atinaahdika.com
Pengantar Statistika Matematika II
Metode Evaluasi EstimatorAtina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Ukuran Kebaikan Estimator
Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda, bagaimana cara memilih estimator terbaik?
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Penaksir Takbias
DefinisiSebuah estimator dikatakan memiliki sifat takbias jika E(ˆθ) = θ
Catatan:
Jika suatu penaksir ˆθ bersifat bias, maka selisih nilai ekspektasi dan nilai θ tidak nol, atau
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 1
Misalkan Xi ∼ Bernoulli(θ), apakah ˆθ merupakan
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Dengan menggunakan metode maksimum likelihood, telah diperoleh bahwa ˆθ = ¯X, maka
E(ˆθM LE) = E( ¯X) = E
X1+ X2+ . . . + Xn
n
= 1
n(E(X1) + E(X2) + . . . + E(Xn)) = 1
n(nθ) = θ
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 2
Buktikan bahwa estimator ˆσ2 = S2 =
n
P
i=1
(Xi− ¯X)2
n−1 adalah
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Akan dibuktikan bahwa E(ˆσ2) = σ2, maka
E(ˆσ2) = E(S2) = E n P i=1 (Xi− ¯X)2 n − 1 E(ˆσ2) = 1 n − 1E " n X i=1 (Xi− ¯X)2 # (n − 1)E(ˆσ2) = E " n X i=1 Xi2− 2 ¯XXi+ ¯X2 # (n − 1)E(ˆσ2) = E " n X i=1 Xi2 # − E " n X i=1 2 ¯XXi # + E " n X i=1 ¯ X2 #
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik (n − 1)E(ˆσ2) = E " n X i=1 Xi2 # − E " 2 ¯X n X i=1 Xi # + E " ¯ X2 n X i=1 1 # (n − 1)E(ˆσ2) = E " n X i=1 Xi2 # − 2nE¯ X2 + nE ¯X2 (n − 1)E(ˆσ2) = nEX2 i − nE ¯X2 n − 1 n E(ˆσ 2) = EX2 i − E ¯X2 (1) Selanjutnya kita akan mencari E¯
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik Misalkan Y = ¯X, maka
EX¯2 = E(Y2) = V ar(Y ) + (E(Y ))2 = V ar 1 n n X i=1 Xi ! + µ2 = 1 n2V ar n X i=1 Xi ! + µ2 = 1 n2 n X i=1 V ar(Xi) + µ2 = 1 n2 nσ 2 + µ2 = 1 nσ 2+ µ2
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik Kembali ke persamaan (1) n − 1 n E(ˆσ 2) = EX2 i − E ¯X2 n − 1 n E(ˆσ 2) = V ar(X i) + [E(Xi)]2− E ¯ X2 n − 1 n E(ˆσ 2) =σ2+ µ2 − 1 nσ 2+ µ2 n − 1 n E(ˆσ 2) = σ2− 1 nσ 2 E ˆσ2 = σ2 Jadi, ˆσ2= S2= n P i=1 (Xi− ¯X)2
n−1 adalah estimator takbias untuk
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Kesalahan Kuadrat Rata-rata (Mean Square
Error )
Definisi
Kesalahan kuadrat rata-rata (MSE) dari estimator ˆ
θ = T (−→x ) = T dari parameter θ adalah fungsi θ yang didefinisikan dengan M SET(θ) = E(T − θ)2.
M SET(θ) = E(T − θ)2 = E(T − µT + µT − θ)2 = E((T − µT) + (µT − θ))2 = E (T − µT)2+ 2(T − µT)(µT − θ) + (µT − θ)2 = E(T − µT)2+ (E(T ) − θ)2 = V ar(T ) + b2T dengan bT adalah bias T .
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Jadi, MSE mempunyai dua komponen, variansi yang mengukur variabilitas estimator (precision) dan bias yang mengukur akurasi (accuracy) dari estimator. Jadi untuk estimator takbias, kita mempunyai
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 3
Misalkan X1, X2, . . . , Xn i.i.d N (µ, σ2). ˆµ = ¯X dan
ˆ
σ2= S2 keduanya adalah estimator takbias dari µ dan σ2. Karena
E(ˆµ) = E( ¯X) = µ dan
E(ˆσ2) = E(S2) = σ2 maka MSE dari kedua estimator adalah
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik MSE µ, M SEµ= E X − µ¯ 2 = V ar( ¯X) = V ar X1+ X2+ . . . + Xn n = 1 n2V ar n X i=1 Xi ! = 1 n2(nσ 2) = σ2 n
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik MSE S2, S2 = 1 n − 1 n X i=1 (Xi− ¯X)2 (n − 1)S2 = n X i=1 (Xi− ¯X)2 n − 1 σ2 S 2 = 1 σ2 n X i=1 (Xi− ¯X)2 ∼ χ2(n−1) (n − 1)S2 = σ2· χ2 (n−1) V ar(n − 1)S2 = V ar h σ2· χ2(n−1)i (n − 1)2V ar(S2) = σ42(n − 1) V ar(S2) = 2σ 4 n − 1
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik Maka M SES2 = ES2− σ2 2 = V ar(S2) = 2σ 4 n − 1
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 4
Estimator alternatif untuk σ2 adalah estimator maksimum likelihood ˆσ2 = 1n
n
P
i=1
(Xi− ¯X)2= n−1n S2. Dengan mudah
dapat dilihat bahwa
E(ˆσ2) = E n − 1 n S 2 = n − 1 n σ 2 sehingga ˆσ2 = 1n n P i=1
(Xi− ¯X)2 adalah estimator bias untuk
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Variansi ˆσ2 dapat dihitung sebagai V ar ˆσ2 = V ar n − 1 n S 2 = n − 1 n 2 V ar(S2) = 2(n − 1)σ 4 n2
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Oleh karena itu,
M SEσˆ2 = E ˆσ2− σ2 2 = V ar ˆσ2 + b2 ˆ σ2 = V ar ˆσ2 + (E(ˆσ2) − σ2)2 = 2(n − 1)σ 4 n2 + n − 1 n σ 2− σ2 2 = 2n − 1 n2 σ4 Jadi kita mempunyai
M SEσˆ2 = 2n − 1 n2 σ4< 2 n − 1 σ4= M SES2
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Estimator Takbias Terbaik
Pada contoh sebelumnya, menunjukkan bahwa Bias = 0 tidak menjamin MSE lebih kecil
MSE adalah fungsi dari parameter, sehingga tidak ada estimator "terbaik" untuk θ
Salah satu cara untuk mengatasi tidak adanya estimator "terbaik" adalah melalui pembatasan kelas estimator, salah satu pembatasan yang akan kita bahas adalah melalui kelas takbias
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik Definisi
Misalkan X1, X2, . . . , Xn adalah sampel acak berukuran n
dari f (x; θ). Sebuah estimator T∗ dari τ (θ) disebut sebagai estimator takbias variansi minimum seragam atau uniformly minimum variance unbiased estimator (UMVUE) dari τ (θ) jika
1 T∗ adalah estimator takbias dari τ (θ)
2 Untuk sebarang estimator takbias lain T dari τ (θ),
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Masalah baru yang dihadapi adalah estimator tak bias jumlahnya bisa tak hingga. Untuk itu, untuk menentukan estimator UMVUE diperlukan penanganan yang
menyeluruh, salah satunya melalui batas bawah Cramer-Rao. Jika kita menemukan estimator T∗ sedemikian sehingga V ar(T∗) sama dengan nilai batas bawah tersebut, maka kita mendapatkan estimator UMVUE.
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik Definisi
Jika T adalah estimator takbias dari τ (θ), maka batas bawah Cramer-Rao atau Cramer-Rao Lower Bound (CRLB), berdasarkan pada sebuah sampel acak, adalah
V ar(T ) ≥ [τ
0(θ)]2
n E∂
∂θln f (X; θ)
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 5
Misalkan Xi ∼ Eksp(θ). Estimator takbiasnya adalah
ˆ θ = ¯X. Karena ln f (x; θ) = ln 1 θe −x θ = −x θ − ln θ ∂ ∂θ ln f (x; θ) = x θ2 − 1 θ = x − θ θ2
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik Maka E ∂ ∂θln f (X; θ) 2 = E X − θ θ2 2 = E (X − θ) 2 θ4 = V ar(X) θ4 = θ2 θ4 = 1 θ2
Dalam hal ini τ (θ) = θ, maka τ0(θ) = 1, sehingga CRLB untuk τ (θ) adalah [τ0(θ)]2 n E∂θ∂ ln f (X; θ)2 = 1 n 1 θ2 = θ2 n Karena V ar( ¯X) = V ar X1+X2+...+Xn n = 1 n2(nθ2) = θ2 n
dan V ar( ¯X) sama dengan CRLB, maka ˆθ = ¯X adalah estimator UMVUE untuk θ.
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 6
Misalkan X ∼ P OI(θ). Buktikan ¯X adalah UMVUE dari θ.
Ukuran Kebaikan Estimator Ukuran Kebaikan Estimator Penaksir Takbias Kesalahan Kuadrat Rata-rata Estimator Takbias Terbaik
Contoh 7
Misalkan X ∼ N (θ, σ02). Buktikan bahwa ¯X adalah UMVUE dari θ.