Azizah, AmeliaNur (2013) Analisis Sifat Penduga Least Trimmed Squares (Lts) Pada Regresi Linier Berganda Yang Mengandung Pencilan Dengan Berbagai Ukuran Contoh. Sarjana thesis, Universitas Brawijaya.
Abstract
Pendugaan Parameter Dalam Model Regresi Dapat Dilakukan Dengan Metode Kuadrat Terkecil Atau Ordinary Least Squares (Ols) Yang Memerlukan Beberapa Asumsi Klasik Tentang Galat Dalam Model Yang Dihasilkan. Asumsi Yang Harus Dipenuhi Yaitu Kenormalan Galat, Kebebasan Galat (Non Autokorelasi), Dan Kehomogenan Ragam Galat (Homoskedastisitas). Dalam Beberapa Kasus, Data Yang Melandasi Pembentukan Model Regresi Memiliki Pencilan ( Outlier ) Berupa Pengamatan Dengan Nilai Sisaan Yang Jauh Lebih Besar Dibandingkan Sisaan Pengamatan Lain Atau Jauh Dari Rata-Rata Sisaan. Penanganan Menggunakan Ols Menghasilkan Nilai Penduga Parameter Yang Bersifat Bias. Oleh Karena Itu, Digunakan Metode Least Trimmed Squares ( Lts). Metode Ini Adalah Salah Satu Metode Pendugaan Parameter Regresi Robust Yang Mempunyai Prinsip Pendugaan Parameter Yang Sama Dengan Metode Kuadrat Terkecil (Mkt), Yaitu Meminimumkan Jumlah Kuadrat Galat. Hanya Saja Pada Metode Lts, Jumlah Kuadrat Galat Yang Diminimumkan Adalah Jumlah Kuadrat Galat Dari H Pengamatan Yang Dianggap Bukan Pencilan. Analisis Sifat Penduga Lts Dilakukan Dengan Melihat Nilai Bias, Ragam Dan Mean Square Error (Mse) Ketika Diterapkan Pada Data Yang Mengandung Pencilan Dengan Berbagai Ukuran Contoh Untuk Regresi Linier Berganda. Pertambahan Banyaknya Pencilan Tidak Mempengaruhi Sifat Penduga Lts Karena Penduga Ini Termasuk Penduga Yang Kekar ( Robust ) Terhadap Pencilan. Sedangkan Pertambahan Ukuran Contoh Mempengaruhi Penduga Lts. Hal Ini Dikarenakan Semakin Besar Ukuran Contoh Maka Semakin Kecil Nilai Bias, Ragam Dan Mse Penduga Parameter. Oleh Karena Itu, Metode Least Trimmed Squares (Lts) Lebih Baik Digunakan Pada Data Berukuran Contoh Besar Yang Mengandung Pencilan Berpengaruh Pada Regresi Linier Berganda.
English Abstract
Estimation Of Parameters In A Regression Model Using Ordinary Least Squares Method (Ols), Requires Some Classical Assumptions About Error Of The Model. The Assumptions Are, I.E. Normality, Non Autocorrelation, And Homogeneity Of Variance. In Some Cases, The Data Used To Estimate The Model Contains Outliers. In The Presence Of Outliers, Ols Estimators Will Be Bias. Therefore, A More Robust Method Such As Least Trimmed Squares Method (Lts) Must Be Used Instead. This Method Is Minimizes The Sum Of Squared Errors Based On H Non Outlying Observations. The Properties Of Lts Estimators Under Study Are Bias, Variance, And Mean Square Error (Mse) When It Is Applied To Data With Outliers At Various Sample Sizes For Multiple Linear Regression. The Increase Of The Number Of Outliers Does Not Affect The Properties Of Lts Estimator. Whereas The Increase In The Size Sample Affects The Lts Estimator. The Larger The Sample Size, The Smaller The Value Of Bias, Variance And Mse Estimators Of Parameters. Therefore, This Method Is Better Used On A Large Sample Size Of Data Containing Influential Outliers In Multiple Linear Regression
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2013/369/051311774 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 20 Dec 2013 10:17 |
| Last Modified: | 25 Oct 2021 02:40 |
| URI: | http://repository.ub.ac.id/id/eprint/153635 |
Preview |
Text
SKRIPSI_AMELIA_NUR_AZIZAH_0910950003_STATISTIKA.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |