1 / 29

KONSEP DASAR METODE SAMPLING

PERTEMUAN 2. KONSEP DASAR METODE SAMPLING. Sampling Error dan Nonsampling Error Parameter dan Statistik All Possible Sample Expected Value dan Bias Mean Square Error Distribusi sampling. SEKOLAH TINGGI ILMU STATISTIK. Kesalahan ( Error ) dalam Pengumpulan Data.

darius
Download Presentation

KONSEP DASAR METODE SAMPLING

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. PERTEMUAN 2 KONSEP DASAR METODE SAMPLING • Sampling Error danNonsampling Error • Parameter danStatistik • All Possible Sample • Expected Value dan Bias • Mean Square Error • Distribusi sampling SEKOLAH TINGGI ILMU STATISTIK

  2. Kesalahan (Error) dalamPengumpulan Data • Setiappengukurantidakakanterlepasdarikemungkinanadanyakesalahan (error) • Kesalahandalampengumpulan data ada 2, yaitusampling error dannonsampling error Error Sampling error Kesalahan karena faktor sampling Non-sampling error Kesalahan bukan karena faktor sampling MPC1

  3. Total Error Besarkesalahan (error) Non sampling error A C B Sampling error Ukuransampel (n) A, B, dan C menunjukkan total error/kesalahan MPC1

  4. Sampling Error • Kesalahan (error) timbulberkenaandenganpenarikankesimpulantentangpopulasiberdasarkanobservasiterhadapsebagian unit populasi (sampel) • Errorinitidakakanmunculpadapencacahanlengkap/complete enumeration/sensus • Sampeldengansampling error terkecilselaludipertimbangkansebagairepresentasi yang baikdaripopulasi • Nilaisampling error akanmenurundenganpeningkatanukuransampel (sample size) • Penurunannilai sampling error akanberbandingterbalikterhadapakarkuadratdarisample size MPC1

  5. Cara MengurangiSampling Error • Memperbesarukuransampel (sample size) • Tetapicarainibisameningkatkannonsampling error • Sampling design yang tepat • Misalnyatanpamenambahjumlahsampel, sampling error bisaditekandenganmenggunakanstratified random sampling MPC1

  6. Nonsampling Error • Kesalahan (error) yang timbulterutamapadatahappengumpulandanpengolahan data. • Errorinimuncul di dalampencacahanlengkap (sensus) dansurveisampel • Erroriniakanmeningkatseiringdenganpeningkatanukuransampel • Erroriniakanlebihbesarpadapencacahanlengkap (sensus) daripadasurvei MPC1

  7. Nonsampling Error 1. Conceptual Error • Errordalampenggunaankonsep, definisi , danklasifikasi. • Errordalamperencanaan (kuesionerdesain, frame, pelatihanpetugas, instruksidalam manual) 2. Errorkarenapenggantiansampel • Kesalahanidentifikasi unit sampling • Unit sampling tidakditemukan • Unit sampling sulitdijangkau (bencanaalam, faktorkeamanan, faktoralam, dsb) MPC1

  8. Nonsampling Error 4. KesalahanPetugas • Tidakdipahaminyakonsepdandefinisi • Under/over coverage • Petugaskuranggigihmenggaliinformasiresponden Daripadacapekcariresponden, akuberburusaja. Nantikuesionerakuisisendiri Dishonest Interviewer MPC1

  9. Nonsampling Error 5. Errorkarenaresponden • Kurangnyapenjelasanpetugaskepadarespondententangtujuan/maksuddarisurveidanmaksuddari item-item pertanyaan • Respondentidakbisamenjawabataumenolak • Respondenterlalureaktifdanmenghubungkandenganhal-hal lain yang takterkaitdengansurvei Pergi!!! sayatidakmaudiganggu Non-Response MPC1

  10. Nonsampling Error 6. ErrorPengolahan Data • Error Receiving dan batching • Error Editing dan coding • Error Entry data • Error Validasi data • Error Cross-check table MPC1

  11. Cara MengurangiNonsampling Error • Callback • Rewards and incentive • Trained interviewers • Data check (monitoring) • Questionnaire construction MPC1

  12. Parameter vsStatistik pengolahan/analisis data populasi parameter Parameter : sebuahfungsinilaifrekuensidariseluruh N unit (populasi) Contoh: Total: Rata-rata: total dibagijumlah unit, pengolahan/analisis statistik data sampel • Statistikmerupakannilaiygdihitungdarihasilsurvei sample mengenaikarakteristik, biasanyauntuktujuanmembuatestimasipopulasi. • Jikadigunakanuntukmembuatestimasinilaikarakteristikpopulasiakandisebutsebagaipenduga (estimator). MPC1

  13. Estimator vs Estimate • Estimator is a statistics obtained by specified procedure for estimating a population parameter. The estimator is a random variable as its value differs from sample to sample and the samples are selected with specified probability. • The particular value, which the estimator takes for a given sample, is known as an estimate MPC1

  14. Notasi Padametode sampling telahdisepakatiadanyanotasidengan “hurufbesar” menyatakan data populasidan “hurufkecil” menyatakannilaisampel MPC1

  15. VariansdanVarians Sampling • Varians()menunjukkanbagaimanatingkathomegenitas/heterogenitasnilaikarakteristikunit dalampopulasi. • Akardarivarians () disebutstandardeviasi. • Varianssampling , variansiniberbedadenganvariansyang dinyatakandengan. Varianssampling menunjukkantingkatkeragamandarinilai-nilaiestimasi • Akardarivarians sampling disebutstandard error atausampling error  ). • Standar error dibaginilaiestimasikarakteristikdisebutrelativestandar error (rse), biasanyadinyatakandalampersen. MPC1

  16. All Possible Samples • Misalkan, kitainginmemilihsebanyaksampeldaripopulasisebanyak unit . • Dalampemilihansampel, terdapat 2 carayaitudenganpengembalian (with replacement/wr) dantanpapengembalian (without replacement/wor). • All posible sample: • With replacement (wr)--- > terdapatpossible sample • Without replacement (wor)--- > terdapatpossible sample MPC1

  17. All Posible Sample • Misal, kitaakanmemilih 2 orang sampeldaripopulasi 3 orang yaitu A, B, C. • Jikapemilihandilakukandengan with replacement (wr) akanterdapatkemungkinansampelyaitu: • Jikapemilihandilakukandengan without replacement (wor) akanterdapatkemungkinansampelyaitu: MPC1

  18. Expected Value dan Bias • Misalkan, peluangterpilihnyagugussampelke-iadalahdanadalahestimasidarigugussampelke-i, yang merupakanpendugadari parameter (i=1,2,…,M), M adalah total darigugussampel yang mungkin. • Nilaiharapan (expected value) atau rata-rata daripenduga adalah • Jikapeluangterpilihnyatiapgugussampelsama, maka MPC1

  19. Expected Value, Bias, dan Consistent Estimator • Penduga dikatakanunbiased estimator (penduga yang tidak bias) dari parameter jikaexpected value-nyasamadengan. • Jika , makapendugadikatakanbiased estimator (penduga yang bias) dari. • Bias dari adalah • Pendugadikatakanconsistent estimator dari parameter jikanilaiakanmendekatiseiringdenganpeningkatanjumlahsampel MPC1

  20. IlustrasiGugusSampel Suatupenduga (estimator) adalahrandom variabel yang jugamemilikisebarantertentu. Sampel yang berbedadaripopulasi yang samabisamemilikinilai estimator yang berbeda. populasi ambilsampelberukurann ambilsampelberukurann ambilsampelberukurann ambilsampelberukurann Gugus Sampel k Gugus Sampel 2 Gugus Sampel 3 Gugus Sampel 1 MPC1

  21. Mean Square Error (MSE) • Nilai estimasiberdasarkanpadaobservasiterhadapsuatugugussampelakanberbedadengannilaiestimasidarigugussampellainnya • Perbedaanantaraestimasiberdasarkangugussampelke-idengan parameter disebutkesalahanestimasi • Kesalahanestimasibervariasiantaragugussampel yang satudengangugussampel yang lainnya. • Rata-rata ukuranperbedaandariestimasi-estimasi yang berbedadarinilaiparameternyadisebutMean Square Error (MSE) yang dihitungberdasarkannilaiharapan (expected value) darikuadratkesalahanestimasi, yaitu • MSEmengukurkeakuratandari estimator MPC1

  22. Varians Sampling • Varians sampling dihitungberdasarkannilaiharapan (expected value) darideviasinilaiestimasidengannilaiharapannya • Varians sampling mengukurkeragamanatauketepatandaripenduga (estimator) MPC1

  23. HubunganAntaraMSEdanVarians Sampling • MSE adalahjumlahdarivarians sampling dan bias kuadrat, halinibisadibuktikan: • Untukunbiased estimator, MSEsamadenganvarians sampling MPC1

  24. KoefisienKorelasi • Mengukur keeratan/kekuatanhubunganantaraduavariabel • Korelasibisabernilaipositifataunegatif • Semakinbesarnilaikoefisienkorelasimenandakanbahwahubunganduavariabeltersebutsemakinkuat • Rumus: MPC1

  25. Distribusi Sampling • Dari hasilestimasi yang didapatdarisatugugussampelakanmenghasilkansuatuestimasititik (point estimate). • Sebenarnyasetiapgugussampeldariseluruhkemungkinangugussampelmempunyainilaiestimasi yang kemungkinanakanberbedadengannilaisebenarnya (true value). • Seluruhnilaipoint estimate darisetiapgugussampeldapatdiperkirakandenganmenggunakanestimasiselang (interval estimate) atauconfidence interval (1-)%, denganrumus: • Interpretasiconfidence interval (1-)%: jikakitamelakukanpemilihan n sampelsecaraberulangsebayak 100 kali makakitaakanterdapat 100 selangkepercayaandanharapannyasebanyak(1-) selangkepercayaanakanmemuatnilai parameter, sedangkansebanyakselangkepercayaantidakmemuatnilai parameter. MPC1

  26. Distribusi Sampling Peluang -2 - + +2 Keterangan: SE: sampling error SB: sampling bias NSB: nonsampling bias TB: total bias NSB SB SE TB Total Error MPC1

  27. Akurasi, Efisiensi, danPresisi • Akurasidiukurdarinilaitotal error, yaituperbedaanantaranilaiestimasidengannilaisebenarnya (true value). Semakinkecilnilaitotal error, suatu estimator dikatakansemakinakurat. • Efisiensidiukurdaribesarnyamean square error (MSE). Semakinkecilnilai MSE, suatu estimator akansemakinefisien. • Presisidiukurdaribesarnyavarians sampling. Semakinkecilnilaivarians sampling, suatu estimator akansemakinprecise. MPC1

  28. Relative Efficiency Estimator dikatakanlebihefisiendaripada estimator jika, besarnyaRelative Efficiency (RE) dirumuskan: Estimator dikatakanlebihprecisedaripada estimator jika MPC1

  29. TERIMA KASIH MPC1

More Related