Penduga Maksimum Likelihood untuk Parameter Dispersi Model Poisson-Gamma dalam Konteks Pendugaan Area Kecil
|
|
- Doddy Santoso
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Penduga Maksmum Lkelhood untuk Parameter Dspers Model Posson-Gamma dalam Konteks Pendugaan Kecl The Maxmum Lkelhood of Estmatng Dsperson Parameter for Posson-Gamma Model n Small Estmaton Context Alfan F. Had ) Nusrwan ) Kharl Anwar Notodputro ) ) Mahasswa Program Doktor Statstka Sekolah Pascasarjana Insttut Pertanan Bogor afhad@unej.ac.d ) Guru Besar Statstka, Departemen Statstka, Insttut Pertanan Bogor Abstract The Posson-Gamma (Negatve Bnomal) dstrbuton s consdered to be able to handle overdsperson better than other dstrbutons. Estmaton of the dsperson parameter, φ, s thus mportant n refnng the predcted mean when the Emprcal Baes (EB) s used. In GLM s sense dsperson parameter (φ) have effects at least n two was, () for Exponental Dsperson Faml, a good estmator of φ gves a good reflecton of the varance of Y, () although, the estmated β doesnt depend on φ, estmatng β b maxmzng log-lkelhood brng us to Fsher s nformaton matrx that depends on ts value. Thus, φ does affect the precson of β, () a precse estmate of φ s mportant to get a good confdence nterval for β. Several estmators have been proposed to estmate the dsperson parameter (or ts nverse). The smplest method to estmate φ s the Method of Moments Estmate (MME). The Maxmum Lkelhood Estmate (MLE) method, frst proposed b Fsher and later developed b Lawless wth the ntroducton of gradent elements, s also commonl used. Ths paper wll dscuss the use of those above methods estmatng φ n Emprcal Baes and GLM s of Posson-Gamma model that s appled on Small Estmaton. Kewords: Small Estmaton, Emprcal Baes, Posson-Gamma, Negatve Bnomal, dsperson parameter, MLE, MME. PENDAHULUAN Latar Belakang Dalam pendugaan area kecl (small area estmaton), berbaga metode telah dkembangkan khususna menangkut metode ang berbass model (model-based area estmaton). Metode tersebut adalah penduga predks tak bas lner terbak emprk atau emprcal best lnear unbased predcton selanjutna dsebut EBLUP, Baes emprk atau emprcal Baes dsngkat EB, dan Baes herarkh atau Herarchcal Baes ang dsngkat HB. Metode EBLUP merupakan metode untuk data kontnu sedangkan EB dan HB adalah metode untuk data bner atau cacahan. Semnas Matematka dan Penddkan Matematka 8-63
2 S ebaran posson mempuna peran ang pentng dalam metode emprcal baes. Hal n dsebabkan antara lan oleh dapat dtemukanna rataan posson tanpa pendugaan sebaran pror secara explst. Namun model posson mempuna keterbatasan akn pada kesamaan nla tengah dan ragamna, sehngga umumna djumpa fenomena overdspers. Penanganan overdspers, serngkal dlakukan melalu pendekatan model campuran Model Posson-Gamma (Negatve Bnomal). Model n telah dkenal luas untuk menangan pengaruh acak dengan overdspers secara lebh bak dar pendekatan/dstrbus ang lan. Model bnomal negatf (atau secara umum pada keluarga sebaran eksponental berdspers) memuat suatu parameter φ ang dsebut parameter dspers. Dalam pemodelan GLM, φ berperan dalam sedktna dua, () pada keluarga sebaran eksponensal berdspers, nla ragam Y proportonal terhadap nla parameter φ, artna penduga φ mereflekskan ragam Y () meskpun, nla dugaan parameter regres, β tdak bergantung pada φ, tetap pendugaan β dengan MLE dlakukan melalu matrks turunan kedua, nformas Fsher, dan tergantung pada φ. Sehngga φ menentukan press penduga β, () penduga φ ang bak dperlukan untuk mendapatkan selang kepercaaan ang bak bag β. Beberapa metode pendugaan φ telah dusulkan. Dantarana adalah metode momen (MME), metode ang cukup sederana untuk menduga φ. Metode Maxmum Lkelhood (MLE) adalah ang palng umum dpaka, pertama kal dusulkan oleh Fsher dan kemudan dkembangkan oleh Lawles melau gradent elements. Pendugaan parameter dspers, φ, sangat pentng dalam memperbak penduga, khususna bla menggunakan Baes Emprk. Pendugaan n berperan mendapatkan φ ang akan dgunakan sebaga hperparameter. Permasalahan Meskpun pendugaan φ terpsah dar pendugaan β, namun peranna tdak dapat dabakan. Dalam konteks penduga area kecl, menark untuk devaluas bagamana pengaruh pendugaan parameter dspers n terhadap performa penduga kompost Baes Emprkna, bukan pada parameter dspers tu sendr. Tulsan n akan membcarakan penggunaan kedua metode d atas untuk menduga parameter dspers, φ dalam skema Baes Emprk dan model Posson-Gamma ang dgunakan pada penduga area kecl. Semnas Matematka dan Penddkan Matematka 8-64
3 Smulas dlakukan untuk () membandngkan metode momen dan maksmum lkelhood untuk pendugaan parameter dspers model poson-gamma dengan dan tanpa peubah tambahan (auxlar varable) dan () membandngkan performa penduga Baes Emprk pada konteks penduga area kecl ang dbangun dar pendugaan parameter dspers dstrbus negatf bnomal melalu kedua metode. SMALL AREA ESTIMATION kecl ddefnskan sebaga subpopulas ang memlk ukuran contoh ang kecl sehngga pendugaan langsung tdak dapat menghaslkan pendugaan ang telt (Rao, 3). kecl dapat berupa kota, kabupaten, kecamatan, desa/kelurahan, kelompok suku, kelompok jens kelamn atau kelompok umur. Small area estmaton (SAE) merupakan suatu teknk statstka ang dgunakan untuk menduga parameter-parameter area kecl. Teknk n dgunakan dengan memanfaatkan data dar hasl surve doman besar sepert data sensus atau data Surve Sosal Ekonom Nasonal (SUSENAS) untuk menduga peubah ang menjad perhatan pada area kecl. Pendugaan langsung (drect estmaton) adalah pendugaan dengan berdasarkan penerapan model penarkan sampel. Pendugaan n tdak mampu memberkan keteltan ang bak jka ukuran contoh dalam area kecl dan statstk ang dperoleh akan memlk ragam ang besar bahkan terkadang pendugaan n tdak mampu dlakukan karena sampel tdak mewakl populas. SAE dkembangkan sebaga teknk pendugaan alternatf ang mampu mengatas semua masalah datas, atu dengan pendugaan tdak langsung (ndrect estmaton). Pendugaan n bersfat memnjam kekuatan dar pengamatan contoh area ang berdekatan dengan memanfaatkan nformas tambahan akn dar data sensus atau surve berskala nasonal (Rao, 3). Proses pendugaan tdak langsung merupakan pendugaan pada suatu doman dengan cara menghubungkan nformas pada area tersebut dengan area lan melalu model ang tepat. Hal n berart bahwa dugaan tersebut mencakup data dar doman lan. Small Estmaton Model Salah satu model dasar area kecl (Rao, 3) atu Basc area level (tpe A) model, atu model ang ddasarkan pada ketersedaan data pendukung ang hana ada untuk Semnas Matematka dan Penddkan Matematka 8-65
4 level area tertentu. Msalkan x ) dan parameter ang akan dduga T ( x,..., x p, dasumskan mempuna hubungan dengan x. Data pendukung tersebut dgunakan T untuk membangun model: x β b v, dengan,,m dan ~N(, ) sebaga v σ v pengaruh acak ang dasumskan normal serta β ( β,..., β ) T p adalah vektor koefsen regres berukuran p. Sedangkan b adalah konstanta bernla postf ang dketahu. Untuk melakukan nferens mengena model penduga langsung terseda, atu: ddapatkan dengan mengasumskan bahwa e, dmana,,m dengan samplng error e ~N(, e ) dan e dketahu. Pada akhrna, kedua model dgabungkan dan menghaslkan model gabungan: σ σ T x β b v e, dmana,,m. Model tersebut merupakan bentuk khusus dar model lner campuran (generalzed lnear mxed model) ang terdr dar pengaruh tetap (fxed effect), atu pengaruh acak (random effect) atu v (Rao, 3, Kurna & Notodputro 6). β dan MODEL POISSON-GAMMA Model posson adalah model peluang standar untuk data cacahan. Model n akan mengalam keterbatasan dalam rataan dan ragam ketka dgunakan untuk pendugaan parameter tunggal. Umumna, data cacahan (sepert data jumlah) mengalam overdspers. Oleh karena tu, dkembangkan suatu formulas posson ang mengakomodas ragam ekstra dar pengamatan data contoh. Maka, dperkenalkan model dua tahap untuk data cacahan, ang dkenal dengan model campuran posson-gamma. Model posson-gamma dmana berdstrbus posson dengan parameter, sedangkan sendr berdstrbus gamma dengan parameter-parameter ang bersesuaan dengan nla tengah dan keragaman total. Untuk menentukan parameter-parameter sebaran gamma bag marlah kta perhatkan model posson-gamma bag area level ang dgunakan atu: X ' β v e e X ' β v Dengan Posson( ), E( ) X ' β, Var( ) E( ) X ' β ~ E( e ) ; Var( ) σ e e ; E( v ) ; Var( v ) σ Semnas Matematka dan Penddkan Matematka 8-66
5 σ gamma, σ ~ ; ; E( ) Var ( ) σ Emprcal Baes Dasar perkembangan pendekatan statstk Baes adalah hukum Baes ang dbuat oleh Thomas Baes. Hukum n dperkenalkan oleh Rchard Prce tahun 763, dua tahun setelah Thomas Baes wafat. Tahun 774 dan 78, Laplace memberkan analss lebh rnc dan lebh relevan untuk statstk Baes sekarang (Gll, ). Metode Baes akan sangat sult dgunakan dan kadang sangat senstf karena membutuhkan penaksran peluang tertentu ang sult untuk dtaksr. Maka dperkenalkan metode Emprcal Baes (EB) dengan mengasumskan bahwa pror tdak dketahu, selanjutna data dgunakan untuk memperoleh dugaan parameter pror. Rao (3) menatakan bahwa metode EB dan HB (Herarchcal Baes) ang cocok dgunakan dalam menangan data bner dan cacahan pada pendugaan area kecl. Metode EB dalam konteks pendugaan area kecl secara rngkas adalah:. Mendapatkan fungs kepekatan peluang akhr (posteror) dar parameter area kecl ang menjad perhatan.. Menduga parameter model dar fungs kepekatan peluang margnal 3. Menggunakan fungs kepekatan peluang posteror dugaan untuk membuat nferens parameter area kecl ang menjad perhatan. Pendugaan Parameter Dspers Untuk mendapat penduga baes emprk, parameter-parameter pada sebaran pror (hperparameter) harus dduga. Pendugaan parameter dspers, φ, sangat pentng dalam memperbak penduga Baes Emprk. Pendugaan n berperan mendapatkan φ ang akan dgunakan sebaga hperparameter. Lebh dar tu, pada kasus tertentu, nla dugaan φ dapat langsung menjad salah satu komponen dalam pembobot kompost penduga area kecl. Bagan n akan memperkenalkan dua metode penduga parameter dspers, atu MME dan MLE. Method of Moments Estmate (MME) Untuk sebuah sebaran bnom negatf, ragam σ, rataan µ dan parameter dspers φ memlk hubungan. Berdasarkan hubungan n, MME dkembangkan dan Semnas Matematka dan Penddkan Matematka 8-67
6 dduga dengan, ˆ φ ˆ α dmana dan s adalah momen contoh takbas pertama s dan kedua. Perhatkan bahwa menduga φ hana mungkn jka s > karena φ >. Untuk mendapat penduga φ dengan bak melalu MME, sangat pentng untuk mengetahu ragam karena perubahan sedkt saja pada nla ragam mengakbatkan varas besar nla φ. Masalah n makn besar jka ukuran contoh makn kecl (Zang, et all, 4). Maxmum Lkelhood Estmator (MLE) Pada kasus tertentu, solus bag penduga maksmum lkelhood tdak dapat djumpa dalam bentuk tertutup (close form). Namun pendugaan dapat dperoleh secara numerk. Fungs log-lkelhood akan mencapa maksmum jka vektor graden sama dengan nol. Atau dengan kata lan kta akan memaksmumkanna melalu deferensal tehadap φ j dan β j, l/ φ j dan l/ β j, sehngga kta akan memperoleh parameters φ j dan β j ang memenuh konds n berlaku untuk data set ang kta perhatkan. McCullagh and Nelder (989) menjelaskan algortna Iteratve (re)weghted Lnear Regresson (metode scorng) ang dapat dgunakan untuk memperoleh dugaan parameter dalam Model Lner Terampat. Untuk menduga nla parameter φ j (ang tdak dketahu) dalam bnomal negatf dapat dgunakan metode skorng ang merupakan modfkas dar algortma Newton Raphson untuk mencar akar-persamaan. Dan solus dar persamaan model lner Bnomal Negatf dapat dperoleh dar algortma Newton Raphson klask (Dobson 99). Dan untuk tu dperlukan nla awal untuk φ j dan β j. Bnomal negatf adalah sebuah sebaran dengan sebuah parameter tambahan φ pada fungs ragam. SAS dengan PROC GENMOD menduga φ dengan maxmum lkelhood, menurut McCullagh & Nelder (989) atau Lawless (987). METODE BAYES EMPIRIK TANPA PEUBAH PENJELAS BAGI MODEL POISSON-GAMMA Model Posson-Gamma merupakan model ang serng dgunakan untuk mengakomodas permasalahan overdspers (ragam melebh rataan) pada model Posson. Dua tahapan model Posson-Gamma adalah : nd ( ),, m ~ Posson K, Semnas Matematka dan Penddkan Matematka 8-68
7 d ~ gamma α (, α ) () dengan adalah banakna pengamatan pada area ke-, adalah nla harapan dan ragam, dan m menatakan jumlah area, sedangkan α merupakan parameter pror ang belum dketahu. Sebaga pror dasumskan bahwa ( ) d ~ (, α ) gamma α dengan E, Var / Berdasarkan kedua asums tersebut maka ddapatkan sebaran posteror untuk ( ) α nd atu, α ~ gammaα, serta penduga Baes bag α dan ragam posteror bag adalah : dan (, α ) ( α ˆB ( α) E ) α Var, ( α ) α ( α ) g ( α, ) Penduga Baes n mensaratkan terlebh dulu dketahu nla parameter sebaran pror. Permasalahanna, serngkal nformas mengena parameter pror belum dketahu. Pendekatan Baes emprk atau emprcal Baes (EB) dapat dgunakan untuk mengatasna. Pada metode n, nformas parameter pror dapat dperoleh dengan memaksmumkan fungs sebaran margnal d α ~ bnomal negatf, mesk bentuk tertutup untuk bag penduga parameterna tdak ada (Claton & Kaldor 987), kta dapat memanfaatkan model null bnomal negatf, untuk menduga α. Zang, et al. (6) menggunakan penduga momen sederhana untuk memperoleh dugaan parameter dspers bnomal-negatf atu: ˆ φ ˆ α s Dengan mensubsttus αˆ dperoleh penduga EB bag atu ˆ EB ˆ ( ˆ α ) ˆ γ ˆ ( ˆ γ ) ˆ B snt dengan ˆ γ ( ˆ α ), ˆ sebaga penduga langsung dar, menatakan banakna pengamatan, ˆ adalah penduga sntetk (Rao, 3). snt Semnas Matematka dan Penddkan Matematka 8-69
8 METODE BAYES LINIER EMPIRIK BAGI MODEL POISSON-GAMMA Metode Baes lner emprk (Emprcal Lnear Baes/ELB) merupakan suatu metode ang menghndar adana asums sebaran pada metode Baes emprk (Rao 3). Metode n hana menggunakan momen pertama dan kedua dalam menentukan penduga lnerna. Secara umum, model dua tahap pada pendugaan Baes lner adalah : Dengan model lner posson-gamma, ( ) Posson ~, dan pror dstrbuton gamma σ σ, ~, maka dperoleh posteror Baes α β β α ', X X ' gamma Nla tengah posterorna adalah ( ) α α, melalu manpulas nla tengah dperoleh penduga baes: ( ) ( )( ) ( ) β γ γ γ α ' * X, dperoleh pembobot bag penduga baes adalah: α β β γ α γ ' ' * X X Penduga Emprcal baes dperoleh dengan menduga α dan β melalu Generalzed Lnear Mxed Model, dengan memanfaatkan sebaran margnalna atu Negatve- Bnomal. Dmana adalah penduga parameter regres bnomal-negatf sedangkan βˆ αˆ adalah penduga bag dsperson parameter dstrbus negatve-bnomal ( ). Bla model ang dgunakan adalah lner dan model posson-gamma (bnom-negatf) dalam fungs lnk logartmk maka parameter regres ang dperoleh perlu deksponensalkan terlebh dahulu. φˆ Dengan denkan penduga baes adalah: ( ) TL L EB γ γ ˆ ˆ ˆ ˆ ˆ, dengan penduga langsung bag adalah dan penduga taklangsungna adalah. βˆ X ' Semnas Matematka dan Penddkan Matematka 8-7
9 EB PENDEKATAN JACKKNIFE UNTUK PENDUGA MSE( ) ˆ Pendekatan jackknfe merupakan metode ang serng dgunakan dalam surve karena konsepna ang sederhana (Jang, Lahr dan Wan ). Metode n dperkenalkan Tuke pada tahun 958 dan berkembang menjad suatu metode ang dapat mengkoreks bas suatu penduga, atu dengan menghapus observas ke- untuk,,m dan selanjutna melakukan pendugaan parameter. Langkah-langkah pendekatan jackknfe dalam menduga MSE dugaan emprcal Baes adalah sebaga berkut (Kurna & Notodputro. 6): m m m. Anggap bahwa ˆEB (, ˆ, β ˆ k α ), ˆEB (, ˆ, ˆ k β α ), lalu EB Mˆ ( ˆ ˆ. Dengan mencar EB ) l ˆ β dan α ang merupakan penduga kemungknan maksmum ang dperoleh dar data ke- ang dhapus, maka dhtung Mˆ m m g ( ˆ, β ˆ, α ) [ g m ( ˆ β, ˆ α, ) g ( ˆ, β ˆ, α )] m 3. Penduga Jackknfe bag kuadrat tengah galat penduga Baes emprk dberkan oleh ( ˆ ) ˆ EB ktgj M M ˆ METODOLOGI Skenaro Smulas Smulas dlakukan dengan dua skenaro, () skenaro tanpa peubah penjelas, dan () dengan peubah penjelas. Dengan parameter sebagamana tabel. Dengan penetapan n, perlu dgarsbawah bahwa nla Xβ semakn besar dar area ke area. Dua hal perlu dperhatkan menangkut hal n () Xβ adalah nla harapan Y sehngga nla dan Xβ-dugaan akan membesar pula, () Xβ adalah keragaman total, artna keragaman menak dar area ke area. Tabel. Parameter-parameter dalam smulas X X mu_ X X mu_ β- β Semnas Matematka dan Penddkan Matematka 8-7
10 Tahapan Smulas Pembangktan data untuk kedua skenaro smulas sama, berbeda pada saat fttng model. Model tanpa X dft dengan model null, model dengan X dengan regres.. Tetapkan X, β, dan σ ; dengan X ' β. Bangktkan σ ~ gamma, ; α σ σ ; kemudan ~ Posson( ) 3. Menduga Parameter Dspers untuk model tanpa X dengan metode momen (MME) dan maksmum lkelhood (MLE). Dengan Proc Genmod model null. 4. Menduga Parameter Dspers untuk model dengan X dengan MME dan MLE. Parameter regres dduga dengan maksmum lkelhood, menggunakan Proc Genmod. 5. Menentukan penduga Emprcal Baes bag langkah 3 dan 4 6. Menghtung KTG/ MSE jackknfe bag penduga baes. 7. Evaluas smulas dlakukan dengan memerksa MSE dan Bas, serta dengan membandngkan dua statstka atu Mean Absolute Relatve Error (MARE) dan Average Relatve Root Mean Square Error (RRMSE). MARE mengukur beda absolute antara parameter pendugana sedangkan RRMSE menghtung keragaman penduga. MARE ˆ, RRMSE MSE. ˆ Semnas Matematka dan Penddkan Matematka 8-7
11 HASIL DAN DISKUSI Tanpa Peubah Penjelas Pada skenaro n peubah X ang merupakan pembentuk nla tengah dan ragam bag Y dabakan. Sehngga pendugaan bak tu penduga langsung maupun sntetkna dperoleh tanpa nformas tambahan ang seharusna ada. Mesk demkan, perbandngan pada metode pendugaan nla parameter dspers sebaran margnal bnomal negatf dlakukan pada konds ang sama-sama mengabakan nformas X. Gambar menunjukkan bas MLE tampak nak dengan nakna nla harapan dan ragam. Sedangkan bas dar metode momen relatf rendah pada nla ang sedang, pada nla ang rendah dan tngg, bas MME cenderung sama dengan bas MLE. Bas Average MSE Average Bas Average MSE Gambar. Rataan Bas dan Rataan MSE bag model null EB Posson-Gamma Bla kta perhatkan maka MLE lebh bak karena MSEna lebh rendah dar MME. Hal n berart MLE mempuna keteltan ang lebh bak, karena mesk basna lebh tngg, varansna rebh rendah dar MME. Pada RRMSE gambar, nla dugaan MME menngkat pada area-area dengan nla harapan dan ragam ang besar. Hal n sesua dengan apa ang dsebut oleh Zhang, et all. bahwa perubahan sedkt saja pada nla ragam mengakbatkan ragam ang besar pada nla dugaan φ. Mean Absolute Relatve Error Average Relatve Root Mean Square Error.7.7 MARE Average RRMSE Gambar. MARE dan RRMSE bag model null Emprcal Baes Posson-Gamma Semnas Matematka dan Penddkan Matematka 8-73
12 Keteltan metode MLE dbandng MME n berasal dar pembobot ang lebh besar dar pembobot MME (gambar 3). MME lebh banak dtentukan oleh penduga sntetk ang dalam kasus n dperoleh dengan mengabakan pengaruh X. Sebalkna, pada MLE bobot bag penduga langsung lebh besar. Pembobot Rataan Pembobot Seluruh Ulangan Pembobot Rataan Pembobot per Gambar 3. Rataan Pembobot Seluruh dan per bag model null Emprcal Baes Posson-Gamma Dengan Peubah Penjelas Pada skenaro n peubah X dmodelkan dengan penduga maksmum lkelhood dalam model regres bnomaal-negatf. Nla penduga baes emprk dtentukan oleh dua hal () pendugaan parameter regres sebaga penduga tak langsung dan () pembobot kompost bag penduga langsung dan tak langsung. Namun dalam model possongamma n keduana sangat tergantung pada pendugaan parameter regres. Bas Average MSE Average Bas.5 Average MSE Gambar 4. Rataan Bas dan Rataan MSE bag Model Lner Emprcal Baes Posson-Gamma Bak MME maupun MLE tampak memlk bas ang menak dengan nakna nla harapan dan ragam. Namun bas dar MLE tampakna selalu lebh besar dar bas MME (gambar 4). Demkan pula dengan bas relatfna, tampak MLE selalu menghaslkan bas ang lebh tngg dar MME. Namun gambar 5 menunjukkan bahwa pada MSE terjad ang sebalkna, MLE tampak lebh bak. Hal n menunjukkan bahwa ragam dar MLE sangat rendah, karena dengan Semnas Matematka dan Penddkan Matematka 8-74
13 bas ang lebh tngg MLE memlk MSE ang lebh redah. Artna MLE memberkan penduga area kecl ang lebh bak keteltanna. Mean Absolute Relatve Error Average Relatve Root Mean Square Error MARE Average RRMSE Gambar 5. Rataan Bas dan Rataan MSE bag Model Lner Emprcal Baes Posson-Gamma Bla kta perhatkan gambar 6, tampak besarna pembobot kompost pada kedua metode, terlhat bahwa metode momen selalu memberkan pembobot ang rendah. Artna, penduga area keclna akan lebh banak dtentukan oleh penduga tak langsung atu pengaruh X β..8 Rataan Pembobot Seluruh.9 Rataan Pembobot per.7.8 Pembobot Pembobot Ulangan Gambar 6. Rataan Pembobot Seluruh dan per bag Model Lner Emprcal Baes Posson-Gamma Bas pada MLE dperkrakan berasal dar penduga langsung, mesk secara teortk penduga n tak bas namun pada kasus posson, nlana sangat rentan terhadap nla tengah ang mendekat nol. Semnas Matematka dan Penddkan Matematka 8-75
14 PENUTUP Beberapa hal dapat kta catat dsn adalah:. Secara umum pendugaan parameter dspers dengan MLE memberkan penduga area kecl ang lebh telt meskpun tdak sangat tepat, bak tu melbatkan peubah penjelas ataupun tdak.. Keteltan metode MLE dbandng MME pada model null berasal dar pembobot ang lebh besar dar pembobot MME. MME lebh banak dtentukan oleh penduga sntetk ang dalam kasus n dperoleh dengan mengabakan pengaruh X. Sebalkna, pada MLE bobot bag penduga langsung lebh besar. 3. Bas pada MLE dperkrakan berasal dar penduga langsung, mesk secara teortk penduga n tak bas namun pada kasus posson, nlana sangat rentan terhadap nla tengah ang mendekat nol. 4. Penduga lan bag parameter dspers, ang mungkn dapat dkaj adalah penduga ang berbass ssaan model atu Devance scale dan Pearson scale. DAFTAR PUSTAKA Claton, D.G. and Kaldor, J Emprcal Baes estmates of age-standardzed relatve rsks for use n dsease mappng. Bometrcs 43, Gll J.. Baesan Methods:A Socal and Behavoral Scences Approach. Boca Raton: Chapman and Hall. Dobson, A.J. 99. An Introducton to generalzed lnear models. Chapman and Hall, New York. Jang, J., P. Lahr, S. Wan.. A Unfed Jackknfe Theor For Emprcal Best Predcton Wth M-Estmaton. The Annals of Statstcs. Vol. 3, No. 6, 78 8 Kurna A, KA Notodputro. 6. Penerapan Metode Jackknfe dalam pendugaan Kecl. Forum Statstka dan Komputas, Aprl 6, p:-5. Ksmantn. 7. Pendugaan Statstk Kecl Berbass Model Posson-Gamma [Tess] Bogor: Insttut Pertanan Bogor, Fakultas Matematka dan Pengetahuan Alam. Lawless, J.F. Negatve Bnomal and Mxed Posson Regresson. The Canadan Journal of Statstcs 5, pp. 9-5, 987. McCullagh, P. and J.A. Nelder Generalzed Lnear Models. nd ed. Chapman and Hall, London. Semnas Matematka dan Penddkan Matematka 8-76
15 Power J. H. & E. B. Moser, 999. Lnear model analss of net catch data usng the negatve bnomal dstrbuton. Can. J. Fsh. Aquat. Sc. 56: 9. Rao JNK. 3. Small Estmaton. New York: John Wle & Sons. Ruoan, M. 4. Estmaton of Dsperson Parameters n GLMs wth and wthout Random Effects. Mathematcal Statstcs. Stockholm Unverst Examensarbete 4:5. Wakefeld J. 6. Dsease mappng and spatal regresson wth count data. [4 Aprl 8]. Zang Y, Z. Ye, & D. Lord, 4. Estmatng the Dsperson Parameter of the Negatve Bnomal Dstrbuton for Analzng Crash Data Usng a Bootstrapped Maxmum Lkelhood Method. Zachr Department of Cvl Engneerng. Texas A&M Unverst. Workng Paper. Semnas Matematka dan Penddkan Matematka 8-77
Penduga Maksimum Likelihood untuk Parameter Dispersi Model Poisson-Gamma dalam Konteks Pendugaan Area Kecil
BIAStatstka (9) Vol. 3, No., hal. 4 6 Penduga Maksmum Lkelhood untuk Parameter Dspers Model Posson-Gamma dalam Konteks Pendugaan Kecl The Maxmum Lkelhood of Estmatng Dsperson Parameter for Posson-Gamma
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang
Lebih terperinciSELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES 1 ABSTRAK
SELANG KEPERCAYAAN UNTUK KOEFISIEN GARIS REGRESI LINEAR DENGAN METODE LEAST MEDIAN SQUARES Harm Sugart Jurusan Statstka FMIPA Unverstas Terbuka emal: harm@ut.ac.d ABSTRAK Adanya penympangan terhadap asums
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1
ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN Ksmantn Jurusan Penddkan Matematka, FMIPA Unverstas Neger Yogyakarta Emal : ksm@uny.ac.d Abstrak Peubah respons
Lebih terperinciANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN 1. Kismiantini
Prosdng Semnar Nasonal Peneltan, Penddkan dan Penerapan MIPA Fakultas MIPA, Unverstas Neger Yogyakarta, 6 Me 9 ANALISIS PEUBAH RESPONS KONTINU NON NEGATIF DENGAN REGRESI GAMMA DAN REGRESI INVERSE GAUSSIAN
Lebih terperinciBAB 2 LANDASAN TEORI. Universitas Sumatera Utara
BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang
Lebih terperinciKAJIAN BIAS METODE AREA-SPECIFIC JACKKNIFE DAN BIAS METODE WEIGHTED JACKKNIFE DALAM PENDUGAAN AREA KECIL UNTUK RESPON POISSON DENGAN PENDEKATAN BAYES
KAJIAN BIAS METODE AREA-SPECIFIC JACKKNIFE DAN BIAS METODE WEIGHTED JACKKNIFE DALAM PENDUGAAN AREA KECIL UNTUK RESPON POISSON DENGAN PENDEKATAN BAYES WIDIARTI SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
Lebih terperinciPERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL BAKU, LOGNORMAL, DAN GAMMA
Prosdng Semnar Nasonal Sans dan Penddkan Sans IX, Fakultas Sans dan Matematka, UKSW Salatga, 21 Jun 2014, Vol 5, No.1, ISSN :2087-0922 PERBANDINGAN MODEL DATA RESPON BERGANDA BERULANG DARI SEBARAN NORMAL
Lebih terperinciPendahuluan. 0 Dengan kata lain jika fungsi tersebut diplotkan, grafik yang dihasilkan akan mendekati pasanganpasangan
Pendahuluan 0 Data-data ang bersfat dskrt dapat dbuat contnuum melalu proses curve-fttng. 0 Curve-fttng merupakan proses data-smoothng, akn proses pendekatan terhadap kecenderungan data-data dalam bentuk
Lebih terperinciBAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.
BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan
Lebih terperinciANALISIS DATA KATEGORIK (STK351)
Suplemen Respons Pertemuan ANALISIS DATA KATEGORIK (STK351) 7 Departemen Statstka FMIPA IPB Pokok Bahasan Sub Pokok Bahasan Referens Waktu Korelas Perngkat (Rank Correlaton) Bag. 1 Koefsen Korelas Perngkat
Lebih terperinciBAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk
Lebih terperinciBAB 2 LANDASAN TEORI
7 BAB LANDASAN TEORI.1 Analsa Regres Analsa regres dnterpretaskan sebaga suatu analsa yang berkatan dengan stud ketergantungan (hubungan kausal) dar suatu varabel tak bebas (dependent varable) atu dsebut
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 5. No. 3, , Desember 2002, ISSN :
JURNAL MATEMATIKA AN KOMPUTER Vol. 5. No. 3, 161-167, esember 00, ISSN : 1410-8518 PENGARUH SUATU ATA OBSERVASI ALAM MENGESTIMASI PARAMETER MOEL REGRESI Hern Utam, Rur I, dan Abdurakhman Jurusan Matematka
Lebih terperinciBAB V Model Bayes Pendugaan Area Kecil untuk Respon Binomial dan Multinomial Berbasis Penarikan Contoh Berpeluang Tidak Sama
BAB V Model Bayes Pendugaan Area Kecl untuk Respon Bnomal dan Multnomal Berbass Penarkan Contoh Berpeluang Tdak Sama 5.1. Pendahuluan Pada umumnya pengembangan model SAE dan pendugaannya dlakukan dengan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Matematka sebaga bahasa smbol yang bersfat unversal memegang peranan pentng dalam perkembangan suatu teknolog. Matematka sangat erat hubungannya dengan kehdupan nyata.
Lebih terperinciBAB 1 PENDAHULUAN. Pertumbuhan dan kestabilan ekonomi, adalah dua syarat penting bagi kemakmuran
BAB 1 PENDAHULUAN 1.1. Latar Belakang Pertumbuhan dan kestablan ekonom, adalah dua syarat pentng bag kemakmuran dan kesejahteraan suatu bangsa. Dengan pertumbuhan yang cukup, negara dapat melanjutkan pembangunan
Lebih terperinciIV. UKURAN SIMPANGAN, DISPERSI & VARIASI
IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan
Lebih terperinciPEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR
PEMODELAN KARAKTERISTIK TINGKAT PENDIDIKAN ANAK DI PROVINSI JAWA BARAT MENGGUNAKAN LOG LINEAR Resa Septan Pontoh 1), Neneng Sunengsh 2) 1),2) Departemen Statstka Unverstas Padjadjaran 1) resa.septan@unpad.ac.d,
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PEDAHULUA. Latar Belakang Rsko ddentfkaskan dengan ketdakpastan. Dalam mengambl keputusan nvestas para nvestor mengharapkan hasl yang maksmal dengan rsko tertentu atau hasl tertentu dengan rsko yang
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang
Lebih terperinciBAB I PENDAHULUAN. dan. 0. Uji fungsi distribusi empiris yang populer, yaitu uji. distribusi nol
BAB I PENDAHULUAN 1.1. Latar Belakang Sebagan besar peneltan-peneltan bdang statstka berhubungan dengan pengujan asums dstrbus, bak secara teor maupun praktk d lapangan. Salah satu uj yang serng dgunakan
Lebih terperinciREGRESI DAN KORELASI LINEAR SEDERHANA. Regresi Linear
REGRESI DAN KORELASI LINEAR SEDERHANA Regres Lnear Tujuan Pembelajaran Menjelaskan regres dan korelas Menghtung dar persamaan regres dan standard error dar estmas-estmas untuk analss regres lner sederhana
Lebih terperinciESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL
Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah
Lebih terperinciMetode Estimasi Kemungkinan Maksimum dan Kuadrat Terkecil Tergeneralisasi pada Analisis Pemodelan Persamaan Struktural
Jurnal Graden Vol. 11 No. 1 Januar 015 : 1035-1039 Metode Estmas Kemungknan Maksmum dan Kuadrat Terkecl Tergeneralsas pada Analss Pemodelan Persamaan Struktural Dan Agustna Jurusan Matematka, Fakultas
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Hpotess Peneltan Berkatan dengan manusa masalah d atas maka penuls menyusun hpotess sebaga acuan dalam penulsan hpotess penuls yatu Terdapat hubungan postf antara penddkan
Lebih terperinciMETODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR
METODE REGRESI RIDGE UNTUK MENGATASI KASUS MULTIKOLINEAR Margaretha Ohyver Jurusan Matematka, Fakultas Sans dan Teknolog, Bnus Unversty Jl. Kh.Syahdan No.9, Palmerah, Jakarta 480 ethaohyver@bnus.ac.d,
Lebih terperinciBAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE
BAB VIB METODE BELAJAR Delta rule, ADALINE (WIDROW- HOFF), MADALINE 6B.1 Pelathan ADALINE Model ADALINE (Adaptve Lnear Neuron) dtemukan oleh Wdrow & Hoff (1960) Arstekturnya mrp dengan perseptron Perbedaan
Lebih terperinciBAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa
BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup
Lebih terperinciPENDEKATAN GENERAL LINEAR MIXED MODEL PADA SMALL AREA ESTIMATION
Forum Statstka dan Komputas, Oktoberl 005, p: 1 16 Vol. 10 No. PENDEKATAN GENERAL LINEAR MIXED MODEL PADA SMALL AREA ESTIMATION Kharl A. Notodputro dan Anang Kurna Departemen Statstka FMIPA IPB Abstract
Lebih terperinciANALISIS PEUBAH RESPON BINER
Analss Peubah Respon Bner... (Ksmantn) ANALISIS PEUBAH RESPON BINER Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Pada regres lner klask, peubah respon dasumskan merupakan
Lebih terperinciε adalah error random yang diasumsikan independen, m X ) adalah fungsi
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan suatu metode yang dgunakan untuk menganalss hubungan antara dua atau lebh varabel. Pada analss regres terdapat dua jens varabel yatu
Lebih terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya
Lebih terperinciBAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER
BAB V PENGEMBANGAN MODEL FUZZY PROGRAM LINIER 5.1 Pembelajaran Dengan Fuzzy Program Lner. Salah satu model program lnear klask, adalah : Maksmumkan : T f ( x) = c x Dengan batasan : Ax b x 0 n m mxn Dengan
Lebih terperinciTINJAUAN PUSTAKA. Node. Edge. Gambar 1 Directed Acyclic Graph
TINJAUAN PUSTAKA Bayesan Networks BNs dapat memberkan nformas yang sederhana dan padat mengena nformas peluang. Berdasarkan komponennya BNs terdr dar Bayesan Structure (Bs) dan Bayesan Parameter (Bp) (Cooper
Lebih terperinciBab 3 Analisis Ralat. x2 x2 x. y=x 1 + x 2 (3.1) 3.1. Menaksir Ralat
Mater Kulah Ekspermen Fska Oleh : Drs. Ishaft, M.S. Program Stud Penddkan Fska Unverstas Ahmad Dahlan, 07 Bab 3 Analss Ralat 3.. Menaksr Ralat Msalna suatu besaran dhtung dar besaran terukur,,..., n. Jka
Lebih terperinciBAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN. Pada prinsipnya model ini merupakan hasil transformasi dari suatu model
BAB III PERBANDINGAN ANALISIS REGRESI MODEL LOG - LOG DAN MODEL LOG - LIN A. Regres Model Log-Log Pada prnspnya model n merupakan hasl transformas dar suatu model tdak lner dengan membuat model dalam bentuk
Lebih terperinciPENDUGAAN RASIO, BEDA DAN REGRESI
TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka
Lebih terperinciBAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel
BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga
Lebih terperinciBab 1 PENDAHULUAN Latar Belakang
11 Bab 1 PENDAHULUAN 1.1. Latar Belakang Perbankan adalah ndustr yang syarat dengan rsko. Mula dar pengumpulan dana sebaga sumber labltas, hngga penyaluran dana pada aktva produktf. Berbaga kegatan jasa
Lebih terperinciPemetaan Penyakit Demam Berdarah (DBD) Kota Makassar Dengan Penduga Empirical Bayes
Jurnal Matematka, Statstka & Komputas 1 Vol. 4 No. Januar 008 Pemetaan Penyakt Demam Berdarah (DBD) Kota Makassar Dengan Penduga Emprcal Bayes Ansa Abstrak Peneltan n mengkaj penggunaan model Emprcal Bayes
Lebih terperinciPERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta
PERBANDINGAN MODEL REGRESI POISSON DAN MODEL REGRESI BINOMIAL NEGATIF 1 Ksmantn Jurusan Penddkan Matematka FMIPA Unverstas Neger Yogyakarta Abstrak Dalam menganalss hubungan antara beberapa peubah, terdapat
Lebih terperinciBAB III METODE PENELITIAN. Sebelum dilakukan penelitian, langkah pertama yang harus dilakukan oleh
BAB III METODE PENELITIAN 3.1 Desan Peneltan Sebelum dlakukan peneltan, langkah pertama yang harus dlakukan oleh penelt adalah menentukan terlebh dahulu metode apa yang akan dgunakan dalam peneltan. Desan
Lebih terperinci2. ANALISIS DATA LONGITUDINAL
. ANALISIS DATA LONGITUDINAL Data longtudnal merupakan salah satu bentuk data berkorelas. Pada data longtudnal, peubah respon dukur pada beberapa ttk waktu untuk setap subyek. Dalam stud longtudnal dmungknkan
Lebih terperinciTINGKAT EFISIENSI PENAKSIR M TERHADAP PENAKSIR LMS DALAM MENAKSIR KOEFISIEN GARIS REGRESI
INGKA EFISIENSI PENAKSIR M ERHADAP PENAKSIR LMS DALAM MENAKSIR KOEFISIEN GARIS REGRESI Harm Sugart (harm@ut.ac.d) And Megawarn Jurusan Statstk FMIPA Unverstas erbuka ABSRAC he usng of OLS method to estmate
Lebih terperinciAnalisis Regresi 1. Diagnosa Model Melalui Pemeriksaan Sisaan dan Identifikasi Pengamatan Berpengaruh. Pokok Bahasan :
Analss Regres Pokok Bahasan : Dagnosa Model Melalu Pemerksaan Ssaan dan Identfkas Pengamatan Berpengaruh Itasa & Y Angran Dep. Statstka FMIPA-IPB Ssaan Ssaan adalah menympangnya nla amatan y terhadap dugaan
Lebih terperinciBINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 BINOMIAL NEGATIF SEBAGAI SALAH SATU ALTERNATIF MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro Jurusan Matematka
Lebih terperinciConfigural Frequency Analysis untuk Melihat Penyimpangan pada Model Log Linear
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2016 Confgural Frequency Analyss untuk Melhat Penympangan pada Model Log Lnear Resa Septan Pontoh 1, Def Y. Fadah 2 1,2 Departemen Statstka FMIPA
Lebih terperinciParameter Quantile-like dalam Pendugaan Area Kecil Melalui Pendekatan Penalized-Splines
Statstka, Vol. 8, No. 1, 31-36 Unsba Bandung, Me 2008 Parameter Quantle-lke dalam Pendugaan Area Kecl Melalu Pendekatan Penalzed-Splnes Kusman Sadk Departemen Statstka IPB, Bogor Jl. Merant, Kampus IPB
Lebih terperinciPERBANDINGAN METODE EMPIRICAL BAYES
PERBANDINGAN METODE EMPIRICAL BAYES (EB) DAN EMPIRICAL BEST LINEAR UNBIASED PREDICTION (EBLUP) PADA PENDUGAAN AREA KECIL (Stud Kasus Pendugaan Pengeluaran Per Kapta d Kota Bogor) AGUSTINA DWI WARDANI DEPARTEMEN
Lebih terperinciBAB VB PERSEPTRON & CONTOH
BAB VB PERSEPTRON & CONTOH Model JST perseptron dtemukan oleh Rosenblatt (1962) dan Mnsky Papert (1969). Model n merupakan model yang memlk aplkas dan pelathan yang lebh bak pada era tersebut. 5B.1 Arstektur
Lebih terperinciREGRESI LINIER SEDERHANA (MASALAH ESTIMASI)
REGRESI LINIER SEDERHANA (MASALAH ESTIMASI) PowerPont Sldes byyana Rohmana Educaton Unversty of Indonesan 007 Laboratorum Ekonom & Koperas Publshng Jl. Dr. Setabud 9 Bandung, Telp. 0 013163-53 Hal-hal
Lebih terperinciMETODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO
METODE PENDUGAAN AREA KECIL DENGAN TEKNIK EMPIRICAL BAYES PADA PENDUGAAN PROPORSI KELUARGA MISKIN DI KOTA BOGOR WAHYU DWI LAKSONO DEPARTEMEN STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciBAB 1 PENDAHULUAN. dependen (y) untuk n pengamatan berpasangan i i i. x : variabel prediktor; f x ) ). Bentuk kurva regresi f( x i
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan analss statstk yang dgunakan untuk memodelkan hubungan antara varabel ndependen (x) dengan varabel ( x, y ) n dependen (y) untuk n pengamatan
Lebih terperinciANALISIS REGRESI REGRESI NONLINEAR REGRESI LINEAR REGRESI KUADRATIK REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUBIK
REGRESI NON LINIER ANALISIS REGRESI REGRESI LINEAR REGRESI NONLINEAR REGRESI LINEAR SEDERHANA REGRESI LINEAR BERGANDA REGRESI KUADRATIK REGRESI KUBIK Membentuk gars lurus Membentuk Gars Lengkung Regres
Lebih terperinciSeemingly Unrelated Regression (SUR) Penderita Penyakit DBD RS. Wahidin Sudirohusodo Dan RS. Stella Maris Makassar
Vol. 3, o., -5, Jul 6 Seemngl Unrelated Regresson Penderta Penakt DBD RS. Wahdn Sudrohusodo Dan RS. Stella ars akassar A n s a Abstrak Hubungan antar varabel adalah salah satu hal ang selalu menark dalam
Lebih terperinciPROPOSAL SKRIPSI JUDUL:
PROPOSAL SKRIPSI JUDUL: 1.1. Latar Belakang Masalah SDM kn makn berperan besar bag kesuksesan suatu organsas. Banyak organsas menyadar bahwa unsur manusa dalam suatu organsas dapat memberkan keunggulan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor
Lebih terperinciBINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 2009 BINOMIAL NEGATIF VS GENERALIZED POISSON REGRESSION DALAM MENGATASI OVERDISPERSION PADA REGRESI POISSON Oleh : A yunn Sofro
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakang Dalam kehdupan sehar-har, serngkal dumpa hubungan antara suatu varabel dengan satu atau lebh varabel lan. D dalam bdang pertanan sebaga contoh, doss dan ens pupuk yang dberkan
Lebih terperinciPendeteksian Data Pencilan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Diagnostik
Pendeteksan Data Penclan dan Pengamatan Berpengaruh pada Beberapa Kasus Data Menggunakan Metode Dagnostk Sally Indra 1, Dod Vonanda, Rry Srnngsh 3 1 Student of Mathematcs Department State Unversty of Padang,
Lebih terperinciBAB 2 LANDASAN TEORI. Teori Galton berkembang menjadi analisis regresi yang dapat digunakan sebagai alat
BAB LANDASAN TEORI. 1 Analsa Regres Regres pertama kal dpergunakan sebaga konsep statstk pada tahun 1877 oleh Sr Francs Galton. Galton melakukan stud tentang kecenderungan tngg badan anak. Teor Galton
Lebih terperinciBAB IV TRIP GENERATION
BAB IV TRIP GENERATION 4.1 PENDAHULUAN Trp Generaton td : 1. Trp Producton 2. Trp Attracton j Generator Attractor - Setap tempat mempunya fktor untuk membangktkan dan menark pergerakan - Bangktan, Tarkan
Lebih terperinciBAB III METODE PENELITIAN. Jenis penelitian yang dipakai adalah penelitian kuantitatif, dengan
BAB III METODE PENELITIAN 3.1 Pendekatan dan Jens Peneltan Jens peneltan yang dpaka adalah peneltan kuanttatf, dengan menggunakan metode analss deskrptf dengan analss statstka nferensal artnya penuls dapat
Lebih terperinciDISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA
DISTRIBUSI HASIL PENGUKURAN DAN NILAI RATA-RATA Dstrbus Bnomal Msalkan dalam melakukan percobaan Bernoull (Bernoull trals) berulang-ulang sebanyak n kal, dengan kebolehjadan sukses p pada tap percobaan,
Lebih terperinciBAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas
Lebih terperinciKORELASI DAN REGRESI LINIER. Debrina Puspita Andriani /
KORELASI DAN REGRESI LINIER 9 Debrna Puspta Andran www. E-mal : debrna.ub@gmal.com / debrna@ub.ac.d 2 Outlne 3 Perbedaan mendasar antara korelas dan regres? KORELASI Korelas hanya menunjukkan sekedar hubungan.
Lebih terperinciPendugaan Parameter Regresi. Itasia & Y Angraini, Dep Statistika FMIPA - IPB
Pendugaan Parameter Regres Menduga gars regres Menduga gars regres lner sederhana = menduga parameter-parameter regres β 0 dan β 1 : Penduga parameter yang dhaslkan harus merupakan penduga yang bak Software
Lebih terperinciRahmadeni 1, Zulya Desmita 2 ABSTRAK. Kata Kunci: Overdispersi, Regresi Binomial Negatif, Regresi Generalized Poisson, Regresi Poisson.
Jurnal Sans Matematka dan Statstka, Vol. No. Jul 16 ISSN 46-454 Perbandngan Model Regres Generalzed Posson Dan Bnomal Negatf Untuk Mengatas Overdspers Pada Regres Posson (Stud Kasus: Penderta Flarass d
Lebih terperinciBAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,
BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu
Lebih terperinciANALISIS BENTUK HUBUNGAN
ANALISIS BENTUK HUBUNGAN Analss Regres dan Korelas Analss regres dgunakan untuk mempelajar dan mengukur hubungan statstk yang terjad antara dua varbel atau lebh varabel. Varabel tersebut adalah varabel
Lebih terperinciRANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Design) Dr.Ir. I Made Sumertajaya, M.Si Departemen Statistika-FMIPA IPB 2007
RANCANGAN ACAK KELOMPOK TAK LENGKAP (Incomplete Block Desgn) Dr.Ir. I Made Sumertajaya, M.S Departemen Statstka-FMIPA IPB 007 Revew Rancangan Acak Kelompok Kta ngn membandngkan t perlakuan Pengelompokan
Lebih terperinciBAB 3 PEMBAHASAN. 3.1 Prosedur Penyelesaian Masalah Program Linier Parametrik Prosedur Penyelesaian untuk perubahan kontinu parameter c
6 A PEMAHASA Pada bab sebelumnya telah dbahas teor-teor yang akan dgunakan untuk menyelesakan masalah program lner parametrk. Pada bab n akan dperlhatkan suatu prosedur yang lengkap untuk menyelesakan
Lebih terperinciBAB 4 PERHITUNGAN NUMERIK
Mata kulah KOMPUTASI ELEKTRO BAB PERHITUNGAN NUMERIK. Kesalahan error Pada Penelesaan Numerk Penelesaan secara numers dar suatu persamaan matemats kadang-kadang hana memberkan nla perkraan ang mendekat
Lebih terperinciII. TEORI DASAR. Definisi 1. Transformasi Laplace didefinisikan sebagai
II. TEORI DASAR.1 Transormas Laplace Ogata (1984) mengemukakan bahwa transormas Laplace adalah suatu metode operasonal ang dapat dgunakan untuk menelesakan persamaan derensal lnear. Dengan menggunakan
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fuzzy Set Pada tahun 1965, Zadeh memodfkas teor hmpunan dmana setap anggotanya memlk derajat keanggotaan yang bernla kontnu antara 0 sampa 1. Hmpunan n dsebut dengan hmpunaan
Lebih terperinciBab III Analisis Rantai Markov
Bab III Analss Ranta Markov Sstem Markov (atau proses Markov atau ranta Markov) merupakan suatu sstem dengan satu atau beberapa state atau keadaan, dan dapat berpndah dar satu state ke state yang lan pada
Lebih terperinciKecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi
Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK
Lebih terperinciMEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM
MEREDUKSI SISTEM PERSAMAAN LINEAR FUZZY PENUH DENGAN BILANGAN FUZZY TRAPESIUM Tut Susant, Mashad, Sukamto Mahasswa Program S Matematka Dosen Jurusan Matematka Fakultas Matematka dan Ilmu Pengetahuan Alam
Lebih terperinciPEMODELAN REGRESI POISSON MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN Yayuk Listiani NRP Dr. Purhadi, M. Sc.
PEMODELAN REGRESI POISSON PADA FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN BAYI DI JAWA TIMUR TAHUN 007 Yayuk Lstan NRP 06 00 068 DOSEN PEMBIMBING Dr. Purhad, M. Sc. JURUSAN STATISTIKA FAKULTAS MATEMATIKA
Lebih terperinciTUGAS #1 STK731 MODEL LINIER TERAMPAT
TUGAS #1 STK731 MODEL LINIER TERAMPAT Tugas n mengolah data Beetle Mortalty sepert yang tercantum pada contoh 7.3.1 pada buku Dobson (2001) sebaga berkut: Dose, x Number of Number (log10cs2mgl 1 ) beetles,
Lebih terperinciOVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL
OVERDISPERSI PADA REGRESI LOGISTIK BINER MENGGUNAKAN METODE BETA BINOMIAL Heru Wbowo, Suyono, Wdyant Rahayu Program Stud Matematka, Fakultas Matematka dan Ilmu Pengetahuan Alam, Unverstas Neger Jakarta
Lebih terperinciPENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL
PENDUGAAN AREA KECIL TERHADAP PROPORSI RUMAH TANGGA MISKIN LEVEL KELURAHAN DI KABUPATEN SAMPANG MENGGUNAKAN HIERARCHICAL BAYES (HB) LOGIT NORMAL Ika Yun Wulansar 1), Gandh Pawtan ), Neneng Sunengsh 3)
Lebih terperinciREKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA
REKAYASA TRANSPORTASI LANJUT UNIVERSITAS PEMBANGUNAN JAYA Jl. Boulevard Bntaro Sektor 7, Bntaro Jaya Tangerang Selatan 15224 PENDAHULUAN Bangktan perjalanan (Trp generaton model ) adalah suatu tahapan
Lebih terperinciBAB III METODOLOGI PENELITIAN. Untuk menjawab permasalahan yaitu tentang peranan pelatihan yang dapat
BAB III METODOLOGI PENELITIAN 3.1 Metode Peneltan Untuk menjawab permasalahan yatu tentang peranan pelathan yang dapat menngkatkan knerja karyawan, dgunakan metode analss eksplanatf kuanttatf. Pengertan
Lebih terperinciBAB I PENDAHULUAN. Perkembangan matematika tidak hanya dalam tataran teoritis tetapi juga pada
BAB I PENDAHULUAN.. Latar Belakang Masalah Perkembangan matematka tdak hanya dalam tataran teorts tetap juga pada bdang aplkatf. Salah satu bdang lmu yang dkembangkan untuk tataran aplkatf dalam statstka
Lebih terperinciPRAKTIKUM 6 Penyelesaian Persamaan Non Linier Metode Newton Raphson Dengan Modifikasi Tabel
PRAKTIKUM 6 Penyelesaan Persamaan Non Lner Metode Newton Raphson Dengan Modfkas Tabel Tujuan : Mempelajar metode Newton Raphson dengan modfkas tabel untuk penyelesaan persamaan non lner Dasar Teor : Permasalahan
Lebih terperinciMODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL
MODEL BAYES UNTUK PENDUGAAN AREA KECIL DENGAN PENARIKAN CONTOH BERPELUANG TIDAK SAMA PADA KASUS RESPON BINOMIAL DAN MULTINOMIAL APLIKASI : PENDUGAAN INDEKS PENDIDIKAN LEVEL KECAMATAN DI JAWA TIMUR AGNES
Lebih terperinciBAB II LANDASAN TEORI DAN SURVEY LITERATUR
BAB II LANDASAN TEORI DAN SURVEY LITERATUR 2.1 PENDAHULUAN Keselamatan dan efsens adalah dua tujuan utama dalam teknk transportas. Perhatan masyarakat terhadap tngkat knerja keselamatan jalan sangat rendah.
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.
Lebih terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Negosas Negosas dapat dkategorkan dengan banyak cara, yatu berdasarkan sesuatu yang dnegosaskan, karakter dar orang yang melakukan negosas, protokol negosas, karakterstk dar nformas,
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 009 PERNYATAAN MENGENAI
Lebih terperinciBAB IV PEMBAHASAN HASIL PENELITIAN
BAB IV PEMBAHASAN HASIL PENELITIAN A. Hasl Peneltan Pada peneltan yang telah dlakukan penelt selama 3 mnggu, maka hasl belajar matematka pada mater pokok pecahan d kelas V MI I anatussbyan Mangkang Kulon
Lebih terperinciNirwan Ilyas, Anisa, Andi Kresna Jaya ABSTRAK
PERBANDINGAN MODEL REGRESI LOGISTIK DAN ZERO-INFLATED POISSON (ZIP) UNTUK MENGANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI STATUS KELANGSUNGAN HIDUP PENDERITA PENYAKIT DEMAM BERDARAH (DBD) RS WAHIDIN SUDIROHUSODO
Lebih terperinciPrediksi Kelainan Refraksi Berdasarkan Panjang Sumbu Bola Mata Pada Pasien Myopia Axial Melalui Regresi Bootstrap
Predks Kelanan Refraks Berdasarkan Panjang Sumbu Bola Mata Pada Pasen Myopa Axal Melalu Regres Bootstrap Oleh: Karyam dan Qorlna Statstka UII ABSTRAKSI Peneltan n dlakukan d Rumah Sakt Mata Dr. YAP Yogyakarta
Lebih terperinciMODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT 1. Setiawan 2
Semnar Nasonal Statstka IX Insttut Teknolog Sepuluh Nopember, 7 November 009 MODEL REGRESI LINEAR DALAM PRESPEKTIF MODEL LINEAR TERAMPAT Setawan Jurusan Statstka FMIPA Insttut Teknolog Sepuluh Nopember,
Lebih terperinciPENDEKATAN REGRESI UNTUK ANALISIS RAGAM KLASIFIKASI DUA-ARAH
PENDEKAAN REGRES UNUK ANALSS RAGAM KLASFKAS DUA-ARAH Dw sprant Program Stud Statstka urusan Matematka FMPA UNDP l Prof H Soedarto, SH, Semarang 5075 Abstract Regresson approach can be used for solvng analss
Lebih terperinciBAB II METODOLOGI PENELITIAN. Jenis penelitian yang digunakan dalam penelitian ini adalah penelitian. variable independen dengan variabel dependen.
BAB II METODOLOGI PENELITIAN A. Bentuk Peneltan Jens peneltan yang dgunakan dalam peneltan n adalah peneltan deskrptf dengan analsa kuanttatf, dengan maksud untuk mencar pengaruh antara varable ndependen
Lebih terperinciANALISIS REGRESI. Catatan Freddy
ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :
Lebih terperinciPENDAHULUAN Latar Belakang
PENDAHULUAN Latar Belakang Menurut teor molekuler benda, satu unt volume makroskopk gas (msalkan cm ) merupakan suatu sstem yang terdr atas sejumlah besar molekul (kra-kra sebanyak 0 0 buah molekul) yang
Lebih terperinci