Estimator Full Information Maximum Likelihood

Metoda Full Information Maximum Likelihood (FIML) mendapatkan estimasi suatu parameter dengan cara memaksimalkan fungsi likelihood untuk semua system parameters. Hasil estimator dengan FIML adalah consitent dan asymptotical efficient (Intriligator, Bodkin, Hsio, 1996). Untuk mendapatkan penaksir FIML, misalkan ada persamaan ke-h dalam suatu system yang mengandung g_h variabel endogen dan k_h variabel eksogen dapat dinyatakan sebagai berikut:
(1)

dimana δh adalah koefisien yang akan diestimasi dalam persamaan sistem tersebut. Persamaan (1) diasumsikan semua persamaan adalah just idenfied atau overidenfied.

Estimasi Model Regresi Non Linier dg Genetic Algoritma

Pada umumnya estimasi dalam Model Non Linier mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood) dengan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Metoda Algoritma tersebut tidak akan menghasilkan global minimum/ maksimum. Dalam paper ini akan menjelaskan pendekatan baru yaitu Genetic Algoritma yang lebih menjamin global Maksimal/ minimal. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap : Genetic Algoritma.pdf

dan Source Code MATLAB: front.m aicsc.m evaleach.m bit2num.m evalpopu.m nextpopu.m sbcd.m

dan source code Maximum likelihood : MLCD

Estimasi Model Regresi NonLinier dg OLS dan Max Likelihood

Paper akan melaporkan hasil ekperimen model nonlinier untuk menaksir fungsi produksi Cobb-Douglas dan CES dengan mengunakan metoda Nonlinier Least Square dan Non-Linier Maksimum Likelihood. Metoda estimasi model non linier dengan pendekatan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Dalam paper ini akan menjelaskan pendekatan tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin tulisan lengkap [Non Linier.pdf] dan [Lampiran]
Silahkan “Komentar” di bawah ini.

Estimasi Model Regresi Linier dg Ordinary Least Square dan Simulasi Monte Carlo

Estimasi dalam Model Linier pada umumnya mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood). Dalam Paper ini menjelaskan secara teoritis bagaimana metoda estimasi tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap: (1)cover.pdf; (2)daftar-isi.pdf; (3)isi.pdf

Silahkan “Komentar” di bawah ini.