REGRESI NONPARAMETRIK
DERET FOURIER BIRESPON
Oleh :
Ri i Semiati
Rini S i ti
1308 201 009
Pembimbing :
Prof. Dr.Drs. I Nyoman Budiantara,M.Si.
PENDAHULUAN
Min {R ( f ) + λ J ( f ) }
f ∈H
• REGRESI NONPARAMETRIK
merupakan regresi yang pola hubungan antara variabel
respon dan variabel prediktor tidak diketahui
y i = g( x i ) + ε i
• REGRESI NONPARAMETRIK BIRESPON
y1j = f1(t1j ) + ε1j
y2 j = f2 (t2 j ) + ε2 j
kurva regresi dihampiri oleh fungsi kontinu dan
diferensiabel 1 K
d1 (t1 j ) = γ1t1 j + α01 + ∑α1k cos kt1 j
2 k=1
1
K
1
d 2 (t 2 j ) = γ 2 t 2 j + α02 + ∑α2k cos kt 2 j
2 k =1
• Pemilihan p parameter penghalus
p g dalam Deret Fourier
Bilodeau (1992) :
jika (λ →0) maka estimator deret Fourier sangat
k
kasar, jik λ →∞) maka
jika ((λ k estimator
ti t d derett F
Fourier
i
sangat mulus.
Craven dan Wahba : CV
Wang (1998) : UBR
Wahba (1990) : GCV
Tripena dan Budiantara (2007) :
perbandingan CV, UBR dan GCV
• DIABETES MELLITUS (DM) ( )
DM merupakan suatu keadaan yang ditandai
oleh kadar gula darah yang melebihi nilai
normal akibat tubuh kekurangan insulin.
Seseorang dikatakan menderita DM jika hasil
pemeriksaan
ik kadar
k d glukosa
l k puasanya 126
mg/dl dan glukosa 2 jam pp 180 mg/dl
Penderita Dm yg berusia 35-55 thn memiliki
kemungkinan meninggal 3 kali lebih besar diban
dingkan
g dengan
g mereka bukan p penderita DM
METODELOGI PENELITIAN
STRUKTUR DATA
No t y1 y2
1 t1 y11 y21
2 t2 y12 y22
3 t3 y13 y23
. . . .
. . . .
n tn y1n y2n
• METODE PENELITIAN
1. estimator Deret Fourier diperoleh dgn
a. membangun model regresi birespon
y1j =f1(t1j)+ε1j, j=1,2,...,n
y2j =f2(t2j)+ε2j, j =1,2,...,n
b. menentukan matriks Variance-Coveriance
C dari error
random W −1 (ρ, σ12 , σ22 )
c menghampiri kurva regresi dgn
c.
K
1
d1(t j ) = γ1t1j + α01 +∑α1k coskt1j
2 k=K1
1
d2 (t j ) = γ2t 2j + α02 + ∑α2k coskt2j
2 k=1
d. mencari ukuran goodness of fit untuk PLST
⎛ y − f ⎞' W (ρ, σ 2 , σ 2 ⎛ y− f ⎞
⎜ ~⎟ 2⎜ ⎟
⎝~ ⎠ ⎝~ ~⎠
1
∫[f (t )] dt + ∫[f (t
" 2 "
1 1 1 2 2 )]2 dt2
0 0
⎜ ⎟ ⎢ 2 21 01 ∑ 1k 11 ⎥
⎥ ⎢ ε 22 ⎥
2
⎜ y 22 ⎢ k =1
K
⎢ ⎥
⎜ M ⎟ ⎢ γ 2 t 22 + α 01 + ∑ α 1k cos kt 11 ⎥ ⎢ M ⎥
1
⎜⎜ ⎟⎟ ⎢ 2 ⎥
⎥ ⎣⎢ε 2 n ⎥⎦
k =1
⎝ n⎠
y ⎢ M
⎢ 1 K ⎥
⎢ γ 2 t 2 n + α 01 + ∑ α1k cos kt 11 ⎥
⎣ 2 k =1 ⎦
1⎛ ⎞' W(ρ, σ2 , σ2 )⎛ y−B(t , t )β⎞
β = − β
2n⎜⎝ ~ ⎟ 2 ⎜ ⎟
d. Goodness of fit : R( ) y B(t , t )
~⎠ ⎝~ ~⎠
1 2 1 1 2
~
di
diperoleh
l h estimator
ti t
−1
⎛1 ⎞
βˆ = ⎜ B' (t1, t 2 )W(ρ, σ12 , σ22 )B(t1, t 2 ) + λ*D*⎟ 1 B' (t1, t 2 )W(ρ, σ12 , σ22 ) y (4.1.9)
~ ⎝N ⎠ N ~
~
dan f̂ λ= H(λ1,λ2)y
~ ~
2. Sifat-sifat :
a. Estimator (4.1.9) merupakan kelas estimator linier, karena dapat
dinyatakan sebagai
⎛ y1 ⎞
f̂ˆλ(t1,t2) = H ( λ1 , λ 2 )⎜ ~
⎜ y2 ⎟
~ ⎝ ~ ⎠
b. merupakan estimator yang bias karena
⎡^ ⎤
E⎢fλ (t1 , t 2 )⎥ ≠ ⎛⎜ f
1
~
( t1 ) ⎞
⎟
⎣~ ⎦ ⎜ f 2(t 2 ) ⎟
⎝~ ⎠
c. distribusi dari βˆ λ adalah normal karena error random adalah
normal ~
4. APLIKASI
Plot data Plot Data Aktual Respon 2
Plot Data Aktual Respon 1
350
3
250
300
yk[[, i]
yk[[, i]
00
20
250
150
200
2
50 55 60 65 70 75
50 55 60 65 70 75
tk[, i]
tk[, i]
Nilai fungsi G(λ1,λ2 ) untuk nilai-nilai λ1 , λ 2
No λ1 λ2 G(λ1,λ2 )
1 0,0002241661 0,00004429235 8727,855
2 0,0002689993 0,00005315082 8720,917
3 0,0003138325 0,00006200928 8716,759
4 0,0003586657 0,00007086775 8714,407
5 0,0004034990 0,00007972622 8713,264
6 0,0004483322 0,00008858469 8712,944
7 0 0004931654
0,0004931654 0 00009744316
0,00009744316 8713 195
8713,195
8 0,0005379986 0,00010630163 8713,841
9 0,0005828318 0,00011516010 8714,761
10 0,0006276651 0,00012401857 8715,869
11 0,0006724983 0,00013287704 8717,105
Terlihat dari tabel
B d
Berdasarkan
k λ optimal
ti l di
diperoleh
l h
~
βˆ1=(γˆ1,α
ˆ 01,α
ˆ11,α
ˆ12,α
ˆ13,α
ˆ14) = (1,490375; 79,380917; 2,397902;
~
- 0,28218385; 0,0003539463; 0,07487596)
βˆ 2=(γˆ2,α
ˆ 02,α
ˆ 21,α
ˆ 22,α
ˆ 23,α
ˆ 24) = (2,566980; 86,447412; 6,652173;
~
- 0,2812492;
0 2812492; 0
0,6188612;
6188612; 0
0,4202362)
4202362)
Plot fungsi taksiran untuk λ optimal
~
Plot Fungsi Taksiran Lamda Optimal Respon 2
Plot Fungsi Taksiran Lamda Optimal Respon 1
o Data aktual
o
350
Data aktual Fungsi taksiran
3
Fungsi taksiran
250
300
ft[, i]
200
fft[, i]
250
150
200
50 55 60 65 70 75 50 55 60 65 70 75
t t
Estimator Deret Fourier untuk respon 1 :
KESIMPULAN
1. Untuk model regresi y=B(t1,t2)β+ε
~
diperoleh estimator dari β
~ ~
yaitu ~
−1
⎛1 ⎞ 1
βˆ = ⎜ B' (t1, t 2 )W(ρ, σ12 , σ22 )B(t1, t 2 ) + λ*D* B' (t1, t 2 )W(ρ, σ12 , σ22 ) y
~ ⎝N ⎠ N ~
~
dan f̂ λ= H(λ1,λ2 ) y
~
2 Sif
2. Sifat-sifat ti t ~ Deret
t if t estimator F i fˆ λ dalam
D t Fourier d l regresii nonparametric
ti
~
birespon adalah
a. merupakan kelas estimator linear
b. merupakan estimator yang bias untuk kurva f
~
c. apabila error random berdistribusi normal, maka distribusi dari
adalah normal
3. estimator Deret Fourier dalam regresi nonparametrik
birespon, berkaitan dengan λ opt = (λ1(opt) , λ 2(opt) ) diberikan oleh
~
Antoniadis, A., Bigot, J., dan Spatinas, T., (2001), Wavelets Estimator in
Nonparemetric Regression : A Comparative Simulation Study, Journal of
Statistical Software, 6, 1-83.
Bilodeau, M., (1992), Fourier Smoother and Additive Models, The Canadian
Journal of Statistics, 3, 257 – 259.
Budiantara, I.N.,(1999), Estimator Spline Terbobot Dalam Regresi Semiparametrik,
Majalah Ilmu Pengetahuan dan Teknologi (IPTEKS),
(IPTEKS) 10
10, 103-109
103-109.
Budiantara, I.N., (2000), Optimasi dan Proyeksi Dalam Regresi Nonpara metrik
Spline, Majalah Berkala Matematika dan Ilmu Pengetahuan Alam (BMIPA),
Universitas Gajah Mada, 10, 35-44.
Budiantara, I.N.,(2001), Regresi Nonparametrik dan Semipara metrik
S
SertaPerkembangannya,
P k b M k l h Pembicara
Makalah P bi Ut
Utama padad SSeminar
i N
Nasional
i l
Alumni Pasca Sarjana Matematika Universitas Gajah Mada, Yogjakarta.
Budiantara, I.N., (2002), Estimator Tipe Penalized Likelihood, Jurnal Natural
FMIPA Unibraw, Edisi Khusus, 231-235.
Budiantara II.N.,(2005),
Budiantara, N (2005) Model Keluarga Spline Polinomial Truncated Dalam
Regresi Semiparametrik, Makalah Seminar Nasional Matematika, Jurusan
Matematika Universitas Diponegoro, Semarang.
Budiantara, I.N.,(2006), Model Spline Dengan Knots Optimal, Jurnal Ilmu Dasar,
FMIPA Universitas Jember,, 7,, 77-85
Dalimarta, S, (2004), Diabetes Mellitus, Edisi IX, Jakarta Penebar, Swadaya
Diabetic Medicine, (2006), Umur Panjang dengan Diabetic yang Terkontrol,
Diabetic Sweetner, Infotech.
Draper, N., dan Smith, H., (1996), Applied Regression Analysis, John Wiley
&Sons New York
Eubank, R.L., (1988), Spline Smoothing and Nonparametric Regression,
Marcel Dekker, New York
Lehman, R., (1983), Theory of Point Estimation, John Wiley & Sons, New York
Perkeni, (1998), Konsesus Pengelolaan Diabetes Indonesia
S l S
Searle, S.R.,
R (1982)
(1982), Linear
Li M
Models,
d l Second
S d Editi
Edition, John
J h Wil
Wiley & S
Sons, IInc.,
New Jersey, Canada
Soegondo, S., (1999), Diagnosis dan Klasifikasi Diabetes MellitusTerkini, Dalam rangkuman,
AB. Slamet Suyono, Sutrisno Waspadji(dkk), Jakarta, Pusat Diabetes, Dr. Tjiptomangunkusumo,
FKUI.
Tj k
Tjokroprawiro,
i A.,
A (2007),
(2007) Hidup
Hid S
Sehat
h t d
dan B Berbahagia
b h i B Bersama DiabetesMellitus,
Di b t M llit P
Penerbit
bit PT
Gramedia Pustaka Utama, Jakarta.
Tantra, H., (2008), Segala Sesuatu yang Harus Anda Ketahui Tentang Diabetes, Penerbit PT
Gramedia Pustaka Utama, Jakarta.
Tripena, A., Budiantara, I.N., (2006), Fourier Estimator in Nonparametric Regressio ,
I t
International
ti l Conference
C f On
O Natural
N t lS Sciences
i anddA Applied
li d Natural
N t l Scienes,
S i
Ahmad Dahlan University, Yogjakarta.Vitahealth, (2004), Informasi Lengkap untuk
Penderita dan Keluarga Diabetes, Jakarta, Gramedia Pustaka Utama.
Wahba, G., (1990), Spline Models For Observation Data, SIAM Pnsylvania
Wang, Y., (1998), Spline Smoothing Models with Correlated Errors, Journal of The
A
American
i St
Statistical
ti ti l AAssociation,
i ti 93
93, 341
341-348.
348
Wu, H., dan Zhang, J.T., (2006), Nonparametric Regression Methods for Longitudinal
Data Analysis, John Wiley & Sons, Inc., Canada
TERIMAKASIH