Data Bank
Data Bank
(e ) (e / )
i 1
*
i
i 1
(( y
i 1
(2.8)
Nilai diperoleh melalui iterasi (Chen, 2002) :
(l ) med in1 yi x i b (l 1) / 0
x i b) / )
(2.9)
6
(ei* ) adalah fungsi simetris dari residual atau fungsi yang
memberikan kontribusi pada masing-masing residual pada fungsi
objektif.
' dengan
derivatif
dari , maka untuk
meminimumkan persamaan (2.8) :
n
(( y
i 1
x i b) / )x i 0
(2.10)
(.) merupakan fungsi influence yang digunakan dalam mem (ei* )
peroleh bobot (weight). Dengan fungsi pembobot wi
ei*
maka persamaan (2.10) menjadi:
n
w (( y
i 1
x i b) / )x i 0
(2.11)
Persamaan (2.11) dinotasikan ke dalam matrik :
X T WXb X T Wy
(2.12)
mumkan
w (y
i 1
Rokhana DB
dataanalisa@yahoo.com
7
Estimation dapat dilihat di Tabel 2.1. M-estimation Least Square
*
dengan wLS (e ) 1 merupakan metode OLS. M-estimation
Huber melalui fungsi (.) melibatkan pengkuadratan residual
yang kecil seperti pada OLS tetapi memberkan residual yang
besar sedemikian rupa untuk mengurangi pengaruhnya (Myers,
1990).
Nilai r pada fungsi objektif, influence dan pembobot (Tabel
2.1) adalah tunning constant. Kuzmic et.al (2004) menyebutkan
M-estimation Huber efektif digunakan pada = 5% dengan
r=1,345, sedangkan M-estimation Tukey Bisquare dengan
r=4,685. Kelly (2008) menyatakan permasalahan dalam estimasi
regresi robust adalah perlu dilakukan pemilihan tunning constant
agar estimasi yang diperoleh lebih spesifik dan memimimumkan
jumlah kuadrat residual. Menurunkan tunning constant akan
menaikan pembobot terhadap residual yang besar. Menaikkan
tunning constant akan menurunkan pembobot terhadap residual
yang besar. Semakin besar r maka estimasi robust akan mendekati
least square. Grafik perbandingan fungsi objektif, fungsi
influence dan fungsi pembobot pada M-estimation dapat dilihat
pada Gambar 2.1. Grafik tersebut menggunakan r = 1,345 untuk
M-estimation Huber dan r = 4,685 untuk M-estimation Tukey
Bisquare dengan = 1.
11
Tabel 2.1 Fungsi objektif, fungsi influence, dan fungsi pembobot pada M-estimation
Metode
Least Square
Huber
Tukey Bisquare
LS (e ) (e )
*
* 2
i
H (e )
*
r | e | r / 2 , untuk | e | r
*
i
ei*
Fungsi
Pembobot
LS (e * ) ei*
wLS (e * ) 1
*
i
untuk
ei* r
H e * r untuk e * r
i
*
r untuk ei r
1 untuk
wH e *
k2
6
B (e )
*
Fungsi
influence
*
r / ei
untuk
ei* r
ei* r
1 1
ei*
r
0 untuk
*
ei 1
ei*
r
0 untuk
ei* r
ei*
r
ei* r
untuk
untuk
wB e *
r / 6 untuk
B e*
ei* r
untuk
ei* r
ei* r
ei* r
12
11
Rokhana DB
dataanalisa@yahoo.com
12
Rokhana DB
dataanalisa@yahoo.com
13
bl ( X T Wl 1 X ) 1 X T Wl 1 y
dengan wl 1 merupakan matrik diagonal dengan
elemen diagonalnya adalah wi ,l 1 . Sehingga
estimasi parameter pada iterasi pertama ( l = 1 )
menggunakan ei,0 dan wi , 0 .
4) Mengulang tahap 2 dan 3 hingga didapatkan
penaksiran parameter yang konvergen.
Fungsi pembobot untuk M-Huber adalah
1 untuk
*
i
1.345 / e
*
wH e
ei* 1,345
untuk
ei* 1,345
wB e*
ei*
4 , 685
untuk
0 untuk
Rokhana DB
dataanalisa@yahoo.com
ei* 4,685
ei* 4,685
14
Berikut adalah diagram alur pembentukan model M - estimation :
Mulai
Paramater
(bl-1 )
konvergen
?
Tidak konvergen
rev
isi
ya
Tidak terpenuhi
Pengujian
signifikansi
parameter
ya
Model M-estimation
(Huber dan Tukey Bisquare)
Bisquare)
selesai
Rokhana DB
dataanalisa@yahoo.com
15
Pengujian Parameter Model
Pengujian parameter dalam model regresi bertujuan untuk
mengetahui apakah parameter tersebut telah menunjukkan
hubungan yang nyata antara variabel prediktor dan variabel
respon. Disamping itu juga untuk mengetahui kelayakan
parameter dalam menerangkan model. Terdapat dua tahap
pengujian yaitu uji serentak dan uji parsial (individu).
a. Uji Serentak
Uji serentak merupakan pengujian secara bersama semua
parameter dalam model regresi. Hipotesis yang digunakan adalah
sebagai berikut :
H0 : 0 = 1 = ... = j = 0
H1 : paling tidak ada satu j 0, j = 0, 1, ... k
Statistik uji yang digunakan untuk OLS adalah
Fhitung =
y ) 2 /( k )
i 1
( yi y i ) 2 /( n k 1)
i 1
( y
MSR
=
MSE
(3.2)
y ) 2 /( k )
i 1
wi ( yi y i ) 2 /(n k 1)
i 1
w ( y
Rokhana DB
dataanalisa@yahoo.com
(3.3)
16
Pengambilan keputusan adalah apabila Fhitung F (k, n-k-1)
dengan k adalah parameter maka H 0 ditolak pada tingkat
signifikansi , artinya paling sedikit ada satu j yang tidak sama
dengan nol. Pengambilan keputusan juga dapat melalui P-value
dimana H0 ditolak jika P-value < .
b. Uji Parsial
Uji parsial merupakan pengujian secara individu parameter
dalam model regresi yang bertujuan untuk mengetahui parameter
model regresi telah signifikan atau tidak. Hipotesis yang
digunakan adalah sebagai berikut :
H0 : j = 0
H1 : j 0, j = 0, 1, 2, ..., k
Statistik uji yang digunakan untuk metode OLS adalah
bj
t hitung
S (b j )
(3.4)
dengan
S 2 (b j ) ( X T X ) 1 MSE
(3.5)
Sedangkan untuk metode Weighted least squares (WLS)
t hitung ( weighted )
b j ( weighted )
S (b j ( weighted ) )
(3.6)
2
Rokhana DB
dataanalisa@yahoo.com