Methode
Metode Jackknife
KELOMPOK 3
CONTOH
Apa itu metode
jackknife ?
Jackknife adalah
Metode Jackknife Menurut Tukey (1958) dalam
Efron & Tibshirani (1993)
pertama kali ditemukan metode Jackknife menjadi
oleh Quenouille (1949) sesuatu yang lebih berharga,
yang digunakan untuk karena Tukey
memperkirakan bias mengemukakan
dari suatu estimator pendapatnya bahwa
dengan menghapus Jackknife juga dapat
beberapa observasi digunakan untuk
membangun variansi dari
sampel. suatu estimator.
Resampling Jackknife pada pasangan data Pada tahap selanjutnya, sampel yang telah
pengamatan (observasi), didasarkan pada dihapus tersebut dikembalikan dan lakukan
penghapusan satu sampel atau sekelompok penghapusan satu atau sekelompok sampel
sampel dari sampel awal yang dianggap dan seterusnya sampai semua sampel dari
sebagai populasi, pada satu tahap. populasi mendapatkan kesempatan untuk
dihapus.
Metode Jackknife bertujuan untuk Cara kerja metode Jackknife yaitu misalkan
memperkecil bias suatu penaksir dan 𝑥1, 𝑥2, … , 𝑥𝑛 sampel acak berukuran n
memberikan hampiran selang kepercayaan dari populasi dengan fungsi disribusi F yang
untuk parameter yang menjadi perhatian. tidak diketahui.
Jackknife sendiri adalah
alternatif dari bootstrap
Misalkan dalam suatu penelitian diambil sampel acak berukuran n amatan, x=(x1, x2, …, xn)
dan dari sampel ini dihitung estimator S(x) dengan suatu metode tertentu. Jika statistik
tersebut distribusinya sukar ditentukan maka dalam inferensi selanjutnya metode Jackknife
dapat digunakan untuk mengatasinya.
Pada prinsipnya prosedur Jackknife adalah melakukan sampling dari sampel awal x (
berukuran n ) secara berulang dengan cara menghilangkan pengamatan ke-i, i = 1, 2, …, n.
Dari prinsip ini menghasilkan sampel-sampel Jackknife :
x( i ) = ( x1, …, xi-1, xi+1, …, xn)
untuk i = 1, 2, …, n. Sehingga didapat n buah sampel Jackknife yang tiap-tiap sampel
Jackknife ini berukuran (n-1) amatan (Shao (1995), Efron (1993)). Kemudian dengan
menerapkan metode yang sama dengan metode untuk mendapatkan (1), maka dari sampel-
sampel Jackknife ini diperoleh estimator-estimator S(x(i)).
1. Sampel asal, berukuran n.
2. Resample dengan mengeluarkan elemen
sampel ke i, i = 1, 2, … , n. Didapatkan
Resample ke i (i = 1, 2, . . . , n).
3. Perhitungan penaksir setiap hasil resample,
Secara ringkas berikut ini adalah didapatkan : θ̂j,1, θ̂j,2, . . ., θ̂j,n ; bentuk
langkah-langkah prosedur jackknife: umumnya θ̂j,i.
4. Perhitungan penaksir jackknife :
5. θ̂jackknife = θ̂j = (1/n) Σ θ̂j,i , untuk i dari 1
sampai dengan n
• Sampel Jackknife ke-i, dari parameter penduga 𝜃 dinotasikan dengan ̂ (𝑖) adalah sampel asli dengan menghapus observasi ke-
i, sehingga akan diperoleh i sampel yang masing-masing berukuran 𝑖 − 𝑑
• Menentukan sampel Jackknife(𝑋1𝑗 , 𝑋2𝑗 , … , 𝑋𝑖 − 𝑑 𝑗 ) dari parameter 𝜃, yang diambil secara random dengan mengeluarkan
elemen sampel ke 𝑖 = 1,2, … , 𝑛. Sehingga diperoleh penaksir yang dinotasikan ̂ (𝑖)
• Mengulangi operasi pada lambang 2 sebanyak N kali, dengan menghilangkan satu pengamatan. Diperoleh resample (𝑋1𝑗 , 𝑋2𝑗
, … , 𝑋𝑖 − 𝑑 𝑗 )
• Menghitung statistik ̂ yang diinginkan dari resample Jackknife (𝑋1𝑗 , 𝑋2𝑗 , … , 𝑋𝑖 − 𝑑 𝑗 ) yang diperoleh pada lambang 3
selanjutnya dihitung statistik Jackknife menghasilkan (θ1𝑗 , θ2𝑗 , … , θ𝑖 − 𝑑 𝑗 ).
• Mengkonstruksi suatu distribusi probabilitas dari ̂ (𝑖) dengan memberikan probabilitias 1 𝑛 pada setiap ̂ (𝑖). Distribusi tersebut
merupakan estimator Jackknife terhapus-d untuk distribusi sampling ̂ dan dinotasikan dengan ̂ 𝑗
• Estimasi Jackknife dengan menghapus satu pengamatan kelompok ke-j, dinotasikan ̂ 𝑗 , untuk ̂ adalah mean dari distribusi ̂ 𝑗 ,
1
yaitu: 𝜃𝑗 = σ𝑛𝑗=1 𝜃𝑖
𝑛
CONTOH
Contoh
Mari kita pertimbangkan estimasi koefisien korelasi . Kami akan menghitung perkiraan jackknife dari 15 sampel (y, z)
poin dari data sekolah hukum berikut (lihat Tabel 3). Ingat: Skor LSAT = y, IPK = z.
School LSAT GPA
1 576 3.39
2 635 3.30
3 558 2.81
4 578 3.03
5 666 3.44
6 580 3.07
7 555 3.00
8 661 3.43
9 651 3.36
10 605 3.13
11 653 3.12
12 575 2.74
13 545 2.76
14 572 2.88
15 594 2.96
Simulasi di R
# Jackknifing correlation coefficients
library(bootstrap)
n=15
yzdata =as.matrix(c(576,3.39,580,3.07,653,3.12,635,3.30,555,3.00,575,2.74,558,2.81,661,3.43,545,2.76,578,
3.03,651,3.36,572,2.88,666,3.44,605,3.13,594,2.96))
dim(yzdata) <- c(2,n)
indata <- t(yzdata)