AUTO KERELASI

AUTO KERELASI

Auto korelasi adalah korelasi yang terjadi antar observasi dalam satu variabel (Nachrowi djalal dan Hardius usman:2006). Korelasi ini terjadi antar waktu atau individu. Umumnya kasus autokorelasi banyak terjadi pada data time series, artinya kondisi sekarang dipengaruhi waktu lalu. Oleh karena itu, dalam analisis data time series, masalah auto korelasi menjadi pusat perhatian.

Gambaran mudahnya pada kasus yang lagi ramai sekarang ini tentang Penetapan Upah Minimum provinsi (UPM) jakarta. Terus, hubungannya apa?. UPM ini selalu dipengaruhi berdasarkan UPM sebelumnya. Sehingga, dalam penetuan UPM selalu memperhatikan UPM sebelumnya. Dapat dibayangkan, bagaimana jika UPM tidak terkait dengan waktu sebelumnya. Para buruh akan mengalami ketidakpastian pada keuangannya sehingga akan menganggu urusan keluarga. Jauh banget ya. Jadi, autokorelasi sangat berguna pada kehidupan sehari-hari.

Walaupun dalam kehidupan sehari-hari autokorelasi sangat berguna, namun dalam urusan analisis regresi dalam menggunakan OLS. ini menjadi masalah utama yang harus diselesaikan. OLS mengasumsikan bahwa error merupakan variabel random yang independent (tidak berkorelasi agar penduga bersifat BLUE.

A. Penyebab autokorelasi

1.      Kesalahan model (linier – non linier)

2.      Penggunaan Lag (inertia) è data observasi pada periode sebelumnya dan periode sekarang, kemungkinan besar akan saling ketergantungan (interdependence)

3.      fenomena cobweb è Munculnya fenomena sarang laba-laba terutama terjadi pada penawaran komoditi sektor pertanian è Misalnya, panen komoditi permulaan tahun dipengaruhi oleh harga yang terjadi pada tahun sebelumnya è ui tidak lagi bersifat acak (random), tetapi mengikuti suatu pola yaitu sarang laba-laba.

4.      Tidak memasukkan variabel yang penting

5.      Manipulasi data

B. Konsekuensi adanya autokorelasi :

1. Estimator yang dihasilkan masih unbiased, konsisten, dan asymptotical normally distributed. Tetapi tidak lagi efisien->varians tidak minimum (tidak BLUE) 
2. Estimasi standard error dan varian koefisien regresi yang didapat akan ‘underestimate’. 
3. Pemerikasaan terhadap residualnya akan menemui permasalahan. 
4. Autokorelasi yang kuat dapat pula menyebabkan dua variabel yang tidak berhubungan menjadi berhubungan. Biasa disebut spourious regression. Hal ini terlihat dari R².