ISBN: 978-979-16353-8- 7

PROS/DING

S-6
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK
MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
Vania Mutiarani', Adi Setiawan2, Hanna Arini Parhusip''
1

e-mail:

Mahasiswa Program Studi Matematika FSM UKSW

2' 3
Dosen Program Studi Matematika FSM UKSW
1

vania.mutiarani@yahoo.com, 2adi_
setia_03@yahoo.com,
3hannaariniparhusip@yahoo.co.id
Abstrak

Dalam penelitian statistik, sering diselidiki hubungan antara dua atau lebih
variabel, apakah ada hubungan sebab-akibat atau tidak. Pada paper ini, data yang
diambil adalah data SUSENAS tahun 2011 dari BPS Salatiga yaitu pendapatan dan
pengeluaran masyarakat Salatiga dengan sampel n = 30 sehingga akan diselidiki
hubungan antara pendapatan sebagai variabel Y dengan pengeluaran sebagai variabel
X. Hubungan sebab-akibat tersebut dapat membentuk garis regresi berbentuk linier
yang tidak dapat ditentukan secara tepat, sehingga diperlukan taksiran parameter
untuk model regresi linier. Untuk mengestimasi parameter tersebut digunakan model
regresi linier Bayesian yaitu dengan distribusi prior konjugat p(p, o-2) =
p(o-2)p(Plo-2) dengan p(o-2)-Inv - Gammafu., b0) dan p(Plo-2)-N(0, o-2 Ac/)
dan
distribusi
posterior
p(p, o-2ly,X) oc p(o-2ly,X)p(Plo-2,y,X)
dengan
p(o-2ly, X)-Inv - Gamma(an,bn) dan p(Plo-2, y,X)-N(n, o-2(XTX + A0)-1) .
Kemudian dirancang rantai Markov dari distribusi posterior dengan Gibbs sampling
sebanyak 5000 iterasi dan diperoleh taksiran parameter yang merupakan rata-rata dari
nilai Gibbs sampler yaitu o-2 = 0.005718, {30 = 2.101 dan /31 = 0.708. Dari
nilai-nilai Gibbs sampler yang telah didapatkan, dihasilkan fungsi densitas untuk
masing-masing parameter sehingga interval kepercayaan Bayesian (interval kredibel)
95% untuk taksiran parameter o-2 adalah (0.003384, 0.009659), untuk {30 yaitu
(1.607, 2.601) dan (0.6282, 0.7879) untuk parameter {31.
Kata kunci: model regresi linier Bayesian, estimasi parameter, interval kredibel

I. PENDAHULUAN
1.1. Latar Belakang
Dalam penelitian statistik, sering diselidiki hubungan antara dua atau lebih variabel,
apakah ada hubungan sebab-akibat atau tidak. Analisis regresi linier adalah salah satu
bagian dari statistik yang merupakan suatu analisis terhadap persamaan regresi dimana
hubungan variabel independen dan dependen berbentuk garis lurus (Sembiring, 2003).
Garis lurus tersebut disebut juga garis regresi yang tidak dapat ditentukan secara tepat,
sehingga diperlukan taksiran parameter untuk model regresi linier. Metode yang biasa
digunakan untuk mengestimasi parameter adalah metode kuadrat terkecil. N amun ada
cara lain, yaitu menggunakan model regresi linier Bayesian.
Dalam statistik, regresi linier Bayesian merupakan pendekatan untuk regresi linier
dimana analisis statistik yang dilakukan dalam konteks inferensi Bayesian (Web 1 ).
Makalah dipresentasikan dalam Seminar Nasional Matematika dan Pendidikan Matematika
II
dengan tema llonttibusiPendidikanMatematika,da,n Matematika dalam Memba,ngun
/latakter Gutu dan Siswa'' pad a tanggal
10 November 2012 di Jurusan
Pendidikan
Matematika FMIPA UNY

Untuk mendapatkan taksiran parameter, dirancang rantai Markov dari distribusi posterior
dengan bantuan Gibbs sampling.
Interval kepercayaan adalah suatu kisaran nilai yang dianggap mengandung nilai
parameter populasi yang sebenamya (Fauzy, 2008). Interval kepercayaan dapat
digunakan sebagai taksiran suatu parameter dan dapat pula dipandang sebagai pengujian
hipotesis, yaitu apakah suatu parameter sama dengan suatu nilai tertentu (Sembiring,
2003). Dalam statistik Bayesian, interval kepercayaan Bayesian (interval kredibel)
merupakan interval di dalam domain dari distribusi probabilitas posterior yang digunakan
untuk penaksiran interval (Web 2).
Dalam penelitian ini akan dijelaskan bagaimana penerapan model regresi linier
Bayesian untuk mengestimasi parameter dan interval kepercayaan Bayesian (interval
kredibel) dengan mengambil data SUSENAS (Survey Sosial Ekonomi Nasional) tahun
2011 dari BPS Salatiga yaitu pendapatan dan pengeluaran masyarakat Salatiga dengan
sampel n = 30.
II. DASAR TEORI
11.1. Regresi Linier Bayesian
Dalam statistik, regresi linier Bayesian merupakan pendekatan untuk regresi linier
dimana analisis statistik yang dilakukan dalam konteks inferensi Bayesian (Web 1 ). Saat
model regresi memiliki error yang berdistribusi normal, dan jika bentuk khusus dari
distribusi prior diasumsikan, hasil eksplisit tersedia untuk distribusi probabilitas posterior
dari parameter model.
11.2. Model
Dalam konteks model regresi linier, y disebut sebagai variabel dependen, dan X
variabel independen. Dalam notasi matriks, sistem ini dapat ditulis sebagai (Lancaster,
2003)

y=X/J+t:

(1)

dengan y adalah vektor kolom, untuk pengamatan i = 1, ... , n dipunyai nilai y; X adalah
matriks n x k, untuk j = 0, ... , k; fl adalah vektor kolom dari turunan parsial k yaitu
{,81}, dan vektor kolom E berisi sebanyak n error sehingga

y= ~;]

r:J. x = [1

::: :::

[P1]

E =

[!l

[c;] =

x l kl'

X z k

Xnk

Berdasar pada persamaan (1 ), model regresi linier dengan intersep dapat

ditulis dalam bentuk matriks sebagai
y = X{ /J + Ei
(2)

Seminar Nasional Matematika dan Pendidikan Matematika FMIPA UNY

Yogyakarta, 10 November 2012

MS-54

ISBN: 978-979-16353-8- 7

PROS/DING

~i

dengan vektor xT merupakan tiap baris dari matriks X yang berdimensi n x k. Pada
paper ini, k = 1 karena X hanya 1 variabel. Oleh karena itu, xT = [1

xd

[i
1

untuk i = 1, ... , n clan vektor

/J

= [::] dan

E;

saling bebas dan berdistribusi identik,

yaitu normal dengan mean nol dan variansi

Persamaan (2) dapat ditulis ulang menjadi :

Y;

[1

Xn

(52,

dinotasikan dengan E(-N(O,

(52).

+ E;

X;] [::]

(3)
Persamaan (3) merupakan model regresi linier dengan intersep. Untuk memudahkan
dalam penulisan, xT selanjutnya ditulis sebagai X. Galat (error) e, berdistribusi normal,
sehingga (Yi IX, p, (52) juga berdistribusi normal (Puspaningrum, 2008) dengan E(yJ =
/30 + f31xi dan V(yJ = (52
Jadi (ydX,p, (52)-N(/30 + f31xi, (52) dengan fungsi kepadatan probabilitas:
p(yi

IX, p, (5 2 )

-.fi1iwI exp

[-

1 (y - XP)
2(52

2]

Kemudian fungsi likelihood didefinisikan sebagai :

p(ylX,

p,

(52)

p(ydX,p,

(52)

i=l

exp [-~(y-xpf(y-XP)]

. n -V2rw2

2(5

i=l

= ((52)-n/2

exp (- _1_ (y - xpf

(y -

2(52

xp))

J adi, fungsi likelihood :

p(ylX,p,

(52)

cc

((52)-n/2

exp (-

2:2

(y - xpf

(y - Xp) ).

(4)

11.3. Distribusi Prior Konjugat

Prior konjugat adalah suatu prior yang jika dikombinasikan dengan fungsi likelihood
akan menghasilkan suatu posterior dengan distribusi yang sama dengan distribusi prior
(Gelman, 2006). Karena log-likelihood kuadratik dalam p, log-likelihood ditulis ulang
sedemikian rupa sehingga likelihood menjadi normal dalam (P - P) dengan p =
cxrx)-1 x" y. Ditulis
(y - xpf

(y -

xp) =

(y -

xp/

(y -

/J).

xp) + (P - P) T cxrx)(P

Likelihood ditulis ulang menjadi

p(ylX, /J, 62) oc (0"2)-v/2 exp (- ;;: )

Seminar Nasional Matematika dan Pendidikan Matematika FMIPA UNY

Yogyakarta, 10 November 2012

MS-SS

ISBN: 978-979-16353-8- 7

PROS/DING

(62)-(n-v)/Z

exp (-

2!2 (/J - P/ cxr X)(/J - P))

(5)

Seminar Nasional Matematika dan Pendidikan Matematika FMIPA UNY

Yogyakarta, 10 November 2012

MS-SS

dengan vs2 = (y - xp)T (y - xp), dan v = n - k, k merupakan jumlah

koefisien regresi. Dilihat dari persamaan ( 5), hal ini menunjukkan suatu bentuk untuk
prior :
p(p, a2) = p(a2)p(Pla2)
(6)
dengan a2 berdistribusi Inv - Gamma(a0, b0) dengan a0 = v0/2 dan b0 = v0
dengan 0 dan
diperoleh dari informasi awal atau ditentukan secara subyektif.
Kepadatan prior ditulis sebagai
p(a2) oc (a2)-Cvo/2+1) exp (- voscr).

s5

s5

20"2

Lebih lanjut, prior bersyarat p I a2 berdistribusi normal yang dinotasikan sebagai

N(0, a2 A01) dengan 0 ditentukan secara subyektif, dan memiliki kepadatan prior
bersyarat:

11.4. Distribusi Posterior

Untuk menyatakan distribusi posterior, digunakan teorema Bayes yaitu dapat
dinyatakan sebagai berikut (Lancaster, 2003)
Posterior oc Likelihood x Prior
sehingga dengan likelihood (persamaan (4)) dan prior yang telah ditentukan pada
persamaan (6), distribusi posterior dapat dinyatakan sebagai
p(p, a2 ly, X) oc p(ylX, P, a2)p(a2)p(Pla2)
(7)
(a2)-n/2 exp (- _1_ (y-

OC

2a2

XP)T (y-

XP))

x (a2)-Cao+l) exp (- ~)

2a2

x (a2)-kf2exp (-

2:2

(P - o? Ao(P - o) ).

Dengan beberapa pengaturan ulang, posterior pada persamaan (7) dapat ditulis ulang
sehingga mean posterior n dari vektor parameter p dapat dinyatakan dalam estimator
kuadrat terkecil p dan mean prior 0 dengan kekuatan dari prior ditunjukkan oleh
matriks prior presisi A0 = 1/a2
T
-1
T
n = (X X + Ao) (X
+ Aoo)
(8)
~
Xp
Untuk membenarkan bahwa n memang mean posterior, istilah kuadrat dalam
eksponensial dapat diatur kembali sebagai bentuk kuadrat dalam p - n
(y- xpf (y- XP) + (P- o? Ao(P- o)
= (P- n?(XTX + Ao)(P- n) + YTY _ ~(XTX + Ao)n + 'JAoo.
Selanjutnya, posterior dapat dinyatakan sebagai distribusi normal dikalikan dengan
distribusi invers-gamma :
p(p,

,r21y,X)

x (a

oc

(,r2)-kf2exp

2)-Cn+vo)/2-1

exp

(-

2:2

(P -

n? (XTX + Ao)(P

( bo + YT Y - ~ (XTX + Ao)n
Za2
-

n))

+ 'JAoo)

Oleh karena itu, distribusi posterior dapat diparameterisasi sebagai berikut :

(9)
p(P,a2ly,X) oc p(Pla2,y,X)p(a2ly,X)
dengan kedua faktor sesuai dengan kepadatan dari distribusi N(n, a2(XTX
dan Inv - Gammat a., bn) dengan parametemya diberikan oleh
Seminar Nasional Matematika dan Pendidikan Matematika FMIPA UNY
Yogyakarta, 10 November 2012

+ A0)-1)

MS-56

An = cxTx + Ao), an = (n + Vo), b., = bo + (yTy + f)Aoo - ~Ann)

Berdasarkan parameter di atas, persamaan (8) diperbarui sesuai konteks Bayesian
menjadi
n = (An)-1(XTXp + Aoo) = (XTX + Ao)-1(XT y + Aoo).
(10)
11.5. MCMC (Markov Chain Monte Carlo)
Salah satu cara untuk merancang rantai Markov yaitu dari distribusi posterior dengan
p(CJ2 ly, X)-Inv - Garnrnafu., bn) dan p(PICJ2, y, X)-N(n, CJ2 cxTx + Ao)-1) yaitu
dengan Gibbs Sampling yang menghasilkan rantai Markov oleh sampling dari distribusi
bersyarat.
Sebelumnya,
disusun
distribusi
pnor
konjugat
dengan
p(CJ2)-Inv - Gammafu-, b0) dengan a0 = v0/2 dan b0 = v0s5 dengan v0 dan s5
ditentukan secara subyektif dan p(PICJ2)-N(0, CJ2 A01) dengan 0 ditentukan secara
subyektif dan prior presisi A0 = 1/CJ2 dengan memilih nilai CJ2.
Jika CJ2-Inv - Gammat a., bn), maka:
CJ2 ly, Xr-Inv - Gamma

[i (n + Vo), bo + i

(yTY + lAoo - ~Ann)]

(*)
Jika ({30, {31)-BVN(1, 2, CJ{, CJi, p ), (Bain et al., 1991) maka:
1. Distribusi dari {30 bersyarat pada {31 = fJi)

f3olf3i)-N

[1 + P:: (Pi) -z),CJf(l

2. Distribusi dari /31 bersyarat pada {30

/311/36)-N

[z + P::

- p2)].

(**)

= f36o)

(/36) - 1),CJ}(l

- p2)],

Diberikan CJ2 dan vektor p yang tidak diketahui :

1. Dipilih nilai awal CJ2 (O), f36o), {3{)

(***)

P=

({30, {31)

2. Sampel CJ2 (l) dari p ( CJ2 (l) ly, X) sehingga CJ2 (l) IY, X memenuhi (*)
Sampel /361) dari p
Sampel

(/361)

ICJ2

'".

fJi), y, X) sehingga /361) ICJz(l), fJi) memenuhi (**)

/3?) dari p (P?) ICJz(l), /361), y, X) sehingga /3?) ICJ 1),

2(

/361)

memenuhi

(***)
3. Langkah 2 diulangi sebanyak 1000 kali (untuk mendapat hasil yang lebih akurat,
dilakukan iterasi sebanyak lebih dari 1000 kali)
4. Akhimya didapatkan sampel dari p(CJ2 ly, X) dan p(PICJ2, y, X) dalam bentuk rantai
Markov.
11.6. Interval Kredibel (Interval Kepercayaan Bayesian)
Dalam statistik Bayesian, interval kredibel (1 - a)100% merupakan interval di
dalam domain dari distribusi probabilitas posterior yang digunakan untuk penaksiran
interval (Web 2).
Salah satu metode untuk mengestimasi interval kredibel yang paling mudah
digunakan adalah interval kredibel dua ekor (Johnson, 2009). Interval kredibel dua ekor
disusun dengan menemukan kuantil a/2 dan 1 - a/2 dengan tingkat signifikansi a.

III.

1.

2.
3.
4.

METODE PENELITIAN
Data yang diambil dalam penelitian adalah data SUSENAS (Survey Sosial Ekonomi
Nasional) tahun 2011 dari BPS Salatiga yaitu pendapatan dan pengeluaran masyarakat
Salatiga dengan sampel n = 30. Dalam melakukan perhitungan, digunakan alat bantu
program WinBUGS 1.4.3.
Langkah-langkah penyelesaian untuk mengestimasi parameter dan interval kredibel
menggunakan model regresi linier Bayesian sebagai berikut :
Merancang
rantai
Markov
dari
distribusi
posterior
p(p, a2 ly, X) oc p(a2 ly, X)p(Pla2, y, X) dengan p(a2 ly, X)-Inv - Gammam.. bn)
dan p(Pla2,y,X)-N(n,a2(XTX + Ao)-1) yaitu dengan Gibbs Sampling yang
menghasilkan 3 rantai Markov dengan iterasi sebanyak 5000 yaitu untuk taksiran
parameter a2, {30 dan {31.
Taksiran parameter a2, {30 dan {31 diperoleh dengan mencari rata-rata dari nilai Gibbs
sampler.
Dari nilai-nilai Gibbs sampler tersebut, dihasilkan fungsi densitas untuk a2 berdistribusi
invers-gamma dan {30, {31 berdistribusi normal.
Mencari interval kredibel 95% untuk masing-masing taksiran parameter dengan tingkat
signifikansi a = 0.05 berdasar pada fungsi densitas.

IV.

HASIL PENELITIAN DAN PEMBAHASAN

Data yang digunakan dalam penelitian merupakan nilai logaritma dari data asli
dengan pendapatan sebagai variabel dependen y terhadap pengeluaran sebagai variabel
independen X dengan pengamatan n = 30 dinyatakan pada Tabel 1.

Tabel 1. Data Pendapatan dan Pengeluaran

y
x
2705000
3364333,333
6040000
3353000
1426333,333
7664400
6285666,667
5950000
5750000
1323333,333
1650333,333
1051400
7826616,667
1466666,667
3500000
3450000
6366666,667
4661666,667
4976666,667

824382,6667
1418616
4297649,667
1936732,667
773483
5270866
3323499,667
3 734666,667
3154333,333
472666,3333
937132,6667
359666,3333
6677783,333
719666,3333
1048666
1820000
5580666,333
2147499,333
3411166

log(Y)
6,4322
6,5269
6,7810
6,5254
6,1542
6,8845
6,7984
6,7745
6,7597
6,1217
6,2176
6,0218
6,8936
6,1663
6,5441
6,5378
6,8039
6,6685
6,6969

log(X)
5,9161
6,1519
6,6332
6,2871
5,8885
6,7219
6,5216
6,5723
6,4989
5,6746
5,9718
5,5559
6,8246
5,8571
6,0206
6,2601
6,7467
6,3319
6,5329

ISBN: 978-979-16353-8- 7

PROS/DING

7068000
5098666,667
1225000
3316666,667
2439166,667
1780000
4156333,333
3057666,667
2950833
1613666,667
3356666,667

4795400
3340066
485166
2182400
1024266
841666,6667
2352566
1987100
1934774,333
578949,6667
1292166

6,8493
6,7075
6,0881
6,5207
6,3872
6,2504
6,6187
6,4854
6,4699
6,2078
6,5259

6,6808
6,5238
5,6859
6,3389
6,0104
5,9251
6,3715
6,2982
6,2866
5,7626
6,1113

Diagram pencar data asli pada Tabel 1 ditampilkan oleh Gambar 1.

x 106

7
0

5
0
0

4
O co

Oo O

<9

0
0

2
O

0o

@, '0

7
x 106

Gambar 1. Diagram Pencar Data Asli

Sedangkan diagram pencar untuk data logaritma dari data asli ditunjukkan oleh Gambar
2.
7
6.9
0

6.8

0
0

6.7

0
0

'0

0
0

6.6
0

6.5
0

6.4

oo

Oo O

6.3
0
0

6.2
0
0

6.1
6
5.5

Oo

6.5

Gambar 2. Diagram Pencar Data Logaritma Dari Data Asli

Dari Gambar 2 terlihat sebaran data cenderung berada di sekitar garis lurus maka
dapat dikatakan hubungan antara kedua peubah tersebut membentuk pola linier. Karena
data-data tersebut menunjukkan hubungan linier maka selanjutnya dapat ditentukan
persamaan regresi dugaannya.
Untuk mendapatkan taksiran
= (/30, /31) berdasarkan metode kuadrat terkecil,
nilai-nilai log[!~D(:) dan log[!~lY) dimasukkan ke dalam persamaan p = cxrx)-1 x" y
dengan X = [1; log(X)] dan y = log[!~lY) sehingga diperoleh nilai /30 = 2.105302 dan
{31 = 0.707418 . Jadi persamaan garis regresi dugaan adalah Yi = 2.105302 +
0. 707 418 xi. Diagram pencar data dan persamaan garis regresi Yi ditampilkan pada
Gambar 3.

6.9
0

6.8

0
0

6.7
6.6

6.4

oo

oo

6.5
0

6.3
0

6.2
6.1
6
5.5

Oo

0
0

&5

Gambar 3. Garis Regresi dengan Metode Kuadrat Terkecil

Selanjutnya untuk mendapatkan estimasi parameter C52 dan p = (/30, /31) dengan
model regresi linier Bayesian, dirancang rantai Markov dari distribusi posterior
p(p, C52 ly, X) oc p(C52 lv. X)p(PIC52, y, X) dengan p(C52 ly, X)-Inv - Gammafa. , bn)
dan p(PIC52,y,X)-N(n,C52(XTX+Ao)-1) yaitu dengan Gibbs sampling sebanyak
5000 iterasi.
1. Taksiran Parameter C52 dan Interval Kredibel C52
Dilakukan Gibbs sampling sebanyak 5000 iterasi untuk mendapatkan taksiran parameter
C52 yang berdistribusi Inv - Gammatrz.; bn) dengan memilih nilai awal C52(o) = 1.
Kemudian dengan memotong 500 iterasi pertama, diperoleh hasil:
node
sigma2

mean
sd
0.005718 0.001617

MC error
3.245E-5

2.5%
0.003384

median
0.005455

97.5%
0.009659

Rantai Markov untuk taksiran parameter C52 sebagai berikut:

start
501

sample
5000

s
!
....

!J:,

.e..
~
~

~
.a

"

,~

-.

~
c.:

om

',.

- - --

...
1012

~
~

...
e-

........

/
;

:
!

,~

\\

''

'

\'

'

_.,.
.)

<,
~(

=
11!

=
=

.r-,

f ,_'..
....

I
i!
f
;

'

I
.,,,,/

..

., /
J

-..
01

\\.
\

' ,......

~-

PROS/DING
ISBN: 978-979-16353-8- 7

V. KESIMPULAN
Dari basil penelitian tentang data SUSENAS (Survey Sosial Ekonomi Nasional) tahun
2011 dari BPS Salatiga yaitu data logaritma dari data pendapatan dan pengeluaran
masyarakat Salatiga dengan sampel n = 30 yang telah diperoleh pada pembahasan,
dapat disimpulkan bahwa :
- Untuk mendapatkan estimasi parameter (Jz, {30, dan {31 dirancang rantai Markov dari
distribusi posterior p(fl, (J2 ly, X) oc p((J2 ly, X)p(fll(J2, y, X) dengan p((J2 ly, X)-Inv Gamma(an,bn) dan p(fll(J2,y,X)-N(n,(J2(XTX+Ao)-1)
yaitu dengan Gibbs
sampling sebanyak 5000 iterasi. Diperoleh nilai-nilai Gibbs sampler sebanyak 5000
(untuk masing-masing parameter), dan setelah dirata-rata, didapat nilai taksiran
(Jz = 0.005718, {30 = 2.101, dan {31 = 0.708.
- Dengan tingkat signifikansi a = 0.05, interval kredibel 95% untuk masing-masing
taksiran (Jz, {30, dan {31 merupakan interval dimana terdapat taksiran parametemya. Dari
nilai-nilai Gibbs sampler yang ada, dihasilkan fungsi densitas untuk (Jz yang
berdistribusi invers-gamma, sehingga diperoleh interval kredibel 95% yaitu (0.003384,
0.009659). Sedangkan fungsi densitas untuk {30 dan {31 yang berdistribusi normal,
diperoleh interval kredibel 95% yaitu (1.607, 2.601) untuk {30 dan (0.6282, 0.7879) untuk

/31.

VI.
DAFTAR PUSTAKA
Bain, Lee J. dan Engelhardt, Max. 1991. Introduction To Probability and Mathematical
Statistics Second Edition. USA: Duxbury.
Fall, Roger Levy. 2007. Lecture 6: Bayesian Parameter Estimation; Confidence Intervals
(Bayesian and Frequentistic).
Fauzy, Akhmad. 2008. Statistik Industri. Jakarta : Erlangga.
Gelman, Andrew. 2006. Bayesian Analysis. Department of Statistics and Department of
Political Science : Columbia University.
Johnson, Matthew S. 2009. Introduction to Bayesian Statistics with WinBUGS. New York :
Columbia University.
Lancaster, Tony. 2003. An Introduction to Modern Bayesian Econometrics.
Puspaningrum, Dessy. 2008. Penerapan Metode Bayesian Untuk Mengestimasi Parameter
Pada Model Regresi Linier Sederhana. UKSW : FSM.
Sembiring, R. K. 2003. Analisis Regresi Edisi Kedua. Bandung: ITB.
Web 1 : http://en.wikipedia.org/wiki/Bayesian linear regression
Bayesian Linear Regression
Diunduh pada 28 Agustus 2012
Web 2 : http://en.wikipedia.org/wiki/Credible interval
Credible Interval
Diunduh pada 5 September 2012

Seminar Nasional Matematika dan Pendidikan Matematika FMIPA UNY

Yogyakarta, 10 November 2012

MS-64