Balqis, Nabila Azarin (2021) Analisis Regresi Komponen Utama Robust Menggunakan Metode Minimum Covariance Determinant (Mcd) Dengan Pendekatan Mm-Estimator Untuk Mengatasi Multikolinieritas Dan Beragam Proporsi Tingkat Pencilan. Sarjana thesis, Universitas Brawijaya.
Abstract
Regresi komponan utama (RKU) robust adalah kombinasi antara analisis komponen utama robust dan regresi robust untuk mengatasi pelanggaran asumsi normalitas dan multikolinieritas. Multikolinieritas pada data akan menyebabkan varians penduga parameter regresi semakin besar. Salah satu penyebab pelanggaran asumsi normalitas adalah pencilan. Pencilan akan mengakibatkan bentuk sebaran data tidak normal sehingga menyebabkan penduga parameter regresi bersifat bias. Metode yang memiliki breakdown point dan efisiensi tinggi pada analisis komponen utama robust adalah Minimum Covariance Determinant (MCD) dan pada metode regresi robust adalah estimasi-MM. Penelitian ini bertujuan untuk mengetahui perbandingan RKU klasik dan RKU robust MCD-MM dalam mengatasi multikolinieritas yang dilihat dari standar eror penduga parameter regresi dan pencilan yang dilihat dari nilai bias dan Mean Square Error (MSE). Data yang digunakan merupakan data simulasi dengan tingkat kolinieritas sebesar ρ=0,99 dan persentase tingkat pencilan yaitu 5%, 10%, 15%, 20%, dan 25%. Hasil dari penelitian ini menunjukkan bahwa RKU robust MCD-MM dapat mengatasi multikolinieritas yang dibuktikan dengan standar eror penduga parameter lebih kecil daripada RKU klasik. Selain itu, RKU robust MCD-MM lebih efektif dan efisien dalam mengatasi masalah pencilan dengan melihat rata-rata bias dan MSE yang dihasilkan pada setiap persentase tingkat pencilan pada data lebih kecil daripada rata-rata bias dan MSE pada RKU klasik.
English Abstract
Robust principal components regression (PCR) is a combination of robust principal component analysis and robust regression to overcome violations of normality and multicollinearity assumptions. Multicollinearity will cause the variance of the regression parameter estimator larger. One of the cause of violation of the normality assumption is outliers. Outliers will cause the shape of the data distribution not following the normal distribution, causing the regression parameter estimator biased. The method that has a high breakdown point and high efficiency in the robust principal component analysis is Minimum Covariance Determinant (MCD) and the robust regression method is MM-estimator. This research aims to determine the comparison of classical PCR and robust PCR with MCD-MM method in overcoming multicollinearity as seen from the standard error of the regression parameter estimator and outliers seen from the value of bias and Mean Square Error (MSE). The data used is a simulation data with a collinearity level of �=0,99 and the percentage of outliers is 5%, 10%, 15%, 20%, and 25%. The results of this research indicate that the robust PCR with MCD-MM can overcome multicollinearity as evidenced by the standard error of the parameter estimator which is smaller than classical PCR. In addition, the robust PCR with MCD-MM method is more effective and efficient in overcoming the problem of outliers by looking at the average bias and MSE generated at each percentage of outlier levels in the data which is smaller than the average bias and MSE in the classical PCR.
Other obstract
-
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | 052109 |
| Uncontrolled Keywords: | Method of Moments (MM), Minimum Covariance Determinant (MCD), Multikolinieritas, Pencilan, Robust., Method of Moments (MM), Minimum Covariance Determinant (MCD), Multicollinearity, Outliers, Robust. |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
| Depositing User: | Unnamed user with username dedyiskandar |
| Date Deposited: | 22 Oct 2021 02:18 |
| Last Modified: | 22 Feb 2022 07:16 |
| URI: | http://repository.ub.ac.id/id/eprint/184847 |
![[thumbnail of DALAM MASA EMBARGO]](http://repository.ub.ac.id/style/images/fileicons/text.png) |
Text (DALAM MASA EMBARGO)
NABILA AZARIN BALQIS.pdf Restricted to Registered users only until 31 December 2023. Download (3MB) |
Actions (login required)
 |
View Item |