CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si

1 Review: Peubah Acak dan Fungsi Distribusi [Perhatikan Grafik Berikut Ini] Apakah keduanya merupakan data time series? Kejadian dan Pulang Peluang ad...

0 downloads 0 Views 268KB Size
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: Need to change? [About] The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism that gives rise to an observed series and to predict or forecast the future values of a series based on the history of that series and, possibly, other related series or factors [1]. Pre-requisite: Statistic and Process Stochastic (grade: pass). • Minggu 1 Review Peubah Acak; Karakteristik Time Series • Minggu 2 Model Random Walk • Minggu 3 Identifikasi ACF dan PACF • Minggu 4-6 Model Moving Average (MA), Autoregressive (AR) • Minggu 7 Model Diagnostik; Flowchart Forecasting Time Series • Minggu UTS • Minggu 8 Maximum Likelihood Estimator (MLE) • Minggu 9-10 Model ARI, IMA dan ARIMA • Minggu 11-13 Implementasi model ATS pada data • Minggu 14 Review UAS • Minggu UAS Computational required to carry out the calculations and do plot: readily on statistical software (SPSS, Matlab, R) Grade: Kuis 30% + UTS 35% + UAS 35%; Rule: Minimum attendance 75% [Buku Acuan] 1. Cryer, J.D., and Chan, K.S. (2008) Time Series Analysis with Applications in R, Second Edition, Springer. 2. Ross, SM. (2010). Introduction to Probability Model. 10th Edition, Elsevier Inc. 1

1

Review: Peubah Acak dan Fungsi Distribusi

[Perhatikan Grafik Berikut Ini]

Apakah keduanya merupakan data time series? Kejadian dan Pulang Peluang adalah suatu konsep berpikir, peluang mengajak kita untuk mempersiapkan diri menghadapi kejadian yang tidak terjadi. Misalkan S adalah ruang sampel, dengan A adalah kejadian, maka peluang kejadian A, n(A) n(A) = n→∞ n n(S)

P (A) = lim

[Kasus] Pak Mad mempunyai 2 anak. Berapa peluang bahwa keduanya lakilaki, diberikan bahwa Pak Mad tersebut memiliki setidaknya 1 anak laki-laki?

2

[Peluang Bersyarat] Jika A dan B dua kejadian yang tidak saling bebas, dengan P (A) > 0, peluang bersyarat B diberikan A, didefinisikan P (B|A) =

P (A ∩ B) P (A)

Peubah Acak dan Fungsi Distribusi Peubah acak (p.a) merupakan fungsi yang memetakan ruang sampel ke bilangan real. Salah satu karakteristik p.a adalah memiliki fungsi distribusi (f.d). [Fungsi Distribusi] Fungsi distribusi kumulatif (cdf) dari peubah acak X, F (x) = P (X ≤ x), −∞ < x < ∞ Karakteristik fungsi distribusi, • F (x) fungsi tidak turun • limb→∞ F (x) = F (∞) = 1 • limb→−∞ F (x) = F (−∞) = 0 [Demo Matlab] clc; x = exprnd(0.1,100) hist(x) [Peubah Acak Diskrit] • Fungsi massa peluang (fmp) atau probability mass function (pmf), p(x) = P (X = x) • Fungsi distribusi kumulatif (cdf), F (x) = P (X ≤ x) = Σt≤x p(t)

3

[Peubah Acak Kontinu] • Fungsi padat peluang (fpp) atau probability density function (pmf), ditulis f (x) b

Z P (a ≤ X ≤ b) =

f (x)dx a

• Fungsi distribusi kumulatif (cdf), Z

x

F (x) = P (X ≤ x) =

f (t)dt −∞

Gambar 1: Fungsi Distribusi Peubah Acak [2]

4

[Tes] 1. Banyaknya kecelakaan yang terjadi di tol setiap hari berdistribusi Poisson dengan parameter λ = 3. Berapa peluang tidak ada kecelakaan pada hari ini? 2. Tentukan fungsi distribusi kumultif (cdf) dari distribusi Exponensial? [Proses Stokastik] adalah kumpulan peubah acak Yt dengan t ∈ T merupakan indeks waktu. Setiap proses stokastik memuat ruang keadaan S dan indeks parameter T . • Banyaknya Mahasiswa Baru IK per tahun • Banyaknya klaim asuransi PT.ASTERA yang masuk pada interval [0,t] Mean/Ekpektasi [Definisi] Misalkan X p.a, maka ekspektasi dari X didefinisikan sebagai 1. Variabel Diskrit X

E(X) = µX =

xp(x)

x

2. Variabel Kontinu Z



E(X) = µX =

xf (x)dx −∞

Sifat: Jika a dan b merupakan konstanta, tentukan E(aX + b)... Variansi [Definisi] Misalkan X adalah p.a dengan mean µ. Variansi dari X adalah V ar(X) = σ 2 = E[(X − µ)2 ] Sifat: Jika a dan b merupakan konstanta, tentukan V ar(aX + b)... Kovariansi [Definisi] Misalkan X dan Y adalah p.a dengan mean µX dan µY . Kovariansi dari X dan Y adalah Cov(X, Y ) = E(XY ) − µX µY Sifat: Untuk X, Y, Z p.a dan c adalah konstanta, berlaku 5

1. Cov(X, X) =... 2. Cov(X, Y ) = Cov(Y, X) 3. Cov(cX, Y ) =... 4. Cov(X, Y + Z) =... Korelasi Pembahasan mengenai kuat lemahnya asosiasi antara satu hal dengan hal lain merupakan salah satu pembahasan dalam ilmu statistika. Untuk mengetahui seberapa besar asosiasi antara satu hal dengan hal lainnya, kita memerlukan ukuran kuantitatif, yaitu ukuran asosiasi. Asosiasi dua variabel dapat diny2 atakan sebagai korelasi. Misalkan X dan Y adalah p.a dengan variansi σX 2 dan σY . Korelasi dari X dan Y adalah Cov(X, Y ) Corr(X, Y ) = ρXY = p 2 2 σX σY

2

Data Time Series

[Definisi] Barisan peubah acak Yt dengan t ∈ T menyatakan waktu. Analisis TS, ingin menjawab: ’Bagaimana menentukan model Yt sehingga model sehingga model tersebut dapat digunakan untuk forecasting’ TS memiliki dua tujuan penting: (1) Membangun model TS yang bersesuaian dengan data historis (2) Menggunakan model TS untuk forecasting. TS di Indonesia dikenal dengan ’Deret Waktu’. TS merupakan salah pendekatan yang digunakan oleh para statistisian untuk memodelkan observasi yang memiliki time dependency, sehingga tidak semua observasi dapat dimodelkan dengan TS. Yt = f (.) + εt dengan εt ∼ N (0, σ 2 ) berdistibusi identik dan saling bebas.Time dependency berhubungan dengan korelasi antar waktu, yang sering disebut sebagai autokorelasi, ρt,s = corr(Yt , Ys ) cov(Yt , Ys ) = σY2 γt,s = 2 σY 6

dengan k = t − s merupakan lag waktu.

Gambar 2: Plot Korelasi Harga Emas dan Nilai MK Geometri Nilai ρ antara 0 sampai 1, semakin mendekati 1 maka nilai korelasi semakin tinggi. Nilai korelasi dari harga emas adalah 0.9517. Sedangkan, korelasi nilai UTS MK Geometri adalah 0.0178. Dapat dikatakan bahwa data harga emas memiliki time dependency pada lag ke-1

3

Random Walk dan Moving Average • Random Walk Diberikan ε1 , ε2 , ..., εt peubah acak yang saling bebas dan identik dengan mean 0 dan variansi σε2 . Model Random Walk untuk sekumpulan observasi Yt , Y 1 = ε1 Y 2 = ε1 + ε2 = Y 1 + ε2 Y 3 = ε1 + ε2 + ε3 = Y 2 + ε3 .. . Yt = ε1 + ε2 + . . . + εt = Yt−1 + εt Tentukan mean, variansi, kovariansi dan korelasi dari Yt ? • Moving Average Diberikan kumpulan observasi {Yt }, dengan εt + εt−1 Yt = 2 2 dengan εt ∼ N (0, σε ) merupakan peubah acak yang saling bebas dan berdistribusi identik. Tentukan mean, variansi, kovariansi dan korelasi dari Yt ? 7

4

Kestasioneran

Salah satu karakteristik TS selain time dependency adalah kestasioneran. Kestasioneran memiliki peran penting dalam penaksiran parameter. Penaksiran parameter akan sulit dilakukan jika model TS tidak stasioner. Terdapat 2 kategori kestasioneran dalam TS: stasioner kuat dan lemah. • Stasioner Kuat Proses stokastik dikatakan stasioner kuat jika distribusi gabungan Yt1 , Yt2 , ..., Ytn sama dengan distribusi gabungan Yt1 +k , Yt2 +k , ..., Ytn +k , FYt1 ,Yt2 ,...,Ytn (yt1 , yt2 , ..., yt3 ) = FYt1 +k ,Yt2 +k ,...,Ytn +k (yt1 +k , yt2 +k , ..., ytn +k ) • Stasioner Lemah Proses stokastik dikatakan stasioner lemah jika mean dan variansi dari Yt untuk semua t tidak bergantung waktu (konstan) E(Yt ) = µ V ar(Yt ) = σ 2 Selain itu, nilai kovariansi hanya bergantung pada lag k dan tidak bergantung pada waktu t, Cov(Yt , Yt−k ) = Cov(Yt−1 , Y(t−1)−k ) = Cov(Yt−2 , Y(t−2)−k ) = ... • Proses White Noise Diberikan ε1 , ε2 , ..., εt peubah acak yang saling bebas dan identik. Akan ditunjukkan apakah proses tersebut stasioner kuat dan lemah? F (εt1 , εt2 , ..., εtn ) = P (εt1 < a1 , εt2 < a2 , ..., εtn < an ) = P (εt1 < a1 )P (εt2 < a2 ) . . . P (εtn < an ) = P (εt1 +k < a1 )P (εt2 +k < a2 ) . . . P (εtn +k < an ) = P (εt1 +k < a1 , εt2 +k < a2 , . . . , εtn +k < an ) = F (εt1 +k , εt2 +k , . . . , εtn +k ) Proses white noise merupakan stasioner kuat dan lemah. Apakah dua p.a yang tidak berkorelasi mengakibatkan saling bebas? Bagaimana sebaliknya!

8