Data yang mengandung faktor acak (random) and trend

Analisis trends merupakan suatu metode analisis statistika yang ditujukan untuk melakukan suatu estimasi atau peramalan pada masa yang akan datang. Untuk melakukan peramalan dengan baik maka dibutuhkan berbagai macam informasi (data) yang cukup banyak dan diamati dalam periode waktu yang relatif cukup panjang, sehingga hasil analisis tersebut dapat mengetahui sampai berapa besar fluktuasi yang terjadi dan faktor-faktor apa saja yang memengaruhi terhadap perubahan tersebut.

Secara teoristis, dalam analisis runtun waktu (time series) hal yang paling menentukan adalah kualitas dan keakuratan dari data-data yang diperoleh, serta waktu atau periode dari data-data tersebut dikumpulkan. Jika data yang dikumpulkan tersebut semakin banyak maka semakin baik pula estimasi atau peramalan yang diperoleh. Sebaliknya, jika data yang dikumpulkan semakin sedikit maka hasil estimasi atau peramalannya akan semakin jelek.

Metode Least Square

sunting

Metode yang dapat digunakan untuk analisis time series ini adalah

  • Metode Garis Linier Secara Bebas (Free Hand Method),
  • Metode Setengah Rata-Rata (Semi Average Method),
  • Metode Rata-Rata Bergerak (Moving Average Method) dan
  • Metode Kuadrat Terkecil (Least Square Method).

Secara khusus, analisis time series dengan metode kuadrat terkecil dapat dibagi dalam dua kasus, yaitu kasus data genap dan kasus data ganjil. Persamaan garis linear dari analisis time series akan mengikuti:

Y = a + b X.

Keterangan: Y adalah variabel dependen (tak-bebas) yang dicari trends nya dan X adalah variabel independen (bebas) dengan menggunakan waktu (biasanya dalam tahun).

Sedangkan untuk mencari nilai konstanta (a) dan parameter (b) dapat dipakai persamaan:

a = ΣY / N dan
b = ΣXY / ΣX2

Referensi

sunting
  • Bianchi M., Boyle M., Hollingsworth D. (1999), "A comparison of methods for trend estimation", Applied Economics Letters, 6(2): 103–109.
  • Chatfield, C. (1993), "Calculating Interval Forecasts", Journal of Business and Economic Statistics, 11(2): 121–135.


📚 Artikel Terkait di Wikipedia

Distribusi t Student

kepercayaan untuk perbedaan antara dua rerata populasi, dan pada analisis regresi linear. Pada bentuk skala lokalisasi distribusi t lst(μ, τ2, ν), distribusi ini

Statistika

ke-19 dan awal abad ke-20 oleh Karl Pearson (memperkenalkan metode regresi linear dan istilah deviasi standar pada 1894), Ronald Fisher (peletak dasar statistika

Statistika matematika

matematika yang digunakan di sini meliputi analisis matematis, aljabar linear, analisis stokastik, persamaan diferensial, dan teori probabilitas pengukuran-teoretis

Eksperimen semu

Sciences 113, (27), 7353–7360. Wager, Stefan, and Susan Athey (2018), "Estimation and inference of heterogeneous treatment effects using random forests

Efek pengacau

Sampling distribution Order statistic Empirical distribution Density estimation Statistical model Lp space Parameter location scale shape Parametric family

Uji t Student

Sampling distribution Order statistic Empirical distribution Density estimation Statistical model Lp space Parameter location scale shape Parametric family

Model generatif

Sampling distribution Order statistic Empirical distribution Density estimation Statistical model Lp space Parameter location scale shape Parametric family

Sistem pengumpulan data

Sampling distribution Order statistic Empirical distribution Density estimation Statistical model Lp space Parameter location scale shape Parametric family