24
konstan. Tapi seperti kita ketahui bahwa banyak data time series
dalam ilmu
ekonomi adalah tidak stasioner, melainkan integrated. Jika data time series
integrated dengan ordo 1 disebut I (1) artinya differencing pertama. Jika series itu
melalui proses differencing sebanyak d kali dapat djadikan stasioner, maka series
itu dikatakan non-stasioner homogen tingkat d.
Seringkali proses random
stasioner tak dapat dengan baik dijelaskan oleh model moving average saja atau
autoregressive
saja, karena proses itu mengandung keduanya. Karena itu,
gabungan kedua model, yang dinamakan Autregressive Integrated Moving
Average (ARIMA) model dapat lebih efektif menjelaskan proses itu.
Pada model gabungan ini series stasioner adalah fungsi dari nilai lampaunya
serta nilai sekarang dan kesalahan lampaunya.
Bentuk umum model ini adalah (Santoso, 2009):
Dimana :
Y
t
= nilai series yang stasioner
Y
t-1
, Y
t-2
= nilai lampau series yang bersangkutan
e
t-1
, e
t-2
= variabel bebas yang merupakan lag dari residual
W1, W
q
, A1, A
p
= koefisien model
Konsep Parsimoni
factor parsimoni juga perlu di pertimbangkan. Parsimoni adalah konsep yang
 |