Bounds for the difference between a linear unbiased estimate and the best linear unbiased estimate

Author(s):  
J Mäkinen
2019 ◽  
Vol 25 (7) ◽  
pp. 449
Author(s):  
Adrianus Dwi Siswanto

Transportasi merupakan bagian yang integrasi dengan kegiatan masyarakat, baik secara individu maupun kelompok. Penelitian ini menganalisis faktor-faktor yang mempengaruhi pengeluaran rumah tangga transportasi Indonesia. Faktor-faktor yang termasuk dalam penelitian ini adalah pengeluaran rumah tangga, pengeluaran pajak kendaraan, roda dua kepemilikan kendaraan bermotor, dan kapal motor. Metodologi yang digunakan dalam penelitian ini adalah metode kuantitatif yang dikembangkan dengan membangun sebuah model persamaan matematika. Data yang digunakan adalah Susenas 2010. Data kemudian diolah dengan menggunakan program pengolahan data SPSS. Dalam penelitian ini ditetapkan empat variabel independen, yaitu pengeluaran rumah tangga, pajak kendaraan bermotor, kepemilikan aset roda dua dan perahu motor. Hasil penelitian menunjukkan bahwa model ini telah memenuhi syarat Best Linear Unbiased Estimate. Dari hasil model yang dibangun, pengeluaran transportasi rumah tangga dipengaruhi oleh belanja rumah tangga, pajak kendaraan bermotor, dan kepemilikan aset. Untuk belanja rumah tangga dan pajak kendaraan bermotor memiliki hubungan yang positif. Berarti perubahan kedua variabel tersebut searah. Ta pi untuk kepemilikan kendaraan roda dua, aset dan kapal motor, memiliki hubungan yang berlawanan. Ini berarti bahwa jika ada perubahan dari dua variabel akan berdampak berbeda. Jika rumah tangga tidak memiliki aset akan menyebabkan kenaikan dalam pengeluaran biaya transportasi dan sebaliknya.


2001 ◽  
Vol 13 (8) ◽  
pp. 1863-1889 ◽  
Author(s):  
Masashi Sugiyama ◽  
Hidemitsu Ogawa

The problem of model selection is considerably important for acquiring higher levels of generalization capability in supervised learning. In this article, we propose a new criterion for model selection, the subspace information criterion (SIC), which is a generalization of Mallows's CL. It is assumed that the learning target function belongs to a specified functional Hilbert space and the generalization error is defined as the Hilbert space squared norm of the difference between the learning result function and target function. SIC gives an unbiased estimate of the generalization error so defined. SIC assumes the availability of an unbiased estimate of the target function and the noise covariance matrix, which are generally unknown. A practical calculation method of SIC for least-mean-squares learning is provided under the assumption that the dimension of the Hilbert space is less than the number of training examples. Finally, computer simulations in two examples show that SIC works well even when the number of training examples is small.


Sign in / Sign up

Export Citation Format

Share Document