PROGRAM DOKTOR
BIDANG KEAHLIAN STATISTIKA
PROGRAM STUDI / JURUSAN STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT TEKNOLOGI SEPULUH NOPEMBER
SURABAYA
2017
iii
PENGEMBANGAN ROBUST WEIGHTED BOOTSTRAP
DALAM MEMBANGUN CONFIDENCE DISTRIBUTION
PADA KOMBINASI ENSEMBLE
ABSTRAK
Model combining atau yang dikenal dengan kombinasi ensemble
merupakan salah satu teknik untuk menggabungkan hasil dari beberapa model
individu. Dengan demikian diharapkan mampu memprediksi dengan tingkat
akurasi yang tinggi. Model combining digunakan untuk proses kalibrasi, feature
selection dan fusion. Pada penelitian ini akan difokuskan pada model combining
untuk fusion learning. Proses penggabungan pada fusion learning menggunakan
Confidence Distribution (CD) dari hasil bootstrap. Studi kasus yang digunakan
adalah data peramalan ensemble curah hujan. Distribusi data curah hujan
umumnya menunjukkan sifat yang tidak simetris dan memiliki ekor distribusi
yang gemuk (fat tailed). Selain itu, hasil peramalan ensemble cenderung
overdispersive atau underdispersive. Dengan demikian proses bootsrap tidak bisa
digunakan. Sebagai alternative akan dikembangkan weighted robust bootstrap
untuk membangun Confidence Distribution mengatasi masalah tersebut.
iv
DAFTAR ISI
Halaman Judul...........................................................................................................i
Abstrak....................................................................................................................iii
Daftar isi...................................................................................................................v
BAB I. PENDAHULUAN.......................................................................................1
1.1. Latar Belakang Penelitian...................................................................1
1.2. Perumusan Masalah............................................................................7
1.3. Tujuan Penelitian................................................................................7
1.4. Manfaat Penelitian..............................................................................7
BAB II. DASAR TEORI..........................................................................................8
2.1. Analisis Time Series............................................................................8
2.2. Kombinasi Peramalan.........................................................................9
2.3. Fusion Learning................................................................................10
2.4. Kombinasi Peramalan.......................................................................11
2.5. Fusion Learning................................................................................12
2.6. Curah Hujan......................................................................................13
BAB III. METODE PENELITIAN........................................................................14
3.1. Desain Penelitian...............................................................................14
3.2. Langkah Analisis...............................................................................14
DAFTAR PUSTAKA............................................................................................16
v
BAB 1
PENDAHULUAN
1
unggul jika dibandingkan dengan peramalan deterministik. Peramalan
deterministik hanya memberikan hasil berupa satu titik nilai ramalan. Peramalan
satu titik hanya terfokus pada penggunakan satu model dasar saja, dan
mengabaikan model lain yang mungkin juga signifikan dan memberikan hasil
peramalan yang akurat. Hal ini yang menyebabkan peramalan deterministik
kurang dapat menangkap pola data dengan variasi tinggi. Dengan demikian
dengan dilakukan kombinasi beberapa model peramalan diharapkan diperoleh
varian peramalan yang minimum (Kapetanios, et.al., 2007).
Konsep dasar model kombinasi digunakan dalam meta analisis. Meta analisis
merupakan suatu teknik dalam statistika yang menggabungkan dua atau lebih
penelitian sejenis sehingga diperoleh perpaduan data dan informasi yang lebih
lengkap (Liu, et al., 2015). Telah banyak penelitian yang mengkaji tentang
metode kombinasi. Peng, et al., (2017) meramalkan kecepatan angin yang
didasarkan pada kombinasi adaptive ensemble on-line sequential ORELM
(Outlier Robust Extreme Learning Machine) dan TVMCF (Time-Varying Mixture
Copula Function). Sifat ketidakpastian dan kecepatan angin yang bersifat
nonstatisoner merupakan alasan utama penggunaan metode ensemble untuk
mendapatkan peramalan yang akurat. Hasil penelitian menunjukkan bahwa
metode kombinasi tidak hanya dapat meningkatkan akurasi hasil peramalan tetapi
juga meningkatkan kualitas probabilistic prediction intervals (PIs). Selain itu
Wang, et al., (2016) juga melakukan peramalan kecepatan angin di China dan
Mongolia dengan kombinasi Ensemble Empirical Mode Decomposition (EEMD)
dan metode GA-BP neural Network. Hasil peramalan akhir diperoleh dengan
menggabungkan hasil peramalan individu. Blanc dan Setzer (2016) mengkaji
kombinasi peramalan dengan Simple Averaging (SA). Hingga tahun 2016 model
Simple Averaging masih sering digunakan karena prosesnya yag tidak terlalu
rumit. Menurut Blanc dan Setzer dalam menerapkan metode simple averaging
diperlukan bobot optimal yang dapat meminimalkan varians error dari data out
sample. Permasalahan klasik yang sering dihadapi dalam penggunaan model
Simple Averaging adalah penentuan bobot yang optimal. Selain itu, Wang dan Hu
(2015) mengusulkan robust short term untuk peramalan kecepatan angin dengan
2
mengkombinasikan ARIMA (Autoregressive Integrated Moving Average), ELM
(Extreme Learning Machine), SVM (Support Vector Machine) dan LSSVM (Least
Square SVM) dengan model GPR (Gaussian Process Regression). Kombinasi
model tersebut dapat memberikan informasi probabilistik lebih lanjut tentang
prediksi kecepatan angin. Pendekatan ini diterapkan pada data kecepatan angin
pada dua lokasi di China. Hasil yang diperoleh menunjukkan bahwa model
peramalan individu tidak konsisten dalam meramalan kecepatan angin jangka
pendek untuk dua lokasi. Sementara itu metode kombinasi yang diusulkan
menghasilkan hasil peramalan yang lebih handal dan akurat.
3
terdapat empat langkah yang dilakukan (Han & Kamber, 2012). Langkah-langkah
yang harus dilakukan meliputi tahap pembersihan data, tahap integrasi data, tahap
reduksi data, dan tahap transformasi data. Di dalam preprocessing data, terdapat salah
satu teknik yaitu feature selection. Teknik ini digunakan untuk mengurangi dimensi data
atau feature yang dianggap kurang relevan untuk dianalisis lebih lanjut. Salah satu
metode feature selection adalah dengan kombinasi beberapa model sehingga mampu
menjaga informasi penting pada data (Gao, et al., 2014). Selain itu kombinasi model juga
diterapkan pada fusion learning.
Model kombinasi pada penelitian ini difokuskan pada fusion learning. Fusion
learning mencoba menggabungkan beberapa model yang berbeda sehingga
menghasilkan kesimpulan yang lebih lengkap (Liu, et al., 2015; Elmenreich,
2007; dan Pagano, et al., 2014). Penelitian Elmenreich (2007) mengkaji fusion
learning untuk menggabungkan ukuran sensor continuous-valued. Sensor
continuous-valued ini digunakan untuk nilai constraint pada klasifikasi. Proses
penggabungan sensor continuous-valued ini dengan menggunakan Confidence
Weighted Averaging (CWA). Sementara itu Pagano, et al., 2014 menerapkan
fusion learning dengan menggabungkan hasil klasifikasi adaptive ensemble.
Setiap hasil klasifikasi diberikan bobot yang telah disesuaikan. Liu, et al. (2014)
menggabungan informasi yang terdapat pada beberapa model tersebut melalui
Confidence Distribution (CD). CD merupakan fungsi distribusi dari sample
dependent yang dapat digunakan untuk mengestimasi parameter yang tidak
diketahui. CD dapat dipandang sebagai “distribution estimator” dari parameter.
Liu menerapkan fusion learning pada data performansi pesawat pada saat
mendarat. Liu menggabungkan kesimpulan yang diperoleh dari beberapa studi
yang berbeda dengan mengkombinasikan fungsi P-value dari masing-masing studi
individu yang dibangun melalui proses boostrab. Dalam segi teori dan aplikasinya
pendekatan ini memiliki beberapa keunggulan. Pendekatan yang diusulkan
memberikan kesimpulan yang valid untuk pengujian hipotesis yang melibatkan
beberapa studi.
Contoh kasus yang diteliti oleh Liu merupakan kasus dengan data normal.
Tidak semua fenomena yang terjadi di alam mengikuti distribusi normal. Hal ini
sering ditemui pada kasus yang melibatkan kejadian ekstrim. Menurut Ribatet, et
4
al. (2007), kejadian ekstrem ialah suatu kejadian yang jarang terjadi namun
intensitasnya sangat berbeda dengan rata-rata intensitas yang telah terjadi
sebelumnya. Kejadian ekstrim dapat menimbulkan kerugian bagi manusia
maupun alam lingkungan. Kejadian ekstrim yang telah terjadi dalam kurun waktu
tertentu disebut pengamatan ekstrim.
Fusion learning pada penelitian ini akan diterapkan pada data peramalan
ensemble curah hujan. Untuk membangun confidence distribution dilakukan
dengan pendekatan bootstrap. Pendekatan bootstrap merupakan metode
nonparametric yang memiliki keunggulan dibandingkan dengan pendekatan
parametrik. Pendekatan bootstrap tidak terikat pada asumsi-asumsi. Selain itu
dengan pendekatan bootsrap dapat diperoleh penaksir parameter yang terkadang
dengan menggunakan metode parametrik tidak dapat terselesaikan (Hydman, et
al., 2002; Kim, et al., 2009; Clements & Kim, 2007). Akan tetapi mengingat
5
karakteristik data peramalan ensemble curah hujan yang memiliki distribusi fat
tailed maka teknik bootstrap tidak dapat digunakan (Amado, et al., 2014; Abadir
dan Medeira 2009). Berdasarkan penelitian Amado, et al. (2014) prosedur
bootstrap tidak dapat diterapkan pada data yang mengandung pengamatan ekstrim
sehingga sebagai alternatif digunakan robust bootstrap. Sementara Abadir dan
Medeira (2009) membuktikan bahwa prosedur naïve bootstrap tidak mampu
mengatasi data yang memiliki distribusi fat tailed, sehingga sebagai alternatif
penyelesainnya dikembangkan prosedur naïve bootstrap yang lebih robust dan
telah diperluas. Sementara itu Amado, et al, (2004) menggunakan robust bootsrap
dalam membentuk fungsi influence untuk menentukan confidence interval
parameter.
Dengan menggunakan ide dasar tersebut, pada penelitian ini akan difokuskan
pada mengembangkan prosedur robust weighted bootsrap untuk membangun
confidence distribution. Prosedur ini akan diaplikasikan pada data peramalan
ensemble curah hujan. Dengan menggunakan pendakatan robust weighted
6
bootsrap diharapkan diperoleh hasil peramalan ensemble yang lebih reliabel
dibandingkan dengan metode yang lainnya.
Sesuai dengan latar belakang telah dipaparkan maka penelitian ini digunakan
untuk menyelesaikan permasalahan tentang bagaimana pengembangan weighted
robust bootstrab dalam membangun confidence distribution pada kombinasi
ensemble serta aplikasinya pada data curah hujan.
7
BAB II
TINJAUAN PUSTAKA
2.1 Analisis Time Series
Time series adalah suatu pengamatan yang tersusun berdasarkan urutan waktu
(Wei, 2006). Data time series dapat dipandang sebagai sebuah realisasi dari proses
stokastik (Box dkk, 1994). Proses stokastik adalah fenomena statistik yang
tersusun dalam urutan waktu berdasarkan hukum probabilitas. Menurut Wei (2006)
proses stokastik adalah suatu kelompok data berdasarkan waktu yang tersusun oleh
variabel random Ζ ( ω ,t ) dimana ω adalah ruang sampel dan t adalah indeks waktu.
Z t ,Z t 2 ,. . . ,Zt n
Fungsi distribusi dari variabel random 1 adalah sebagai berikut.
8
keuntungan menggunakan Simple Model Averaging diantaranya adalah sebagai
berikut
Bobot yang digunakan untuk hasil peramalan tidak perlu dilakukan
estimasi
Dalam beberapa situasi, simple model averaging mengurangi
variansi dan bias hasil peramalan dari model individu
hasil peramalan dari kombinasi model time series yang berbeda
akan menghasilkan nilai MSE yang kecil.
Terdapat dua teknik dalam membentuk simple model averaging yaitu sebagai
berikut
Bobot Seimbang
Pada bobot seimbang, besarnya bobot yang diberikan pada setiap hasil
peramalan model individu sesuai dengan persamaan (2.3)
1
w^ i=
n (2.3)
Besarnya bobot untuk setiap hasil peramalan memiliki nilai yang sama.
Bobot seimbang akan maksimal ketika error dari hasil peramalan model
individu memiliki varians yang sama serta nilai pair wise correlationnya
identik.
Bobot Invers Mean Square Prediction Error
Teknik yang kedua, bobot diperoleh dari Invers Mean Square Prediction
Error relative model yang dihitung dengan sebuah window dari v periode
sebelumnya. Estimasi error dari bobot kombinasi memiliki nilai yang
cenderung lebih besar. Hal ini karena masih sulitnya mengestimasi matriks
kovarian dari error hasil peramalan. Cara untuk mengatasi hal tersebut
9
adalah dengan mengabaikan korelasi antar error hasil peramalan dan
membuat bobot kombinasi yang menunjukan performasi setiap model
individu terhadap model rata-rata. MSPE adalah rata-rata error dari hasil
peramalan yang ditunjukkan pada persamaan 2.4
v −1
∑ ( ^y T − j, i − ^y T− j )
MSPETv , i= j=0
v (2.4)
Sehingga besarnya bobot untuk setiap model peramalan sesuai pada
persamaan 2.5
w T+1 , i=
( 1
MSPE vT , i )
2
∑
j=1 ( 1
MSPE vT , i ) (2.5)
10
yang baru dalam menggabungkan hasil pengujian dari beberapa studi yang
independen. Sebagai contoh Liu menggabungkan kesimpulan yang diperoleh dari
beberapa studi yang berbeda dengan mengkombinasikan fungsi P-value dari studi
individu dengan P-Value yang dibangun dari boostrap. Dalam segi teori dan
aplikasinya pendekatan ini memiliki beberapa keunggulan. Pendekatan yang
diusilkan memberikan kesimpulan yang valid untuk pengujian hipotesis yang
melibatkan beberapa studi. Pengujian hipotesis yang digunakan dalam studi
individu dapat menggunakan metode yang bervariasi.
11
θ , dan X adalah ruang sampel yang sesuai dengan data sampel x={x 1 ,…, x n }.
distribution untuk parameter θ jika (i) H n ( x.) adalah fungsi distribusi kumulatif pada
2.5 Boostrap
ulang sebanyak N sample baru dari data asal yang berukuran n . Misalkan
N
^ 1
θ= ∑ θ^ i
N i=1 (2.6)
N
1
2
S = ∑ ( θ^ −θ)
N −1 i =1 i
^ 2
(2.7)
12
Sementara itu untuk taksiran standar error bootstap yaitu
[ ]
1
N
1 2
Se= ∑
N −1 i =1
( θ^ i−θ^ )2
(2.8)
( θ^ α , θ^
)
¿ ¿
α
( ) (1− )
2 2 (2.8)
θ^ ( α θ^ ( 1−α
¿ ¿
) )
Dimana 2 dan 2 adalah kuantil dari estimasi distribusi bootstrap. Sebagai
contoh misalkan dilakukan bootstrap sebanyak 1000 kali pengulangan
¿ ¿ ¿
(θ1 ,θ2 ,⋯,θ1000 ) yang kemudian diurutkan dari nilai terendah hingga nilai tertinggi
¿ ¿ ¿
(θ(1 ) ,θ(2) ,⋯,θ(1000 ))
sehingga menjadi . Maka selang kepercayaan persentil bootstrap
¿ ¿
(θ(25) ,θ(975) )
pada 95% adalah .
13
mm artinya air hujan yang jatuh setelah satu mm tidak mengalir, tidak
meresap dan tidak menguap. Intensitas hujan adalah banyaknya curah hujan per
satuan jangka waktu tertentu. Apabila dikatakan intensitas besar berarti hujan
lebat dan berisiko terjadinya erosi dan banjir.
14
BAB III
METODE PENELITIAN
Langkah analisis yang akan dilakukan pada penelitian ini adalah diawali
dengan melakukan pembagian data menjadi data in sample dan out sample. Data
in sample digunakan untuk pembentukan model. Adapaun langkah – langkahnya
adalah sebagai berikut:
15
4. Melakukan prosedur weighted robust bootstap untuk mendapatkan
parameter-parameternya
5. Dari parameter tersebut dicari confident distribution kemudian
digaungkan
6. Mengkombinasikan confident distribution dari masing-masing hasil
resampling sehingga diperoleh kesimpulan yang umum.
16
DAFTAR PUSTAKA
Amado, C., Bianco, A. M., Boente, G. & Pires, A.M. (2014). Robust Bootstrap:
An Alternative To Bootstrapping Robust Estimators. REVSTAT – Statistical
Journal, Vol.12(2), Hal.169–197.
Abadir, K. M., & Medeira, A. C. (2009). Approximating moments by nonlinear
transformations, with an application to resampling from fat-tailed
distributions.
Barrow, D. K., & Crone, S. F. (2016). A comparison of AdaBoost algorithms for
time series forecast Combination. International Journal of Forecasting, Vol.
32, Hal: 1103–1119
Blanc, S. M., & Setzer, T. (2016). When To Choose The Simple Average In
Forecast Combination. Journal of Business Research, Vol. 69, Hal. 3951-
3962.
Bunn, D. W. (1988). Combining forecasts. European Journal of Operational
Research, Vol. 33(3), Hal. 223–229.
Cooley, D., Naveau, P., Jornelli, V., Rabatel, A. & Grancher, D. (2006). A
Bayesian Hierarchical Extreme Value Model for Lichenometry.
Environmetrics, Vol. 17, hal. 557-574.
Coles, S. (2001). An Introduction to Statistical Modeling of Extreme Values,
Springer Series in Statistics.
Cox, D. R. (1958), “Some Problems Connected With Statistical Inference,”The
Annals of Mathematical Statistics, 29, 357–372
Davison, A.C., Padoan, S.A. dan Ribatet, M. (2012), Statistical Modeling of
Spatial Extremes, Statistical Science, Vol. 27(2), Hal.161-18
Donoho, D. L., dan Gasko, M.m (1992). Breaking Properties of Location
Estimates Based on Halfspace Depth and Projected Outlyingness. Annals of
Statistics, Vol. 20, Hal. 1803-1827.
Efron, B. (1993). Bayes and Likelihood Calculations From Confidence Intervals.
Biometrika, Vol.80, Hal.3–26.
Efron, B. (1998). R.A.Fisher in the 21st century. Stat. Sci., Vol.13, Hal.95–122.
Efron, B. (2013), Discussion of “Confidence Distribution, the Frequentist
Distribution Estimator of a Parameter — A Review” by Xie and Singh.
International Statistical Review, Vol.81, Hal.40–48.
Elliott, G., Granger, C. W. J., & Timmermann, A. (2006). Handbook of economic
forecasting. Holland.
17
Elmenreich, W. (2007). Fusion of Continuous-Valued Sensor Measurements
using Confidence-Weighted Averaging. Journal of Vibration and Control,
Vol. 13(9-10), Hal.1303-1312.
Fildes, R., & Petropoulos, F. (2015).Simple versus complex selection rules for
forecasting many time series.Journal of Business Research, Vol. 68(8),
1692–1701.
Gao, K., Khoshgoftaar, T., & Wald, R. (2014). Combining Feature Selection and
Ensemble Learning for Software Quality Estimation. Proceedings of the
Twenty-Seventh International Florida Artificial Intelligence Research
Society Conference.
Goodwin, P., (2010). Correct or combine? Mechanically integrating judgmental
forecasts q with statistical methods. International Journal of Forecasting.
Vol. 16, hal. 261 – 275.
Hamill, T.M., dan Colucci, S.J., (1997). Verivication of Eta-RSM Short-Range
Ensemble Forecast. Monthly Weather Forecast, Vol. 125, hal. 1312 – 1327.
Han, J., & Kamber, M. (2012). Data Mining Concepts and Techniques Third
Edition. USA: Elsevier Inc.
Hoeting, J., Madigan, D., Raftery, A.E., dan Volinsky, C.T. (1999).
Bayesian Model Averaging: A Tutorial. Statistical Science, Vol. 14, Hal.
382–401.
Hydman, R. J. Yao, Q. (2002). Nonparametric estimation and symmetry tests for
conditional density functions. Journal of nonparametric statistics, Vol.14(3).
Hal. 259-278
Kapetanios, G.,Labhard, V.,dan Price, S., (2005). Forecasting Using Bayesian and
Information Theoretic Model Averaging : an Application to UK Inflation.
Working Paper No. 323. United Kingdom : Bank of England.
Kartasapoetra, A.G. (2008), Klimatologi: Pengaruh Iklim Terhadap Tanah
Dan Tanaman, Revisi Edition, PT. Bumi Aksara.
Kim, J.H. ((2009). Estimating classification error rate: Repeated Cross-Validation,
Repeated Hold-Out And Bootstrap. Computational Statistics & Data
Analysis, Vol.53(11), Hal.3735–3745
Kuswanto, H., (2010). New Calibration Method for Ensemble Forecast of Non-
Normally Distributed Climate Variables Using Meta-Gaussian Distribution.
Proceeding of The Third International Conference on Mathemathics and
Natural Sciences, hal. 932 – 939.
Kuswanto, H., dan Sari, M.R., (2013). Bayesian Model Averaging With Markov
Chain Monte Carlo For Calibrating Temperature Forecast From
18
Combination Of Time Series Models. Journal Of Mathematics And
Statistics, Vol. 9 (4), hal. 349 – 356.
Liu, D., Liu, R. Y., & Xie, M. (2015). Multivariate Meta-Analysis of
Heterogeneous Studies Using Only Summary Statistics: Efficiency and
Robustness .Journal of the American Statistical Association, Vol. 110(509),
Hal. 326-340.
Liu, D., Liu, R. Y., & Xie, M. (2015). Fusion Learning: Combining Inferences
From Multiple Studies/Data Sources. Second Workshop on BFF in ECNU,
Shanghai.
Liu, R., Parelius, J. M., dan Singh, K., (1999). Multivariate analysis by data depth
descriptive statistics, graphics and inference. Annals of Statistics, Vol. 27,
Hal. 783-858.
Makarenkov, V., Boc, A., Neto, P. P., Lapointe, F. J. & Legendre, P. (2010).
Weighted bootstrapping: a correction method for assessing the robustness
of phylogenetic trees. BMC Evolutionary Biology, Vol.10(250).
Norazan, M. R., Habshah, M. & Imon, A. H. M. R. (2009). Weighted Bootstrap
with Probability in Regression. Proceedings of the 8th WSEAS International
Conference on Applied Computer and Applied Computational Science.
Pagano, C., Granger, E., Sabourin, R., Marcialis, G. L., & Roli, F. (2014).
Dynamic Weighted Fusion of Adaptive Classifier Ensembles Based on
Changing Data Streams. Artificial Neural Networks in Pattern
Recognition, Hal. 105-116
Peng, X., Zheng, W., Zhang, D., Liu, Y., Lu, D., & Lin, L. (2017). A novel
probabilistic wind speed forecasting based on combination of the adaptive
ensemble of on-line sequential ORELM (Outlier Robust Extreme Learning
Machine) and TVMCF (Time-Varying Mixture Copula Function). Energy
Conversion and Management, Vol.138, Hal: 587–602
Raftery, A.E., Gneiting, T., Balabdoul, F., dan Polakowski, M., (2005). Using
Bayesian Model Averaging to Calibrate Forecast Ensembles. Monthly
Weather Review, Vol. 133, Hal. 1155 – 1174.
Ravazzolo, F., (2007). Forecasting Financial Time Series Using Model
Averaging. Rotterdam: Erasmus Universiteit Rotterdam.
Ribatet, M., Sauquet, E., Grésillon, J.M. & Ouarda, T.B.M.J. (2007). A Regional
Bayesian POT Model For Flood Frequency Analysis. Stoch Environmental
Res. Ris. Assess, Vol. 21, hal. 327-339. DOI: 10.1007/s00477-006-0068-z.
Springer Science+Business Media New York.
19
Sabourin, A., Naveau, P., dan Fougeres, A.L., (2013). Bayesian Model Averaging
For Multivariate Extremes. Extremes. DOI 10.1007/s10687-012-0163-0.
Springer Science+Business Media New York.
Schweder, T. & Hjort, N.L. (2002). Confidence And Likelihood. Scand. J. Stat.,
Vol.29, Hal.309–332
Serfling, R., (2004). Nonparametric multivariate descriptive measures based on
spatial quantiles. Journal of Statistical Planning and Inference, Vol. 123.
Singh, K., Xie, M. & Strawderman, W.E. (2005). Combining Information From
Independent Sources Through Confidence Distributions. Ann. Statist.
Vol.33, Hal.159–183.
Singh, K., Xie, M. & Strawderman, W.E. (2007). Confidence distribution (CD)-
distribution estimator of a parameter. In Complex Datasets and Inverse
Problems. IMS Lecture Notes-Monograph Series, Vol.54, Hal.132–150
Sloughter, J. M., Gneiting, T., dan Raftery, A. E., (2010). Probabilistic Wind
Speed Forecasting Using Ensembels And Bayesian Model Averaging.
Journal Of The American Statistical Association, Vol. 105.
Timmermann, A., (2000). Moments of Markov Switching Models. Journal of
Econometrics, Vo. 96, Hal. 75 – 111.
Vrugt, J.A., Diks, C.G.H., & Clark, M.P., (2008). Ensemble Bayesian Model
Averaging Using Markov Chain Monte Carlo Sampling. Environmental
Fluid Mechanics, Vol. 8, hal. 579 – 595.
Wang, J., & Hu, J. (2015). A Robust Combination Approach For Short-Term
Wind Speed Forecasting and Analysis Combination Of The ARIMA
(Autoregressive Integrated Moving Average), ELM (Extreme Learning
Machine), SVM (Support Vector Machine) and LSSVM (Least Square
SVM) forecasts using a GPR (Gaussian Process Regression) model.
Energy, Vol. 93, Hal : 41-56
Wang, J., & Serfling, R., (2005). Nonparametric multivariate kurtosis and
tailweight measures. Journal of Nonparametric Statistics, Vol. 17, Hal. 441-
456 259-278.
Wang S, Zhang N, Wu L, et al. Wind speed forecasting based on the hybrid
ensemble empirical mode decomposition and GA-BP neural network
method. Renew Energy 2016;94:629–36
Wei, W.W.S., (2006). Time Series Analysis Second Edition: Univariate and
Multivariate Methods (2nd eds). New York, United States of America:
Pearson Education.
20
Wilks, D.S., & Hamill, T.M., (2007). Comparison of Ensemble MOS Methods
Using GFS Reforecast. American Meteorological Society, Vol. 8, hal. 579 –
595.
Xie, T., (2017). Heteroscedasticity-Robust Model Screening: A Useful Toolkit
For Model Averaging In Big Data Analytics. Economics Letters, Vol. 151,
Hal. 119–122.
Xie, M. & Singh, K. (2013). Confidence Distribution, the Frequentist Distribution
Estimator of a Parameter: A Review. International Statistical Review ,
Vol.81(1), Hal.3–39.
Zaier, I., Shu, C., Ouarda, T.B.M.J., Seidou, O., & Chebana, F., (2010).
Estimation of Ice Thickness on Lakes Using Artificial Neural Network
Ensembles. Journal Of Hidrology, Vol. 383, hal. 330 -340.
Zhang, G. P., (2003). Time Series Forecasting Using a Hybrid ARIMA and
Neural Network Model. Neurocomputing. Vol. 50, hal. 159 -175.
Zhu, Y., (2005). Ensemble Forecast : A New Approach to Uncertainty and
Predictibility. Advance in Atmospheric Science, Vo. 22(6), hal. 781-788.
21