o o o
o o o
o
o o o
o o o
o o o
o
o o o
4
Dengan menggunakan Metode Best Linear Unbiased Prediction (BLUP) di mana
diasumsikan
o
diketahui, didapat
, )
y o o,
dan
, )
y | o,
sedemikian sehingga
, ) , ) , ) , )
1
1 1
T T
= y X X X y o o, O o O o
(2.2)
dan
, ) , ) , ) , ) , )
1
T
= y G Z y X y | o, o O o o o,
(2.3)
di mana
, ) .
T
= = + R ZGZ O o O
Dengan demikian, Best Linear Unbiased Predictor (BLUP) dari
adalah
, ) , ) , )
T T
= + y y y o, o o, e | o,
(2.4)
yang memiliki MSE terkecil dari semua taksiran yang unbiased dan linier. Detail
penurunan rumus dapat dilihat pada Makalah Phydelya dengan judul Penggunaan Metode
Best Linear Unbiased Prediction pada Generalized Linear Mixed Model.
3. HASIL
3.1. Penaksiran Parameter pada General Linear Mixed Model dengan Asumsi b dan
e Berdistribusi Normal
Pada Bagian sebelumnya telah dijelaskan mengenai penggunaan Metode Best
Linear Unbiased Prediction (BLUP) dalam penaksiran pada General Linear Mixed Model
tanpa asumsi distribusi. Pada dasarnya Metode EBLUP adalah suatu metode penaksiran
parameter pada General Linear Mixed Model yang merupakan perluasan dari Metode
BLUP dengan menggunakan taksiran parameter dari variansi efek random , )
o
yang pada
kenyataannya parameter tersebut tidak diketahui nilainya. Metode penaksiran
o
yang
digunakan pada Makalah ini adalah Metode ML yang memerlukan asumsi distribusi. Oleh
sebab itu, diasumsikan bahwa b dan e berdistribusi normal. Dikarenakan taksiran parameter
pada General Linear Mixed Model yang telah didapat sebelumnya ((2.2)) dan (2.3)), yaitu
o
dan
|
, didapat tanpa asumsi distribusi maka harus dicari taksiran parameter pada
General Linear Mixed Model dengan asumsi b dan e berdistribusi normal yang dinotasikan
dengan
o
dan
|
.
5
Dengan asumsi b dan e berdistribusi normal, parameter pada General Linear Mixed
Model, yaitu
o
dan
|
dapat ditaksir menggunakan Metode ML. Metode ini memerlukan
fungsi likelihood yang merupakan joint pdf dari , )
1 2
y , y , , y
T
n
= y
dan
, )
1 2
, , ,
T
h
= | | | |
. Joint pdf tersebut dapat dinyatakan sebagai berikut:
, ) , ) , ) , | f g h = y y | | |
(3.1.1)
di mana
, ) , ) | g g = y | c
(3.1.2)
Oleh sebab itu, (3.1.1) dapat ditulis sebagai
, ) , ) , ) , f g h = y | c |
di mana
, )
, )
-1
1
2 2
1 1
exp .
2
2
T
n
h
| |
=
|
\ .
G
G
| | |
sehingga diperoleh
, ) , )
, ) , )
, ) , )
, )
-1 -1
1
2
, ; ,
1 1
exp .
2
2
T T
n
L f
g h
=
=
| |
= +
|
\ .
y y
R G
G R
o | |
c |
c c | |
Oleh karena ingin dicari taksiran dari
o
dan
|
menggunakan Metode ML, agar
lebih mudah dalam hal perhitungannya akan digunakan fungsi log-likelihood, yaitu:
, )
-1 -1 -1 -1 -1 -1
-1 -1 -1 -1
1
ln , ; (
2
)
T T T T T T T T T
T T T T T T T
L c = + +
+ + +
y y R y y R X y R Z X R y X R X X R Z
Z R y Z R X Z R Z G
o | o | o o o o |
| | o | | | |
(3.1.3)
dengan , ) , )
1
2
ln 2
n
c = G R suatu konstanta. Selanjutnya, fungsi log-likelihood tersebut
diturunkan terhadap masing-masing
o
dan
|
kemudian dicari penyelesaiannya sehingga
didapat
6
-1 -1 -1 T T T
+ = X R X X R Z X R y
o |
(3.1.4)
, )
-1 -1 -1 -1
.
T T T
+ + = Z R X Z R Z G Z R y
o |
(3.1.5)
Selanjutnya, dengan proses eliminasi didapat
, )
, ) , )
, )
, )
1
1 1
-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 T T T T T T
= + + X R R Z Z R Z G Z R X X R R Z Z R Z G Z R y o
(3.1.6)
dan
, ) , )
1
-1 -1 -1
.
T T
= + Z R Z G Z R y X
| o
(3.1.7)
Jadi, selain
o dan
| yang diperoleh tanpa asumsi distribusi. Oleh karena itu, untuk seterusnya
penaksiran
o
akan menggunakan
o dan
| .
3.2. Memeriksa bahwa Taksiran Parameter pada General Linear Mixed Model
yang didapat dengan atau tanpa Asumsi b dan e Berdistribusi Normal adalah
Identik
Telah diketahui dari (2.2) dan (2.3) bahwa taksiran parameter pada General Linear
Mixed Model tanpa asumsi distribusi adalah
o dan
= + W R R Z Z R Z G Z R
(3.2.1)
Oleh karena dapat dibuktikan bahwa
= W I O
, maka terbukti pula bahwa
= o o. (3.2.2)
7
Selain itu, dapat dibuktikan pula bahwa , )
1
-1 -1 -1 1 T T T
+ = Z R Z G Z R GZ O
sehingga dapat
disimpulkan bahwa
| |. (3.2.3)
Berdasarkan (3.2.2) dan (3.2.3) terbukti bahwa dengan atau tanpa asumsi b dan e
berdistribusi normal kedua jenis taksiran parameter pada General Linear Mixed Model
tersebut identik sehingga taksiran parameter yang didapat dengan asumsi b dan e
berdistribusi normal juga memiliki sifat linear, unbiased, dan best.
3.3. Penaksiran Parameter dari Variansi Efek Random
, ) o
Pada Makalah ini, Metode ML digunakan untuk menaksir
o
pada General Linear
Mixed Model. Oleh karena itu, dibutuhkan fungsi likelihood yang merupakan joint pdf dari
, )
1 2
y , y , , y
T
n
= y
sehingga fungsi likelihood-nya adalah sebagai berikut:
, ) , )
, ) , )
, ) , ) , )
-1
1
2
2
1 1
, ; exp
2
2
T
n
L f
| |
= =
|
\ .
y y y X y X o o o O o o
O o
(3.3.1)
Sebagaimana sebelumnya, Metode ML menggunakan fungsi log-likelihood, yaitu:
, ) , )
, )
, ) , ) , )
, )
-1
1
ln , ; ln
2
T
L c = + y y X y X o o O o o O o o
(3.3.2)
dengan
, ) ln 2
2
n
c =
adalah suatu konstanta. Selanjutnya, fungsi log-likelihood tersebut
diturunkan terhadap
o
, dinotasikan dengan
, ) , s o o
, sehingga untuk elemen ke-j didapat
formula berikut ini:
, )
, )
, )
, )
, )
, )
, )
-1 -1 -1
1 1
,
2 2
T
j j j
s tr = + y X y X o o O O o O O O o
(3.3.3)
dengan
, )
, )
j
j
c
=
co
O o
O
.
Sesuai dengan Metode ML, berikutnya (3.3.3) dicari solusinya menjadi
, )
, )
, )
, ) , )
, )
, )
, )
, )
-1 -1 -1
T
j j
tr = y X y X O o O o O o O O o o
(3.3.4)
8
Terlihat dari (3.3.4)
o
tidak dapat diselesaikan secara analitik. Oleh karena itu,
taksiran
o
dengan Metode ML kemudian diselesaikan secara numerik. Pada Makalah ini,
algoritma yang digunakan adalah Scoring Algorithm di mana iterasi ke-
1 a +
, yaitu
, ) 1
a+
o ,
secara iteratif menggunakan formula sebagai berikut:
, ) , ) , )
, ) , )
, )
, )
, )
, )
1
1
,
a a a a a
+
= + s o o T o o o o
dengan
, ) , ) , ) , ) , ) 1 2
, , , , , , ,
T
q
s s s = s o o o o o o o o
dan
, ) , ) , ) , ) , ) 1 2
T
T T T
q
= , , , T o T o T o T o
di mana
, )
, )
, ) , )
, )
2
-1 -1
ln , ;
1
2
jk j k
k j
L
E tr
| |
c
= =
|
|
c c
\ .
y o o
T o O O O O
(3.3.5)
Berdasarkan penjabaran di atas, didapatkan taksiran parameter dari variansi efek
random , )
o
secara numerik yang selanjutnya akan digunakan dalam penaksiran parameter
pada General Linear Mixed Model sesuai dengan Metode EBLUP.
3.4. Penaksiran Parameter pada General Linear Mixed Model dengan Metode
EBLUP
Taksiran parameter pada General Linear Mixed Model dengan menggunakan
Metode EBLUP didapat dengan mensubstitusikan taksiran
o
, dinotasikan dengan
, )
y o
,
ke
o dan
| , yaitu:
, )
, ) , ) , ) , )
1
1 1
,
T T
= y y X X X y o o O o O o
dan
, )
, ) , ) , )
, )
, ) , )
1
, ,
T
= y y G Z y X y y | o o O o o o
Berdasarkan (2.4) taksiran kombinasi linier yang baru adalah sebagai berikut:
, )
, )
, )
, )
, )
, )
.
T T
, = , + , y y y y y y o o o e | o
(3.4.1)
9
Oleh karena
, )
, )
y y o ,
tersebut didapat dengan mensubstitusikan
, )
y o
ke
o dan
| ,
maka perlu dibuktikan ketakbiasan dari taksiran tersebut. Sebelumnya diketahui lemma
berikut ini:
Lemma 3.1
Jika
z
adalah vektor random berdistribusi simetris di sekitar nol sedemikian sehingga
z
dan
z
identically distributed, dan
, ) f z
adalah variabel random yang merupakan fungsi
ganjil dari
z
sehingga
, ) , ) f f = z z
, maka
, ) f z
berdistribusi simetris di sekitar nol.
Sebelumnya diketahui bahwa
, )
, ) , )
E y y o ,
berhingga dan
, )
y o
merupakan
fungsi genap serta translation-invariant dari
y
sehingga didapat
, ) , ) , ) , ) , )
= = + = + y y X Zb e Zb e o o o o o
(3.4.2)
Oleh karena terbukti bahwa
, )
, ) , )
t 0 E = y y o ,
maka dapat disimpulkan bahwa
, )
, )
y y o ,
tetap unbiased untuk mengestimasi
T T
= + o e |
.
4. PENERAPAN
Sebuah Waralaba makanan cepat saji ingin menambahkan produk makanan baru
dalam daftar menunya. Oleh sebab itu, pihak marketing mengusulkan kepada pihak
manajemen tiga pilihan bentuk promosi atau campaign
, ) X
yang akan diujicobakan di
enam lokasi Waralaba atau location
, ) Z
yang dipilih secara acak dari sepuluh Waralaba
yang ada. Namun, selama satu bulan pertama pihak manajemen ingin melihat terlebih
dahulu seberapa besar pengaruh masing-masing bentuk promosi dan lokasi Waralaba dalam
meningkatkan penjualannya (sales). Diasumsikan bahwa matriks-matriks varians kovarians
dari e dan b, yaitu 0 r
= R I
dan 1 g
= G I
di mana 0
dan 1
46.0171, 832.7489
T
= o
, ) = 230 0812 191.1613 218.5482 . , ,
T
o
, ) = 53 4308 -0.2670 -38.0198 -5.1867, 11.8286, -21.7859 .
. , , ,
T
|
10
5. KESIMPULAN
Dari pembahasan Makalah ini dapat disimpulkan bahwa Metode Empirical Best
Linear Unbiased Prediction (EBLUP) yang merupakan perluasan dari Metode Best Linear
Unbiased Prediction (BLUP) dapat digunakan untuk menaksir parameter pada General
Linear Mixed Model dengan terlebih dahulu melakukan penaksiran terhadap parameter dari
variansi efek random yang pada kenyataannya tidak diketahui nilainya.
REFERENSI
Anton, H. (2000), Dasar-Dasar Aljabar Linier, Batam: Interaksara.
Jiang, J. (2007), Linear and Generalized Linear Mixed Models and Their Applications,
New York: Springer.
Harville, D. A. (1997), Matrix Algebra from A Statisticians Perspective, New York:
Springer.
Kackar, R. N., and Harville, D. A. (1981), Unbiasedness of Two-stage Estimation and
Prediction Procedures for Mixed Linear Models, Communications in Statistics,
Series A, 10, 1249-1261.
McCulloch, C. E., and Searle, S. R. (2001), Generalized, Linear, and Mixed Models, New
York: John Wiley and Sons.
Phydelya, A. (2007), Penggunaan Metode Best Linear Unbiased Prediction pada
Generalized Linear Mixed Model, Depok: Departemen Matematika FMIPA UI.
Searle, S.R., Casella, G., and McCulloch, C. E. (1992), Variance Components, New York:
Wiley.