PEMILIHAN MODEL BAYESIAN HIRARKI DALAM MODEL ARMA MENGGUNAKAN ALGORITMA REVERSIBLE JUMP MCMC

Apabila model AutoRegressive Moving Average (ARMA) dicocokkan terhadap data riil, maka nilai sebenarnya dari orde dan parameter model sering tidak diketahui. Tujuan tulisan ini adalah menemukan estimator-estimator untuk orde dan parameter model berdasarkan data. Dalam tulisan ini, identifikasi orde dan estimasi parameter model ARMA dilakukan dalam kerangka bayesian hirarki. Dalam kerangka ini, orde dan parameter model diasumsikan berdistribusi prior, yang merangkum semua informasi yang tersedia mengenai proses. Semua informasi mengenai karakteristik orde dan parameter model kemudian dinyatakan dalam distribusi posterior Penentuan probabilitas orde dan parameter model posterior memerlukan integrasi dari distribusi posterior yang dihasilkan, merupakan suatu operasi yang secara analitis sangat sukar dilakukan. Di sini algoritma Reversible Jump Markov Chain Monte Carlo (Reversible Jump MCMC) dikembangkan untuk melakukan integrasi yang diperlukan melalui simulasi distribusi posterior. Metode yang dikembangkan dievaluasi dalam studi simulasi pada sejumlah himpunan data sintetis dan data riil