Pendugaan Parameter Regresi Semiparametrik dengan Pendekatan Kernel
| Main Author: | EmmaLucyaFitrianty |
|---|---|
| Format: | Thesis NonPeerReviewed Book |
| Bahasa: | eng |
| Terbitan: |
, 2008
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/151888/1/050802435.pdf http://repository.ub.ac.id/151888/ |
Daftar Isi:
- Pendugaan parameter dalam analisis regresi memiliki peran penting dalam menentukan hubungan yang sebenarnya antara satu variabel dengan variabel yang lain. Metode pendekatan yang digunakan dalam pendugaan parameter regresi ada dua macam yaitu regresi parametrik dan regresi nonparametrik. Salah satu persoalan yang muncul dalam masalah pendugaan parameter regresi yaitu tidak semua variabel penjelas dapat didekati dengan pendekatan parametrik. Misalkan dalam suatu model persamaan regresi, terdapat beberapa variabel penjelas ( X dan Z ) yang berpengaruh terhadap variabel respon ( Y ). Bentuk hubungan X dengan Y diketahui linier dalam parameter ( X dianggap sebagai komponen parametrik). Sedangkan bentuk hubungan Z dengan Y tidak diketahui ( Z dianggap sebagai komponen nonparametrik). Dalam masalah ini, pendugaan parameter regresi dapat dilakukan dengan menggabungkan pendekatan parametrik dan nonparametrik sehingga menghasilkan model regresi semiparametrik atau disebut Model Linier Parsial ( Partially Linear Model ) (Sheng, 1998). Parameter regresi semiparametrik dapat diduga dengan menggunakan pendekatan Kernel. Metode Kernel mempunyai dua parameter yaitu fungsi Kernel K dan parameter h. Fungsi Kernel K yang digunakan adalah Kernel Gaussian. Sedangkan parameter h dinamakan parameter penghalus atau sering disebut bandwidth . Penelitian ini bertujuan untuk mendapatkan bandwidth optimal dengan metode Shibata dan mengetahui hasil penerapan pendekatan Kernel untuk menduga parameter regresi semiparametrik (Model Linier Parsial). Dalam penelitian ini digunakan 10 data sekunder yang didalamnya terdapat hubungan antarvariabel yang membentuk Model Linier Parsial. Meskipun galat model masih mengandung autokorelasi dan homoskedastisitas, model ini dapat digunakan sebagai metode alternatif penyelesaian masalah regresi yang tidak dapat diselesaikan dengan model regresi parametrik maupun model regresi nonparametrik.