4.2.3.3 Uji Heteroskedastisitas
Uji Heteroskedastisitas digunakan untuk mengetahui kebaikan model terhadap kondisi sebaran dari variansnya. Ketika sebuah model melanggar asumsi
ini, maka akan menghasilkan estimator yang masih linear, tidak bias, tidak efisien atau tidak memiliki varians minimum yang akan berakibat pada penarikan
kesimpulan yang salah. Tabel 7. Uji Heteroskedastisitas
Heteroskedasticity Test: White
F-statistic 2.309427 Prob. F6,2599
0.0316 ObsR-squared
13.82020 Prob. Chi-Square6 0.0317
Scaled explained SS 53.65420 Prob. Chi-Square6
0.0000 Taraf Nyata 5
Berdasarkan hasil uji heteroskedastisitas dengan white test Lampiran 6, nilai probabilitas chi-square model ARIMA kurang dari taraf nyata 5 persen maka
tolak H0 Model ARIMA 2,0,3 artinya model mengandung heteroskedastisitas atau variansnya tidak menyebar normal. Model yang mengandung
heteroskedastisitas dapat diolah lebih lanjut dengan metode ARCH-GARCH.
4.2.4 Mengevaluasi model GARCH Variance Equation
Penentuan lag terbaik dari model GARCH q,p, dibangun berdasarkan koefisien autokorelasi ACF dan autokorelasi parsial PACF. Berdasarkan plot
ogram maka da
embangun Time lag
yang digunakan pada penelitian ini yaitu lag maksimum model penelitian ini, yaitu ARCH 3 dan GARCH 3, sehingga
terdapat sembilan kombinasi model GARCH yang akan dievaluasi. Pemilihan model terbaik berdasarkan goodness of fit.
squared correl pat ditentukan time lag untuk m
model. 3 Lampiran 7. Maka orde
valuasi Model GARCH
rdasarkan evaluasi m t disimpulkan
1 merupak berdasarka
tingkat signifikansi yang tinggi, nilai adj R-sq yang tertinggi, kriteria nilai AIC, SC, dan SSR yang terkecil, dan berdasarkan kriteria parsimonious prinsip
kesederhanaan.
4.2.5 Nilai Varians Model GARCH
Nilai varians diperoleh setelah model GARCH terbaik terpilih. Setelah nilai varians didapatkan, nilai varians tersebut diubah ke dalam bentuk log.
Pengubahan ke dalam bentuk log ini memiliki dua fungsi, yaitu smoothing data dan sebagai pembanding percentage of change first difference in log = first
difference . Ketika nilai varians sudah berubah ke dalam bentuk log, maka
selanjutnya dicari nilai difference dari nilai tersebut. Volatilitas ini mencerminkan kecenderungan pergerakan harga saham atau mewakili resiko. Semakin tinggi
harga saham maka volatilitas cenderung meningkat demikian pula dengan resiko dan return. Gambar 6 dan Gambar 7 menunjukkan kondisi varians dan kondisi
Tabel 8. E
Be odel pada Tabel 10, dapa
bahwa model GARCH 1,
an model yang terbaik. Hal ini n dari
perubahan varians dari menunjukkan bahwa
kondisi dari varians tidak selalu stabil atau konstan. Banyak titik di beberapa waktu dalam periode penelitian menunjukkan kondisi volatilitas yang tinggi. Hal
ini disebabkan adanya guncangan yang berasal dari faktor internal maupun faktor
global.
Gambar 6. Nilai Variance Return IHSG
return IHSG. Varians pada Gambar 6
0.
VARIANCE
0.0015 0.002
0.0025 0005
0.001
VARIANCE
‐0.2 0.4
0.6 1
0.2 0.8
D_LOG_VARIANCE
D_LOG_VARIANCE
Gambar 7. Nilai Difference Log Variance Return IHSG
estimasi dengan menggunakan OLS ditambahkan opsi White Heteroskedasticity Consistent Covariance Matrix
, hal ini ditujukan untuk menjaga asumsi galat yang menyebar normal. Variabel independen dalam estimasi ini,
yaitu perubahan varians atau volatilitas return yang diestimasi dengan konstanta dan sepuluh variabel dummy pengumuman makroekonomi Amerika Serikat.
Dummy diberikan nilai satu ketika event day dan nilai nol saat tidak ada
event . Dummy berfungsi untuk menangkap efek trading day. Karena perbedaan
zona waktu antara Indonesia dan Amerika Serikat, maka untuk Indonesia date
berlaku pada keesokan harinya. Pendekatan seperti ini digunakan pada studi intergrasi pasar yang dilakukan oleh Arshanapalli, Doukas, dan Lang dalam
4.2.6 Hasil Estimasi Akhir