Lusiana, Evellin Dewi (2015) Pemodelan Regresi Tobit Kuantil Bayesian Pada Pengeluaran Rumah Tangga Untuk Konsumsi Susu. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1313201010-Master_Theses.pdf - Published Version Download (2MB) | Preview |
Preview |
Text
1313201010-Presentation.pdf - Published Version Download (1MB) | Preview |
Abstract
Pemodelan regresi Tobit diterapkan terhadap data tersensor, apabila
observasi bernilai nol pada data tersebut juga dipandang sebagai bagian dari
proses analisis. Estimasi parameter model regresi Tobit umumnya menggunakan
metode Maximum Likelihood Estimation (MLE) yang berbasis conditional mean,
sehingga data yang jauh dari mean, misalnya kuantil 0.05 dan 0.95, seringkali
tidak terepresentasi dengan baik oleh estimator yang ada. Hal ini dapat diatasi
dengan model regresi kuantil tobit atau regresi kuantil tersensor yang berbasis
conditional quantile. Estimator model ini dikenal sebagai estimator Powell. Selain
itu, diperkenalkan model regresi tobit kuantil dengan pendekatan bayesian (TKB).
Kelebihan pendekatan bayesian adalah kemudahan untuk mengestimasi distribusi
posterior dengan teknik MCMC (Metropolis-Hastings), serta mampu
mengakomodasi adanya informasi prior. Untuk mendapatkan estimator TKB,
diasumsikan error model mengikuti distribusi Asimetrik Laplace, sehingga bisa
didapatkan fungsi likelihood untuk menghitung posterior. Dari simulasi yang telah
dilakukan, diperoleh hasil bahwa estimator TKB dan Powell tidak cukup baik
untuk mengestimasi paramater model kuantil bawah seperti kuantil 0.05 dan 0.25.
Selain itu, jika prediktor dalam model cukup banyak dan ukuran sampel lebih dari
1000, performa estimator TKB lebih baik daripada estimator Powell. Di samping
itu, bila dibandingkan dengan estimator tobit standar, estimator TKB dan Powell
memiliki performa yang lebih baik untuk model dengan error berdistribusi bukan
normal. Adapun pemodelan regresi TKB terhadap pengeluaran rumah tangga
untuk konsumsi susu menunjukkan bahwa besarnya estimator yang dihasilkan
bervariasi antar kuantil dan model terbaik untuk masing-masing kuantil juga
melibatkan prediktor yang berbeda. ========== Tobit regression modelling is applied for censored data, if the null
observations are also taken into account. The parameters of tobit regression model
are commonly estimated by using Maximum Likelihood Estimation (MLE) or
Ordinary Least Square (OLS) method, of which are conditional mean method
based, so that the observations that lied afar from mean, such as at 5th and 95th
quantile can not well represented. The matter can be solved by using quantile
tobit regression or censored quantile regression as the condtional quantile based
estimation method, that the estimators are called Powell’s estimator. Meanwhile, a
tobit quantile model with bayesian approach (TQBR) is also introduced. The
advantages of the last model are its ability to obtain the posterior distributions of
the parameter of interest even in a complex situations through MCMC method and
to accomodate the prior informations. In order to obtain TQBR’s estimator, the
errors’ model are assumed to be Asymmetric Laplace distributed, in case to form
the likelihood function for posterior calculation. According to the result of
simulation study, both TQBR and Powell estimators are not good to estimate the
lower quantile model such as 5th and 25th quantile. Also, their performances are
better than standar tobit estimator for model with non-normal error distribution.
Specifically, the performance of TQBR’s estimators are outperformed the
Powell’s when the model contains many predictor and the sample size above
1000. On the other hand, the TQBR modelling of household expenditure for milk
consumption shows that the estimators are varying across the quantiles and the
best model for each quantile involvels different predictors.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Tobit; regresi Kuantil; Tobit Kuantil Bayesian (TKB); Metropolis-Hastings; konsumsi susu; Tobit; Quantile Regression; Tobit Quantile Bayesian Regression(TQBR); Metropolis-Hastings; milk consumption |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA279.5 Bayesian statistical decision theory. |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | - Davi Wah |
| Date Deposited: | 30 May 2018 04:41 |
| Last Modified: | 30 May 2018 04:41 |
| URI: | http://repository.its.ac.id/id/eprint/51956 |
Actions (login required)
 |
View Item |