AUTOKORELASI

Oleh : Dr. Abd. Rahim, S.P., M.Si

 Autokorelasi merupakan salah satu asumsi
penting metode OLS yang berkaitan dengan
tidak adanya hubungan antar variabel
ganguan satu dengan gangguan lainnya
 Autokorelasi (autocorrelation) atau serial
korelasi merupakan korelasi antara variabel
atau sampel satu dengan sampel lainnya
atau μt dengan μt-1 atau …
 kesalahan random observasi lainnya pada
anggota sampel yang diurutkan menurut
runtun waktu (time series) dengan
persamaan sebagai berikut :
μt = ρμt -1 + vt ….......…................................ (1)
 Masalah autokorelasi umumnya terjadi pada
data time-series, pada data cross-section tidak
dijumpai masalah ini
  Adanya autokorelasi menyebabkan estimator OLS
dari persamaan regresi tidak efisien dan tidak
konsisten walaupun unbiased
• Efisien => estimator mempunyai varian terkecil
dan konsisten;
• Konsisten => semakin besar sampel, maka
variannya semakin menurun;
• Bias => tidak mencerminkan yang sebenarnya
• Penyimpangan asumsi klasik jika non-
autokorelasi dilambangkan sebagai berikut :
• E (ui,uj) = 0 ............................................................ (2)
• sedangkan adanya autokorelasi dilambangkan
• E (ui,uj) ≠ 0 ............................................................ (3)
• Dengan hipotesis :
• H0 :  = 0, artinya non-autokorelasi
• H1 :   0, artinya terdapat autokorelasi
• Kenapa Serial korelasi terjadi ?
• 1. Bias spesifikasi karena ada variabel independen
tidak dimasukkan atau dikeluarkan
• 2. Fenomena Cobweb=> penawaran komoditas
pertanian bereaksi terhadap harga dengan
keterlambatan satu periode waktu karena
keputusan penawaran memerlukan waktu untuk
penawaran
• Misalnya : keputusan penawaran harga waktu
sekarang dipengaruhi oleh harga waktu lalu
• Pt = β0 + β1 Pt -1 + μt ......................................... (1)
• Metode Pengujian Autokorelasi :
 Metode Grafik
 Metode Durbin Watson (DW) test
 Metode Lagrange Multipiler (LM) dan Breusch-
Godfrey (B-G) test
• 1. Metode Grafik
• 2. Metode Durbin Watson (DW)
• (μt - μt-1)2
• Dw = -------------- …………………................................ (4)
• μt2
di mana :
μt : gangguan stokastik ket
μt-1 : gangguan stokastik ke t-1
 Jika DW > dL, maka tidak ada autokorelasi;
 Jika DW < dL, maka ada autokorelasi positif;
 Jika DW > 4 - dL, maka ada autokorelasi negatif;
 Jika dL < DW < du, maka tidak dapat
disimpulkan/ragu-ragu/ tidak meyakinkan; dan
 Jika 4 - du < DW < 4 - dl, maka tidak dapat
disimpulkan/ragu-ragu/tidak meyakinkan
 Masalah autokorelasi dapat pula terjadi jika R2 lebih
besar dari nilai DW
3. Metode LM/B-G
• Dalam melakukan uji LM atau B-G diregres variabel
residual (μt) dengan semua variabel independen (Xt)
dan variabel lag dari residual μt-1, μt-2 ,..., μt-p sbb :
μt = λ0 + λ0 Xt + ρ1μt-1 + ρ2μt-2 + ... + ρpμt-p + vt (5)
• Dengan hipotesis :
• H0 : 1 = 2 = ... = p = 0, artinya non-
autokorelasi
• H1 : 1 ≠ 2 ≠ ... ≠ p ≠ 0, artinya terdapat
autokorelasi
• Pengujian adanya ada tidaknya autokorelasi dengan
membandingkan nilai chi-square (2).
• Jika 2 hitung < nilai 2 tabel berarti tidak terdapat
autokorelasi, sebaliknya Jika 2 hitung > 2 tabel
berarti terdapat masalah autokorelasi.
• Informasi 2 hitung diperoleh dari jumlah observasi
dikalikan dengan koefisien determinasi (R2).
• Teknik LM-BG
• Cara I
• μt = β0 + β1X1t + β2X2t + ρ1μt-1 ………………. (6)
• Jika 2 hitung > 2 tabel berarti masih terdapat
masalah autokorelasi, maka lakukan cara II
• Cara II
• μt = β0 + β1X1t + β2X2t + ρ1μt-1 + ρ2μt-2 ……….(7)
• Jika masih terdapat masalah autokorelasi, maka
lakukan cara III, begitu seterusnya sampai 2
hitung < 2 tabel atau tidak signifikan (non-
autokorelasi)
• Cara III
• μt = β0 + β1X1t + β2X2t + ρ1μt-1 + ρ2μt-2 + ρ3μt-3 .(8)
• Penyembuhan Autokorelasi
• A. Ketika Struktur Autokorelasi Diketahui
• Ketika model AR (1) yakni struktur autokorelasi ρ
diketahui, maka penyembuhan dapat dilakukan
dengan metode Generalized Difference Equation
(GDE)
• Yt = β0 + β1Xt + et ................................................... (9)
et = ρet-1 + vt ……………………..…………….. (10)
• Kelambanan (lag) satu persaman (9) sbb :
• Yt-1 = β0 + β1Xt-1 + et ............................................. (11)
• Jika kedua sisi dalam persamaan (11) dikalikan
dengan ρ maka akan menghasilkan sbb :
• ρYt-1 = ρβ0 + ρβ1Xt-1 + ρet ...................................... (12)
• Kemudian persamaan (9) dikurangi dgn persamaan (12) :
• Yt - ρYt-1 = β0 - ρβ0 + ρβ1Xt - ρβ1Xt-1 + et – ρet-1 .................. (13)
Yt - ρYt-1 = β0 (1- ρ)+ β1Xt - ρβ1Xt-1 + vt ....................... (14)
= β0 (1- ρ)+ β1(Xt - ρXt-1)+ vt .......................... (15)
• dimana vt = et – ρet-1
• Persamaan (13), (14), dan (15) dapat ditulis
• Yt * = β0* + β1* Xt* + vt .................................................... (16)
• dimana
Yt =(Yt - ρXt-1);
β0 * = β0 (1- ρ);
β 1 * = β1
Xt * = (Xt - ρXt-1)
• Residual vt dalam persamaan (16) sudah terbebas dari
masalah autokorelasi sehingga memenuhi asumsi OLS
sehingga dapat diaplikasikan metode OLS terhadap
transformasi variabel Y* dan X* dan mendapatkan
estimator yang BLUE