Ekonometrika Time Series

Sebagai civitas akademika di bidang ekonomi tentu kita tidak asing dengan istilah ekometrika. Salah satu jenis analisis ekonometrika sendiri adalah "Time Series". Analisis jenis ini merupakan salah satu jenis data yang sering digunakan dalam analisis ekonomi atau bisa disebut sebagai analisis antar waktu. Umumnya periode yang digunakan dalam data time series terdiri dari data harian, bulanan, dan tahunan. Dalam analisis ekonomi periode data tersebut dapat diwujudkan seperti halnya data PDB (Produk Domestik Bruto), IHK (Indeks Harga Konsumen), Suku Bunga, Ekspor-Impor, Konsumsi, dan lain-lain. Hal pokok yang membedakan antara time series dengan jenis analisis ekonometrika lainya terletak pada series (deret/runtut) data. Suatu series inilah yang menjadi perilaku dinamis yang dapat mengahsilkan suatu simpulan (hasil) yang berguna untuk analisis pengambilan keputusan dimasa mendatang.

Sebelum mempelajari lebih jauh mengenai jenis-jenis analisis data time series, terlebih dahulu sobat harus paham terlebih dahulu mengenai beberapa istilah yang menjadi konsep dasar yang terkandung dalam analisis data time series, seperti:

1. Autokorelasi -> Autokorelasi merupakan salah satu permasalahan dalam uji asumsi klasik OLS yang seringkali hinggap dalam regresi data time series. Autokorelasi menyebabkan hasil data menjadi tidak akurat karena adanya hubungan yang kuat antara error pada data masa lampau terhadap error pada data saat ini. Oleh karena itu, dalam metode analisis data time series terdapat kelebihan dibandingkan regresi OLS biasa, yakni dapat meminimalisir adanya autokorelasi. (Sebagai catatan bahwa pendekteksian masalah autokorelasi sejatinya hanya dibutuhkan pada analisis data berjenis time series).
2. Spurious Regression (Regresi Palsu ) -> Regresi palsu dapat muncul akibat data yang diolah tidak menghasilkan nilai koefisien uji determinasi (R²). Hasil uji tersebut memberikan informasi kepada kita seberapa besarkah kemampuan variabel independen (bebas) dapat menjelaskan variabel dependen (terikat). Nah, kasus spurious regression ini dapat muncul ketika nilai R² sangat tinggi (biasanya daiatas 0,8 atau 80 persen) namun sebenarnya tidak memiliki arti, sehingga sejatinya tidak terdapat hubungan antara variabel independen terhadap variabel dependen meskipun berpengaruh signifikan (meaningless). 
3. Fenomena Random Walks -> secara sederhana, fenomena Random Walks terjadi ketika adanya perilaku acak pada data di masa mendatang. Jika hal ini terjadi, maka peramalan atau prediksi yang dilakukan tidak berarti apa-apa alias sia-sia. 
4. Trend Deterministik dan Stokastik -> pergerakan data dari waktu ke waktu disebut dengan trend. Dalam trend deterministik berarti bahwa pergerakan data dapat diprediksi dengan mudah. Sedangkan, perubahan yang sulit diprediksi disebut sebagai trend stokastik.
5. Forecasting (Prediksi) -> Salah satu senjata model regresi time series adalah kekuatanya dalam hal prediksi pergerakan data di masa mendatang dengan syarat bahwa keseluruhan persyaratan dalam tahapan time series telah terpenuhi.
6. Causality Test (Uji Kausalitas) -> Tujuan dari uji ini adalah untuk mengetahui ada tidaknya hubungan antar dua variabel, baik variabel independen terhadap dependen, variabel dependen terhadap variabel independen, dan independen terhadap independen. Sehingga dapat diketahui manakah variabel yang memiliki hubungan satu arah, dua arah, dan atau tidak memiliki hubungan sama sekali. 
7. Stationary (Stasioneritas) -> Uji stasioneritas merupakan hal mutlak yang dibutuhkan dalam regresi time series. Dalam penelitian yang menganalisis perilaku waktu (series), stasioneritas data sangat perlu untuk diidentifikasi. Data yang memenuhi stasioneritas berarti bahwa data tersebut memiliki: 1) varians (jumlah kuadrat beda antara dugaan dan rata-rata) yang tetap sepanjang waktu, dan 2) perubahan fluktuasi data yang sama dari waktu ke waktu. Data yang stasioner menunjukkan bahwa terdapat faktor yang menyebabkan data selalu pada tingkat perubahan yang tetap sepanjang waktu. Nah, perilaku data yang berubah secara tetap ini nantinya dapat dibuktikan melalui beberapa uji dalam analisis time series seperti uji stabilitas (stability), uji kointegrasi (co-integration), error correction, speed adjusment, dan lain-lain.