mendekati kenyataan dibanding model autokorelasi dengan variansi konstan. Sehingga dapat disimpulkan bahwa penggunaan model ARCH merupakan pilihan
yang cukup tepat untuk memodelkan nilai volatilitas data keuangan seperti harga harian dibanding model AR, MA dan ARMA.
2.3. ARCH Error
Terdapat perbedaan yang mendasar dalam pembentukan dan analisis model time series univariate dan persamaan cross sectional multivariate. Pada
time series univariate , tidak terdapat faktor heteroskedastisitas sehingga tidak
dapat dilakukan uji heteroskedastisitas secara umum, seperti uji Goldfield-Quandt, uji White maupun uji Park. Itu pula sebabnya fenomena heteroskedastisitas umum
ditemukan pada persamaan cross section Newbold, 2003. Pada
persamaan time series univariate
, perhatian lebih ditujukan pada adanya ARCH error, yakni kuadrat residual yang berperilaku autoregresif. Ada
tidaknya fenomena ARCH error ini terlihat dari fenomena adanya signifikansi autokorelasi dari kuadrat residual Enders, 2004. Uji ARCH-LM merupakan
metode yang dapat digunakan untuk menguji ada tidaknya ARCH error dengan lebih terkuantifikasi. Uji ARCH-LM menggunakan asumsi tidak terdapatnya
ARCH error sebagai hipotesis nol. Berdasarkan teori, apabila hasil perhitungan menunjukkan penerimaan hipotesis, maka data tidak mengandung ARCH error
dan tidak perlu dimodelkan berdasarkan ARCH.
2.4. Mean Process
Pembentukan model estimasi volatilitas pada model time series univariate memerlukan mean process. Mean process diperlukan guna menghasilkan residual
yang diestimasi perubahannya. Mean process memegang peranan penting dalam pemodelan volatilitas. Apabila pembentukan variance process menghasilkan
insignifikansi pada parameter mean process, maka dengan sendirinya variance process
tersebut gugur sebagai suatu model yang valid, karena volatilitas yang dihasilkan amat tergantung dari jenis mean process yang dibentuk Iskandar,
2006. Mean process
umumnya dibentuk berdasarkan persamaan ARMA. Akan tetapi tidak jarang pula mean process dihasilkan dari suatu persamaan dalam
bentuk konstanta. Hal ini umumnya terjadi pada data yang diambil dalam interval yang panjang. Akibat panjangnya interval, maka fluktuasi di sekitar titik
kesetimbangan akan berlangsung secara random. Penggunaan interval yang lebih rendah akan menyebabkan pergerakan terstruktur pada salah satu titik
kesetimbangan. Dampaknya akan terlihat pada signifikansinya autokorelasi residual yang terjadi Newbold, 2003.
2.5. Variance Process
