INFERENSI STATISTIK DENGAN STATE LEBIH DARI DUA

Dalam bagian ini dibahas pendugaan dan uji hipotesis yg berhubungan dengan Rantai markov
terbatas dengan matriks probabilitas transisi yg stasioner. Penyelesaiannya dengan menggunakan
Maximum Likelihood Estimation yang penjelasannya dapat dilihat di Anderson (1954), Anderson and
Goodman (1957) , and Billingsley (1961a,b).

Observasi terhadap sebuah rantai markov dengan m state ( 0,1,2,......m-1) dan ditetapkan n transisi.
m−1
Misalkan nijadalah jumlah transisi dari state i ke state j ( i,j =0,1,2,3,....m-1) dan misalkan ∑ nij =ni .
i=0

Banyaknya transisi tersebut dapat dinyatakan sebagai berikut :

0 1 2 ........ m-1
0 n00 n01 n02 ........ n0,m-1 n0
1 n10 n11 ... ........ n1
2 n20 n 21 ... ....... n2
. . . .
. . . .
. . . .
m-1 nm-1,0 nm-1,1 . . n m-1,m-1 n m-1
Jml n
(5.3.1)

Misalkan pula matriks probabilitas transisi stasionernya adalah:

P =¿ (5.3.2)

Kepentingannya adalah menduga elemen elemen Pij yang dinyatakan dengan

^
Pij (i, j=0,1,2,3 ,.... m−1)

Untuk state awal i dan banyaknya percobaan ni, banyaknya transisi contoh (ni 0 , ni 1 ,… . ni , m−1 ¿
dapat dipertimbangkan sebagai sampel berukuran ni yang diambil dari distribusi multinomial
m−1
dengan probabilitas( Pio , Pi 1 … P i m−1 ¿ sedemikian hingga ∑ Pij =¿ ¿1 (lihat App B ). Probabilitas
❑ ❑ ❑

j=0
hasil yang muncul dinyatakan sebagai :

ni ! n n n
P P … Pi m −1
i0 i1 i ,m−1
(5.3.3)
ni 0 ! ni 1 ! … . ni , m−1 ! io i1
m−1 m−1
Sedemikian hingga ∑ nij =ni .Dan ∑ Pij=1
j=0 j=0
Penjelasan lebih lanjut argumen ini untuk m buah state awal (0,1,2,3......,m-1) manakala jumlah
total percobaan (observasi) di uraikan ke dalam ( n 0 , n1 , … ..n m−1) , probabilitas realisasi transisi dari
penghitungan sebagaimana pers (5.3.1) dinyatakan oleh :
m −1
ni !
∏n ! n ! … . n !
n n n
Pio Pi 1 … Pi m−1
i0 i1 i,m −1
(5.3.4)
i=0 i0 i1 i ,m−1

Dalam 5.3.1 jumlah baris (n 0 , n1 , … .n m−1 ¿ juga merupakan variabel random olehkarenanya fungsi
likelihood unconditional dari sampel observasi berisi faktor lain yg terdapat pada distribusi bersama
dari variabelrandom ini. Ini dapat ditunjukkan bahwa distribusi ini bebas dari distribusi elemen
elemen Pij (lihat Whittle, 1955) dan oleh karenanya tanpa memasukkan ke bentuk eksplisitnya kita
harus menuliskannya dengan A ( nij ) .Fungsi likelihood f ( Pij ) dan logaritma naturalnya L ¿) dapat
dinyatakan sebagai
m−1
ni !
f ( Pij ) =A ( nij ) ∏ Pn P n … Pinm −1
i0 i1 i ,m−1
(5.3.5)
i=0 ni 0 ! ni 1 !… . ni , m−1 ! io i1
m−1 m−1
L ( Pij ) =lnB ( nij ) + ∑ ∑ nij ln P IJ (5.3.6)
i=0 j=0

Dengan lnB ( nij ) berisi bagian yg bebas dari P IJ

Dari (5.3.6) hal ini juga menunjukkan bahwa nij adalah statistik cukup untuk mengestimasi
probabilitas transisi P IJ ( i,j =0,1,2,3,....m-1)

m−1
Untuk menurunkan MLE , kita maksimumkan (5.3.6) dibawah kondisi ∑ Pij=1
j=0

( i =0,1,2,3,....m-1). Selanjutnya kita dapat tuliskan

m−1 m−1 m−1
L ( Pij ) =lnB ( nij ) + ∑ ∑ nij l n PIJ + ∑ ni , m−1 ln ⁡(1−¿ Pi 0 −P i1 −Pi ,m−1 )¿ (5.3.7)
i=0 j=0 i=0

Untuk sebuah nilai spesifik i diperoleh :

m−2
Li ( P ij ) =ln B i ( nij ) + ∑ nij ln P IJ +ni , m−1 ln (1−¿ P ¿ ¿ i 0−Pi 1−…−Pi ,m −1 )¿ ¿ (5.3.8)
i =0

Dengan mendifferensiasi (5.3.8) terhadap P IJ (j=0,1,2,...,m-2) dan disamakan dengan nol diperoleh :

ni 0 ni . m−1
− =0
P i 0 1−Pi 0 −Pi1 −…−P i. m−2

ni 1 ni . m−1
− =0
P i1 1−Pi 0−Pi 1−…−Pi . m−2
n i .m−2 n i. m−1
− =0 (5.3.9)
P i1. m−2 1−Pi 0 −Pi 1−…−P i. m−2

Dengan mengkombinasikan persamaan persamaan ini diperoleh :

ni 0 ni 1 ni . m−2 ni . m−1
= − − =0 (5.3.10)
P i 0 Pi 1 Pi 1.m −2 1−Pi 0−Pi 1−…−Pi . m−2

Sehingga :

ni 0
. P = Pi 0
ni 0 i 0

ni 1
. P = Pi 1
ni 1 i 1

. (5.3.11)

ni ,m −1
. Pi 0= 1−Pi 0 −P i1 −…−P i. m−2
ni 0

ni 0 +ni 1 +…+n i. m−1

. Pi 0= 1 (5.3.12)
ni 0

Sehingga diperoleh nilai dugaannya :

ni 0
^
P i 0= (5.3.13)
ni

nij
^
Pij = i,j = 0,1,2,...m-1 (5.3.14)
ni

Masalah pengujian hipotesis yg berhubungan dengan probabilitas transisi Pij yaitu, apakah observasi
nyata berasal dari rantai markov dengan matriks probabilitas transisi yg diketahui.

Misalkan hipotesis yg akan diuji adalah :

H 0 : P=P0 (5.3.15)

Untuk n yg besar , dpt ditunjukkan bahwa secara asimtotik nij berdistribusi normal dan statistik
^ ij −Pij ) berdistribusi secara normal asimtotik dg mean 0 dan varians Pij (1−Pij ). Atas dasar
n (P
1 /2
i
informasi ini uji statistiknya identik dengan Goodness of fit statistik (Appendix B) dapat diperoleh,
sehingga didapatkan :

m−1
n❑ ^ 0 2
i ( Pij −P ij )
∑ P ij0
i = 0,1,2,...m-1 (5.3.16)
i=0

memiliki distribusi X 2 dengan derajat bebas m-1, untukmendapatkan (5.3.16) diasumsikan bahwa
0 0
semua Pij adalah tidak nol. Jika ada beberapa elemen Pij bernilai nol dalam baris ke-i , hanya
elemen non zero yg dipertimbangkan dalam (5.3.16)dan db menurun seiring bertambahnya nilai nol
ni ( ^
m−1 m−1 ❑ 0 2
Pij −Pij )
dlm Pij . Sehingga dikatakan bahwa ∑ ∑ 0 (5.3.16*) berdistribusi chi
i=0 j=0 Pij
0
square dg derajat bebas m(m-1)-d ,dengan d adalah banyaknya nol dalam Pij dan jumlahan pada
0
(5.3.16) berlaku hanya untuk Pij >0

Secara asimtotik kriteria Rasio likelihood yang didasarkan pada lemma Neyman Pearson. Kriteria
Rasio likelihood untuk Ho seperti pada (5.3.15) dapat diperoleh:

f ( Pij )
0

Λ= .............5.3.17
f (P^ ij )

Dengan f ( Pij ) adalah nilai maksimum dari fungsi likelihood pada (5.3.5) yg diperoleh dari substitusi
0

dugaan pada 5.3.14. Dari teori statistikdiketahui bahwa manakala Ho benar -2 ln Λ memiliki
distribusi Chi Square dengan derajat bebas m(m-1). Dalam kasus ini didapatkan:

-2 ln Λ=2 L ( ^ [
Pij ) −L ( Pij )
0
]
m−1 m−1
nij
¿ 2 ∑ ∑ nij ln 0 (5.3.18)
i=0 j=0 ni Pij

Akhirnya, sebuah statistik rasio likelihood serupa dapat digunakan untuk uji matrik probabilitas
t
transisi yang stasioner. Misalkan Pij probabilitas transisi satu tahap dari proses yg bergantung waktu
X(t), sehingga :

Ptij =P [ X ( t+1 )= j∨ X ( t )=i ] (5.3.19)

Misalkan n 0 adalah banyaknya proses yang diamati, ini menjadi catatan dalam memperoleh jumlah
pengamatan yg cukup, tidak cukup dengan mengamati proses tunggal sebagaimana yg lalu. Dalam
satu kasus waktu homogen dapat diamati proses tunggal untuk waktu yang cukup lama , atau
t
diamati beberapa proses untuk periode yg lebih pendek . Misalkan nij adalah banyaknya transisi dari
t
ij selama t transisi sebuah proses . Untuk state awal i yang diberikan, banyaknya transisi nij
(t=1,2,...,T) dapat dinyatakan sebagai
 t j 0 1 ... m−1

1 n1i 0 n1i 1 ... n1i , m−1

2 2 2
2 ni 0 ni 1 ... ni , m−1

. . . .

. . . .

. . . .

T ni 0
T
ni 1 ...
T T
ni , m−1

(5.3.20)

Mengikuti argumen sebelumnya, dugaan maksimum likelihood untuk

t
nij
P dapat diperoleh : ^
t
ij Ptij= t −1 ....... (5.3.21)
ni
m−1
Dengan ni = ∑ nij . Penjelasannya ni
t −1 t t −1
adalah banyaknya proses yg diawali state i selama waktu t-1
i=0
.

Misalkan kita akan mengujihipotesis null

H 0 : Ptij =Pij ( t=1,2 , … … T ), maka maksimisasi fungsi likelihood diberikan oleh f ( ^

P ¿ ¿ ijt ) ¿, oleh
karenanya Rasio likelihood tes menghasilkan :

f ( P0ij )
Λ= (5.3.22)
f (P^ ij )

Sebagaimana sebelumnya, dibawah hipotesis null Ho, -2 ln Λ berdistribusi Chi Square dengan
derajat bebas (T-1)[m(m-1)]. Dalam hal ini

T m−1 m−1 t
nij
[
−2 ln Λ=2 L ( P ]
^ ijt ) −L ( P ij ) =2 ∑ ∑
t=1 i=0 j=0
∑ ntij ln t−1
n i Pij ❑
( 5.3.23)

CONTOH :

Contoh ini terdapat pada Anderson (1954) yg dikumpulkan dari Badan Riset Sosial terapan di Ohio.
Sekelompok masyarakat (600 orang) tentang kesukaan partainya, yaitu D= demokrat, R- republikan,
DK- tdk tahu atau kandidat yg lain dalambulan Mei sampai Oktober

Juni Total
Mei R D DK
R 125 5 16 146
D 7 106 15 128
DK 11 18 142 171
445

July
June R D DK Total
R 124 3 16 143
D 6 109 14 129
DK 22 9 142 173
445

August
July R D DK Total
R 146 2 4 152
D 6 111 4 121
DK 40 36 96 172
445

June
May R D DK
R 0.856 0.034 0.110
D 0.055 0.828 0.117
DK 0.064 0.105 0.831

July
June R D DK
R 0.867 0.021 0.112
D 0.047 0.845 0.108
DK 0.127 0.052 0.821

August
July R D DK
R 0.961 0.013 0.026
D 0.050 0.917 0.033
DK 0.233 0.209 0.558
Dalam mempelajari sikap perubahan, berkaitan dengan pertanyaan apakah ketiga probabilitas
transisi merefleksikan sifat yang sama pada sebagian para pemilih selama periode 4 bulan .Jika
demikian, data dapat dikumpulkan untuk memberikan satu matriks jumlah transisi dan karenanya
satu set perkiraan. Diperoleh count matriks transisinya adalah:
 R D DK Total
R 395 10 36 441
D 19 326 33 378
K 73 63 380 516
1335
Diperoleh dugaan matriks probabilitas transisinya :

R D DK

R 0.896 0.023 0.081

D 0.050 0.862 0.088

K 0.141 0.122 0.737

Melalui perhitungan dengan dasar (5.3.23), diperoleh statistik rasio likelihoodnya:

T m −1 m −1 t
nij
[ ]
Pij )−L ( Pij ) =2 ∑ ∑ ∑ nij ln
-2 ln Λ =2 L ( ^
t t

t =1 i=0 j=0
t −1
ni Pij ❑
(5.3 .23)

1 1 3
1 n00 1 n 01 3 n22
= 2[n ln
00 0
+n ln
01 0
+ … … … ..+ n ln 22 3
¿¿
n0 P 00 n 0 P01 n2 P 22

= 97.644, dibawah Ho memiliki distribusi Chi square dengan db : 2 x 3 x 2 =12

Dari tabel Chi square didapatkan :

P (X2>=97.644) < 0.001  Dapat menolak Ho