Perbandingan Akurasi Penduga Generalized Least Square Menggunakan Penduga Koefisien Autokorelasi Cochrane-Orcutt Iterative Dan Prais Winsten Pada Kasus Autokorelasi
| Main Author: | Habibah, Askin Nur |
|---|---|
| Format: | Thesis NonPeerReviewed |
| Terbitan: |
, 2017
|
| Subjects: | |
| Online Access: |
http://repository.ub.ac.id/4115/ |
Daftar Isi:
- Abstrak. Analisis regresi merupakan metode yang digunakan untuk menganalisis hubungan antara peubah respon dan peubah prediktor. Salah satu asumsi yang harus terpenuhi dalam melakukan pendugaan parameter adalah non-autokorelasi. Pada praktiknya, sering terjadi kasus pelanggaran pada asumsi tersebut. Terdapatnya autokorelasi pada suatu data akan mengakibatkan terjadinya underestimation pada standard error penduga parameter jika dilakukan pendugaan menggunakan Ordinary Least Square (OLS). Generalized Least Square (GLS) merupakan OLS menggunakan penduga koefisien autokorelasi pada peubah hasil sehingga dihasilkan penduga yang bersifat Best Linear Unbiased (BLU). Metode yang digunakan untuk menduga nilai koefisien autokorelasi adalah Cochrane-Orcutt Iterative dan Prais Winsten. Penelitian ini bertujuan untuk menentukan penduga koefisien autokorelasi antara kedua metode yang lebih akurat dalam mengatasi kasus autokorelasi dengan tingkat autokorelasi sedang dan tinggi berdasarkan standard error yang lebih kecil. Data yang digunakan adalah data deret waktu yang dibangkitkan dengan skenario terdapat autokorelasi sedang dan tinggi. Kasus yang dijadikan referensi untuk membangkitkan peubah respon adalah Indeks Harga Saham Gabungan (IHSG) sebagai fungsi dari inflasi. Berdasarkan hasil penelitian, penduga metode GLS Prais Winsten lebih akurat dalam mengoreksi standard error ketika terjadi kasus autokorelasi dengan tingkat sedang maupun tinggi daripada metode Cochrane-Orcutt Iterative.