Outlier Robust Methods

Pencilan (outlier observations) sering menjadi masalah dalam analisis data survey, dimana sering ditemukan dalam penelitian-penelitian sosial ekonomi. Data pencilan, unit-unit respon yang memiliki penyimpangan besar dari kelompoknya, cenderung akan mendominasi pendugaan nilai rataan. Namun demikian kadang-kadang  keberadaan pencilan ini juga bermanfaat, seperti mampu meng-“katrol” (pelaporan) pendapatan perkapita di Indonesia.

Menyikapi keberadaan data pencilan ini, kita bisa menelaah apakah pencilan tersebut representative atau non-representative outliers. Yang dimakud representative outliers adalah data (pengamatan) yang nilainya telah dicatat dengan benar dan tidak ada alasan untuk menganggap data tersebut unik di populasinya. Artinya tidak ada alasan untuk mengasumsikan bahwa tidak ada lagi data-data serupa dari populasi yang tidak terambil dalam survey.

Untuk menangani masalah ini (representative outliers), biasanya dilakukan melalui dua pendekatan, yaitu:

  1. Melalui modifikasi pembobot, yaitu dengan mengurangi nilai pembobot percontohan untuk data pencilan
  2. Melalui modifikasi nilai respon, yaitu dengan melakukan penyesuaian pada nilai respon yang merupakan data pencilan tanpa merubah pembobot percontohan-nya.

Namun demikian kedua strategi ini secara umum akan menghasilkan penduga yang berbias.  Keduanya memiliki tujuan yang sama untuk mengurangi pengaruh data pencilan pada pendugaan ataupun prediksi, namun mungkin tidak memberikan hasil yang sama tentang sifat-sifat statistiknya. Beberapa orang mungkin memilih metode dengan keragaman yang kecil walaupun memiliki bias yang cukup besar, namun yang lain bisa saja memilih bias yang kecil walaupun keragaman cukup besar.  Hal yang paling menarik tentu dalam prakteknya adalah mendapatkan “keseimbangan” diantara bias dan keragaman.

Penelitian lebih lanjut masih sangat terbuka untuk hal ini, silakan bagi yang tertarik ….

Leave a Reply

You must be logged in to post a comment.