Pemodelan regresi tobit kuantil bayesian pada pengeluaran rumah tangga untuk konsumsi susu

Lusiana, Evellin Dewi (2015) Pemodelan regresi tobit kuantil bayesian pada pengeluaran rumah tangga untuk konsumsi susu. Masters thesis, Institut Teknologi Sepuluh Nopember.

[img]
Preview
Text
1313201010-Master_Theses.pdf - Published Version

Download (2MB) | Preview
[img]
Preview
Text
1313201010-Paper.pdf - Published Version

Download (543kB) | Preview
[img]
Preview
Text
1313201010-Presentation.pdf - Presentation

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)
Additional Information: RTSt 519.536 Lus p
Uncontrolled Keywords: Tobit, Reggesi kuantil, Tobit kuantil bayesian (TKB), Metropolis-Hastings, Konsumsi susu
Subjects: Q Science > QA Mathematics > QA278.2 Regression Analysis
Divisions: Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User: - Davi Wah
Date Deposited: 09 May 2019 05:10
Last Modified: 09 May 2019 05:10
URI: https://repository.its.ac.id/id/eprint/62978

Actions (login required)

View Item View Item