Non Linear Estimation and Maximum Likelihood Estimation
|
|
- Verawati Susanto
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Non Linear Estimation and Maximum Likelihood Estimation
2 Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation We have studied linear models in the sense that the parameters are linear even when the variables are non linear. In addition, we also have studied non linear models that can be transformed into linear models. Thus, the models can be estimated using linear regression technique.
3 However, sometimes, we are encountered models that can not be linearized and therefore we can not estimate them using linear regression technique.
4 Examples of models that can not be linearized (i). Y = α 0 + α 1 X 1 β1 + α 2 X 2 β2 + ε (ii). Y = α 1 e β1x1 + α 2 e β2x2 + ε
5 In general, if we have a regression model in the form of Y= f (X 1, X 2,..., X k, β 1,β 2,...β p ) + ε f is a non linear function in X and β How to estimate estimators b 1,b 2,...b p of parameters β 1,β 2,...β p.
6 In principle, if we have T observations of X k and Y, non linear least square estimator can obtained by minimizing: T S = Σ (Y t f (X 1t... X kt, β 1,... β p ) 2 ; t=1 deviation sum squares. How?
7 Non Linear Estimation Methods There are several methods to estimate parameter of non linear models. Choice of methods, usually, based on types of equation and numbers of parameters to be estimated.
8 1. Direct Search (i). Several values of parameters are evaluated / tried to the parameters to be estimated. (ii). Values of parameters that minimize sum square of deviations are selected to be the estimator.
9 Comments: (i). This technique is easy if the number of parameters are no more than two. (ii). If the number of parameters is plenty and if the range of the estimators values is wide than this technique is not efficient. (iii). As an illustration, if there are 4 parameters and each parameter has 20 possible values, then, S should be calculated (20) 4 or times. (iv). This technique is rarely used.
10 2. Direct Optimization Estimator diperoleh dengan menggunakan metode optimisasi yaitu menurunkan fungsi S terhadap semua parameter dan turunan-turunan tsb. disamakan dengan nol. Kemudian estimator merupakan solusi dari sistem persamaan tsb.
11 Bila S = Σ t=1t { Y t f (X 1t,..., X kt, β 1,...,β p ) } 2 Syarat agar S minimum: S / β i = 0 atau Σ { Y t f(x 1t,...,X kt, β 1,...,β p ) } f / β i = 0 ; i = 1,2,.... P Teknik inipun susah untuk diimplementasikan.
12 3. Iterative Linearization Method Stages: (i). Pada prinsipnya, model yang tidak linier di linierkan disekitar nilai awal dari parameter. (ii).kemudian OLS digunakkan untuk mencari estimator pada fungsi yang sudah dilinierkan tsb. Nilai baru dari parameter diperoleh. (iii).model tidak linier tsb.dilinierkan lagi disekitar nilai parameter yang baru tsb.
13 (iv).ols digunakan lagi untuk mencari estimator pada fungsi yang dilinierkan ini. Nilai baru parameter diperoleh lagi. (v). Proses dilanjutkan sampai nilai parameternya konvergen (tidak berubah lagi atau perubahannya hanya sedikit sekali).
14 Comments: (i). Bila model yang tidak linier ini dapat diproxi dengan model linier secara tepat, prosedur tsb. hanya memerlukan beberapa iterasi saja. (ii). R 2 dapat dihitung pada tiap-tiap OLS digunakan.hal ini dpt digunakan untuk melihat ketepatan fungsi linier tsb. (iii).banyak software econometrik yang menggunakan teknik ini.
15 Teknik linierisasi ini menggunakan konsep ekspansi Deret Taylor. Secara umum, jika ada sebarang fungsi (linier atau tidak linier) dapat di ekspansikan menjadi fungsi polinomial menggunakan Deret Taylor sbb: f(x) = f(x 0 ) / 0! + f ' (X 0 ) / 1! (X X 0 ) + f " (X 0 ) / 2! (X X 0 ) f (n) / n! (X X 0 ) n
16 Dalam hal Y = f(x 1, X 2,..,X k, β 1, β 2...β p ); fungsi ini dapat dilinierkan dengan ekspansi Taylor menjadi: Y = f (X 1, X 2,..., X k, β 10,...β p0 ) + Σ ( f / β i ) 0 (β i - β i0 ) + ½ ΣΣ ( 2 f / β i β j ) 0 (β i - β i0 )(β j - β j0 ) ε
17 Jika fungsi tersebut disederhanakan dengan tidak memperhatikan turunan ke dua dan selanjutnya, fungsi tersebut menjadi: Y - f(x 1, X 2,..., X k, β 10,...,β p0 ) + Σ β i0 ( f / β i ) 0 = Σ β i ( f / β i ) 0 + ε atau Y* = Σ β i X* i + ε yang berbentuk model regresi linier
18 dengan Y* variabel terikat X* variabel bebas β i parameter yang dicari Dengan menggunakan OLS, β i dapat dicari Secara iterasi, β i yang baru saja diperoleh digunakan sebagai parameter awal dalam proses linierisasi berikutnya. Dengan cara yang sama, proses dilanjutkan sampai β i konvergen.
19 Comments: (i). Tidak ada jaminan bahwa metode tsb. Akan konvergen; artinya β i dapat diperoleh dengan cara tsb. (ii). Bila hal ini terjadi, lakukan estimasi dari awal lagi dengan nilai dugaan parameter awal yang berbeda. (iii). Bila masih divergen juga, cari β i dengan cara estimasi lain.
20 Evaluation of Non Linear Regression Equation Pada regresi linier, suatu model yang terestimasi dapat dikatakan dapat menjelaskan dengan baik bila R 2 mendekati 100%. Apakah ada ukuran goodness of fit untuk regresi tidak linier? Bagaimana dengan statistik t dan F apakah masih dapat digunakan?
21 Beberapa software menyajikan statistik t, beserta standard errornya beserta statistik F dari hasil OLS pada proses linierisasi terakhir (pada saat konvergen).
22 Ternyata, R 2 juga dapat dihitung pada model tidak linier dengan cara berikut: R 2 = 1 - Σ e 2 t / Σ y 2 t e t = Y t f( X it,...x kt, β 1,...β p ). y = Y t t Y rata-rata
23 Non Linear Consumption Function Berikut ini akan disajikan fungsi konsumsi yang tidak linier dalam parameter. Fungsi konsumsi ini akan menggambarkan hubungan antara konsumsi agregat (C) dengan pendapatan setelah pajak secara agregat (YD - disposable income). Selain itu, dalam model ini juga akan diuji suatu hipotesis yang mengatakan bahwa MPC (Marginal Propensity to Consume) menurun bila pendapatan meningkat.
24 Analysis 1. Bila kita menganalisis masalah tsb. menggunakan model linier, kita akan mendapatkan MPC yang konstan seperti yang telah kita pelajari pada kuliah-kuliah yang lalu.
25 (i). Observe the following model: C = α + β YD + ε Bila kita estimasi model tersebut dengan OLS, kita akan memperoleh: C = a + b YD; a estimator dari α dan b estimator dari β akibatnya MPC = dc/ dyd = b konstan dan kita harapkan b < 1 dan b > 0
26 (ii). Observe the other model: C = α + β YD + δ YD 2 + ε Bila model ini diestimasi dengan OLS, kita akan memperoleh: C = a + b YD + d YD 2 MPC = b + 2d YD Jika b > 0 dan d < 0, MPC akan menurun bila pendapatan meningkat. Akan tetapi, bila d >0, hipotesis tersebut tidak dapat dibuktikan.
27 2. Sebagai alternatif, digunakan model tidak linier dalam parameter berikut: C = α + β YD δ + ε Bila α, β dan δ sudah terestimasi masing-masing dengan a, b dan d, maka, persamaannya menjadi: C = a + b YD d ;akibatnya, MPC = b d YD d-1 ;tidak konstan
28 Dengan menggunakan data-data kuartalan dari 1947(1) s/d 1995(3) dan dengan menggunakan teknik linierisasi serta nilai awal parameter (α 0, β 0, δ 0 ) = (1,1,1) diperoleh: a = 256,33 ; standard error SE (a) = 16,71 b = 0,195 SE (b) = 0,0211 d = 1,180 SE (d) = 0,0126
29 Sehingga persamaannya menjadi C = 256, YD 1,180 Semua parameter signifikan pada tingkat kepercayaan 5% dan R 2 = 0,999 MPC = (0,195)(1,180) YD 0,180 = 0,2301 YD 0,180
30 Comments: 1. MPC menurun(?) pada saat YD meningkat 2. Pada saat YD = 600, MPC=0, Dengan menggunakan data yang sama, MPC untuk model linier = (konstan)
31 Maximum Likelihood Estimation Perhatikan model regresi linier Y i = α + β X i + ε i Y i berdistribusikan normal dengan mean α + β X i dan varians σ 2. Distribusi probabilitas, P(Y i ) = (2πσ 2 ) -1/2 exp { - (Y i - α - β X i ) 2 /2σ 2 } Fungsi likelihood merupakan perkalian masingmasing probabilitas dan untuk model ini besarannya adalah:
32 L( Y 1,Y 2,..., Y N, α, β, σ 2 ) = P(Y 1 ) P(Y 2 )..., P(Y N ) = (2πσ 2 ) -N/2 exp [ - Σ {(Y i - α - β X i ) /(2σ 2 )} 2 ]
33 Fungsi log likelihood: ln L= - (N/2) ln (2π) - (N/2) ln(σ 2 ) -{ Σ (Y i - α - β X i ) 2 } / 2σ 2 Akan di cari estimator α, β dan σ 2 yang memaksimumkan fungsi likelihood atau fungsi ln likelihood dengan cara:
34 ln L / α = 0 1/σ 2 Σ (Y i - α - β X i ) = 0 ln L / β = 0 1/σ 2 Σ [ X i (Y i - α - β X i )] = 0 ln L / σ 2 = 0 -N/2σ 2 + 1/2σ 4 Σ (Y i -α -β X i ) 2 = 0
35 Estimator yang diperoleh: a = Y rata bx rata b = Σ (X i -X rata ) (Y i -Y rata ) / Σ (X i -X rata ) 2 S 2 = Σ (Y i -a -b X i ) 2 / N Ternyata Estimator ini sama dengan estimator OLS. Apakah selalu sama?
36 Comments (i). Bila ada asumsi bahwa ε i berdistribusi normal dengan mean 0 dan varians σ 2, maka estimator yang diperoleh dengan metode OLS akan sama dengan estimator yang diperoleh dengan metode maksimum likelihood (ii). Sifat-sifat estimator yang dicari dengan Maximum Likelihood (a) konsisten (b) Efisien asimptotis
37 Likelihood Ratio Test Model 1: Y i = β 0 + β 1 X i + β 2 X 2i +β 3 X 3i + ε i ; UR 2: Y i = β 0 + ε i ; R Perhatikan bahwa Model 2 adalah model 1 bila β 1 = β 2 = β 3 = 0 Untuk mengetes apakah memang benar β 1 = β 2 = β 3 = 0, lakukanlah tes berikut λ = L(Model 2) / L(Model 1 ) L (Model i): fungsi likelihood model i.
38 Comments 1. Kalau H 0 benar, β 1 = β 2 = β 3 = 0, maka λ akan mendekati 1 2. Bila H 0 tidak benar, λ akan mendekati nol 3. Kita akan menolak H 0 bila λ kecil sekali 4. Tes rasio ini dapat digunakan dengan memperhatikan hasil / fakta berikut: G = - 2 ( L(Model 2) L(Model 1) ) X 2 m Khi kuadrat dengan derajat bebas m; m: banyaknya restriksi, banyaknya parameter yang diduga sama dengan nol.
39 5. Bila hasil perhitungan G > tabel X 2 m,α, tolak H 0 ; berarti tidak semua β i = 0 pada tingkat signifikansi α 6. Uji ini disebut juga uji G dan mempunyai kesamaan dengan uji F dalam OLS.
40 WALD TEST Uji Wald: Uji signifikansi tiap-tiap parameter. H 0 : β j = 0 untuk suatu j tertentu H 1 : β j 0 Statistik uji yang digunakan: W j = [ β j / SE ( β j ) ] 2 Fakta: W j X 2 1 ; Khi Kuadrat dgn derajat bebas 1 H 0 ditolak jika W j > X2 α,1 ; α = tingkat signifikansi yang dipilih
41 The end of the lesson Prepared by Nachrowi D Nachrowi
The analysis was focused on heteroscedasticities that based on the magnitude of a regressor that caused non constant residual variances.
Model ARCH dan GARCH On earlier discussion, we have talked about the possibility of having heteroscedasticity in a model. We also have discussed how to overcome this problem to have more efficient parameter
Lebih terperinciPertemuan 4-5 ANALISIS REGRESI SEDERHANA
Pertemuan 4-5 ANALISIS REGRESI SEDERHANA Metode Kuadrat Terkecil (OLS) Persoalan penting dalam membuat garis regresi sampel adalah bagaimana kita bisa mendapatkan garis regresi yang baik yaitu sedekat
Lebih terperinciDalam kasus-kasus terjadinya heteroskedastisitas, var(e i. ) = σ i2
Heteroscedasticity Before discussing ARCH (AutoRegressive Conditional Heteroscedasticity) and GARCH (Generalized AutoRegressive Conditional Heteroscedasticity) models, we need to review the concept of
Lebih terperinciECONOMIC MODEL FROM DEMAND SIDE: Evidence In Indonesia
(ECONOMETRIC MODEL: SIMUTANEOUS EQUATION MODEL) The title of paper: ECONOMIC MODEL FROM DEMAND SIDE: Evidence In Indonesia OLEH: S U R I A N I NIM: 1509300010009 UNIVERSITAS SYIAH KUALA PROGRAM DOKTOR
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May 20, TJ (SU) Interval Estimation May / 24
Interval Estimation Tjipto Juwono, Ph.D. May 20, 2015 TJ (SU) Interval Estimation May 2015 1 / 24 Outline 1 Pendahuluan 2 Pengertian Confidence Interval 3 Menghitung t 4 Menyusun Confidence Interval 5
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2. 1 Fungsi Permintaan Fungsi permintaan menunjukkan hubungan antara jumlah produk yang diminta oleh konsumen dengan harga produk (Nicholson, 2005). Tugas eksperimen ini adalah melakukan
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May 13, TJ (SU) Interval Estimation May / 17
Interval Estimation Tjipto Juwono, Ph.D. May 13, 2016 TJ (SU) Interval Estimation May 2015 1 / 17 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X
Lebih terperinciREGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA
REGRESI ROBUST MM-ESTIMATOR UNTUK PENANGANAN PENCILAN PADA REGRESI LINIER BERGANDA SKRIPSI Disusun Oleh : SHERLY CANDRANINGTYAS J2E 008 053 JURUSAN STATISTIKA FAKULTAS SAINS DAN MATEMATIKA UNIVERSITAS
Lebih terperinciInterval Estimation. Tjipto Juwono, Ph.D. May TJ (SU) Interval Estimation May / 19
Interval Estimation Tjipto Juwono, Ph.D. May 2017 TJ (SU) Interval Estimation May 2017 1 / 19 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X i
Lebih terperinciARIMA and Forecasting
ARIMA and Forecasting We have learned linear models and their characteristics, like: AR(p), MA(q), ARMA(p,q) and ARIMA (p,d,q). The important thing that we have to know in developing the models are determining
Lebih terperinciBAB III OBJEK DAN METODE PENELITIAN. Dalam penelitian ini, yang menjadi objek penelitian terdiri dari variabel
49 BAB III OBJEK DAN METODE PENELITIAN 1.1 Objek Penelitian Dalam penelitian ini, yang menjadi objek penelitian terdiri dari variabel independen (X) yaitu dividen dan variabel dependen (Y) yaitu harga
Lebih terperinciBAB II LANDASAN TEORI. landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di
5 BAB II LANDASAN TEORI Bab ini membahas pengertian-pengertian dasar yang digunakan sebagai landasan pembahasan pada bab selanjutnya. Pengertian-pengertian dasar yang di bahas adalah sebagai berikut: A.
Lebih terperinciADLN Perpustakaan Universitas Airlangga
PERBANDINGAN METODE GENERALIZED CROSS VALIDATION DAN GENERALIZED MAXIMUM LIKELIHOOD DALAM REGRESI NONPARAMETRIK SPLINE UNTUK MEMPERKIRAKAN JUMLAH LEUKOSIT PADA TERSANGKA FLU BURUNG DI JAWA TIMUR RINGKASAN
Lebih terperinciInferensia Statistik parametrik VALID?? darimana sampel diambil
Inferensia Statistik parametrik VALID?? Tergantung dari bentuk populasi Tergantung dari bentuk populasi darimana sampel diambil Uji kesesuaian (goodness of fit) ) untuk tabel frekuensi Goodness-of-fit
Lebih terperinci1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga.
LAMPIRAN Lampiran 1. Evaluasi Model Evaluasi Model Keterangan 1) Kriteria Ekonomi Estimasi model dikatakan baik bila hipotesis awal penelitian terbukti sesuai dengan tanda dan besaran dari penduga. 2)
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciBAB IV ANALISA HASIL DAN PEMBAHASAN. Tabel 4.1. Pada table 4.1 diatas menunjukan bahwa hasil uji statistik deskriptif untuk
BAB IV ANALISA HASIL DAN PEMBAHASAN A. Analisis Deskriptif Tabel 4.1 Descriptive Statistics N Minimum Maximum Mean Std. Deviation IS 81 0 1.23.426 SIZE 81 4.8932 7.4245 6.171004.6447805 NPM 81.0002.2895.093994.0754724
Lebih terperinciCointegration Analysis and ECM
Cointegration Analysis and ECM Before discussing co-integration concept, we need to talk about other relating concepts that are very important in understanding cointegration. Spurious Regression Phenomena.
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN 4.. Deskripsi Objek Penelitian Kemampuan laba (profitabilitas) merupakan hasil akhir bersih dari berbagai kebijakan dan keputusan manajemen. Rasio kemampulabaan akan memberikan
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA A. Keberhasilan Belajar 1. Pengertian Keberhasilan Belajar Dalam kamus besar bahasa Indonesia, keberhasilan itu sendiri adalah hasil yang telah dicapai (dilakukan, dikerjakan dan
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Deskripsi Populasi dan Sampel Penelitian Analisis Statistik Deksriptif menggambarkan tentang ringkasan data-data penelitian seperti nilai minimum, maksimum, rata-rata
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik Statistik deskriptif digunakan untuk menggambarkan secara umum data yang telah dikumpulkan dalam penelitian ini. Sampel yang digunakan
Lebih terperinciJudul : Perbandingan Metode MCD Bootstrap dan. Analisis Regresi Linear Berganda. Pembimbing : 1. Dra. Ni Luh Putu Suciptawati,M.Si
Judul : Perbandingan Metode MCD Bootstrap dan LAD Bootstrap Dalam Mengatasi Pengaruh Pencilan Pada Analisis Regresi Linear Berganda Nama : Ni Luh Putu Ratna Kumalasari Pembimbing : 1. Dra. Ni Luh Putu
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
50 BAB IV HASIL DAN PEMBAHASAN A. Analisis Statisik Deskriptif Statistik deskriptif digunakan untuk melihat gambaran umum data yang telah dikumpulkan dalam penelitian ini. Sebanyak 25 perusahaan yang masuk
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciKAJIAN ESTIMASI PARAMETER MODEL AUTOREGRESIF TUGAS AKHIR SM 1330 NUR SHOFIANAH NRP
TUGAS AKHIR SM 1330 KAJIAN ESTIMASI PARAMETER MODEL AUTOREGRESIF NUR SHOFIANAH NRP 1203 100 009 Dosen Pembimbing Dra. Laksmi Prita W, MSi Dra. Nuri Wahyuningsih, MKes JURUSAN MATEMATIKA Fakultas Matematika
Lebih terperinciPERAMALAN JUMLAH WISATAWAN GROJOGAN SEWU MENGGUNAKAN MODEL REGRESI RUNTUN WAKTU DENGAN EFEK VARIASI KALENDER
PERAMALAN JUMLAH WISATAWAN GROJOGAN SEWU MENGGUNAKAN MODEL REGRESI RUNTUN WAKTU DENGAN EFEK VARIASI KALENDER oleh APRILLIA COSASI M0109014 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciMedan, Juli Penulis
9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih
Lebih terperinciREGRESI LOG-LOGISTIK UNTUK DATA TAHAN HIDUP TERSENSOR TIPE I. oleh NANDA HIDAYATI M
REGRESI LOG-LOGISTIK UNTUK DATA TAHAN HIDUP TERSENSOR TIPE I oleh NANDA HIDAYATI M0108098 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan statistik sebagai alat bantu untuk mengambil keputusan yang lebih baik telah mempengaruhi hampir seluruh aspek kehidupan. Setiap orang, baik sadar maupun
Lebih terperinciBAB III METODOLOGI PENELITIAN. memilih sampel seluruh perusahaan di BEI periode adalah karena
26 BAB III METODOLOGI PENELITIAN 3.1. Populasi dan Sampel Populasi yang digunakan dalam penelitian ini adalah seluruh perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) periode 2009-2013. Alasan penulis
Lebih terperinciESTIMASI PARAMETER PADA MULTIPLE REGRESI MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI SITI MAISAROH RITONGA
ESTIMASI PARAMETER PADA MULTIPLE REGRESI MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI SITI MAISAROH RITONGA 070823013 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA
Lebih terperinciPENAKSIRAN PARAMETER PERSAMAAN SIMULTAN DENGAN METODE KUADRAT TERKECIL DUA TAHAP SKRIPSI ANDRIAN SURYA
PENAKSIRAN PARAMETER PERSAMAAN SIMULTAN DENGAN METODE KUADRAT TERKECIL DUA TAHAP SKRIPSI ANDRIAN SURYA 070823019 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Data 1. Deskriptif Statistik Statistik deskriptif digunakan untuk menjelaskan atau menggambarkan secara umum berbagai karakteristik data yang telah dikumpulkan
Lebih terperinciAnalisis Data Panel Tidak Lengkap Model Komponen Error Dua Arah dengan Metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE) SKRIPSI
Analisis Data Panel Tidak Lengkap Model Komponen Error Dua Arah dengan Metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE) (Studi Kasus Model Return Saham Di BEJ) SKRIPSI Oleh: RATIH DWI ASTUTI
Lebih terperinciModel Regresi Linier Berganda (Masalah Inferensi)
LECTURE NOTES #4b Model Regresi Linier Berganda (Masalah Inferensi) I. Pendahuluan Pada materi yang lalu kita telah membahas bagaimana mengestimasi parameter-parameter model regresi linier berganda dari
Lebih terperinciANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
J u r n a l E K B I S / V o l. V I / N o. / e d i s i M a r e t 2 0 2 379 ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KEPUTUSAN KONSUMEN MEMBELI SUATU PRODUK DENGAN METODE ANALISIS REGRESI LOGISTIK ORDINAL
Lebih terperinciBAB 4 PEMBAHASAN HASIL PENELITIAN
BAB 4 PEMBAHASAN HASIL PENELITIAN 41 Hasil Uji Statistik 411 Statistik Deskriptif Pada bagian ini akan dibahas mengenai hasil pengolahan data statistik deskriptif dari variabel-variabel yang diteliti Langkah
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Regresi Logistik Regresi adalah bagaimana satu variabel yaitu variabel dependen dipengaruhi oleh satu atau lebih variabel lain yaitu variabel independen dengan tujuan untuk
Lebih terperinciPengantar Statistika Matematika II
Bab 6: Statistika FMIPA Universitas Islam Indonesia Inferensi Statistik Pendahuluan Inferensi Statistik Inferensi statistik adalah metode untuk menarik kesimpulan mengenai suatu populasi. Inferensi statistik
Lebih terperinciIII. METODE PENELITIAN. Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat
III. METODE PENELITIAN Variabel-variabel yang digunakan dalam penelitian Analisis Pengaruh Tingkat Suku Bunga Deposito (3 Bulan) Dan Kredit Macet (NPL) Terhadap Loan To Deposit Ratio (LDR) Bank Umum Di
Lebih terperinciPertemuan 10 STATISTIKA INDUSTRI 2. Multiple Linear Regression. Multiple Linear Regression. Multiple Linear Regression 19/04/2016
19/04/016 Pertemuan 10 STATISTIKA INDUSTRI TIN 4004 Outline: and Correlation Non Linear Regression Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability for Engineers, 5 th Ed. John
Lebih terperinciBAB III METODE PENELITIAN. metode eksperimen yaitu dengan mengendalikan independent variable yang akan
27 BAB III METODE PENELITIAN A. Desain Penelitian Penelitian Kausal Desain penelitian kausal digunakan untuk membuktikan hubungan antara sebab dan akibat dari beberapa variabel. Penelitian kausal biasanya
Lebih terperinciMASALAH-MASALAH DALAM MODEL REGRESI LINIER
MASALAH-MASALAH DALAM MODEL REGRESI LINIER Pendahuluan Analisis model regresi linier memerlukan dipenuhinya berbagai asumsi agar model dapat digunakan sebagai alat prediksi yang baik. Namun tidak jarang
Lebih terperinciIII. METODE PENELITIAN
21 III. METODE PENELITIAN 3.1 Lokasi dan Waktu Penelitian Penelitian ini dilaksanakan di Desa Babakan Kecamatan Dramaga Kabupaten Bogor. Pemilihan tersebut dengan pertimbangan bahwa wilayah tersebut merupakan
Lebih terperinciESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN
ESTIMASI PARAMETER DAN INTERVAL KREDIBEL DENGAN MODEL REGRESI LINIER BERGANDA BAYESIAN Vania Mutiarani a, Adi Setiawan b, Hanna Arini Parhusip c a Program Studi Matematika FSM UKSW Jl. Diponegoro 52-6
Lebih terperinciAnalisa Regresi Dua Variabel: Estimasi
Analisa Regresi Dua Variabel: Estimasi Tjipto Juwono, Ph.D. April 22, 2016 TJ (SU) Analisa Regresi Dua Variabel: Estimasi April 2016 1 / 26 PRF vs SRF Apa Perbedaan PRF dan SRF Population Regression Function
Lebih terperinciPERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN
E-Jurnal Matematika Vol. 3, No.2 Mei 2014, 45-52 ISSN: 2303-1751 PERBANDINGAN REGRESI ROBUST PENDUGA MM DENGAN METODE RANDOM SAMPLE CONSENSUS DALAM MENANGANI PENCILAN NI PUTU NIA IRFAGUTAMI 1, I GUSTI
Lebih terperinciBAB II LANDASAN TEORI. Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan
BAB II LANDASAN TEORI 2.1 Data Data merupakan bentuk jamak dari datum. Data merupakan sekumpulan datum yang berisi fakta-fakta serta gambaran suatu fenomena yang dikumpulkan, dirangkum, dianalisis, dan
Lebih terperinciESTIMASI PARAMETER PADA SISTEM PERSAMAAN SIMULTAN DENGAN METODE LIMITED INFORMATION MAXIMUM LIKELIHOOD (LIML) SKRIPSI
ESTIMASI PARAMETER PADA SISTEM PERSAMAAN SIMULTAN DENGAN METODE LIMITED INFORMATION MAXIMUM LIKELIHOOD (LIML) SKRIPSI Oleh : IPA ROMIKA J2E004230 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
42 BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Statisitik Deskriptif Statistik deskriptif digunakan untuk gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Dari 34 perusahaan barang konsumsi
Lebih terperinciMODEL REGRESI PROBIT BIVARIAT
MODEL REGRESI PROBIT BIVARIAT NURFIDAH DWITIYANTI Program Studi Teknik Informatika Fakultas Teknik, Matematika dan Ilmu Pengetahuan Alam Universitas Indraprasta PGRI Jl. Nangka No. 58 C, Tanjung Barat,
Lebih terperinciTime series Linier Models
Time series Linier Models We have learned simple extrapolation techniques for deterministic and stochastic time series models. In addition, we also have learned stationery and non stationery time series
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciBAB III REGRESI TERSENSOR (TOBIT) Model regresi yang didasarkan pada variabel terikat tersensor disebut
BAB III REGRESI TERSENSOR (TOBIT) 3.1 Model Regresi Tersensor (Tobit) Model regresi yang didasarkan pada variabel terikat tersensor disebut model regresi tersensor (tobit). Untuk variabel terikat yang
Lebih terperinciBAB I PENDAHULUAN. bersifat tetap ( bukan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan suatu analisis yang digunakan untuk mengetahui hubungan antara satu variabel independen atau lebih dengan variabel dependen. Pada studi perbandingan
Lebih terperincioleh PRITA DEWI HUTRIANA SARI NIM. M
ESTIMASI RATA-RATA PRODUKSI JAGUNG DI PROVINSI JAWA BARAT MENGGUNAKAN PENDUGA RASIO PADA PENGAMBILAN SAMPEL ACAK SEDERHANA DENGAN KOEFISIEN KURTOSIS VARIABEL BANTU DAN REGRESI ROBUST oleh PRITA DEWI HUTRIANA
Lebih terperincioleh RIRIS LISTYA DAHYITA PUTRI M
ESTIMASI PARAMETER DISTRIBUSI MARSHALL-OLKIN COPULA DENGAN METODE MAXIMUM LIKELIHOOD oleh RIRIS LISTYA DAHYITA PUTRI M0111073 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh
Lebih terperinciPERBANDINGAN REGRESI METODE ROBUST DENGAN METODE OLS STUDY KASUS PENGARUH INFLASI DAN PDRB TERHADAP PENGANGGURAN TERBUKA DI PROVINSI JAWA TEGAH
PERBANDINGAN REGRESI METODE ROBUST DENGAN METODE STUDY KASUS PENGARUH INFLASI DAN PDRB TERHADAP PENGANGGURAN TERBUKA DI PROVINSI JAWA TEGAH Rofiqoh Istiqomah (1), Abdul Karim (2) 1, email: Rofiqohistiq15@gmail.com
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinciUJI ASUMSI KLASIK (Uji Normalitas)
UJI ASUMSI KLASIK (Uji Normalitas) UJI ASUMSI KLASIK Uji Asumsi klasik adalah analisis yang dilakukan untuk menilai apakah di dalam sebuah model regresi linear Ordinary Least Square (OLS) terdapat masalah-masalah
Lebih terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciBAB IV HASIL PENELITIAN. kecenderungan jawaban responden dari tiap-tiap variabel, baik mengenai
BAB IV HASIL PENELITIAN A. Deskripsi Data Statistik deskriptif ini digunakan sebagai dasar untuk menguraikan kecenderungan jawaban responden dari tiap-tiap variabel, baik mengenai kinerja guru, motivasi
Lebih terperinciMENGATASI MASALAH HETEROSKEDASTISITAS DENGAN MENGASUMSIKAN VARIANS VARIABEL GANGGUANNYA PROPORSIONAL DENGAN X i
E-Jurnal Matematika Vol. 3, No.1 Januari 014, 33-37 ISSN: 303-1751 MENGATASI MASALAH HETEROSKEDASTISITAS DENGAN MENGASUMSIKAN VARIANS VARIABEL GANGGUANNYA PROPORSIONAL DENGAN X i DAN [E( )] MADE ADI GUNAWAN
Lebih terperinciCointegration Analysis and ECM
Cointegration Analysis and ECM Before discussing co-integration concept, we need to talk about other relating concepts that are very important in understanding cointegration. Spurious Regression Phenomena.
Lebih terperinciPERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS
E-Jurnal Matematika Vol. 4 (1), Januari 2015, pp. 8-13 ISSN: 2303-1751 PERBANDINGAN TRANSFORMASI BOX-COX DAN REGRESI KUANTIL MEDIAN DALAM MENGATASI HETEROSKEDASTISITAS Ni Wayan Yuni Cahyani 1, I Gusti
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Waktu dan Tempat Penelitian Penelitian ini dilakukan terhadap seluruh perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia (BEI) data yang diambil merupakan data
Lebih terperinciBAB IV HASIL DAN ANALISIS. sekunder dalam bentuk deret waktu (time series) pada periode
BAB IV HASIL DAN ANALISIS 4.1 Analisis Deskripsi Data Jenis data yang digunakan penulis dalam penelitian ini adalah data sekunder dalam bentuk deret waktu (time series) pada periode 1993-2013 kurun waktu
Lebih terperinciMODEL REGRESI ROBUST MENGGUNAKAN ESTIMASI S DAN ESTIMASI GS
MODEL REGRESI ROBUST MENGGUNAKAN ESTIMASI S DAN ESTIMASI GS (Studi Kasus Produksi Jagung di Indonesia) Oleh VICTOR SATRIA SAPUTERA M0112089 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciTINJAUAN PUSTAKA. Menurut Usman dan Warsono (2000) bentuk model linear umum adalah :
II. TINJAUAN PUSTAKA. Model Linear Umum Menurut Usman dan Warsono () bentuk model linear umum adalah : Y = Xβ + ε dengan : Y n x adalah vektor peubah acak yang teramati. X n x p adalah matriks nxp dengan
Lebih terperinciIII. METODE PENELITIAN. Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu
III. METODE PENELITIAN A. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yaitu berkaitan dengan data yang waktu dikumpulkannya bukan (tidak harus) untuk memenuhi
Lebih terperinciPERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA SKRIPSI
PERBANDINGAN METODE LEAST TRIMMED SQUARES DAN PENDUGA-S DALAM MENGATASI DATA PENCILAN DENGAN SIMULASI DATA SKRIPSI ANDOS NIKI S. M. SEMBIRING 090803032 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Populasi dan Sampel Penelitian Populasi yang digunakan dalam penelitian ini adalah bank syariah Bank Umum Syariah (BUS) yang terdaftar di BI pada tahun 2009-2012. Penentuan
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Seiring dengan kemajuan ilmu pengetahuan dan teknologi mendorong masyarakat untuk semakin memperlihatkan derajat kesehatan demi peningkatan kualitas hidup yang lebih
Lebih terperinciPERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 1-5 ISSN: 2303-1751 PERBANDINGAN REGRESI KOMPONEN UTAMA DAN ROBPCA DALAM MENGATASI MULTIKOLINEARITAS DAN PENCILAN PADA REGRESI LINEAR BERGANDA NI WAYAN
Lebih terperinciBAB 2 MODEL REGRESI LINIER
BAB 2 MODEL REGRESI LINIER Model regresi liner merupakan suatu model yang parameternya linier (bisa saja fungsinya tidak berbentuk garus lurus), dan secara kuantitatif dapat digunakan untuk menganalisis
Lebih terperinciBAB IV ANALISIA HASIL DAN PEMBAHASAN
39 BAB IV ANALISIA HASIL DAN PEMBAHASAN A. Statistik Deskriptif Statistik deskriptif digunakan untuk melihat gambaran secara umum data yang telah dikumpulkan dalam penelitian ini. Dari 144 perusahaan manufaktur
Lebih terperinciBAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Lebih terperinciPERAMALAN DINAMIS PRODUKSI PADI DI JAWA TENGAH MENGGUNAKAN METODE KOYCK DAN ALMON
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 91-97 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PERAMALAN DINAMIS PRODUKSI PADI DI JAWA TENGAH MENGGUNAKAN METODE
Lebih terperinciPENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA
PENERAPAN BOOTSTRAP DALAM METODE MINIMUM COVARIANCE DETERMINANT (MCD) DAN LEAST MEDIAN OF SQUARES (LMS) PADA ANALISIS REGRESI LINIER BERGANDA Ni Putu Iin Vinny Dayanti 1, Ni Luh Putu Suciptawati 2, Made
Lebih terperinciSarimah. ABSTRACT
PENDETEKSIAN OUTLIER PADA REGRESI LOGISTIK DENGAN MENGGUNAKAN TEKNIK TRIMMED MEANS Sarimah Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas
Lebih terperinciBAB III DATA DAN METODOLOGI PENELITIAN
BAB III DATA DAN METODOLOGI PENELITIAN 3.1 Pengantar Penelitian merupakan suatu proses yang diawali dari minat untuk mengetahui fenomena tertentu. Lalu berkembang menjadi gagasan, teori, konseptualisasi,
Lebih terperinciE-Jurnal Matematika Vol. 2, No.2, Mei 2013, ISSN:
E-Jurnal Matematika Vol., No., Mei 013, 37-41 ISSN: 303-1751 PENERAPAN REGRESI QUASI-LIKELIHOOD PADA DATA CACAH (COUNT DATA) YANG MENGALAMI OVERDISPERSI DALAM REGRESI POISSON (Studi Kasus: Jumlah Kasus
Lebih terperinciKAJIAN METODE ROBUST LEAST TRIMMED SQUARE (LTS) DALAM MENGESTIMASI PARAMETER REGRESI LINEAR BERGANDA UNTUK DATA YANG MENGANDUNG PENCILAN SKRIPSI
KAJIAN METODE ROBUST LEAST TRIMMED SQUARE (LTS) DALAM MENGESTIMASI PARAMETER REGRESI LINEAR BERGANDA UNTUK DATA YANG MENGANDUNG PENCILAN SKRIPSI ADE AFFANY 120803016 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA
Lebih terperinciModel Regresi Binary Logit (Aplikasi Model dengan Program SPSS)
Model Regresi Binary Logit (Aplikasi Model dengan Program SPSS) Author: Junaidi Junaidi 1. Pengantar Salah satu persyaratan dalam mengestimasi persamaan regresi dengan metode OLS (Ordinary Least Square)
Lebih terperinciBAB IV ANALISIS HASIL DAN PEMBAHASAN
BAB IV ANALISIS HASIL DAN PEMBAHASAN A. Analisis Statistik Deskriptif Statistik deskriptif berkaitan dengan pengumpulan dan peringkat data yang menggambarkan karakteristik sampel yang digunakan dalam penelitian
Lebih terperinciAnalisis Heteroskedastisitas Pada Data Cross Section dengan White Heteroscedasticity Test dan Weighted Least Squares
Analisis Heteroskedastisitas Pada Data Cross Section dengan White Heteroscedasticity Test dan Weighted Least Squares Christalia A. Mokosolang 1, Jantje D. Prang 2, Mans L. Mananohas 3 1 Program Studi Matematika,
Lebih terperinciDEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA
digilib.uns.ac.id DEFICIENCY PENAKSIR PARAMETER PADA DISTRIBUSI GAMMA oleh ANIS TELAS TANTI M0106003 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika
Lebih terperinciMENENTUKAN MODEL KOEFISIEN REGRESI MULTIPLE VARIABEL DENGAN MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI BENNY SOFYAN SAMOSIR
MENENTUKAN MODEL KOEFISIEN REGRESI MULTIPLE VARIABEL DENGAN MENGGUNAKAN MAKSIMUM LIKELIHOOD SKRIPSI BENNY SOFYAN SAMOSIR 080823004 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS
Lebih terperinciBAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU
BAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU 3.1 Model Regresi Cox Proportional Hazard dengan Variabel Terikat oleh Waktu Model regresi Cox proportional hazard
Lebih terperinciBAB IV HASIL DAN ANALISIS. bentuk deret waktu (time series) selama 17 tahun, yaitu tahun Data
1.1 Analisis Deskripsi Data BAB IV HASIL DAN ANALISIS Data yang digunakan dalam penelitian ini adalah data sekunder dalam bentuk deret waktu (time series) selama 17 tahun, yaitu tahun 1996-2012. Data tersebut
Lebih terperinciMODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD. Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK
MODEL REGRESI LOGISTIK BINER DENGAN METODE PENALIZED MAXIMUM LIKELIHOOD Edi Susilo, Anna Islamiyati, Muh. Saleh AF. ABSTRAK Analisis regresi logistik biner dengan metode penalized maximum likelihood digunakan
Lebih terperinciPenaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Bayes
Penaksiran Mean Stratum pada Sampling Acak Stratifikasi dengan Menggunakan Metode Empirical Baes Sisca Agnessia Departemen Matematika, FMIPA UI, Kampus UI Depok 6 sisca.agnessia@ahoo.com Abstrak Dalam
Lebih terperinciBAB III METODOLOGI PENELITIAN. Sakit At-Turrots Al-Islamy, PKU Muhammadiyah Gamping, Puskesmas
BAB III METODOLOGI PENELITIAN A. Objek Penelitian Objek yang dilakukan pada penelitian ini adalah peserta BPJS kelas II yang berada di Kabupaten Sleman. B. Lokasi Penelitian Penelitian ini dilakukan di
Lebih terperinciBAB II KAJIAN PUSTAKA. dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat
BAB II KAJIAN PUSTAKA 2.1 Konsep Dasar Runtun Waktu Data runtun waktu (time series) merupakan data yang dikumpulkan, dicatat, atau diobservasi sepanjang waktu secara berurutan. Periode waktu dapat berupa
Lebih terperinciE-Jurnal Matematika Vol. 2, No.3, Agustus 2013, ISSN:
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 40-45 ISSN: 2303-1751 ANALISIS FAKTOR-FAKTOR YANG MEMENGARUHI WAKTU KELULUSAN MAHASISWA DENGAN MENGGUNAKAN METODE GOMPIT (Studi Kasus: Mahasiswa Fakultas
Lebih terperinciPEMODELAN DENGAN REGRESI LOGISTIK. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal)
PEMODELAN DENGAN REGRESI LOGISTIK 1. Data Biner Data biner merupakan data yang hanya memiliki dua kemungkinan hasil. Secara umum, kedua hasil dilambangkan dengan (sukses) dan (gagal) dengan peluang masing-masing
Lebih terperinciSTK 511 Analisis statistika. Materi 7 Analisis Korelasi dan Regresi
STK 511 Analisis statistika Materi 7 Analisis Korelasi dan Regresi 1 Pendahuluan Kita umumnya ingin mengetahui hubungan antar peubah Analisis Korelasi digunakan untuk melihat keeratan hubungan linier antar
Lebih terperinciII. TINJAUAN PUSTAKA. dengan kendala menjadi model penuh tanpa kendala,
4 II. TINJAUAN PUSTAKA Dalam penelitian ini akan didiskusikan tentang transformasi model tak penuh dengan kendala menjadi model penuh tanpa kendala, pendugaan parameter, pengujian hipotesis dan selang
Lebih terperinciBAB III METODE PENELITIAN. Objek penelitian merupakan salah satu faktor yang tidak dapat dipisahkan dari
55 BAB III METODE PENELITIAN 3.1 Objek Penelitian Objek penelitian merupakan salah satu faktor yang tidak dapat dipisahkan dari suatu penelitian. Objek penelitian merupakan sumber diperolehnya data dari
Lebih terperinci