Masruroh, Illati (2014) Pemilihan Model Regresi Linier Berganda Pada Kasus Multikolinearitas Dengan Metode Regresi Komponen Utama (Principal Component Regression) Dan Regresi Gulud (Ridge Regression). Sarjana thesis, Universitas Brawijaya.
Abstract
Pada analisis regresi berganda di katakan baik atau cocok, jika memenuhi asumsi – asumsi klasik berikut ini yaitu asumsi non autokorelasi, normalitas galat, heterokesdastisitas, dan multikolinearitas. Dari ke empat asumsi klasik tersebut masalah yang sering muncul dalam regresi linier berganda adalah tidak terpenuhinya asumsi multikolinearitas. Pada penelitian ini akan dilihat metode mana yang paling tepat untuk mengatasi multikolinearitas antara metode regresi komponen utama dan regresi gulud dengan tingkat multikolinearitas. Kriteria pembanding yang digunakan untuk kedua metode yaitu R2adj. Data yang digunakan adalah data sekunder yaitu data 1 adalah data kebugaran tubuh dan data 2 adalah data permintaan ayam di AS. Kemudian dilakukan analisis diperoleh hasil Pada data 1 dengan menggunakan metode regresi komponen utama menpunyai nilai R2adj sebesar 68,7%, sedangkan pada metode regresi gulud sebesar 68,2%. Pada data 2 nilai R2adj pada metode regresi komponen utama sebesar 89,4 %, sedangkan pada metode regresi gulud sebesar 88,2%. Dari hasil tersebut dapat disimpulkan bahwa metode regresi komponen utama lebih baik digunakan daripada metode regresi gulud, ini berarti data yang disifati multikolinearitas sangat kuat dan kuat lebih baik menggunakan metode regresi komponen utama.
English Abstract
On multiple regression analysis said to be good or suitable, if capable to content the classical assumption that is non autocorrelation, normality of error, heterokesdastisitas, and multicollinearity . The fourth assumption of the classical problems that often arise in a multiple linear regression is non-fulfillment of multicollinearity assumption. This research will see which method is most appropriate to overcome multicollinearity between the main components regression method and regression gulud with multicollinearity level . The compared criteria used for the both methods is R2adj . The use of data is secondary data that is data 1 body fitness and data 2 is chicken demand data in the U.S . Then the obtained analysis results at the first data using principal component regression method should be entitled R2adj value of 68.7%, whereas the regression method gulud of 68.2%. On data 2 value R2adj the main component regression method was 89.4%, whereas the regression method gulud of 88.2%. From these results it can be concluded that the method of principal component regression better used than gulud regression method, this means that the data is attributed with a very powerful and strong multicollinearity better principal component regression method
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FT/2014/141/051402677 |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Hasbi |
| Date Deposited: | 08 May 2014 14:33 |
| Last Modified: | 21 Oct 2021 13:11 |
| URI: | http://repository.ub.ac.id/id/eprint/142413 |
Preview |
Text
GABUNGAN_BAB1-LAMPIRAN.pdf Download (2MB) | Preview |
Actions (login required)
 |
View Item |