Sae G14160007
Sae G14160007
Asumsi dalam mengembangkan model untuk pendugaan area kecil yaitu keragaman
dalam area kecil untuk peubah respon dapat dijelaskan seluruhnya oleh hubungan keragaman
yang sesuai dengan informasi tambahan dan disebut pengaruh tetap. Asumsi kedua keragaman
spesifik dari area kecil tidak dapat dijelaskan oleh informasi tambahan dan merupakan
pengaruh acak area. Gabungan dari dua asumsi ini akan membentuk model pengaruh campuran
(mixed models).
𝜽𝒊 = 𝒙𝑻𝒊 𝜷 + 𝒛𝒊 𝒗𝒊 (1)
𝜽̂𝒊 = 𝜽𝒊 + 𝒆𝒊 (2)
Model SAE untuk level area terdiri dari model estimasi tidak langsung (1) dan model
estimasi langsung (2) yang digabungkan membentuk persamaan:
dimana 𝒊 = 𝟏, 𝟐, … , 𝒎.
Adapun penduga BLUP dari 𝜽𝒊 dituliskan sebagai berikut:
̃𝑩𝑳𝑼𝑷
𝜽𝒊 = 𝜸𝒊 𝜽 ̃
̃𝒊 + (𝟏 − 𝜸𝒊 )𝒛𝑻𝒊 𝜷 (4)
𝝈𝟐
dengan 𝜸𝒊 = (𝝋 +𝝈𝒗𝟐𝒃𝟐 )
𝒊 𝒗 𝒊
𝑻 −𝟏 ̂
𝜷 ̂ (𝝈𝟐𝒗 ) = [∑𝒏𝒊=𝟏 𝒙𝒊 𝒙𝟐𝒊 𝟐 ]
̂=𝜷 [∑𝒏𝒊=𝟏 (𝝋 +𝝈
𝒊 𝒊𝒙𝜽
𝟐 𝒃𝟐 )] (5)
(𝝋 +𝝈 𝒃 ) 𝒊 𝒗 𝒊 𝒊 𝒗 𝒊
Setelah dicari nilai penduga BLUP, mengukur seberapa baik penduga BLUP maka
dihitung nilai Mean Square Error (MSE):
̃𝑩𝑳𝑼𝑷
𝑴𝑺𝑬(𝜽𝒊 ) = 𝒈𝟏𝒊 (𝝈𝟐𝒗 ) + 𝒈𝟐𝒊 (𝝈𝟐𝒗 ) (6)
−𝟏
𝝈𝟐 𝝋 𝒙 𝒙𝑻
dimana 𝒈𝟏𝒊 (𝝈𝟐𝒗 ) = 𝝋 𝒗+𝝈𝒊𝟐 = 𝜸𝒊 𝝋𝒊 dan 𝒈𝟐𝒊 (𝝈𝟐𝒗 ) = (𝟏 − 𝝋𝒊 )𝒙𝑻𝒊 [∑𝒎 𝒊 𝒊
𝒊=𝟏 (𝝋 +𝝈𝟐 𝒃𝟐 )] 𝒙𝒊
𝒊 𝒗 𝒊 𝒗 𝒊
Keragaman pengaruh acak (𝝈𝟐𝒗 ) tidak diketahui sehingga harus diduga. Metode yang
dapat digunakan untuk menduga keragaman pengaruh acak (𝝈𝟐𝒗 ) adalah Maximum Likelihood
(ML) atau bisa juga dengan Residual Maximum Likelihood (REML). Estimasi keragaman
pengaruh acak dengan REML lebih robust. Penduga baru yang diperoleh sebagai berikut:
̂ 𝑬𝑩𝑳𝑼𝑷
𝜽 𝒊 = 𝜸𝒊 𝜽 ̃
̂ 𝒊 + (𝟏 − 𝜸𝒊 )𝒛𝑻𝒊 𝜷 (7)
Nilai Mean Square Error (MSE) digunakan untuk mengukur seberapa baik penduga
EBLUP, dengan rumus:
̂ 𝑬𝑩𝑳𝑼𝑷
𝑀𝑆𝐸(𝜽 𝒊 ̂ 𝟐𝒗 ) + 𝒈𝟐𝒊 (𝝈
) = 𝒈𝟏𝒊 (𝝈 ̂ 𝟐𝒗 ) + 𝒈𝟑𝒊 (𝝈
̂ 𝟐𝒗 ) (8)
𝝍𝒊 𝒃𝟒𝒊
̂ 𝟐𝒗 ) = [
dimana 𝒈𝟑𝒊 (𝝈 𝟒 ] (𝜽 ̃ )𝟐 × 𝑽
̂ 𝒊 − 𝒛𝑻𝒊 𝜷 ̅ (𝝈
̂ 𝟐𝒗 )
̂ 𝟐𝒗 𝒃𝟐𝒊 )
(𝝍𝒊 +𝝈
̅ (𝝈
dan 𝑽 ̂ 𝟐𝒗 ) = 𝟐𝒎−𝟐 ∑𝒎 ̂ 𝟐𝒗 )𝟐
𝒊=𝟏 (𝝍𝒊 + 𝝈
̂ 𝟐𝒗 .
merupakan ragam asimtot dari 𝝈