Kaedah Anggaran dalam Statistik
Statistik ialah sains pengumpulan, analisis dan pentafsiran data, dan salah satu komponen pentingnya ialah anggaran. Penganggaran dalam statistik merujuk kepada proses menentukan nilai anggaran parameter populasi berdasarkan maklumat yang diperoleh daripada sampel. Kaedah penganggaran boleh dikategorikan kepada dua jenis utama: anggaran titik dan anggaran selang. Dalam artikel ini, kita akan membincangkan pelbagai kaedah penganggaran yang biasa digunakan dalam statistik.
Pemahaman Asas tentang Anggaran
Sebelum kita membincangkan kaedah anggaran, adalah penting untuk memahami beberapa istilah asas:
– Parameter: Ciri-ciri berangka bagi populasi. Contohnya, min populasi (µ), varians populasi (σ²).
– Statistik: Ciri-ciri berangka sampel. Contohnya, min sampel (x̄), varians sampel (s²).
Matlamat utama anggaran adalah untuk membuat inferens tentang parameter populasi berdasarkan data sampel . Terdapat dua jenis anggaran utama dalam statistik:
1. Anggaran Titik: Hanya memberikan satu nilai sebagai anggaran parameter populasi.
2. Anggaran Selang: Menyediakan julat nilai sebagai anggaran parameter populasi, termasuk tahap keyakinan tertentu.
Kaedah Anggaran Titik
Anggaran titik ialah proses menyediakan nombor tunggal yang merupakan anggaran terbaik bagi parameter populasi. Antara penganggar titik yang biasa digunakan ialah:
1. Purata (Purata) Sampel
Cara paling mudah dan paling biasa untuk menganggarkan min populasi adalah dengan min sampel, yang dikira sebagai:
\[ \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i \]
dengan \( x_i \) ialah setiap pemerhatian dalam sampel dan \( n \) ialah saiz sampel.
2. Median Sampel
Median sampel ialah nilai tengah bagi data sampel yang disusun. Ia merupakan penganggar yang teguh kerana ia tidak terjejas oleh outlier.
3. Perkadaran Sampel
Untuk menganggarkan perkadaran populasi, perkadaran sampel digunakan, yang dikira sebagai:
\[ \hat{p} = \frac{x}{n} \]
dengan \( x \) ialah bilangan kejayaan dalam sampel dan \( n \) ialah saiz sampel.
Kaedah Anggaran Selang Masa
Anggaran selang memberikan julat nilai, yang dijangka meliputi parameter populasi dengan tahap keyakinan tertentu (contohnya, 95%). Anggaran selang sering dinyatakan dalam bentuk Selang Keyakinan (CI).
1. Selang Keyakinan untuk Min Populasi
Jika data sampel datang daripada taburan normal atau (n) cukup besar (CLT terpakai), selang keyakinan untuk min populasi (mu) ialah:
\[ \bar{x} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \]
Di mana:
– \( \bar{x} \) ialah min sampel
– \( z_{\alpha/2} \) ialah nilai-z bagi taburan normal piawai yang sepadan dengan aras keyakinan (cth., 1.96 untuk 95%)
– ( sigma ) ialah sisihan piawai populasi. Jika \( \sigma \) tidak diketahui, \( s \) (sisihan piawai sampel) digunakan.
– \( n \) ialah saiz sampel.
2. Selang Keyakinan untuk Perkadaran Populasi
Untuk menganggarkan perkadaran populasi \( p \):
\[ \hat{p} \pm z_{\alpha/2} \sqrt{\frac{\hat{p}(1-\hat{p})}{n}} \]
di mana \( \hat{p} \) ialah perkadaran sampel dan parameter lain seperti yang diterangkan sebelum ini.
Kaedah Anggaran Lain
1. Kaedah Kemungkinan Maksimum (ML)
Kaedah Kemungkinan Maksimum ialah teknik yang digunakan untuk mencari penganggar terbaik bagi parameter populasi \( \theta \) dengan memaksimumkan fungsi kemungkinan \( L(\theta) \). Fungsi kemungkinan ialah kebarangkalian memperoleh data yang diperhatikan memandangkan parameter \( \theta \):
\[ L(\theta|x) = \prod_{i=1}^{n} f(x_i|\theta) \]
di mana \( f(x_i|\theta) \) ialah fungsi ketumpatan kemungkinan (PDF) bagi data. Penganggar yang memaksimumkan \( L(\theta) \) dipanggil penganggar kemungkinan maksimum (MLE).
2. Kaedah Penganggaran Bayesian
Pendekatan Bayesian menganggap parameter sebagai pembolehubah rawak dan gunakan taburan kebarangkalian untuk menganggarkan parameter. Berdasarkan Teorem Bayes:
\[ P(\theta|x) = \frac{P(x|\theta) P(\theta)}{P(x)} \]
di mana \( P(\theta|x) \) ialah taburan posterior, \( P(x|\theta) \) ialah kemungkinan, \( P(\theta) \) ialah prior, dan \( P(x) \) ialah margin kemungkinan. Penganggar Bayesian terlalu bergantung pada prior yang digunakan.
Penilaian Penganggar
Untuk menilai penganggar titik, kita mesti mengkaji sifat-sifatnya:
– Keadilan/Bias: Penganggar \( \hat{\theta} \) dikatakan tidak berat sebelah jika \( E[\hat{\theta}] = \theta \).
– Kecekapan: Penganggar yang cekap mempunyai varians terkecil antara semua penganggar yang tidak berat sebelah.
– Ketekalan: Penganggar dikatakan konsisten jika \( \hat{\theta} \) menghampiri \( \theta \) apabila saiz sampel \( n \) meningkat.
Contoh Aplikasi
1. Anggaran Pendapatan Purata
Dalam penyelidikan ekonomi, menganggarkan purata pendapatan sesebuah populasi sering dilakukan. Penyelidik mengambil sampel populasi dan mengira min sampel sebagai penganggar titik, dan memberikan selang keyakinan untuk menggambarkan ketidakpastian anggaran ini.
2. Anggaran Perkadaran Pengundi
Dalam tinjauan pilihan raya, seorang penyelidik mungkin ingin menganggarkan peratusan pengundi yang menyokong calon tertentu. Perkadaran sampel \( \hat{p} \) responden yang menyokong calon tersebut digunakan sebagai penganggar titik. Selang keyakinan boleh diberikan untuk menunjukkan margin ralat.
Kesimpulannya
Kaedah penganggaran memainkan peranan penting dalam statistik kerana ia membolehkan penyelidik membuat inferens tentang populasi berdasarkan data sampel. Kaedah penganggaran titik dan selang menyediakan alat yang ampuh untuk ini, dengan teknik seperti kemungkinan maksimum dan penganggaran Bayesian yang mengkaji lebih mendalam kerumitan data. Menggunakan penganggar yang adil, cekap dan konsisten memastikan keputusan analisis data yang andal dan tepat , memudahkan proses membuat keputusan yang lebih baik dalam bidang seperti ekonomi, sains sosial, kesihatan dan banyak lagi.
