ESTIMASI MODEL SEEMINGLY UNRELATED REGRESSION DENGAN ERROR BERPOLA AUTOREGRESSIVE ORDE SATU

MIFTAHUL JANNAH, Dr. Herni Utami, S.Si., M.Si.

2017 | Skripsi | S1 STATISTIKA

Model regresi yang terdiri dari beberapa persamaan regresi yang saling berhubungan dikenal dengan model Seemingly Unrelated Regression (SUR). Model ini mengasumsikan adanya korelasi error pada sistem persamaan. Error antar persamaan berkorelasi secara contemporaneous. Dalam kondisi tersebut, model SUR dengan metode GLS akan lebih efisien dibandingkan metode OLS karena metode OLS membuang kemungkinan adanya hubungan antar persamaan. Salah satu asumsi dalam model SUR adalah tidak terdapat autokorelasi pada tiap persamaan. Namun pada data runtun waktu dimana pengamatan variabel pada setiap persamaan dilakukan secara frekuentif dari waktu ke waktu, error dari persamaan cenderung menunjukkan pola korelasi serial. Dalam tugas akhir ini, dilakukan estimasi model SUR dimana error pada masing-masing persamaan penyusunnya memiliki pola autoregressive orde satu (AR(1)). Langkah awal yang dilakukan adalah melakukan transformasi data pada masing-masing persamaan tunggal. Kemudian metode Feasible Generalized Least Square diterapkan pada model SUR dengan data hasil transformasi guna memperoleh estimator yang efisien. Kesimpulan yang diperoleh yaitu akan lebih tepat jika dilakukan transformasi pada model SUR dimana error pada tiap persamaan tunggalnya berkorelasi. Estimasi model SUR pada data transformasi lebih efisien dibandingkan estimasi model SUR tanpa transformasi.

Models that consists of several correlated regression equations are known as Seemingly Unrelated Regression (SUR) model. This model assumes an error correlation in the system. Errors are contemporaneously correlated between equations. In this condition, SUR model with the GLS method will be efficient compared with the OLS method. It is because OLS method discards the possibility of relationship between equations. One of the assumptions on the SUR model is that there is no correlated error in each equation. However, in time series data where the observation of the variables in each equation was done frequently over time, the errors of the equation are likely to exhibit serial correlation. In this final task, the SUR model is estimated where each equation exhibit first-order autoregressive (AR(1)) disturbances. First, each equation is transformed based on their estimated correlation coefficient and the covariance of residuals matrix. Then, Feasible Generalized Least Square (FGLS) method is applied to SUR model with the transformed data to obtain an efficient estimator. The Conclusion from this study suggest that it would be more appropriate to transform the SUR model with autocorrelated errors. SUR model estimation on the transformed data is efficient compared with SUR model estimation on the non-transformed data.

Kata Kunci : Seemingly Unrelated Regression, First-Order Autoregressive