Puspitsari, Clarita Dewi (2021) "Kombinasi Metode Ridge Regression Dan Generalized Least Square Untuk Penanganan Asumsi Multikolinieritas Dan Autokorelasi (Studi Kasus Jumlah Kasus Covid-19 Di Asean)". Sarjana thesis, Universitas Brawijaya.
Abstract
"Analisis regresi linier berganda merupakan metode untuk memodelkan sebuah hubungan antara variabel dependen dan beberapa variabel independen yang bentuk fungsinya linier. Variabel independen pada analisis regresi linier berganda memiliki kecenderungan untuk saling berkorelasi. Hal tersebut harus ditangani dengan baik agar tidak menghasilkan penduga yang bias. Berdasarkan waktu pengambilannya, data dapat dikelompokkan menjadi dua yaitu data cross section dan data time series. Regresi linier dengan menggunakan data time series memiliki kecenderungan adanya masalah terhadap autokorelasi galat. Data yang mengandung multikolinieritas dan autokorelasi secara simultan, dapat ditangani dengan mengkombinasi metode Ridge Regression dan Generalized Least Square. Tujuan dari penelitian ini adalah untuk membentuk dan memilih model dengan mengkombinasi metode Ridge Regression dan Generalized Least Square (GLS) pada data harian positif COVID-19 di ASEAN yang mengandung multikolinieritas dan autokorelasi secara simultan. Penelitian ini memberikan hasil bahwa model kombinasi Ridge Regression dan Generalized Least Square menggunakan fungsi auotokorelasi Cocchrane Orcutt Iterative dan Prais Winsten sama sama baik dalam menduga jumlah kasus COVID-19 di ASEAN. Namun, jika dilihat dari nilai statistik Durbin Watson, R-Square dan MSE, Ridge Regression dan Generalized Least Square menggunakan fungsi auotokorelasi Cocchrane Orcutt Iterative memiliki nilai statistik Durbin Watson lebih tinggi yaitu sebesar 2,3189, R-Square yang tinggi yaitu sebesar 0,954 dan MSE lebih rendah, yaitu sebesar 6,781.
English Abstract
Multiple linear regression is an extension of simple liniear regression. It is used to predict the value of dependent variabel based on the value of two or more other independent variabels. The independent variabels in multiple linear regression have a tendency to be related to each other. This must be handled properly to avoid biased estimators. Based on the time of collection, data can be grouped into two, namely cross section data and time series data. Linear regression using time series data have a tendency to have problems with autocorrelation errors. Data that containing multicollinearity and autocorrelation can be handled simultaneously by combining the Ridge Regression and Generalized Least Square methods. The purpose of this study is to form and select a model by combining the Ridge Regression and Generalized Least Square (GLS) methods of data that contain multicollinearity and autocorrelation simultaneously. This study shows that the combined model of Ridge Regression and Generalized Least Square using the autocorrelation function of Cochrane Orcutt Iterative and Prais Winsten is equally good in estimating the number of COVID-19 cases in ASEAN. However, when viewed from the statistical value of Durbin Watson, R-Square and MSE, Ridge Regression and Generalized Least Square using the Coccrane Orcutt Iterative autocorrelation function, Durbin Watson's statistical value is higher at 2.3189, R-Square is high 0.954 and MSE is lower at 6.781
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052109 |
| Uncontrolled Keywords: | Analisis Regresi, Ridge Regression, Generalized Least Square, COVID-19, ASEAN.", Regression Analysis, Ridge Regression, Generalized Least Square, COVID-19, ASEAN. |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Unnamed user with username dedyiskandar |
| Date Deposited: | 19 Oct 2021 09:45 |
| Last Modified: | 30 Sep 2024 01:34 |
| URI: | http://repository.ub.ac.id/id/eprint/184119 |
![[thumbnail of -Clarita Dewi Puspita Sari.pdf]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text
-Clarita Dewi Puspita Sari.pdf Download (2MB) |
Actions (login required)
 |
View Item |