Kuliah Singkat Regresi Nonparametrik & Semiparametrik Oleh: Adji Achmad Rinaldo Fernandes (1311301001) Malang, 6 Oktober 2016
Kuliah SingkatRegresi Nonparametrik & SemiparametrikOleh: Adji Achmad Rinaldo Fernandes (1311301001)
Malang, 6 Oktober 2016
Analisis Regresi
Parametrik
Semi Parametrik
Non Parametrik
pola hubungan antara respondengan prediktor dapatdigambarkan dalam suatu fungsitertentu
regresi parametrik harus memenuhiasumsi bentuk hubungan linierantara respon dengan prediktornya
ResponTunggal
Multirespon Smoothing SplineTruncated SplinePenalized Spline
Polinomial Lokal (Kernel)
Optimasi
2
1
1
[ , ]
1 ( ) 2
[ , ] 1
( ) ; 1, 2,..., .
OLS : Min ( ) '( )
PLS : Min ( ) '( ) ( ( ))m
p
i i i
f P a b
bpm
i if W a b
a
y f x i N
N y f y f
N y f y f f x dx
2
1
1 1
[ , ], 1,2,..., ; 1,2,..,.
1 1 ( )
[ , ], 1,2,..., ; 1,2,..,.
( ) ; 1,2,..., ; 1,2,..., .
WLS: Min ( ) ( )' ( )
PWLS: Min ( ) ( )' ( ) ( (
i i i
mi i i
p
it i it it
f P a b p i N
mi i
f W a b p i N
y f x i N t T
NT y f y f
NT y f y f f
Σ
Σ
2
1 1
))i
i
bp N
it iti a
x dx
Smoothing Spline
m2
221 ( )
f W a,b 1
Min ,bn
mi i i i
i a
n y f t f t dt
f d c
T V
1 1
1
21 1
1( ) , 1, 2,...,
1 ! 1 !
m mbm zi sj
i j i sj s a
t u t uf t d t c du i n
j m
22
Spline Birespon Untuk Data Longitudinal
Spline Birespon
Longitudinal
Spline Cross-Section
Spline Longitudinal
Spline Birespon
Cross-Section
1
( ) ; 1,2,..., .p
i i iy f x i N
1
( ) ; 1,2,..., ; 1,2,..., .p
it i it ity f x i N t T
1
( ) ; 1, 2; 1, 2, ..., .p
ki k i kiy f x k i N
1
( ) ; 1,2; 1,2,..., ; 1,2,..., .p
kit ki it kity f x k i N t T
Spline Birespon Untuk Data Longitudinal (2)
23
Σ
11.1 12.1
11.2 12.2
11. 12.
12.1 22.1
12.2 22.2
12. 22.
N N
N N
Σ 0 0 Σ 0 0
0 Σ 0 0 Σ 0
0 0 Σ 0 0 ΣΣ
Σ 0 0 Σ 0 0
0 Σ 0 0 Σ 0
0 0 Σ 0 0 Σ
2. (1) . (1,2) . (1, )
2. (2,1) . (2) . (2, )
.
2. ( ,1) . ( ,2) . ( )
kk i kk i kk i T
kk i kk i kk i Tkk i
kk i T kk i T kk i T T T
Σ
12. (1,1) 12. (1,2) 12. (1, )
12. (2,1) 12. (2,2) 12. (2, )
12.
12. ( ,1) 12. ( ,1) 12. ( , )
i i i T
i i i T
i
i T i T i T T T T
Σ
Matriks varians-kovarians error random
Untuk mendapatkan estimasi kurva regresi menggunakan optimasi PWLS yaitu penyelesaian optimasi sebagai berikut
2
21 1 ( ) 2
[ , ], 1,2,..., ; 1 1 11,2; 1,2,...,
Min { ( ) ' ( ) ( ( )) }.ki
mki ki ki
ki
bp Nm
ki ki it itf W a b p k i ak i N
M y f y f f x dx
Σ
Pengantar• Galileo Galilei (1564-1642) merupakan salah satu
astronom terkenal dari Italia yang dikenal luas dengan penemuannya tentang hubungan yang sangat teratur antara tinggi suatu benda yang dijatuhkan dengan waktu tempuhnya menuju tanah
• Jarak yang ditempuh (d) merupakan fungsi dari waktu (t), dengan d=4t2. Dengan rumus fungsi itu, nilai dari suatu peubah akan dapat ditentukan jika nilai dari peubah yang satunya diketahui
34
Relasi
• Relasi (biner) F dari himpunan A ke himpunan B adalah suatu perkawanan elemen-elemen di A dengan elemen-elemen di B.
• Contoh A = {2,3,4,5,6}, B = = {1,2,3,4,5,6}. R = {(2,2), (2,4), (2,6), (3,3), (3,6), (4,4), (5,5), (6,6)}
• “a berelasi dengan b” ditulis a R b atau R(a,b)
35
Fungsi• Relasi fungsional atau sering disingkat fungsi sering juga
disebut dengan istilah pemetaan (mapping)• Suatu fungsi f dari himpunan A ke himpunan B adalah
suatu relasi yang memasangkan setiap elemen dari A secara tunggal, dengan elemen pada B.
• f : A → B • “fungsi f pemetaan A ke dalam B”
36
Fungsi• Apabila f memetakan suatu elemen x A ke suatu y B dikatakan
bahwa y adalah peta dari x oleh f dan peta ini dinyatakan dengan notasi f(x), dan biasa ditulis dengan f:x → f(x), sedangkan x biasa disebut prapeta dari f(x).
• Himpunan A dinamakan daerah asal (domain) dari fungsi f , sedangkan himpunan B disebut daerah kawan (kodomain) sedangkan himpunan dari semua peta di B dinamakan daerah hasil (range) dari fungsi f tersebut
37