Habibah, Askin Nur (2017) Perbandingan Akurasi Penduga Generalized Least Square Menggunakan Penduga Koefisien Autokorelasi Cochrane-Orcutt Iterative Dan Prais Winsten Pada Kasus Autokorelasi. Sarjana thesis, Universitas Brawijaya.
Abstract
Abstrak. Analisis regresi merupakan metode yang digunakan untuk menganalisis hubungan antara peubah respon dan peubah prediktor. Salah satu asumsi yang harus terpenuhi dalam melakukan pendugaan parameter adalah non-autokorelasi. Pada praktiknya, sering terjadi kasus pelanggaran pada asumsi tersebut. Terdapatnya autokorelasi pada suatu data akan mengakibatkan terjadinya underestimation pada standard error penduga parameter jika dilakukan pendugaan menggunakan Ordinary Least Square (OLS). Generalized Least Square (GLS) merupakan OLS menggunakan penduga koefisien autokorelasi pada peubah hasil sehingga dihasilkan penduga yang bersifat Best Linear Unbiased (BLU). Metode yang digunakan untuk menduga nilai koefisien autokorelasi adalah Cochrane-Orcutt Iterative dan Prais Winsten. Penelitian ini bertujuan untuk menentukan penduga koefisien autokorelasi antara kedua metode yang lebih akurat dalam mengatasi kasus autokorelasi dengan tingkat autokorelasi sedang dan tinggi berdasarkan standard error yang lebih kecil. Data yang digunakan adalah data deret waktu yang dibangkitkan dengan skenario terdapat autokorelasi sedang dan tinggi. Kasus yang dijadikan referensi untuk membangkitkan peubah respon adalah Indeks Harga Saham Gabungan (IHSG) sebagai fungsi dari inflasi. Berdasarkan hasil penelitian, penduga metode GLS Prais Winsten lebih akurat dalam mengoreksi standard error ketika terjadi kasus autokorelasi dengan tingkat sedang maupun tinggi daripada metode Cochrane-Orcutt Iterative.
English Abstract
Abstract. Regression analysis is a method used to analyzed the relationship between the response variable and the predictor variables. One of the assumptions that must be fulfilled in the parameter estimation is non-autocorrelation. In practice, there is often a case of violation of the assumption. Autocorrelation in the data will result in the underestimation of standard error estimator parameters, if the estimation using Ordinary Least Square (OLS). Generalized Least Square (GLS) is a transform OLS using an autocorrelation coefficient estimator on the original variables resulting estimators that are Best Linear Unbiased (BLU). The methods used to estimate the value of autocorrelation coefficient are Cochrane-Orcutt Iterative and Prais Winsten. This study aims to determine the autocorrelation coefficient estimator between two method which is more accurate in resolving the case of autocorrelation with medium and high autocorrelation level based on the smaller standard error. The data used are time series data generated with scenarios of medium and high autocorrelation. The case as a reference for generating response variable is the Composite Stock Price Index (CSPI) as a function of inflation. Based on the results of the research, the estimator of GLS Prais Winsten method is more accurate in correcting standard error in case of autocorrelation with medium or high degree than Cochrane-Orcutt Iterative method.
Item Type: | Thesis (Sarjana) |
---|---|
Identification Number: | SKR/FMIPA/2017/285/051706146 |
Uncontrolled Keywords: | OLS, Autokorelasi, GLS, Cochrane-Orcutt Iterative, Prais Winsten |
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 > 519.537 Correlation analysis (Association analysis) |
Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Statistika |
Depositing User: | Nur Cholis |
Date Deposited: | 20 Oct 2017 08:37 |
Last Modified: | 24 Nov 2021 02:08 |
URI: | http://repository.ub.ac.id/id/eprint/4115 |
Preview |
Text
skripsi full.pdf Download (929kB) | Preview |
Actions (login required)
![]() |
View Item |