Kelompok 3 Word 2003
Kelompok 3 Word 2003
KELOMPOK 3:
RISKA
(H12113003)
HARTINA HUSAIN
(H12113005)
NIRMALASARI
(H12113010)
NURWASARI
(H12113020)
RAEHANA
(H12113003)
SARNIAH
(H12113031)
(H12113034)
GEYSA FANDRILLA
(H12113320)
(H12113501)
dengan
yi : peubah respon ke-i
f(.) : fungsi nonlinear
xi : peubah penjelas respon ke-i
: parameter
: galat ke-i
diasumsikan saling bebas dan menyebar normal dengan nilai tengah 0 dan
ragam
Salah satu contoh model non linear yaitu Model Produksi CES (Constant
Elasticity of Subtitutions). Elastisitas subtitusi adalah ukuran bagaimana
perusahaan dengan mudah mensubtitusikan satu input dengan input lainnya
untuk menjaga tingkat produksi pada level yang sama.
1. Pengertian
Pengertian heteroskedastisitas adalah apabila kesalahan atau residual yang
diamati tidak memiliki varian yang konstan. Residual adalah faktor-faktor lain yang
terlibat akan tetapi tidak termuat dalam model. karena residual ini merupakan
variabel yang tidak diketahui, maka diasumsikan bahwa nilai residual bersifat acak.
Pada analisis regresi, heteroskedastisitas berarti situasi dimana keragaman
variabel independen bervariasi pada data yang kita miliki. Salah satu asumsi kunci
pada metode regresi biasa adalah bahwa error memiliki keragaman yang sama pada
tiap-tiap sampelnya. Asumsi inilah yang disebut homoskedastisitas. Jika keragaman
residual/error tidak bersifat konstan, data dapat dikatakan bersifat heteroskedastisitas.
Karena pada metode regresi ordinary least-squares (OLS) mengasumsikan
keragaman error yang konstan, heteroskedastisitas menyebabkan estimasi OLS
menjadi tidak efisien. Model yang memperhitungkan perubahan keragaman dapat
membuat penggunaan dan estimasi data menjadi lebih efisien.
Beberapa asumsi dalam model regresi yang terkait dengan heteroskedastisitas
antara lain adalah residual (e) memiliki nilai rata-rata nol, keragaman yang konstan,
dan residual pada model tidak saling berhubungan, sehingga estimator bersifat
BLUE. Jika asumsi ini dilanggar maka prediksi model yang dibuat tidak dapat
diandalkan.
Transformasi dalam bentuk logaritma akan memperkecil skala dari observasi dan
kemungkinan besar varians juga akan semakin mengecil dan ada kemungkinan
homoskedastisitas terpenuhi.
2. Transformasi Dengan Membagi Persamaan Dengan Variabel Bebas
Jika model regresi yang telah diuji terdapat heteroskedastisitas maka salah satu
penanggulangannya dapat dilakukan dengan membagi persamaan regresi tersebut
dengan variabel bebas (independen) yang mengandung heteroskedastisitas.
Levenberg-marquardt
merupakan
pengembangan
algoritma
L = LKy(:,1) ;
K = LKy(:,2) ;
Q = LKy(:,3) ;
y =
x =
T =
tic
Q;
[L K] ;
length(x);
;
rep
b =
k =
e =
f =
S =
= 2000 ;
[1.0; 0.5; 0.5; 0.5] ; % initial values of b
length(b) ;
eye(k) ;
f1(b,x) ;
(y-f)'*(y-f) ;
j1 = 0 ;
j2 = 0 ;
tn = 1 ;
lamda = 10;
for i = 1:rep ;
z = numgradf1(b,x);
zS = numgradS1(b,x,y) ;
step = -0.5*inv(z'*z + lamda*eye(k))*zS ;
bnext = b + step ;
fnext = f1(bnext,x) ;
Snext = (y-fnext)'*(y-fnext) ;
while
step
bnext
fnext
Snext
j1
w1
end;
while
step
bnext
fnext
Snext
j2
w2
end;
end ;
if i == rep
disp('Belum konvergen, iterasinya perlu ditambah lagi.') ;
disp('Atau ubahlah initial values-nya') ;
disp(' ') ;
end ;
b = bnext ;
f = f1(b,x) ;
S = (y-f)'*(y-f) ;
end ;
disp('Hasil dari penggunaan iterasi Marquardt-Levenberg
adalah:') ;
[bnext' S]
t1 = toc ;
% Menentukan AIC dan SC
% Menggunakan file L1.m
LL
= L1(b,x,y);
AIC = abs(-2*LL+2*k);
SC
= abs(-2*LL+log(T)*k);
disp ('Nilai AIC dan SC adalah:');
[AIC SC]
..
%File f1.m
function f = f1(b,x)
=
=
=
=
b(1,:);
b(2,:);
b(3,:);
b(4,:);
f = b1*(b2*L.^b3 + (1-b2)*K.^b3).^(b4/b3);
..
%File L1.m
function LL = L1(b,x,y)
T
= length(x);
f = f1(b,x);
s2 = ((y-f)'*(y-f))/T;
LL = -0.5*(log (2*pi*s2) + (y-f)'*(y-f)/s2);
..
%File Numgradf1.m
function z = numgradf1(b,x)
..
%File Numgrads1.m
function z = numgradS1(b,x,y)
..
0.8
0.8
0.9], tn =1
0.3894
0.3100
0.9869
0.5073
0.7
0.7
0.8], tn =1
0.3894
0.3100
0.9869
0.5073
0.6
0.6
0.8], tn =1
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.7], tn =1
437
Hasil dari penggunaan iterasi Marquardt-Levenberg adalah:
ans =
1.3724
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.6], tn =1
0.3894
0.3100
0.9869
0.5073
0.8
0.8
0.9], tn =3
0.3894
0.3100
0.9869
0.5073
0.7
0.7
0.8], tn =3
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.7], tn =3
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.6], tn =3
0.3894
0.3100
0.9869
0.5073
0.8
0.8
0.9], tn =5
1.3724
0.3894
0.3100
0.9869
0.5073
0.7
0.7
0.8], tn =5
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.7], tn =5
0.3894
0.3100
0.9869
0.5073
0.5
0.6
0.6], tn =5
0.3894
0.3100
0.9869
0.5073
ans =
35.7580 41.3628