Anda di halaman 1dari 19

Jackknife Resampling

Jackknife Resampling Tugas MK Metode Penarikan Contoh  Rizka Rahmaida (G152170031)  Anne Mudya Yolada (G152170041)

Tugas MK Metode Penarikan Contoh

Rizka Rahmaida (G152170031)

Anne Mudya Yolada (G152170041)

Program Studi Statistika Terapan Departemen Statistika Institut Pertanian Bogor

2018

1.

Latar Belakang

Metode Jackknife dikembangkan oleh Maurice Quenouille (1924-1973) pada tahun 1949. John

Tukey mengembangkan metode ini pada tahun 1958 dan mengusulkan nama “jackknife” karena

teknik ini bersifat seperti pisau lipat. Quenouille awalnya mengembangkan metode ini sebagai

prosedur untuk mengoreksi bias. Selanjutnya, Tukey menggambarkan penggunaannya dalam

menyusun batas selang kepercayaan untuk penduga kelas besar. Menurut Cameron dan Trivedi

(2005), metode ini bisa memberikan solusi untuk berbagai masalah meskipun masalah tersebut

dapat diselesaikan dengan lebih efisien menggunakan alat yang khusus.

Pada beberapa situasi, kita tidak mungkin menghitung penduga yang baik atau menghitung galat

baku penduga tersebut. Situasi ini dapat terjadi jika tidak terdapat dasar teori yang mendukung,

atau jika dalam pendugaan ragam dari suatu fungsi statistik yang sulit, atau jumlah contoh yang

kecil. Pada situasi ini, metode Jackknife dapat digunakan untuk mencari dugaan bias dan galat

baku. Keith Knight dalam bukunya berjudul Mathematical Statistics, menyatakan bahwa

Jackknife menduga galat baku yang hampir sama dengan metode delta untuk contoh ukuran

besar (McIntosh, 2016).

Teknik percontohan ulang Jackknife digunakan untuk pendugaan ragam dan bias. Pendugaan

jackknife dari suatu parameter dilakukan dengan mengeluarkan satu pengamatan dari

sekumpulan data secara sistematis. Selanjutnya, dari setiap sub-contoh yang diambil, dihitung

dugaannya, kemudian dihitung rata-rata dari perhitungan tersebut. Untuk contoh berukuran n,

pendugaan Jackknife dilakukan dengan menggabungkan pendugaan dari sebanyak n sub-contoh

berukuran (n-1).

2. Tinjauan Pustaka

Percontohan Ulang

Percontohan ulang adalah teknik statistika yang melakukan pengambilan beberapa sampel baru dari suatu sampel atau suatu populasi. Statistik yang akan diteliti dihitung untuk setiap contoh baru. Distribusi statistik yang baru dapat dianalisis untuk memeriksa sifat-sifat statistik tersebut, misalnya: selang kepercayaan, galat, dan bias.

Contoh Jackknife

Contoh Jackknife terhapus-1 dipilih dengan mengambil semua data dan menghapus satu

pengamatan dari data. Sehingga diperoleh contoh Jackknife unik sebanyak n berukuran (n-1).

Contoh Jackknife ke-i didefinisikan sebagai:

[] =

{ 1 , 2 , … , 1 , +1 , … , 1 , }

Prosedur ini dapat bersifat umum untuk penghapusan k-amatan (McIntosh, 2016). Penghapusan

k amatan dari gugus contoh data berukuran n disebut dengan Jackknife terhapus-k. Contoh

Jackknife pada metode ini diperoleh dengan membuang sebanyak k amatan dari contoh awal

!

sehingga menghasilkan contoh Jackknife sebanyak ( ) = !()! (Busing , Meijer , & Rien ,

1999)

Replikasi Jackknife

Replikasi Jackknife ke-i didefinisikan sebagai nilai penduga (. ) yang diperoleh dari contoh Jackknife ke-i.

̂ () : = ( [] )

Galat baku Jackknife didefinisikan sebagai:

( ̂ ) = { 1

∑( ̂ () ̂ (.) ) 2

=1

}

1

2

di mana ̂ (.) adalah rata-rata empiris dari replikasi Jackknife.

Pendugaan dan Koreksi Bias

1

̂ (.) = ̂ ()

=1

Teknik jackknife dapat digunakan untuk menduga bias dari suatu penduga melalui penghitungan

keseluruhan contoh. Didefinisikan ̂ adalah penduga parameter yang dihitung berdasarkan n

pengamatan. Jika:

1

̂ (.) = ̂ ()

=1

Dengan ̂ () adalah penduga berdasarkan contoh tanpa pengamatan ke-i, dan ̂ (.) adalah rataan

dari penduga tanpa pengamatan ke-i. Menurut Sahinler dan Topuz (2007) penduga jackknife

untuk bias ̂ adalah:

̂ () = ( − 1)( ̂ (.) − ̂ )

Dan menghasilkan penduga jackknife dengan koreksi bias

̂ = ̂ − ( ̂ ) = ̂ − ( − 1) ̂ (.)

Selang Kepercayaan

Ragam dari penduga Jackknife didefinisikan:

( ̂ ) =

− 1

∑( ̂ () ̂ (.) ) 2

=1

Sehingga diperoleh galat baku dari penduga Jackknife adalah :

( ̂ ) = √ 1

( ̂ () ̂ (.) ) 2

=1

Dengan demikian, selang kepercayaan penduga Jackknife :

Kelemahan

̂

(−,

2

̂

) ( ̂ ) < <

+ (−,

2

) (

̂ )

Metode Jackknife dapat digunakan pada beberapa situasi. Namun, menurut McIntosh (2016) metode ini tidak tepat untuk data yang berkorelasi atau data deret waktu. Metode ini mengasumsikan kebebasan antar peubah dan titik data yang berdistribusi identik. Jika asumsi ini dilanggar, hasil penghitungan menggunakan metode Jackknife tidak akan bermanfaat. Selain itu, perlu diperhatikan bahwa pendugaan Jackknife terdiri dari fungsi linear. Dengan demikian metode ini hanya akan bekerja sebagaimana mestinya untuk fungsi linear dari data (atau parameter) atau fungsi yang cukup mulus untuk dimodelkan sebagai fungsi kontinu.

Beberapa aplikasi Jackknife

Metode Jackknife telah banyak digunakan dalam penyelesaian permasalahan analisis statistika.

Dalam pemodelan regresi, seringkali peneliti menghadapi masalah karena memperoleh jumlah

sampel yang kecil dalam suatu pemodelan. Hal ini menyebabkan kekhawatiran bahwa parameter

yang diperoleh akan bias, underestimate, atau overestimate. Metode Jackknife juga dapat

mengatasi masalah heteroskedastisitas pada model regresi linier berganda (Rodliyah, 2016).

Regresi ridge dengan metode pendugaan jackknife dapat digunakan untuk mengatasi bias

pendugaan parameter pada data dengan multikolinearitas (Devita, Sukarsa, & Kencana, 2014).

Metode Jackknife terhapus-2 dapat digunakan untuk melakukan pendugaan parameter pada

model regresi logistik dengan ukuran contoh yang kecil untuk mengatasi bias pendugaan

(Wisudawati & Istiawan, 2017). Pada pengolahan data metode quick count, metode Jackknife

terhapus-1 memberikan estimasi persentase perolehan suara hasil pemilihan mendekati

persentase pada populasi (Sungkono & Udiyono, 2015). Pada metode Small Area Estimation,

metode Jackknife dapat diterapkan untuk mengoreksi MSE (Kurnia & Notodiputro, 2006 dan

Noviyanti & Zain, 2014).

3. Contoh

Metode Jackknife dapat diselesaikan dengan bantuan berbagai program analisis, seperti SAS dan R. Pada program R, Jackknife dapat diolah secara manual dengan membuat fungsi-fungsi atau dalam package “bootsrap”.

Menduga Rata-Rata

Penerapan metode percontohan ulang Jackknife untuk menduga rata-rata akan diterapkan dengan data simulasi. Sebanyak 20 data mengikuti sebaran normal dibangkitkan dengan bantuan program R (lampiran 1).

Amatan

Jack-

Amatan

Jack-

ke

Data

values

ke

Data

values

1

-0.560

0.179

11

1.224

0.085

2

-0.230

0.161

12

0.360

0.130

3

1.559

0.067

13

0.401

0.128

4

0.071

0.145

14

0.111

0.143

5

0.129

0.142

15

-0.556

0.178

6

1.715

0.059

16

1.787

0.055

7

0.461

0.125

17

0.498

0.123

8

-1.265

0.216

18

-1.967

0.253

9

-0.687

0.185

19

0.701

0.112

10

-0.446

0.173

20

-0.473

0.174

Berdasarkan analisis Jackknife yang dilakukan diperoleh

̂

= 0.142

dan rata-rata dari data asli (sebelum diberi perlakuan Jackknife)

atau dengan kata lain

̅= ̂= ̂ = 0.142,

̂

() = 0.

Artinya dugaan rata-rata terhadap data yang dibangkitkan menggunakan Jackknife sama dengan dugaan rata-rata data asli, maka dapat dikatakan bahwa estimator ini bersifat tak bias

Pada

data

simulasi

ini

̂ = ̂ .

diperoleh

galat

baku

dari

( ̂ ) = 0.047

Jika dibandingkan dengan galat baku data asli

Oleh karenanya diperoleh

( ̂ ) = (̅) = √(

1

=1

()

)

( ̂ ) = (̅) = √

1

2 (∑

=1

()

)

( ̂ ) = (̅) = √ 2 ()

1

( ̂ ) = (̅) = √ ()

1

( ̂ ) = (̅) = 0.047

( ̂ ) = ( ̂ ) = 0.047

penduga

Jackknife

Selang kepercayaan penduga Jackknife pada data ini dengan (1,0.975)

0.050 < < 0.234

Kasus lain, dimiliki data persentase penduduk miskin menurut kabupaten/kota di Jawa Timur. Jika hanya informasi ini yang dimiliki, dan ingin menduga persentase penduduk miskin provinsi menggunakan rata-rata, agar dugaan yang diperoleh bersifat tak bias maka percontohan ulang Jackknife diterapkan pada data.

WILAYAH

MISKIN

WILAYAH

MISKIN

Kabupaten Pacitan

17.29

Kabupaten Magetan

11.50

Kabupaten Ponorogo

11.76

Kabupaten Ngawi

15.99

Kabupaten Trenggalek

14.21

Kabupaten Bojonegoro

16.66

Kabupaten Tulungagung

9.40

Kabupaten Tuban

17.84

Kabupaten Blitar

10.74

Kabupaten Lamongan

16.70

Kabupaten Kediri

13.71

Kabupaten Gresik

14.35

Kabupaten Malang

11.04

Kabupaten Bangkalan

24.70

Kabupaten Lumajang

12.40

Kabupaten Sampang

27.97

Kabupaten Jember

11.81

Kabupaten Pamekasan

19.61

Kabupaten Banyuwangi

9.97

Kabupaten Sumenep

21.96

Kabupaten Bondowoso

15.81

Kota Kediri

8.14

Kabupaten Situbondo

14.34

Kota Blitar

6.75

Kabupaten Probolinggo

22.22

Kota Malang

5.21

Kabupaten Pasuruan

11.58

Kota Probolinggo

10.92

Kabupaten Sidoarjo

6.44

Kota Pasuruan

7.90

Kabupaten Mojokerto

10.71

Kota Mojokerto

6.48

Kabupaten Jombang

12.23

Kota Madiun

5.37

Kabupaten Nganjuk

13.22

Kota Surabaya

6.25

Kabupaten Madiun

13.70

Kota Batu

4.47

dengan percontohan ulang Jackknife diperoleh

̂

= 12.930

sama dengan rata-rata asli dari data

̂ = ̂ = 12.930

Sama seperti pada contoh sebelumnya, hal ini menunjukkan bahwa dugaan yang dilakukan bersifat tak bias karena menghasilkan penduga tak bias terhadap rataan data yang mana dugaannya sama persis dengan rata-rata data.

Menduga Koefisien Korelasi

Jika dimiliki sepasang data contoh dan diinginkan besar korelasi yang dihitung mendekati korelasi populasi, maka percontohan ulang dengan Jackknife dapat dilakukan pada data. Misalnya, peneliti ingin mengetahui korelasi antara jumlah penduduk miskin dan IPM menurut kabupaten/kota suatu provinsi. Namun, hanya dimiliki jumlah penduduk miskin dan IPM beberapa kabupaten/kota saja.

Miskin

17.29

14.21

10.74

12.40

9.97

14.34

10.71

21.96

7.90

4.47

IPM

62.94

65.01

66.17

61.31

66.12

62.23

69.17

60.08

72.01

70.62

Koefisien korelasi setelah data diberi perlakuan percontohan ulang Jackknife adalah

Korelasi dari data asli juga

̂

= -0.84

̂ = ̂ = -0.84,

dapat dikatakan pendugaan koefisien korelasi ini bersifat tak bias.

Menduga Parameter Regresi

Pendugaan dilakukan dengan dua metode, yaitu Metode Kuadrat Terkecil dan Jackknife. Data yang digunakan data Motor Trend Car Road Tests (mtcars)yang terdapat dalam R. Data ini diambil dari majalah Tren Motor AS tahun 1974 untuk 32 mobil yang mana ingin dilihat bagaimana pengaruh udara yang dihasilkan oleh piston (disp) terhadap konsumsi bahan bakar (mpg).

mpg

disp

mpg

disp

mpg

disp

mpg

disp

21

160

14.3

360

17.3

275.8

30.4

75.7

21

160

24.4

146.7

15.2

275.8

33.9

71.1

22.8

108

22.8

140.8

10.4

472

21.5

120.1

21.4

258

19.2

167.6

10.4

460

15.5

318

18.7

360

17.8

167.6

14.7

440

15.2

304

18.1

225

16.4

275.8

32.4

78.7

13.3

350

19.2

400

26

120.3

15.8

351

15

301

27.3

79

30.4

95.1

19.7

145

21.4

121

Hubungan antara peubah respon dengan peubah penjelas dalam model regresi linier dapat dinyatakan

= 0 + 1 1 +

Replikasi Jackknife pertama diperoleh dengan menghilangkan data pertama dari data, yaitu 1 dan 1 . Pada kasus ini aka dihapus baris pertama dari mpg dan wt pada tabel, yaitu 21 dan 160. Jika replikasi Jackknife ke-i dilambangkan dengan ̂ () untuk i=1,2, …, 32, maka ̂ (1) pada kasus ini adalah dugaan parameter regresinya saat data pertama dibuang atau dihilangkan. Langkah yang sama dilakukan pada data kedua, hingga data terakhir, sehingga diperoleh 32 dugaan parameter regresi ( ̂ (1) , , ̂ (2) , …, ̂ (32) .

Penduga parameter yang dihitung berdasarkan 32 pengamatan adalah rata-rata dari estimator ̂ (1)

hingga ̂ (32) .

dengan

̂ (.) =

1

32

32

=1

̂ ()

= -0.04121528

̂

() =-4.818346e-06

menghasilkan penduga jackknife dengan koreksi bias

̂ = ̂ − ( ̂ ) = -0.04121046

dengan galat baku dari penduga Jackknife

( ̂ ) = 0.00531166

Pendugaan parameter regresi dengan perulangan Jackknife pada kasus ini memiliki bias yang

relatif kecil dan cukup dekat dengan dugaan parameter regresi dengan data asli.

 

Dugaan Parameter

MKT Data Asli

-0.041215

Jackknife

-0.04121046

Mengatasi Pencilan dalam Regresi

Tidak bisa dipungkiri bahwa adanya data outlier pada data yang akan dianalisis dengan regresi sangat menghawatirkan. Hal ini dikarenakan, akan berpengaruh pada hasil, baik dalam menduga parameter maupun melakukan peramalan.

Data mengikuti sebaran normal standar sebanyak 40 amatan dibangkitkan secara acak sebanyak dua kali dan dijadikan peubah penjelas (X1 dan X2). Pada peubah X1, salah satu data diganti dengan 10 agar terdapat data pencilan. Peubah respon juga dibangkitkan secara acak mengikuti sebaran normal ditambah 10 + 2X1 5X2.

Y

X1

X2

Y

X1

X2

1.71402

-0.7619

1.10876

11.197

0.25112

-0.2208

10.9938

1.12824

0.03028

14.9292

-1.0716

-1.6059

1.69009

-1.0145

1.22226

10.0043

-1.0712

-0.3268

6.72129

0.42542

0.957

3.23457

-0.6094

0.94312

8.3303

0.27383

0.67249

3.02201

-0.3991

1.21291

9.38047

-0.1353

-0.3225

7.82449

0.14414

0.66397

11.7601

0.24988

-0.4565

1.2927

-1.6554

1.137

3.1232

-0.465

0.93039

8.60695

1.87248

0.79331

12.7123

0.98474

-0.3398

8.38352

-0.84

-0.0926

9.62602

10

-0.5453

14.0633

0.81151

-0.6132

9.94651

0.11543

0.38752

18.2125

0.51719

-1.3598

15.6625

0.7601

-0.814

4.80213

-0.6039

0.60476

13.2842

1.13113

-0.0338

13.0887

-1.1276

-1.01

0.53322

-0.7505

1.4366

20.104

0.27046

-1.9003

12.2738

-0.324

-0.749

8.59654

-0.0715

0.05509

14.4764

-1.6005

-1.491

12.3049

1.24603

0.08741

2.21242

-2.0684

0.73722

7.79579

0.41598

0.59602

7.39611

0.22335

0.59076

-0.7541

-0.7969

1.65638

8.05263

0.84507

0.80537

6.67344

1.37942

1.54192

11.197

0.25112

-0.2208

9.96618

-0.4567

-0.0984

14.9292

-1.0716

-1.6059

-2.5789

-2.154

1.78215

Plot data asli tampak sebagai berikut

Plot data asli tampak sebagai berikut Percontohan ulang Jackknife dilakukan dan diperoleh plot seperti dibawah ini

Percontohan ulang Jackknife dilakukan dan diperoleh plot seperti dibawah ini

Jackknife dilakukan dan diperoleh plot seperti dibawah ini Berdasarkan plot diatas tampak bahwa, setelah Jackknife

Berdasarkan plot diatas tampak bahwa, setelah Jackknife tampak bahwa rentang data jadi lebih kecil dari sebelumnya.

Mengatasi Multikolinearitas dan Penyimpangan Asumsi Normalitas Pada Analisis Regresi Berganda

Analisis regresi menjelaskan hubungan keeratan antar peubah respons dengan satu atau lebih peubah penjelas. Pada analisis berganda, terdapat beberapa asumsi yang harus dipenuhi, diantaranya kenormalan data dan multikolinieritas. Jika dua asumsi ini tidak terpenuhi, maka dugaaan yang dihasilkan memberikan inferensi yang tidak valid atau tidak menggambarkan keadaan sebenarnya. Jackknife adalah salah satu cara mengatasi pelanggaran dua sumsi ini.

Pada bagian ini, dugaan terhadap parameter regresi menggunakan data simulasi. Tiga peubah penjelas (X1, X2, dan X3) menyebar normal dibangkitkan masing-masing sebanyak 20. Data bangkitan tersebut diolah agar terjadi korelasi antar peubah penjelas satu (X1) dan dua (X2) serta peubah penjelas dua (X2) dan tiga (X3). Simulasi diulang 100 kali untuk melihat efektifitas Jackknife dalam mengatasi multikolinieritas dengan membangkitan galat dalam empat sebaran yang berbeda, normal, gamma, uniform, dan Weibull (Mara, M N; et all;, 2013).

Tabel Nilai Bias dan Galat Baku Perulangan Jackknife.

   

Nilai Bias

   

Galat Baku

 

Sebaran

0

1

2

3

0

1

2

3

Normal

0.005

0.49

-10.25

9.54

0.017

0.322

0.513

0.296

Gamma

-0.003

-0.93

1.57

-0.15

0.010

0.180

0.229

0.173

Uniform

0.001

-1.86

-0.03

1.45

0.004

0.088

0.135

0.08

Weibull

0.004

-1.59

-0.81

2.349

0.016

0.269

0.450

0.224

Hasil Penelitian Mara et al (2013) menunjukkan bahwa metode Jackknife lebih efektif untuk estimasi parameter regresi pada kondisi terjadi multikolinearitas sekaligus penyimpangan asumsi normalitas daripada kondisi data terjadi multikoliniearitas dengan asumsi normalitas terpenuhi.

4. Daftar Pustaka

Busing , F., Meijer , E., & Rien , V. (1999). Delete-m Jackknife for Unequal m. Statsitics and Computing, 3-8.

Cameron, A., & Trivedi, P. (2005). Microeconometrics : methods and applications. New York:

Cambridge University Press.

Devita, H., Sukarsa, I. G., & Kencana, I. E. (2014). KINERJA JACKKNIFE RIDGE REGRESSION DALAM MENGATASI MULTIKOLINEARITAS. E-Jurnal Matematika, 146-153.

Efron, B., & Stein, C. (1981). The Jackknife Estimate of Variance. The Annals of Statistics, 586

596.

Kurnia, A., & Notodiputro, K. A. (2006). PENERAPAN METODE JACKKNIFE DALAM PENDUGAAN AREA KECIL. Forum Statistika dan Komputasi, 12-15.

Mara, M N; et all. (2013). Efektifitas Metode Jackknife Dalam Mengatasi Multikolinearitas Dan Penyimpangan Asumsi Normalitas Pada Analisis Regresi Berganda, ISBN : 978 979 16353 9 4, hal. 123-126.

McIntosh, A. (2016). The Jackknife Estimation Method. Boston University.

Noviyanti, R. A., & Zain, I. (2014). Pendekatan Small Area Estimation Pada Scan Statistic Untuk Pendeteksian Kantong Kemiskinan. Prosiding Seminar Nasional Matematika (hal. 73-89). Jember: Universitas Jember.

Rodliyah, I. (2016). Perbandingan Metode Bootstrap dan Jackknife dalam Mengestimasi

Parameter Regresi Linier Berganda. Jurnal Matematika dan Pendidikan Matematika, 76-

86.

Sahinler, S., & Topuz, D. (2007). Bootstrap and Jackknife resampling algorithms for estimation of regression parameters. Journal of Applied Quantitative Methods, 188-199.

Sungkono, J., & Udiyono. (2015). Penerapan Metode Jackknife Terhapus-1 Pada Pengolahan Data Metode Quick Count. Magistra, 24-31.

Wisudawati, D. T., & Istiawan, D. (2017). ESTIMASI PARAMETER REGRESI LOGISTIK DENGAN METODE BOOTSTRAP DAN JACKKNIFE UNTUK SAMPEL KECIL. The 5th URECOL Proceeding (hal. 230-240). Yogyakarta: UAD.

Lampiran 1

Simulasi pendugaan rataan menggunakan penduga Jackknife dalam program R

>

#data

>

set.seed(123)

>

x <- rnorm(20)

>

theta.hat<-mean(x) #mean

>

#metode jack

>

library(bootstrap)

>

theta <- function(x){mean(x)}

>

#menduga mean metode jack

>

results <- jackknife(x,theta)

> results #hasil $jack.se [1] 0.2174946

$jack.bias

[1] 0

$jack.values [1] 0.17857641 0.16119229 0.06704041 0.14536672 0.14227307 0.05881111 0.12481894 0.215

65986

[9] 0.18522784 0.17253358 0.08465233 0.13014012 0.12798445 0.14325228 0.17833248 0.055

02963

[17] 0.12287503 0.25258385 0.11216422 0.17396145

$call

jackknife(x = x, theta = theta)

> cbind(x,results$jack.values)

x

[1,] -0.56047565 0.17857641 [2,] -0.23017749 0.16119229 [3,] 1.55870831 0.06704041 [4,] 0.07050839 0.14536672 [5,] 0.12928774 0.14227307 [6,] 1.71506499 0.05881111 [7,] 0.46091621 0.12481894 [8,] -1.26506123 0.21565986 [9,] -0.68685285 0.18522784 [10,] -0.44566197 0.17253358 [11,] 1.22408180 0.08465233 [12,] 0.35981383 0.13014012 [13,] 0.40077145 0.12798445 [14,] 0.11068272 0.14325228 [15,] -0.55584113 0.17833248 [16,] 1.78691314 0.05502963

[17,] 0.49785048 0.12287503 [18,] -1.96661716 0.25258385 [19,] 0.70135590 0.11216422 [20,] -0.47279141 0.17396145

> penduga.jack<-theta.hat-results$jack.bias

> #ragam penduga

> ragam.jack<-results$jack.se^2

> #metode biasa

> ragam.biasa<-var(x)/20

> round(ragam.biasa,3)

[1] 0.047

> #perbandingan

> hasil.jack<-cbind("jack",penduga=round(penduga.jack,3),ragam=round(ragam.jack,3))

> hasil.biasa<-cbind("biasa",penduga=round(theta.hat,3),ragam=round(ragam.biasa,3))

> hasil<-rbind(hasil.biasa,hasil.jack)

> hasil

penduga ragam [1,] "biasa" "0.142" "0.047" [2,] "jack" "0.142" "0.047"

Lampiran 2

Simulasi pendugaan koefesien korelasi menggunakan penduga Jackknife dalam program R

> #data

> xdata <- matrix(rnorm(30),ncol=2)

> n <- 15

> theta <- function(x,xdata){ cor(xdata[x,1],xdata[x,2]) }

> #metode jack

> library(bootstrap)

> theta <- function(x){mean(x)}

> #menduga mean metode jack

> results <- jackknife(1:n,theta,xdata)

> results #hasil

> penduga.jack<-theta.hat-results$jack.bias

> #korelasi data asli

> cor(x1,y)

Lampiran 3

Simulasi pendugaan koefesien regresi menggunakan penduga Jackknife dalam program R

> library(bootstrap)

> y<-mtcars$mpg

> x <-mtcars$disp

> my.data <- as.data.frame(cbind(y,x) )

> reg.lin <- lm(y ~ x )

> summary(reg.lin)

Call:

lm(formula = y ~ x)

Residuals:

Min

1Q Median

3Q

Max

-4.8922 -2.2022 -0.9631 1.6272 7.2305

Coefficients:

Estimate Std. Error t value Pr(>|t|)

(Intercept) 29.599855

1.229720 24.070 < 2e-16 ***

x

-0.041215

0.004712 -8.747 9.38e-10 ***

---

Signif. codes: 0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 3.251 on 30 degrees of freedom Multiple R-squared: 0.7183, Adjusted R-squared: 0.709 F-statistic: 76.51 on 1 and 30 DF, p-value: 9.38e-10

> theta <- function(x, dat, coefficient){

+ coef(lm(reg.lin , data = dat[x,]))[coefficient] }

> jack.b1 <- jackknife(1:length(x1), theta, dat = my.data, coefficient = "x")

> jack.b1

$`jack.se`

[1] 0.00531166

$jack.bias

x

-4.818346e-06

$jack.values [1] -0.04152594 -0.04152594 -0.04186102 -0.04135926 -0.04236009 -0.04124274 -0.04108066 [8] -0.04105856 -0.04141289 -0.04169713 -0.04189037 -0.04103524 -0.04112357 -0.04091745 [15] -0.04136697 -0.04107999 -0.04283658 -0.03911836 -0.03982535 -0.03856692 -0.04199106 [22] -0.04102401 -0.04091450 -0.04071499 -0.04359640 -0.04088413 -0.04088115 -0.03976992 [29] -0.04139457 -0.04195604 -0.04087724 -0.04199977

$call jackknife(x = 1:length(x1), theta = theta, dat = my.data, coefficient = "x")

> duga <- mean(jack.b1$jack.values)

> penduga.jack <- duga - jack.b1$jack.bias

> penduga.jack

x

-0.04121046

Lampiran 4

Simulasi mengatasi pencilan menggunakan penduga Jackknife dalam program R

> library(bootstrap)

> x1 <- rnorm(40,0,1) #

> x2 <- rnorm(40,0,1)

> y <- 10 + x1*2 - 5*x2 + rnorm(40,0,1)

> x1[10] <- 10 # mengganti data ke-10 dengan 10 agar ada pencilan

> my.data <- as.data.frame(cbind(y,x1,x2))

> reg <- lm(y ~ x1 + x2) #analisis regresi

> theta <- function(x, dat, coefficient){

+ coef(lm(reg , data = dat[x,]))[coefficient] }

> jack.1 <- jackknife(1:length(x1), theta, dat = my.data, coefficient = "x1")

> plot(x1,y) #Plot data awal

> plot(jack.1$jack.values,y) #plot setelah jackknife