Teori Sampel -Perbandingan Perkiraan Rasio
Click here to load reader
Transcript of Teori Sampel -Perbandingan Perkiraan Rasio
6.6 PERBANDINGAN PERKIRAAN RASIO DENGAN RATA-RATA PER UNIT
Jenis perkiraan Y adalah yN , dimana y adalah rata-rata per unit untuk sampelnya (dalam penarikan sampel acak sederhana) atau rata-rata tertimbang per unti (dalam penarikan sampel acak berlapis). Perkiraan yang seperti disebut diatas adalah perkiraan yang didasarkan pada rata-rata per unit atau perkiraan dengan ekspansi sederhana.
Teorema 6.2
Dalam sampel yang besar, dengan penarikan sampel aak sederhana, perkiraan rasio RY
memiliki suatu varians yang lebih kecil daripada perkiraan yNY =ˆ yang diperoleh
dengan ekspansi sederhana, jika
)var(2
var2
1
i
i
y
x
yiansikoefisien
xiansikoefisien
Y
SX
S
=
>ρ
Bukti:Untuk Y kita peroleh
22 )1(
)ˆ( ySn
fNYV
−=
Untuk perkiraan rasio kita peroleh dari (6.5) :
)2()1(
)ˆ( 2222
xyxyR SSRSRSn
fNYV ρ−+−=
Oleh karena itu perkiraan rasio memiliki varians terkecil jika2222 2 yxyxy SSSRSRS <−+ ρ
Jika X
YR = adalah positif, maka
)(2
)(2
1
2 iy
x
y
x
ykv
xkv
Y
SX
S
S
RS=
=>ρ
6.7 KONDISI DI DALAM PENDUGA RASIO SEBAGAI SEBUAH PENDUGA TIDAK BIAS LINEAR TERBAIK
Suatu hasil dalam teori regresi yang baik menunjukan jenis populasi dengan perkiraan rasio yang dapat disebut terbaik di antara sejumlah kelas perkiraan. Hasilnya pertama kali di buktikan untuk populasi tidak terbatas. Brewer (1963b) dan Royall (1970a) mengembangkan hasilnya untuk populasi terbatas. Hasilnya terpenuhi jika dua kondisi dipenuhi yaitu:
1. Hubungan antara yi dan xi merupakan sebuah garis lurus melalui origin2. Varian yi di sekitar garis ini adalah proporsional terhadap xi
1
Penduga tidak bias linear terbaik di definisikan sebagai berikut. Misalkan seluruh penduga Y dari Y yang merupakan fungsi linear dari nilai-nilai sampel iy yang
bentuknya nn ylylyl +++ ...2211 dengan l tidak bergantung pada yi , meskipun bisa saja fungsi dari xi dan l dibatasi untuk memberikan perkiraan yang tidak bias dari Y . penduga yang memiliki varians terkecil disebut penduga tidak bias linear terbaik (PTLT). Brewer dan Royall menganggap nilai-nilai populasi ),( ii xyN adalah sebuah sampel
acak dari sebuah populasi dengan iii xy εβ += dimana i∈ bebas dari xi dan xi > 0 , rata-
rata 0 dan varians ixλ ; i = 1.2.3... . Brewer dan Royall menganggap suatu penduga Y
adalah tidak bias jika )()ˆ( YEYE = dalam pemilihan berulang dari model dengan sampel dan populasi terbatas. Penduga seperti itu bisa disebut model tidak bias.
Teorema 6.3.
Dalam model iii xy εβ += rasio penduga x
XY y
R =ˆ (penduga tidak bias linear terbaik
untuk setiap sampel acak atau tidak dipilih secara terpisah menurut nilai-nilai dari xi)
Bukti:
Karena 0=∈ ii xE dalam penarikan sampel berulang, hal ini mengikuti iii xy εβ +=
bahwa XYEXYN
i βεβ =+= ∑ )(:
Selanjutnya dengan model iii xy εβ += ada penduga linear Y yang bentuknya:
∑∑∑ +==n
ii
n
ii
n
ii lxlylY εβˆ
Jika kita mengambil n sampel nilai xi tetap dalm penarikan sampel berulang dalam model iii xy εβ += , maka
∑∑ ==n
ii
n
ii lYVxlYE ελβ 2)ˆ(:)ˆ(
Dari XYEXYN
i βεβ =+= ∑ )(: dan ∑∑ ==n
ii
n
ii lYVxlYE ελβ 2)ˆ(:)ˆ( , Y
sebenarnya adalah model tidak bias jika XxlN
ii ≡∑ . Peminimuman )ˆ(YV di bawah
kondisi ini dengan sebuah pengandaan lagrange memberikan
xn
Xkonslcxxl iiii === tan:2
Nilai konstannya harus memiliki xn
X agar memenuhi kondisi model tidak bias
XxlN
i ≡∑ . Oleh karena itu penduga PTLT Y adalah RYx
yX
xn
Xyn ˆ== , penduga rasio
bias. Ini melengkapi pembuktian.
2
Selanjutnya dari XYEXYN
i βεβ =+= ∑ )(: dan ∑∑ ==n
ii
n
ii lYVxlYE ελβ 2)ˆ(:)ˆ( ,
dengan xn
Xl = ,
∑∑∑∑∑∑−
−−=−
=−=−
nN
i
n
i
N
i
n
i
N
i
n
iiR xn
xnX
xn
XlYY εεεεεεˆ
Dimana ∑−nN
menujukan jumlah seluruh (N-n) nilai populasi yang tidak terdapat dalam
sampel. Oleh karena itu,
xn
XxnXxnX
xn
xnxnXYV R
)()(
)(
)()()ˆ(
2
2 −=−+−= λλλ
Suatu model penduga tak bias λ dari sampel ini dengan mudah di tunjukkan menjadi:
)1(
)ˆ(1ˆ2
−−
= ∑ n
xRy
xii
n
i
λ
Dimana x
yR =ˆ , seperti biasa. Nilai ini dapat digantikan dalam
xn
XxnXxnX
xn
xnxnXYV R
)()(
)(
)()()ˆ(
2
2 −=−+−= λλλ untuk menghasilkan model
perkiraan sampel tidak bias dari )ˆ( RYV .
Praktek yang berhubungan dengan hasilnya adalah menganggap kondisi penduga rasio yang lebih baik tidak hanya unuk y ,tetapi adalah yang terbaik dari seluruh penduga. Bila kita mencoba untuk memutuskan jenis perkiraan mana yang digunakan, suatu grafik yang nilai sampel yi di plot terhadap xi adalah sangat beguna. Jika grafik ini menunjukan suatu hubungan garis lurus melalui titik origin dan jika varians dari titik-titik yi di sekitar garis terlihat secara kasar proporsional terhadap xi, penduga rasio akan menjadi sukar untuk di bentuk
Kadang kadang varians yi dalam susunan dengan xi tetap tidak proporsional terhadap xi. Jika residu varians ini adalah dari bentuk )( ixvλ , dimana )( ixv diketahui, Brewer dan
Royall menujukkan bahwa penduga PTLT menjadi
∑
∑=
n
ii
n
iii
xw
xyw
XY2
ˆ , dimana
)(
1
ii xv
w = , dalam sebuah sampel populasi dari Greece, Jessen dan kawan-kawan
(1947) menetapkan bahwa residu varians bertambah secara kasar sebesar 2ix . Ini
menyarankan sebuah menimbang regresi dengan 2
1
ii x
w = , yang menghasilkan
3
∑∑
∑
==
n
i
in
ii
n
iii
x
y
n
X
xw
xywX
Y2
)(ˆ
Untuk sebuah populasi tertentu dan n tertentu )ˆ( RYV dalam
xn
XxnXxnX
xn
xnxnXYV R
)()(
)(
)()()ˆ(
2
2 −=−+−= λλλ sebenarnya diminimumkan,
untuk setiap xi>0, bila sampel terdiri dari n terbesar xi dalam populasi. Dalam 16 populasi kecil biasa, yang mana perkiraan rasio telah dipergunakan, Royall (1970) telah menemukan untuk sampel-sampel yang mempunyai n = 2 sampai 12 di mana seleksi dari n terbesar, xi biasanya meningkatkan ketelitian dari RY .
Kesimpulannya, hasil dari Brewer-Royall menunjukan bahwa anggapan dari sebuah jenis model tertentu menuju pada suatu penduga rasio tidak bias dan rumus untuk
)ˆ( RYV dan )ˆ( RYv adalah sederhana dan pasti untuk setiap n>1. hasilnya dapat digunakan secara sederhana dalam kasus pengujian pasangan y, x, dari data yang tersedia dengan anggapan modelnya adalah tepat. Rumus
xn
XxnXxnX
xn
xnxnXYV R
)()(
)(
)()()ˆ(
2
2 −=−+−= λλλ dan
)1(
)ˆ(1ˆ2
−−
= ∑ n
xRy
xii
n
i
λ
muncul menjadi sensitif untuk ketidaktelitian dalam model, walaupun ini membutuhkan studi lebih lanjut. Selanjutnya perkerjaan dari Royall dan Herson(1973) membicarakan jenis distribusi sampel yang dibutuhkan terhadap xi, RY tidak bias bila terdapat sebuah regresi polinomial dari yi terhadap xi.
6.8 BIAS PERKIRAAN RASIO
Biasanya perkiraan rasio memiliki bias kira-kira sebsar n
1. Karena kesalahan baku
perkiraannya sebesar n
1. Dua hasil yang berguna tentang bias, yaitu hasil pertama
memberikan hubungan yang penting pada bias bila dikembangkan dalam sebuah seri Taylor.
x
xRyR
x
yRR
−=−=−ˆ
Ditulis
−+=
−+=−
=−
X
Xx
XX
Xx
XXxXx1
11
1
)(
111
Oleh karena itu,
−+−=−X
Xx
x
xRyRR 1ˆ
Sekarang, 0)( =−=− XRYxRyE
Sehingga hubungan yang terpenting dalam bias berasal dari faktor kedua dalam krung. Selanjutnya,
4
xy SSn
fXxYyEXxyE ρ−=−−=− 1
))(()(
Dengan teorema 2.3 dan definisi tentang ρ . Juga, 22 1
)()( xSn
fXxEXxxE
−=−=−
Dengan demikian hubungan terpenting dalam bias adalah
RCCn
fSSRS
Xn
fRRE xyxxxyx )(
1)(
1)ˆ( 2
2−−=−−=− ρ
Sekarang hubungan terpenting dalam )ˆ(RV adalah
)2(1
)ˆ( 2222 xyyy SSRSRS
Xn
fRV ρ−−−= dari 6.5 dengan mengantikan
XN
YR Rˆ =
Dari )(1
)ˆ( 22 xyx SSRS
Xn
fRRE ρ−−=− dan )2(
1)ˆ( 222
2 xyyy SSRSRSXn
fRV ρ−−−= nilai
(nias/ kesalahan baku), yang mana sama untuk ,ˆ,,ˆRR YYR dapat dinyatakan sebagai:
2
1
)2(
)()(
)(
222yxyx
yx
SSSRSR
SRSxkv
bakukesalahan
bias
+−
−=
ρ
ρ
Dimana Xn
Sfxkv x−
=1
)( dengan mengganti perkiraan sample dari
2
1
)2(
)()(
)(
222yxyx
yx
SSSRSR
SRSxkv
bakukesalahan
bias
+−
−=
ρ
ρ,
Kish, Namboodiri, dan Pillai (1962) menhitung nilai (bis/ keasalahan baku) sejumlah item dalam berbagi penelitian nasional dan lebih dibatasi. Seluruh nilai (bias/kesalahan baku) <0,03 dan >0,10 dalam peneletiannya diperoleh hanya untuk satu lapisan tunggal dengan nh=6 rumahsakit kecil.Hasil kedua, oleh Hartley dan Ross (1954) memberi suatu hasil yang tepat untuk biasnya dan suatu batas atas rasio dari bias terhadap kesalahan bakunya. Perhatikan kovarians nilai R dan x , dalam sample acak sederhana dengan ukuran n.
)ˆ()()ˆ(),ˆ( REXYxERExx
yExRkov −=−
=
Dengan demikian
),ˆ(1
),ˆ(1
)ˆ( xRkovX
RxRkovXX
YRE −=−=
Jadi bias didalam R adalah ),ˆ(1
xRkovX
− . tidak seperti pendekatan Taylor
)(1
)ˆ( 22 xyx SSRS
Xn
fRRE ρ−−=− untuk biasnya, bentuk ini adalah tepat. Selanjutnya
5
XXRdalambias xRxRxR σσσσρ
ˆˆ,ˆˆ ≤= bla00
Karena R dan x tidak dapat mempunyai kolerasi >1. oleh karena itu,
xdarikvX
Rdalambiasx
R
=≤σ
σ ˆ
ˆ
batas yang sama diterapkan untuk bias dalam RR YdanY ˆˆ . dengan demikian, jika
kovarians varaisi x < 0,1 , biasnya bisa dipertimbangkan untuk diabaikan dalam hubungannya dengan kesalahan baku.
6