Matheus Adi Sidauruk - Unila - M16repository.lppm.unila.ac.id/3475/1/Prosiding BKS...Prediction...
Transcript of Matheus Adi Sidauruk - Unila - M16repository.lppm.unila.ac.id/3475/1/Prosiding BKS...Prediction...
Prosiding Seminar dan Rapat Tahunan BKS PTN Barat 2013
FMIPA Universitas Lampung, 10 – 12 Mei 2013 1
Karakteristik Pendugaan Emperical Best Linear UnbiasedPrediction (EBLUP) Pada Pendugaan Area Kecil
M. Adi Sidauruk, Dian Kurniasari, Widiarti
Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan AlamUniversitas Lampung
Abstrak. Pendugaan langsung pada parameter area kecil yang heterogen akan menghasilkan pendugaan yang tidakbias namun keragamannya sangat besar sehingga mengakibatkan pendugaan ini kurang valid. Untuk mengatasimasalah ini, Pendugaan pada area kecil dapat diduga dengan menggunakan pendugaan tidak langsung. Tujuannyaadalah untuk menekan keragaman yang besar pada area kecil. Pendugaan tidak langsung pada area kecilmemanfaatkan informasi dari area sekitarnya yang berhubungan dengan parameter yang menjadi perhatian. Adabeberapa metode pada pendugaan tidak langsung yaitu Empirical Bayes (EB), Empirical Best Linear UnbiasedPrediction (EBLUP), dan Hierarchical Bayes (HB). Penelitian ini dilakukan pada data kontinu dengan metodeEBLUP yang mengaplikasikan metode GLS sebagai metode penduga parameternya. Kajian secara teori menunjukkanbahwa penduga parameter yang dihasilkan oleh metode GLS merupakan penduga tak bias dengan varians minimum.Hasil yang sama juga diperoleh secara empiris melalui simulasi dengan software R.2.10.1.
Kata Kunci: Pendugaan Area Kecil, EBLUP, Tak-bias, Varians minimum
PENDAHULUAN
Pendugaan pada area kecil (small areaestimation) merupakan salah satu upaya untukmenekan ragam yang besar pada area kecil yaitudengan menggunakan pendugaan tidak langsung(indirect estimation) dengan memanfaatkaninformasi dari area sekitarnya. Informasi yangdiperoleh adalah informasi yang berhubungandengan parameter.
Pendugaan menggunakan metode EBLUP padadata kontinu perlu dievaluasi karena pendugayang diperoleh pada area kecil merupakanpenduga yang berbias namun memiliki ragamminimum. Tujuannya adalah untuk mendapatkanpendugaan yang efisien. Keakuratan pendugadapat diperoleh dengan cara mengukur meansquare error-nya. Semakin kecil mean squareerror (MSE) suatu penduga maka pendugasemakin akurat.
Rao (2003) mengemukakan bahwa suatu areadisebut kecil apabila contoh yang diambil padaarea tersebut tidak mencukupi untuk melakukanpendugaan langsung dengan hasil dugaan yangakurat. [3]
Pendugaan area kecil bertujuan untukmeningkatkan keakuratan penduga suatuparameter, yaitu dengan menggunakanpendugaan tidak langsung. Pendugaan tidaklangsung dapat dilakukan dengan “meminjamkekuatan” atau memanfaatkan peubah-peubahtambahan dalam menduga parameter. Peubah
pendukung ini berupa informasi tambahan yangdidapatkan pada area lain dari survei yang sama,dari area yang sama pada survei yang terdahulu,atau peubah lain yang berhubungan denganpeubah yang menjadi perhatian pada area kecil.
Model area kecil merupakan model dasar dalampendugaan area kecil. Dalam pendugaan areakecil terdapat dua jenis model dasar yangdigunakan, yaitu basic area level (Type A) modeldan basic unit level (Type B) model. [3]
Basic Area Level Model atau dapat disebutsebagai model berbasis area merupakan modelyang didasarkan pada ketersediaan datapendukung yang hanya ada untuk level areatertentu, misalkan xi = (x1i, x2i, x3i, …, xpi)
T
dengan parameter yang akan diduga adalahyang merupakan fungsi dari rata-rata peubahrespon dan diasumsikan mempunyai keterkaitandengan xi. Data pendukung tersebut digunakanuntuk membangun model
T + bivi, (1)
dengan i = 1, 2, …, m dan vi N(0, 2v)
Basic Area Level Model merupakan suatu modeldimana data-data pendukung yang tersediabersesuaian secara individu dengan data respon,misal xij = (xij1, xij2, xij3, …, xijp)
T artinya untukmasing-masing anggota populasi j dalammasing-masing area kecil i, namun terkadang
cukup dengan rata-rata populasi i diketahuisaja. sehingga didapatkan suatu model regresitersarang sebagai berikut :
Prosiding Seminar dan Rapat Tahunan BKS PTN Barat 2013
FMIPA Universitas Lampung, 10 – 12 Mei 2013 2
yii = T + vi + eij , (2)
dengan i = 1, 2, …, m; j = 1, 2, …, Ni, denganasumsi vi merupakan peubah acak yang
berdistribusi vi N(0, 2v) dan eij =
dimana konstanta k diketahui dan merupakan
peubah acak saling bebas dari vi sehingga
distribusi dari adalah N(0, 2e).
Model dasar dalam pengembangan pendugaanarea kecil didasarkan pada bentuk model liniercampuran sebagai berikut :
yi = T + bivi + ei (3)
Penduga terbaik (best predictor, BP) bagiT + vi jika dan A diketahui adalah
T +(1- )( T ) (4)
dengan untuk i = 1, 2, 3, …, m
Jika A diketahui, dapat diduga dengan metodekuadrat terkecil terboboti yaitu
dan dengan
mensubstitusi oleh pada , makadiperoleh
T + (1 - )( T )
(1 - ) T
Penduga BLUP yang diperoleh dengan caraterlebih dahulu menduga komponen ragamnya.
Kemudian mensubstitusi oleh dan A olehsehingga disebut sebagai prediksi tak-bias linearterbaik empirik (Empirical Best Linear UnbiasedPrediction/EBLUP).
Generalisasi Kuadrat Terkecil
Perhatikan model linear
(5)diasumsikan matriks kovariansnya
dengan adalah parameter
yang tidak diketahui nilainya dan adalahmatriks definit positif nxn dengan trase matrikssama dengan n.
Jika suatu matriks Q adalah simetrik definitpositif maka Q nonsingular atau ada, dankarena itu ada matriks nxn nonsingular (misal P)sedemikian rupa sehingga
Matriks adalah simetriks dan definit positifsehingga non-singular, karena itu ada suatumatriks nxn nonsingular P sehingga .Pada model linear kalikan kedua ruas denganmatriks P ini :
P (6)
Penerapan metode kuadrat terkecil pada model diatas akan menghasilkan persamaan normalsebagai berikut :
dengan B adalah penduga kuadrat terkecil untukberdasarkan model di atas. Karena
adalah matriks definit positif jika X mempunyaiperingkat kolom penuh (full column rank)sehingga adalah nonsingular dan
maka solusi persamaannya adalah
atau
persamaan terakhir ini dinamakan pendugakuadrat terkecil umum (Generalized LeastSquares) untuk selanjutnya disingkat denganGLS. [4]
Pendugaan Parameter
Pendugaan parameter adalah proses untukmenduga atau menaksir parameter populasi yangtidak diketahui berdasarkan informasi darisampel. Menurut Hoog dan Craig (1995), kriteriapenduga yang baik adalah takbias, variansminimum, konsisten, statistik cukup dankelengkapan. [1]
Berikut ini hanya akan dibahas dua kriteriapenduga yang baik, yaitu takbias dan variansminimum karena dianggap sudah cukup untukmelihat suatu penduga yang baik.
1. Takbias. Suatu statistik dikatakan penduga
tidak bias dari parameter apabila nilai harapan
penduga sama dengan parameter , sebaliknya
jika nilai harapan statistik tersebut tidak sama
dengan parameter maka disebut penduga
yang berbias.2. Varians Minimum. Suatu penduga
dikatakan mempunyai varians minimum apabilapenduga tersebut memiliki varians yang kecil.Apabila terdapat lebih dari satu penduga,penduga yang efisiens adalah penduga yangmemiliki varians terkecil.
Keakuratan suatu penduga menunjukkan tentangseberapa jauh penyimpangan nilai dugaan darinilai parameter sebenarnya. Keakuratan suatupenduga umumnya dievaluasi berdasarkan nilaikuadrat galat / KTG (mean square error / MSE),yaitu
MSE( ) = E( - )2
atau berdasarkan nilai akar kuadrat tengah galat /AKTG ( root mean square error / RMSE), yaitusebagai berikut
RMSE( ) =
Prosiding Seminar dan Rapat Tahunan BKS PTN Barat 2013
FMIPA Universitas Lampung, 10 – 12 Mei 2013 3
=
MSE ( BLUP) = g1i(A) + g2i(A)
= ADi/(A+Di) + (Di)2/(A+Di)[Xi
t(XtV-1X)-1Xi]
METODE PENELITIAN
Data yang digunakan dalam penelitian inimerupakan data yang dibangkitkan dari simulasidengan menggunakan software R.2.10.1 dansebaran datanya berdistribusi normal.
Adapun langkah- langkah yang dilakukan padapenelitian ini dalam mengkaji karakteristikpenduga EBLUP pada penduga area kecil adalahsebagai berikut :1. Menentukan nilai duga dari EBLUP dengan
menggunakan metode GLS2. Menentukan MSE dari nilai duga EBLUP3. Mendapatkan karakteristik penduga EBLUP.
Langkah-langkah dalam menduga karakteristikpenduga EBLUP dengan menggunakan simulasi,yaitu:
1. Membangkitkan peubah acak xi = (x1,x2,…,x10) sebagai variabel peubah penyertabagi variabel respon yi dimana
2. Membangkitkan data ei = (e1, e2, …, e10)sebagai sampling error dengan distribusimenyebar normal dimana nilai tengah danvarians bagi ei yaitu 0 dan 0.5
3. Menetapkan nilai
4. Membangkitkan data dengan iterasi 1000
5. Membangkitkan data dengan iterasi 1000
6. Mendapatkan nilai dengan iterasi 1000
7. Mendapatkan
8. Mengestimasi sehingga memperoleh
MSE dari .
HASIL DAN PEMBAHASAN
Penelitian ini menggunakan software R 2.10.1yang didesain untuk memperoleh penduga
parameter dan mean square error dari
dengan metode Emperical Best Linear UnbiasedPredictions (EBLUP). Simulasi ini menetapkanparameter yang berbeda yaitu antara
dengan increase 0.25 yang bertujuanuntuk melihat konsintensi mean square error(MSE/kuadrat tengah galat ) parameter dari
. .
Karakteristik Penduga GeneralizedLeast Squares
Misalkan adalah matriks simetris definit
positif. Faktor dari matriks ini dituliskan sebagaiberikut
C adalah karakteristik vektor dan karakteristikakarnya adalah array dalam diagonal matriks .
Misalkan adalah matriks diagonal dengan
elemen diagonal ke- i yaitu dan
sehingga .
Misalkan maka . Pdikalikan pada kedua ruas model linear
sedemikian sehingga diperoleh
atau
Varians dari adalah
dimana diketahui, dan adalah data
observasi. Pada model klasik, kuadrat tengahkecil (ordinary least squares) sangat effisien,oleh karena itu
ini adalah penduga efisien dari yang
merupakan penduga generalized least squares(GLS). Adapun karakteristik pendugageneralized least squares (GLS) adalah sebagaiberikut Tak-biasJika , sehingga
Mendekati distribusi normal dengan mean
dan varians
Varians minimum [2]
Penduga parameter EBLUP adalah danEBLUP. Selanjutnya akan dibahas mengenai
karakteristik penduga EBLUP yaitu ketakbiasandan ragam minimum. Pada penelitian ini, y dan
diasumsikan menyebar normal. Karena y dan
memiliki model masing-masing. Sehingga
distribusi penduga parameter EBLUP dapatdiketahui berdasarkan kedua model tersebut.Berikut ini adalah cara mengetahui distribusipada penduga parameter EBLUP:
Prosiding Seminar dan Rapat Tahunan BKS PTN Barat 2013
FMIPA Universitas Lampung, 10 – 12 Mei 2013 4
Karakteristik Penduga bagi
Ketakbiasan= -
= -
= -= –= –= 0 terbukti
Ragam minimumVar = Var
===
Karena merupakan fungsi linear bagi ei dan vi
dengan distribusi masing- masing menyebar
normal maka diperoleh distribusi parametersebagai berikut
Sebelumnya telah ditunjukkan bahwa adalahpenduga tak-bias bagi . Oleh karena itu, akan
ditunjukkan bahwa keragaman dari penduga
merupakan ragam minimum denganmenggunakan teorema Cramer- Rao berikut ini:Pertama terlebih dahulu menghitung HBparameter penduga
Sehingga diperoleh HB parameter adalah
atau sama dengan .
Karena = HB maka merupakan
penduga tak-bias linear dengan variansminimum.
Hasil Simulasi Untuk PendugaParameter
Simulasi pendugaan parameter dengan metode
EBLUP untuk iterasi 1000 dengan parameter set= {0, 0.25, 0.5, 0.75, 1, 1.25, 1.75, 2} dan
banyaknya pengamatan m = 10 menghasilkan1000 penduga parameter . Selanjutnya, akan
dilakukan pembuktian ketakbiasan secaraempirik dengan cara mencari rata-rata dari 1000penduga yang diperoleh berdasarkan :
Tabel 4.1: Hasil Pendugaan Parameter padabeberapa nilai
0.00 0.035799110.25 0.21418680.50 0.52140760.75 0.74443311.00 0.98695441.25 1.2350451.50 1.4982681.75 1.7654552.00 2.066544
Berdasarkan Tabel 4.1 dapat dilihat bahwa
parameter yang dihasilkan untuk masing-masing data set parameter semakin mendekati
nilai sebenarnya artinya berdasarkan
pemeriksaan ketakbiasan diperoleh nilaimendekati nilai parameter atau dapat
disimpulkan bahwa bias parameter terhadap
Prosiding Seminar dan Rapat Tahunan BKS PTN Barat 2013
FMIPA Universitas Lampung, 10 – 12 Mei 2013 5
data set parameter sangat kecil dengan ragam
minimum untuk setiap parameter sama yaitu
0.001907544.
Hasil Simulasi Untuk PendugaParameter
Mean Square Error dari setiap pendugaparameter dapat diperoleh berdasarkan :
MSE( EBLUP) = E( EBLUP - )2
= var( EBLUP) +[Bias( EBLUP)]2
= MSE( EBLUP) + E( EBLUP- BLUP)2
Prasad dan Rao dalam Rao (2003) menggunakanekspansi deret taylor untuk menduga MSE( ) sehingga diperoleh :
MSE( ) = g1i( ) + g2i( ) + g3i( )
dengan g3i( ) =
Setelah penduga parameter disubstitusi ke
dalam model
= t maka
diperoleh MSE( EBLUP) yaitu 0.8503704.
KESIMPULAN
Berdasarkan hasil dan pembahasan yang telahdilakukan, dapat disimpulkan bahwa :
1. Karakteristik parameter yang diperolehpada pendugaan area kecil merupakanpenduga yang berbias namun bias yangditimbulkan sangat kecil dengan variansminimum.
2. Mean square error (MSE) dari parameterEBLUP yang dihasilkan cukup kecil dengan
menggunakan metode EBLUP padapendugaan area kecil artinya nilai duga
parameter EBLUP cukup mendekati nilai
parameter yang sebenarnya.
DAFTAR PUSTAKA
[1] Hoog, R.V. dan Allen T. Craig. 1995.Introduction to Mathematical Statistics.Fifth edition. Princtice-Hall InternasionalInc, New Jersey.
[2] Greene, W. 1997. Econometric Analysis.Third edition. Prentice Hall, New Jersey
[3] Rao, J. N. K. 2003. Small Area Estimation.New Jersey: John Willey & Sons, Inc.
[4] Usman, M. dan Warsono. 2009. Teori ModelLinear dan Aplikasinya. Sinar BaruAlgensindo, Bandung.