ESTIMASI PARAMETER DAN INTERVAL KREDIBEL ...SENDIKMAD 2012 1 ESTIMASI PARAMETER DAN INTERVAL...
Transcript of ESTIMASI PARAMETER DAN INTERVAL KREDIBEL ...SENDIKMAD 2012 1 ESTIMASI PARAMETER DAN INTERVAL...
-
SENDIKMAD 2012 1
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN
MODEL REGRESI LINIER BERGANDA BAYESIAN
Vania Mutiarania, Adi Setiawan
b, Hanna Arini Parhusip
c
a Program Studi Matematika FSM UKSW
Jl. Diponegoro 52-60 Salatiga, [email protected] b Program Studi Matematika FSM UKSW
Jl. Diponegoro 52-60 Salatiga, [email protected] c Program Studi Matematika FSM UKSW
Jl. Diponegoro 52-60 Salatiga, [email protected]
ABSTRAK
Regresi linier berganda merupakan model regresi linier dengan satu variabel dependen dan
lebih dari satu variabel independen. Dalam makalah ini, diambil data SUSENAS (Survey Sosial
Ekonomi Nasional) tahun 2011 dari BPS Salatiga yaitu pendapatan sebagai variabel dependen dan
pengeluaran masyarakat Salatiga (pengeluaran untuk konsumsi makanan dan pengeluaran untuk
konsumsi non makanan) sebagai variabel independen dengan sampel π = 135. Hubungan antar variabel tersebut membentuk garis lurus yang tidak dapat ditentukan secara tepat dan
membutuhkan taksiran parameter yang dapat dicari menggunakan model regresi linier Bayesian
yaitu dengan merancang rantai Markov dari distribusi posterior (dari model regresi linier Bayesian)
dengan bantuan Gibbs sampling. Sehingga dengan mencari rata-rata dari sebanyak 4500 nilai
Gibbs sampler diperoleh hasil taksiran parameter yaitu π2 = 0.032, π½0 = 1.44, π½1 = 0.355, dan π½2 = 0.493 dan dihasilkan pula fungsi densitasnya. Dari fungsi densitas tersebut dihasilkan interval kredibel 95% untuk masing-masing taksiran parameter π2 , π½0 , π½1 , dan π½2 berturut-turut yaitu (0.025, 0.041), (0.596, 2.271), (0.176, 0.543) dan (0.365, 0.621).
Kata Kunci : model regresi linier berganda Bayesian, estimasi parameter, interval kredibel.
ABSTRACT
Multiple linear regression is a linear regression model using one dependent variable and
more than one independent variable. In this paper, data are taken SUSENAS (National Socio-
Economic Survey) from BPS Salatiga in 2011. The income is supposed as the dependent variable
and expenditure of Salatiga society (expenditure for food consumption and non-food consumption
expenditure) as an independent variable with sample size of π = 135. The relationship between these variables form a straight line that can not be precisely determined and requires estimates of
parameters using the Bayesian linear regression model. Markov chain design can be constructed
based on the posterior distribution (Bayesian linear regression model) using Gibbs sampling. So by
finding the average of the 4500 of the Gibbs sampler values, point estimation of parameters can be
found i.e. π2 = 0.032 , π½0 = 1.44 , π½1 = 0.355 , and π½2 = 0.493 and also its density function. Based on the density function can be found 95% credible intervals for each parameter estimates π2, π½0, π½1, and π½2 respectively are (0.025, 0.041), (0.596, 2.271), (0.176, 0.543) and (0.365, 0.621) .
Keywords : Bayesian multiple linear regression model, parameter estimates, credible intervals.
-
SENDIKMAD 2012 2
Pendahuluan
Analisis regresi merupakan alat
statistik yang banyak digunakan dalam
berbagai bidang yang bertujuan untuk
mengetahui hubungan antara variabel
dependen dan variabel independen
(Suwarno, 2009). Hubungan antara
variabel dependen dan independen
membentuk garis lurus yang disebut juga
garis regresi yang tidak dapat ditentukan
secara tepat sehingga diperlukan taksiran
parameter untuk model regresi linier.
Untuk memperoleh taksiran parameter
tersebut, biasanya dicari dengan metode
kuadrat terkecil. Namun, ada cara lain
yaitu dengan model regresi linier
Bayesian.
Pada makalah terdahulu
(Mutiarani dkk., 2012) telah dijelaskan
tentang penerapan model regresi linier
Bayesian untuk mengestimasi parameter
dan interval kredibel dengan mengambil
data SUSENAS tahun 2011 yang
diperoleh dari BPS Salatiga yaitu
pendapatan dan pengeluaran masyarakat
Salatiga dengan sampel π = 30 . Untuk
mengestimasi parameter garis regresi
dengan model regresi linier Bayesian,
dirancang rantai Markov dari distribusi
posterior yaitu dengan bantuan Gibbs
sampling sebanyak 5000 iterasi dan
diperoleh taksiran parameter yang
merupakan rata-rata dari nilai Gibbs
sampler yaitu π2 = 0.0057 , π½0 = 2.101
dan π½1 = 0.708 sehingga persamaan
garis regresi dugaan : π¦π = 2.101 +
0.708 π₯π dengan π¦π adalah dugaan untuk
pendapatan masyarakat dan π₯π adalah
pengeluaran masyarakat. Dari nilai-nilai
Gibbs sampler yang telah didapatkan,
dihasilkan fungsi densitas untuk masing-
masing parameter sehingga interval
kepercayaan Bayesian (interval kredibel)
95% untuk taksiran parameter π2 adalah
(0.0034, 0.0097), untuk π½0 yaitu (1.607,
2.601) dan (0.6282, 0.7879) untuk
parameter π½1.
Dalam penelitian ini dilakukan
pengembangan dari makalah sebelumnya
yaitu dengan model regresi linier
berganda. Regresi linier berganda
merupakan model regresi linier dengan
satu variabel dependen dan lebih dari satu
variabel independen. Dalam makalah ini
akan digunakan model regresi linier
berganda dalam konteks Bayesian.
Dengan mengambil data SUSENAS
(Survey Sosial Ekonomi Nasional) tahun
2011 dari BPS Salatiga yaitu pendapatan
dan pengeluaran masyarakat Salatiga
(pengeluaran untuk konsumsi makanan
dan pengeluaran untuk konsumsi non
makanan) dengan sampel π = 135, akan
dijelaskan bagaimana mengestimasi
parameter dan interval kepercayaan
Bayesian (interval Kredibel) dengan
model regresi linier berganda Bayesian.
-
SENDIKMAD 2012 3
Dasar Teori
1. Regresi Linier Berganda Bayesian
Dalam statistik, regresi linier
Bayesian merupakan pendekatan untuk
regresi linier dimana analisis statistik
yang dilakukan dalam konteks inferensi
Bayesian (Web 1). Saat model regresi
memiliki error yang berdistribusi normal,
dan jika bentuk khusus dari distribusi
prior diasumsikan, hasil eksplisit tersedia
untuk distribusi probabilitas posterior
dari parameter model.
Analisis regresi linier berganda
adalah pengembangan dari analisis
regresi linier sederhana. Analisis regresi
linier berganda ialah suatu alat analisis
peramalan nilai pengaruh dua atau lebih
variabel independen terhadap variabel
dependen untuk membuktikan ada atau
tidaknya hubungan fungsi atau hubungan
kausal antara dua variabel atau lebih
π1 , π2, π3, β¦ , ππ dengan satu variabel
dependen (Suwarno, 2009).
Persamaan regresi ganda dengan
dua variabel bebas dirumuskan:
π¦π = π½0 + π½1π₯1π + π½2π₯2π + ππ
dengan π = 1, 2, β¦ , π dan galat
ππ~π(0, π2).
Fungsi likelihood :
π π² π, π·, π2 β π2 βπ/2 exp β1
2π2 π² β ππ· π π² β ππ· .
dengan π = π π₯1π π₯2π ; π· = π½0 , π½1 , π½2 T.
1.1. Distribusi Prior Konjugat
Prior konjugat adalah suatu prior
yang jika dikombinasikan dengan fungsi
likelihood akan menghasilkan suatu
posterior dengan distribusi yang sama
dengan distribusi prior (Gelman, 2006).
Dengan π· = π½0, π½1, π½2 T , bentuk untuk
prior :
π π·, π2 = π π2 π π· π2
dengan π2 berdistribusi Inv β
Gamma(π0, π0) dengan π0 = π£0/2 dan
π0 = π£0π 02 dengan π£0 = 1 dan π 0
2 = 1 .
Kepadatan prior ditulis sebagai
π π2 β π2 β π£0/2+1 exp βπ£0π 0
2
2π2 .
Lebih lanjut, prior bersyarat π·|π2
berdistribusi π(π0, π2π²0
β1) . Pada
makalah ini, π0 = π½0(0)
, π½1(0)
, π½2 0
T
=
0, 0, 0 T , π²0 = I dan memiliki kepadatan
prior bersyarat :
π(π·|π2) β π2 βπ/2exp β1
2π2 π· β π0
Tπ²0 π· β π0
dengan π· β π0 Tπ²0 π· β π0 yang
dijabarkan sebagai berikut :
π½0π½1π½2
β
π½0 0
π½1 0
π½2 0
T
I3Γπ
π½0π½1π½2
β
π½0 0
π½1 0
π½2 0
= π½0 β π½0 0
, π½1 β π½1 0
, π½2 β π½2 0 I3Γπ
π½0 β π½0 0
π½1 β π½1 0
π½2 β π½2 0
= π½0β π½
0 0
π+ π½
1β π½
1 0
π+ π½
2β π½
2 0
π
Sehingga kepadatan prior bersyarat
menjadi :
-
SENDIKMAD 2012 4
π(π·|π2) β π2 βπ/2 exp β1
2π2 π½0 β π½0
0 π
+ π½1 β π½1 0
π+ π½2 β π½2
0 π
1.2. Distribusi Posterior
Posterior dapat dinyatakan
sebagai distribusi normal dikalikan
dengan distribusi invers-gamma dan
diparameterisasi sebagai berikut :
π(π·, π2|π², π) β π(π·|π2, π², π)π π2|π², π
dengan kedua faktor sesuai dengan
kepadatan dari distribusi
π ππ , π2 πTπ + π²0
β1 dan
Inv β Gamma(ππ , ππ) dengan
parameternya diberikan oleh
ππ =1
2(π + π£0) , (pada makalah ini
π£0 = 1 dan π = 135)
ππ = π0 +1
2(π²Tπ² + π0
Tπ²0π0 β ππTπ²πππ),
ππ = πTπ + π²0
β1 πTπ² + π²0π0 ,
π²0 = I.
Pada makalah ini, πTπ bertipe 3 Γ 3
sehingga π²0 bertipe 3 Γ 3 yaitu I3Γ3.
1.3. MCMC (Markov Chain Monte Carlo)
Salah satu cara untuk merancang
rantai Markov yaitu dari distribusi
posterior dengan
π π2|π², π ~Inv β Gamma(ππ , ππ) dan
π π· π2 , π², π ~π ππ , π2 πTπ + π²0
β1
yaitu dengan Gibbs Sampling yang
menghasilkan rantai Markov oleh
sampling dari distribusi bersyarat.
Jika π2~Inv β Gamma(ππ , ππ), maka :
π2|π², π~Inv β Gamma 1
2 π + π£0 , π0 +
1
2 π²Tπ² + π0
Tπ²0π0 β ππTπ²πππ (*)
Jika
π½0π½1π½2
~π3
π1π2π3
, Ξ£11 Ξ£12Ξ£21 Ξ£22
,
(Jennings et al., 2010) maka distribusi
dari π½0 bersyarat pada π½1 0 , π½2
0 :
π½0|π½1 0 , π½2
0 ~π π1 + Ξ£12Ξ£22β1
π½1 0
π½2 0
β π2π3
,
Ξ£11 β Ξ£12Ξ£22β1Ξ£12
β² . (**)
dengan Ξ£11 = π11 , Ξ£12 = π12 π13 ,
Ξ£22 = π22 π23π23 π33
.
Diberikan π2 dan vektor π· yang tidak
diketahui : π· = π½0 , π½1 , π½2 T
1. Dipilih nilai awal π2(0)
, π½0 0 , π½1
0 , π½2 0
.
2. Sampel π2(1)
dari π π2(1)
π², π
sehingga π2(1)
|π², π memenuhi (*).
Sampel π½0 1
dari
π π½0 1
π2(1)
, π½1 0 , π½2
0 , π², π sehingga
π½0 1 |π2
1 , π½1
0 , π½2 0
memenuhi (**).
3. Langkah 2 diulangi sebanyak bilangan
besar B, misalnya 5000 kali.
4. Akhirnya didapatkan sampel dari
π π2|π², π dan π(π·|π2, π², π) dalam
bentuk rantai Markov.
1.4. Interval Kredibel (Interval
Kepercayaan Bayesian)
Dalam statistik Bayesian, interval
kredibel 1 β πΌ 100% merupakan
-
SENDIKMAD 2012 5
interval di dalam domain dari distribusi
probabilitas posterior yang digunakan
untuk penaksiran interval (Web 2).
Salah satu metode untuk
mengestimasi interval kredibel yang
paling mudah digunakan adalah interval
kredibel dua ekor (Johnson, 2009).
Interval kredibel dua ekor disusun dengan
menemukan kuantil πΌ/2 dan 1 β πΌ/2
dengan tingkat signifikansi πΌ.
Metode Penelitian
Data yang digunakan dalam
penelitian adalah nilai logaritma dari data
SUSENAS (Survey Sosial Ekonomi
Nasional) masyarakat Salatiga tahun
2011 dari BPS Salatiga yaitu pendapatan
sebagai variabel dependen π² terhadap
pengeluaran untuk konsumsi makanan
sebagai variabel independen ππ dan
pengeluaran untuk konsumsi non
makanan sebagai variabel independen ππ
dengan sampel π = 135 . Dalam
melakukan perhitungan, digunakan alat
bantu program WinBUGS 1.4.3.
Langkah-langkah penyelesaian
untuk mengestimasi parameter dan
interval kredibel menggunakan model
regresi linier Bayesian sebagai berikut :
1. Merancang rantai Markov dari
distribusi posterior π(π·, π2|π², π) β
π π2|π², π π(π·|π2, π², π) dengan
π π2|π², π ~Inv β Gamma(ππ , ππ)
dan π(π·|π2, π², π)~π(ππ , π2 πTπ +
π²0 β1) yaitu dengan Gibbs Sampling
yang menghasilkan 4 rantai Markov
dengan iterasi sebanyak 5000 yaitu
untuk taksiran parameter π2 , π½0 , π½1
dan π½2.
2. Taksiran parameter π2 , π½0 , π½1 dan π½2
diperoleh dengan mencari rata-rata
dari nilai Gibbs sampler.
3. Dari nilai-nilai Gibbs sampler
tersebut, dihasilkan fungsi densitas
untuk π2 berdistribusi invers-gamma
dan π½0 , π½1 dan π½2 berdistribusi
normal.
4. Mencari interval kredibel 95% untuk
masing-masing taksiran parameter
berdasarkan pada fungsi densitas
dengan tingkat signifikansi πΌ = 0.05.
Hasil dan Pembahasan
Pada Gambar 1 diperlihatkan
diagram pencar untuk data logaritma
pendapatan (π²) terhadap data logaritma
pengeluaran untuk konsumsi makanan
(ππ ), sedangkan Gambar 2 merupakan
diagram pencar untuk data logaritma
pendapatan (π²) terhadap data logaritma
pengeluaran untuk konsumsi non
makanan (ππ).
-
SENDIKMAD 2012 6
Gambar 1. Diagram Pencar Data
Logaritma Pendapatan (π²) Terhadap Data Logaritma Pengeluaran Untuk Konsumsi
Makanan (ππ)
Gambar 2. Diagram Pencar Data
Logaritma Pendapatan (π²) Terhadap Data Logaritma Pengeluaran
Untuk Konsumsi Non Makanan (ππ)
Selanjutnya untuk mendapatkan
estimasi parameter π2 dan π· =
π½0, π½1, π½2 T dengan model regresi linier
berganda Bayesian, dirancang rantai
Markov dari distribusi posterior
π(π·, π2|π², π) β π π2|π², π π(π·|π2 , π², π)
dengan
π π2|π², π ~Inv β Gamma(ππ , ππ) dan
π(π·|π2 , π², π)~π(ππ , π2 πTπ + π²0
β1)
dengan ππ = 1.431, 0.355, 0.494 T dan
kovarians
π2 πTπ + π²0 β1 =
0.175 β0.029 0.0001β0.029 0.009 β0.0040.0001 β0.004 0.004
yaitu dengan Gibbs sampling sebanyak
5000 iterasi.
1. Taksiran Parameter π2 dan Interval
Kredibel π2
Untuk mendapatkan taksiran
parameter π2 yang berdistribusi
invers-gamma, dilakukan Gibbs
sampling sebanyak 5000 iterasi
dengan memilih nilai awal π2 0
= 1.
Kemudian 500 iterasi pertama
dipotong dan diperoleh rantai Markov
yang konvergen pada Gambar 3.
Gambar 3. Rantai Markov untuk
Taksiran Parameter π2
Diperoleh hasil taksiran parameter
π2 = 0.032 dengan mencari rata-rata
dari 4500 nilai Gibbs sampler. Dari
nilai Gibbs sampler tersebut dihasilkan
fungsi densitas pada Gambar 4
sehingga interval kredibel 95% untuk
taksiran π2 adalah (0.025, 0.041).
5.2 5.4 5.6 5.8 6 6.2 6.4 6.6 6.85.4
5.6
5.8
6
6.2
6.4
6.6
6.8
7
4.5 5 5.5 6 6.5 75.4
5.6
5.8
6
6.2
6.4
6.6
6.8
7
-
SENDIKMAD 2012 7
Gambar 4. Fungsi Densitas Taksiran
Parameter π2
2. Taksiran Parameter π½0 dan Interval
Kredibel π½0
Dengan memilih nilai awal π½0 0 = 0,
lalu dilakukan Gibbs sampling
sebanyak 5000 iterasi. Setelah
memotong 500 iterasi pertama untuk
taksiran π½0 yang berdistribusi normal,
didapatkan rantai Markov yang
konvergen pada Gambar 5.
Gambar 5. Rantai Markov untuk
Taksiran Parameter π½0
Dengan mencari rata-rata dari 4500
nilai Gibbs sampler yang ada,
diperoleh hasil taksiran π½0 = 1.44 dan
dihasilkan fungsi densitas pada
Gambar 6 sehingga interval kredibel
95% adalah (0.596, 2.271).
Gambar 6. Fungsi Densitas Taksiran
Parameter π½0
3. Taksiran Parameter π½1 dan Interval
Kredibel π½1
Untuk memperoleh taksiran parameter
π½1 yang berdistribusi normal, dipilih
nilai awal π½1 0 = 0 kemudian dengan
melakukan Gibbs sampling sebanyak
5000 iterasi dan memotong 500 iterasi
pertama, diperoleh rantai Markov
yang konvergen pada Gambar 7.
Gambar 7. Rantai Markov untuk
Taksiran Parameter π½1
Dari 4500 nilai Gibbs sampler yang
ada pada Gambar 7 di atas, setelah
dicari rata-ratanya didapat hasil
-
SENDIKMAD 2012 8
taksiran π½1 = 0.355. Nilai-nilai Gibbs
sampler tersebut menghasilkan fungsi
densitas pada Gambar 8 sehingga
interval kredibel 95% adalah (0.176,
0.543).
Gambar 8. Fungsi Densitas Taksiran
Parameter π½1
4. Taksiran Parameter π½2 dan Interval
Kredibel π½2
Dipilih nilai awal untuk π½2 0 = 0 .
Kemudian dilakukan Gibbs sampling
sebanyak 5000 iterasi, dan memotong
500 iterasi pertama sehingga diperoleh
rantai Markov yang konvergen pada
Gambar 9.
Gambar 9. Rantai Markov untuk
Taksiran Parameter π½2
Selanjutnya dengan mencari rata-rata
dari 4500 nilai Gibbs sampler yang
ada, diperoleh hasil taksiran π½2 =
0.493 . berdasarkan nilai-nilai Gibbs
sampler tersebut dihasilkan fungsi
densitas pada Gambar 10 dan interval
kredibel 95% (0.365, 0.621).
Gambar 10. Fungsi Densitas Taksiran
Parameter π½2
Dengan estimasi parameter yang
telah diperoleh yaitu
π· = 1.44, 0.355, 0.493 T dibentuk
persamaan garis regresi linier berganda
dugaan :
π¦π = 1.44 + 0.355 π₯1π + 0.493 π₯2π .
Gambaran penggunaan:
Dipilih nilai π₯1 = 6.15 dan π₯2 = 5.96 ,
kemudian nilai-nilai tersebut
disubstitusikan ke dalam persamaan
regresi linier berganda di atas, sehingga
didapatkan hasil dugaan π¦ = 6.56 .
Artinya, dalam nilai logaritma, dengan
pengeluaran untuk konsumsi makanan
sebesar 6.15 dan pengeluaran untuk
konsumsi non makanan sebesar 5.96,
dugaan untuk pendapatan sebesar 6.56
atau Rp 3.643.594,183. Sedangkan
-
SENDIKMAD 2012 9
pendapatan pada data asli sebesar
Rp 3.550.000, sehingga error (galat)
dalam persamaan garis regresi dugaan
pada titik data tersebut yaitu
π = π¦ β π¦ = 3550000 β 3643594.183 =
β93594.183 = 93594.183 atau sebesar
2.64 %.
Sebagai perbandingan, dengan program R
2.15.1., diperoleh hasil estimasi sebagai
berikut :
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 1.43890 0.42138 3.415 0.000849 ***
x1 0.35401 0.09423 3.757 0.000257 ***
x2 0.49355 0.06422 7.686 3.08e-12 ***
---
Signif. codes: 0 β***β 0.001 β**β 0.01 β*β 0.05 β.β 0.1 β
β 1
Jadi, hasil estimasi parameter π½0, π½1, dan
π½2 signifikan karena berdasarkan uji t,
nilai p masing-masing parameter lebih
kecil dari tingkat signifikansi πΌ = 0.05.
Kesimpulan
Berdasarkan pembahasan, dengan
mengambil data SUSENAS masyarakat
Salatiga tahun 2011 dari BPS Salatiga
dengan sampel π = 135 sebagai
simulasi, dapat disimpulkan bahwa:
1. Dengan merancang rantai Markov dari
distribusi posterior dengan bantuan
Gibbs sampling sebanyak 5000 iterasi,
lalu memotong 500 iterasi pertama
agar tidak mengacaukan hasil taksiran
dan diperoleh hasil taksiran untuk
masing-masing parameter yang tidak
diketahui, yaitu π2 = 0.032 , π½0 =
1.44, π½1 = 0.355, dan π½2 = 0.493.
2. Dari sebanyak 4500 nilai Gibbs
sampler yang ada, dihasilkan fungsi
densitas untuk taksiran parameter π2
berdistribusi invers-gamma dan
taksiran parameter π½0 , π½1 , dan π½2
berdistribusi normal. Sehingga dengan
tingkat signifikansi πΌ = 0.05 ,
diperoleh interval kredibel 95% untuk
taksiran parameter π2 , π½0 , π½1 , dan π½2
berturut-turut yaitu (0.025, 0.041),
(0.596, 2.271), (0.176, 0.543) dan
(0.365, 0.621).
Pustaka
Gelman, A. 2006. Bayesian Analysis.
Department of Statistics and
Department of Political Science :
Columbia University.
Hair, J. F. 2010. Multivariate Data
Analysis Seventh Edition. USA :
Pearson Prentice Hall.
Johnson, M. S. 2009. Introduction to
Bayesian Statistics with
WinBUGS. New York : Columbia
University.
Johnson, R. A. and Wichern, Dean W.
1982. Applied Multivariate
Statistical Analysis. New Jersey :
Prentice Hall.
Mutiarani, V., Setiawan, A., & Parhusip,
H. A. 2012. Penerapan Model
Regresi Linier Bayesian Untuk
Mengestimasi Parameter Dan
Interval Kredibel. Prosiding
Seminar Nasional Matematika
dan Pendidikan Matematika UNY
tanggal 10 November 2012.
Supranto. 2004. Analisis Multivariat: Arti
dan Interpretasi. Jakarta : Rineka
Cipta.
-
SENDIKMAD 2012 10
Suwarno, B. 2009. Rumus dan Data
dalam Analisis Statistika.
Bandung : Alfabeta.
Widyaningsih, N. 2010. Statistika dan
Probabilitas. Universitas Mercu
Buana : Fakultas Teknik Sipil dan
Perencanaan.
Pustaka Internet
Jennings, R., Wakeman-Linn, M., &
Zhao, Xin. 2010. βMultivariate
Normal Distributionβ tersedia di
http://www.colorado.edu/economi
cs/morey/7818/jointdensity/Notes
OnMultivariateNormal/Multivaria
te%20Normal%20Distribution_W
akeman-LinnJenningsZhao.pdf.
Diakses tanggal 12 November
2012.
Web 1 : http://en.wikipedia.org/wiki/
Bayesian_linear_regression
Bayesian Linear Regression
Diunduh pada 28 Agustus 2012
Web 2 : http://en.wikipedia.org/wiki/
Credible_interval
Credible Interval
Diunduh pada 5 September 2012
Wijayanto, A. 2003. βAnalisis Regresi
Linear Bergandaβ tersedia di
http://eprints.undip.ac.id/ANALIS
IS_REGRESI_LINEAR_BERGA
NDA/, Diakses tanggal 21
November 2012.
http://www.colorado.edu/economics/morey/7818/jointdensity/NotesOnMultivariateNormal/Multivariate%20Normal%20Distribution_Wakeman-LinnJenningsZhao.pdfhttp://www.colorado.edu/economics/morey/7818/jointdensity/NotesOnMultivariateNormal/Multivariate%20Normal%20Distribution_Wakeman-LinnJenningsZhao.pdfhttp://www.colorado.edu/economics/morey/7818/jointdensity/NotesOnMultivariateNormal/Multivariate%20Normal%20Distribution_Wakeman-LinnJenningsZhao.pdfhttp://www.colorado.edu/economics/morey/7818/jointdensity/NotesOnMultivariateNormal/Multivariate%20Normal%20Distribution_Wakeman-LinnJenningsZhao.pdfhttp://www.colorado.edu/economics/morey/7818/jointdensity/NotesOnMultivariateNormal/Multivariate%20Normal%20Distribution_Wakeman-LinnJenningsZhao.pdfhttp://en.wikipedia.org/wiki/%20Bayesian_linear_regressionhttp://en.wikipedia.org/wiki/%20Bayesian_linear_regressionhttp://en.wikipedia.org/wiki/%20Bayesian_linear_regressionhttp://en.wikipedia.org/wiki/%20Credible_intervalhttp://en.wikipedia.org/wiki/%20Credible_intervalhttp://en.wikipedia.org/wiki/%20Credible_intervalhttp://eprints.undip.ac.id/ANALISIS_REGRESI_LINEAR_BERGANDA/http://eprints.undip.ac.id/ANALISIS_REGRESI_LINEAR_BERGANDA/http://eprints.undip.ac.id/ANALISIS_REGRESI_LINEAR_BERGANDA/