MODEL REGRESI LINEAR PARTIAL LEAST SQUARE TERGENERALISASI PARTIAL LEAST SQUARE GENERALISED LINEAR REGRESSION

ANI APRIANI, Prof. Dr. Sri Haryatmi, M.Sc

2012 | Tesis | S2 Matematika

Inti dari model regresi linear adalah mencari nilai-nilai penaksir koefisien variabel penjelas terhadap variabel terikat sehingga memberikan nilai error sekecil mungkin. Ada beberapa metode yang telah dipelajari diantaranya metode klasik yang sangat populer yaitu OLS, maupun metode iteratif seperti WLS, Robust dapat digunakan untuk menentukan penaksir model regresi. Akan tetapi, Ketika terjadi multikolinearitas diantara varibel penjelasnya, dengan menggunakan metodemetode tersebut koefisien regresi menjadi lebih tidak stabil. Oleh karena itu, dalam paper ini, metode regresi bertahap partial least square dibentuk. Metode ini merupakan rangkaian regresi sederhana dan ganda dengan cara membuat variabel penjelas yang baru, yaitu kombinasi linear dari variabel-variabel penjelas asli. Dengan mengambil tes statistik yang berhubungan regres i linear, cara ini dimungkinkan untuk memilih variabel independent yang signifikan untuk digunakan dalam regresi partial least square. Studi kasus multikolineritas pada regresi logistic menunjukan bahwa partial least square memberikan nilai taksiran yang lebih baik.

The core of the linear regression model is to find the values of the coefficient estimator explanatory variables on the dependent variable so as to provide the error value as small as possible. There are many methods that have been studied including the popular classical method called OLS as well as iterative methods such as WLS, robust can be used to determine estimator in the regression model. However, when there is multicollinearity among the explanatory variables, using these methods, the regression coefficient becomes more unstable. Therefore, in this paper the stepwise regression method called Partial least square is proposed. This method is a series of simple and multiple regressions by creating new explanatory variables that is a linear combination of the original explanatory variables. By taking the statistical test related to linear regression, it is possible to choose independent significant variables used in the Partial Least Square regression. The multicollinearity case study on the logistic regression shows that the partial least square provides better estimation.

Kata Kunci : partial least square