KOREKSI BIAS ESTIMATOR KERNEL DENGAN BOOTSTRAP

Abstract

Algoritma resampling merupakan metode praktis dan simpel untuk mengatasi bias pada regresi kernel seperti pada kernel Nadaraya-Watson dan Locally Linear order dua.  Penelitian ini berfokus untuk mendapatkan estimator kernel dengan menetapkan polinomial lokal  dan estimasi  digunakan least square terbobot. Pada metode yang sama juga akan didapatkan persamaan bias, variansi dan Mean Square Error (MSE).

 Aplikasi kernel pada data penelitian Canadian Males oleh Murphy dan Welch (1990) menunjukkan bahwa dengan estimasi bootstrap akan menurunkan nilai bias, variansi dan MSE serta dengan improved bootstrap akan lebih memperkecil nilai–nilai tersebut.  Kurva regresi yang dibentuk dari estimasi bootstrap akan membentuk permukaan yang smooth. 

Kata Kunci dan Phrasa: Estimasi Nonparametrik, Improved Bootstrap dan Polinomial Lokal.