ESTIMATION METHODS ISSUES IN MULTILEVEL MODEL FOR HIERARCHICAL DATA ANALYSIS
|
|
- Yenny Sasmita
- 7 tahun lalu
- Tontonan:
Transkripsi
1 Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ESTIMATION METHODS ISSUES IN MULTILEVEL MODEL FOR HIERARCHICAL DATA ANALYSIS Pudji Ismartini 1), Susanti Linuwih 2), Setiawan 2), Brodjol Sutijo Supri Ulama 2) 1 Mahasiswa S3 pada Jurusan Statistika FMIPA-ITS 2 Staf Pengajar pada Jurusan Statistika FMIPA-ITS Departement of Statistics FMIPA-ITS Kampus ITS Sukolilo Gedung U Lantai 2 Surabaya Telp : (031) Fax : (031) statistika@its.ac.id ismartini@mhs.statistika.its.ac.id ABSTRACT Data in sosial research is often view as hierarchical data structure, with individuals and groups defined at separate levels of this hierarchical systems. The problem of this hieararchical data type is the individual observations are in general not independents. Uni-level analysis methods are not appropriate for the analysis of such hierarchical data. Multilevel models are statistical methods which specifically analyze data that have hierarchical structure. However, there are some problems occur in the practice of multilevel modelling (i.e. sample size of the second level and normality assumption). Those problems lead to a biased estimator of the standard error at the second level. To overcome the constraint in multilevel model, a suitable estimation technique should be selected. Previous studies in multilevel models use different estimation methods (e.g. Maximum Likelihood Estimator, Bootstrap Estimator and Sandwich Estimator). The comparison between those estimation techniques can be used as a basis for estimation technique selection which appropriate for particular research that have hierarchical data structure. KEY WORDS: Hierarchical Data; Multilevel model; Estimation Methods; Sample Size; Normality Assumption. Pendahuluan Data di bidang sosial pada umumnya mempunyai struktur yang berhirarki, dimana data dapat diklasifikasikan dalam tingkatan yang berbeda yaitu data individu dan data komunitas (kelompok). Metode standar dengan menggunakan unilevel analisis tidak tepat digunakan untuk menganalisa data berhirarki ini, walaupun data yang digunakan dalam analisis hanya data pada level terendah saja yaitu data 1
2 individu. Hal ini disebabkan karena pada umumnya observasi untuk data tersebut tidak independen dan tidak memenuhi asumsi distribusi yang identik. Penggunaan metode unilevel analisis pada data berhirarki tersebut akan menghasilkan penduga yang tidak efisien dan standar error yang bias. Multilevel model merupakan teknik analisis yang baik untuk data berhirarki. Namun demikian ada keterbatasan pada analisis multilevel model ini yaitu asumsi kenormalan dan besarnya sampel pada setiap tingkatan. Pada prakteknya, besarnya sampel kelompok lebih kecil dibandingkan dengan besarnya sampel individu. Multilevel model memerlukan sampel yang lebih besar pada tingkat kelompok dibandingkan dengan sampel pada tingkat individu. Hal ini dapat menjadi kendala dalam menentukan metode estimasi yang tepat dengan keterbatasan yang ada. Terdapat beberapa metode estimasi yang dapat digunakan pada model multilevel. Masing-masing metode tersebut memiliki kelebihan dan kekurangan. Makalah ini akan mengulas beberapa alternatif metode estimasi yang dapat digunakan pada analisis multilevel model sehubungan dengan keterbatasan pada model multilevel. Model Regresi Multilevel Model regresi multilevel digunakan untuk data dengan struktur hirarki dimana respon variabelnya diukur pada tingkat terendah. Sesuai dengan konsep multilevel, model regresi multilevel akan menghasilkan persamaan regresi yang bertingkat. Secara umum pembentukan model persamaan regresi dua tingkat adalah sebagai berikut. Jika terdapat J kelompok dengan banyaknya individu pada setiap kelompok adalah N j.. Selanjutnya pada tingkat terendah (individu) terdapat dependen Y ij dan variabel penjelas Z ij. Maka persamaan regresi yang dapat dibentuk untuk masing-masing kelompok adalah : dimana, Z j adalah matriks variabel penjelas berukurn N j x q, adalah vektor koefisien regresi berukuran q x 1 dan adalah error vektor. 2
3 Jika βj adalah vektor dari random koefisien regresi yang variasinya dijelaskan oleh variabel penjelas pada tingkat kedua (kelompok), maka model antar kelompok yang dapat dibentuk adalah sebagai berikut: dimana adalah matriks variabel penjelas (termasuk konstanta) pada tingkat kedua dengan ukuran q x p. adalah vektor koefisien konstan dan adalah error vektor berukuran q x 1. Substitusi dari persamaan diatas menghasilkan persamaan umum untuk model regresi dua tahap yaitu : dimana. Fix komponen dari persamaan diatas adalah sedangkan random komponen dari persamaan regresi dua tahap adalah. Dengan asumsi dan dimana ( error varians pada tingkat pertama) merupakan skalar parameter yang tidak diketahui dan θ adalah error kovarians matriks pada level kedua. Jadi setiap tingkat pada model multilevel akan menghasilkan error masing-masing. V j adalah kovarians matrik dari dari random komponen y j bersyarat terhadap X j dan Z j. Permasalahan yang sering muncul pada analisis data multilevel adalah keterbatasan jumlah sampel pada setiap tingkatan. Dalam analisis regresi multilevel, banyaknya sampel kelompok lebih penting dibandingkan banyaknya sampel individu. Oleh karena itu idealnya diperoleh sampel yang besar di tingkat kelompok dibandingkan sampel yang besar di tingkat individu. Akan tetapi pada prakteknya hal ini sulit ditemui. Besarnya sampel ini akan berpengaruh terhadap penentuan metode estimasi yang akan digunakan dalam analisis regresi multilevel. 3
4 Hal ini disebabkan karena beberapa metode estimasi sangat sensitif terhadap besarnya sampel dan asumsi kenormalan. Maksimum Likelihood Estimator Metode Maximum Likelihood Estimator (MLE) memerlukan asumsi residualnya berdistribusi normal independen dengan jumlah sampel yang cukup besar. Jika asumsi kenormalan dan besarnya sampel tidak terpenuhi, maka MLE akan menghasilkan estimasi parameter yang tidak bias akan tetapi standar error yang dihasilkan akan negatif (Van Der Leeden dan Busing (1997)). Estimasi dengan metode Full Information Maximum Likelihood (FIML) diperoleh dengan meminimalkan fungsi dari minus likelihoodnya. Apabila asumsi kenormalan tidak terpenuhi dan jumlah sampel tidak mencukupi maka estimasi dengan menggunakan maximum likelihood akan menghasilkan varians komponen yang bias negatif sedangkan estimasi fix parameternya relative tidak bias. Batasan besarnya sampel yang dibutuhkan pada tingkat kelompok masih diperdebatkan. Penelitian yang dilakukan oleh Busing (1993), Van Der Leeden dan Busing (1994) (Van Der Leeden dan Busing (1997)) menyatakan untuk memperoleh estimasi varians kelompok dengan tingkat akurasi yang tinggi banyaknya kelompok yang dibutuhkan paling sedikit 100 kelompok. Sementara Brown dan Draper (2000) (Van Der Leeden dan Busing (1997)) berpendapat besarnya sampel kelompok yang dibutuhkan berkisar antara enam sampai duabelas. Bootstrap Estimator Metode Bootstrap dapat digunakan untuk melakukan estimasi besarnya bias dan varians dari suatu estimasi parameter dengan keterbatasan pemenuhan asumsi umum yang harus dipenuhi dalam suatu pendugaan parameter. Sehingga pada 4
5 akhirnya dapat diperoleh hasil estimasi yang sudah terkoreksi dari estimasi biasnya. Jika B adalah sampel bootstrap dimana b = 1,2,,B diambil dengan pengembalian dari (dari ). Pada setiap sampel B, dilakukan estimasi terhadap parameter θ sehingga diperoleh estimasi sebanyak B yaitu dimana b= 1,2,,B. Estimasi θ yang sudah terkoreksi adalah Beberapa jenis metode Bootstrap yang dapat diterapkan pada multilevel model adalah Parametric Bootstrap, Residual Bootstrap dan Cases Bootstrap. Perbedaan diantara ketiga jenis Bootstrap ini didasarkan pada asumsi yang harus dipenuhi. Parametric Bootstrap memerlukan asumsi yang ketat yaitu variabel penjelasnya merupakan komponen yang fix, spesifikasi model dan distribusi yang sesuai. Hasil yang diperoleh dari metode Parametric Bootstrap ini hampir sama dengan hasil yang diperoleh dari metode FIML. Residual Bootstrap memerlukan asumsi yang tidak terlalu ketat yaitu variabel penjelasnya merupakan komponen yang fix, dengan spesifikasi model yang sesuai (homoskedastik). Cases Bootstrap memerlukan asumsi yang minimal yaitu struktur hirarki dari data harus benar. Hasil estimasi terhadap random komponen pada tingkat pertama dan tingkat kedua, Residual Bootstrap memberikan hasil yang lebih baik dibandingkan FIML dan metode Bootstrap lainnya. Dalam hal estimasi standar error dari metode Bootstrap dan FIML menghasilkan bias yang sama-sama cukup besar. Cases Bootstrap menghasilkan bias dan MSE yang terkecil dibandingkan 5
6 metode FIML dan metode Bootstrap lainnya (Van Der Leeden and Busing (1997)). Residual Bootstrap cukup baik digunakan untuk sampel kecil (khususnya sampel pada tingkat kedua) dan asumsi kenormalan untuk distribusi errornya tidak terpenuhi. Metode ini dapat menghasilkan estimasi yang tidak bias untuk komponen varians untuk kedua tingkat data dengan MSE yang relatif rendah. Sandwich Estimator Sandwich estimator ini sering disebut pula sebagai Huber/White estimator. Pada metode maksimum likelihood, estimasi matrik varians kovarians untuk koefisien regresinya adalah Sedangkan pada sandwich estimator adalah sebagai berikut Dimana adalah asymptotic kovarians matrik dari koefisien regresi, H adalah Hessian Matrik, V R adalah robust kovarians matrik untuk koefisien regresi dan C adalah matrik koreksi yang diperoleh dari perkalian dari matrik errornya. Sandwich estimator ini tidak terlalu tergantung kepada asumsi kenormalan. Jika asumsi kenormalan dari error terpenuhi, metode MLE menghasilkan estimasi yang lebih efisien dibandingkan sandwich estimator. Tetapi apabila asumsi kenormalan tidak terpenuhi, sandwich estimator tetap akan menghasilkan estimasi yang konsisten sedangkan MLE menghasilkan estimasi yang tidak akurat dan tidak konsisten Kesimpulan Bootstrap estimator dapat digunakan sebagai alternatif metode estimasi dalam analisis model multilevel apabila asumsi kenormalan tidak terpenuhi dan sampel pada tingkat kedua tidak terlalu besar 6
7 Daftar Pustaka Goldstein, H., Multilevel Statistical Models, Edward Arnold, London. Hox, J.J., Applied Multilevel Analysis, TT-Publikaties, Amsterdam. Hox, J.J., Multilevel Modeling : When and Why, in: I. Balderjahn, R. Mathar and M. Schader (eds), Classification, data analysis and data highways, Springer Verlag, NewYork, Maas, C. J. M. H., dan Hox, J.J.,2004. Robustness Issues in Multilevel Regression Analysis, Statistica Neerlandica, vol. 58, nr. 2, Van der Leeden, R., Busing, F. M. T. A., dan Meijer, E., Bootstrap Methods for Two Level Model, Paper, Multilevel Conference, Amsterdam, April 1-2,
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi. Bertho Tantular 1)
Pelanggaran Asumsi Normalitas Model Multilevel Pada Galat Level yang Lebih Tinggi S-28 Bertho Tantular 1) 1) Staf Pengajar Jurusan Statistika FMIPA UNPAD berthotantular@gmail.com Abstrak Secara umum model
Lebih terperinciPROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST SQUARE DAN ITERATIVE GENERALIZED LEAST SQUARE
Prosiding Seminar Nasional Penelitian, Pendidikan dan Penerapan MIPA, Fakultas MIPA, Universitas Negeri Yogyakarta, 14 Mei 2011 PROSEDUR PENAKSIRAN PARAMETER MODEL MULTILEVEL MENGGUNAKAN TWO STAGE LEAST
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 terperinciMenampilkan Penaksir Parameter pada Model Linear * Mulyana **
Menampilkan Penaksir Parameter pada Model Linear * Abstrak Pada model linear Mulyana ** Y = X + ε, jika penaksir untuk, maka dua peran. Yaitu sebagai penaksir faktual, hitung, X memiliki Y = X, dan penaksir
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 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 terperinciPemodelan Regresi 2-Level Dengan Metode Iterative Generalized Least Square (IGLS) (Studi Kasus: Tingkat Pendidikan Anak di Kabupaten Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 1, Tahun 2014, Halaman 51-60 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian Pemodelan Regresi 2-Level Dengan Metode Iterative Generalized
Lebih terperinciPERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA
PERBANDINGAN METODE MCD-BOOTSTRAP DAN LAD- BOOTSTRAP DALAM MENGATASI PENGARUH PENCILAN PADA ANALISIS REGRESI LINEAR BERGANDA Ni Luh Putu Ratna Kumalasari 1, Ni Luh Putu Suciptawati 2,, Made Susilawati
Lebih terperinciPEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang)
PEMODELAN REGRESI 2-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Tingkat pendidikan Anak di Kabupaten Semarang) SKRIPSI Oleh: DYAN ANGGUN KRISMALA NIM: J2E 009 040 JURUSAN
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 terperinci(S.3) METODE MULTILEVEL STRUCTURAL EQUATION MODELING DENGAN WEIGHTED LEAST SQUARE ESTIMATION UNTUK ANALISIS PELAYANAN KESEHATAN IBU
(S.3) METODE MULTILEVEL STRUCTURAL EQUATION MODELING DENGAN WEIGHTED LEAST SQUARE ESTIMATION UNTUK ANALISIS PELAYANAN KESEHATAN IBU Winih Budiarti 1, Jadi Supriyadi 2, Bertho Tantular 3 1 Mahasiswa Magister
Lebih terperinciPEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 1, Tahun 2016, Halaman 21-30 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED
Lebih terperinciPENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA
E-Jurnal Matematika Vol. 2, No.4, Nopember 2013, 6-10 ISSN: 2303-1751 PENERAPAN METODE LEAST MEDIAN SQUARE-MINIMUM COVARIANCE DETERMINANT (LMS-MCD) DALAM REGRESI KOMPONEN UTAMA I PUTU EKA IRAWAN 1, I KOMANG
Lebih terperinciForum Statistika dan Komputasi, Oktober 2009 p : ISSN :
, Oktober 2009 p : 26-34 ISSN : 0853-8115 Vol 14 No.2 METODE PENDUGAAN MATRIKS RAGAM-PERAGAM DALAM ANALISIS REGRESI KOMPONEN UTAMA (RKU) (Variance-Covariance Matrix Estimation Method for Principal Component
Lebih terperinciSIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS
SIMULASI DAMPAK MULTIKOLINEARITAS PADA KONDISI PENYIMPANGAN ASUMSI NORMALITAS Joko Sungkono 1, Th. Kriswianti Nugrahaningsih 2 Abstract: Terdapat empat asumsi klasik dalam regresi diantaranya asumsi normalitas.
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK (Choice the Best Linear Regression Multilevel Models)
, Oktober 2009 p : 1-7 ISSN : 0853-8115 Vol 14 No.2 PEMILIHAN MODEL REGRESI LINIER MULTILEVEL TERBAIK Bertho Tantular 1, Aunuddin 2, Hari Wijayanto 2 1 Jurusan Statistika FMIPA Universitas Padjadjaran
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 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 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 MIXED GEOGRAPHICALLY WEIGHTED REGRESSION (MGWR)
BAB III MIXED GEOGRAPHICALLY WEIGHTED REGRESSION 3.1 Mixed Geographically Weighted Regression Model Mixed Geographically Weighted Regression merupakan model kombinasi atau gabungan antara regresi global
Lebih terperinciPENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM
BIAStatistics (2015) Vol. 9, 2, hal. 28-32 PENAKSIRAN PARAMETER REGRESI LINIER DENGAN METODE BOOTSTRAP MENGGUNAKAN DATA BERDISTRIBUSI NORMAL DAN UNIFORM Munawar Jurusan Matematika FMIPA Universitas Syiah
Lebih terperinciPENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES
PENDEKATAN MODEL MULTILEVEL UNTUK DATA REPEATED MEASURES Bertho Tantular 1 S-1 1 Jurusan Statistika FMIPA Universitas Padjadjaran 1 bertho@unpad.ac.id Abstrak Data yang diperoleh dari pengukuran berulang
Lebih terperinciPENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS
e-jurnal Matematika Vol. 2, No. 1, Januari 2013, 54-59 PENERAPAN METODE GENERALIZED RIDGE REGRESSION DALAM MENGATASI MASALAH MULTIKOLINEARITAS NI KETUT TRI UTAMI 1, I KOMANG GDE SUKARSA 2, I PUTU EKA NILA
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 I PENDAHULUAN. yang saling berhubungan atau berpengaruh satu sama lain. Ilmu statistika
BAB I PENDAHULUAN A. Latar Belakang Masalah Dalam kehidupan, seringkali peneliti dihadapkan dengan suatu kejadian yang saling berhubungan atau berpengaruh satu sama lain. Ilmu statistika mengenal metode
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis statistika pada dasarnya merupakan suatu analisis terhadap sampel yang kemudian hasilnya akan digeneralisasi untuk menggambarkan suatu karakteristik populasi.
Lebih terperinciMETODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 03, No. 3 (2014), hal 169 174. METODE PARTIAL LEAST SQUARES UNTUK MENGATASI MULTIKOLINEARITAS PADA MODEL REGRESI LINEAR BERGANDA Romika Indahwati,
Lebih terperinciPENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI
PENERAPAN METODE BOOTSTRAP RESIDUAL DALAM MENGATASI BIAS PADA PENDUGA PARAMETER ANALISIS REGRESI Ni Made Metta Astari 1, Ni Luh Putu Suciptawati 2, I Komang Gde Sukarsa 3 1 Jurusan Matematika, Fakultas
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 I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu metode analisis dalam statistika yang sangat familiar bagi kalangan akademis dan pekerja. Analisis regresi dapat
Lebih terperinciBAB I PENDAHULUAN. untuk membentuk model hubungan antara variabel dependen dengan satu atau
BAB I PENDAHULUAN A. Latar Belakang Analisis regresi linier merupakan teknik dalam statistika yang digunakan untuk membentuk model hubungan antara variabel dependen dengan satu atau lebih variabel independen.
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 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 terperinciOLEH: SINDY FEBRI A DOSEN PEMBINGBING: Ir. ARIE KISMANTO, M.Si. Monday, July 18, 2011 Seminar Tugas Akhir Jurusan Statistika ITS 1
ANALISIS REGRESI MULTILEVEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI NILAI UASBN SD/MI (Studi Kasus Nilai UASBN SD/MI di Kecamatan Tulangan Tahun Ajaran 2009/2010) OLEH: SINDY FEBRI A. 1307 100 066 DOSEN
Lebih terperinciNon Linear Estimation and Maximum Likelihood Estimation
Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation and Maximum Likelihood Estimation Non Linear Estimation We have studied linear models in the sense that the parameters are
Lebih terperinciKETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI REGRESI LOGISTIK MULTINOMIAL
KETEPATAN KLASIFIKASI PEMILIHAN METODE KONTRASEPSI DI KOTA SEMARANG MENGGUNAKAN BOOSTSTRAP AGGREGATTING REGRESI LOGISTIK MULTINOMIAL SKRIPSI Oleh : Ahmad Reza Aditya 24010210130055 JURUSAN STASTISTIKA
Lebih terperinciPEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang)
PEMODELAN REGRESI 3-LEVEL DENGAN METODE ITERATIVE GENERALIZED LEAST SQUARE (IGLS) (Studi Kasus: Lamanya pendidikan Anak di Kabupaten Semarang) SKRIPSI Oleh: AMANDA DEVI PARAMITHA NIM: 24010210141036 JURUSAN
Lebih terperinciPEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap
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 I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Statistika adalah salah satu cabang ilmu matematika yang memperhitungkan probabilitas dari suatu data sampel dengan tujuan mendapatkan kesimpulan mendekati
Lebih terperinciKAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
Lebih terperinciTINJAUAN PUSTAKA TIMSS 2007
3 TINJAUAN PUSTAKA TIMSS 007 TIMSS ( Trends in Mathematics and Science Study) merupakan penelitian yang dilakukan oleh IEA (International Association for the Evaluation of Educational Achievement) yang
Lebih terperinciEstimasi Hazard Rate Temporal Point Process
Vol. 9, No.1, 33-38, Juli 2012 Estimasi Hazard Rate Temporal Point Process Nurtiti Sunusi 1 Abstrak Point process adalah suatu model stokastik yang dapat menerangkan fenomena alam yang sifatnya acak baik
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi merupakan suatu metode analisis dalam statistika yang digunakan untuk mencari hubungan antara suatu variabel terhadap variabel lain. Dalam
Lebih terperinciTingkat Efisiensi Metode Regresi Robust dalam Menaksir Koefisien Garis Regresi Jika Ragam Galat Tidak Homogen
Tingkat Efisiensi Metode Robust dalam Menaksir Garis Jika Ragam Galat Tidak Homogen Harmi Sugiarti dan Andi Megawarni e-mail: harmi@mailutacid dan mega@mailutacid Abstract This paper aims to compare the
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
Lebih terperinciPEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan)
PEMODELAN REGRESI SPLINE (Studi Kasus: Herpindo Jaya Cabang Ngaliyan) I Made Budiantara Putra 1, I Gusti Ayu Made Srinadi 2, I Wayan Sumarjaya 3 1 Jurusan Matematika, Fakultas MIPA - Universitas Udayana
Lebih terperinciESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP
ESTIMASI EROR STANDAR PARAMETER REGRESI LOGISTIK MENGGUNAKAN METODE BOOTSTRAP PADA DATA PASIEN HIPERKOLESTEROLEMIA DI BALAI LABORATORIUM KESEHATAN YOGYAKARTA Fransiska Grase S.W, Sri Sulistijowati H.,
Lebih terperinciMetode Minimum Covariance Determinan Pada Analisis Regresi Linier Berganda Dengan Kasus Pencilan
Metode Minimum Covariance Determinan Pada Analisis Regresi Linier Berganda Dengan Kasus Pencilan Minimum Covariance Determinants Method On Multiple Linear Regression Analysis The Case Outliers Sifriyani
Lebih terperinciPERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM MENAKSIR PARAMETER REGRESI UNTUK MENGATASI MULTIKOLINEARITAS
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 2 (2013), hal 137 146. PERBANDINGAN METODE BOOTSTRAP DAN JACKKNIFE DALAM MENAKSIR PARAMETER REGRESI UNTUK MENGATASI MULTIKOLINEARITAS
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciRata-rata Nilai. 2 saudara 25%
Nilai Rata-rata UASBN.4.2 23.8 23.6 23,96 laki-laki,36 perempuan Gambar 6.2 Bar Chart Nilai Rata-Rata UASBN 2009/2010 Menurut Jenis Kelamin Berdasarkan Gambar 6.2, dapat diketahui hubungan antara nilai
Lebih terperinciREGRESI LINIER BERGANDA
REGRESI LINIER BERGANDA 1. PENDAHULUAN Analisis regresi merupakan salah satu teknik analisis data dalam statistika yang seringkali digunakan untuk mengkaji hubungan antara beberapa variabel dan meramal
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Analisis varians (ANOVA) pertama kali diperkenalkan oleh Sir Ronald Fisher. ANOVA merupakan generalisasi dari uji t, digunakan pada situasi saat peneliti ingin
Lebih terperinciKAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
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 terperinciPEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION
E-Jurnal Matematika Vol. 2, No.3, Agustus 2013, 29-34 ISSN: 2303-1751 PEMODELAN JUMLAH ANAK PUTUS SEKOLAH DI PROVINSI BALI DENGAN PENDEKATAN SEMI-PARAMETRIC GEOGRAPHICALLY WEIGHTED POISSON REGRESSION GUSTI
Lebih terperinciAnalisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit
Analisis Faktor-Faktor yang Mempengaruhi Anggaran Pembelian Barang Tahan Lama Rumah Tangga di Jawa Timur dengan Menggunakan Regresi Tobit Nama : Margareth G. Shari NRP : 1307 100 026 JURUSAN STATISTIKA
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Analisis regresi adalah analisis yang dilakukan terhadap dua jenis variabel yaitu variabel independen (prediktor) dan variabel dependen (respon). Analisis
Lebih terperinciBAB II LANDASAN TEORI. metode kuadrat terkecil (MKT), outlier, regresi robust, koefisien determinasi,
BAB II LANDASAN TEORI Beberapa teori yang diperlukan untuk mendukung pembahasan diantaranya adalah regresi linear berganda, pengujian asumsi analisis regresi, metode kuadrat terkecil (MKT), outlier, regresi
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Deret Fourier Dalam bab ini akan dibahas mengenai deret dari suatu fungsi periodik. Jenis fungsi ini sering muncul dalam berbagai persoalan fisika, seperti getaran mekanik, arus
Lebih terperinciModel Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) 2337-3520 (2301-928X Print) 1 Model Regresi Multivariat untuk Menentukan Tingkat Kesejahteraan Kabupaten dan Kota di Jawa Timur M.Fariz Fadillah Mardianto,
Lebih terperinciMODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR
UNIVERSITAS DIPONEGORO 01 ISBN: -0-1-0-1 MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN DERET FOURIER PADA KASUS TINGKAT PENGANGGURAN TERBUKA DI JAWA TIMUR Alan Prahutama Dosen Jurusan Statistika Undip
Lebih terperinciKETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD)
KETEPATAN PENGKLASIFIKASIAN FUNGSI DISKRIMINAN LINIER ROBUST DUA KELOMPOK DENGAN METODE FAST MINIMUM COVARIATE DETERMINANT (FAST MCD) Budyanra Jurusan Statistika, Sekolah Tinggi Ilmu Statistik, Jakarta
Lebih terperinciPERBANDINGAN REGRESI ROBUST DENGAN OLS PADA PRODUKSI UBI JALAR PROVINSI JAWA TENGAH TAHUN 2015
PERBANDINGAN REGRESI ROBUST DENGAN PADA PRODUKSI UBI JALAR PROVINSI JAWA TENGAH TAHUN 2015 Endah Suryaningsih Utami 1), Abdul Karim 2) 1 Program Studi Strata Statistika,, Universitas Muhammadiyah Semarang
Lebih terperinciESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang SKRIPSI.
ESTIMASI PARAMETER PADA MODEL REGRESI LINIER MULTILEVEL DENGAN METODE RESTRICTED MAXIMUM LIKELIHOOD (REML) abang Semarang PT Jasa Marga ro) C SKRIPSI Disusun Oleh : ISNI RAKHMI DIANTI J2E 006 018 PROGRAM
Lebih terperinciPEMODELAN REGRESI HECKIT UNTUK KONSUMSI SUSU DI PROVINSI JAWA TENGAH
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 6, Nomor 3, Tahun 2017, Halaman 303-311 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PEMODELAN REGRESI HECKIT UNTUK KONSUMSI SUSU DI PROVINSI JAWA
Lebih terperinciTUGAS AKHIR - ST 1325
TUGAS AKHIR - ST 1325 PERBANDINGAN BACKPROPAGATION NEURAL NETWORK DAN VECTOR AUTOREGRESSIVE INTEGRATED MOVING AVERAGE (VARIMA) UNTUK MERAMALKAN PENJUALAN OBAT DI APOTIK RUMAH SAKIT X PUTRI SUSANTI NRP
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi merupakan salah satu teknik analisis statistika yang paling banyak digunakan. Banyak sekali teknik analisis statistika yang diturunkan atau didasarkan pada
Lebih terperinci(M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT
Univeitas Padjadjaran, 3 November 00 (M.9) PEMODELAN MELEK HURUF DAN RATA-RATA LAMA STUDI DENGAN PENDEKATAN MODEL BINER BIVARIAT Vita Ratnasari, Purhadi, Ismaini, Suhartono Mahasiswa S3 Jurusan Statistika
Lebih terperinciPENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO 2 dan Gross Nation Product di Malaysia, Bhutan, dan Nepal)
PENGUJIAN KESAMAAN BEBERAPA MODEL REGRESI NON LINIER GEOMETRI (Studi Kasus : Data Emisi CO dan Gross Nation Product di Malaysia, Bhutan, dan Nepal) Yanti I 1, Islamiyati A, Raupong 3 Abstrak Regresi geometrik
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara variabel Y(variabel dependen, respon, tak bebas, outcome) dengan
Lebih terperinciPERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA
PERBANDINGAN METODE MKT, LTS, WIN, DAN THEIL PADA PENDUGAAN PARAMETER REGRESI APABILA GALATNYA MENYEBAR EKSPONENSIAL HELGA ARINA PRAMUDITYA STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT
Lebih terperinciESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II
ESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II Asep Solih A 1* Rini Cahyandari 2 Tarkinih 3 123 Program
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 terperinciESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK. Jl. A. Yani Km. 36 Banjarbaru, Kalimantan Selatan
Jurnal Matematika Murni dan Terapan εpsilon Vol. 07, No.01, 201, Hal. 45 52 ESTIMASI PARAMETER UNTUK DISTRIBUSI HALF LOGISTIK Rizqi Elmuna Hidayah 1, Nur Salam 2 dan Dewi Sri Susanti 1,2, Program Studi
Lebih terperinciESTIMASI PARAMETER SISTEM MODEL PERSAMAAN SIMULTAN PADA DATA PANEL DINAMIS DENGAN GMM ARELLANO DAN BOND
ISBN : 9786023610020 ESTIMASI PARAMETER SISTEM MODEL PERSAMAAN SIMULTAN PADA DATA PANEL DINAMIS DENGAN GMM ARELLANO DAN BOND Arya Fendha Ibnu Shina 1, Setiawan 2 Mahasiswa Jurusan Statistika Institut Teknologi
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 terperinciAnalisis Regresi Multilevel dalam Menentukan Variabel Determinan Nilai Ujian Akhir Nasional Siswa
Jurnal Matematika Vol. 6 No. 1, Juni 2016. ISSN: 1693-1394 Analisis Regresi Multilevel dalam Menentukan Variabel Determinan Nilai Ujian Akhir Nasional Siswa Ni Luh Putu Ayu Fitriani Jurusan Matematika,
Lebih terperinciANALISIS REGRESI TERPOTONG BEBERAPA NILAI AMATAN NURHAFNI
ANALISIS REGRESI TERPOTONG DENGAN BEBERAPA NILAI AMATAN NOL NURHAFNI SEKOLAH PASCASARJANAA INSTITUT PERTANIAN BOGOR BOGOR 2008 PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan
Lebih terperinci(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG)
(R.10) ESTIMASI TOTAL POPULASI DENGAN MENGGUNAKAN PENAKSIR GENERALIZED REGRESSION (GREG) 1Agus Muslim, 2 Sutawanir Darwis, 3 Achmad Zanbar Soleh 1Mahasiswa Magister Statistika Terapan, Universitas Padjadjaran,
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 terperinciEstimasi Solusi Model Pertumbuhan Logistik dengan Metode Ensemble Kalman Filter
Jurnal ILMU DASAR, Vol.14, No,2, Juli 2013 : 85-90 85 Estimasi Solusi Model Pertumbuhan Logistik dengan Metode Ensemble Kalman Filter Solution Estimation of Logistic Growth Model with Ensemble Kalman Filter
Lebih terperinciPENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT. Oleh : Priyono
PENDEKATAN BAYESIAN SPASIAL EKONOMETRIKA PADA PEMODELAN MIGASI PENDUDUK DI JAWA BARAT Oleh : Priyono Dosen Pembimbing : Dr. Ir. Setiawan, MS Dr. Sutikno, M.Si PROGRAM MAGISTER JURUSAN STATISTIKA FMIPA
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 terperinciANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI. Abstrak
Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 ANALISIS REGRESI TOBIT PADA FAKTOR-FAKTOR YANG MEMPENGARUHI PENGELUARAN RUMAHTANGGA UNTUK MAKANAN BERPROTEIN TINGGI 1
Lebih terperinciEstimasi Interval Kepercayaan Bootstrap pada Parameter Regresi Komponen Utama
Estimasi Interval Kepercayaan Bootstrap pada Parameter Regresi Komponen Utama Shinta Anisa Putri Y 1, Raupong 2, Sri Astuti Thamrin 3 1 Program Studi Statistika, Jurusan Matematika, Fakultas Matematika
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan suatu metode dalam statistik yang popular, karena banyak digunakan pada penelitian dalam berbagai bidang. Contoh dari penggunaan
Lebih terperinciMETODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK
METODE PREDIKSI TAK-BIAS LINEAR TERBAIK DAN BAYES BERHIRARKI UNTUK PENDUGAAN AREA KECIL BERDASARKAN MODEL STATE SPACE KUSMAN SADIK SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR 2009 PERNYATAAN MENGENAI
Lebih terperinciBAB II TINJAUAN PUSTAKA. level, model regresi tiga level, penduga koefisien korelasi intraclass, pendugaan
6 BAB II TINJAUAN PUSTAKA Pada Bab II akan dibahas konsep-konsep yang menjadi dasar dalam penelitian ini yaitu analisis regresi, analisis regresi multilevel, model regresi dua level, model regresi tiga
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciGENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 02, No. 3 (2013), hal 191 196. GENERALIZED CROSS VALIDATION DALAM REGRESI SMOOTHING SPLINE Andi Sayuti, Dadan Kusnandar, Muhlasah Novitasari Mara
Lebih terperinciBAB I PENDAHULUAN. Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur
BAB I PENDAHULUAN 1.1 Latar Belakang Statistika adalah salah satu cabang ilmu yang mempelajari prosedur-prosedur yang digunakan dalam pengumpulan, penyajian, analisis dan interpretasi data. Statistika
Lebih terperinciANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.
ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.) I Gusti Ngr. Rai Usadha 1), Valeriana Lukitosari 2),
Lebih terperinciBAB III METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML)
BAB III METODE FULL INFORMATION MAXIMUM LIKELIHOOD (FIML) 3.1 Model Persamaan Simultan Model persamaan simultan adalah suatu model yang memiliki lebih dari satu persamaan yang saling terkait. Dalam model
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 terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Banyak jenis data memiliki struktur hirarki, tercluster, atau bersarang (nested). Hirarki tersebut dapat hadir secara alami dalam pengamatan observasional
Lebih terperinciBAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang
BAB I PENDAHULUAN 1.1 Latar Belakang Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang dimaksud di sini adalah peristiwa kegagalan yang dapat berupa tidak berfungsinya benda tersebut
Lebih terperinciPENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL 2014 (Pada Studi Kasus Nilai Ujian Nasional 2014 SMP Negeri 1 Sayung)
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 3, Tahun 2015, Halaman 697-704 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENERAPAN REGRESI LINIER MULTIVARIAT PADA DISTRIBUSI UJIAN NASIONAL
Lebih terperinciANALISIS TRANSFORMASI BOX COX UNTUK MENGATASI HETEROSKEDASTISITAS DALAM MODEL REGRESI LINIER SEDERHANA SKRIPSI DESRI KRISTINA S
ANALISIS TRANSFORMASI BOX COX UNTUK MENGATASI HETEROSKEDASTISITAS DALAM MODEL REGRESI LINIER SEDERHANA SKRIPSI DESRI KRISTINA S 070803055 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinci