ARCH dan GARCH menggunakan gretl

Selanjutnya kita akan menggunakan gretl untuk membentuk model ARCH/GARCH

Untuk cari memasukkan data ke gretl dapat dilihat dalam postingan sebelumnya (dasar-dasar penggunaan software gretl)

Karena datanya sudah diuji stationeritasnya pada postingan sebelumnya maka kita sudah tahu bahwa data yang digunakan adalah data log ihk pada diffrence I (baca model GARCH dengan eviews)

Akan tetapi jika ingin menguji lagi menggunakan gretl dapat melihat postingan tentang pengujian stationeritas menggunakan gretl

Karena data yang digunakan adalah data difference dari log IHK maka data IHK harus ditranformasi berikut langkah-langkahnya:

1. Klik data IHK lalu klik menu add àlog of selected variable, maka akan muncul variabel l_ihk
2. Selanjutnya klik data l_ihk, klik menu addàfirst difference of selected variable, , maka akan muncul variabel d_l_ihk

Dalam gretl tidak menyediakan pilihan diffrence pada model ARCH/GARCH nya jadi kalau misal kita ingin memakai data level maka gunakan data asli data IHK atau data L_IHK tetapi jika ingin menggunakan data pada difference I maka pada model data yang dimasukkan adalah data d_l_ihk

Lalu klik menu Model→Time Series→GARCH

Pada dependent variable klik d_I_IHK

Untuk model GARCH (1,1,0)

Garch p: 0

Arch q : 1

Untuk model GARCH (0,1,1)

Garch p: 1

Arch q : 0

Untuk model GARCH (1,1,1)

Garch p: 1

Model GARCH (1,1,0)

Model 1: GARCH, using observations 2010:02-2012:12 (T = 35)
Dependent variable: d_l_IHK
Standard errors based on Hessian

	Coefficient	Std. Error	z	p-value
const	0,00269887	0,000723934	3,7281	0,00019	***
alpha(0)	1,0228e-05	5,43531e-06	1,8818	0,05987	*
alpha(1)	1	0,388637	2,5731	0,01008	**

Mean dependent var	0,004308		S.D. dependent var	0,006371
Log-likelihood	133,5378		Akaike criterion	-259,0756
Schwarz criterion	-252,8542		Hannan-Quinn	-256,9280

Untuk uji normalitas klik menu test→Normality distribution

Test for null hypothesis of normal distribution:

Chi-square(2) = 23,946 with p-value 0,00001

Model GARCH (0,1,1)

Model 2: GARCH, using observations 2010:02-2012:12 (T = 35)

Dependent variable: d_l_IHK

Standard errors based on Hessian

	Coefficient		Std. Error			z	p-value
const	0,00188993		0,00140865			1,3417	0,17971
alpha(0)	1,72122e-05		2,13033e-05			0,8080	0,41911
alpha(1)	0,92405		0,616097			1,4998	0,13365
beta(1)	1,00273e-012		0,541897			0,0000	1,00000
Mean dependent var		0,004308			S.D. dependent var			0,006371
Log-likelihood		132,3487			Akaike criterion			-254,6974
Schwarz criterion		-246,9207			Hannan-Quinn			-252,0129

Untuk uji normalitas klik menu test →Normality distribution

Test for null hypothesis of normal distribution:

Chi-square(2) = 23,946 with p-value 0,00001

Model GARCH (1,1,1)

Model 3: GARCH, using observations 2010:02-2012:12 (T = 35)
Dependent variable: d_l_IHK
Standard errors based on Hessian

	Coefficient	Std. Error	z	p-value
const	0,00188993	0,00140865	1,3417	0,17971
alpha(0)	1,72122e-05	2,13033e-05	0,8080	0,41911
alpha(1)	0,92405	0,616097	1,4998	0,13365
beta(1)	1,00273e-012	0,541897	0,0000	1,00000

Mean dependent var	0,004308		S.D. dependent var	0,006371
Log-likelihood	132,3487		Akaike criterion	-254,6974
Schwarz criterion	-246,9207		Hannan-Quinn	-252,0129

           Unconditional error variance = 0,000226627

Untuk uji normalitas klik menu test →Normality distribution

Test for null hypothesis of normal distribution:

Chi-square(2) = 23,946 with p-value 0,00001

Misalkan kita memili model GARCH (1,1,0) maka untuk melakukan forecasting klik:

Menu Anylisis → Forecast

Klik number observation yang akan diramal, lalu klik OK

download data arch/garch dalam m.excel

baca juga model ARCH/GARCH dalam Teori

baca juga model ARCH/GARCH dengan Eviews

baca juga model ARCH/GARCH dengan Gretl