PENDUGA PARAMETER MODEL REGRESI LINIER SEDERHANA HADIRNYA HETEROSKEDASITAS DAN PENCILAN DENGAN METODE ROBUST WILD BOOTSTRAP
Abstract
Ordinary Least Square (OLS) merupakan suatu metode yang biasanya digunakan untuk mengestimasi parameter sebuah model regresi linier. Namun, ketika suatu data memiliki heteroskedastisitas dan pencilan dalam model regresi akan menyebabkan metode OLS menghasilkan penduga parameter yang tidak efisien.Penelitian ini dilakukan bertujuan untuk menganalisis efesiensi penduga parameter regresi linier berganda hadirnya heteroskedastik dan pencilan dengan metode robust wild bootstrap. Metode robust wild bootstrap adalah salah satu metode yang digunakan untuk mengestimasi parameter model regresi dengan hadirnya heteroskedastik dan pencilan yang merupakan modifikasi dari metode wild bootstrap. Hasil analisis yang telah dilakukan menunjukkan bahwa metode robust wild bootstrap menghasilkan penduga parameter yang lebih efisien dibandingkan dengan penduga parameter OLS, yang mana nilai mean standard error pada metode robust wild bootstrap lebih kecil dibandingkan dengan metode OLS. Sehingga dapat disimpulkan bahwa metode ini merupakan metode yang sesuai untuk kemungkinan variansi residual yang heteroskedastik dan adanaya pencilan.
Abstract- Ordinary Least Square (OLS) is a method that is usually used to estimate the parameters of a linear regression model. However, when a data has heteroscedasticity and outliers in the regression model, it will cause the OLS method to produce inefficient parameter estimators. The robust wild bootstrap method is one of the methods used to estimate the parameters of the regression model with the presence of heteroscedasticity and outliers which is a modification of the wild bootstrap method. The results of the analysis that have been carried out show that the robust wild bootstrap method produces more efficient parameter estimators than the OLS parameter estimator, in which the mean standard error of the robust wild bootstrap method is smaller than the OLS method. So it can be concluded that this method is an appropriate method for the possibility of heteroscedastic residual variance and the existence of outliers
Keywords
Full Text:
PDFReferences
R. Kurniawan and B. Yuniarto, Analisis Regresi Dasar dan Penerapan dengan R. Jakarta, 2016.
R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye, Probability and Statistics for Engineers end Scientists. Boson: Prentice Hall, 2011.
M. Pasaribu, A. Jalil, and R. M. Lubis, “Penerapan Analisis Regresi Ridge pada Data Pasien Hipertensi di Rumah Sakit Umum Daerah Sidikalang,” E-Jurnal Mat., vol. 1, no. 2, pp. 1–5, 2015.
X. Yan and X. G. Su, “Linear Regression Analysis Theory and Cumputing,” USA: World Scientific, 2007, pp. 1–349.
D. N. Gujarati, Basic Econometrics. New York: The McGraw-Hill, 2007.
S. G. Markidakis, S. C. Wheelwright, and V. E. McGee, Metode dan Aplikasi Peramalan, 2nd ed. Jakarta: Erlangga, 1999.
D. N. Gujarati and D. C. Porter, Basic Econometrics, 5th ed. New York: McGraw-Hill/Irwin, 2008.
Sarwoko, Dasar-Dasar Ekonometrika. Yogyakarta: ANDI, 2016.
T. P. Ryan, Modern Regression Methods, 2nd ed., vol. 39, no. 4. Kanada: JhonWiley and Sons, Inc, 1997.
S. Weisberg, Applied Linear Regression Models, 3rd ed. Kanada: John Wiley and Sons, Inc, 2005.
C. Chen, “Robust Regression and Outlier Detection with the ROBUSTREG Procedure,” SAS Inst. Inc., pp. 265–27, 2002.
N. M. M. ASTARI, N. L. P. SUCIPTAWATI, and I. K. G. SUKARSA, “Penerapan Metode Bootstrap Residual Dalam Mengatasi Bias Pada Penduga Parameter Analisis Regresi,” E-Jurnal Mat., vol. 3, no. 4, pp. 130–137, 2014, doi: 10.24843/mtk.2014.v03.i04.p075.
B. Efron and R. J. Tibshirani, An Introduction to the Bootstrap. London: Chapman & Hall, 1993.
D. B. Rubin, “The Bayesian Bootstrap,” Ann. Stat., vol. 9, no. 1, pp. 130–134, 1981.
D. A. Freedman, “Bootstrapping Regression Models,” Ann. Stat., 1981, doi: 10.1214/aos/1176345638.
B. Efron, “The Bootstrap and Modern Statistics,” vol. 95, no. 452, pp. 1293–1296, 2014.
S. Rana, H. Midi, and A. H. M. R. Imon, “Robust wild bootstrap for stabilizing the variance of parameter estimates in heteroscedastic regression models in the presence of outliers,” Math. Probl. Eng., pp. 1–15, 2012, doi: 10.1155/2012/730328.
L. J. Bain and M. Engelhardt, Introduction To Probability and Mathematical Statistics, 2nd ed. Kanada: Duxbury, 1991.
F. Cribari-Neto and S. G. Zarkos, “Bootstrap methods for heteroskedastic regression models: Evidence on estimation and testing,” Econom. Rev., vol. 18, no. 2, pp. 211–228, 1999, doi: 10.1080/07474939908800440.
DOI: https://doi.org/10.24114/jmk.v7i3.32478
Article Metrics
Abstract view : 447 timesPDF - 1201 times
Refbacks
- There are currently no refbacks.
Copyright (c) 2022 KARISMATIKA: Kumpulan Artikel Ilmiah, Informatika, Statistik, Matematika dan Aplikasi
This work is licensed under a Creative Commons Attribution 4.0 International License.
KARISMATIKA :
Kumpulan Artikel Ilmiah Informatika, Statistik, Matematika dan Aplikasi
