Penaksiran model garch dengan metode Bounded M-Estimates
Asumsi-asumsi model deret waktu adalah adanya autokorelasi dan
stasioneritas (stasioner dalam rata-rata atau stasioner dalam variansi). Terdapat
data deret waktu yang sulit diperoleh kestasioneran pada variansinya seperti pada
data deret waktu finansial (indeks harga saham, tingkat suku bunga, inflasi, kurs
mata uang dIl), dengan kata lain variansinya tidak konstan (heteroskedastisitas).
Model deret waktu yang mengakomodasi heteroskedastisitas adalah model ARCH
(Autoregressive Conditional Heteroscedasticityi. Pengembangan dari model
ARCH adalah model GARCH (Generalized Autoregressive Conditional
Heteroscedasticity). Model GARCH biasanya menggunakan metode Maximum
Likelihood untuk menaksir parametemya. Metode ini didasarkan pada normal
likelihood yang sangat sensitif terhadap adanya outlier, sehingga menjadikan hasil
penaksiran tidak konsisten. Untuk mengatasi masalah tersebut diperlukan penaksir
yang mampu memberikan hasil penaksiran yang konsisten. Metode Bounded M
Estimates merupakan metode penaksiran model GARCH yang robust terhadap
keberadaan outlier.
Hasil simulasi dan data riil menunjukkan bahwa ketika ada outlier, hasil
penaksiran model GARCH dengan metode Bounded M-Estimates lebih baik
dibandingkan metode Maximum Likelihood Estimates. Hal tersebut pada data
simulasi dapat ditunjukkan oleh nilai bias absolut parameter ao, ap P1 yang lebih
kecil, dan dua sifat Zt yaitu pada korelasi z/ dengan Zt-/ yang lebih mendekati nol
dan pada variansi (Zt) yang lebih mendekati satu. Untuk data riil tentang Inflasi
Indonesia dari Bulan Januari 1979 sampai dengan Desember 2010 dapat
ditunjukkan oleh dua sifat z, yaitu pada korelasi z/ dengan Zt-l yang lebih
mendekati nol dan pada variansi (Zt) yang lebih mendekati satu. Kriteria tersebut
merupakan indikator untuk mendeskripsikan kebaikan metode Bounded M
Estimates pada model GARCH.
No copy data
No other version available