METODE LEAST TRIMMED SQUARE (LTS) DAN MM ESTIMATION UNTUK MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER
Teks penuh
Gambar
Dokumen terkait
Perumusan masalah yang akan diteliti dalam tulisan ini adalah bagaimana perbandingan dua regresi robust yakni metode penduga least trimmed squares (LTS) dan penduga-S
Hasil penelitian yang diperoleh yaitu penaksir LTS merupakan metode paling baik karena mampu mengatasi pencilan dan diperoleh bahwa least trimmed squares memiliki nilai R 2
PERBANBINGAN ANTARA ESTIMASI M TYPE WELSCH DENGAN LEAST TRIMMED SQUARE DALAM REGRESI ROBUST UNTUK MENGATASI ADANYA DATA
Ada berbagai macam metode yang dapat digunakan untuk mendeteksi adanya data pencilan yang berpengaruh dalam koefisien regresi diantaranya adalah metode grafis, boxplot,
Sehingga dapat disimpulkan bahwa metode regresi robust Least Median Square (LMS) tidak cukup efektif untuk digunakan sebagai alternatif dalam mencari model regresi pada
Hasil penelitian yang diperoleh yaitu penaksir LTS merupakan metode paling baik karena mampu mengatasi pencilan dan diperoleh bahwa Least Trimmed Squares memiliki nilai
Berdasarkan keseluruhan nilai bias pada Tabel 1 dapat disimpulkan bahwa penduga OLS merupakan penduga terbaik ketika persentase outlier sebesar 0% karena memiliki nilai
Kata kunci: Pencilan, Metode Kuadrat Terkecil, Regresi Robust , Least Trimmed Squares , Penduga-S.. THE COMPARISON OF ROBUST REGRESSION LEAST TRIMMED SQUARES AND
