200 likes | 354 Views
RANK FULL MODEL (VARIANCE ESTIMATION).
E N D
RANK FULL MODEL(VARIANCE ESTIMATION) Untuk dapat melakukan pendugaan interval terhadap parameter model (β0, β1, β2 ,…,βk) dan uji hipotesis tentang parameter model maka perlu dilakukan pendugaan terhadap varians (σ2) yaitu varians dari variabel-variabel random y1,y2, …, yk. Varians suatu variabel random adalah ukuran variabilitasnya, secara teori adalah rata-rata atau nilai harapan dari kudrat selisih antara variabel random tersebut dengan rata-rata populasinya.
Pembilangpadarumus di atasatau (y-Xb)΄(y-Xb) dikenaldenganpendugajumlahkuadratresidu (error). • Jumlahkuadratresiduinimerefleksikanvariasi random atauvariasi yang tidakdijelaskanolehvariabel y (response).
Regression through the origin Model regresi linier berganda yang umum menggunakan intercept. Artinya model terdiri dari k parameter β1, β2, …, βk yang berkaitan dengan k variabel x0, x1, …, xk, dan juga mengandung satu parameter β0 yang bediri sendiri. Parameter ini yang disebut dengan intercept. Sehingga jumlah parameter yang harus diestimasi dalam model adalah p=k+1.
Pada kondisi tertentu intercept ini tidak diperlukan atau β0=0. Sehingga model mempunyai bentuk y= β1x1 + β2x2 + …+ βkxk dan disebut dengan regression through the origin. dan penduganya adalah b=(X΄X)-1X΄y. Penduga untuk σ2 adalah dengan p=k.
Maximum Likelihood Estimators Asumsi: ε1, ε2, …, εn random variabelberdistribusi normal dan independent denganmasing-masingmemiliki rata-rata 0 danvariansσ2. Langkah-langkahmetodeini: • Nyatakanfungsidensitasdari residual ke-i f(εi). • Tentukanfungsi likelihood (L): fungsidensitasgabungandari random errors. Karena random errors salingbebasmakafungsidensitasgabunganmerupakanperkaliandarifungsimarginalnya. L adalah: • Nyatakan L sbgfungsidariβdanσ2.
Tentukanln L • Maksimumkan Ln L terhadapβuntukmendapatkanpendugamaksimum likelihood bagiβ0, β1, …, βk. • Maksimumkan Ln L terhadapσ2untukmendapatkanpendugamaksimum likelihood bagiσ2.
εi merupakanr.v. dg rata-rata 0 danvariansσ2, shgfungsidensitasnyaadalah: • Fungsilikelihoodnyaadalah:
ε=y-Xβ, Σε2=ε΄ε=(y-Xβ)΄(y-Xβ), sehingga: • Kemudian log. natural keduasisimenjadi:
Theorema (Fisher-Neyman Factorization). Diketahui X variabel acak dimana fungsi densitasnya mengandung parameter tunggal θ. Jika X1, X2,…, Xn mrpk sampel acak yang dipilih dari distribusi ini dengan fungsi densitas gabungan f(x1, x2,…, xn;θ). Statistik u(x1, x2,…, xn) merupakan statistik cukup (sufficient) untuk θ jika dan hanya jika f(x1, x2,…, xn;θ)=g[Y; θ]h(x1, x2,…, xn) dengan g hanya tergantung pada x1, x2,…, xn melalui Y, dan h tidak tergantung pada θ.
Theorema Diketahui y=Xβ+ε dengan X matrik rank penuh dengan ordo nx(k+1), β adalah vaktor (x+1)x1 dari parameter yang tidak diketahui dan ε adalah vektor random nx1 berdistribusi normal dengan rata-rata 0 dan varians σ2I. Maka b=(X’X)-1X’y dan s2=e’e/(n-p) adalah statistik cukup untuk β dan σ2.
εi merupakan r.v. dg rata-rata 0 dan varians σ2, shg fungsi densitasnya adalah: Distribusi gabungan untuk ε1, ε2,…, εn adalah