Autokorelasi dan Autokorelasi Parsial Data Deret Waktu (Time Series)

Autokorelasi dan Autokorelasi Parsial Data Deret Waktu (Time Series)

Pada artikel sebelumnya kita sudah mengenal apa itu analisis regresi deret waktu, tahapan-tahapan analisis serta kegunaan analisis deret waktu itu sendiri. Salah satu asumsi yang harus dipenuhi dan layak sebuah deret data dilakukan analisis regresi deret waktu adalah adanya autokorelasi antar pengamatan (korelasi dalam variabel respon Y).

Pada kesempatan kali ini kita akan menjelaskan peran autokorelasi dalam analisis deret waktu, yang kita hadapi dalam analisis deret waktu terdapat dua jenis korelasi yaitu autokorelasi dan autokorelasi parsial. Apa arti dan kegunaan dua jenis korelasi tadi dalam analisis regresi deret waktu akan dipaparkan pada penjelasan berikut.

Autokorelasi

Konsepsi autokorelasi setara (identik) dengan korelasi Pearson untuk data bivariat. Gambarannya sebagai berikut, jika dimiliki sampel data deret waktu X1, X2, … , Xn dan dapat dibangun pasangan nilai (X1, Xk+1), (X2, Xk+2), …, (Xk, Xn). Dalam analisis data deret waktu untuk mendapatkan hasil yang baik, nilai n harus cukup besar dan autokorelasi disebut berarti jika nilai k cukup kecil dibandingkan dengan n, sehingga autokorelasi lag-k dari sampel data deret waktu yang terbentuk adalah

Dan perumusan autokoerelasi seperti di atas digunakan dalam analisis data deret waktu. Karena rk merupakan fungsi atas k, maka hubungan autokorelasi dengan lag-nya dinamakan Fungsi Autokorelasi (Autocorrelation Function, ACF) dan dinotasikan oleh ρ(k).

Autokorelasi Parsial

Konsepsi lain pada autokorelasi adalah autokorelasi parsial (partial autocorrelation), yaitu korelasi antara Xt dengan Xt+k, dengan mengabaikan ketidakbebasan Xt+1, Xt+2, … , Xt+k-1, sehingga Xt dianggap sebagai konstanta, Xt = xt , t = t+1, t+2, … , t+k-1. Autokkorelasi parsial Xt dengan Xt+k didefinisikan sebagai korelasi bersyarat,

Seperti halnya autokorelasi yang merupakan fungsi atas lagnya, yang hubungannya dinamakan fungsi autokorelasi (ACF), autokorelasi parsial juga merupakan fungsi atas lag-nya dan hubungannya dinamakan Fungsi Autokorelasi Parsial (Partial Autocorrelation Function, PACF).

Untuk menghitung autokorelasi dan autokorelasi parsial banyak kemasan program (software) komputer yang dapat digunakan, seperti SPSS, MINITAB, dan STATISTICA, sehingga jika para pengguna analisis data deret waktu tidak memahami konsepsi perhitungan dan pembuatan program komputer untuk perhitungannya, bisa menggunakan salah satu kemasan program tersebut untuk keperluan analisisnya. Pada artikel selanjutnya kita akan bahas penggunaan software SPSS dalam menghasilkan ACF dan PACF dalam grafik korelogram yang salah satunya dapat membantu peneliti dalam mengidentifikasi kebaikan model data deret waktu yang terbentuk. SEMANGAT MEMPELAJARI!!!

Sumber : Buku Ajar, Mulyana, Statistika UNPAD.

———————————————————————————————————————————————————-

  1. Jika rekan peneliti memerlukan bantuan Survey Lapangan, Survey Online ataupun Olah Data dapat menghubungi mobilestatistik.com :
  1. Klik “Konsultasi Gratis” untuk mendapatkan informasi atau solusi terkait dengan pertanyaan-pertanyaan seputar metodologi penelitian.
  • “1st Kirim Pertanyaan, Kami Jawab . . . InsyaAllah”

———————————————————————————————————————————————————-

online survey BPKH RI | LISREL | SEM | Eviews | Analisis Faktor | Validitas | SWOT | Autokorelasi


survey lapangan kampung ketandan I path analisis | analisis jalur | LISREL

Leave a Reply

Your email address will not be published. Required fields are marked *