Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas Akhir ini membicarakan cara menghadapi masalah multikolinieritas dengan bantuan metode regresi ridge. Penaksiran dengan metode Regresi Ridge memberikan ketepatan (presisi) yang lebih baik daripada penaksiran dengan metode Kuadrat Terkecil Biasa (Ordinary Least Square), walaupun taksiran Regresi Ridge adalah bias. Kelebihtepatan penaksiran dengan metode Regresi Ridge terhadap metode Kuadrat Terkecil Biasa dilihat dari rata-rata kuadrat residualnya. Dibicarakan pula metode Regresi Ridge untuk pemilihan variabel penjelas mana yang akan dimasukkan dalam model regressi serta contoh penggunaan metode Regresi Ridge dalam menaksir pengaruh lag dalam marketing."

"Salah satu asumsi pada regresi linier adalah bahwa variansi kesalahan () sama. Bila asumsi ini tidak terpenuhi, keadaan ini di sebut heteroskedastisitas. Pada tugas akhir ini akan dibahas bagaimana pengaruh heteroskedastisitas terhadap sifat-sifat parameter regresi serta bagaimana mendeteksi dan mengatasi heteroskedastisitas tersehut."

"Analisis regresi adalah Suatu teknik statistik yang digunakan untuk nenyelidiki dan menunjukkan hubungan antara variabel-variabel yang diaggap berpengaruh.Hasil analisis, yang disebut model regresi, akan baik jika data pengamatan yang dipakai sudah memenuhi asumsi-asumsi yang ada dan mempunyai pengaruh yang sama pada saat pencocokan regresi, dalam hal ini pada taksiran β. Artinya, tidak ada sebagian atau satu pengamatan yang lebih berpengaruh dibandingkan dengan data pengamatan yang lain. Untuk nengetahui apakah ada data penganatan yang lebih berpengaruh tersebut, dilakukan Pendeteksian terhadap data yang ada dengan nenggunakan pendekatan penghapusan. Pendekatan ini menguji bagaimana suatu Pengamatan dapat mengubah kuantitas yang terlibat dalam analisis regresi.Ada 2 metode pendeteksian penganatan yang berpengaruh pada β, yaitu :1. Berdasarkan jarak titik pada ruang x - y1.1 Elemen diagonal matrik V1.2 Jarak Mahalanobis1.3 WSSD1.4 Elemen diagonal matrik Vz2. Berdasarkan kurva Pengaruh ( pusat elipsoidakeperaayaan)2.1 Cook distance2.2 Welsch distance2.3 Welsch-Kuh dlstance2.4 Modifikasi Cook distance"

"Metode Aditif Spline Kuadrat Terkecil Parsial (ASKTP) adalah suatu metode pengembangan dari metode Kuadrat Terkecil Parsial (MKTP). Metode ASKTP sangat cocok digunakan untuk mengatasi data yang bersifat non-linier dan memiliki sifat multikolinieritas diantara peubah-peubah prediktornya. Pada dasarnya, pendekatan dengan menggunakan metode ASKTP memiliki dua gagasan mendasar yaitu untuk menggunakan transformasi parameter prediktor dengan fungsi spline dan untuk membuat komponen-komponen dari ASKTP tidak saling berkorelasi (multikolinieritas) untuk menjaga sifat-sifat dari keliniearan komponen-komponen MKTP. Penelitian ini menyajikan perbanding antara metode ASKTP dan MKTP dalam penerapan di bidang ekonomi perikanan yaitu produksi ikan tuna

---

Efectivity of Additive Spline for Partial Least Square Method in Regression Model Estimation. Additive Spline of Partial Least Square method (ASPL) as one generalization of Partial Least Square (PLS) method. ASPLS method can be acommodation to non linear and multicollinearity case of predictor variables. As a principle, The ASPLS method approach is cahracterized by two idea. The first is to used parametric transformations of predictors by spline function; the second is to make ASPLS components mutually uncorrelated, to preserve properties of the linear PLS components. The performance of ASPLS compared with other PLS method is illustrated with the fisher economic application especially the tuna fish production."

"Dalam tugas akhir ini akan dibahas suatu metode pada regresikalibrasi yang berguna untuk estimasi nilai aktual dan interval kepercayaannilai aktual dari nilai observasi yang diberikan. Berdasarkan Vocabulary OfInternational Metrology (VIM), kalibrasi merupakan serangkaian kegiatanyang membentuk hubungan antara nilai yang ditunjukkan oleh instrumen(alat) ukur atau nilai observasi, dengan nilai-nilai yang sudah diketahui ataunilai aktual yang berkaitan dengan besaran yang diukur dalam kondisitertentu. Metode yang digunakan untuk menaksir nilai aktual adalah metodeclassic dan metode inverse, sedangkan metode yang digunakan untukmenaksir interval kepercayaan nilai aktual adalah metode Graybill. Data yangdigunakan dalam penelitian ini adalah data kalibrasi alat pengukur suhu yaituthermocouple yang berasal dari buku Montgomery (2001). Hasil analisis datamenunjukkan bahwa hasil taksiran nilai aktual pada metode inverse lebihdekat dengan rata-rata nilai aktual bila dibandingkan dengan hasil taksirannilai aktual yang diperoleh pada metode classic."

"Dalam tugas akhir ini akan dibahas suatu metode pada regresikalibrasi yang berguna untuk estimasi nilai aktual dan interval kepercayaannilai aktual dari nilai observasi yang diberikan. Berdasarkan Vocabulary OfInternational Metrology (VIM), kalibrasi merupakan serangkaian kegiatanyang membentuk hubungan antara nilai yang ditunjukkan oleh instrumen(alat) ukur atau nilai observasi, dengan nilai-nilai yang sudah diketahui ataunilai aktual yang berkaitan dengan besaran yang diukur dalam kondisitertentu. Metode yang digunakan untuk menaksir nilai aktual adalah metodeclassic dan metode inverse, sedangkan metode yang digunakan untukmenaksir interval kepercayaan nilai aktual adalah metode Graybill. Data yangdigunakan dalam penelitian ini adalah data kalibrasi alat pengukur suhu yaituthermocouple yang berasal dari buku Montgomery (2001). Hasil analisis datamenunjukkan bahwa hasil taksiran nilai aktual pada metode inverse lebihdekat dengan rata-rata nilai aktual bila dibandingkan dengan hasil taksirannilai aktual yang diperoleh pada metode classic.Kata kunci : Kalibrasi, Metode Classic, Metode Graybill, Metode Inverse,Regresi Kalibrasix + 74 hlm.; gbr.; tab.; lamp.Bibliografi: 10 (1967 - 2006)"

"Dalam skripsi ini membahas mengenai model regresi antara variabel penjelas dengan variabel dependent kontinu dimana variabel dependent yang diketahui merupakan variabel dependent ordinal yang dibentuk dari variabel kontinu tersebut, sedangkan nilai dari variabel kontinu tidak diketahui. Penaksiran parameter dalam model dilakukan dengan menggunakan metode maximum likelihood. Pengujian kegunaan model dilakukan dengan uji rasio likelihood. Pengujian terhadap masing-masing koefisien regresi dilakukan dengan uji z. Untuk mengukur kecocokan model digunakan koefisien determinasi 2 R. Metode tersebut diterapkan untuk melihat hubungan antara variabel kemampuan seseorang untuk mengalihkan stress (dinamakan Avoid) yang bersifat kontinu dengan variabel kemampuan seseorang untuk menikmati kegiatan (dinamakan Distract) dan variabel kemampuan seseorang untuk mendapatkan dukungan dari orang lain (dinamakan Social) dimana data variabel Avoid yang diketahui berupa data kategori ordinal yang dibentuk dari data variabel Avoid kontinu yang tidak diketahui nilainya."

"Model regresi ordinal dua level merupakan model yang digunakan untuk menganalisis data respon ordinal tercluster dan longitudinal. Dalam hal ini variabel respon ordinal yang diketahui, dibentuk dari suatu variabel laten kontinu yang tak diketahui nilainya. Nilai batas kategorik (threshold) pada variabel laten perlu diestimasi bersama-sama dengan koefisien regresi ordinal dua level. Untuk mengestimasi parameter-parameter dan threshold pada model regresi ordinal dua level, digunakan metode estimasi maximum marginal likelihood (MMLE) melalui pendekatan numerik dengan metode Fisher scoring. Pada setiap iterasi metode Fisher Scoring, digunakan Gauss-Hermite Quadrature untuk menghitung secara numerik persamaan marginal likelihood. Untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal tercluster, digunakan data TVSFP di mana siswa bersarang dalam kelas. Sedangkan untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal longitudinal, akan digunakan data psikiatrik di mana pasien diklasifikasikan pada beberapa tingkat keparahan penyakit terhadap beberapa titik waktu (time points). Struktur data dua level yang digunakan untuk data longitudinal adalah perulangan observasi bersarang dalam individu (pasien)."

"Model regresi data panel dinamis merupakan model regresi data panel yang melibatkan lag dari variabel dependen sebagai variabel eksplanatori yang berkorelasi dengan error. Lag dari variabel dependen tersebut dinamakan variabel endogen eksplanatori. Adanya variabel endogen eksplanatori menyebabkan estimasi parameter menggunakan metode OLS menghasilkan taksiran yang bias dan tidak konsisten. Oleh karena itu dibutuhkan metode lain untuk menaksir parameter, salah satunya adalah metode yang dikembangkan oleh Arellano dan Bond. Arellano dan Bond mengembangkan metode penaksiran parameter melalui proses first differencing dan metode instrumental variabel sehingga taksiran yang dihasilkan oleh metode ini memiliki sifat tak bias, konsisten dan efisien. Metode Arellano dan Bond tersebut kemudian dikembangkan oleh Blundell dan Bond dengan cara mengkombinasikan momen kondisi dan matriks instrumen antara model first difference dan model level untuk menghasilkan taksiran yang sama-sama tak bias dan konsisten tetapi lebih efisien yang dinamakan GMM-System Estimator.

---

Regression model of dynamic panel data is a regression model of panel data involving lag of dependent variable as explanatory variables which are correlated with the error. Lag of dependent variable is called endogenous explanatory variables. The presence of this lag cause the estimates of the parameters produce the estimator that are biased and inconsistent using OLS method. Therefore, other methods are needed to estimate the parameters, one of is the method developed by Arellano and Bond.

Arellano and Bond developed a method of parameter estimation through a process of first-differencing and instrumental variable method so that the estimator are unbiased, consistent and efficient. This method is then developed by Blundell and Bond with combine the moment conditions and matrix of instruments between first-difference model and level model to produce the estimator that are both unbiased and consistent but more efficient thus it called GMM-System estimator."