Power Function Model in Time Series

Gillian Tampi 70420090002

Power Regression Model

Power Regression Model atau Model Regresi Berpangkat termasuk di dalam fungsi regresi non-linear yang dapat dilinearisasi dengan transformasi pangkat atau power transformation. Power Regression model ini adalah model dimana variabel respon proporsional terhadap variabel prediktor yang berpangkat. Power regression juga dikenal sebagai log-log regression, bentuk umum dari power function ini adalah: Y = AX B (1)

koesien a dan b dapat ditentukan dengan rumus yang didapatkan dari least squares tting, yaitu: b= n
n i=1

(ln xi ln yi ) n

n i=1

(ln xi )
n i=1 n i=1

a= dimana B b dan A e
a

2 n i=1 (ln xi ) n i=1 (ln yi ) b

ln xi )

n i=1 2

(ln yi )

(ln xi )

Apabila suatu variabel respon Y dan variabel predictor X terhubung melalui fungsi berpangkat, cara manual untuk mengetahui dalam pangkat berapa mereka terhubung adalah dengan memplot log y terhadap log x Hal ini didapatkan dari penurunan rumus sederhana berikut: y = axb log(y) = log(axb ) log(y) = log a + log(xb ) log y = log a + b log x Persamaan ini menjadi persamaan linear garis lurus dengan kemiringan (slope) b dan y-intercept log a, dimana sumbu horizontal merepresentasikan log x dan sumbu vertikal merepresentasikan log y Nilai dari slope, yaitu b akan mengestimasi nilai pangkat dari persamaan garis regresi berpangkat. Misalnya didapatkan b = 3, artinya variabel respon Y terhubung dengan variabel predictor X melalui persamaan kubik atau pangkat tiga. Perlu diingat juga bahwa power model ini tidak hanya sebatas pangkat integer positif, tetapi 2

juga dapat berupa pangkat bilangan pecahan ataupun bilangan negatif. Dalam analisis regresi, variabel prediktor X dapat berupa variabel apapun. Tetapi dalam analisis deret waktu, yang dianalisis adalah keterhubungan suatu variabel respon dengan variabel waktu. Dengan kata lain, variabel prediktor X harus berupa variabel t, yaitu waktu. Program statistika seperti SPSS dapat digunakan untuk melakukan metode curve tting dengan lebih mudah. Contoh soal: Data rata-rata harga rumah di Negara X pada tahun 2003-2011. T ahun 1 2 3 4 5 6 7 8 9 Harga 294503 362719 2029411 1125729 2241059 3068192.76 4001584.19 5036769.58 4170038.58

Menggunakan program SPSS untuk menentukan curve estimation, didapatkan hasil sebagai berikut:

Figure 1: Summary SPSS untuk curve estimation: Power function Dapat dilihat bahwa R2 yang didapatkan cukup tinggi yaitu 0.893, menunjukkan bahwa power model merupakan model yang cukup baik untuk memodelkan Y yang adalah harga rumah di negara X. Sehingga didapatkan persamaan: y = 243979.551t1.378

Figure 2: Output Plot SPSS untuk curve estimation: Power function Pada kurva diatas terlihat bahwa harga rumah di Negara X naik secara cepat. Jika trend ini berlanjut, maka hanya segelintir orang yang dapat membeli rumah di negara X. Ada beberapa tipe transformasi model yang dapat digunakan untuk melinearkan model, atau untuk menstabilkan error variance. Beberapa diantaranya 1 adalah transformasi reciprocal Y , transformasi akar kuadrat Y , dan transformasi logaritmik ln Y . Jenis-jenis transformasi ini dapat dilihat sebagai kasus umum dari power transformation (transformasi pangkat). Dalam transformasi pangkat, kita menaikkan nilai pangkat dari variabel respon Y dan/atau beberapa dari variabel predictor X. Contohnya, digunakan Y , dimana adalah exponen yang akan dipilih oleh analis data berdasarkan bukti teoritis ataupun bukti empirik. Jika = 1, artinya tidak dibutuhkan transformasi apapun. Jika = 1, didapatkan transformasi reciprocal. Jika = 0.5, didapatkan transformasi akar kuadrat, dan jika = 0, didapatkan transformasi logaritmik. Tetapi perhatikan bahwa saat = 0, Y = 1 untuk setiap nilai Y . Untuk menghin dari masalah ini, transformasi Y 1 digunakan. Dapat dilihat bahwa saat mendekati 0, Y 1 mendekati ln Y . Transformasi jenis ini disebut juga Box-Cox power transformation.

Jika tidak dapat ditentukan berdasarkan pertimbangan teoritis, data yang ada dapat digunakan untuk menentukan nilai yang sesuai untuk . Hal ini dapat dilakukan dengan menggunakan metode numerik. Dalam praktiknya, beberapa nilai dicoba dan yang terbaik dipilih untuk menjadi nilai pangkat di dalam model. Nilai-nilai yang paling umum dicoba adalah: 2, 1.5, 1.0, 0.5, 0, 0.5, 1, 1.5, 2. Nilai-nilai ini dipilih karena mudah untuk diinterpretasikan. Nilai-nilai ini dikenal sebagai tangga transformasi (ladder of transformation). Reference Weisstein, Eric W. Least Squares FittingPower Law. From MathWorldA Wolfram Web Resource. http://mathworld.wolfram.com/LeastSquaresFittingPowerLaw.html Chatterjee, Samprit. 2006. Regression Analysis by Example. New Jersey: John Wiley & Sons. Benestad, Chris. 2002. Regression Analysis. http://users.wpi.edu