Bab III Komentar terhadap distribusi vec(R)
Bab ini mengetengahkan tentang komentar terhadap distribusi asimtotik dari matriks korelasi R, dalam bentuk vec(R), yang akan menjadi salah satu dasar dalam penelitian disertasi ini. Distribusi tersebut, yang dituliskan kembali dalam Teorema III.1, dapat dijumpai dalam Browne dan Saphiro (1986), Neudecker dan Wesselman (1990), Neudecker (1996) serta Schott (2007). Yang akan dikomentari adalah bahwa parameter mean dan variansinya ternyata didasarkan kepada nilai pendekatan bagi R. Hal ini akan ditunjukkan pada bab ini. Selanjutnya akan dilakukan kajian simulasi untuk melihat sejauh mana hasil pendekatan itu berbeda dengan R.
III.1 Distribusi vec(R)
Misalkan Z ,Z ,1 2 … ,ZN sampel acak berukuran N dari Z dengan matriks kovariansi P. Jika R adalah matriks korelasi sampel, maka vec(R) adalah representasi dari R dalam bentuk vektor. Vektor ini diperoleh dari R dengan menyusun kolom-kolomnya, yang satu di atas yang lain. Browne dan Saphiro (1986), Neudecker dan Wesselman (1990), Neudecker (1996) serta Schott (2007) melaporkan bahwa distribusi asimtotik dari vec(R) dirumuskan dalam Teorema III.1.
Teorema III.1
Misalkan X , X ,1 2 , Xnadalah sampel acak berukuran n yang berasal dari variabel acak
yang berdistribusi Np(µ Σ, ). Maka,
( )
( )
{
}
n 1 vec− R −vec P ⎯⎯d→ Np2
( )
0 ,Γ ………... (III.1)di mana
a. Γ = 2MpΦMp dengan Mp =
(
p2 pp)
1
I K
2 + ;
c. Φ =
{
Ip2 −(
Ip ⊗P)
Λp}
(
P⊗P)
{
Ip2 −Λp(
Ip ⊗P)
}
; d.∑
(
)
= ⊗ = Λ p i t i i t i i p ee ee 1, e adalah kolom ke-i dari matriks identitas i I yang berukuran p p
× p.
Pada bagian-bagian selanjutnya akan diturunkan bahwa parameter mean dan variansi pada distribusi tersebut di dasarkan kepada hasil pendekatan bagi matriks korelasi R, dan
bukan kepada R itu sendiri. Untuk menyelidiki pendekatan bagi R, digunakan metode
Deret MacLaurin.
III. 2 Pendekatan bagi Matriks Korelasi
Misalkan X , X ,1 2 , Xn adalah sampel acak berukuran n dari distribusi Np(µ Σ, ), dan S
dan R berturut-turut menyatakan matriks kovariansi dan korelasi sampel. Dalam
pembahasan selanjutnya akan sering digunakan matriks yang diberi lambang a Q
D yakni matriks diagonal di mana elemen-elemennya adalah elemen-elemen diagonal dari matriks
Q setelah dipangkatkan a. Jadi, a Q
D =
(
a a a)
11 22 pp
diag q ,q , ,q bila Q berukuran p× . p
Dengan demikian, matriks korelasi sampel dan matriks korelasi populasi berturut-turut dapat dituliskan dalam bentuk 12 12
S S R=D− SD− dan P=D−21 D−21 Σ Σ Σ . Akibatnya, jika Zi = 1 2 i
DΣ− X , maka Z ,Z ,1 2 ,Zn saling bebas dan berdistribusi
(
)
1 2
p
N DΣ− µ,P .
Menarik untuk dicatat bahwa matriks korelasi sampel dari Z ,Z ,1 2 ,Zn adalah sama
dengan matriks korelasi sampel dari X , X ,1 2 , Xn. Untuk menunjukkannya, kita misalkan S * adalah matriks kovariansi sampel dari Z ,Z ,1 2 ,Zn. Maka,
S * = var z( )i =
(
12)
i var D xΣ− = 21 ( ) 12 i DΣ− var x DΣ−= D−12 S D−12
Σ Σ , karena var x( )i =S. Dengan demikian, terdapat hubungan 12
0 S D− = 12 12 S D D− Σ = 12 12 S
D DΣ − . Akibatnya, matriks korelasi sampel Z ,Z ,1 2 ,Zn adalah 1 1 2 2 S* S* D S * D =
(
)
1 1 1 1 1 1 2 2 2 2 2 2 S S D− DΣ DΣ− SDΣ− D DΣ − =(
) (
)
1 1 1 1 1 1 2 2 2 2 2 2 S S D− D DΣ Σ− S DΣ− DΣ D− = 1 1 2 2 S S D− SD− = R.Jadi matriks korelasi sampel Z ,Z ,1 2 ,Zn sama dengan matriks korelasi sampel
1 2 n
X , X , , X .
Selanjutnya, akan diturunkan nilai pendekatan bagi matriks korelasi sampel R melalui
Deret MacLaurin yang dituliskan dalam bentuk lemma berikut.
Lemma III.2
Misalkan Y adalah matriks simetri berukuran p× dan p ε adalah suatu skalar positif sehingga nilai dari
(
Ip Y)
1−
+ε ada. Misalkan
(
)
1 2 pI +εY − adalah suatu matriks simetri yang merupakan akar dari
(
Ip Y)
1− +ε , yang berarti
(
) (
) (
)
1 1 1 2 2 p p p I +εY − = I +εY − I +εY − . Maka(
)
1 i 2 p p i i 1 I εY I ε B ∞ − = + ≈ +∑
di mana, 1 1 B Y 2 = − , 2 2 3 B Y 8 = , 3 3 5 B Y 16 = − dan 4 4 35 B Y 128 = .Pembuktian Lemma III.2 telah dapat dilakukan penulis berdasarkan Metode Perturbasi yang disarankan oleh Schott (1997, hal. 362) ataupun melalui Deret MacLaurin.
Berdasarkan Lemma III.2, nilai pendekatan bagi matriks korelasi sampel R dapat
dirumuskan dalam proposisi berikut.
Proposisi III.3
Jika A = S * – P, maka R dapat didekati oleh nilai pendekatan orde pertama berikut
R ≈ ( A A ) 1 P A PD D P 2 + − + Bukti
Karena S * = P + A, maka terdapat hubungan DS* =DP+DA. Selanjutnya, karena setiap elemen diagonal dari P bernilai 1, maka DP = . Jadi, Ip DS* =Ip+DA. Jika D = A ε , Y
maka DS* =Ip+εY. Akibatnya, R = 1 1 2 2 S* S* D S * D− − =
(
)
(
)
(
)
1 1 2 2 p p I +εY − P+A I +εY − =(
) (
) (
) (
)
1 1 1 1 2 2 2 2 p p p p I +εY − P I +εY − + I +εY − A I +εY −Berdasarkan Lemma III.2,
(
)
1
2 1
2
p p
I + εY − ≈I − ε . Dengan demikian, R dapat dituliskan Y
sebagai berikut. R ≈ Ip 1 Y P Ip 1 Y Ip 1 Y A Ip 1 Y 2ε 2ε 2ε 2ε ⎛ − ⎞ ⎛ − ⎞ ⎛+ − ⎞ ⎛ − ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ⎝ ⎠ ≈ I Pp 1 YP Ip 1 Y I Ap 1 YA Ip 1 Y 2ε 2ε 2ε 2ε ⎛ − ⎞⎛ − ⎞ ⎛+ − ⎞⎛ − ⎞ ⎜ ⎟⎜ ⎟ ⎜ ⎟⎜ ⎟ ⎝ ⎠⎝ ⎠ ⎝ ⎠⎝ ⎠ ≈ p p 1 1 p 1 p p 1 1 p 1 I P I Y YP I Y I A I Y YA I Y 2 2 2 2 2 2 ⎛ ⎛ − ⎞− ⎛ − ⎞⎞ ⎛+ ⎛ − ⎞− ⎛ − ⎞⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎝ ⎠ ⎝ ⎠⎟ ⎜ ⎝ ⎠ ⎝ ⎠⎟ ⎝ ε ε ε ⎠ ⎝ ε ε ε ⎠ ≈ I PIp p I Pp 1 Y 1 YPIp 1 YP1 Y 2 2 2 2 ⎛ − −⎛ − ⎞⎞ ⎜ ⎟ ⎜ ⎝ ⎠⎟ ⎝ ε ε ε ε ⎠ +
p p p p 1 1 1 1 I AI I A Y YAI YA Y 2 2 2 2 ⎛ − −⎛ − ⎞⎞ ⎜ ⎟ ⎜ ⎝ ⎠⎟ ⎝ ε ε ε ε ⎠ ≈ 1 1 1 1 1 1 1 1 P P Y YP YP Y A A Y YA YA Y 2 2 2 2 2 2 2 2 ⎛ − −⎛ − ⎞⎞ ⎛+ − −⎛ − ⎞⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎝ ⎠⎟ ⎜ ⎝ ⎠⎟ ⎝ ε ε ε ε ⎠ ⎝ ε ε ε ε ⎠, ≈ 1 1 1 1 1 1 1 1 P P Y YP YP Y A A Y YA YA Y 2 2 2 2 2 2 2 2 ⎛ − −⎛ − ⎛ ⎞ ⎞⎞ ⎛+ − −⎛ − ⎛ ⎞ ⎞⎞ ⎜ ⎜ ⎜ ⎟⎝ ⎠ ⎟⎟ ⎜ ⎜ ⎜ ⎟⎝ ⎠ ⎟⎟ ⎝ ⎠ ⎝ ⎠ ⎝ ε ε ε ε ⎠ ⎝ ε ε ε ε ⎠, ≈ 1 1 1 1 1 1 P P Y YP YP Y A A Y YA YA Y 2 2 4 2 2 4 ⎛ − −⎛ − ⎞⎞ ⎛+ − −⎛ − ⎞⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎝ ⎠⎟ ⎜ ⎝ ⎠⎟ ⎝ ε ε ε ε ⎠ ⎝ ε ε ε ε ⎠ ≈ 1 1 1 1 1 1 P P Y YP YP Y A A Y YA YA Y 2 2 4 2 2 4 ⎛ − − + ⎞+ − − + ⎜ ⎟ ⎝ ε ε ε ε ⎠ ε ε ε ε ≈ 1 1 1 1 1 1 P P Y YP YP Y A A Y YA YA Y 2 2 4 2 2 4 − ε − ε + ε ε + − ε − ε + ε ε
Karena ε kecil, maka suku-suku orde dua (pangkat dua) dari ε akan jauh lebih kecil harganya. Dengan demikian, 1 YP Y 1A Y 1 YA 1 YA Y
4ε ε −2 ε −2ε +4ε ε ≈ 0 dan pendekatan
orde pertama dari R adalah R ≈ P A 1P Y 1 YP
2 2 + − ε − ε atau R ≈ P A 1
(
P Y YP)
2 + − ε +ε atau R ≈(
)
A A 1 P A PD D P 2+ − + , karena DA =εY. Jadi, terbuktilah proposisi di atas
Pada Tabel III.1 ditampilkan hasil simulasi untuk membandingkan R dan nilai
pendekatannya. Untuk itu, dibangkitkan data acak sebanyak n = 100 yang diambil dari
distribusi Np
( )
0 ,Ip dengan untuk p dari 2 hingga 10. Tabel tersebut menunjukkanbahwa R dan nilai pendekatannya tidak jauh berbeda. Oleh karena itu, hasil ini akan
digunakan pada langkah-langkah penelitian selanjutnya.
III.3 Mean dan Variansi vec(R)
Dengan menggunakan Proposisi III.3 di atas, diperoleh pendekatan bagi vec(R) sebagai
berikut, vec(R) ≈ ( A A ) 1 vec P A PD D P 2 ⎛ + − + ⎞ ⎜ ⎟ ⎝ ⎠
≈ ( ) ( ) ( A A ) 1
vec P vec A vec PD D P
2 ⎛ ⎞ + − ⎜ + ⎟ ⎝ ⎠ ≈ ( ) ( ) ( A A ) 1
vec P vec A vec PD D P
2
+ − +
≈ ( ) ( )
{
( A) ( A )}
1
vec P vec A vec PD vec D P
2
+ − +
≈ ( ) ( )
{
(
A p)
(
A p)
}
1vec P vec A vec PD I vec D PI
2
+ − +
≈ ( ) ( )
{
(
p)
( )A(
p)
( )A}
1vec P vec A I P vec D P I vec D
2
+ − ⊗ + ⊗
≈ ( ) ( )
{
(
p) (
p)
}
( )A 1vec P vec A I P P I vec D
2
Tabel III.1. Perbandingan R dengan pendekatannya
( )
Rˆ No p R Pendekatan R( )
ˆR R ˆR Tr R( )
2 Tr R( )
ˆ2 1 2 1.0000 -0.1926 -0.1926 1.0000 ⎛ ⎞ ⎜ ⎟ ⎝ ⎠ 1.0000 -0.2114 -0.2114 1.0000 ⎛ ⎞ ⎜ ⎟ ⎝ ⎠ 0.9629 0.9553 2.0742 2.0894 2 3 1.0000 0.1620 -0.0551 0.1620 1.0000 -0.0689 -0.0551 -0.0689 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1.0000 0.1583 -0.0542 0.1583 1.0000 -0.0690 -0.0542 -0.0690 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.9672 0.9684 3.0681 3.0655 3 4 1.0000 0.1130 -0.0607 0.0545 0.1130 1.0000 -0.1414 0.0372 -0.0607 -0.1414 1.0000 -0.1203 0.0545 0.0372 -0.1203 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1.0000 0.1128 -0.0671 0.0604 0.1128 1.0000 -0.1472 0.0388 -0.0671 -0.1472 1.0000 -0.1391 0.0604 0.0388 -0.1391 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.9491 0.9420 4.1105 4.1268 4 5 1.0000 0.0509 -0.0405 -0.1043 -0.0287 0.0509 1.0000 -0.0058 0.1414 0.0805 -0.0405 -0.0058 1.0000 -0.0292 0.0092 -0.1043 0.1414 -0.0292 1.0000 -0.0141 -0.0287 0.0805 0.0092 -0.0141 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1.0000 0.0496 -0.0479 -0.0959 -0.0328 0.0496 1.0000 -0.0065 0.1218 0.0862 -0.0479 -0.0065 1.0000 -0.0305 0.0119 -0.0959 0.1218 -0.0305 1.0000 -0.0142 -0.0328 0.0862 0.0119 -0.0142 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.9542 0.9595 5.0872 5.0772 5 6 1.0000 -0.1628 -0.0294 -0.0659 -0.0452 -0.0666 -0.1628 1.0000 -0.1266 0.1797 -0.0353 -0.1353 -0.0294 -0.1266 1.0000 -0.1419 -0.0433 0.1851 -0.0659 0.1797 -0.1419 1.0000 0.1817 -0.1805 -0.0452 -0.0353 -0.0433 0.1817 1.0000 0.0186 -0.0666 -0.1353 0.1851 -0.1805 0.0186 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1.0000 -0.1568 -0.0311 -0.0673 -0.0427 -0.0680 -0.1568 1.0000 -0.1180 0.1618 -0.0295 -0.1219 -0.0311 -0.1180 1.0000 -0.1402 -0.0396 0.1830 -0.0673 0.1618 -0.1402 1.0000 0.1606 -0.1724 -0.0427 -0.0295 -0.0396 0.1606 1.0000 0.0164 -0.0680 -0.1219 0.1830 -0.1724 0.0164 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.8058 0.8260 6.4566 6.4058Tabel III.1 (Sambungan) No p R Pendekatan R
( )
ˆR R Rˆ Tr R( )
2( )
2 ˆ Tr R 6 7 1.0000 0.0937 -0.0504 -0.1269 -0.0652 0.0095 0.0756 0.0937 1.0000 -0.0912 0.0401 -0.0679 0.0595 0.0088 -0.0504 -0.0912 1.0000 0.0943 -0.0543 -0.1379 -0.1688 -0.1269 0.0401 0.0943 1.0000 -0.0659 0.0777 -0.0067 -0.0652 -0.0679 -0.0543 -0.0659 1.0000 0.0004 -0.1217 0.0095 0.0595 -0.1379 0.0777 0.0004 1.0000 0.1582 0.0756 0.0088 -0.1688 -0.0067 -0.1217 0.1582 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1.0000 0.0944 -0.0559 -0.1224 -0.0580 0.0086 0.0777 0.0944 1.0000 -0.1036 0.0396 -0.0619 0.0558 0.0092 -0.0559 -0.1036 1.0000 0.1025 -0.0545 -0.1420 -0.1957 -0.1224 0.0396 0.1025 1.0000 -0.0575 0.0696 -0.0068 -0.0580 -0.0619 -0.0545 -0.0575 1.0000 0.0003 -0.1133 0.0086 0.0558 -0.1420 0.0696 0.0003 1.0000 0.1513 0.0777 0.0092 -0.1957 -0.0068 -0.1133 0.1513 1.0000 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.8491 0.8440 7.3305 7.3434 7 8 1 -0.1609 0.0972 0.0639 -0.0421 0.0586 0.0783 0.0661 -0.1609 1 -0.0383 0.1678 0.0051 0.1779 -0.06630.0989 0.0972 -0.0383 1 0.0149 -0.0788-0.0263-0.0182 0.0986 0.0639 0.1678 0.0149 1 -0.056 -0.13430.0912 -0.0231 -0.0421 0.0051 -0.0788 -0.056 1 -0.08730.1551 0.1416 0.0586 -0.1779 -0.0263 -0.1343-0.0873 1 0.1116 0.04 0.0783 -0.0663 -0.0182 0.0912 0.1551 0.1116 1 0.092 0.0661 0.0989 0.0986 -0.0231 0.1416 0.04 0.092 1 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎜ ⎜ ⎜ ⎜⎜ ⎝ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟⎟ 1 -0.1623 0.1043 0.0719 -0.0486 0.0607 0.0829 0.0681 -0.1623 1 -0.0384 0.1766 0.0056 -0.1722 -0.0656 0.0952 0.1043 -0.0384 1 0.0167 -0.0905-0.0271 -0.0192 0.1011 0.0719 0.1766 0.0167 1 -0.0675-0.1451 0.1007 -0.0248 -0.0486 0.0056 -0.0905-0.0675 1 -0.0968 0.1758 0.1562 0.0607 -0.1722 -0.0271-0.1451 -0.0968 1 0.1134 0.0396 0.0829 -0.0656 -0.0192 0.1007 0.1758 0.1134 1 0.093 0.0681 0.0952 0.1011-0.0248 0.1562 0.0396 0.093 1 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.7665 0.7417 8.5040 8.5591 8 9 1 0.0435 -0.031 -0.0269 0.0593 -0.0831 -0.1683 0.0707 -0.0351 0.0435 1 -0.1668 0.0436 0.2453 0.1451 -0.1277 0.0431 -0.1245 -0.031 -0.1668 1 -0.0408 -0.2206 -0.1629 0.0286 0.0887 0.0553 -0.0269 0.0436 -0.0408 1 -0.1698 -0.006 0.0343 -0.0323 0.0207 0.0593 0.2453 -0.2206 -0.1698 1 -0.0775 0.0137 0.0895 0.0713 -0.0831 0.1451 -0.1629 -0.006 -0.0775 1 0.0205 -0.2158 0.0538 -0.1683-0.1277 0.0286 0.0343 0.0137 0.0205 1 -0.2242 0.1012 0.0707 0.0431 0.0887 -0.0323 0.0895 -0.2158 -0.2242 1 -0.0325 -0.0351-0.1245 0.0553 0.0207 0.0713 0.0538 0.1012 -0.0325 1 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1 0.0416 -0.0333 -0.0251 0.0543 -0.0753-0.1613 0.0697 -0.0351 0.0416 1 -0.2035 0.0462 0.2552 0.1492 -0.1389 0.0483 -0.1414 -0.0333-0.2035 1 -0.0486-0.2581 -0.1883 0.035 0.1117 0.0707 -0.0251 0.0462 -0.0486 1 -0.1724 -0.006 0.0364-0.0353 0.0229 0.0543 0.2552 -0.2581 -0.1724 1 -0.0764 0.0143 0.096 0.0777 -0.0753 0.1492 -0.1883 -0.006 -0.0764 1 0.0212-0.2288 0.0579 -0.1613-0.1389 0.035 0.0364 0.0143 0.0212 1 -0.2516 0.1152 0.0697 0.0483 0.1117 -0.0353 0.096 -0.2288 -0.2516 1 -0.038 -0.0351-0.1414 0.0707 0.0229 0.0777 0.0579 0.1152 -0.038 1 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.6293 0.5741 9.8880 10.0564 9 10 1 0.0309 0.1055 0.1016 0.1269 0.0604 0.1231 -0.0179 -0.1636 -0.0195 0.0309 1 -0.022 0.0895 -0.1052 0.0733-0.0521 0.2143 0.0084 -0.0803 0.1055-0.022 1 0.0054 0.2138 0.1813 0.0605 0.0807 0.2078 -0.0246 0.1016 0.0895 0.0054 1 -0.0419 -0.0165-0.1751 -0.0271-0.1255 -0.0496 0.1269-0.1052 0.2138-0.0419 1 0.1521 -0.0131-0.0869 0.0365 0.0456 0.0604 0.0733 0.1813-0.0165 0.1521 1 0.2224 0.2431-0.0644 -0.051 0.1231-0.0521 0.0605-0.1751-0.0131 0.2224 1 0.0016-0.0899 0.008 -0.0179 0.2143 0.0807-0.0271-0.0869 0.2431 0.0016 1 -0.0608-0.0337 -0.1636 0.0084 0.2078-0.1255 0.0365-0.0644 -0.0899 -0.0608 1 -0.1329 -0.0195-0.0803 -0.0246-0.0496 0.0456 -0.051 0.008 -0.0337-0.1329 1 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 1 0.0301 0.1038 0.0991 0.1139 0.0556 0.1243 -0.0152 -0.1578 -0.0197 0.0301 1 -0.0232 0.0937 -0.1013 0.0724 -0.0564 0.1943 0.0086 -0.0873 0.1038 -0.0232 1 0.0057 0.2076 0.1806 0.0661 0.0738 0.2169 -0.0269 0.0991 0.0937 0.0057 1 -0.0404-0.0163-0.1897 -0.0246 -0.1299 -0.0539 0.1139 -0.1013 0.2076 -0.0404 1 0.1383-0.0131 -0.0725 0.0347 0.0455 0.0556 0.0724 0.1806 -0.0163 0.1383 1 0.2275 0.2081 -0.063 -0.0523 0.1243 -0.0564 0.0661-0.1897 -0.0131 0.2275 1 0.0015 -0.0963 0.009 -0.0152 0.1943 0.0738 -0.0246 -0.0725 0.2081 0.0015 1 -0.0545 -0.0317 -0.1578 0.0086 0.2169 -0.1299 0.0347 -0.063 -0.0963 -0.0545 1 -0.1427 -0.0197-0.0873-0.0269 -0.0539 0.0455 -0.0523 0.009 -0.0317 -0.1427 1 ⎛ ⎞ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎜ ⎟ ⎝ ⎠ 0.5752 0.5883 11.0587 11.0138Sekarang kita perhatikan terlebih dahuluvec D( )A . Karena p t A i ii i i 1 D e a e = =
∑
di mana ie adalah vektor kolom ke-i dari matriks satuan berukuran p x p, maka
D = A
(
)
p t t t i i i ii ii i i i 1 e e Ae e , a e Ae = =∑
=( ) ( )
p t t i i i i i 1 e e A e e =∑
= p ii ii i 1 E A E =∑
dengan Eii =e ei it. Dengan demikian, vec D( )A =(
)
p ii ii i 1 vec E A E =∑
=(
)
( )
p t ii ii i 1 E E vec A = ⊗∑
, sebab Eii simetris = Λpvec A( )
, sebab Λ = p(
)
p t ii ii i 1 E E = ⊗∑
Oleh karena itu,
var vec A
{
( )}
={
(
*)
}
var vec S −P =
{
( )
* ( )}
var vec S −vec P
=
{
( )
*}
var vec S , karena P merupakan matriks konstanta
= var vec D
{
(
−12SD−12)
}
Σ Σ = var{
(
D−12⊗D−12)
vec S( )}
Σ Σ =(
(
12 21)
( ))
(
(
12 12)
( ))
t E DΣ− ⊗DΣ− vec S DΣ− ⊗DΣ− vec S –(
)
( )(
1 1)
(
(
1 1)
( ))
2 2 2 2 t E DΣ− ⊗DΣ− vec S E DΣ− ⊗DΣ− vec S =(
12 21)
( )(
( ))
(
12 21)
t t E⎜⎛ D− ⊗D− vec S vec S D− ⊗D− ⎞⎟ ⎝ Σ Σ Σ Σ ⎠ –(
1 1)
(
( ))
(
( ))
(
1 1)
2 2 2 2 t t DΣ− ⊗DΣ− E vec S E vec S DΣ− ⊗DΣ− =(
12 21)
(
( )(
( ))
)(
12 21)
t t DΣ− ⊗DΣ− E vec S vec S DΣ− ⊗DΣ− –(
1 1)
(
( ))
(
( ))
(
1 1)
2 2 2 2 t t DΣ− ⊗DΣ− E vec S E vec S DΣ− ⊗DΣ− =(
12 21)
(
( )(
( ))
)
(
( ))
(
( ))
(
12 12)
t t tD− ⊗D− ⎢⎡E vec S vec S −E vec S E vec S ⎤⎥ D− ⊗D−
⎣ ⎦
Σ Σ Σ Σ
=
(
12 12)
{
( )}
(
12 12)
t DΣ− ⊗DΣ− var vec S DΣ− ⊗DΣ−
Akan tetapi, seperti dikemukakan dalam Mardia dkk. (1979), Schott (1997, 2001)
dan Djauhari (2007), var vec S
{
( )}
=(
p2 pp)
( ) 1I K
n 1− + Σ Σ⊗ . Oleh karena itu,
var vec A
{
( )}
=(
21 12)
(
)
( )(
12 12)
2 t pp p 1 D D I K D D n 1 − ⊗ − + ⊗ − ⊗ − − Σ Σ Σ Σ Σ Σ =(
(
12 21) (
21 12)
)
( )(
12 12)
2 t pp p 1 D D I D D K D D n 1 − ⊗ − + − ⊗ − ⊗ − ⊗ − − Σ Σ Σ Σ Σ Σ Σ Σ =(
(
12 21) (
12 12)
)
( )(
12 12)
t t pp 1 D D D D K D D n 1 − ⊗ − + − ⊗ − ⊗ − ⊗ − − Σ Σ Σ Σ Σ Σ Σ Σ =(
(
12 21) (
12 12)
)
( )(
12 12)
2 t pp p 1 I D D K D D D D n 1 − ⊗ − + − ⊗ − ⊗ − ⊗ − − Σ Σ Σ Σ Σ Σ Σ Σ =(
)
(
12 21)
( )(
12 21)
2 t pp p 1 I K D D D D n 1 − − − − + ⊗ ⊗ ⊗ − Σ Σ Σ Σ Σ Σ Karena(
12 12) ( ) ( ) (
12 12 12 12)
t t t D− ⊗D− =⎜⎛ D− ⊗ D− ⎟⎞= D− ⊗D− ⎝ ⎠ Σ Σ Σ Σ Σ Σ , 1 2DΣ− adalah matriks simetri, maka var vec A
{
( )}
=(
)
(
21 21)(
12 12)
2 pp p 1 I K D D D D n 1 − − − − + ⊗ ⊗ − Σ Σ Σ Σ Σ Σ =(
)
(
12 12 12 12)
2 pp p 1 I K D D D D n 1 − − − − + ⊗ − Σ Σ Σ Σ Σ Σ =(
p2 pp)
( ) 1 I K P P n 1− + ⊗ = p( ) 2 M P P n 1− ⊗ dengan p(
p2 pp)
1 M I K 2 = + .Akan tetapi, berdasarkan sifat matriks komutasi seperti dikemukakan dalam Schott (1997, hal 403), ruas kanan sama dengan p( ) p
2 M P P M n 1− ⊗ . Dengan demikian, diperoleh ( )
{
}
var vec A = p( ) p 2 M P P M n 1− ⊗ .Berdasarkan kesamaan ini, dengan menggunakan nilai pendekatan bagi R yang
dikemukakan dalam Proposisi III.3, berikut ini akan diturunkan nilai pendekatan bagi mean dan variansi dari vec(R).
III.3.1. Mean vec(R)
Dengan menggunakan nilai pendekatan bagi R≈ ( A A ) 1
P A PD D P 2
+ − + pada
Proposisi III.3, mean dari vec(R) adalah
E vec R
(
( ))
≈ ( ) p2{
(
p) (
p)
}
p ( ) 1 E vec P I I P P I vec A 2 ⎛ +⎡ − ⊗ + ⊗ ⎤ ⎞ ⎜ ⎢⎣ ⎥⎦ ⎟ ⎝ Λ ⎠ ≈(
( ))
p2{
(
p) (
p)
}
p ( ) 1 E vec P E I I P P I vec A 2 ⎛⎡ ⎤ ⎞ + ⎜⎢ − ⊗ + ⊗ ⎥ ⎟ ⎣ ⎦ ⎝ Λ ⎠ ≈ ( ) p2{
(
p) (
p)
}
p(
( ))
1 vec P I I P P I E vec A 2 ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎣ Λ ⎦ ≈ ( ) 2{
(
) (
)
}
(
(
)
)
* * p p p p 1 vec P I I P P I E vec S P , A S P 2 ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ − = − ⎣ Λ ⎦ ≈ ( ){
(
) (
)
}
(
( )
*)
(
( ))
2 p p p p 1vec P I I P P I E vec S E vec P 2 ⎡ ⎤ ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎢ − ⎥ ⎣ ⎦ ⎣ Λ ⎦ ≈ ( )
{
(
) (
)
}
(
(
1 1)
)
( ) 2 2 2 p p p p 1vec P I I P P I E vec D SD vec P 2 − − ⎡ ⎤ ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎢ − ⎥ ⎣ ⎦ ⎣ Λ ⎦ Σ Σ ≈ ( )
{
(
) (
)
}
(
(
1 1)
( ))
( ) 2 2 2 p p p p 1vec P I I P P I E D D vec S vec P
2 − − ⎡ ⎤ ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎢ ⊗ − ⎥ ⎣ ⎦ ⎣ Λ ⎦ Σ Σ ≈ ( )
{
(
) (
)
}
(
1 1)
(
( ))
( ) 2 2 2 p p p p 1vec P I I P P I D D E vec S vec P
2 − − ⎡ ⎤ ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎢ ⊗ − ⎥ ⎣ ⎦ ⎣ Λ ⎦ Σ Σ ≈ ( )
{
(
) (
)
}
(
1 1)
( ) ( ) 2 2 2 p p p p 1vec P I I P P I D D vec vec P
2 − − ⎡ ⎤ ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎢ ⊗ − ⎥ ⎣ ⎦ ⎣ Λ ⎦ Σ Σ Σ ≈ ( )
{
(
) (
)
}
(
1 1)
( ) 2 2 2 p p p p 1vec P I I P P I vec D D vec P
2 − − ⎡ ⎤ ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥ ⎢ − ⎥ ⎣ ⎦ ⎣ Λ ⎦ Σ Σ Σ ≈ ( ) p2
{
(
p) (
p)
}
p ( ) ( ) 1vec P I I P P I vec P vec P
2
⎡ ⎤
+⎢ − ⊗ + ⊗ ⎥⎡⎣ − ⎤⎦
⎣ Λ ⎦
Suku kedua pada ruas kanan berharga 0. Dengan demikian, diperoleh
( )
(
)
( )III.3.2. Variansi vec(R)
Sekali lagi dengan menggunakan nilai pendekatan bagi R, diperoleh vec R( ) ≈
( ) p2
{
(
p) (
p)
}
p ( ) 1 vec P I I P P I vec A 2 ⎡ ⎤ +⎢ − ⊗ + ⊗ ⎥⎣ Λ ⎦ . Oleh karena itu,
var vec R
(
( ))
≈ ( ) p2{
(
p) (
p)
}
p ( ) 1var vec P I I P P I vec A 2 ⎛ +⎡ − ⊗ + ⊗ ⎤ ⎞ ⎜ ⎢⎣ ⎥⎦ ⎟ ⎝ Λ ⎠ ≈ p2
{
(
p) (
p)
}
p ( ) 1 var I I P P I vec A 2 ⎛⎡ − ⊗ + ⊗ ⎤ ⎞ ⎜⎢⎣ ⎥⎦ ⎟ ⎝ Λ ⎠ ≈ p2{
(
p) (
p)
}
p(
( ))
1 I I P P I var vec A 2 ⎡ − ⊗ + ⊗ ⎤ ⎢ ⎥ ⎣ Λ ⎦ .(
) (
)
{
}
2 t p p p p 1 I I P P I 2 ⎡ − ⊗ + ⊗ ⎤ ⎢ ⎥ ⎣ Λ ⎦ ≈ p2{
(
p) (
p)
}
p p( ) p 1 2 I I P P I M P P M 2 n 1 ⎡ − ⊗ + ⊗ ⎤ ⊗ ⎢ ⎥ − ⎣ Λ ⎦ .(
) (
)
{
}
2 t p p p p 1 I I P P I 2 ⎡ − ⊗ + ⊗ ⎤ ⎢ ⎥ ⎣ Λ ⎦ ≈ p2{
(
p) (
p)
}
p p ( ) 2 1 I I P P I M P P n 1 2 ⎧⎡ − ⊗ + ⊗ ⎤ ⎫ ⊗ ⎨⎢ ⎥ ⎬ − ⎩⎣ Λ ⎦ ⎭ .(
) (
)
{
}
2 t p p p p p 1 M I I P P I 2 ⎧ ⎫ ⎪ ⎡ − ⊗ + ⊗ ⎤ ⎪ ⎨ ⎢ ⎥ ⎬ ⎣ ⎦ ⎪ ⎪ ⎩ Λ ⎭ Karena p2{
(
p) (
p)
}
p p p{
p2(
p)
p}
1 I I P P I M M I I P 2 ⎡ − ⊗ + ⊗ ⎤ = − ⊗ ⎢ ⎥ ⎣ Λ ⎦ Λ dan Mp simetrisseperti dikemukakan dalam Schott (1997, hal. 415 dan hal. 282), maka
( )
(
)
var vec R ≈{
{
2(
)
}
}
( ) 2{
(
) (
)
}
t p p p p p p p p p 2 1 K I I P P P I I P P I M N n 1 2 ⎧⎡ ⎤ ⎫ − ⊗ ⊗ ⎨⎢ − ⊗ + ⊗ ⎥ ⎬ − Λ ⎩⎣ ⎦ ⎭ ≈{
{
2(
)
}
}
( ){
{
2(
)
}
}
t p p p p p p p p 2 M I I P P P M I I P n 1− − ⊗ Λ ⊗ − ⊗ Λ ≈{
2(
)
}
( ){
2(
)
}
t p p p p p p p p 2 M I I P P P I I P M n 1− − ⊗ Λ ⊗ − ⊗ Λ ≈ p{
p2(
p)
p}
( ){
p2 p(
p)
}
p 2 M I I P P P I I P M n 1− − ⊗ Λ ⊗ −Λ ⊗ .Akan tetapi, berdasarkan Teorema III.1
{
Ip2 −(
Ip⊗P)
Λp}
(P⊗P){
Ip2 −Λp(
Ip⊗P)
}
Jadi, ( )