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:
- Klik data IHK lalu klik menu add àlog of selected variable, maka akan muncul variabel l_ihk
- 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
Thanks ya, artikel sangat membantu dalam menyelesaikan tugas perkuliahan tentang Generalized AutoRegressive Conditional Heteroskedastisitas (GARCH). Kunjungi juga ya MAKALAH GARCH
BalasHapus