BAB II
LANDASAN TEORI
A. Peluang
1. 0 ≤ P(A) ≤ 1
2. P(Ø) = 0
3. P(S) = 1
masing-masing mempunyai kemungkinan yang sama untuk terjadi, dan bila tepat
adalah
n
P(A) =
N
Jika A dan A’ adalah dua kejadian yang satu merupakan komplemen lainnya,
maka
1 = P(S)
5
6
= P(A A’)
Menurut Walpole dan Myers (1995: 60) Fungsi distribusi kumulatif atau
variabel acak kontinu X yang dinotasikan F(x) = P(X ≤ x) untuk semua bilangan
f (t )dt (2.3)
1. Lim 1
∞
2. Lim 0
∞
4. Fungsi tersebut kontinu dari kanan, yaitu untuk seluruh x dan δ > 0
Lim 0
C. Klasifikasi Data
a) Data Primer
sebagainya.
b) Data Sekunder
a) Data Kualitatif
b) Data Kuantitatif
menjadi empat yaitu data nominal, data ordinal, data interval dan data
rasio.
a) Data Nominal
b) Data Ordinal
c) Data Interval
dimana jarak antara tiap kategori adalah sama. Pada data ini tidak
Contoh: Suhu
d) Data Rasio
data nominal, data ordinal dan data interval. Pada data ini terdapat
D. Distribusi Bernoulli
Bukti
1 0 1 1 0
σ2 = E(X2) – E(X)2
= p – p2
= p(1 – p)2
= pq
Menurut J. Scott Long (1997: 35) Model peluang linier merupakan bentuk
model regresi yang diterapkan pada variabel tak bebas biner. Sehingga sering
disebut juga model pilihan biner (binary choice model). Model regresinya adalah:
11
Dengan βi adalah vektor parameter, Xi adalah vektor nilai untuk i-obsevasi, dan εi
Asumsi yang harus dipenuhi adalah mean dari εi atau E(εi) = 0 dan Yi
yang menyerupai model regresi linier, akan tetapi karena variabel Yi berupa binary
diperoleh
(2.4) diperoleh
Variabel acak εi yang berdistribusi Bernoulli mempunyai dua hasil yang mungkin.
Sesuai dengan estimator tak bias maka nilai harapan εi, diasumsikan bahwa E(εi)
atau
varian dari εi atau σi2 adalah E(εi2) dan karena E(εi2) diasumsikan sama dengan
= pi (1 – pi)2 + (1 – pi) pi 2
= pi (1 – pi)
=0
yang mungkin terjadi maka Yi juga mengikuti distribusi Bernoulli seperti εi.
diperoleh:
= pi (2.8)
Persamaan (2.9) adalah nilai harapan bersyarat dari Persamaan (2.4) dan dapat
digunakan ketika asumsi-asumsi dalam model pilihan biner tidak dibuat. Artinya
asumsi dari variabel tak bebas Yi tidak diketahui. Misalkan terdapat pilihan dari
wanita yang sudah menikah bekerja atau tidak. Perbedaan antara bekerja atau
tidak terletak pada berapa banyak gaji dan karakteristik seseorang, seperti usia,
dalam Yi antara bekerja atau tidak merupakan fungsi dari berbagai macam
karakteristik yang diamati sebagai Xi dan karakteristik yang tidak diamati sebagai
ε i.
Karena Yi* merupakan variabel laten, maka yang diamati dari Yi* adalah
keadaan dimana Yi = 1 jika dan hanya jika Yi* > 0 dan Yi = 0 untuk yang lain,
maka diperoleh:
= P(β’Xi + εi > 0)
14
(2.11)
Dimana F menyatakan fungsi distribusi dari εi. Jika dipilih distribusi normal
standar maka akan terbentuk model probit dengan asumsi εi ~ N(0,1) dan εi bebas
Yi* = β’Xi + εi
merupakan salah satu cara untuk melakukan penaksiran parameter yang tidak
maksimum yang tidak diketahui dari fungsi likelihood suatu sampel nilainya
Misalkan X1, X2, … , Xn adalah variabel acak dari populasi dengan fungsi
densitas peluangnya dinyatakan oleh f(x, θ), dengan θ adalah parameter yang tidak
, ,… , ; ; ; … ;
| , ,… ,
15
(2.12)
adalah:
menyelesaikannya
ln , ,… , ;
0
Contoh:
Jawab
–
f x; θ
– – –
, ,… , ; …
16
–
. .….
logaritma likelihood dari fungsi tersebut. Berikut adalah bentuk logaritma natural
–
dari fungsi likelihood . .….
– – –
ln , ,… , ; ln …
–
ln . .….
–
ln ln . .….
ln – 1 ln . .….
Untuk memperoleh nilai penaksiran yang maksimum maka dari fungsi logaritma
ln
0
∂
ln – 1 ln . .….
0
∂
n
ln . .…. 0
n
ln . .….
1
n ln . .….
1
n ∑ ln X
n
∑ ln X
17
Menurut Greene (2003: 669) Model regresi probit adalah model linear Yi*
variabel tak bebasnya dan mengandaikan galat εi berdistribusi normal N(0, σ2).
Variabel dummy yang dimaksud disini adalah jenis variabel diskret yang
individu terhadap suatu hal, contohnya sikap seseorang terhadap suatu partai
politik tertentu. Sikap tersebut digunakan sebagai variabel tak bebas dan variabel
tak bebas ini dipengaruhi oleh berbagai karakteristik individu dan kondisi
sebagai:
dengan β’ adalah faktor koefisien, Xi adalah faktor peubah bebas, dan εi adalah
Yi* tidak bisa diamati, tetapi tindakan atau pilihan tindakan individu
tersebut bisa diamati jika Yi* melewati batas tertentu. Misalnya jika Yi* > 0, maka
(2.16)
(2.17)
18
P(Yi = 0) 1 (2.18)
Model dengan peluang sukses F(β’ Xi) dan peluang gagal 1 – F(β’ Xi) dari
y . y …. y
′ ′ ′
1 1 …. 1
′ ′ ′
…
′ ′
1
′ ′
1 (2.19)
1
′ ′
ln ln 1 ln 1 (2.20)
1 1
′ ′
ln 1
′ ′
1 1
′ ′ ′ ′
1 1
′ ′
1 1
′ ′ ′ ′ ′ ′ ′
′ ′
1 1
19
′ ′ ′
′ ′
1 1
′ ′
0 (2.21)
′ 1 ′
′ ′
ln ln 1 Φ ln Φ (2.22)
ľ 0 1
′
dimana Φ adalah fungsi distribusi dari peubah acak yang berdistribusi
ln
1 Φ 1 Φ
0 1
′
, dengan 2 1
Φ
0 (2.23)
1 / ⁄
, ∞ ∞ (2.24)
√2 2
20
diperoleh
1
∑
1
,
2 √ √
1
1
2
1 √ √ √ √
1 ∑ /
(2.25)
2 / |∑| /
untuk mendapatkan bentuk distribusi normal bivariat beserta parameternya µ1, µ2,
σ11, σ22, dan ρ12. Berikut adalah bentuk persamaan distribusi normal bivariatnya.
21
1 1
, exp
2 1 2 1 √ √
2 (2.26)
√ √
J. Matriks Hessian
Matriks Hessian adalah matriks persegi dari turunan parsial orde kedua
(Agresti, 1990). Misal didefinisikan fungsi riil f sebagai berikut: f (x1, x2, … , xn).
Jika turunan parsial orde kedua untuk semua f terdefinisi, maka matriks Hessian
K. Metode Newton-Raphson
dapat dikembangkan dari perluasan deret Taylor, yang dapat dinyatakan sebagai:
′ ′′
… (2.27)
2!
untuk n = 0, 1, 2, …
′ ′′
(2.28)
2!
Jika x terdiri dari x1, x2 , … , xm dan f (x1, x2 , … , xm) dapat ditulis f(x),
22
′ …
(x) serta ′′(x)
(2.29)
2
Pendekatan yang baik dari xn adalah xn+1, maka persamaan (2.31) dapat
ditulis:
iterasi berikut:
L. Lagrange Multiplier
Multiplier adalah:
1. Perumusan Hipotesis
H0 : ρ = 0
H1 : ρ ≠ 0
1 2
Menghitung g 1 2
dan
Φ 1 Φ 2
2
1 2
1 2 Φ Φ Φ Φ
1 1 2 2
3. Statistik Uji
g
LM
h
4. Kriteria Pengujian
5. Kesimpulan
masing model adalah tidak sama dengan nol atau dengan kata lain bahwa
kedua model persamaan secara signifikan saling berkorelasi satu sama lain.
Menurut Agresti (2007: 10) uji hipotesis bagi koefisien regresi secara
terhadap variabel yang ingin dijelaskan atau tidak. Pada model regresi probit
simultan.
1. Perumusan Hipotesis
3. Statistik Uji
4. Kriteria Pengujian
5. Kesimpulan
N. Uji Wald
membagi parameter yang ditaksir oleh galat baku dari parameter yang ditaksir
tersebut, yaitu:
j = 1, 2 (2.34)
dimana adalah penaksir βjk dan adalah penaksir galat baku βjk .
1. Perumusan Hipotesis
Menghitung dan
3. Statistik Uji
4. Kriteria Pengujian
5. Kesimpulan