Aditiyo, Sri Probo (2019) Metode Complete Case, Missing Indicator Dan Multiple Imputation Untuk Data Hilang Pada Regresi Linier Berganda. Sarjana thesis, Universitas Brawijaya.
Abstract
Metode regresi linier berganda merupakan suatu metode statistika untuk menduga variabel terikat berdasarkan beberapa variabel bebas. Terkadang perlaksanaan metode tidak bisa dilakukan karena beberapa masalah, salah satunya data hilang. Data hilang menyebabkan penelitian tidak bisa berlanjut sehingga untuk permasalahan ini terdapat beberapa metode data hilang . Metode Complete Case merupakan metode data hilang dengan konsep menghapus pengamatan yang mengandung data hilang. Metode Missing Indicator merupakan metode data hilang dengan konsep mengubah variabel bebas mengandung data hilang menjadi variabel dummy dengan 1 sebagai data hilang dan 0 sebagai data lengkap. Metode Multiple Imputation merupakan metode data membuat nilai untuk data yang hilang berdasarkan data yang ada. Data yang digunakan adalah data bangkitan yang memiliki jumlah pengamatan sebanyak 3, 5 dan 10. Pada masing-masing pengamatan memiliki jumlah variabel bebas sebanyak 3, 5 dan 10 sehingga terbentuk 9 data. Hasil penelitian menunjukan bahwa nilai bias pada setiap nilai parameter penduga model didominasi oleh complete case. Sehingga metode data hilang paling efektif pada kasus regresi linier berganda adalah complete case.
English Abstract
Method for estimating dependent variables based on several independent variables. Sometimes the implementation of the method can not be done because of some problems One of them is missing data. Missing data causes research cannot continue so for this problem there are a number of missing data methods. Complete Case method is a lost data method with the concept of erasing observations containing missing data. Missing Indicator method is a missing data method with the concept of changing free variables containing missing data into dummy variables with 1 as missing data and 0 as complete data. Multiple Imputation Method is a method of making data values for missing data based on existing data. The data used are data generation which has 3, 5 and 10 observations. Each of the observations has 3, 5 and 10 independent variables so that 9 data are formed. The results showed that the bias value for each parameter estimator of the model was dominated by the complete case. So that the most effective lost data method in the case of multiple linear regression is complete case.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2019/454/052001609 |
| Uncontrolled Keywords: | Regression, Complete Case, Missing Indicator, Multiple Imputation. |
| Subjects: | 500 Natural sciences and mathematics > 519 Probabilities and applied mathematics > 519.5 Statistical mathematics > 519.53 Descriptive statistics, multivariate analysis, analysis of variance and covariance > 519.536 Regression analysis |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Budi Wahyono Wahyono |
| Date Deposited: | 10 Aug 2020 08:12 |
| Last Modified: | 10 Aug 2020 08:12 |
| URI: | http://repository.ub.ac.id/id/eprint/179358 |
Actions (login required)
 |
View Item |