TUGAS TEORI PELUANG LANJUTAN

ALIAH HAERUNNISA

(H121 12 003)

PROGRAM STUDI STATISTIKA

JURUSAN MATEMATIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS HASANUDDIN
MAKASSAR
2015

1. Metode Momen
Definisi Momen
Definisi 1
Momen ke- r

x disekitar 0 dinotasikan dengan

dari peubah acak

dan didefinisikan sebagai berikut:

r =E ( x ) =

x r f (x ) jika x diskrit
x

xr f ( x ) dx jika x kontinu

Dimana r=0,1,2,
Definisi 2
Momen ke- r

dari peubah acak

r =E [ ( x )r ] =

x disekitar

dinotasikan dengan

(x)r f ( x) jika x diskrit

x

(x)r f ( x ) dx jika x kontinu

Kekonvergenan Momen

Teorema 1
d

Misalkan

{X n }n 1

dan

adalah koleksi dari variabel acak

Xn X

maka
0<k < pernyataan berikut ekuivalen :
(i)

E|X n| < , n 1 ,

E|X| < dan

E|X n| E|X|

{| X n|}n 1

(ii)

adalah uniformly integrable artinya

>0, M (0, )
E X k I X > M <
))
n 1 (| n| (| n|
Contoh:
Misalkan

Xn

untuk n=1,2,
Maka

{X n }n 1

P ( X n=0 )=1

memiliki
d distribusi
Maka

Xn 0

tetapi

1
n

E X n=1

dan

P ( X n=n )=

1
n

tidak menuju ke 0 .

tidak uniformly integrable.

Metode Momen

Metode momen adalah metode yang digunakan sebagai alat untuk membuktikan
kekonvergenan dalam distribusi.
Teorema 2 (Teorema Frechet- Shohat)
Misalkan

{X n }n 1

adalah barisan peubah acak

k N , lim E X n mk
n

ada

dan terbatas. Jika barisan

variabel acak

X , maka

{mk }n 1

menentukan secara unik distibusi dari

Xn X

Sumber: Krishna B. Athreya, Soumendra N. Lahiri. 2006. Measure Theory

and Probability Theory. United States: Springer

Metode Momen

Misalkan

X 1 , X 2 , , X n

f ( x ; 1 ,2 , , n ) , ( 1 , , n )

dengan p.d.f.

adalah sampel acak berukuran n dari distribusi

Momen ke- k

dari distribusi adalah

. Maka:
E ( X k ) , k =1,2,3,
n

Momen ke- k

Metode momen adalah

dari sampel adalah jumlah

X ki

M k = i=1
n

, k=1,2,3,

E ( X k ) =M k

Sumber: Robert V.Hogg, Allen T. Craig. 1978. Mathematical Statistics. United

States: Prentice Hall International Inc.

2. Fungsi Pembangkit Momen

Fungsi pembangkit momen (momen- generating function/m.g.f) adalah
salah satu ekspektasi khusus dari variabel acak

X .

Jika terdapat bilangan positif h sedemikian sehingga untuk

h<t< h ekspektasi

E(e tX ) ada. Maka

E ( e ) = e tX f ( x ) dx , jka X variabel acak kontinu

tX

tX
tX
E ( e ) = e , jika X variabel acak diskrit
x

tX
Ekspektasi di atas ( E ( e ) disebut fungsi pembangkit momen (m.g.f)

M (t ) . Sehingga:

dari distribusi dan dinotasikan

M ( t )=E (etX )

M (t) dapat digunakan untuk mencari variansi dan rata- rata yaitu:

M ' ( 0 ) =E ( x ) =

2=E ( x2 ) 2
''

'

M ( 0 )(M ( 0 ) )
Contoh:

Menentukan fungsi pembangkit momen dari distribusi binomial:

x
nx
P ( x )= n p (1 p)
x

()

M ( t )=E ( etX ) = etX p(x )

x=0

e
x=0

tX

( nx ) p (1 p)
x

nx

pe

(nx)( t) (1 p)
x

x=0

( p e t +1 p)n

n x

=M ' ( 0 )
M ' ( t )=n( p e t +1p)n1 p e t
( p e0 +1p)n1 p e0
M ' ( 0 )=n
n( p+1p)n1 p
np
=np
2

''

'

=M ( 0 )( M ( 0 ) )

M ' ' ( t )=n ( n1 ) ( p et +1 p )

n 2

( p e t )2+ n( p e t +1 p)n1 p e t

n2

M ' ' ( 0 )=n ( n1 ) ( p e0 +1 p )

(p e0 )2+ n( p e 0+1 p)n 1 p e0

n ( n1 ) p2 + pn
2
2
2 2
Jadi =n ( n1 ) p + npn p =np(1p)

3. Generalisasi Metode Momen

Generalized Method of Moments(GMM) adalah generalisasi dari Method
of Moment (MM) klasik. Kunci dari GMM adalah himpunan dari populasi
kondisi-kondisi momen (moment conditions) yang berasal dari asumsi model
ekonometrik.

Contohnya:
Pada regresi linier klasik
y t =x't +e t
'
dimana x t=( x 1t , , x mt ) adalah vektor berukuran- m dari variabel penjelas

dan

e
adalah vektor berukuran- m dari koefisien regresi , dan t adalah

error term.
Kondisi- kondisi momennya adalah:
(i)

[ e t ]= 2

Var

konstan untuk setiap t

'
E ( yt x t ) x t = E [ et x t ] =0 untuk setiap t

(ii)

E [ e t eu ]=0

(iii)

untuk setiap t u

Kondisi momen (ii) adalah kondisi kunci dalam estimasi

Jika diberikan data pada variabel observasi, GMM menemukan nilai

parameter model sedemikian sehingga sesuai kondisi-kondisi momen sampel
sedekat mungkin memuaskan.
Pada contoh di atas dengan hanya menggunakan kondisi (ii) , jika
diberikan T

observasi, secara tidak langsung momen sampel adalah

1
'
y tx t ) x t
(

T t =1
dan memilih nilai
T

dari

1
( y x ' ^ ) x t 0
T t =1 t t

sedemikian sehingga

Faktanya, dengan syarat T m, pilih

^=( X ' X)1 X ' y

(estimator OLS),

kondisi momen secara empiris cukup memuaskan. Ingat bahwa

T

( y tx 't ) x t= X ' y(X ' X )

t =1

Dimana

adalah matriks ( T x m dengan

'
x t pada garis t

dan

y t =( y 1 , , y T )' . Sehingga estimasi OLS dan GMM pada kasus ini sama.
Estimasi GMM dirumuskan oleh Hansen (1982) dan menjadi salah satu
metode estimasi yang banyak digunakan untuk model ekonomi dan keuangan.
Tidak seperti maximum likelihood estimation (MLE), GMM tidak perlu
megetahui distribusid ari data. Pada GMM yang dibutuhkan hanya momen yang
ditetapkan/ diperoleh dari distribusi data untuk estimasi GMM.