Ningsih, Agustin Fitri Sardia (2018) Perbandingan Ordinary Ridge Regression Dan Generalized Ridge Regression Pada Kasus Multikolinieritas Dengan Tingkat Koefisien Korelasi Berbeda. Sarjana thesis, Universitas Brawijaya.
Abstract
Analisis regresi adalah sebuah alat statistika untuk mengetahui bentuk hubungan antara peubah respon sebagai fungsi dari peubah prediktor. Asumsi yang melandasi analisis regresi adalah kenormalan sisaan, kehomogenan ragam sisaan, non autokorelasi dan non multikolinieritas. Multikolinieritas terjadi ketika terdapat hubungan linier antar peubah prediktor yang menyebabkan kondisis buruk (ill-conditioned) di mana matriks hampir singular, sehingga penduga parameter regresi menggunakan MKT tidak bersifat BLUE (Best Linier Unbiased Estimator). Multikolinieritas diatasi menggunakan Ordinary Ridge Regression (ORR) dan Generalized Ridge Regression (GRR). ORR memberikan konstanta bias (c) sama untuk setiap peubah prediktor sedangkan GRR memberikan konstanta bias (c) berbeda untuk setiap peubah prediktor . Pada penelitian ini akan dibandingkan penduga parameter regresi hasil simulasi menggunakan ORR dan GRR pada tingkat koefisien korelasi berbeda. Hasil yang didapatkan, ragam penduga dan VIF yang dihasilkan oleh metode ORR dan GRR pada tingkat koefisien korelasi rendah dan sedang cenderung sama, sedangkan pada tingkat kofisien korelasi tinggi, ragam penduga dan VIF yang dihasilkan oleh GRR lebih kecil dibanding ORR, hal ini menandakan metode GRR lebih baik dibandingkan ORR saat korelasi pada data tinggi.
English Abstract
Regression analysis is a statistical tool to determine the form of relationship between response variables as a function of the predictor variables. The assumptions underlying regression analysis are normality of residual, homoscedastisity, non-autocorrelation and non-multicolinearity. Multicollinearity occurs when there is a linear relationship between the predictor variables that causes illconditioned conditions where matrices are almost singular, so the estimator using MKT is not BLUE (Best Linier Unbiased Estimator). Multicollinearity is treated using Ordinary Ridge Regression (ORR) and Generalized Ridge Regression (GRR). ORR gives the bias constant the same for each predictor variable while the GRR gives different bias constants for each predictor variable . In this research will be compared the estimator of regression parameter of simulation result using ORR and GRR at different correlation coefficient level. The analysis showed that, variance parameter beta and VIF of ORR and GRR methods in the low and medium correlation coefficients tend to be the same, whereas at the high correlation coefficient level, the variance parameter beta and VIF of GRR is smaller than the ORR, GRR better than ORR when correlation on data is high.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/FMIPA/2018/22/051800535 |
| Uncontrolled Keywords: | Regresi Linier Berganda, Ordinary Ridge Regression, Generalized Ridge Regression, Multikolinieritas, Multiple Regression Analysis, Ordinary Ridge Regression, Generalized Ridge Regression, Multicollinearity. |
| 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: | Nur Cholis |
| Date Deposited: | 08 Feb 2018 04:30 |
| Last Modified: | 22 Oct 2021 06:30 |
| URI: | http://repository.ub.ac.id/id/eprint/8809 |
Preview |
Text
BAB 3.pdf Download (963kB) | Preview |
Preview |
Text
BAB 1.pdf Download (963kB) | Preview |
Preview |
Text
BAB 5.pdf Download (963kB) | Preview |
Preview |
Text
BAGIAN DEPAN.pdf Download (254kB) | Preview |
Preview |
Text
BAB 4.pdf Download (963kB) | Preview |
Preview |
Text
BAB 2.pdf Download (963kB) | Preview |
Preview |
Text
DAFTAR PUSTAKA.pdf Download (963kB) | Preview |
Preview |
Text
LAMPIRAN.pdf Download (963kB) | Preview |
Actions (login required)
 |
View Item |