Level 3 • Sub-Modul A • Distribusi Sampling & Estimasi Interval
Central Limit Theorem (CLT) Animator & 100 Confidence Intervals Catcher
1. CLT Animator: Dari Populasi Ekstrem ke Lonceng Normal
Mean Populasi (μ)
50.00
Rata-rata dari x̄ (E[x̄])
50.00
Standard Error (σ / √n)
4.50
2. 100 Confidence Intervals (CI) Catcher
Menangkap μ (Hijau)
95 / 100
Meleset / Type I Error (Merah)
5 / 100
Lebar Margin of Error (±)
±3.92
Level 3 • Sub-Modul B • Anatomi Keputusan & Partisi Varians
Hypothesis Testing Anatomy (α, β, Power 1-β) & ANOVA / Kruskal-Wallis Lab
1. Interaksi H₀ (#38BDF8) vs H₁ (#C084FC): Trade-off α, β & Power
Type I Error (α)
5.0%
Type II Error (β)
14.2%
Statistical Power (1 - β)
85.8%
2. One-Way ANOVA (F-Ratio) vs Kruskal-Wallis Rank
F-Statistik (MSB / MSW)
12.45
Kruskal-Wallis H (Rank)
14.20
Keputusan Uji (α=0.05)
Tolak H₀ (Berbeda)
Level 4 • Sub-Modul C • Ekonometrika Klasik & Diagnostik Residual
Interactive OLS Squared-Error Spring Simulator & Gauss-Markov Violations Lab
Interaksi Kanvas Kiri: Klik ruang kosong untuk menambah titik (X, Y), geser (drag) titik untuk merasakan gaya pegas kuadrat residual εᵢ² = (Yᵢ - Ŷᵢ)², atau klik dua kali pada titik untuk menghapusnya.
Persamaan Estimasi OLS
Ŷ = 15.2 + 0.72X
R² / Adjusted R²
0.812 / 0.795
SE(β̂₁) & t-stat
SE: 0.084 (t = 8.57)
VIF = 1 / (1 - R₁₂²)
1.10 (Normal)
Statistik Durbin-Watson (DW)
1.98 (Bebas Autokorelasi)
Level 4 • Sub-Modul D • Model Non-Linier, Deret Waktu & Reduksi Dimensi
GLM Logistic Sigmoid, Time-Series ARIMA(p,d,q) & Multivariate PCA Explorer
ln( P / (1 - P) ) = β₀ + β₁X ⟺ P(Y = 1 | X) = 1 / (1 + e^(-(β₀ + β₁X)))
True Positive (TP)
11
True Negative (TN)
10
False Positive (FP)
2
False Negative (FN)
1
Akurasi Klasifikasi
87.5%
Odds Ratio (e^β₁)
4.95×
Level 5 • Sub-Modul E • Komputasi Bayesian & Regularisasi
Bayesian Posterior (95% HDI), MCMC Metropolis-Hastings & Lasso vs Ridge
1. Prior × Likelihood = Posterior & MCMC Sampler
Posterior Mean & 95% HDI
0.53 [-0.42, 1.48]
MCMC Diterima (Accepted)
74.2%
2. Geometri Penalti Regularisasi: Lasso (L1) vs Ridge (L2)
Solusi Koefisien (β̂₁, β̂₂)
β̂₁ = 0.00 (Terseleksi!), β̂₂ = 0.55
Prior Bayesian Ekuivalen
Laplace Prior (Double Exponential)
Level 5 • Sub-Modul F • Identifikasi Kausal & Resampling Non-Parametrik
Causal DAGs, Difference-in-Differences (DiD), RDD & Bootstrap Engine
Confounder belum dikontrol: Jalur pintu belakang (Backdoor Path X ← Z → Y) masih terbuka! Estimasi OLS mengalami Omitted Variable Bias.
Fitur Ekstra • Efron's Bootstrap
Non-Parametric Bootstrap Resampling Engine
Pilih Statistik Target Tanpa Rumus Tabel:
Total Resample (B)
500×
Bootstrap SE
3.12
95% Percentile CI [P₂.₅, P₉₇.₅]
[38.0, 52.5]