net/publication/336312050
CITATIONS READS
0 66
1 author:
SE E PROFILE
Some of the authors of this publication are also working on these related projects:
All content following this page was uploaded by Ezra Putranda Setiawan on 07 October 2019.
Pendahuluan
y = f (x1, x2, . . . , xp ) + s
y = β0 + β1x + s
Definition
Penduga kuadrat terkecil pada model regresi linear sederhana di atas
merupakan nilai β0 dan β1 yang meminimumkan jumlah kuadrat dari error
atau galat, yakni:
Σn
min [yi − (β0 + β1xi )]2
i
=1
Ezra Putranda Setiawan Statistika Kekar / Robust Statistics 3 / 76
Penduga Kuadrat Terkecil
Teori
dan
n n
1Σ 1Σ
βˆ0= yi − βˆ ˆ
xi = y¯ − β
n 1
i ni x¯
1
=1 =1
Y = Xβ + s
. Σ−1 . Σ
b = XT X XT Y
Misal diamati hubungan antara rata-rata konsentrasi nitrogen per liter (Y)
dan persentase luas kawasan industri (X) di sekitar 20 buah sungai di New
York. Data diambil dari Chatterjee dan Hadi (2006).
Y 1.10 1.01 1.90 1.00 1.99 1.42 2.04 1.65 1.01 1.21
X 0.29 0.09 0.58 1.98 3.11 0.56 1.11 0.24 0.15 0.23
Y 1.33 0.75 0.73 0.80 0.76 0.87 0.80 0.87 0.66 1.25
X 0.18 0.16 0.12 0.35 0.35 0.15 0.22 0.18 0.13 0.13
Y = β0 + β1X + s
Regresi Kekar
Regresi Kekar
Breakdown Point
Definition
Breakdown point suatu penduga θˆuntuk parameter θ merupakan proporsi
kontaminasi terbesar (hasil observasi tak lazim) yang dapat dimiliki oleh
data sedemikian rupa sehingga θˆmasih memberikan informasi tentang θ
atau distribusi dari hasil observasi yang lazim. Dengan kata lain,
breakdown point merupakan proporsi kontaminasi terkecil yang dapat
dimiliki oleh data sedemikian rupa sehingga nilai penduganya menjadi
sangat besar (large aberrant values).
Breakdown Point
Example
Pada regresi dengan penduga kuadrat terkecil, sebuah observasi tak lazim
dapat mempengaruhi nilai dugaan koefisien regresi secara signifikan.
Dengan demikian,
sn∗ (T, Z ) =
n
1
Ekuivariansi
T (xi , yi + a; i = 1, . . . , n) = T (xi , yi ; i =
1, . . . , n) + a
regresi apabila
Ezra Putranda Setiawan Statistika Kekar / Robust Statistics 19 / 76
Σn Σ
min n
|ei | = min |Yi − (β 0+ β 1x i)|
i =1 i =1
Contoh Regresi
Contoh Regresi
Regresi M
Σn
min |Yi − (β 0+ β 1x i)|
i =1
Regresi M
Definition
Secara umum, penduga-M pada model regresi linear (sederhana)
merupakan solusi dari
Σn . Σ
yi − (β 0+ β 1x i)
min
s
ρ i
=1
dengan ρ merupakan fungsi yang memiliki sifat
1 ρ (u) = ρ
2 (−u).
ρ (u) naik monoton untuk u ≥
dan, 0.
s menyatakan penduga skala.
Mudah dipahami bahwa bila diambil ρ (u) = u2, akan diperoleh penduga
kuadrat terkecil, sedangkan bila diambil ρ (u) = |u| akan diperoleh
penduga regresi nilai mutlak terkecil.
Ezra Putranda Setiawan Statistika Kekar / Robust Statistics 30 / 76
Regresi Kekar Regresi M
. Σ−1
XTWXβ = XTWY ⇔ βˆ= XTWX XTWY
Bentuk di atas tidak lain adalah penyelesaian dari metode kuadrat terkecil
terboboti (weighted least square), namun penyelesaiannya bergantung
pada matriks bobot W, sedangkan W sendiri bergantung pada residual
model sebelumnya.
Ezra Putranda Setiawan Statistika Kekar / Robust Statistics 32 / 76
Regresi Kekar Regresi M
ψH (E ) = EeaE .
Contoh Regresi
Smith, Campbell, dan Lichfield (1984) mengukur kandungan 22 macam
mineral dalam 53 sampel batuan di Australia Barat.
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Regresi M
Dari formula di atas, terlihat jelas bahwa metode ini bersifat kekar,
karena hanya separuh data dengan residual terkecil yang digunakan
untuk menghitung nilai penduga parameter. Dengan kata lain, data
pencilan ekstrem diabaikan.
Komputasi dilakukan dengan bantuan pustaka r r c o v pada perangkat
lunak R.
Ezra Putranda Setiawan Statistika Kekar / Robust Statistics 55 / 76
Regresi Kekar Regresi Pengaruh Terbatas
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Contoh Regresi
Penduga S
Penduga S pada analisis regresi merupakan kelas atau kelompok
estimator yang bersifat equivarian affin, skala, dan regresi (Rousseuw
dan Leroy, 1987). Penduga ini meminimumkan dispersi residual
s (E1, E2, . . . , En), yakni
Contoh Regresi
Contoh Regresi
Regresi M M
Regresi M M
Σn . Σ
yi − (β0 + β1xij )
= 0, j = 0,
xijψ1 sn
i 1.
=1
Catatan: Fungsi objektif ρ1 tidak harus sama dengan ρ0, namun harus
memenuhi sifat-sifat berikut:
i. ρ bersifat simetrik, terdiferensial kontinu, dan ρ (0) = 0.
ii.Terdapat suatu a > 0 sedemikian rupa sehingga ρ menaik tegas pada
interval [0, a], dan konstan pada [a, ∞).
iii. ρ1 (u) ≤ ρ0 (u).
Contoh Regresi
Contoh Regresi
Contoh Regresi
Regresi Theil-Sen
βˆmedian
= 1 (Sij )
dan
βˆ0 = median (y ) − β1median (x )
Contoh Regresi
Contoh Regresi
Penduga M Rampat
a
tt s
wa n