Menggunaan Gretl
Untuk uji stationeritas dapat dilihat pada uji stationeritas data ROA nya pada postingan sebelumnya menggunakan eviews. Untuk menguji stationeritas dengan gretl, dapat melihat uji stationeritas dengan gretl.
Selanjutnya masukkan data (cara memasukkan data dengan gretl)
Ingat
pada postingan sebelumnya sudah ditentukan model yang digunakan adalah
model ARI, IMA, atau ARIMA karena datanya stationer pada diffrence I
Klik Menu Model àTime Series à ARIMA
Akan muncul dialog box berikut:
Pada dependen variabe: select variabel roa
Pada non seasional
*Untuk model ARI(1)
AR oder : ketik 1
Diffrence : ketik 1
MA orde: ketik 0
*Untuk model IMA(1)
AR oder : ketik 0
Diffrence : ketik 1
MA orde: ketik 1
*Untuk model ARIMA(1,1,1)
AR oder : ketik 1
Diffrence : ketik 1
MA orde: ketik 1
Lalu klik OK
NB: pada difference jika diisi angka 0 berarti data yang digunakan
adalah data yang stationer pada level sehingga model yang
memungkinkan untuk digunakan adalah AR, MA, dan ARMA
Misal untuk AR(1)
AR oder : ketik 1
Diffrence : ketik 0
MA orde: ketik 0
Model 1: ARIMA, using observations 2009:02-2014:04 (T = 63)Dependent variable: (1-L) ROA
Standard errors based on Hessian
Coefficient |
Std. Error |
z |
p-value |
||
const
|
-0,0161955 |
0,0378308 |
-0,4281 |
0,66858 |
|
phi_1
|
-0,153149 |
0,123474 |
-1,2403 |
0,21485 |
Mean dependent var
|
-0,016190
|
S.D. dependent var
|
0,352642
|
|
Mean of innovations
|
0,000137
|
S.D. of innovations
|
0,345576
|
|
Log-likelihood
|
-22,46489
|
Akaike criterion
|
50,92978
|
|
Schwarz criterion
|
57,35918
|
Hannan-Quinn
|
53,45850
|
Real |
Imaginary |
Modulus |
Frequency |
||
AR
|
|||||
Root 1
|
-6,5296
|
0,0000
|
6,5296
|
0,5000
|
Dependent variable: (1-L) ROA
Standard errors based on Hessian
Coefficient |
Std. Error |
z |
p-value |
||
const
|
-0,0183752 |
0,0280136 |
-0,6559 |
0,51186 |
|
theta_1
|
-0,351982 |
0,169876 |
-2,0720 |
0,03827 |
**
|
Mean dependent var
|
-0,016190
|
S.D. dependent var
|
0,352642
|
|
Mean of innovations
|
0,001176
|
S.D. of innovations
|
0,339630
|
|
Log-likelihood
|
-21,42569
|
Akaike criterion
|
48,85138
|
|
Schwarz criterion
|
55,28079
|
Hannan-Quinn
|
51,38010
|
Real |
Imaginary |
Modulus |
Frequency |
||
MA
|
|||||
Root 1
|
2,8411
|
0,0000
|
2,8411
|
0,0000
|
Dependent variable: (1-L) ROA
Standard errors based on Hessian
Coefficient |
Std. Error |
z |
p-value |
||
const
|
-0,00621542 |
0,00632148 |
-0,9832 |
0,32550 |
|
phi_1
|
0,685617 |
0,0987782 |
6,9410 |
<0,00001 |
***
|
theta_1
|
-1 |
0,0508287 |
-19,6739 |
<0,00001 |
***
|
Mean dependent var
|
-0,016190
|
S.D. dependent var
|
0,352642
|
|
Mean of innovations
|
-0,002424
|
S.D. of innovations
|
0,321074
|
|
Log-likelihood
|
-19,09256
|
Akaike criterion
|
46,18511
|
|
Schwarz criterion
|
54,75765
|
Hannan-Quinn
|
49,55673
|
Real |
Imaginary |
Modulus |
Frequency |
||
AR
|
|||||
Root 1
|
1,4585
|
0,0000
|
1,4585
|
0,0000
|
|
MA
|
|||||
Root 1
|
1,0000
|
0,0000
|
1,0000
|
0,0000
|
Model
|
Sign.
Model
|
AIC
|
SC
|
ARI(1)
|
Tdk Sign.
|
50,92978
|
55,28079
|
IMA(1)
|
Sign.
|
48,85138
|
55,28079
|
ARIMA(1,1)
|
Sign.
|
46,18511
|
54,75765
|
Pemilihan model yang terbaik adalah model yang signifikan, , serta AIC dan SC yang terkecil sehingga model yang terpilih adalah model ARIMA(1,1,1)
Untuk melakukan forecasting terhadap periode-periode berikutnya:
AnalysisàForecast
Pada forescast range: pada option end tambahkna periode menjadi 2014:06 (bulan 6)
OK
prediction std. error 95% interval
2014:05 1,26 0,321 0,63 - 1,89
2014:06 1,37 0,389 0,61 - 2,13
0 komentar:
Posting Komentar