Irfan Nurdin , 4111412018 (2016) PENERAPAN KOMBINASI METODE RIDGE REGRESSION (RR) DAN METODE GENERALIZED LEAST SQUARE (GLS) UNTUK MENGATASI MASALAH MULTIKOLINEARITAS DAN AUTOKORELASI. Under Graduates thesis, Universitas Negeri Semarang.

Preview

PDF - Published Version Download (1MB) | Preview

Abstract

Analisis regresi merupakan salah satu metode analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal suatu variabel. Salah satu asumsi analisis regresi linear berganda yaitu tidak terjadi masalah autokorelasi. Apabila terjadi masalah autokorelasi, metode Generalized Least Square (GLS) merupakan salah satu metode yang digunakan untuk mengatasi masalah autokorelasi. Adapun analisis regresi linear berganda diasumsikan tidak terjadi masalah multikolinearitas. Apabila terjadi masalah multikolinearitas, metode Ridge Regression (RR) merupakan salah satu metode yang digunakan untuk mengatasi masalah multiokolinearitas. Penelitian ini bertujuan untuk mengetahui: (1) penerapan metode Ridge Regression (RR) untuk mengatasi masalah multikolinearitas; (2) penerapan metode Generalized Least Square (GLS) untuk mengatasi masalah autokorelasi; (3) persamaan model regresi terbaik dengan kombinasi metode Ridge Regression (RR) dan metode Generalized Least Square (GLS) pada jumlah uang yang beredar. Metode Ridge Regression (RR) dan Generalized Least Square (GLS) pada data jumlah uang yang beredar dengan menetapkan tetapan bias pada proses pengestimasian regresi ridge selanjutnya menentukan nilai koefisien autokorelasi berdasarkan nilai , AR(1) residual dan Cochrane Orcutt Iterative Procedure serta dengan mentransformasikan variabel dan . Persamaan model regresi terbaik dilihat dari nilai yang mendekati selang dan nilai VIF . Hasil penelitian estimasi Ridge Regression (RR) pada jumlah uang yang beredar diperoleh nilai dengan nilai VIF sebesar 4,6671. Sedangkan, hasil estimasi Generalized Least Square (GLS) pada jumlah uang yang beredar diperoleh persamaan model regresi berdasarkan nilai , AR(1) residual, dan Cochrane Orcutt Iterative Procedure masing-masing adalah ; ; dan . Sehingga, untuk model regresi terbaik adalah . Penelitian selanjutnya dapat menggunakan metode Ridge Regression (RR) dengan penduga koefisien regresi melalui pendekatan non-iteratif yang diusulkan x oleh Hemmerle (1975) dan model terbaik dapat juga dilihat dengan mempertimbangkan nilai MSE (Mean Square Error) terkecil dan nilai R2 terbesar.

Actions (login required)

View Item