Kamis, 27 Juli 2017

Autokorelasi dalam Ekonometrika

Salah satu bahasan ekonometrika yang digemari dalam pelbagai penelitian adalah analisis time series. Analisis time series merupakan salah satu analisis dengan menggunakan data runtun waktu (time series). Data runtun waktu tentunya kita telah mengetahui, ia merupakan jenis data yang terdiri atas informasi atau titik-titik data selama periode waktu tertentu. Data jenis ini juga mempunyai pola, baik beraturan maupun tidak beraturan.

Pemodelan fenomena ekonomi dengan analisis time series adakalanya menggunakan single variabel. Variabel itu secara teoritis memiliki keterkaitan dengan kondisi sebelumnya. Salah satu contoh mudahnya bila kita menggunakan data inflasi. Secara teoritis inflasi merupakan salah satu variabel ekonomi yang dipengaruhi oleh dirinya sendiri. Kondisi inflasi masa lampau dapat memberikan pengaruh terhadap inflasi masa datang. Sebab, inflasi begitu terkait dengan soal sentimen perekonomian. Terlebih lagi jika inflasi dihubung-hubungkan dengan fenomena ekonomi yang terjadi di masyarakat.

Data runtun waktu atau series inflasi ini mempunyai prilaku sesuai dengan fenomena yang terjadi pada setiap titik waktu. Inflasi biasanya naik pada saat hari raya besar dan saat tahun ajaran baru. Fenomena ekonomi inilah yang menjadi pemicu sentimen pasar serta perkiraan inflasi pada waktu berikutnya.

Adanya pengaruh yang disumbang oleh masa lalu inflasi terhadap dirinya sendiri pada saat ini dan ke depan inilah yang kemudian disebut sebagai keterkaitan yang berasal dari inflasi itu sendiri. Istilah ekonometrika tentang keterkaitan dari single variabel kemudian dikenal sebagai autokorelasi.

Autokorelasi sebetulnya merupakan gangguan dalam pemodelan ekonometrika. Untuk itu, model ekonometris yang terbentuk haruslah terbebas dari "belenggu" autokorelasi atau korelasi serial intern variabel. Jika model mengalami autokorelas, maka ada dua dampak negatif yang dikandung oleh model, yaitu:

1) Estimator memang tidak bias dan masih konsisten, dan masih mengikuti sebaran normal asimtotik, tetapi estimator tersebut sudah tidak lagi efisien sebab variansnya tidak minimum lagi, dengan kata lain tidak memenuhi kaidah Best Linear Unbiased Estimator (BLUE). Hasil estimasi variansnya biasanya underestimate daripada varians sebenarnya.

(2) Adanya gangguan asumsi ini, nilai R square tidak lagi memiliki makna yang berarti dalam menjelaskan proporsi keragaman dari variabel terikat (dependen)nya. Selain itu, karena estimator varians sampelnya (Mean Square Error)sudah tidak lagi BLUE maka varians dan standar error hasil peramalan juga tidak efisien.