METODE ESTIMASI PARAMETER

Dalam estimasi dikenal istilah penduga atau estimator atau fungsi keputusan. Fungsi keputusan
atau estimator ini digunakan untuk mendapatkan taksiran untuk parameter.
Syarat penduga yang baik:
1. Unbiased
Suatu penduga atau estimator

dikatakan unbiased jika memenuhi syarat berikut:

E( )= ;
Dengan

adalah parameter dan

adalah estimator parameter.

2. Minimum varian
Suatu estimator

dikatakan minimum varian apabila memenuhi kriterian berikut:

Menurut Cramer Rao

Apabila

Maka

adalah unbiased estimator dari

dan

adalah minimum variance unbiased estimator dari .

3. Konsisten

Suatu penduga atau estimator

dikatakan konsisten jika memenuhi syarat:

Semakin besar sampel maka nilai varian semakin kecil atau nilai sampel semakin
mendekati populasi.
4. Relative efisiensi
Suatu penduga atau estimator
banyak estimator
5. Sufficiency

dikatakan efisien jika memiliki varian terkecil diantara

unbiased lainnya.

Suatu penduga atau estimator

dikatakan sufficient jika tiap nilai parameter

distribusi

bersyarat (conditional distribution) dari random variable ( X1,X2,....,Xn given

adalah independent dari .

Berikut beberapa metode estimasi yang sering digunakan dalam statistic untuk menduga atau
mengestimasi parameter:
1. KLASIK

Metode estimasi parameter dengan metode klasik, merupakan metode estimasi parameter
yang banyak digunakan dan mudah untuk diaplikasikan, selain itu metode ini juga
relative sederhana dibandingkan metode lainnya.

Mengasumsikan parameter populasi tetap (konstan) walaupun nilainya tidak diketahui

Estimasi dari populasi dapat berupa estimasi titik dan estimasi selang (interval).

Estimasi Titik
Estimasi yang nilai dugaannya berupa satu nilai atau titik.
Contoh:
Penduga dari rata-rata populasi adalah , dimana

merupakan suatu nilai tertentu.

Estimasi Selang
Estimasi yang nilai dugaannya berupa suatu selang atau interval kepercayaan. Selang
kepercayaan (confidence interval) adalah sebuah interval antara dua angka, dimana dalam
tingkat kepercayaan tertentu nilai parameter sebuah populasi terletak di dalam interval
tersebut.
Dimana

Dengan

selang

<1

kepercayaan

tersebut

dapat

dituliskan

secara

matematis:

Maka dengan peluang

sampel yang diambil akan menghasilkan selang (interval)

yang mengandung . Selang (interval)

sampel adalah selang kepercayaan

yang diambil berdasarkan random

.

Dimana:
disebut koefisien kepercayaan atau taraf kepercayaan atau tingkat signifikansi.
dan

masing-masing adalah batas bawah dan batas atas.

2. BAYES
Menurut Bayes, parameter populasi berasal dari suatu distribusi, sehingga nilainya
tidaklah tunggal (merupakan variabel random), sedangkan menurut metode klasik

parameter populasi diasumsikan tetap (konstan) walaupun nilainya tidak diketahui.

Bayes menggunakan interpretasi probabilitas secara subyektif di dalam analisa
statistika formal. Pendekatan Bayes terhadap metode estimasi statistik
menggabungkan informasi yang dikandung dalam sampel dengan informasi lain yang
telah tersedia sebelumnya.

3. OLS
Prinsip kerjanya ialah meminimumkan jumlah kuadrat penyimpangan atau error nilainilai observasi terhadap rata-ratanya:
(
asumsi linearitas.

Prinsip: minimum

minimum

Memiliki 5 asumsi yang harus dipenuh oleh penyimpangan atau errornya:

1. Normalitas
Error mengikuti distribusi normal dangan rata-rata= 0 dan varian= 2
2. Linieritas: E (i) = 0.

Linearitas menunjukkan rata-rata sama dengan 0 atau tidak ada korelasi antara
variabel bebas dengan error.
3. Homoskedastisitas: Var (i) = 2
Homoskedastisitas menunjukkan varian dari distribusi errornya besifat konstan atau
mendekati konstan.
4. Non-multikolinieritas
Multikolineritas menunjukkan adanya hubungan linear diantara beberapa atau semua
variable bebas yang menyusun model regresi.
5. Non-autokorelasi: Cov (i, j) = 0 , i j
Non autokorelasi menunjukkan tidak adanya hubungan atau korelasi antara error satu
dengan error lainnya.
4. GLS
Prinsip dasarnya sama dengan OLS, yaitu meminimumkan jumlah kuadrat penyimpangan

atau error nilai-nilai observasi terhadap rata-ratanya .

Metode GLS (Generalized Least Squares) memiliki nilai lebih dibandingkan OLS dalam
mengestimasi parameter regresi. metode OLS yang umum tidak mengasumsikan bahwa
varians erroe adalah homoskeda,Pada kenyataannya variasi data pada data khususnya
data time series cenderung heterogen (heteroskedas). Metode GLS sudah
memperhitungkan heterogenitas yang terdapat pada variabel independen secara eksplisit.

5. MME
Prinsip: Momen Sampel= Momen Parameter

Misalkan suatu populasi dengan fungsi densitas f(x ; 1,, k), maka momen populasi kek didefinisikan sebagai k =E(Xk ).

Jika X1,X2,....,Xn adalah sampel random dari populasi dengan fungsi densitas f(x;1,
,k),

maka

momen

sampel

ke-k

didefinisikan

dengan

Misal X1, X2, ...., Xn adalah sampel random dari populasi dengan fungsi densitas f(x; 1,
, k), estimator metode momen didapatkan dengan menyamakan k momen sampel
dengan k momen populasi, dan menyelesaikan sistem persamaan simultan yang
dihasilkan.
Caranya:

Buat persamaan
Misal untuk k=1

Sehingga:

menjadi

6. MLE
Prinsip kerjanya maksimum likelihood dengan syarat distribusi error diketahui atau
diasumsikan mengikuti distribusi tertentu.

dimana
dari random variable
Max

diperoleh dengan cara:

atau

Apabila lebih dari satu parameter:

dst.

adalah joint probabilita distribusi