Ensiklopedia keuangan

Autoregressive Integrated Moving Average (ARIMA)

Apa Autoregressive Integrated Moving Average (ARIMA)?

Moving Average terintegrasi autoregresif, atau ARIMA, adalah model analisis statistik yang menggunakan  data deret waktu untuk lebih memahami kumpulan data atau memprediksi tren masa depan. 

Memahami Autoregressive Integrated Moving Average (ARIMA)

Model rata-rata bergerak terintegrasi autoregresif adalah bentuk  analisis regresi yang mengukur kekuatan satu variabel dependen relatif terhadap variabel perubahan lainnya. Tujuan model ini adalah untuk memprediksi sekuritas atau pergerakan pasar keuangan di masa depan dengan memeriksa perbedaan antara nilai dalam rangkaian daripada melalui nilai aktual.

Model ARIMA dapat dipahami dengan menguraikan masing-masing komponennya sebagai berikut:

  • Autoregression (AR)  mengacu pada model yang menunjukkan variabel yang berubah yang mengalami regresi pada nilai lagged, atau priornya sendiri.
  • Terintegrasi (I)  mewakili perbedaan pengamatan mentah untuk memungkinkan deret waktu menjadi stasioner, yaitu, nilai data digantikan oleh perbedaan antara nilai data dan nilai sebelumnya.
  • Moving Average (MA)  menggabungkan ketergantungan antara observasi dan kesalahan residual dari model rata-rata bergerak yang diterapkan pada observasi tertinggal.

Setiap komponen berfungsi sebagai parameter dengan notasi standar. Untuk model ARIMA, notasi standarnya adalah ARIMA dengan p, d, dan q, di mana nilai integer menggantikan parameter untuk menunjukkan jenis model ARIMA yang digunakan. Parameternya dapat didefinisikan sebagai:

  • p : jumlah observasi lag dalam model; juga dikenal sebagai urutan lag.
  • d : berapa kali pengamatan mentah dibedakan; juga dikenal sebagai derajat perbedaan.
  • q: ukuran jendela rata-rata bergerak; juga dikenal sebagai urutan rata-rata bergerak.

Dalam model regresi linier, misalnya, jumlah dan jenis istilah disertakan. Nilai 0, yang dapat digunakan sebagai parameter, berarti komponen tertentu tidak boleh digunakan dalam model. Dengan cara ini, model ARIMA dapat dibangun untuk menjalankan fungsi model ARMA, atau bahkan model AR, I, atau MA sederhana.

Rata-Rata Bergerak dan Stasioneritas Terintegrasi Autoregresif

Dalam model rata-rata bergerak terintegrasi autoregresif, data dibedakan untuk membuatnya stasioner. Model yang menunjukkan stasioneritas adalah model yang menunjukkan adanya keteguhan data sepanjang waktu. Sebagian besar data ekonomi dan pasar menunjukkan tren, jadi tujuan pembedaan adalah untuk menghilangkan tren atau struktur musiman. 

Musiman , atau ketika data menunjukkan pola reguler dan dapat diprediksi yang berulang selama satu tahun kalender, dapat berdampak negatif pada model regresi. Jika tren muncul dan stasioneritas tidak terbukti, banyak penghitungan selama proses tidak dapat dilakukan dengan sangat efektif.