10-Model Berpangkat Tidak Penuh
Download
Report
Transcript 10-Model Berpangkat Tidak Penuh
Model Berpangkat
Tidak Penuh
(MODEL ANOVA)
LOGO
nuvie.stis@2010
Materi kuliah model linier – stis@2010
LOGO
Contents
1
Formulasi Model
2
Estimasi Parameter
3
Reparameterisasi
4
5
Estimabilitas
Materi kuliah model linier – stis@2010
LOGO
Formulasi Model
Model full rank:
y = Xβ + ε
ε = y E (y )
Sehingga E(e) = 0, dan E(y) = X. Setiap elemen e
diasumsikan memiliki varians 2 dan covarians 0, sehingga:
ε
N ( 0 , I ) d an y
2
N (Xβ, I)
2
Persamaan normal berdasarkan model diatas dapat
diselesaikan dengan OLS, sehingga didapat persamaan:
X 'X β = X 'y
Materi kuliah model linier – stis@2010
LOGO
Formulasi Model
Model full rank:
X 'X β = X 'y
Nonsingular/Full rank
Bagaimana jika X’X tidak full rank?
Estimasi dilakukan
dengan G-Inverse
sehingga solusi
tidak unik
Materi kuliah model linier – stis@2010
LOGO
Formulasi Model
Contoh:
Terdapat 3 metode diet, berikut adalah data 6 orang sampel
yang didata rata-rata penurunan berat badan, setelah sebulan
melakukan diet.
Obs
Penurunan Berat Badan (Kg)
Metode 1
Metode 2
Metode 3
Member 1
4
8
7
Member 2
6
12
-
Member 3
4
-
-
14
20
7
Materi kuliah model linier – stis@2010
LOGO
Formulasi Model
Contoh pada tabel diatas, yij adalah jumlah penurunan berat
badan (dalam kg) berdasarkan metode ke-i dan pengamatan
ke-j, dimana j = 1,2, …,ni
Yang harus dilakukan adalah mengestimasi efek metode diet
pada hasil penurunan berat badan. Untuk itu, diasumsikan
observasi y adalah:
y ij i ij
Dimana adalah rata-rata populasi dari besarnya penurunan
berat badan, i adalah efek dari metode diet terhadap
penurunan berat badan, dan ij adalah random error .
Materi kuliah model linier – stis@2010
LOGO
Formulasi Model
Untuk membangun persamaan normal, dapat dituliskan sbb:
4 = + 1
+ 11
6 = + 1
+ 12
4 = + 1
+ 13
8=
+ 2
+ 21
12 =
+ 2
+ 22
7=
+ 3 + 31
Dan akan lebih mudah jika dituliskan dalam bentuk matriks:
y = Xβ + ε
Dengan β '
1
2
3
Materi kuliah model linier – stis@2010
LOGO
Estimasi Parameter Model
Jika X bukan matriks Full Rank, maka X’X juga tidak Full
Rank, Akibatnya:
-1
β (X 'X ) X 'Y
Akan memiliki solusi yang tidak unik.
Langkah yang diambil:
Reparameterisasi (a Possible solution)
Conditional Inverse/G-Inverse
see part G-Inverse
Materi kuliah model linier – stis@2010
LOGO
Estimasi Parameter Model
Teorema (1):
Misal Ax = g konsisten, dan X = Acg adalah sebuah solusi dari
sistem, dan Ac adalah conditional inverse dari A, maka:
AAcAX = AX
AAcg = g; X0 = Acg
AX0 = g
Analog dengan persamaan diatas:
( X'X ) b X'Y
c
b (X'X) X'Y
Materi kuliah model linier – stis@2010
LOGO
Estimasi Parameter Model
Teorema (2):
Misal Ax = g konsisten, dan Ac adalah conditional inverse dari A,
maka:
X0 = Acg + (I – AcA)z
Dimana z adalah sembarang vektor px1.
Bukti:
c
c
X 0 = A g + (I - A A )z
c
c
A X 0 = A A g + (I - A A )z
c
c
= AA g + A I - A A z
= g + (A - A )z
=g
Analog dengan persamaan diatas: b 0 = (X'X) c X'Y + I - (X'X) c (X'X) z
Jika z = 0, maka teorema (1) dapat digunakan.
Materi kuliah model linier – stis@2010
LOGO
Estimasi Parameter Model
Teorema (3):
Misal Ax = g konsisten, dan Ac adalah conditional inverse dari A. Jika
X0 adalah salah satu solusi dari sistem, maka:
X0 = Acg + (I – AcA)z
Dimana z = (I – AcA)X0
idem poten
Bukti: A c g + (I - A c A )z A c g + (I - A c A )(I - A c A ) X 0
c
c
A g (I - A A )X 0
c
c
c
c
= A g X0 - A AX0
= A g X0 - A g
= X0
Analog dengan persamaan diatas: b 0 = (X'X) c X'Y + I - (X'X) c (X'X) z
dimana z = [ I – (X’X)c(X’X) ] b0
Materi kuliah model linier – stis@2010
LOGO
Reparameterisasi
Model yang terbentuk pada contoh:
y ij i ij ; i = 1, 2, 3
j = 1, 2, …, ni
β
old
1
2
3
Xold is less then full rank
Dilakukan reparameterisasi menghasilkan model baru:
y ij i ij ; i = 1, 2, 3
j = 1, 2, …, ni
1
β
n ew 2
3
Xnew is full rank dan estimasi
parameter bisa dilakukan
Materi kuliah model linier – stis@2010
LOGO
Estimasi Varians
Pada Model Full Rank, unbiased varians 2 diestimasi dg:
SSE
2
SSE
2
Not full rank
s
s
( n-k- 1)
( n-r )
SSE y' I X(X' X)
Sehingga
(n r )s
2
2
1
X' y
SSE
2
Squared dengan df = n – r .
( X' X )
c
mengikuti distribusi chi-
Materi kuliah model linier – stis@2010
LOGO
Beberapa Konsekuensi
EXPECTED VALUES:
E(b) = E(GX’y) = GX’ E(y) = GX’Xb = Hb
Dengan G = (X’X)c dan H = GX’X
Sehingga b unbiased estimator dari Hb, bukan dari b
VARIANS:
var (b) = var (GX’y)
= GX’ var(y) XG’
= GX’XG’
Materi kuliah model linier – stis@2010
LOGO
Estimability
Pada Model tidak berpangkat penuh, tidak dapat
diestimasi secara unik. Banyak pilihan solusi dari (X’X)c,
akibatnya banyak kemungkinan bentuk persamaan normal.
Definisi:
Misalkan y = X + , dimana Xnxp dengan rank r p, E()=0,
dan var = 2I. Fungsi t’ dikatakan estimable jika terdapat
vektor c sedemikian hingga E(c’y) = t’
Teorema:
Misalkan y = X + , dimana Xnxp dengan rank r p, E()=0,
dan var = 2I. Kondisi yang harus dipenuhi supaya t’
estimable adalah jika solusi sistem persamaan (X’X)z = t
eksis.
Materi kuliah model linier – stis@2010
LOGO
Theorem of Estimability
Misal y = X + dimana Xnxp dengan rank r p, E()=0, dan
var = 2I. Fungsi t’ dikatakan estimable jika dan hanya
jika:
t’(X’X)c(X’X) = t’
Dengan (X’X)c adalah suatu conditional inverse.
Lemma:
Jika y = X + , dimana Xnxp dengan rank r p, E()=0, dan
var = 2I. Best Linear Unbiased Estimate untuk t’ = z’X’Y,
dimana z’ adalah solusi dari persamaan (X’X) z = t.
Bukti : Myers, page 212-213
Materi kuliah model linier – stis@2010
LOGO
Gauss Markoff Theorem
Misal y = X + dimana Xnxp dengan rank r p, E()=0, dan var =
2I. Jika t’ estimable, kemudian salah satu solusi dari (X’X)z = t
memberikan estimasi yang sama untuk t’. Sehingga Best Linear
Unbiased Estimate (BLUE) adalah t’b dimana b adalah salah satu
solusi dari persamaan normal.
Bukti:
Misalkan z0 dan z1 adalah solusi dari sistem (X’X)z = t, sehingga
(X’X)z0 = t dan (X’X)z1 = t
Dan
z0’ (X’X) = z1’ (X’X) = t’
Note:
X 'X b = X 'Y
Z 0 ' X 'X b = Z 0 ' X 'Y = t'b
Z 0 ' X 'Y = Z 1 ' X 'Y
Z 1 ' X 'X b = Z 1 ' X 'Y = t'b
Materi kuliah model linier – stis@2010
LOGO
Properties of Estimability
POIN PENTING TENTANG ESTIMABILITAS
Pada model tidak berpangkat penuh, pusat perhatian ada
pada fungsi estimable yaitu t’
Fungsi estimable dapat diestimasi secara unik (tunggal)
Estimasi unik (tunggal) untuk fungsi tersebut adalah t’b
dimana b adalah suatu solusi dari persamaan normal
t‘b adalah Best Linear Unbiased Estimator (BLUE
terhadap t’
Materi kuliah model linier – stis@2010
LOGO
Estimasi Interval
Sesuai dengan teori estimabilitas, bahwa kombinasi linier t’
merupakan fungsi yang estimable, maka estimasi interval dari
t’ diberikan oleh:
t ' b t 2 s t' (X' X) t
c
Sebelumnya:
cari distribusi dari t’b
buktikan bahwa antara t’b dan SSres/2 independen
[email protected]
www.themegallery.com
LOGO