ARIMA Menggunakan Gretl

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

Model 2: 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	-0,0183752	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

Model 3: 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	-0,00621542	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

Perbandingan antara model yang akan dipilih:

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

download data arima dalam m.excel

baca juga arima dengan minitab

baca juga arima dengan eviews

baca juga arima dengan gretl