Aproksimasi Interval Konfidensi Bootstrap. Haeruddin.pdfAproksimasi Interval Konfidensi Bootstrap...
Transcript of Aproksimasi Interval Konfidensi Bootstrap. Haeruddin.pdfAproksimasi Interval Konfidensi Bootstrap...
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 1
Aproksimasi Interval Konfidensi Bootstrap
Approximate Confidence Interval Bootstrap
HaeruddinProgram Studi Statistika FMIPA Universitas Mulawarman
AbstractWe consider the problem of constructing approximate confidence intervals for a single parameter
based on bootstrap computation percentile of a statistics. The standard approximate based on maximum
likelihood zˆˆ can be quite misleading and inaccurate. In practice, tricks based on transformation are
often used to improve their accuracy.
The confidence intervals ]θ,θ[ α1α
constructed by using this approach arc also based on
existence monoton transformation and have transformation-respecting property that is not possessed bystandard normal approximate.
The advantage of this approach, at least in practicing, is that it is automatically in corporate thetransformation without requiring the statistician to think them through for each new application. It ishandled by bootstrap computation.
It is shown that the percentile interval is exact whenever the transformation known and it is consistent
also by mean of confidence set i.e )1(]θ,θ[θP α1α
convergen to 0.
In practice we must use some finite number B reptication, so that in setting these intervals we use
Monte Carlo simulation that produce ]θ,θ[ α1α
as an approximate to the ideal bootstrap interval. All of
the process are done by a computer program in S-PLUS.
Keywords : Bootstrap, confidence interval, bootstrap percentile, Monte Carlo, transformation.
PENDAHULUANDalam banyak masalah inferensi statistik
seorang peneliti tertarik untuk mengkontruksisuatu keluarga himpunan yang memuat nilaiparameter yang benar dengan probabilitas yangtinggi. Dalam hal ini yang dikerjakan adalah suatupenaksiran selang (estimasi interval), yaknibagaimana membentuk interval random
x atau disingkat , yang
mempunyai peluang tinggi memuat . MisalkangL(x) dan gu(x) adalah statistik sedemikian hinggaberlaku :
2α1xgθxgP UL
Interval random [gL(x); gu(x)] dinamakan intervalkonfidensi 1 – 2α untuk parameter dengankoefisien konfidensi (1 – 2α).
Dalam tulisan ini dipertimbangkan masalahmembangun aproksimasi interval-intervalkonfidensi bootstrap untuk suatu parametertunggal .
Interval-interval konfidensi exact dapatdikonstruksi hanya dalam kasus parametrik dandalam sedikit situasi-situasi khusus sehinggaumumnya yang dibangun adalah aproksimasi dariinterval tersebut. Fokus utama dalam teoriasimtotik interval konfidensi adalah apakahcakupan probabilitas suatu interval konvergen kelevel nominal interval tersebut.
Dalam banyak kasus, himpunan kepercayaandikonstruksi dengan mempertimbangkan suatu
kuantitas pivotal F,X,...,X n1nn berdistribusi Gn. Jika kita dapat menurunkan
θθθ dari pertidaksamaan
2α1ULP n , maka ,
merupakan interval konfidensi dengan level 1 -2α. Untuk kasus dimana parameter lokasi, maka
n biasanya berbentukn
n
σ
θθ , dimana nθ
estimator dan2nσ estimator varians untuk nθ
maka interval konfidensi exact 1 - 2α untuk adalah:
])(Gσθα),(1Gσθ[ 1nnn
1nnn
Untuk mencari kuantitas pivotal seperti di atasdalam suatu masalah yang diberikan biasanyatidak mudah, dengan kata lain tidak mudah
mencari n dengan Gn distribusi yang diketahui.
Jika Gn tidak diketahui maka interval (1,1) tidakdapat digunakan sebagai interval konfidensi danuntuk itu digunakan aproksimasi dari Gn. Dalampendekatan asimptotik tradisional Gn digantidengan limitnya. Jika limit Gn adalah G(independen dari F) maka Gn diganti dengan G.
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 2
Aproksimasi yang paling banyak dipakaiadalah interval aproksimasi normal standardengan menggunakan Teorema Limit Pusatyakni:
αz σθ (1.2)
Suatu pendekatan interval konfidensiberdasarkan komputasi bootstrap ditulis olehEfron.
R.Helmers (1995) memberikan perbandinganantara interval konfidensi standar dengan intervalkonfidensi bootstrap untuk parameter
dF(x)xμθ dengan F tidak diketahui.
Beberapa teori asimptotik untuk bootstrapdibahas oleh Bickel dan Freedman (1981) tentangkeakuratan ditulis oleh Singh (1981).
Hall (1986) memberikan cacah simulasibootstrap yang dibutuhkan untuk membangunsuatu interval konfidensi khusus intervalkonfidensi persentil-t berdasarkan n sampeldistribusi kontinu. Sebagai pedoman Efron danTibshirani menyarankan untuk mengambil Bantara 50 sampai dengan 200 yang cukup
memberikan estimasi yang baik dari θseF
untuk interval konfidensi bootstrap dibutuhkan Byang lebih besar lagi.
Dalam tesis ini dibahas tentangpengkonstruksian interval konfidensi berdasarkanpersentil bootstrap yakni interval persentil BP danBC. Kedua interval ini dibangun didasarkankepada asumsi adanya transformasi monoton ,namun untuk interval BC asumsi yang dipakailebih umum dari interval BP yaitu adanya sukukoreksi bias z0.Dalam penelitian ini akan dilihat tingkat akurasikedua interval persentil tersebut danperbandingannya dengan interval aproksimasinormal standar. Sebagai penunjang diberikansimulasi perbandingan interval-interval persentildengan interval berdasarkan aproksimasi normalstandar dan dengan aproksimasi normalberdasarkan transformasi.
PENGERTIAN DASAR BOOTSTRAPPrinsip Dasar BootstrapDefinisi
Jika X = (X1, X2, …, Xn) sampel random dari
F maka *n
*2
*1
* X,...,X,XX adalah sampel
random bootstrap yaitu sampel yang diperolehdari X secara random dengan pengembalian
*n
*2
*1 X,...,X,X independen dan identik
berdistribusi bersyarat terhadap X.Prosedur bootstrap dapat diterapkan untuk
kasus non parametrik maupun parametrik. Dalamkedua kasus tersebut, inferensi didasarkan padasuatu sampel X dan n random iid observasi daripopulasi.
Dalam kasus non-parametrik, distribusisampel Fn diambil dari distribusi populasi F yangtidak diketahui, Fn disebut distribusi empirik dariX, yakni fungsi distribusi yang mempunyai massa1/n untuk setiap titik pada X, sedangkan untukkasus parametrik F diketahui. Dalam kedua kasustersebut sampel X* diambil dengan resamplingdari suatu distribusi yang ditentukan sampel asliX.
Prinsip dasar dalam pembentukan sampeldengan metode bootstrap non-parametrik adalahsebagai berikut:1. Konstruksi distribusi probabilitas dari
sampel, yaitu Fn dengan massa 1/n padasetiap titik x1, x2, …, xn.
2. Dengan Fn tetap, ambil sampel random
dengan ukuran n dari Fn sebut*iX dengan:
nind*i
*i
*i F~X,xX , i = 1, 2, 3, …, n.
Selanjutnya sampel ini disebut sampel
bootstrap, *n
*2
*1
* X,...,X,XX
3. Aproksimasi distribusi sampling nn FX,
dengan distribusi bootstrap *n
**n F,X
Dalam kasus parametrik, F diketahui kecualiparameter yang tidak diketahui. Jadi pada kasusparametrik F diganti dengan F(), suatu anggota
dari klas {F(), }. Misalkan λ estimatordari dihitung dari X ditulis (X). maka
λFFn fungsi distribusi yang diperoleh
dengan mengganti nilai parameter denan estimasisampelnya.
Misalkan X* sampai random dari λFFn
dan misalkan Xλλ*menyatakan versi λ
yang dihitung dari X*. Maka ** λFF .
Bagian yang sulit dari prosedur bootstrap iniadalah perhitungan yang sebenarnya daribootstrap. Tiga metode perhitungan yangmungkin, yaitu:1. Metode 1. Perhitungan secara langsung.2. Metode 2. Metode perluasan deret Taylor
dapat digunakan untuk memperolehperkiraan mean dan varians dari distribusibootstrap R*.
3. Metode 3. Dengan simulasi Monte Carlountuk distribusi bootstrap. Denganmerealisasikan X* yang dibangun denganmengambil sampel random berukuran n danFo sebut x*1, x*2, …, x*α, dan histogram yangbersesuaian dengan nilai
n*n
n*2
n*1 F,x...,,F,x,F,x
diambil sebagai perkiraan untuk distribusibootstrap yang sebenarnya.
Prosedur bootstrap untuk estimasi adalah sebagaiberikut:
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 3
1. Estimasi F dengan Fn dan hitung
nn Fθθ .
2. Diberikan X1, X2, …, Xn, misalkan*n
*2
*1 X,...,X,X adalah suatu sampel iid
dengan distribusi Fn.3. Misalkan
n*n
*2
*1nn
*n θX,...,X,Xθb adalah
versi bootstrap dari n .
4. Distribusi n di bawah F, yaitu F(n)
diestimasi dengan *nnF , distribusi dari
*n di bawah Fn.
Untuk menjelaskan metode bootstrap secaraumum dipandang n = n(X1, X2, …, Xn) yaitubesaran yang tergantung dari sampel X = (Xt, X2,…, Xn) dan fungsi distribusi F. Untuk kasus
khusus dapat diambil θθn nn ,
dimana θ adalah statistik untuk . Selanjutnya
akan dicari distribusi dari n sebagai berikut.
x
,xFX,...,X,XPxG n21nn
Jelas Gn yaitu fungsi distribusi dari n ini tidakdiketahui, karena F tidak diketahui. Dalam hal iniGn akan diestimasi dengan bootstrap yaitu :
XX,...,X,XPxG *n
*2
*1n
**n dimana:
*n
*2
*1
* X,...,X,XX adalah sampel bootstrap
dan P* adalah probabilitas yang bersesuaian
dengan nF . Karena X1 = x1, X2 = x2, …, Xn = xn
diketahui maka X* dan nF diketahui, sehingga
pada prinsipnya*nG dapat dihitung.
Syarat Bootstrap BekerjaDiperhatikan kasus khusus yaitu jika = (F)
= mean populasi dari F dan nn Xθ = sampel
mean maka θθn nn dan didapat:
xX,...,X,XPxG n21n*n
xXXnP n*n
*nX merupakan sampel bootstrap dari distribusi
θθn nn , dengan
*i
1*n XnX
Teorema 2.1.2 (Singh, Teorema A)Jika X1, …, Xn sampel iid dengan ukuran n
dari suatu populasi berdistribusi F dan EX2 < ∞, maka
0xXXnPxμXnP n*n
*n a.s.
Teorema 2.13Andaikan X1, …, Xn p-vektor random iid
dengan distribusi p2,F dan
μXn nn dimana i1ΣXnX dan
μXE 1 HBOOT versi bootstrap dari Hn maka
HBOOT konsisten.Dua teorema di atas menunjukkan bahwabootstrap dengan sampel iid bekerja dengan baik
untuk kasus nXθ .
Simulasi Monte CarloDiberikan sampel random X1, X2, …, Xn dari
distribusi F. Estimasi bootstrap memerlukan
sampel bootstrap*n
*2
*1 X,...,X,X dari distribusi
Fn. Untuk distribusi dari kuantitas statistik
n21 X,...,X,Xnn , estimator bootstrap
merupakan distribusi bersyarat
*n
*2
*1
* X,...,X,Xnn , jika diberikan
sampel (X1, X2, …, Xn). Pada prinsipnyadistribusi ini diketahui. Untuk sampel X1, X2, …,Xn dari n bilangan yang berbeda, ada (2n – 1)!/(n– 1)!n! sampel bootstrap yang berbeda, jadi
distribusi*n dapat diperoleh kembali dengan
enumerasi lengkap. Untuk n = 10 biasanyamendekati 100.000 sampel bootstrap yang dapatdienumerasi. Jadi metode ini sulit bahkan tidakmungkin untuk dikerjakan, untuk itu kita gunakansuatu metode yang sangat populer saat ini yaitumetode Monte Carlo.
Proses kerja simulasi Monte Carlo adalahsebagai berikut:1. Dengan bantuan komputer, bangun suatu
sampel iid *n
*2
*1 X,...,X,X dengan ukuran
n, menurut distribusi Fn.2. Karena Fn diketahui, juga Fn diketahui dan
dapat dihitung
FX,...,X,X *n
*2
*1
*nn
3. Ulangi bagian (1) dan (2) sebanyak B kali,
sehingga diperoleh*
,*
2,*
1, ,...,, Bnnn .
4. Kumpulkan nilai*
,*
2,*
1, ,...,, Bnnn dan
hitung distribusi empiris
B
i
*in,Bn, xI
B
1xF .
Misalkan distribusi bootstrap dai H adalah:
x θθnPxH n*n
1/2*BOOT
Maka pendekatan Monte Carlonya adalah:
B
in
*n
(B)BOOT xθθnI
B
1xH
Babu dan Singh (dalam Shao (1995))menunjukkan bahwa aproksimasi monte carlo
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 4
(B)BOOTH adalah second order accurate sebagai
estimator dari distribusi n, dengan
n
1nn
σ
EXX yang diringkas dalam
teorema berikut:Definisi 2.1.4
Jika X1, …, Xn sampel random iid dan
nnn σ/μX dan B adalah suatu fungsi
dari n yang memenuhi B/(log log n) → ∞ maka untuk n → ∞,
0XHXHsupn BOOT(B)BOOT
x
a.s
Interval KonfidensiHimpunan kepercayaanDefinisi 2.2.1
Misalkan X1, …, Xn sampel random iid darisuatu distribusi F yang tidak diketahui dan =T(F) parameter yang akan dicari intervalkonfidensinya.
Jika Cn = Cn(X1, …, Xn) subset dari yanghanya tergantung pada X1, …, Xn dan
1CθP n (2.2.1)
Definisi 2.2.2
Jika 1CθP n maka Cn disebut
sebagai himpunan kepercayaan dengan koefisienkepercayaan 1 – α atau himpunan kepercayaan 1– α.Definisi 2.2.3
Level yang diinginkan dalam suatu himpunankepercayaan disebut level nominal (nominalcoverage) yang biasanya diberikan. Biasanyadigunakan 1 – α dan 1 – 2α masing-masing sebagai level nominal dari interval konfidensi 1dan 2 sisi.Definisi 2.2.4
Misal I interval 1 sisi θ, atau ,θsedemikian hingga
α1IθP , maka:
(i) 1 – α disebut cakupan nominal dari I
(ii) IθP disebut coverage sesungguhnya
(iii) Coverage error dari I adalah
α1IθP Definisi 2.2.5
Jika {an} dan {bn} masing-masing barisanbilangan real, {Xn} dan {Yn} adalah barisanvariabel random, maka:a. an = O(bn) jika |an/bn| ≤ untuk semua n dan
suaru konstanta c.b. an = o(bn) jika an/bn → 0 untuk n → ∞
c. Xn = Op(Yn) jika M0ε , N
sehingga NnεM/YXP nn
d. Xn = Op(Yn) jika
0ε 0/YXLim nn n .
Dalam pembicaraan selanjutnya
dipertimbangkan suatu titik ujung θ interval satu
sisi yang mengcover 1 – α.
α,1θPDefinisi 2.2.6
Suatu himpunan konfidensi Cn dikatakanakurat asimptotik berorder k jika:
-1/2n nOα1CθP
Akibat 2.2.7
Titik konfidensi aproksimasi θ disebut akurat
asimptotik tingkat 1 (first order accurate) jika
-1/2nOα1θθP
Titik konfidensi aproksimasi θ disebut akurat
asimptotik tingkat 2 (second order accurate) jika
-1nOα1θθP Definisi 2.2.8
Suatu fungsi distribusi (x) dikatakan
simetris jika dan hanya xΨ1xΨ .
Contoh Φ(x), fungsi distribusi normal.
Ekspansi EdgeworthDalam pembahasan tentang tingkat akurasi
suatu titik konfidensi atau probabilitas cakupandari daerah kepercayaan, ekspansi Edgeworth danCornish Fisher sangat besar kontribusinya. Untukitu dalam pasal ini diberikan secara ringkastentang ekspansi-ekspansi tersebut, khususnyauntuk statistik yang akan dibahas dalam bab III.
Misalkan X1, X2, …, Xn variabel random iiddengan = μ dan varians σ2 < ∞. Estimasi dari
adalah i1
n Xnθ dengan varians n-1σ2.
Berdasarkan Teorema Limit Pusat,
/σθθnS nn ~ AN(0,1). Hall (1992)
memberikan ekspansi dari distribusi Sn sebagaideret pangkat dalam n-1/2 yakni:
...xpn
...xpnxΦx/σθθnP
jj/2
11/2
n
dimana
/2xeks2πx 21/2
adalah fungsi
densitas normal standar dan duuφxΦ
fungsi distribusi normal standarFormula (2.3.1) dikenal sebagai ekspansiEdgeworth. Fungsi pj adalah polinomial dengan
koefisien tergantung pada kumulan dari θθn .
Untuk mencari polinom-polinom dibuktikan dulubeberapa lemma berikut:
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 5
Lemma 2.3.1Jika X1, X2, …, Xn adalah sampel iid dari
distribusi dengan mean μ dan variansi
/σθXY,σ2 dan
/σθθnS nn maka
n
YSn ntt 2/1/ .
Definisi 2.3.2Untuk suatu variabel random umum Y dengan
fungsi karakteristik χY, kumulan ke j, κj, dari Y
didefinisikan sebagai koefisien dari jit
j!
1
dalam ekspansi dari deret pangkat log χY(t)dimana
...itκj!
1...itκ
2
1itκexpt
j
j
2
21Y
(2.3.2)Lemma 2.3.3
Untuk variabel random Y seperti dalamdefinisi diatas berlaku:
4422
22344
3
3233
222
1
612
3YE4YEκ
EYYE
YE2YEYE3YEκ
YVarYEYEκ
YEκ
EYYEYEYEYE
YEYE
Lemma 2.3.4Untuk Sn dan Y seperti didefinisikan
sebelumnya maka:
22t
Sn eitχ (2.3.3)
dengan:
itrn...itrnitrn1 jj/2
21
11/2
dimana:rj polinomial dengan koefisien real dengan
derajat 3j, tergantung pada κ3, κ4, …, κj+2 dantidak tergantung pada n yaitu:
623
442
331 u1/72κu1/24κur;uκ1/3!ur
Lemma 2.3.5Diberikan lemma 2.3.2 dan didefinisikan
22t
jjitx exrxdRe
dimana Rj(x) adalah
fungsi yang memiliki transformasi Fourier-
Stieltjes sama dengan 22t
j exr
maka distribusi
Sn dapat ditulis sebagai:
...xRn
...xRnxΦxSP
jj/2
11/2
n
Teorema 2.3.6 (Metode Delta untuk EkspansiEdgeworth)
Jika Sn dan Tn dua statistik yang masing-masing berdistribusi Normal Asimptotik yang
memenuhi j/2pnn nOTS untuk setiap j ≥
1 maka Ekspansi Edgeworth distribusi Sn dan Tn
hanya berbeda dalam suku-suku berorder n-j/2 ataulebih kecil, yakni:
j/2pnn nOxTPxSP
Ekspansi Cornish-Fisher
Misalkan /σθθnS nn dan
nσ/θθnT nn merupakan statistik yang
dapat diekspansi dalam Ekspansi Edgeworth
Misal
k
1i
1)/2(k-i
1/2
nn
nOxxpn
xΦxSPxH~
dan
k
1i
1)/2(k-i
1/2
nn
nOxxqnxΦ
xSPxG
Maka kuantil dari xH~
dan Gn dapat diekspansi
sebagai deret dalam n-j/2 berikut:
k
1i
1)/2(k-i
1/21-n nOzpnzxH
~
k
1i
1)/2(k-i
1/21-n nOzqnzyG
Dengan zα, xα, yα didefinisikan sebagai:
αnαnα yTPxSPzΦ dan
pj1 dan qj1 polinom ganjil(genap) dengan derajarj+1 jika j genap(ganjil) dan dapat dinyatakandalam pj dan qj.Ekspansi (2.4.1) dan (2.4.2) disebut sebagaiekspansi (invers) Cornish-Fisher.Teorema 2.4.1
Diberikan Ekspansi Edgeworth dari xH~
n
dan Cornish-Fisher xH~ 1
n
seperti dalam
definisi dimuka, maka:
xpxp 111 , dan
xpx1/2xpxpxpp 2
2
1'1121
(2.4.3)
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 6
INTERVAL KONFIDENSI BOOTSTRAPMotivasi Interval Bootstrap
Jika θ,θI interval konfidensi untuk
kuantitas dan fungsi monoton naik yangdiketahui maka sangat ideal bila kita berharap
bahwa θ,θI merupakan interval
konfidensi untuk (). Sebaliknya jika
θ,θ merupakan interval dari () maka
invers dari masing-masing titik ujung intervaltersebut merupakan interval dari . Dengan katalain bersifat transformasi repecting. Intervalyang dihasilkan oleh pendekatan di atasdidasarkan asumsi adanya tansformasi sedemikian hingga
0,1AN~xθˆP .
Kesulitan dalam pendekatan metode standarberdasarkan transformasi adalah bahwa kita harusmengetahui transformasi yang berbeda untuksetiap parameter yang akan diestimasi.
Diinginkan membangun interval konfidensidengan sifat transformasi respecting namun tanpaperlu mencari/mengetahui transformasi tersebut.Dengan kata lain metode ini dapat dipandangsebagai metode yang selalu “tahu” transformasiyang diperlukan. Metode ini dikerjakan denganperhitungan bootstrap, tanpa perlu mengetahui .
Interval Persentil BP
Misalkan nθ estimator dari dari suatu
distribusi F dan*nθ estimator bootstrap dari
berdasarkan*n
*2
*1 X...,,X,X sehingga fungsi
distribusi kumulatif dari*nθ adalah:
**
θ
*n
*BOOT θdθfxθPxK (3.2.1)
Maka interval persentil bootstrap didefinisikansebagai:
α)(1*n
(αα*n
1BOOT
1BOOT θ,θα1K,αK (3.2.2)
dengan )*(n
1BOOT θαK
adalah persentil ke
100.α dari distribusi bootstrap. Ekspresi (3.2.2) merujuk kepada situasi dimana replikasi bootstraptak hingga (bootstrap ideal). Dalam praktek kitaharus menggunakan cacah replikasi B yangberhingga, sehingga didapat interval aproksimasipersentil bootstrap:
α)*(1n
*(α(n
1BOOT
1BOOT
θ,θ
α1K,αK,
BPBP
dimana)*(
nθ adalah persentil ke 100.α dari
nilai-nilai b*θ yakni nilai ke B.α dalam daftar
urutan B replikasi dari*θ . Jika B.α tidak bulat
maka quantile empirik α dan 1 – α didefinisikan masing-masing sebagai nilai terbesar ke k dan ke
(B+1-k) dari b*θ dengan k = [(B+1).α],
bilangan bulat terbesar ≤ (B+1).α. Karena sifat similaritas diantara batas-batas
interval untuk pembicaraan selanjutnya hanyadibahas batas bawah interval saja.Teorema 3.2.1
Jika ada transformasi naik (x) sedemikian
hingga untuk semua F (dan F ) yang mungkinberlaku:
xψxθˆP
dimana θˆ dan (x) adalah fungsi
distribusi kontinu, naik dan simetris maka:Jika dan diketahui maka batas bawah exactuntuk adalah:
α1
EX zˆθ , dengan αψz 1α
Teorema 3.2.2Jika asumsi seperti pada teorema 3.2.1
dipenuhi untuk F maka:
EXBP θθ . Dimana BPθ batas interval persentil
bootstrap.Teorema 3.2.2 menunjukkan bahwa batas bawahinterval persentil bootstrap adalah exact untuksemua n jika asumsi pada teorema 3.2.1 tepatdipenuhi (dipenuhi secara exact). Umumnyaasumsi tersebut dipenuhi secara asimptotik untukn besar maka batas bawah persentil tersebutadalah valid secara asimptotik dan penampilannyatergantung pada bagaimana baiknya aproksimasitersebut. Namun, biasanya tidak linier dan bias
θˆ tidak menuju nol secara cepat untuk
n → ∞. Akibatnya asumsi pada dipenuhi secaraaproksimasi, aproksimasi ini baik hanya untuk ncukup besar. Aproksimasi yang biasa dipakaiadalah aproksimasi normal.
Interval Persentil BCInterval Persentil BC (Bias Corrected)
diturunkan dengan asumsi yang lebih umum dariteorema 3.3.1 dengan memasukkan suku koreksibias dalam asumsi tersebut.Teorema 3.3.1
Andai ada transformasi naik sedemikian
hingga untuk semua F (dan F ) yang mungkin
memenuhi. xψxzθˆP 0 dengan z0 konstanta yang mungkin tergantung
pada F dan n. Jika dan z0 serta diketahui
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 7
maka: α01
EX zzˆθ (3.3.1)Teorema 3.3.2
Misalkan ada seperti pada teorema 3.3.1,maka konstanta bias z0 adalah:
nBOOT1
0 θKψz (3.2.2)
Teorema 3.3.3
Dengan EXθ seperti yang didapat di atas
maka EXθ dapat dinyatakan sebagai:
0α1
BOOTEX 2zzΦKθ
Untuk membuktikan teorema di atas dibuktikandulu lemma berikut:Lemma 3.3.4
Untuk setiap x, 0 < x < 1 berlaku:
0111
BOOT zxψˆxK (3.3.4)
Teorema 3.3.5Batas bawah interval Persentil BC untuk
adalah:
nBOOT1-
α1
BOOTBC θK2ψzψKθ
KonsistensiBerdasarkan konsistensi dari distribusi
bootstrap maka dapat ditunjukkan konsistensihimpunan kepercayaan bootstrap.Teorema 3.4.1
Jika xθθnPH nn , HBOOT(x)
bootstrap dari Hn, dan andaikan bahwa HBOOT
konsisten serta H,Hρlim nn
untuk suatu
fungsi distribusi kontinu, stricly increasing dansimetri H maka:
BCBP θ,θ adalah konsisten.
Perbandingan Teoritis Interval KonfidensiDalam pasal ini akan dilihat tingkat akurasi
dari interval-interval konfidensi yang diterangkandi muka dan yang dihasilkan dengan pendekatannormal. Untuk membandingkan sifat-sifattersebut maka distribusi dari statistik dan titikkritisnya terlebih dahulu dinyatakan dalamekspansi Edgeworth dan ekspansi Cornish Fisher.
Titik kritis interval konfidensiDalam penjelasan ini diperhatikan kasus
dimana X1 iid dan = μ = EX1, nn Xθ dan
i1
n XnX . Andaikan g terdifferensial dan
kontinu pada p dan 0μg maka varians
asimptotik dari θθn n dan estimatornya
masing-masing adalah:
μg'μgnσ -12n dan
nn-12
n Xgˆ'Xgnσ dimana Σ = var(Xi) dan
'X-XX-Xnˆn1n1
-1Lemma 3.5.1
Misalkan Gn dan nH~
masing-masing
distribusi pivotal studentized nn ˆ/ˆ dan
variabel standardized nn /ˆ . Misalkan
αH~
x 1nα , αGy 1
α dan
1z [analog untuk indeks 1 – α],
BOOTH~
versi bootstrap dari nH~
maka batas
bawah NORθ , EXθ , BPθ dan BCθ masing-
masing adalah:
(i) α1Φσθzσθθ 1nnα1nnNOR
(ii) α1Gσθyσθθ 1nnα1nnEX
(iii) αH~
σθxσθθ 1BOOTnnαnnBP
(iv) BC1BOOTnnBCnnBC αH
~σθxσθθ
dengan 0αBC z2zΦα ,
nBOOT1
0 θKΦz
Ekspansi Edgeworth dan Ekspansi CornishFisher
Gn(x) dan xH~
n dapat diekspansi Ekspansi
Edgeworth sebagai:
3/2
21
11/2
n
nO
xxqnxxqnxΦxG
(3.5.5)
3/2
21
11/2
n
nO
xxpnxxpnxΦxH~
(3.5.6)dengan ekspansi (invers) Cornish Fisher dari
αGy 1nα dan xH
~x 1
nα adalah:
3/221
111
1/2
-1n
nOxxqnxxqnz
Gy
(3.5.7)
3/221
111
1/2
-1n
nOxxpnxxpnz
H~
x
(3.5.8)Versi bootstrap dari ekspansi di atas adalah:
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 8
3/2
21
11/2
BOOT
nO
xxqnxxqnxΦxG
(3.5.9)
3/2
21
11/2
BOOT
nOxxpn
xxpnxΦxH~
(3.5.10)
3/221
1
111/2-1
BOOT
nOxxqn
xxqnzGy
(3.5.11)
3/221
1
111/2-1
BOOT
nOxxpn
xxpnzH~
x
(3.5.12)Lemma 3.5.2
Dari hasil ekspansi-ekspansi di atas maka
titik-titik kritis NORθ , EXθ , BPθ dan BCθ dapat
dinyatakan dalam ekspansi-ekspansi berikut:
(i) α1nn1
nnNOR zσθα1Φσθθ
(ii)
1pα-111
1/2α-1nn
1nnEX
Ozqnzσθ
α1Gσθθ
n
(iii)
1pα-111
1/2α-1nn
-1BOOTnnBP
Ozpnzσθ
αH~
σθθ
n
(iv)
1pα-111
1/2
α-111/2
α-1
nn
BC-1BOOTnnBC
Ozpn
zp2nzσθ
αH~
σθθ
n
Tingkat Akurasi Interval KonfidensiBootstrap
Dalam pasal ini akan ditunjukkan bahwainterval konfidensi Persentil BP dan BCmempunyai tingkat akurasi pertama (first orderaccurate). Disamping itu juga ditunjukkan bahwaInterval bootstrap BC lebih baik dari aproksimasinormal ditinjau dari coverage error dari intervaltersebut.Teorema 3.5.3
Jika BPθ , BCθ adalah interval-interval
bootstrap seperti pada lemma 3.5.1 maka:
1/2BP nOα1,θθP dan
1/2BC nOα1,θθP
Coverage Error Interval KonfidensiInterval-interval satu sisi yang dihasilkan oleh
metoda bootstrap persentil BP, BC danAproksimasi Normal adalah dari tingkat akurasi
pertama. Ketiga interval tersebut dapatdibandingkan dengan melihat error dalamprobabilitas cakupannya.Untuk titik kritis Bootstrap Persentil:
αH~
σ
θθPθθ 1
BOOT
n
BPP
1α2α nO
n6
z1z31
(1)
Untuk titik kritis Bootstrap BC:
11α1
1/2αBP nO02pzpnzPθθP
1α2α nO
n6
z2z1
(2)
Untuk titik kritis dengan pendekatan normal:
α
n
NOR zσ
θθPθθP
1α2α nO
n6
z12z1
(3)
Misalkan 1Pe error
dalam probabilitas cakupan untuk batas bawah
kepercayaan . Maka dari (1), (2) dan (3)
didapat:
1αnNORBP nOzΑθθ ee dan
1αnBCNOR nOzΑθθ ee
dengan
n6
zφ1zγzΑ α
2α
αn
Dengan asumsi γ ≠ 0, Bila 12 z maka
0 zn sehingga bootstrap BC lebih baik
dari aproksimasi normal yang lebih baik daribootstrap persentil BP ditinjau dari harga mutlakdari error probabilitas cakupan.
APLIKASI DAN SIMULASITeori Asimptotik Koefisien Korelasi
Dalam bab ini diberikan contoh penggunaandari metode penkonstruksian masin-masinginterval yang diterangkan pada Bab III untukkoefisien korelasi ρ dari (X,Y). Misalkan (Xi,Yi),…, (Xn,Yn) adalah n sampel random iidberdistribusi bivariat dari suatu populasi denganfungsi distribusi tidak diketahui F pada
2 dengan EX1 = μx = dan EY1 = μY, var(X1) =2x , cov(X,Y) = σXY. Misalkan ρ = ρ(F)
koefisien korelasi dari (X,Y) parameter yang akandiestimasi yang didefinisikan sebagai:
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 9
1/222
YX
XY
EYEE,EXXE
EYYEXXE
σσ
σρ
(4.1)
Dengan nρ estimator dari ρ yakni koefisien
korelasi sampel:
1/2
2
n
2
n
nn
YY,XXn
1
YYXXn
1
ˆ
n (4.2)
Yang dapat dihitung bila nilai observasidiberikan.Teorema 4.1
Koefisien korelasi sampel nρ merupakan
estimator konsisten konsisten dari ρ yakni jika
22 0,0 YEXE , maka
nσ,ρ a.sn .
Bukti:(i) Karena E(X2) < ∞ maka dengan SLLN
2X
a.s2nX
a.sn μXμX (1)
Akibatnya:
0μX0μX a.sXn
a.sXn
Telah diketahui bahwa:
2Xσa.s2
Xμ
2Xn
1X2μ2X
n
1XμnX
n
1
Dengan Lemma Slutsky
2X
a.s2n
22nX σXX
n
1S dan
dengan mengambil g(x) = x1/2 didapat:
Xa.s
nX σS (2)
(ii) Analog dengan (i) didapat
Ya.s
nY σS (3)
(iii) YXa.s
nn μμYX (Dengan Lemma
Slutsky)
XYσa.sYμXμYXμ
Xn
1YμXY
n
1
YμnYXμnXn
1
Maka dengan Lemma Slutsky:
YXXYa.s μμσXY
n
1
(4)
XYa.s
nn
nn
YnXn
σYX
Yn
1XX
n
1YXY
n
1
μYμXn
1
(5)Dari (1) sampai (5) dan dengan Lemma
Slutsky maka didapatkan bahwa:
σρ a.sn
Misalkan ρρn nn kuantitas statistik
maka fungsi distribusi Exact dari n adalah
xρρnPxG n1/2
n untuk -∞ < x <
∞. Karena F tidak diketahui maka Gn tidakdiketahui, sehingga perlu diestimasi.Teorema 4.2
Jika 41EX , 4
1EY maka
2dn τ0,Nρρn
Bukti:
Misalkan Z1= 112
11211 YX,Y,Y,X,X adalah iid
dan μ= 112
11211 YEX,EY,EY,EX,EX
Dengan Teorema Limit Pusat Lindeberg-Levyuntuk kasus multivariat, maka untuk {Zi}, I = 1,2, …, n iid berdistribusi bersama F dan EZ1 = μ, Var(Z1) = Σ, maka:
0,NμZ
n
1n d
i
Dengan Σ matriks varians-covarians simetrik:
XYVarXY,YCovXYY,CovXY,XCovXYX,Cov
XY,YCovYVarYY,CovY,XCovYX,Cov
XYY,CovYY,CovYVarY,XCovYX,Cov
XY,XCovY,XCovY,XCovXVarXX,Cov
XYX,CovYX,CovYX,CovXX,CovXVar
22
222222
22
222222
22
Dengan elemen dari Σ adalah:
1) 2X11 σEXXEXVar
2) 2XX
3X
31
31
31
2 μμXEEXXEXX,Cov 2XX30 μ M
3) 2XX
3X
31
21
21
2 σμ-μ-XEEXXEXVar 4X
2X
2X30X40 σσ4μM4μM
4) YXY1X1 σρσμYμXEYX,Cov
5) Y12X
2X
21
2 μYμσXEY,XCov
YXX21 σσ2ρM
6) YY1 σμYEYVar
7) YXX212 σσ2ρMYX,Cov
(Analog dengan 5)
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 10
8) 2YYμ1Y
2Xμ
2Xσ
21XE
2Y,
2XCov
2Y
2X
YXYX12X21Y22
σσ
σσμ4μM2μM2μM
9) 2YY03
2 μYY,Cov M
(Analog dengan (2))
10) 4Y
2Y
2Y03Y04
2 σσ4μM4μMYVar
(Analog dengan (3))
11) 1111X1 YEXYXμXEXYX,Cov
YXX2XY21 σρμσμM
12) 1Y1EX1Y1X2xμ
221XEXY,
2XCov x
YX2X
2XYX
Y2X21X30Y31
σσ2ρρσμ2μ
σρσM3μMμM
13) YXX2YX12 σρμσμMXYY,ov C
(Analog dengan 11)
14)
YX2Y
2YYX
3XX
12Y03X132
σσ2ρρσμ2μσρσ
M3μMμMXY,YCov
(Analog dengan 12)
15) YXYX11
1111
μμσρσYXE
YEXYXEXYVar
21MY2μ12MX2μ2Yσ
2Xμ
2Xσ
2Yμ22M
22X
2YXYX σσρσσμ2ρ Y
Dengan bY
a
Xab μYμXEM
Misalkan 54321,T q,q,q,qqq
ii
2i
2i YX
2
1,Y
n
1,Y,X
n
1,X
Maka (4.3) dapat ditulis sebagai:
0,Nqn d (4.4)
Definisikan fungsi d2:rsedemikian hingga koefisien korelasi dapatdibentuk sebagai suatu fungsi rata-rata observasi,yakni:
1/22
34
1/2212
213n
qqqq
qqqqrρ
dan (4.1)
dapat ditulis sebagai μrρ .
Karena r(.) kontinu dan terdifferensial, denganmenggunakan ekspansi Taylor multivariat makadidapat bentuk berikut: Efron & Tibshirani, 1993)
nii
i
5
1iii Rμq
q
qrμqμrqr
(4.5)
dimana Rn, suku sisa dengan order lebih kecil dari(qi – μi) i = 1, 2, 3, 4, 5.
Misalkan μqμrT
sebagai perkalian
vektor dari suku kedua dari persamaan di sebelahkanan (4.5), kemudian persamaan itu dikalikan
dengan n dan ditulis:
n
T
n Rnμqμrρρn
Dari (4.4) 0,AN~qn , maka
dengan “Cramer Wold device” (Teorema 2.5.5)dapat disimpulkan:
2d τ0,Nμqμrn T
dan
varians2 dapat dicari dengan metode delta:
μrμrτT2
(4.7)
Karena μqn asimptotik normal dan Rn
berorder lebih kecil dari (q – μ) maka
0n dnR , sehingga dengan menggunakan
lemma Slutsky pada (4.6) maka:
2dn τ0,Nρρn
Dari (4.7), dengan menghitung turunan parsialdari r(q) untuk q = μ didapat:
YX2YYX
Y2YYX
Y2X
XT
σσ
1,
2σ
ρ,
σσ
ρμ
2σ
ρ,
σσ
μ
σ
ρμμr
54321
Tτ,τ,τ,τ,τμr dengan:
21
YX
122Y
302X
1 Mσσ
1M
2σ
ρM
2σ
ρτ
21
YX
X31
YX
122X
X
222Y
302X
X402
X
2
Mσσ
2μM
σσ
1M
σ
ρμ
M2σ
ρM
σ
ρμM
2σ
ρτ
12
YX
032Y
212X
3 Mσσ
1M
2σ
ρM
2σ
ρτ
12
YX
Y13
YX
032X
Y
042Y
212X
Y222
X
4
Mσσ
2μM
σσ
1M
σ
ρμ
M2σ
ρM
σ
ρμM
2σ
ρτ
03M2Xσ
Xρμ
30M2Yσ
Yρμ
12M2Y2σ
Xρ
21M2X2σ
Xρμ
03M2Y2σ
ρ
31M2X2σ
ρ5τ
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 11
21
YX
Y12
YX
X22
YX
Mσσ
μM
σσ
μM
σσ
1
Maka varians asimptotik dari ρρn n adalah:
22M2Yσ
2Xσ
1
22M2Yσ
2Xσ
2ρ
04M4X4σ
2ρ
40M4X4σ
2ρ2
τ rT
r
133YX
31
Y3X
Mσσ
ρM
σσ
ρ
3YX
13
Y3X
31
2
YX
22
2Y
2X
22
4X
04
4X
40
2
σσ
4M
σσ
4M
σσ
4M
σσ
2M
σ
M
σ
M
4
ρ
(4.8)
dimana Mab adalah momen sampel.
Misalkan nρ koefisien korelasi sampel dan
ρρnσ n2 estimator plug in dari
2 ,
maka estimator varians dari nρ adalah estimator
koefisien secara kuat untuk2 .
Teorema 4.3
Misalkan n2 ρσ estimator plug ini dari
varians koefisien korelasi, jika 1EX ,
1EY , 02 X , dan 02 Y maka
2a.sn
2 τρσn untuk n → ∞
Bukti:Dari teorema (4.2)
2dn
2 τ0,ρρσn N
Misalkan n2 ρσn estimator plug in
2n
2 τρσn , maka:
3YX
13
Y3X
31
2
YX
22
2Y
2X
22
4X
04
4X
40
22
σσ
M4
σσ
4M
σσˆ
M4
σσ
M2
σ
M
σ
M
4
ρˆ
Dari teorema (4.1) a.snρ , dan dengan
SLLN2X
a.s2X σσ dan
2Y
a.s2Y σσ , dan
dengan mengambil g(x) = x1/2 serta g(x) = x3/2
akan memberikan Xa.s
X σσ ,
3X
a.s3X σσ , Y
a.sY σσ ,
3Y
a.s3Y σσ .
Juga dengan SLLN
bY
a
X
aba.sb
ni
a
niab
μYμXE
MYYXXn
1M
Mengingat teorema tentang konvergensi dari
jumlah dan hasil kali, jika 02 X dan 02 Ydidapat:
2a.sn
2 τρρσn untuk n → ∞.
Untuk kasus parametrik maka diasumsikanpopulasi berdistribusi normal bivariat.Teorema 4.4
Jika F adalah ΦμX,Μy,σX,σY,ρ distribusi Gaussian
dengan mean
Y
X
μ
μμ dan covarian matrik
2YYX
YX2X
σσρσ
σρσσ
Varians2 adalah 22ρ1 .
Bukti:
Misalkan
Y
Y
X
X
σ
μY
σ
μX
Y~X~
, maka
1ρ
ρ1,
0
0N~
Y~X~
Jika (4.7) dipenuhi maka ada matrik P2x2 yang
memenuhi 2T IP
1ρ
ρ1P
sedemikan hingga:
1ρ
ρ1,
0
0N~
Y~X~
2
1
Z
Z
Dengan menggunakan operasi matrik pada akardan vektor karakteristik, maka didapat P yakni,
ρ1
1
ρ1
1ρ1
1
ρ1
1
2
1P
Karena Z1 dan Z2 iid Normal maka:
1ZEZ0,ZEZZEZ3,EZEZ 32
312
31
321
42
41
akibatnya:3YX13 σ3ρM ; Y
3X31 σ3ρM
dan 2Y
2X22 σ2ρ1M (4.12)
Karena X~
dan Y~
normal standar maka:4X40 3M ; dan
4Y04 3M
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 12
Dengan mensubstitusikan (4.12) dan (4.13) ke
(4.8) didapat 22 2ρ1 (Ausri, dkk:1995)
Untuk dapat membandingkan denganinterval Persentil perlu dicari sedemikianhingga asumsi pada interval persentil dipenuhi.
Teorema 4.5Jika F adalah ΦμX,Μy,σX,σY,ρ pada teorema (4.3),
maka ada fungsi dan estimasinya yangterdifferensial dan kontinu sedemikian hingga
0,1~ρρn n N .
Bukti:
Karena 2
nd
n ρρ0,ρρn Nmaka dengan metode delta:
22
nd 'ρρ0,ˆn N
(4.12)Varians dari distribusi diatas = 1 jika
22
n 'ρρ sehingga2ρ1
1'
dan
Cρ1
ρ1log
2
1
, C konstan.
Bootstrap Koefisien Korelasi
Misalkan 11 Y,X , i = 1, 2, …, n sampel
bootstrap iid dari distribusi empirik nF yang
diambil dengan pengembalian dari sampel ukurann. Maka versi bootstrap untuk sampel korelasiadalah:
1/2
2*n
*i
2*n
*i
*n
*i
*n
*i
YY,XXn
1
YYXXn
1
ˆ
n
Interval Konfidensi Koefisien Korelasia. Pendekatan Normal Standar
Jika x
τ
ρρnPxG n
ρ
, dengan
menggunakan pendekatan normal
1/2ρ nOxΦxG didapat interval
konfidensi 1 - 2α aproksimasi normal standar:
n
τρ,
n
τρ n1n zz dengan
estimator dari .
b. Dengan Transformasi Normal Standar
Pilih
ρ1
ρ1log
2
1 dengan
0,1N~ˆn n didapat interval untuk
yaitu:
α11/2
nα1/2
n znˆ,znˆ
Interval untuk ρ diperoleh dengan menginverskan interval (4.13) dengan menggunakan tangenhiperbolik.
c. Interval Aproksimasi Bootstrap PersentilInterval Persentil didapat dengan menghitung
persentil α dan 1 – α dari replikasi bootstrap dari *nρ . Untuk B = 100 maka batas interval 95%
untuk ρ adalah nilai ke 25 dan 975 masing-masing
untuk batas bawah dan atas dari replikasi*nρ
yang telah diurutkan.d. Interval Bootstrap Persentil BC
Interval Persentil BC diperoleh dengan carayang sama seperti pada Interval BootstrapPersentil kecuali α pada Interval Persentil diganti
dengan αBC dengan α0BC zz2Φα dan
α-10BC zz2Φα-1 serta
n*nn
10 ρρρProbΦz
atau
B
ρbρ#Φz n
*1
0
Program SimulasiSimulasi untuk interval bootstrap BP dan BC
menggunakan S-Plus dengan bantuan komputer.Untuk simulasi dibangun sampel random denganukuran n. Beberapa input yang diperlukan antaralain: n (ukuran sampel, R1 dan R2 (2 sampelrandom independen dari distribusi normal denganmean μ dan varians σ2), B (cacah replikasi), rh(koefisien korelasi populasi). Untukmengkontruksi sampel random normal bivariatdengan mean μ = (μX, μY) dan varians
2YXY
XY2X
σσ
σσdigunakan transformasi
(Efron & Tibshirani, 1993):X = μX + σX R1
212
YY CRR
c1
σμY
dengan
1ρ
1C
2
Dalam simulasi ini diambil μX = μY = 0 dan
122 YX .
Langkah-langkah proses simulasi:1. Definisikan semua statistik yang diperlukan.
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 13
2. Bangun dua sampel random normalindependen R1 dan R2 dengan ukuran n.
3. Gunakan transformasi (4.2.1) dan (4.2.2)untuk membangun distribusi normal bivariat.
4. Hitung n dan .
5. Kontribusi interval konfidensi untuk ρ dengan aproksimasi normal standar dandengan transformasi.
6. Kontruksi interval konfidensi untuk ρ dengan metoda bootstrap persentil dan persentil BCmenggunakan cacah replikasi B.
7. Buat histogram dari semua intervalkonfidensi.
Selain simulasi interval konfidensi untukkoefisien korelasi diberikan juga simulasisederhana interval konfidensi untuk parameter =eμ, dengan μ mean populasi dan sampel diambil dari distribusi normal standar X1, …, X10. Sebagaipembanding tetap dihitung interval konfidensidengan pendekatan normal standar dantransformasi normal , yakni = log x. Langkah-langkah simulasi analog seperti pada koefisienkorelasi tetapi lebih sederhana dan pembahasansecara teoritis tidak diberikan.
KESIMPULAN DAN SARANBerdasarkan pembahasan yang telah
diuraikan sebelumnya, maka dapat disimpulkanbahwa interval konfidensi berdasarkan PersentilBootstrap bersifat transformation-respecting yangtidak dimiliki oleh interval normal standar.Disamping itu dalam membangun intervaltersebut kita tidak perlu tahu transformasi yangdigunakan karena dikerjakan langsung dariperhitungan bootstrap. Semua interval yangdibahas dimuka termasuk interval Normal Standarmempunyai tingkat akurasi pertama namun dalamhal coverage error, interval Persentil BCmempunyai error yang lebih kecil dibandingkandengan interval normal dan interval Persentil BP.Metode Persentil kelihatan lebih praktis dalampenerapannya dan tidak menyimpang daripendekatan tradisional.Berdasarkan hasil penelitian Efron (1987) intervalPersentil dapat ditingkatkan akurasinya denganasumsi yang lebih umum. Masalah ini tidakdibahas mengingat waktu dan kemampuanpenulis yang terbatas, sehingga disarankan untukmelakukan penelitian tentang hal itu.
DAFTAR PUSTAKABickel, P.J. and Freedman, D.A, 1981, Some
Asymptotic Theory For The Bootstrap. Annalsof Statistics. Vol. 9, No. 6, 1196-1217.
Diciccio, T. and Tibshirani, R, 1987, BootstrapConfidence Intervals and BootstrapApproximations. Journal of the AmericanStatistical Association, vol.82, No.397, 163-170.
Dudewicz, E.J. and Mishra, S.N., 1988, ModernMathematical Statistics John Wiley & Sons.New York.
Efron, B., 1979, Bootstrap Method: Another lookat the jacknife. Annals of Statistics, 7, 1 – 26.
--------, 1987, Better Bootstrap ConfidenceIntervals (with discussion). Journal fo theAmerican Statistical Association. Vol.82,No.397, 171-200.
Efron, B. and Tibshirani, R., 1993, AnIntroduction to the Bootstrap. Chapman &Hall. New York.
Hall, P., 1988, Theoretical Comparison ofBootstrap Confidence Intervals (withdiscussion). Annals of Statistics, 16, 927-953.
--------, 1992, The Bootstrap and EdgeworthExpansion. Springer-Verlag New York.
Helmers, R., 1995, Bootstrap Aproximation:Theory and Application. Unpublished Paper,Amsterdam.
Serfling, R. J., 1980, Approximation Theorems ofMathematical Statistics. Wiley, New York.
Shao, J. and Tu, D., 1995, The Jacknife andBootstrap. Springer Verlag New York.
Singh, K., 1981, On the Asymptotic Accuracy ofEfron’s Bootstrap. Annals of Statistics, Vol.9,No. 6, 1187-1195.
Statistical Sciences,Inc., 1993, S-PLUS forWindows’s User’s Manuals, Version 3.1,Seatle: Statistical Sciences, Inc.
Zulaela, at al., 1995, Bootstrapping LinearRegression Models, Research Workshop inStatistic. Unpublishing manuscript. Bandung.
Jurnal EKSPONENSIAL Volume 2, Nomor 1, Mei 2011 ISSN 2085-7829
Program Studi Statistika FMIPA Universitas Mulawarman 14