Tag: Bahan

html=”Credit: Idaho State University”>

Beberapa model yang digunakan untuk meramalkan segala sesuatu mulai dari tren keuangan hingga populasi hewan dalam suatu ekosistem tidak benar, menurut ahli statistik Idaho State University.

Dalam makalah baru yang diterbitkan di PLOS SatuJesse Wheeler, asisten profesor di departemen matematika dan statistik di Idaho State University, dan rekan penulisnya, Edward Ionides, profesor statistik di University of Michigan, berpendapat bahwa algoritme yang mendukung model rata-rata bergerak terintegrasi autoregresif (ARIMA) di dua lingkungan perangkat lunak umum menghasilkan perkiraan parameter yang tidak terlalu akurat. Dalam statistik, estimasi parameter adalah estimasi yang menggunakan data sampel yang dikumpulkan untuk membuat kesimpulan tentang suatu populasi.

“Ini seperti memiliki kalkulator yang mengklaim dapat menjumlahkan dua tambah dua dengan benar, namun terkadang memberikan jawaban yang salah, seperti dua tambah dua sama dengan tiga,” jelas Wheeler, pakar statistik dan komputasi. “Kita sering mengandalkan perangkat lunak statistik seperti yang kita lakukan pada kalkulator, jadi, jika kalkulator memberi tahu Anda bahwa ia memberi Anda perkiraan parameter tertentu, lebih baik melakukannya dengan keyakinan yang sangat tinggi.”

Model ARIMA termasuk yang paling umum digunakan untuk menganalisis data yang dikumpulkan dari waktu ke waktu. Mereka digunakan untuk menghubungkan nilai sesuatu saat ini – katakanlah, harga telur atau jumlah beruang yang hidup di suatu bagian hutan – dengan nilai masa lalu pada pengukuran yang sama. Hal ini memungkinkan peneliti memperhitungkan pola dan tren dalam data historis, membantu memfasilitasi penemuan ilmiah dan memperkirakan nilai masa depan.

“Model ARIMA biasanya merupakan model rangkaian waktu pertama yang dipelajari siswa di ruang kelas,” kata Wheeler. “Mereka diajarkan tidak hanya pada mata kuliah statistika, namun juga pada mata kuliah dari disiplin ilmu lain karena sangat berguna. Model ARIMA juga biasanya menjadi perbandingan dasar ketika mengembangkan algoritma statistik dan pembelajaran mesin baru.”

Selama penelitian Wheeler dan Ionides terhadap perangkat lunak yang digunakan untuk model ARIMA, mereka menemukan dan memperbaiki potensi masalah pengoptimalan dalam algoritme estimasi kemungkinan maksimum – algoritme yang menggunakan data sampel agar sesuai dengan model statistik – yang digunakan oleh perangkat lunak yang akan menghasilkan estimasi parameter suboptimal. Pada gilirannya, kata Wheeler, estimasi parameter di bawah standar dapat memengaruhi keakuratan perkiraan dan analisis statistik lainnya yang bergantung pada nilai parameter yang akurat.

“Sebagian besar praktisi bahkan tidak menyadari adanya masalah ini. Kami menemukan bahwa perkiraan kemungkinan maksimum perangkat lunak tidak sepenuhnya dioptimalkan, sehingga menghasilkan perkiraan parameter yang tidak dapat diandalkan,” kata Wheeler. “Algoritme yang digunakan mengklaim dapat memaksimalkan kemungkinan model, namun gagal melakukannya dalam sejumlah besar kasus – hingga 60% – bergantung pada data dan model.”

Selain menunjukkan kesalahan, para peneliti mengusulkan algoritma baru untuk mengatasi masalah tersebut dan menunjukkan bahwa algoritma tersebut berfungsi di R.

“Model ARIMA digunakan setiap hari oleh para peneliti dan profesional industri untuk peramalan dan analisis ilmiah di banyak bidang—ekonomi, layanan kesehatan, cuaca, dan banyak lagi,” kata Wheeler.

“Jika perangkat lunak yang memperkirakan model ini memiliki kekurangan, hal ini berpotensi menghasilkan hasil yang tidak diharapkan atau keputusan yang salah. Dengan mengidentifikasi dan memperbaiki masalah ini dalam pendekatan kemungkinan maksimum, penelitian ini membantu memastikan bahwa praktisi dan peneliti dapat mengandalkan hasil tersebut, yang pada akhirnya meningkatkan pengambilan keputusan dan pemahaman ilmiah. Bahkan peningkatan bertahap dalam akurasi estimasi dapat memberikan dampak nyata yang signifikan.”