Seri Bayesian: Prior dalam Metode Bayesian

Karena parameter diperlakukan sebagai variabel maka dalam Bayesian akan mempunyai nilai dalam domain , dengan densitas fQ(). Dan densitas inilah yang akan dinamakan sebagai distribusi prior dari .

Dengan adanya informasi prior yang dipadukan dengan data / informasi saat itu, X, yang digunakan dalam membentuk posterior , maka penghitungan posteriornya akan semakin mudah, yaitu hanya dengan menghitung densitas bersyarat dari diberikan oleh X=x .

Kritikan pada Bayesian biasanya terfokus pada “legitimacy dan desirability” untuk menggunakan sebagai random variabel dan ketepatan mendefinisikan/memilih distribusi prior-nya. Continue reading “Seri Bayesian: Prior dalam Metode Bayesian”

REVIEW JURNAL: Application of Bayesian structural equation modeling forexamining phytoplankton dynamics in the Neuse RiverEstuary (North Carolina, USA) *)

Tulisan dalam jurnal ini memperkenalkan penggunaan kerangka kerja Bayesian Structural Equation Modeling (SEM) untuk mengeksplorasi pola spatiotemporal phytoplankton community di muara sungai Neuse dengan periode studi tahun 1995-2000. Dalam hipotesis awalnya, model mempertimbangkan pengaruh lingkungan fisik (aliran, salinitas, dan cahaya), nitrogen (terdiri dari dissolved oxidized inorganic nitrogen dan total dissolved inorganic nitrogen), dan temperatur terhadap total biomassa fitoplankton dan strukturnya. Continue reading “REVIEW JURNAL: Application of Bayesian structural equation modeling forexamining phytoplankton dynamics in the Neuse RiverEstuary (North Carolina, USA) *)”

Seri Bayesian untuk Pemula: BAYES FACTOR

Penggunaan Bayes factor merupakan suatu alternatif aliran bayesian atas uji hipotesis aliran klasik. Bayes factor juga digunakan dalam metode pemilihan model yang disebut Bayes model comparison.

Dalam Bayesian kita telah mengetahui bahwa probabilitas posterior diberikan oleh teorema Bayes berikut: Continue reading “Seri Bayesian untuk Pemula: BAYES FACTOR”

Seri Bayesian Untuk Pemula: Teorema Bayes, Kunci dalam Statistik Bayesian

Pada artikel sebelumnya (Seri Bayesian untuk Pemula: Teorema Bayes), kita telah mengenal Teorema Bayes sebagai dasar dalam inferens statistik Bayesian. Untuk lebih memahami bagaimana kita dapat menggunakan teorema Bayes untuk memperbaiki/meningkatkan keyakinan akan bukti-bukti dasar (dari data observasi kita), kita perlu melihat bagian-bagian dari teorema Bayes secara satu persatu. Continue reading “Seri Bayesian Untuk Pemula: Teorema Bayes, Kunci dalam Statistik Bayesian”

SERI BAYESIAN UNTUK PEMULA: TEOREMA BAYES

Tujuan dari inferensi statistik adalah untuk menarik kesimpulan dari data sampel yang diketahui tentang populasi yang tidak ada datanya. Sebagai contoh, kita tahu dari sampel bahwa 55 persen pemilih cenderung untuk memilih pilihan A, tapi sebenarnya berapa banyak pemilih secara keseluruhan yang cenderung memilih A? Continue reading “SERI BAYESIAN UNTUK PEMULA: TEOREMA BAYES”

Bayesian Confidence Interval with Highest Posterior Density (HPD)

Dalam teori estimasi statistik klasik, parameter θ dianggap sebagai suatu konstanta yang akan diestimasi dari sejumlah n sampel pengamatan yang ada. Fungsi densitas peluang (pdf) f(x, θ) digunakan untuk memperoleh estimasi titik dan estimasi interval dari θ. Metode paling umum yang digunakan untuk memperoleh selang kepercayaan (confidence interval) untuk parameter θ adalah pertama-tama dengan mencari pivotal quantity T . Kemudian peluang dari P(A<T<B) = 1 – α ditransformasi menjadi P(L<θ<U) = 1 – α. Interval (L, U) disebut sebagai 100(1 – α) confidence interval untuk parameter θ. Ketika parameter θ dianggap sebagai konstan, terdapat masalah dalam menginterpretasikan confidence interval yang dihitung dari sampel. Jika dilakukan sampling berulang, kita akan memperoleh parameter θ yang berbeda. Continue reading “Bayesian Confidence Interval with Highest Posterior Density (HPD)”