Ma'Arif, Syamsul (2019) Nowcasting Pertumbuhan Produk Domestik Bruto Indonesia Menggunakan Dynamic Factor Model. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211750017005-Master_Thesis.pdf Download (3MB) | Preview |
Abstract
Salah satu ukuran terbaik untuk mengukur kinerja perekonomian adalah Produk Domestik Bruto (PDB). Data PDB Triwulanan Indonesia dirilis dengan delay selama lima minggu. Ini berarti bahwa tingkat pertumbuhan ekonomi pada triwulan pertama yang berakhir pada Bulan Maret, dirilis pada Bulan Mei. Data triwulan kedua yang berakhir pada Bulan Juni tidak akan diketahui sampai Bulan Agustus. Data triwulan ketiga yang berakhir pada Bulan Agustus tetapi dirilis pada Bulan Oktober. Dan, data triwulan keempat yang berakhir pada Bulan Desember dirilis pada Bulan Februari tahun berikutnya. Tujuan dari penelitian ini adalah untuk meramalkan (nowcasting) pertumbuhan PDB triwulanan Indonesia dengan menggunakan dynamic factor model (DFM). Banyak studi empiris membuktikan bahwa penggunaan model faktor yang menggunakan set data yang besar untuk variabel ekonomi, mendapatkan hasil penghitungan yang akurat. Dalam studi ini, DFM diidentifikasi secara empiris melalui pendekatan model faktor terbaik untuk nowcasting pertumbuhan PDB triwulanan menggunakan variabel sebanyak dua belas dengan series waktu bulanan dan satu variabel dengan series triwulanan. Metode DFM merupakan model yang parsimoni yang sanggup mengatasi missing data, mixed frequency, dan potensial dapat mengestimasi variabel dalam jumlah yang besar. Selanjutnya, DFM tersebut dibandingkan dengan model ARIMA dan ARIMAX. Untuk mendapatkan model terbaik, dibandingkan nilai RMSE dan MAD. Hasil yang didapatkan berdasarkan nilai RMSE dan MAD out-sample dari DFM lebih kecil dibandingkan nilai model ARIMA dan ARIMAX. Jadi, DFM lebih baik digunakan untuk meramalkan pertumbuhan PDB di Indonesia.
================================================================================================
One of macroeconomic data is Gross Domestic Product (GDP), which measures economic performance of the country, is published quarterly with around 5 weeks delay. This means that economic growth in first quarter was released in May. Second data ending in June will not be known until August. Third quarter data ended in August but released in October. And, the fourth quarter data ending in December was released in February of the following year. The aim of this research is to forecast (nowcasting) the quarterly GDP growth in Indonesia using the dynamic factor model. Many empirical research show that the use of factor model which employs a large number of data will produce an accurate result. In addition, this study will empirically identify the best factor model (out of many) to forecast the quarterly GDP growth using twelve variables that consist of monthly data and one variable of quarterly data. Another consideration of using the dynamic factor model is that this method is parsimony and able to cope with missing data and mixed frequency. Furthermore, this model can estimate a large number of data which yields an accurate estimates. In this research, the dynamic factor model is then compared with ARIMA and ARIMAX to obtain the best model by comparing the value of RMSE and MAD. The results indicate that the value of RMSE and MAD of out-sample from the dynamic factor model is smaller than those in ARIMA and ARIMAX. Hence, the dynamic factor model is the best model for forecasting the growth of GDP in Indonesia.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.703 Ma`a n-1 2019 |
| Uncontrolled Keywords: | Nowcasting, Dynamic Factor Model, ARIMA, ARIMAX, Pertumbuhan PDB. |
| Subjects: | T Technology > T Technology (General) > T57.83 Dynamic programming |
| Divisions: | Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Syamsul Ma'Arif |
| Date Deposited: | 09 Aug 2021 02:40 |
| Last Modified: | 09 Aug 2021 02:40 |
| URI: | http://repository.its.ac.id/id/eprint/61246 |
Actions (login required)
 |
View Item |