Hani Tikawati , 4150404002 (2009) ESTIMATOR TAK BIAS LINIER TERBAIK PADA MODEL LINIER UNTUK KASUS HOMOSKEDASTIK DAN HETEROSKEDASTIK. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF (ESTIMATOR TAK BIAS LINIER TERBAIK PADA MODEL LINIER UNTUK KASUS HOMOSKEDASTIK DAN HETEROSKEDASTIK) - Published Version Download (1MB) | Preview

Abstract

Suatu estimator dikatakan baik jika memenuhi beberapa kriteria diantaranya yaitu tak bias dan mempunyai variansi minimum (Minimum Variance Unbiased Estimator = MVUE). MVUE dapat dicari dengan dua metode, yaitu Cramer Rao Lower Bound (CRLB) dan konsep statistik cukup. Jika kedua metode tersebut gagal digunakan, maka diperlukan suatu batasan baru yaitu estimator harus linier pada observasi selain syarat tak bias dan variansi minimum. Estimator dengan sifat tersebut dinamakan Best Linear Unbiased Estimator (BLUE). BLUE identik dengan MVUE untuk model linier. Oleh karena model linier dapat bersifat homoskedastik dan heteroskedastik, maka pada skripsi ini BLUE dibahas pada model linier untuk kasus homoskedastik dan heteroskedastik. Tujuan dari penulisan skripsi ini adalah untuk menentukan estimator yang linier, tak bias, dan mempunyai variansi minimum (BLUE). Uji homoskedastik pada prinsipnya ingin menguji apakah sebuah grup mempunyai varians yang sama diantara anggota grup tersebut. Jika varians sama, dan ini yang seharusnya terjadi, maka dikatakan ada homoskedastik. Sedangkan jika varians tidak sama, dikatakan terjadi heteroskedastik. Alat untuk menguji homoskedastik bisa dibagi dua, yakni dengan alat analisis Levene Test, atau dengan Analisis Residual yang berupa grafik. Yang saya gunakan dalam pembahasan skripsi ini adalah dengan Analisis Residual. Pada skripsi ini dibahas tentang model linier yang bersifat homoskedastik dan heteroskedastik, estimator linier, sifat tak bias. Estimator linier dan tak bias dicari dengan dua metode, yaitu metode kuadrat terkecil dan metode pengali Lagrange. Estimator yang diperoleh dibuktikan mempunyai variansi minimum. Berdasarkan pembahasan dapat diambil kesimpulan tentang bentuk umum estimator linier, syarat perlu dan cukup agar estimator tak bias, dan BLUE untuk model linier pada kasus homoskedastik dan heteroskedastik.

Actions (login required)

View Item