Mengevaluasi Model ARIMA Uji Asumsi

Bollerslev-Wooldridge agar asumsi galat menyebar normal dapat dipertahankan. Sehingga galat baku dugaan parameter tetap konsisten. Gambar 4.3. Histogram GalatResidual Nilai probabilitas Jarque-Bera data harga minyak yang diteliti yaitu sebesar 0,0000 lebih kecil dari taraf nyata 5 persen, sehingga dapat dikatakan bahwa residual tidak menyebar normal. Uji Autokorelasi Uji autokorelasi digunakan untuk mengetahui kebaikan model terhadap korelasi serial. Ketika sebuah model melanggar asumsi ini akan menghasilkan estimator kuadrat terkecil yang masih bersifat linear, tak bias, dan juga tidak efisisen atau tidak memiliki varians minimum. Tabel 4.4. Uji Autokorelasi Breusch-Godfrey Serial Correlation LM Test: F-statistik 0.178881 Prob. F2,139 0.8364 Obs R-squared 0.367064 Prob. Chi-square 0.8323 Taraf Nyata 5 Berdasarkan hasil uji autokorelasi dengan Breusch-Godfrey Serial Correlation LM Test , nilai probablitas chi-square model ARIMA 1 lebih besar dari pada taraf nyata 5 persen, maka terima H0 yang artinya model ARIMA 0,1,1 tidak mengandung autokorelasi, atau tidak ada korelasi serial. 5 10 15 20 25 30 -0.3 -0.2 -0.1 -0.0 0.1 Series: Residuals Sample 2000M02 2011M12 Observations 143 Mean -3.71e-05 Median 0.008586 Maximum 0.114103 Minimum -0.336466 Std. Dev. 0.064296 Skewness -1.529420 Kurtosis 7.750791 Jarque-Bera 190.2289 Probability 0.000000 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 4.5. Uji Heteroskedatisitas F-statistic 2.639838 Prob. F5,137 0.0260 ObsR-squared 12.56654 Prob. Chi-Square5 0.0278 Scaled explained SS 41.26050 Prob. Chi-Square5 0.0000 Taraf Nyata 5 Berdasarkan hasil uji heteroskedastisitas dengan white test, nilai probabilitas chi-square model ARIMA kurang dari taraf nyata 5 maka tolak H0 yang artinya model ARIMA 0,1,1 mengandung heteroskedastisitas dan dapat diolah lebih lanjut dengan metode ARCH-GARCH.

4. Mengevaluasi Model ACRH-GARCH

Variance Equation Penentuan lag terbaik dari model GARCH p,q dibangun berdasarkan koefisien autokorelasi ACF dan autokorelasi parsial PACF. Berdasarkan plot squared correlogram maka dapat ditentukan time lag untuk membangun model. Time lag yang digunakan pada penelitian ini yaitu lag 1 Lampiran 4. Maka orde maksimum model penelitian ini, yaitu ARCH 1 dan GARCH 1 yang kemudian akan dievaluasi. Pemilihan model yang terbaik berdasarkan goodness of fit. Berdasarkan evaluasi yang dilakukan, variabel pada model GARCH 1 tidak signifikan pada taraf nyata 1, 5, maupun 10. Sehingga model yang digunakan adalah model ARCH 1 Lampiran 5. Nilai varians diperoleh setelah model GARCH terbaik terpilih. Nilai varians inilah yang kemudian digunakan dalam model VAR untuk melihat pengaruh volatilitas harga minyak terhadap return saham. Plot nilai variance dari model tersebut adalah: Gambar 4.4. RagamVarians Harga Minyak

4.2 Dinamika Interaksi Antara Harga Minyak Riil Dengan Variabel Ekonomi Lainnya

Metode VAR digunakan untuk melihat dinamika interaksi antara harga minyak dengan variabel ekonomi lainnya. Sebelum memasuki tahapan analisis model VAR perlu dilakukan pengujian-pengujian pra-estimasi. Pengujian- pengujian tersebut meliputi uji akar unit unit root test, pengujian stabilitas VAR, dan pengujian lag optimal. Pengujian-pengujian ini penting karena dalam model multivariate time series kebanyakan data yang digunakan mengandung akar unit sehingga akan membuat hasil estimasi menjadi tidak valid Gujarati, 2003. ‐4 ‐3 ‐2 ‐1 1 2 3 Jan ‐00 Aug ‐00 Mar ‐01 Oct ‐01 May ‐02 Dec ‐02 Jul ‐03 Feb ‐04 Sep ‐04 Apr ‐05 Nov ‐05 Jun ‐06 Jan ‐07 Aug ‐07 Mar ‐08 Oct ‐08 May ‐09 Dec ‐09 Jul ‐10 Feb ‐11 Sep ‐11 vt