scholarly journals Meningkatkan Ketahanan Wilayah Melalui Estimasi Underreported Data Kejahatan Menggunakan Pendekatan Bayes

2017 ◽  
Vol 23 (3) ◽  
pp. 376
Author(s):  
Herlin Venny Johannes ◽  
Septiadi Padmadisastra ◽  
Bertho Tantular
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Actual Number ◽  
Sample Mean ◽  
Binomial Distributions ◽  
Estimate Parameter ◽  
Gibbs Sampling Algorithm ◽  
Ergodic Mean

ABSTRACTThis paper present a study for the number of crime that run into underreporting counts. The purpose of the analysis is to estimate parameter of the model which is the actual number of crime. The model is a mixture of the poisson and the binomial distributions developed by Winkelmann (1996). The parameters of the model are estimated by Bayesian approach and Markov Chain Monte Carlo simulation using Gibbs sampling algorithm. Determination the convergence of the algorithm using trace plot, autocorrelation plot and ergodic mean plot. In the end, estimator of the parameters of the underreported counts model are the simulation sample mean that calculated from the simulation sample of iteration after burn in period until the last iteration.ABSTRAKPenelitian ini mengkaji permodelan data tingkat kejahatan yang mengalami underreporting counts. Tujuan analisis ini adalah untuk menaksir parameter model yaitu banyaknya jumlah tindak kejahatan yang sebenarnya.  Model yang digunakan adalah hasil penggabungan antara distribusi poisson dan distribusi binomial yang dikembengkan oleh Winkelmann (1996). Penaksiran parameter model dilakukan melalui pendekatan bayes dan simulasi Markov Chain Monte Carlo menggunakan algoritma gibbs sampling. Penentuan konvergensi algoritma akan dilakukan melalui trace plot, autocorrelation plot, dan ergodic mean plot. Taksiran parameter model diperoleh dari rata-rata nilai sampel hasil simulasi yang dihitung dari iterasi setelah burn in period sampai dengan iterasi yang terakhir.

scholarly journals PENDUGAAN ANGKA KEMISKINAN DI KABUPATEN PADANG PARIAMAN MENGGUNAKAN SMALL AREA ESTIMATION DENGAN PENDEKATAN HIERARCHICAL BAYESIAN (HB) LOGLOGISTIK

2019 ◽  
Vol 8 (2) ◽  
pp. 76
Author(s):  
Jusri Repi Basri Yuliani ◽  
Maiyastri Maiyastri ◽  
Rita Diana
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Standard Error ◽  
Small Area ◽  
Small Area Estimation ◽  
Hierarchical Bayesian ◽  
Area Estimation ◽  
Level Model

Penelitian ini mengkaji tentang pendekatan Hierarchical Bayesian (HB) Loglogistik yang diaplikasikan pada Small Area Estimation (SAE) dengan tujuan mengestimasi tingkat kemiskinan di Kabupaten Padang Pariaman. Metode pendugaan area kecil yang digunakan pada penelitian ini adalah model level area dasar (basic area level model ) dengan bantuan variabel penyerta yang tersedia pada level kecamatan. Variabel penyerta yang digunakan pada penelitian ini yaitu rasio SLTA/Sederajat (X1), persentase keluarga pertanian (X2), rasio industri mikro kecil (X3), persentase buruh tani dalam setiap anggota keluarga (X4), kepadatan penduduk (X5), dan persentase penduduk pelanggan listrik PLN (X6). Bentuk integrasi yang kompleks dari sebaran peluang bersyarat pada model diselesaikan menggunakan Markov Chain Monte Carlo (MCMC) dengan menerapkan algortima Gibbs Sampling dan bantuan software WinBugs 1.4.3. Hasil estimasi menggunkan model HB yang diperoleh dibandingkan dengan hasil estimasi pendugaan langsung dengan memperhatikan nilai standard error sebagai tolok ukurnya. Hasil pendugaan tingkat kemiskinan untuk level kecamatan di Kabupaten Padang Pariaman dengan model HB menunjukkan nilai standard error yang kecil.Kata Kunci: Tingkat kemiskinan, Small Area Estimation, Hierarchical Bayesian

scholarly journals Ensuring Rapid Mixing and Low Bias for Asynchronous Gibbs Sampling

2017 ◽  
Author(s):  
Christopher De Sa ◽  
Kunle Olukotun ◽  
Christopher Ré
Keyword(s):  
Monte Carlo ◽  
Markov Chain ◽  
Markov Chain Monte Carlo ◽  
Gibbs Sampling ◽  
Mixing Time ◽  
Markov Chain Analysis ◽  
Empirical Results ◽  
Chain Analysis ◽  
Speed Up ◽  
Theoretical Results

Gibbs sampling is a Markov chain Monte Carlo technique commonly used for estimating marginal distributions. To speed up Gibbs sampling, there has recently been interest in parallelizing it by executing asynchronously. While empirical results suggest that many models can be efficiently sampled asynchronously, traditional Markov chain analysis does not apply to the asynchronous case, and thus asynchronous Gibbs sampling is poorly understood. In this paper, we derive a better understanding of the two main challenges of asynchronous Gibbs: bias and mixing time. We show experimentally that our theoretical results match practical outcomes.

scholarly journals POISSON REGRESSION OF DAMAGE PRODUCT SALES USING MCMC

2018 ◽  
Vol 2 (1) ◽  
pp. 1-12
Author(s):  
Reny Rian Marliana ◽  
Septiadi Padmadisastra
Keyword(s):  
Monte Carlo Simulation ◽  
Monte Carlo ◽  
Regression Model ◽  
Poisson Regression ◽  
Explanatory Variable ◽  
Actual Number ◽  
Input Process ◽  
Binomial Distributions ◽  
Gibbs Sampling Algorithm ◽  
Product Sales

In this paper a model for the number of “damage” product sales is studied. The product sales are run into underreporting counts, caused by a delay on input process of the system called sales cycle. The goal of the study is to estimate the parameters of the regression model of product sales on an explanatory variable. It is the actual number of product sales. The model used is a mixture of the Poisson and the Binomial distributions. The parameters of the regression model are estimated by a Bayesian approach and Markov Chain Monte Carlo simulation using Gibbs sampling algorithm. The results of estimation clearly showed a gap between undamage product sales and the actual number. The gap is the number of damaged product sales.

Sign in / Sign up

Export Citation Format

Share Document