Tugas Kuliah Topik Khusus

Nama : Onisimus Tamonob

NIM : G14160007

Small Area Estimation EBLUP

Small Area Estimation (SAE) atau pendugaan area kecil merupakan suatu metode
statistika untuk menduga parameter-parameter subpopulasi (domain) yang ukuran sampelnya
kecil bahkan area tidak tersampling. SAE merupakan pendugaan parameter secara tidak
langsung untuk area yang relatif kecil dalam percontohan survei (survey sampling). SAE
merupakan pendugaan tidak langsung dengan cara mengkombinasikan antara data survei
dengan data sebelumnya sebagai data pendukung atau informasi tambahan yang memuat
peubah dengan karakteristik dengan data survei sehingga dapat digunakan untuk menduga area
yang lebih kecil dengan tingkat akurasi yang lebih baik.

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).

Metode pendugaan area kecil banyak dikembangkan khusunya berkaitan dengan

metode berbasis model (model-based area estimation). Model dasar SAE dibagi dalam dua
jenis model dasar, yaitu model berbasis level area dan model berbasis level unit. Bentuk model
pendugaan tidak langsung diantaranya adalah Emperical Best Linear Prediction (EPLUB) dan
Emperical Bayes (EB). EBLUP berbasis level area biasa disebut EBLUP Fay Herriot (EBLUP-
FH). Paramater small area yang ingin diamati adalah 𝜽𝒊 . Model linier yang menjelaskan
hubungan tersebut adalah:

𝜽𝒊 = 𝒙𝑻𝒊 𝜷 + 𝒛𝒊 𝒗𝒊 (1)

dengan 𝜷 = (𝜷𝒍 , … , 𝜷𝒑 )𝑻adalah koefisien regresi berukuran 𝒑 𝒙 𝒍, 𝒛𝒊 = konstatnta posisitif

yang diketahui, 𝒗𝒊 = pengaruh acak area kecil, diasumsikan 𝒗𝒊 ~𝒊𝒊𝒅(𝟎, 𝝈𝟐 ) dimana 𝒊 =
𝟏, 𝟐, … , 𝒎, dan 𝒙𝑻𝒊 adalah datang pendukung ke−𝒊.

Dalam membuat kesimpulan tentang populasi diasumsikan bahwa nilai estimasi

langsung 𝜽̂𝒊 diketahui maka dapat dinyatakan sebagai berikut:

𝜽̂𝒊 = 𝜽𝒊 + 𝒆𝒊 (2)

dimana 𝒆𝒊 adalah sampling error, diasumsikan 𝒆𝒊 ~𝒊𝒊𝒅 𝑵(𝟎, 𝝍𝒊 ) dan 𝒊 = 𝟏, 𝟐, … , 𝒎.

Model SAE untuk level area terdiri dari model estimasi tidak langsung (1) dan model
estimasi langsung (2) yang digabungkan membentuk persamaan:

𝜽̂𝒊 = 𝒙𝑻𝒊 𝜷 + 𝒛𝒊 𝒗𝒊 + 𝒆𝒊 (3)

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

Koefisien regresi yang diduga dengan Generalized Least Square (GLS):

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