 week, 1 day ago

Who is Pete Hegseth

Recent news

Pete Hegseth is an American television host, author, and Army National Guard officer, recently nominated by President-elect Donald Trump to serve as the United States Secretary of Defense.

read more
1 week, 1 day ago

Who is Anne Applebaum

Recent news

Anne Applebaum is a renowned journalist, historian, and author whose works delve into some of the most pressing and complex topics of the modern era. Her expertise lies in examining the intricacies of authoritarian regimes, the rise of populism, and the fragility of democratic institutions. Her Pulitzer Prize-winning book, "Gulag: A History," offers an in-depth exploration of the Soviet labor camp system, shedding light on the human suffering and ideological underpinnings of one of the 20th century’s most oppressive systems.

read more
1 week, 1 day ago

What is Plexity AI and how it can help us to see our civilization in the future?

Recent news

Plexity AI is a marvel of our times—a confluence of technological ingenuity and the boundless hunger for understanding. At its core, Plexity AI represents an advanced synthesis of artificial intelligence and machine learning, built not merely to mimic thought but to empower it. Unlike earlier iterations of AI, which focused on specialized tasks or data crunching, Plexity seems designed to operate as an expansive intellectual partner, capable of untangling the Gordian knots of complexity that define the modern era.

read more
1 week, 1 day ago

template for tanya jawab wifi

Recent news

Pertanyaan kali ini adalah 

read more
2 months, 1 week ago

More News »

Generic placeholder image

Collaboratively administrate empowered markets via plug-and-play networks. Dynamically procrastinate B2C users after installed base benefits. Dramatically visualize customer directed convergence without