Moh. Taufik, 080710450 (2012) DETEKSI OUTLIER PADA MODEL EXPONENTIAL GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSCEDASTIC DENGAN UJI RASIO LIKELIHOOD. Skripsi thesis, UNIVERSITAS AIRLANGGA.
|
Text
1. Sampul.pdf Download (124kB) | Preview |
|
![[img]](https://repository.unair.ac.id/style/images/fileicons/text.png) |
Text
2. Lembar Pengesahan.pdf Download (89kB) |
|
|
Text
3. Pedoman Penggunaan.pdf Download (88kB) | Preview |
|
|
Text
4. Kata Pengantar.pdf Download (97kB) |
|
|
Text
5. Abstrak.pdf Download (93kB) |
|
|
Text
6. Abstract.pdf Download (92kB) |
|
|
Text
7. Daftar Isi.pdf Download (93kB) |
|
|
Text
8. Daftar Tabel.pdf Download (89kB) |
|
|
Text
9. Daftar Gambar.pdf Download (88kB) |
|
|
Text
10. Daftar Lampiran.pdf Download (91kB) |
|
|
Text
11. Bab 1.pdf Download (116kB) |
|
|
Text
12. Bab 2.pdf Download (282kB) | Preview |
|
|
Text
13. Bab 3.pdf Download (151kB) |
|
|
Text
14. Bab 4.pdf Download (332kB) |
|
|
Text
15. Bab 5.pdf Download (102kB) |
|
|
Text
16. Daftar Pustaka.pdf Download (100kB) | Preview |
|
|
Text
17. Lampiran.pdf Download (372kB) | Preview |
Abstract
Model EGARCH (Exponential Generalized Autoregressive Conditional Heteroscedastic) adalah salah satu model time series yang dapat menangkap leverage effect, yakni pengaruh asimetri yang disebabkan oleh asset return positif dan negatif terhadap variansinya. Variansi model EGARCH mempunyai fluktuasi yang tinggi sehingga mengakibatkan banyak kejadian yang sifatnya mengganggu khususnya dibidang finansial. Salah satu kejadian yang sifatnya mengganggu adalah munculnya outlier. Outlier adalah suatu data yang menyimpang dari sekumpulan data yang lain. Keberadaan outlier akan memberikan efek yang kurang bagus dalam proses analisis data. Dalam kaitannya dengan bidang finansial, munculnya outlier dapat menyebabkan kerugian yang besar apabila tidak segera ditangani. Terutama outlier tipe AVO (Additive Volatility Outlier) dan ALO (Additive Level Outlier). Skripsi ini bertujuan untuk mendeteksi adanya outlier dan membedakan tipe outlier pada model EGARCH dengan metode Rasio Likelihood yang diterapkan pada data return Saham LQ45, 45 saham yang memiliki likuiditas yang tinggi. Berdasarkan hasil pendeteksian dengan metode Rasio Likelihood diperoleh bahwa data tersebut mengandung outlier tipe AVO. Kemudian data dianalisis dengan metode Hampel identifier untuk menghapus outlier serta mengganti outlier yang terdeteksi sehingga terbentuk data baru. Data baru tersebut dimodelkan kembali kemudian dibandingkan dengan model awal menggunakan nilai AIC (Akaike’s Information Criterion) dan SBC (Schwarz’s Bayesian Criterion) dari model awal dan model data baru. Nilai AIC dan SBC yang didapat pada data awal sebesar -5.638330 dan -5.531491 sedangkan pada data baru sebesar -5.997094 dan -5.909404 sehingga dapat disimpulkan bahwa model yang terbaik adalah setelah penghapusan outlier.
| Item Type: | Thesis (Skripsi) | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|
| Additional Information: | KKC KK MPM 24 - 12 Tau d | |||||||||
| Uncontrolled Keywords: | CONFIDENCE INTERVALS | |||||||||
| Subjects: | Q Science R Medicine |
|||||||||
| Divisions: | 08. Fakultas Sains dan Teknologi | |||||||||
| Creators: |
|
|||||||||
| Contributors: |
|
|||||||||
| Depositing User: | Agung BK | |||||||||
| Date Deposited: | 11 Dec 2012 12:00 | |||||||||
| Last Modified: | 25 Jul 2016 06:36 | |||||||||
| URI: | http://repository.unair.ac.id/id/eprint/25580 | |||||||||
| Sosial Share: | ||||||||||
Actions (login required)
 |
View Item |