JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No.

3, 36 - 44, Desember 2004, ISSN : 1410-8518

UJI LINEARITAS DATA TIME SERIES DENGAN RESET TEST
Budi Warsito, Dwi Ispriyanti Jurusan Matematika FMIPA Universitas Diponegoro Abstrak
Tulisan ini membahas prosedur pengujian linearitas data time series menggunakan uji RESET test versi Ramsey dan Lagrange Multiplier. Uji yang digunakan adalah uji yang telah diperbaiki dengan pembentukan komponen utama dari bentuk polinomial pada persamaan uji. Prosedur uji kemudian diterapkan pada data simulasi untuk model linear AR(2), AR(2) dengan outlier dan model nonlinear LSTAR(2) dengan n = 200. Pengujian menunjukkan hasil yang mirip diantara kedua uji dimana data simulasi dari model linear tidak menjamin kelinearan, sedangkan data simulasi model nonlinear secara signifikan berbentuk nonlinear pada taraf 5%. Kata kunci : linearitas, RESET test, data simulasi

1. PENDAHULUAN Spesifikasi dan estimasi model time series univariat telah dikembangkan oleh Box-Jenkins dengan model ARIMA. Dalam beberapa kasus hubungan diantara variabel-variabelnya mempunyai kecenderungan berbentuk nonlinear. Dengan pemikiran tersebut, perlu dilakukan uji apakah suatu deret berkala dibangun menurut model linear atau nonlinear (Lee, et. al., 1993). Ada banyak uji yang dapat dilakukan. Tulisan ini akan membahas uji linearitas dengan RESET Test (Regression Error Specification Test) versi Ramsey dan Lagrange Multiplier kemudian diaplikasikan pada data simulasi model AR(2), AR(2) dengan outlier dan LSTAR(2) Misalkan {Zt} merupakan proses stokhastik dan partisinya adalah Z t = y t , X t' mean bersyarat pada Xt jika

(

)'

dimana yt suatu skalar dan Xt adalah vektor k x 1. Proses {yt} dikatakan linear dalam

P E ( y t X t ) = X t'θ * = 1 untuk suatu θ * ∈ ℜ k
(1)

[

]

36

σ 2 ) yaitu E et x t −1 .. Dalam prakteknya.. 3. y t − p + et (4) ( ) 37 .. MODEL TIME SERIES Bentuk umum model linear AR(p) dengan mean µ = 0 adalah ~~ ˆt y t = θ X t' + e (3) dimana X t = y t −1 . θ p ~ ( ) ~ ( ) sedangkan et adalah white noise berdistribusi identik dan independen dengan mean nol dan varian konstan σ 2 atau et ~ i. Desember 2004.. θ = θ 1 . No....i. y t − p ' . Bentuk umum model linear AR(p) dalam kasus nonlinear adalah model nonlinear autoregressive (NAR) yaitu [ ] y t = h y t −1 .. x t − 2 . berbagai model linear yang lain juga dapat digunakan sebagai model awal. 2..  . Secara khusus pada tulisan ini ditentukan data awal yang digunakan adalah model AR(p) kemudian uji diterapkan pada residual terestimasi.. Jika data menunjukkan kecenderungan nonlinear maka diperlukan estimasi pembentukan model nonlinear yang sesuai dan diharapkan mempunyai keakuratan prediksi yang lebih tinggi. Pada kondisi ini perlu dibangun model nonlinear untuk estimasi model yang lebih sesuai.JURNAL MATEMATIKA DAN KOMPUTER Vol. y t − 2 . = 0 dan var (et) = σ 2 . 36 . ISSN : 1410-8518 Sebagai alternatifnya yaitu yt tidak linear dalam mean bersyarat pada Xt jika P E ( y t X t ) = X t'θ < 1 (2) [ ] untuk suatu θ ∈ ℜ k Jika bentuk alternatif pada (2) benar maka suatu model linear dikatakan sebagai neglected nonlinearity.d(0. Beberapa tipe model non linear telah dikembangkan. Model AR(p) yang terbentuk dari suatu proses time series seperti pada (3) merupakan bentuk model linear. y t − 2 . 7..44. Langkah awal yang dilakukan pada uji linearitas adalah membangun model linear.

E et ( y t −1 . y t − 2 . + a k f tk + ν t e sehingga diperoleh model alternatif ~ y t = θX t' + a 2 f t2 + . dimana f t = X yt = f t + e tθ (6) (ii) Tambahkan model linear dalam bentuk untuk suatu k ≥ 2 ˆt = a 2 f t2 + .  . 2004). v ˆn ) adalah residual dari model alternatif pada ν (7) maka statistik ujinya adalah 38 .. ……. dari f t = X t'θ Prosedur uji pada RESET test dapat dijelaskan sebagai berikut : (i) (~ ) Regresikan yt pada X t' sehingga diperoleh model linear ~ ~' ˆ ˆt .al.  . x t − 2 . et. Jika ˆ = (e ˆ1 . x t − p x (5) 3. Prediktor optimal dari yt dengan meminimumkan MSE adalah ˆ t = E x t x t −1 .Uji Linearitas Data Time Series dengan …. e ˆn ) e nilai-nilai residual prediksi dari model linear pada (6) dan ˆ = (v ˆ1 . x t − p = h x t −1 . Dwi Ispriyanti ) dimana h adalah fungsi smoothing.  .. UJI LINEARITAS 3.. ( Budi Warsito.  .. y t − p = 0 dan variansinya ) σ 2 . + a k f tk + ν t (7) (iii) untuk suatu k ≥ 2 Test dilakukan dengan menguji hipotesis adalah H 0 : a 2 =  = a k = 0 .  .1 Ramsey RESET Test RESET test pertama kali diperkenalkan oleh Ramsey pada 1969 yang berawal dari ide bahwa jika tidak terdapat nonlinearitas maka berbagai transformasi nonlinear ( ) ( ) t ≥ p +1 ˆ tidak memberikan manfaat untuk menyatakan yt (Kim..

n-k).2 Uji Lagrange Multiplier Uji ini merupakan alternatif dari RESET test (Gujarati. Desember 2004. + a k f tk + u t untuk suatu k ≥ 2 e (11) 39 . Prosedur uji ini dijelaskan sebagai berikut (i) ˆ 'e ˆ −u ˆ 'u ˆ ) / p*] [( e Regresikan yt pada X t' sehingga diperoleh model linear ~ ~' ˆ ˆt . 3.. ISSN : 1410-8518 ˆ'e ˆ −v ˆ 'v ˆ ) / ( k −1) ] [( e ˆ ˆ [ ( v 'v ) / ( n − k ) ] RESET = (8) H0 ditolak jika RESET > F(k-1.. Model pada (7) dapat menimbulkan kolinearitas pada variabel-variabel independennya sehingga dihindari dengan melakukan langkah-langkah sebagai berikut : (i) (ii) Bentuk komponen-komponen utama dari f t2 . 7.JURNAL MATEMATIKA DAN KOMPUTER Vol.n-k). 36 ..44. Untuk uji ini nilai k ditentukan lebih dahulu. f tk ( ) Pilih p* < (k-1) yang terbesar. 2003). dimana f t = X yt = f t + e tθ (10) (ii) ˆt pada X t dan f t2 . Statistik ujinya adalah menghasilkan residual u RESET1 = [ ( u ˆ 'u ˆ ) / ( n−k ) ] (9) H0 ditolak jika RESET1 > F(p*. 3.. No.. kecuali komponen utama pertama sedemikian hingga sudah tidak kolinear dengan X t' (iii) ~ Regresikan yt pada X t' dan hasil dari (i) dan (ii) sehingga ~ ˆ t .  .. f tk Regresikan e ~ ~ ˆt = θX t' + a 2 f t2 + .

untuk uji ini nilai k ditentukan lebih dahulu dan untuk menghindari kolinearitas dilakukan langkah-langkah sebagai berikut : (i) (ii) Bentuk komponen-komponen utama dari f t2 .  .  . AR(2) dengan outlier dan LSTAR(2) kemudian dilakukan uji linearitas dengan kedua jenis uji dimana dipilih nilai k = 5 dan p* =1. 4. et.Uji Linearitas Data Time Series dengan …. kecuali komponen utama pertama sedemikian hingga sudah tidak kolinear dengan X t' (iii) ~ Regresikan et pada X t' dan hasil dari (i) dan (ii) sehingga menghasilkan R2. (2004). APLIKASI PADA DATA SIMULASI Pada bagian ini akan dibangkitkan 200 data random masing-masing berbentuk model linear dan nonlinear yaitu AR(2). Dwi Ispriyanti ) mendapatkan statistik R2. Sebagaimana dalam Ramsey RESET test. u ˆn ) H 0 : a 2 =  = a k = 0 . Jika u ujinya adalah RESET = nR2 (12) residual dari model alternatif pada (11) maka statistik H0 ditolak jika RESET > χ 2 ( k − 1) .al. ( Budi Warsito. f tk ( ) Pilih p* < (k-1) yang terbesar. ……. (iii) Test dilakukan dengan menguji hipotesis adalah ˆ = (u ˆ1 . Kajian teoritik berkaitan dengan d pendekatan asimtotis nR 2  → χ 2 dapat dilihat pada Kim. 40 . Statistik ujinya adalah ~ RESET2 = nR2 (13) H0 ditolak jika RESET2 > χ 2 ( p*) .

Desember 2004. Plot data asli model simulasi AR(2) 41 .2 yt-1 – 0.0. ISSN : 1410-8518 (i) Model AR(2) Pada model ini dibangkitkan data random AR(2) dengan persamaan yt = 1. 3.5) (14) Diperoleh plot data asli sebagai berikut : -2 0 2 4 0 5 0 1 0 0 T im e 1 5 0 2 0 0 Gambar 1.JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. 36 .5 yt-2 + et dimana et ~ N(1.44. No.

5) dan y101 = 5 merupakan outlier Diperoleh plot data asli sebagai berikut : 42 . Dwi Ispriyanti ) Plot pada gambar 1 menunjukkan data telah stastioner dan setelah dilakukan perhitungan untuk uji linearitas dengan RESET test diperoleh hasil sebagaimana disajikan pada tabel 1.99 (3. (ii) Model AR(2) dengan outlier Pada bagian ini dibangkitkan data random model AR(2) dengan persamaan yt = 1. ( Budi Warsito. dimana angka pertama adalah hasil perhitungan data simulasi dan angka dalam tanda kurung adalah nilai kritisnya.84) Hasil uji menunjukkan bahwa data simulasi model AR(2) secara meyakinkan menunjukkan kelinearitasan yang ditunjukkan dengan nilai perhitungan yang jauh lebih kecil dari nilai kritis pada kedua uji.84) 0.5 yt-2 + et (15) dimana et ~ N(1.Uji Linearitas Data Time Series dengan …. …….2 yt-1 – 0.0256 (3.0. Tabel 1 Hasil uji linearitas RESET test terhadap model AR(2) No 1 2 Uji RESET 1 RESET 2 Hasil (n=200) 1. Dengan demikian model linear AR(2) memang sesuai untuk data tersebut.

Hal ini menunjukkan adanya outlier sangat menganggu pembentukan model. 7. (iii) Model LSTAR(2) Dibangkitkan 200 data random model logistic smooth transition autoregressive LSTAR(2) dengan persamaan 43 . 1999). at. Desember 2004. Salah satu model alternatif untuk pendekatan model nonlinear adalah Artificial Neural Network (ANN) (Allende.84) 32.al. Hasil perhitungan disajikan pada tabel 2 Tabel 2 Hasil uji linearitas RESET test terhadap model AR(2) dengan outlier No 1 2 Uji RESET 1 RESET 2 Hasil (n=200) 38.80 (3.44. 36 . ISSN : 1410-8518 -2 0 2 4 0 5 0 1 0 0 T im e 1 5 0 2 0 0 Gambar 2 Plot data asli model simulasi AR(2) dengan outlier Plot pada gambar 2 menunjukkan data bersifat stasioner kecuali data ke 101 yang merupakan outlier. 3. Sangat dimungkinkan jika pada data ini dipilih salah satu model nonlinear maka akan mendapatkan prediksi model yang lebih baik.JURNAL MATEMATIKA DAN KOMPUTER Vol.90 (3..84) Hasil perhitungan pada kedua uji menunjukkan bahwa model AR(2) mempunyai kecenderungan berbentuk linear yang sangat lemah jika terdapat outlier pada datanya. No.

Hasil perhitungan untuk uji RESET disajikan pada tabel 3 Tabel 3 Hasil uji linearitas RESET test terhadap model LSTAR(2) No 1 2 Uji RESET 1 RESET 2 Hasil 5.84) 3.0. θ 0 = 0.8 y t − 2 + (θ 0 − 0. ……. Diperoleh plot data asli sebagai berikut 0 5 0 1 0 0 1 5 0 2 0 0 Gambar 3 Plot data asli model simulasi LSTAR(2) Plot data asli menunjukkan data masih tetap stasioner namun fluktuasinya berlangsung lebih cepat dibanding model linear.07 (3.5) .03)}] −1 . ( Budi Warsito. dan u t ~ N(0.03 .7 y t − 2 ) F ( y t −1 ) + u t (16) dimana F ( y t −1 ) = [1 + exp{−γ ( y t −1 − 0. 44 .84) Hasil perhitungan menunjukkan bahwa kedua uji RESET test pada data yang dibangkitkan dari model nonlinear LSTAR(2) menunjukkan nonlinearitas yang signifikan pada taraf 5%.4 y t −1 − 0.8 y t −1 + 0. Dwi Ispriyanti ) y t = 1.Uji Linearitas Data Time Series dengan …. γ = 100 .85 (3.

Sedangkan data yang dibangkitkan dari model nonlinear telah menunjukkan nonlinearitas yang signifikan masing-masing pada taraf 5%. 56. Nottingham NG7 2RD. Kim. New York. 36 . terutama jika terdapat kondisi khusus seperti outlier. Artificial Neural Networks in Time Series Forecasting: A Comparative Analysis. and Newbold. Faculty of Applied Economics. North-Holland. Testing for neglected nonlinearity in time series models. Moraga. University of Nottingham. R. P. C. working paper. PENUTUP Uji linearitas perlu dilakukan untuk menghasilkan model prediksi yang baik untuk data time series. H. 7. Belgium. Spurious Nonlinear Regressions in Econometrics. 2002. UK. White..J.N. D. Hasil pengujian dengan kedua uji RESET test menunjukkan bahwa data yang dibangkitkan dari model linear tidak selalu menunjukkan linear. 3. 269-190.. Desember 2004.W.. 45 . Research Grant BMBF RCH99/023 Gujarati. 2003 Lee. Basic Econometrics..H.. 2004 Willeme’. C. September 16.H. DAFTAR PUSTAKA Allende. 4th edition. Lee.44.. and Granger. and Salas... McGraw Hill. ISSN : 1410-8518 5.. 1999.JURNAL MATEMATIKA DAN KOMPUTER Vol. T.. University of Antwerp. T.. 1993. Y. No. School of Economics.S. Improving the Comparability of Monte Carlo Power Studies of Specification Tests: a Measure of Nonlinearity of the Data Generating Process. H. P. Working Paper. Journal of Econometrics.

Sign up to vote on this title
UsefulNot useful