REGRESSION ESTIMATORS
praze06
Definisi:
Regression Estimators adalah suatu metode
estimasi dengan mengambil manfaat hubungan
yang kuat antara variabel pendukung, xi, dengan
variabel yang diteliti, yi, (Jumlah populasi X dari xi
harus diketahui) dimana hubungannya mendekati linier
namun garisnya tidak melalui titik origin.
Perbedaannya dengan penduga rasio adalah garis dari
penduga rasio melaui titik origin.
praze06
Difference Estimator
Misalkan y dan x merupakan karakteristik-
karakteristik yang berhubugan. Kita ingin
memperkirakan Y . Jika dari suatu sampel acak
sederhana, kita memperoleh penduga-penduga
unbiased x dan y untuk Y dan X , maka kita
dapat memperbaiki penduga y dengan memperke-
nalkan suatu fungsi beda.
yD y X x
y D y c X x
praze06
Difference Estimator (lanjutan)
Teorema 6.1:
Dalam SRS-WOR, penduga beda y D adalah
unbiased dan varians samplingnya adalah
V ( y D ) V ( y ) c 2V ( x ) 2c cov( y , x )
V ( y )(1 2 )
2
praze06
Difference Estimator (lanjutan)
Teorema 6.2:
Dalam SRS-WOR, penduga beda y D adalah
(1 f ) 2
V ( yD )
n
S y c 2 S x2 2 cS y S x
dimana c kuantitas yang ditentukan
Bukti:
ui yi c xi X u y c x X
dan U Y c X X Y
N
(1 f )
(u U )2
(1 f ) 2 i
V ( y D ) V (u ) Su i
n n ( N 1)
N
(1 f )
[( y i Y ) c( xi X )]2
V ( yD ) i
n ( N 1)
(1 f ) 2
V ( yD ) ( S y c 2 S x2 2cS y S x )
n
praze06
Difference Estimator (lanjutan)
Corollary:
• Untuk kasus c=R(=Y/X), varians dari penduga beda
dengan penduga rasio aproksimasi order
pertama akan tepat sama.
• Penduga beda y D akan lebih tepat dari penduga
mean per unit y jika c < 2Sy/Sx
• Dalam SRS-WOR, penduga tak bias dari V( y D):
(1 f ) 2
v( y D )
n
s y c 2 s x2 2cS yx
praze06
Regression Estimator
Pada penduga beda sebelumnya, terlihat
bahwa nilai optimum yang diberikan untuk c
adalah , dimana koefisien regresi dari y terhadap
x. Umumnya tidak diketahui sebelumnya dan
nilainya diperkirakan dari sampel. Anggap yi dan xi
diperoleh dari masing-masing unit dalam sampel, maka
penduga kuadrat terkecil dari adalah:
n
(y i y )( xi x )
s yx
b i
n
s x2
(x
i
i x) 2
praze06
Regression Estimator (lanjutan)
Dalam sampel besar, penduga yang hampir
unbiased dari v( yl ) adalah:
(1 f ) (1 f ) 2
v ( yl ) (1 r ) s y
2 2
( s y b 2 s x2 )
n n
Penduga regresi adalah bias tapi konsisten, karena:
1. umumnya diperkirakan dengan mengambil rasio
perkiraan cov( y , x ) terhadap perkiraan V( x ) dan
2. Melibatkan perkalian dari dua perkiraan, yaitu b X .
Bias dari penduga regresi biasanya akan menjadi
sepele dan akan menurun jika ukuran sampel
meningkat.
praze06
Regression Estimator (lanjutan)
Penduga regresi tidak selalu merupakan sebuah pilihan yang
tepat mesikipun memberikan varians yang sama dengan atau kurang dari
varians yang lain (varians rasio). Yang perlu diperhatikan adalah:
1. Jika informasi sebelumnya pada sebuah nilai yang tepat dari (=c)
tersedia, dengan penghitungan sederhana hasil yang bagus dapat
diperoleh dengan nilai c seperti itu dengan penduga beda.
2. Jika x/ y , penduga beda dengan c=1 akan memberikan hasil
ketepatan yang sama seperti penduga regresi.
3. Jika Cx/ Cy , penduga rasio akan memberikan hasil ketepatan
yang sama seperti penduga regresi.
4. Jika berbeda dari x/ y , penduga regresi seharusnya lebih
disukai. Dalam situasi ini, penduga beda dengan c=1 akan
memberikan hasil yang tepat.
5. Jika berbeda dari Cx/ Cy , penduga rasio seharusnya lebih disukai.
Dalam situasi ini, varians penduga rasio akan lebih besar dari pada
penduga regresi.
6. Jika penghitungan penduga regresi adalah berat, membutuhkan
waktu dan mahal, penggunaannya disarankan hanya jika
keuntungan dari penghitungan seperti ini adalah jauh lebih
praze06
signifikan dari pada biaya tambahan.
Bias
Dalam SRS, bias dari yl diperkirakan oleh:
B ( yl ) cov( x , b)
(xi yi )(bi b)
Bˆ ( yl ) i
(k 1)
Penduga bias ini dapat digunakan untuk mendapatkan
penduga regresi.
praze06
Regression Estimator dalam Stratified Sampling
A. Separate Regression Estimator
k
yls Wh [ yh bh ( X h xh )]
h
(1 f h )
k
v ( yls ) W h
2
(1 ˆ h2 ) s yh
2
h nh
( y hi yh )( xhi xh )
ylc y st bc ( X xst ) b h i
k nh
( x
h i
hi xh ) 2
k
(1 f h ) 2
v( ylc ) W h
2
( s yh bc s xh 2bc ˆs xh s yh )
2 2
h nh
praze06