Seminar Nasional Statistika IX

Institut Teknologi Sepuluh Nopember, 7 November 2009

PROSEDUR PEMBENTUKAN MODEL VARIASI KALENDER

BERDASARKAN MODEL ARIMAX UNTUK PERAMALAN
DATA DENGAN EFEK VARIASI KALENDER

Suhartono1 dan Alfonsus J. Endharta2

1
Dosen Jurusan Statistika, ITS, Surabaya
2
Mahasiswa S2 Jurusan Statistika, ITS, Surabaya
suhartono@statistika.its.ac.id; alfonsus_je@yahoo.com

ABSTRACT

The objective of this research is to develop Calendar Variation Model based

on ARIMAX model for forecasting time series data with Islamic calendar
effect. In some Islamic countries, the trade activities frequently contain
calendar variation pattern. It happens because the pattern of people
consumption to certain products usually follows Lunar calendar, instead of
following common solar calendar. Analyzing these data by using classical
time series methods, i.e. Decomposition method and ARIMA model, will
yield spurious results, especially about the seasonal pattern and outlier data.
Firstly, this research focuses on the development of model building
procedure to find the best Calendar Variation Model based on ARIMAX
model. Two kinds of trend, i.e. deterministic and stochastic trends, are
examined in this ARIMAX modeling. The procedure contains three main
steps, i.e. modeling of calendar variation effect only, modeling of the
residual model of calendar variation effect only, and the ARIMAX modeling
adaptively by combining of the calendar variation effect and ARIMA model.
Then, the procedures are applied for modeling and forecasting real time
series data, i.e. the monthly sales of boy Moslem cloth in Indonesia. The
results show that Calendar Variation Model based on ARIMAX model could
explore precisely the effect of calendar variation on time series.
Additionally, this model also yields better forecast compared to
Decomposition method and Seasonal ARIMA model.

Keywords: ARIMAX, calendar variation, lunar calendar, model building

procedure

1. Pendahuluan
Data ekonomi dan bisnis seringkali dikumpulkan tiap bulan, sehingga ter-
masuk data deret waktu bulanan. Secara umum, ada dua tipe efek kalender pada data
deret waktu bulanan. Yang pertama, banyaknya kegiatan ekonomi dapat berubah
tergantung pada hari dalam satu minggu. Karena banyaknya hari berbeda tiap
bulan atau tahun, pengamatan ini dapat dipengaruhi variasi kalender. Efek variasi
seperti ini, terutama yang disebabkan oleh banyaknya hari transaksi atau hari kerja
tiap bulan, dinamakan efek hari kerja (Hillmer, Bell, dan Tiao, 1981; Hillmer,
1982; Bell dan Hillmer, 1983). Selain variasi akibat perbedaan banyaknya hari

1
kerja, beberapa festival atau hari libur, seperti Paskah dan Tahun Baru Imlek
dibuat berdasarkan kalender bulan dan tanggal hari libur tersebut berubah sekitar
2 bulan dalam kalender masehi tiap tahunnya. Karena hari libur dapat sangat
mempengaruhi aktivitas perdagangan dan pola konsumen, pengamatan deret
waktunya dapat beragam tergantung di bulan apa terdapat hari libur yang
mengikuti system kalender bulan. Efek kalender demikian disebut sebagai efek
hari libur (Liu, 1986).
Kalender Hijriyah, yang termasuk kalender bulan berdasarkan 12 bulan
dalam 1 tahun dengan 354 atau 355 hari, digunakan di banyak negara Islam dan
digunakan untuk menentukan hari besar Islam. Indonesia sebagai negara yang
mayoritas penduduknya beragama Islam, juga menggunakan kalender Hijriyah
untuk menentukan hari besar Islam, misalnya hari besar Idul Fitri. Variasi kalen-
der muncul dengan adanya hari besar Islam ini. Efek-efek variasi kalender dapat
diketahui dari banyaknya perdagangan sekitar hari besar Idul Fitri, antara lain
sebelum, selama, dan/atau sesudah Idul Fitri. Sebagai contoh, dalam makalah ini
penjualan baju muslim pria di sebuah kota di Indonesia.
Analisis deret waktu untuk data yang memiliki pola variasi kalender
memerlukan penanganan khusus. Liu (1980) mempelajari efek variasi hari libur
dengan identifikasi dan estimasi model ARIMA dan menyarankan suatu modifi-
kasi model ARIMA dengan menyertakan informasi hari libur sebagai variabel
input deterministik. Analisis deret waktu umum, seperti metode dekomposisi dan
model ARIMA dapat memberikan hasil yang tidak benar, terutama mengenai pola
musiman dan munculnya pencilan. Beberapa penelitian tentang analysis deret
waktu untuk data yang mengandung pola variasi kalender telah dilakukan. Liu
(1986) melakukan identifikasi model deret waktu untuk data yang memiliki pola
variasi kalender. Dalam penelitiannya, Liu menggunakan model ARIMAdan
tambahan variabel efek variasi kalender. Holden, Thompson, dan Ruangrit (2005)
melakukan penelitian tentang variasi kalender pada harga saham harian di Thai
Stock Market. Holden dkk. menggunakan beberapa model, antara lain regresi
linier, General Autoregressive Conditional Heteroscedasticity (GARCH), dan
Threshold Autoregressive Conditional Heteroscedasticity (TARCH). Ketiga
model ini dibandingkan dengan ketiga model yang sama, namun diberi tambahan
variabel efek variasi kalender. Holden dkk. menunjukkan bahwa model-model
dengan tambahan variabel efek variasi kalender memberikan hasil yang lebih baik
daripada model-model tanpa tambahan variabel. Dalam makalah ini, dikemukakan
suatu prosedur untuk membentuk model khusus untuk data yang mengandung
pola variasi kalender. Model yang dikembangkan adalah model ARIMAX.

2. Landasan Teori
Pada bagian ini akan diterangkan beberapa teori dan metode yang digunakan
dalam penelitian ini, yaitu metode analisis deret waktu yang umum, antara lain

2
metode dekomposisi dan model ARIMA musiman, dan yang berkaitan dengan
pengembangan prosedur baru untuk pembentukan model variasi kalender, yaitu
model ARIMAX.

2.1. Metode Dekomposisi

Pada bagian ini dijelaskan metode dekomposisi aditif. Dasar metode dekom-
posisi adalah memisahkan komponen musiman dari komponen lainnya dari suatu
deret data. Model dekomposisi aditif ditulis sebagai berikut (lihat Bowerman dan
OConnel, 1993).
yt Tt St Ct It (1)
dengan
yt = pengamatan ke-t
Tt = komponen trend ke-t
St = komponen musiman ke-t
Ct = komponen siklik ke-t
It = komponen irregular ke-t

2.2. Model ARIMA Musiman

Model ARIMA musiman merupakan model deret waktu linier yang cukup
fleksibel dan dapat digunakan dalam pemodelan beragam tipe musiman sebaik
model deret waktu non-musiman. Model ARIMA musiman dapat ditulis secara
matematis dengan (lihat Wei, 1990; Box, Jenkins, dan Reisel, 1994; Cryer dan
Chan, 2008):
S
p (B) P (B )(1 B)d (1 BS )D yt S
q (B) Q (B ) t , (2)
dengan
2
p (B) = 1 1B 2B p Bp
S S 2S
P (B ) = 1 1B 2B P BPS
2
q (B) = 1 1B 2B q Bq
S S 2S
Q (B ) = 1 1B 2B QBQS ,
dan S adalah periode musiman, B adalah operator backshift, dan t adalah deret
noise dengan mean nol dan varians yang konstan. Box dan Jenkins (1976) menge-
nalkan suatu prosedur pembentukan model ARIMA musiman yang efektif
berdasarkan struktur autokorelasi suatu deret waktu.

2.3. Model ARIMAX untuk Variasi Kalender

Model ARIMA adalah model yang umum digunakan dalam peramalan data.
Model ARIMAX ialah model ARIMA yang diberi tambahan variabel prediktor
(lihat Cryer dan Chan, 2008). Dalam penelitian ini, tambahan variabel prediktor-
nya berupa variabel dummy yang bertujuan untuk mewakili efek variasi kalender.

3
Model ARIMA musiman yang pada umumnya ditulis seperti pada Persamaan (2),
juga dapat ditulis sebagai berikut
S
q (B) Q (B )
yt S d S D t. (3)
p (B) P (B )(1 B) (1 B )

Oleh karena itu, model ARIMA musiman dengan tambahan variabel dummy
adalah
S
q (B) Q (B )
yt V1,t V2,t ... Vs,t S d S D t . (4)
p (B) P (B )(1 B) (1 B )

Prosedur yang digunakan untuk membentuk model ARIMAX yang efektif

dan sesuai untuk peramalan data yang mengandung pola variasi kalender dijelas-
kan sebagai berikut:
a. Pemodelan respon dan variabel dummy efek variasi kalender, untuk
mendapatkan residual wt , yaitu

yt 0 1V1,t 2V2,t ... pVp,t wt (5)

dengan Vp,t adalah variabel dummy untuk efek variasi kalender ke-p. Banyak-
nya efek variasi kalender dapat diidentifikasi berdasarkan plot deret waktu.
b. Residual wt dimodelkan dengan model ARIMA dengan menggunakan
prosedur Box-Jenkins.
c. Orde model ARIMA yang diperoleh dari langkah sebelumnya digunakan
untuk memodelkan data sebenarnya dengan tambahan variabel dummy efek
variasi kalender sebagai input.
d. Pengujian signifikansi parameter dan cek diagnose, hingga semua parameter
bernilai signifikan dan residual memenuhi asumsi white noise.

3. Metodologi Penelitian
Data bulanan penjualan baju muslim pria dari perusahaan garmen di suatu
kota di Indonesia digunakan sebagai studi kasus. Diambil data pada Januari 2000
hingga Desember 2008. Data delapan tahun pertama digunakan sebagai data in-
sample dan data tahun terakhir sebagai data out-sample. Analisis diawali dengan
mengaplikasikan prosedur baru pada data kasus. Selanjutnya, dilakukan perban-
dingan RMSE data out-sample antara model yang diperoleh dengan prosedur baru
dan model deret waktu umum, antara lain metode dekomposisi dan model
ARIMA musiman. Perbandingan ini dilakukan untuk memperoleh model terbaik
untuk peramalan data bulanan penjualan baju muslim pria berdasarkan kebaikan
ramalan pada data out-sample.

4
4. Hasil Analisis Empiris
Data penjualan bulanan baju muslim pria ditunjukkan dengan Gambar 1.
Plot deret waktu pada Gambar 1 menunjukkan bahwa terdapat pola variasi
kalender pada data. Variasi kalender ini merupakan efek perayaan Idul Fitri tiap
tahun. Oleh karena itu, tambahan tertentu diperlukan dalam model umum,
misalnya model ARIMAX. Dalam bagian ini, hasil pemodelan dengan model
ARIMAX akan ditunjukkan dan dibandingkan dengan model deret waktu umum,
yaitu metode dekomposisi aditif dan model ARIMA.

Time Series Plot of Boy MoslemCloth Sales

35000
9
10
30000 9 9
11 10 10
25000 11
11
20000
Zt

9 8 8
15000 4 10
10 911 11 4 10 6 810 2 567 11
911 8 12 12
12 10
9 9 12 3 3 68 6 11 3 111 3
10000 12 6 1 3 7 12 5 7
1 910 34 8 12 8 246
8 12
7 2 7 12 5 1 4 12
1 5 7 5 45 12
2 678 2 1 6 1
5
7 34 2
5000 345 67
234
5

0
Month Jan Jan Jan Jan Jan Jan Jan Jan Jan
Year 2000 2001 2002 2003 2004 2005 2006 2007 2008

Gambar 1. Plot deret waktu data bulanan penjualan baju muslim pria

4.1. Model ARIMAX

Pada langkah awal, model regresi linier dibentuk antara respon yt dan
variabel efek variasi kalender sebagai prediktor untuk mendapatkan residual.
Model regresi linier yang terbentuk adalah

yt 6887 3884Vt 18996Vt 1 4810Vt 2 wt . (6)

Residual model pada Persamaan (6) digambarkan pada Gambar 2. Residual ini
digunakan sebagai patokan penentuan orde model ARIMA yang mungkin. Plot
ACF dan PACF residual ditunjukkan pada Gambar 3. Karena residual memiliki
pola musiman dan ACF cenderung membentuk pola turun lambat pada lag-lag
musiman, differencing orde musiman diterapkan pada residual. Residual yang
sudah di-differencing dengan orde musiman 12 menghasilkan ACF dan PACF
seperti pada Gambar 4. Berdasarkan Gambar 4, ada 4 pasang orde model ARIMA
yang diprediksi sebagai model ARIMA yang sesuai untuk data residual, yaitu
(1,0,0)(1,1,0)12, (1,0,0)(0,1,1)12, (0,0,1)(1,1,0)12, dan (0,0,1)(0,1,1)12. Hasil
pengujian signifikansi parameter dan cek diagnose menyatakan hanya 2 dari 4
pasang orde model ARIMA saja memenuhi asumsi, yaitu ARIMA(1,0,0)(1,1,0) 12
and (1,0,0)(0,1,1)12.

5
 Time Series Plot of Residual

5000

2500

w(t)
0

-2500

-5000
1 10 20 30 40 50 60 70 80 90
Index

Gambar 2. Plot deret waktu residual Persamaan (6)

Autocorrelation Function for w(t) Partial Autocorrelation Function for w(t)

(with 5%significance limits for the autocorrelations) (with 5%significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6

Partial Autocorrelation
0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
2 4 6 8 10 12 14 16 18 20 22 24 2 4 6 8 10 12 14 16 18 20 22 24
Lag Lag

Gambar 3. Plot ACF dan PACF residual Persamaan (6)

Autocorrelation Function for Differencing Partial Autocorrelation Function for Differencing

(with 5%significance limits for the autocorrelations) (with 5%significance limits for the partial autocorrelations)
1.0 1.0
0.8 0.8
0.6 0.6
Partial Autocorrelation

0.4 0.4
Autocorrelation

0.2 0.2
0.0 0.0
-0.2 -0.2
-0.4 -0.4
-0.6 -0.6
-0.8 -0.8
-1.0 -1.0
1 5 10 15 20 25 30 35 1 5 10 15 20 25 30 35
Lag Lag

Gambar 4. Plot ACF dan PACF residual yang sudah di-differencing

Berdasarkan dua pasang orde model yang memenuhi asumsi white noise,
model ARIMAX dikembangkan. Dengan menambahkan variabel dummy efek
variasi kalender ke dalam model ARIMA, model ARIMAX dibentuk. Selain
model ARIMAX tersebut, model dengan t sebagai input menggantikan order
differencing juga dibentuk. Parameter model yang dihasilkan tidak selalu signi-
fikan, sehingga perlu dilakukan updating model. Model ARIMAX dengan
parameter signifikan memenuhi asumsi white noise adalah ARIMA(1,0,0)(1,1,
0)12-Vt-1 tanpa konstanta, ARIMA(1,0,0)(0,1,1)12-Vt-1 tanpa konstanta, ARIMA(1,
0,0)(1,0,0)12-t, Vt, Vt-1, Vt-2 dengan konstanta, dan ARIMA(1,0,0)-t, Vt, Vt-1, Vt-2
dengan konstanta.

6
4.2. Perbandingan Metode Dekomposisi, Model ARIMA Musiman, dan
Model yang Dikembangkan
Model peramalan umum seperti metode dekomposisi dan model ARIMA
juga digunakan pada data kasus. Model-model ini kemudian akan dibandingkan
dengan model ARIMAX yang diperoleh dengan prosedur yang dikembangkan.
Perbandingan berdasarkan RMSE dirangkum dalam Tabel 1. Tabel rangkuman
perbandingan RMSE ini menunjukkan bahwa model peramalan umum tidak
mampu memberikan hasil sebaik model ARIMAX. Hal ini ditunjukkan dengan
RMSE-nya yang lebih kecil daripada RMSE model ARIMAX.

Tabel 1. Perbandingan akurasi ramalan antar model

RMSE
Model
In-sample Out-sample

Dekomposisi
Dekomposisi Aditif 4254.517 5392.800
Dekomposisi Multiplikatif 4216.071 5605.252

ARIMA Musiman
ARIMA([35],0,0)(1,1,0)12 3333.678 2683.225
12
ARIMA(0,0,[35])(0,1,1) 3486.436 3171.309
12
ARIMA(0,0,[35])(1,1,0) 3409.108 3092.269
12
ARIMA([35],0,0)(0,1,1) 3420.088 2705.159

ARIMAX
ARIMA(1,0,0)(1,1,0)12-Vt-1, tanpa konstanta 1784.969 3197.915
12
ARIMA(1,0,0)(0,1,1) -Vt-1, tanpa konstanta 1887.854 3748.398
12
ARIMA(1,0,0)(1,0,0) -t, Vt, Vt-1, Vt-2, dengan konstanta 1747.444 2452.081
ARIMA(1,0,0)-t, Vt, Vt-1, Vt-2, dengan konstanta 1790.778 2116.684

Berdasarkan nilai RMSE, model ARIMAX memberikan hasil yang lebih

baik daripada model-model peramalan lainnya. Berdasarkan RMSE data in-
sample, model terbaik adalah model ARIMA(1,0,0)(1,0,0)12-t, Vt, Vt-1, Vt-2, dengan
konstanta. Sedangkan berdasarkan RMSE data out-sample, model terbaik adalah
model ARIMAX(1,0,0)-t, Vt, Vt-1, Vt-2 dengan konstanta.
Plot deret waktu pada Gambar 5(a1-c1) menunjukkan ketepatan peramalan
tiap model (diambil model terbaik dari tiap metode). Secara jelas terlihat adanya
perbedaan pada tiap model. Pada Gambar 5(a1), ketepatan akurasi metode dekom-
posisi aditif ditunjukkan. Prediksi model ini sangat buruk, terutama pada bulan
saat diadakan Idul Fitri setiap tahun. Gambar 5(b1) menunjukkan perbandingan
prediksi model ARIMA([35],0,0)(1,1,0) 12. Model ini memberikan prediksi yang

7
hampir bagus, kecuali karena adanya kesalahan prediksi yang cukup besar pada
bulan Idul Fitri tahun 2003. Model ARIMAX, yaitu model yang dikembangkan
pada penelitian ini, memberikan hasil yang jauh lebih baik dan prediksinya
mendekati nilai aktualnya (lihat Gambar 5(c1)).

a1 Time Series Plot of Actual, Add. Decomposition Time Series Plot of Residual of Add. Decomposition a2
Variable 10
30000 15000 9 9
Actual 11 10 10
Add. Decomposition 11
11
25000 10000

20000 5000 4
8

Residual
1 12 4 9
35 8 12 3
Data

2 5 12 7 234 2 6 7 5678
15000 7 81012 1 5 7 91112 6 8 56
0 468 89
7 10121 5 9 1 56 78911
12 45 7 11 3 34
9 4
3 10 6 246 1212 10121 10
3 3 11 2
10000 -5000
12
11

5000 -10000

0 -15000
Month Jan Jan Jan Jan Jan Jan Jan Jan Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 2000 2001 2002 2003 2004 2005 2006 2007 Year 2000 2001 2002 2003 2004 2005 2006 2007

b1 Time Series Plot of Actual, ARIMA Time Series Plot of Residual of ARIMA b2
30000 Variable 10
Actual 15000
ARIMA
25000 10000
4

20000 3 6 10 3
5000 4 11 23
10 121 8
910 6 121 5 2 79
Residual

5 8 11 78
9 12 4 789 8 45 910 6 9
Data

15000 2
1 67
6 1 5 79 678 11 3 56 23
0 1
5 4 7
12234
2 12 1 5 11 12
11 12 4 810
11
3 12
10000 -5000 10

5000 -10000
11

0 -15000
Month Jan Jan Jan Jan Jan Jan Jan Jan Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 2000 2001 2002 2003 2004 2005 2006 2007 Year 2000 2001 2002 2003 2004 2005 2006 2007

c1 Time Series Plot of Actual, ARIMAX Time Series Plot of Residual of ARIMAX c2
30000 Variable
Actual 15000
ARIMAX
25000 10000

20000 5000 4
3 9 9 8
1 9 12 3 6 12 3 6 8910 6
6 8 11 3
Residual

8 8 11
8 1 4 10 2 6 810 12
11 3 9
Data

6
2 57 1 67 11 9 12 5 910 12 11 7 910 5 11
15000 0 2 5 10 1
12 12 12 4 7 10
34 10 11 67 1112 3 5 4 7 4 7 57
1 2 5 1 8 12
24 5 3 4
2
10000 -5000

5000 -10000

0 -15000
Month Jan Jan Jan Jan Jan Jan Jan Jan Month Jan Jan Jan Jan Jan Jan Jan Jan
Year 2000 2001 2002 2003 2004 2005 2006 2007 Year 2000 2001 2002 2003 2004 2005 2006 2007

Gambar 5. Plot deret waktu (a) dekomposisi aditif, (b) ARIMA, dan (c) ARIMAX (gambar
kiri) dan residualnya (gambar kanan)

Plot residual di sisi kanan (lihat Gambar 5(a2-c2)) juga menunjukkan

ketepatan peramalan tiap model. Berdasarkan Gambar 5(a2), efek variasi kalender
masih jelas terlihat. Dengan kata lain, residual metode dekomposisi aditif tidak
acak, melainkan memiliki pola tertentu. Keacakan residual merupakan asumsi
yang wajib dipenuhi, sehingga disimpulkan bahwa metode dekomposisi tidak
dapat diaplikasikan untuk data yang mengandung pola variasi kalender. Pada
Gambar 5(b2) terlihat adanya residual bernilai ekstrem, atau residual pencilan,
yang disebabkan kesalahan prediksi. Hal ini merupakan akibat tidak mengikutser-
takan efek variasi kalender dalam model. Gambar 5(c2) menunjukkan residual
yang sudah acak. Oleh karena itu, model yang dikembangkan dengan prosedur
baru sangat efektif dalam peramalan data yang mengandung pola variasi kalender.

8
 Model terbaik yang dipilih untuk peramalan data penjualan bulanan baju
muslim pria adalah ARIMAX(1,0,0)-t, Vt, Vt-1, Vt-2 dengan konstanta, karena
memiliki RMSE out-sample yang terkecil. Model ARIMAX ini ditulis secara
matematis dengan

yt 4584.5 3159.3Vt 18346.5Vt 1 3847Vt 2 51.65t 0.314yt 1 . (7)

5. Kesimpulan
Penanganan khusus diperlukan dalam peramalan data yang mengandung
pola variasi kalender. Hal ini dibuktikan dengan penggunaan model peramalan
umum, antara lain metode dekomposisi dan model ARIMA musiman, yang
menghasilkan ramalan yang buruk. Model yang dikembangkan, yaitu model
ARIMAX, menghasilkan ramalan yang lebih akurat, baik berdasarkan RMSE in-
sample maupun out-sample. Model ARIMAX(1,0,0)-t, Vt, Vt-1, Vt-2 dengan kons-
tanta merupakan model terbaik untuk peramalan data bulanan penjualan baju
muslim pria dalam penelitian ini. Dalam model ini, variabel tren t dan 3 variabel
dummy yang mewakili efek hari raya Idul Fitri digunakan sebagai input. Model ini
menghasilkan RMSE out-sample sebesar 2116,68.

DAFTAR PUSTAKA

Bell, W.R., and Hillmer, S.C. 1983. Modeling Time Series with Calendar
Variation. Journal of the American Statistical Association, 78, 526-534.
Bowerman, B.L., and OConnel, D. 1993. Forecasting and Time Series: An
Applied Approach, 3rd Edition. California: Duxbury Press.
Box, G.E.P., and Jenkins, G.M. 1976. Time Series Analysis: Forecasting and
Control. San Fransisco: Holden-Day, Revised edn.
Box, G.E.P., Jenkins, G.M., and Reinsel, G.C. 1994. Time Series Analysis,
Forecasting and Control, 3rd Edition. Prentice Hall, Englewood Cliffs.
Cryer, J.D., and Chan, K.S. 2008. Time Series Analysis. With Application in R, 2nd
Edition. Springer.
Hanke, J.E., and Wichern, D.W. 2005. Business Forecasting. NJ: Prentice Hall,
Englewood Cliffs.
Hillmer, S.C., Bell, W.R., and Tiao, G.C. 1981. Modeling Considerations in the
Adjustment of Economic Time Series. Proceedings of the Conference of
Applied Time Series Analysis of Economic Data. Ed. Arnold Zelner. U.S.
Department of Commerce, Bureau of the Census, 74-100.
Hillmer, S.C. 1982. Forecasting Time Series with Trading Day Variation. Journal
of Forecasting, 1, 385-395.

9
Holden, K., Thompson, J., and Ruangrit, Y. 2005. The Asian crisis and calendar
effects on stock returns in Thailand. European Journal of Operational
Research, 163, 242252.
Liu, L.M. 1980. Analysis of Time Series with Calendar Effects. Management
Science, 2, 106-112.
Liu, L.M. 1986. Identification of Time Series Models in the Presence of Calendar
Variation. International Journal of Forecasting, 2, 357-372.
Shumway, R.H., and Stoffer, D.S. 2006. Time Series Analysis and Its Applications
with R Examples, 2nd Edition. Springer
Wei, W.W.S. 1990. Time Series Analysis: Univariate and Multivariate Methods.
Addison-Wesley Publishing Co., USA.

10