Pertemuan Tutorial 7

Estimasi dan Diagnostic checking

 Estimasi maximum likelihood dan least-squares

Perhitungan SSR untuk AR(1), dengan ˆ1 =0.5

t zt zt  zt  z zˆ t  ˆ1 z t 1 aˆ t  z t  zˆ t aˆ t 2
0 - - - - -
1 80 20 - - -
2 60 0 10 -10 100
3 30 -30 0 -30 900
4 40 -20 -15 -5 25
5 70 10 -10 20 400
6 80 20 5 15 225

 z t  360
1
ˆ  z   z t   1 360   60
n 6
 zt  0
 aˆ t  1650
2

Kita ingin menemukan estimasi kedua parameter yang belum

diketahui  dan 1 ( ̂ dan ˆ1 ).
 Pencaharian Grid

ˆ1 SSR
-0.9 4338
-0.8 3912
-0.7 3522
-0.6 3168
-0.5 2850
-0.4 2568
-0.3 2322
-0.2 2112
-0.1 1938
0 1800
0.1 1698
0.2 1632
0.3 1602
0.4 1608
0.5 1650
0.6 1728
0.7 1842
0.8
0.9
1992
2178
SSR sebagai fungsi dari ˆ1

estimasi LS atas ˆ1 ternyata sama dengan 0,3333

Tipikal print-out komputer pada tahap estimasi;

DIFFERENCING :0 DF = 56
AVAILABLE DATA = 60 BACKCASTS = 0 TOTAL = 60
USED TO FIND SSR: DATA = 59 BACKCASTS = 0 TOTAL = 59

COEFISIENT ESTIMATES STD. ERROR T-VALUE

PHI 1 0.908 0.070 13.04
THETA 1 0,605 0.145 4.18
CONSTANT 9.15733

ADJUSTED RMSE = 0.92857 MEAN ABS % ERR = 0.71

CORRELATIONS
1 2
1 1.00
2 0.68 1.00

Hasil estimasi untuk sebuah model ARMA(1,1)

 Hasil tahap estimasi: Apakah kita telah mendapatkan model yang baik?

1. stasioner;   0.908  1 1

2. invertibel;   0.605  1 1

3. memiliki koefisien estimasi dengan kualitas yang tinggi;

4. cocok (fits) dengan data yang ada secara memuaskan.

t
koefisien estimasi   nilai koefisien hipotesa Kecocokan dengan data yang ada:
s tan dard error estimasi bagi koefisien mean absolute percent error (MAPE)

0.908  0 100 aˆ t
tˆ   13 .04 
1 0.070 n zt

0.605  0
tˆ   4.18
1 0.145
 Diagnostic checking

Apakah komponen random-nya independen?

Sebuah model yang dianggap memadai Fak residual
LAG COEF T-VAL
secara statistik adalah sebuah model
1 0.00 0.03
yang komponen randomnya secara
2 -0.07 -0.57
statistik bersifat independen, artinya ia
3 0.14 1.09
tidak saling berkorelasi. 4 -0.03 -0.21
5 -0.04 -0.32
6 -0.05 -0.38
7 -0.08 -0.60
8 -0.01 -0.08
9 0.14 1.07

Uji Chi-squared 10 -0.02 -0.11

11 -0.07 -0.49
K

 n  k 
12 0.03 0.25
Q *  n n  2 1
rk 2 aˆ  13 0.17 1.24
k 1
14 0.13 0.91
15
 59 61  59  k 
k 1
1
rk aˆ 
2 15 0.01 0.10
Chi-squred = 8.07; df =12


 3599 1 / 58  0  1 / 57  0.07    1 / 44 0.01
2 2 2
 Residual dari model estimasi ARMA(1,1)

 8.07