You can write here...Pascal.docx (1213506)
Products
Macro Minitab Metode Bootstrap untuk Regresi Dua Peubah Bebas
Terkadang regresi dengan menggunakan metode OLS tidak terlalu baik digunakan untuk memodelkan pengamatan dalam suatu penelitian.
Salah satu penyebabnya adalah regresi menggunakan metode OLS (Ordinary Least Square) tidak memenuhi aspek IIDN dalam error sehingga dibutuhkan metode lain untuk menyelesaikan permasalahan ini. Salah satu metode untuk menyelesaikan permasalahn ini adalah menggunakan metode Bootstrap. Berikut adalah Macro Minitab Metode Bootstrap untuk peubah x1, x2
macro
bootreg y x1 x2
mconstant b0 b1 b2 B i n b0_boots b1_boots b2_boots
mcolumn y x1 x2 beta yy xx1 xx2 b0b b1b b2b betaboot
mmatrices x w mbeta
let n=count(y)
Regress y 2 x1 x2;
coef beta;
Constant;
Brief 2.
let b0=beta(1)
let b1=beta(2)
let b2=beta(3)
copy beta mbeta
let B = 10
do i = 1 : B
sample n y-x2 yy-xx2;
replacement.
regress yy 2 xx1 xx2;
coef betaboot;
constant;
brief 2.
let b0b(i)=betaboot(1)
let b1b(i)=betaboot(2)
let b2b(i)=betaboot(3)
enddo
let b0_boots=mean(b0b)
let b1_boots=mean(b1b)
let b2_boots=mean(b2b)
print b0_boots b1_boots b2_boots mbeta
endmacro
Berikut adalah macro minitab untuk menghitung ekspektasi mean dengan menggunakan jackknife
macro
jacknife x
mcolumn x m xs
mconstant n i T k sum meanjack est_bias est_se
let n=count(x)
do i=1:n
let xs=x
delete i xs
let m(i)=mean(xs)
enddo
let meanjack=mean(m)
let T=mean(x)
let est_bias=(n-1)*(meanjack-T)
let sum=0
do k=1:n
let sum=sum+(m(k)-meanjack)**2
enddo
let est_se=((n-1)/n*sum)**0.5
print meanjack T est_bias est_se
endmacro
Berikut adalah pemrograman matlab untuk menghitung ekspektasi mean dengan menggunakan jackknife
function y=jmean(x)
n=length(x);
for i=1:n
xs=x;
xs(i)=[];
m(i)=mean(xs);
end
meanjack=mean(m)
T=mean(x);
est_bias=(n-1)*(meanjack-T)
est_se=sqrt((n-1)/n*sum((m-meanjack).^2))
Macro Minitab Metode Jacknife Untuk Regresi Dua Peubah Bebas
Terkadang regresi dengan menggunakan metode OLS tidak terlalu baik digunakan untuk memodelkan pengamatan dalam suatu penelitian.
Salah satu penyebabnya adalah regresi menggunakan metode OLS (Ordinary Least Square) tidak memenuhi aspek IIDN dalam error sehingga dibutuhkan metode lain untuk menyelesaikan permasalahan ini. Salah satu metode untuk menyelesaikan permasalahn ini adalah menggunakan metode Jacknife. Berikut adalah Macro Minitab Metode Jacknife untuk peubah x1, x2
macro
jacknife y x1 x2
mcolumn y x1 x2 ys x1s x2s beta beta_j b0j b1j b2j yy xx xx2
mconstant n i bias_b0 bias_b1 bias_b2 b0_j b1_j b2_j b0 b1 b2
let n=count(y)
Regress y 2 x1 x2;
coef beta;
Constant;
Brief 2.
sample n y-x2 yy-xx2;
replacement.
let b0=beta(1)
let b1=beta(2)
let b2=beta(3)
do i=1:n
let x1s=xx
let x2s=xx2
let ys=yy
delete i x1s x2s ys
Regress ys 2 x1s x2s;
coef beta_j;
Constant;
Brief 2.
let b0j(i)=beta_j(1)
let b1j(i)=beta_j(2)
let b2j(i)=beta_j(3)
enddo
let b0_j=mean(b0j)
let b1_j=mean(b1j)
let b2_j=mean(b2j)
let bias_b0=b0_j-b0
let bias_b1=b1_j-b1
let bias_b2=b2_j-b2
print b0_j b1_j b2_j b0 b1 b2 bias_b0 bias_b1 bias_b2
endmacro
Pemrograman Matlab Metode Bootstrap Untuk Regresi Dua Peubah Bebas
Terkadang regresi dengan menggunakan metode OLS tidak terlalu baik digunakan untuk memodelkan pengamatan dalam suatu penelitian.
Salah satu penyebabnya adalah regresi menggunakan metode OLS (Ordinary Least Square) tidak memenuhi aspek IIDN dalam error sehingga dibutuhkan metode lain untuk menyelesaikan permasalahan ini. Salah satu metode untuk menyelesaikan permasalahn ini adalah menggunakan metode Bootstrap. Berikut adalah contoh pemrograman matlab Regresi Metode Bootstrap untuk peubah x1, x2
function r=reboots(y,x1,x2)
n=length(y);
X=[ones(n,1) x1' x2'];
w=[y' x1' x2'];
b=regress(y',X)
B=10;
k=[1:n];
for i=1:B
j=randsample(k,n,true);
wb=w(j,:);
yb=wb(:,1);
Xb=[ones(n,1) wb(:,2:3)];
bb(:,i)=regress(yb,Xb);
end
bboot0=mean(bb(1,:))
bboot1=mean(bb(2,:))
bboot2=mean(bb(3,:))
bias0=bboot0-b(1)
bias1=bboot1-b(2)
bias2=bboot2-b(3)
function r=reboots(y,x1,x2)
n=length(y);
X=[ones(n,1) x1' x2'];
w=[y' x1' x2'];
b=regress(y',X)
B=10;
k=[1:n];
for i=1:B
j=randsample(k,n,true);
wb=w(j,:);
yb=wb(:,1);
Xb=[ones(n,1) wb(:,2:3)];
bb(:,i)=regress(yb,Xb);
end
bboot0=mean(bb(1,:))
bboot1=mean(bb(2,:))
bboot2=mean(bb(3,:))
bias0=bboot0-b(1)
bias1=bboot1-b(2)
bias2=bboot2-b(3)
Untuk menjalankan program tersebut anda harus membuat vektor baris y, x1 dan x2 terlebih dahulu. Kemudian copylah program di atas ke dalam m-file, save. Kemudian kembali ke command window dan ketiklah f(y,x1,x2), program pun akan running.
Rancangan Blok Acak Lengkap (RBAL) / Randomized Complete Block Design (RCBD)
Apabila materi percobaan sangat heterogen dapat distratifikasikan menjadi kelompok-Kelompok yang lebih homogen. Jika perlakuan kita gunakan pada materi yang relative homogen pada tiap stratum dan hal ini kita ulangi untuk strata yang lain maka rancangan percobaan ini dinamakan rancangan blog lengkap. Di dlam rancangan ini jumlah kuadrat error lebih kecil sehingga menambah peluang menemukan perbedaan sebenarnya antar rata-rata efek perlakuan. Rancangan RBAL ini mengandaikan adanya keragaman minimum dan keragaman maksimum antar blok. Satuan dalam setiap blok sedapat mungkin sama sehingga keragaman terbesar terdapat di antara blok.
Di dalam RBAL, perlakuan dibagikan secara acak dalam tiap stratum yaitu randomisasi terbatas.
RBAL tidak sesuai untuk kasus dengan perlakuan yang banyak atau kasus dimana blok lengkap mempunyai variabilitas yang cukup besar. RBAL lebih efisien 60% dibandingkan RBAL artinya bila kita mempunyai percobaan dengan biaya yang sama maka bila kita gunakan 10 replikasi dalam rancangan acak lengkap (RAL) untuk mendapatkan informasi yang sama maka RBAL cukup 6 replikasi. Andaikan kita mempunyai k perlakuan dan b blok maka RBAL dapat kita susun sebagai berikut
Untuk Contoh Soal dan jawaban Silahkan
