Estimasi Parameter Distribusi Gamma Dengan Metode Maksimum Likelihood

Pendahuluan
Distribusi Gamma adalah salah satu distribusi probabilitas kontinu yang penting dalam statistik. Distribusi ini banyak digunakan dalam berbagai bidang seperti biologi, rekayasa, ekonomi, dan ilmu lainnya untuk memodelkan fenomena yang memiliki distribusi waktu antar kejadian. Untuk memanfaatkan distribusi Gamma secara efektif, kita perlu mengestimasi parameter-parameter yang mendefinisikan distribusi ini. Salah satu metode estimasi yang paling umum digunakan adalah Metode Maksimum Likelihood (Maximum Likelihood Estimation atau MLE).

Distribusi Gamma
Distribusi Gamma ditentukan oleh dua parameter utama: parameter bentuk (shape parameter) yang sering dilambangkan dengan atau k, dan parameter skala (scale parameter) yang dilambangkan dengan atau . Dalam beberapa literatur, parameter alternatif seperti tingkat (rate parameter) = 1/ juga digunakan.

Di mana () adalah fungsi Gamma.

Metode Maksimum Likelihood (MLE)
Metode Maksimum Likelihood adalah teknik untuk mengestimasi parameter-parameter distribusi probabilitas dengan cara memaksimalkan fungsi likelihood. Prinsip dasarnya adalah mencari nilai parameter yang paling mungkin menghasilkan data yang diamati.

Estimasi Parameter Distribusi Gamma dengan MLE
Untuk mengestimasi parameter (bentuk) dan (skala) dari distribusi Gamma menggunakan MLE, kita perlu mengikuti langkah-langkah berikut:

1. Formulasikan fungsi likelihood untuk sampel data yang diamati.
2. Hitung log-likelihood untuk mempermudah turunan.
3. Turunkan log-likelihood terhadap setiap parameter.
4. Set hasil turunan sama dengan nol dan selesaikan untuk mendapatkan estimator MLE.

Likelihood untuk sampel x, x, ..., x dari distribusi Gamma adalah:

Dan log-likelihoodnya adalah:

Untuk mendapatkan estimator MLE, kita turunkan l terhadap dan , kemudian set hasil turunan sama dengan nol:

Di mana () adalah fungsi digamma, yang merupakan turunan dari logaritma fungsi Gamma.

Dari turunan terhadap , kita dapatkan estimator untuk :

Mengganti ke dalam turunan terhadap :

Atau:

Persamaan ini tidak memiliki solusi analitis tertutup (closed-form solution), sehingga perlu diselesaikan menggunakan metode numerik seperti Newton-Raphson atau metode iterasi lainnya.

Metode Numerik untuk Mengestimasi
Beberapa metode yang dapat digunakan untuk mencari estimator :

• Metode Newton-Raphson: Menggunakan turunan dari fungsi (), yaitu fungsi trigamma '().
• Metode binomial: Menggunakan pendekatan seri untuk ().
• Metode pencarian akar: Menggunakan algoritma pencarian akar seperti bisection atau secant method.

Setelah ditemukan, dapat dihitung langsung menggunakan = x/.

Properti Statistik dari Estimator MLE
Estimator MLE untuk parameter distribusi Gamma memiliki beberapa properti penting:

• Konsisten: Estimator akan konvergen ke nilai parameter sebenarnya ketika ukuran sampel menuju tak terhingga.
• Asimtotik Normal: Distribusi sampling dari estimator mendekati distribusi normal untuk ukuran sampel yang besar.
• Efisien Asimtotik: Estimator memiliki varian minimal di antara semua estimator asimtotik.
• Invarian: Jika adalah MLE untuk , maka g() adalah MLE untuk g() untuk setiap fungsi g yang kontinu.

Aplikasi Estimasi Parameter Distribusi Gamma
Estimasi parameter distribusi Gamma dengan MLE memiliki berbagai aplikasi praktis:

• Analisis keandalan (Reliability analysis): Memodelkan waktu kegagalan komponen atau sistem.
• Biologi: Memodelkan pertumbuhan populasi atau waktu antara peristiwa biologis tertentu.
• Ekonomi: Memodelkan distribusi pendapatan atau waktu antara transaksi ekonomi.
• Meteorologi: Memodelkan curah hujan atau intensitas fenomena cuaca.
• Keuangan: Memodelkan distribusi return aset dalam model risiko.

Metode Estimasi Alternatif
Selain MLE, terdapat beberapa metode alternatif untuk mengestimasi parameter distribusi Gamma:

• Metode Momen (Method of Moments): Menyeimbangkan momen populasi dengan momen sampel.
• Metode Bayes: Menggunakan informasi prior dan menggabungkannya dengan data untuk mendapatkan distribusi posterior.
• Estimasi Kuantil (Quantile Estimation): Menggunakan kuantil sampel untuk mengestimasi parameter.
• Metode Kemungkinan Kondisional (Conditional Likelihood): Menggunakan likelihood yang dikondisikan pada statistik cukup.

Implementasi dalam Perangkat Lunak Statistik
Banyak perangkat lunak statistik yang menyediakan fungsi untuk estimasi parameter distribusi Gamma dengan MLE:

• R: menggunakan fungsi fitdistr() dari paket MASS atau fungsi gammaMLE() dari paket lainnya.
• Python: menggunakan fungsi fit() dari scipy.stats.gamma atau modul lainnya.
• SAS: menggunakan prosedur PROC UNIVARIATE atau PROC NLMIXED.
• SPSS: menggunakan menu Analyze > Descriptive Statistics > Explore dengan opsi Plots atau menggunakan sintaks khusus.

Tantangan dan Keterbatasan
Meskipun MLE adalah metode estimasi yang efektif, terdapat beberapa tantangan dalam mengestimasi parameter distribusi Gamma:

• Persamaan untuk tidak memiliki solusi tertutup, sehingga memerlukan metode numerik yang dapat konvergen perlahan untuk beberapa kasus.
• Untuk sampel yang sangat kecil, estimator MLE mungkin biased.
• Untuk data dengan outlier atau pencilan, estimator MLE bisa tidak stabil.
• Penghitungan fungsi digamma dan trigamma dapat menghadapi masalah numerik untuk nilai yang sangat besar atau sangat kecil.

Kesimpulan
Estimasi parameter distribusi Gamma dengan Metode Maksimum Likelihood adalah pendekatan yang kuat dan populer dalam statistik. Meskipun tidak memberikan solusi analitis tertutup untuk parameter bentuk, metode numerical yang tersedia memungkinkan kita mendapatkan estimator yang efektif dengan properti statistik yang baik. Estimator MLE untuk distribusi Gamma memiliki properti asimtotik yang diinginkan seperti konsistensi, normalitas asimtotik, dan efisiensi asimtotik. Pemahaman tentang prosedur estimasi ini penting bagi praktisi statistik dan peneliti di berbagai bidang yang menggunakan distribusi Gamma dalam analisis data mereka.