IMPLEMENTASI METODE GENERALIZED TWO STAGE RIDGE REGRESSION UNTUK MENGATASI PERMASALAHAN AUTOKORELASI DAN MULTIKOLINEARITAS

AGUS PURWADI, Prof. Subanar, Ph.D.

2018 | Skripsi | S1 STATISTIKA

Analisis regresi merupakan analisis statistika yang dilakukan untuk memodelkan hubungan antara variabel dependen dan variabel independen. Dalam analisis regresi klasik yang menggunakan metode kuadrat terkecil terdapat beberapa asumsi klasik yang harus terpenuhi, diantaranya adalah tidak adanya autokorelasi dan multikolinearitas. Jika asumsi tersebut tidak terpenuhi, estimasi parameter dengan menggunakan metode kuadrat terkecil menjadi kurang valid serta akan memiliki variansi dan galat yang besar. Terdapat berbagai macam metode untuk menangani pelanggaran asumsi klasik pada analisis regresi. Metode kuadrat terkecil dua tahap digunakan untuk mengatasi autokorelasi dengan transformasi data oleh koefisien autokorelasi ( ), dan regresi ridge digunakan untuk mengatasi multikolinearitas dengan menambahkan tetapan bias ke dalam matriks korelasi . Dalam skripsi ini akan dibahas mengenai penduga parameter baru untuk model linear ganda yang mengalami permasalahan autkorelasi (AR(1)) dan multikolinearitas yaitu metode Generalized Two Stage Ridge Regression. Metode ini merupakan penggabungan antara metode kuadrat terkecil dua tahap dan metode Generalized Ridge Regression, yang memiliki kelebihan yaitu akan diperoleh tetapan bias yang meminimalkan Mean Square Error dari penduga parameter dalam menangani permasalahan autokorelasi dan multikolinearitas.

Regression analysis is a statistical analysis that used to perform model relationship between dependent variable and independent variable. There are some classical assumptions should be met in classical regression analysis using Least Squares Method, two of them is no autocorrelation and no multicollinearity. If the assumption is not met, parameter estimation using Least Squares method become less valid and the variance and error will be large. There are a lot of variety method for solving violation of classical assumption in regression analysis. The Two Stage Least Squares method is used to deal with autocorrelation by transform the data by coefficient of autocorrelation ( ) and the Ridge Regression method is used to deal with multicollinearity by adding a biased constant to the correlation matrix . In this paper we will discuss about new estimator for the multiple linear model which suffers from both problem autocorrelation (AR(1)) and multicollinearity, it is Generalized Two Stage Ridge Regression method. This method is a mixed method between Two Stage Least Squares method and Generalized Ridge Regression method, which has advantage that the resulting biased constant is minimize the Mean Square Error of estimator for solving autocorrelation and multicollinearity problem.

Kata Kunci : Autokorelasi, Multikolinearitas, Metode Kuadrat Terkecil Dua Tahap, Generalized Ridge Regression, Generalized Two Stage Ridge Regression