Unit Root Test

Apakah yang dimaksudkan dengan unit root test?
Secara asasnya untuk mengkaji samada sesuatu data itu merupakan stationary or non-stationary data, kita perlukan ujian unit root untuk mengesahkannya. Jika time series data ada unsur unit root, makanya data itu dikatakan non-stationary.

Kenapa unit root test ini penting?
Unit root test ini penting untuk mengelakan kita daripada membina regression so called "spurious regression".

Apakah kaedah penyelesaiannya?
Biasanya kita akan menguji kewujudan unit root dengan menggunakan ujiian Philip Pheron atau Augmented Dickey Fuller. Sebelum ujian ini dilakukan, ia memerlukan kita tentukan bilangan lag. Namun begitu kebiasaannya jika data tahunan:lag=1, harian:lag=7 , sukuan: lag=4, bergantung kepada jenis data yang diambil. Untuk menentukan nilai lag yang tepat, kita boleh mengujinya di dalam E-view menerusi aplikasi "estimate var".

Jenis-Jenis Data

Menurut Dr Chandaran, data terbahagi kepada tiga iaitu cross-sectional data, time-series data dan panel data. Cross-sectional data kebiasaannya merujuk kepada data yang mempunyai maklumat seperti,firma, jantina dan lain-lain dengan pembolehubahnya seperti ROA,ROE mahupun data skala likert. Berikut merupakan contoh cross sectional data:

Time series data pula merujuk data yang mempunyai siri seperti siri tahunan, bulanan, mingguan, sukuan mahupun harian. Kebiasaannya, data time series adalah seperti data pasaran saham, KNDNK, import dan export dan pelbagai lagi. Berikut merupakan contoh time series data:




















Yang terakhir ialah panel data.Panel data merujuk kepada gabungan di antara data cross-sectional dan juga data time series. Berikut merupakan contoh panel data:

Multicolinearity

Tadi semasa di kelas timbul isu multicolinearity. Saya rasa pelajar saya agak keliru apa itu multicolinearity kerana meraka sangkakan multicolinearity itu wujud bila y dgn x ada hubungan yang kuat. Sudah pastilah salah jika andaian mereka begitu. Di dalam kajian, kita sememangnya mahukan y dgn x mempunyai hubungan yang kuat antara satu sama lain kerana itulah tujuan kajian dijalankan (pada kebiasaannya begitu, tetapi mungkin tidak untuk sesetengah bentuk kajian).

Multicolinearity wujud apabila pembolehubah X (independent variable) mempunyai hubungan yang kuat antara satu sama lain. Biasanya, multicolinearity akan dapat dikesan melalui beberapa kaedah berikut:

1) Jika persamaan regrasi tidak signifikan
2) Jika berlaku perubahan sign "+" kepada "-" pada pekali regrasi.
3) Melalui ujian VIF