heteroskedastisitas.
Gambar 4. Histogram Deskripsi Statistik 4.2 Identifikasi Model
Hal yang perlu dilakukan dalam menentukan model GARCH terbaik adalah dengan melakukan sejumlah proses pengolahan data yaitu uji stasioneritas
data return, mengevaluasi model ARIMA terbaik, uji asumsi klasik uji normalitas, uji autokorelasi, uji white, mengevaluasi model GARCH terbaik,
mencari nilai varians, mencari difference log varians, dan mengestimasi hasil dengan metode OLS.
4.2.1 Uji Stasioneritas
Data time series biasanya memiliki permasalahan terkait dengan stasioneritas. Oleh karena itu, melakukan uji stasioneritas data merupakan tahap
keruncingan kurtosis data return bernilai 9,04259 nilai keruncingan lebih dari 3, hal ini menunjukkan bahwa distribusi return memiliki ekor yang lebih panjang
dibandingkan dengan sebaran normal dan mengindikasikan gejala awal adanya
100 200
300 400
500 600
700
-0.10 -0.05
0.00 0.05
Series: RETURN Sample 1022001 12312010
Observations 2608 Mean
0.000953 Median
0.000589 Maximum
0.079212 Minimum -0.103754
Std. Dev. 0.014734
Skewness -0.441803
Kurtosis 9.042591
Jarque-Bera 4052.579
Probability 0.000000
menganalisis data time series untuk melihat ada atau tidaknya unit root
yang terkandung di antara variabel sehingga hubungan antara variabel dalam persamaan menjadi valid dan tidak menghasilkan spurious regression.
Uji stasioneritas dilakukan dengan menggunakan Augmented Dickey Fuller ADF test
Lampiran 2. Berdasarkan uji tersebut, jika nilai statistik ADF dari masing-masing variabel lebih kecil daripada nilai kritis MacKinnon maka
dapat dikatakan bahwa data tersebut stasioner atau varians residualnya konstan.
Tabel 4. Uji Stasioneritas Data Return
t- statistik Probabilitas yang penting dalam
Augmented Dickey 0.0001
-Fuller test statistic -45.53678
Test critical values: 1 level -3.432665
5 level
-2.862449 10
level -2.567299
Signifikan pada taraf nyata 5
Berdasarkan hasil pengujian tersebut data return memiliki nilai probabilitas yang lebih kecil daripada taraf nyata 5 persen dan juga nilai statistik
ADF lebih kecil daripada nilai kritis MacKinnon di semua level. Maka, data return
sudah stasioner pada level.
4.2.2 Mengevaluasi Model ARIMA Mean Equation
Model ARIMA p,d,q terbentuk dari data yang sudah stasioner. Penentuan lag terbaik dari model ARIMA, dibangun berdasarkan koefisien
autokorelasi ACF dan autokorelasi parsial PACF. Berdasarkan plot korelogram maka dapat ditentukan time lag untuk membangun model. Time lag
yang digunakan pada penelitian ini, yaitu lag 3 Lampiran 3. Maka, orde maksimum model penelitian ini, yaitu AR3 dan MA 3, sehingga terdapat
sembila
gi dan kriteria nilai AIC, SC, dan SSR yang
agar asumsi galat menyebar normal dapat dipertahankan. Sehingg
konsisten. n kombinasi model ARIMA yang akan dievaluasi. Pemilihan model
terbaik berdasarkan goodness of fit.
Tabel 5. Evaluasi Model ARIMA
Berdasarkan evaluasi model Tabel 5, maka model ARIMA 2,0,3 merupakan model yang terbaik. Hal ini berdasarkan dari tingkat signifikansi yang
tinggi, nilai adj R-sq yang terting terkecil Lampiran 4.
4.2.3 Uji Asumsi Klasik 4.2.3.1 Uji Normalitas
