Perbandingan Weighted Least Square Dan Metode Regresi Kuantil Median Dalam Mengatasi Heteroskedastisitas Pada Analisis Regresi Linear Berganda (Studi Data Indeks Pembangunan Manusia Jawa Timur Tahun 2020).

Damayanti, Fira Zulfanita and Dr. Eni Sumarminingsih, S.Si., MM (2022) Perbandingan Weighted Least Square Dan Metode Regresi Kuantil Median Dalam Mengatasi Heteroskedastisitas Pada Analisis Regresi Linear Berganda (Studi Data Indeks Pembangunan Manusia Jawa Timur Tahun 2020). Sarjana thesis, Universitas Brawijaya.

Abstract

Analisis regresi merupakan suatu metode dalam statistika yang digunakan untuk memodelkan pengaruh dari variabel bebas terhadap variabel terikat. Homogenitas ragam residual merupakan salah satu asumsi yang harus terpenuhi dalam mengestimasi menggunakan Metode Kuadrat Terkecil (MKT), apabila ragam residual tidak konstan maka disebut heteroskedastisitas.

English Abstract

Regression analysis is a statistical method used to model the effect of the independent variable on the dependent variable. The homogeneity of the residual variance is one of the assumptions that must be met in estimating using the Least Square Method (MKT), if the residual variance is not constant then it is called heteroscedasticity. The existence of heteroscedasticity

Item Type: Thesis (Sarjana)
Identification Number: 0522090010
Uncontrolled Keywords: Analisis Regresi Berganda, Heteroskedastisitas, Regresi Kuantil Median, Weighted Least Square, Multiple Regression Analysis, Heteroscedasticity, Median Quantile Regression, Weighted Least Square.
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: Zainul Mustofa
Date Deposited: 29 Sep 2022 06:33
Last Modified: 29 Sep 2022 06:39
URI: http://repository.ub.ac.id/id/eprint/195155
[thumbnail of DALAM MASA EMBARGO] Text (DALAM MASA EMBARGO)
Fira Zulfanita Damayanti.pdf
Restricted to Registered users only until 31 December 2024.

Download (2MB)

Actions (login required)

View Item View Item