Latar Belakang Masalah PENDAHULUAN

1

BAB 1 PENDAHULUAN

1.1 Latar Belakang Masalah

Parameter yang tidak diketahui dapat diestimasi nilainya dengan estimator. Dalam hal ini akan dicari estimator yang mendekati nilai dari parameter. Menurut Bain dan Engelhardt 1992: 86, estimator dikatakan baik jika memenuhi kriteria misalnya tak bias dan mempunyai variansi minimum Minimum Variance Unbiased Estimator = MVUE. Namun estimator tak bias dengan variansi minimum tidak selalu ada. Jika estimator tersebut ada, maka ada beberapa metode yang dapat digunakan untuk menentukannya, yaitu pendekatan Cramer Rao Lower Bound CRLB dan konsep dari statistik cukup. Kedua metode tersebut dapat digunakan apabila fungsi kepadatan probabilitas fkp diketahui. Jika fkp tidak diketahui, maka kedua metode tersebut tidak dapat digunakan untuk menentukan MVUE. Kay 1993: 21 menuliskan bahwa cara untuk mengatasi hal tersebut adalah dengan membatasi estimator harus linier pada observasi selain syarat harus tak bias dan mempunyai variansi minimum. Jika diperoleh estimator dengan syarat linier, tak bias, dan mempunyai variansi minimum maka dinamakan estimator tak bias linier terbaik Best Linier Unbiased Estimators = BLUE. BLUE identik dengan MVUE untuk model linier. Oleh karena itu, pada skripsi ini dibahas tentang BLUE pada model linier, yaitu suatu model yang menetapkan 2 bahwa respon Y tersusun atas mean yang tergantung pada prediktor Xi dan kesalahan random ε yang mengukur kesalahan dan pengaruh dari variabel lain yang tidak termuat dalam model. Model linier harus memenuhi asumsi-asumsi tertentu. Salah satunya adalah asumsi homoskedastik, yaitu variansi kesalahan random error sama. Menurut Myers 1986: 53, asumsi homoskedastik dapat tidak dipenuhi. Kasalahan random merupakan variabel random yang tidak diketahui nilainya. Oleh karena itu, kesalahan random dapat diestimasi dengan residu. Jika terjadi pelanggaran terhadap asumsi homoskedastik atau terjadi heteroskedastik mangakibatkan standar error residu tidak minimum. Padahal diketahui bahwa residu mengukur tingkat ketelitian dari suatu estimator model linier, semakin kecil standar errornya maka semakin baik estimator. Dengan kata lain, estimator semakin dekat dengan nilai parameter. Jadi adanya heteroskedastik mengakibatkan estimator tersebut bukan merupakan estimator terbaik sebab variansinya minimum.

1.2 Rumusan Masalah