• Tidak ada hasil yang ditemukan

Model Estimasi Regresi Nonparametrik Dengan Metode Kernel

N/A
N/A
Protected

Academic year: 2017

Membagikan "Model Estimasi Regresi Nonparametrik Dengan Metode Kernel"

Copied!
1
0
0

Teks penuh

(1)

DAFTAR PUSTAKA

Cleveland, W. S. 1979. Robust locally weighted regression and smoothing scatter-plots. J. Amer. Statist. Assoc., 74, 829-836.

Eubank, R.L., (1999), Nonparametric Regression and Spline Smoothing, Marcel Dekker, New York.

Fan, J. dan Gijbels, I. 1996.Local Polynomial Modelling and Its Applications. Chap-man and Hall. London.

Fox, J. 2002.Nonparametric Simple Regression: Smoothing Scatterplots. Thousand Oaks CA: Sage.

Gasser, T., Sroka, L. dan Jennen-Steinmetz, C. 1986. Residual variance and residual pattern in nonlinear regression. Biometrika, 73. 625-633.

Halim, S. dan Bisono, I. 2006. Fungsi-Fungsi Kernel Pada Metode Regresi Nonpara-metrik dan Aplikasinya Pada Priest River Experimental Forests Data. Jurnal Teknik Industri, Vol. 8 No.1. 73-81.

Hardle, W. 1994. Applied Nonparametric Regression, Newyork: Cambridge Univer-sity Press.

Isogai, E. 1987. The convergence rate of fixed-width sequential confidence interval for a probability density function.Sequential Analysis. 6. 55-69.

Nadaraya, E. A. 1964 On estimating regression.Theory and Probab. Appl. 141-142. doi: 10.1137/1109020 C701, C702.

Nason, G. P. dan Silverman. B . W. 1994. The Discrete Wavelet Transform in S. Journal of Computational and Graphical Statistics3:163191.

Nason, G. P. dan Silverman. B . W. 2000. Wavelets for Regression and Other Statis-tical Problems.In Smoothing and Regression: Approaches, Computation, and Application, ed. M. G. Schimek. New York: Wiley

Wand, M., dan Jones, M.M.C. 1995. Kernel Smoothing, Chapman & Hall, London.

Watson, G. S. 1964. Smooth regression analysis. Sankhya Series A. 359-372. C701,C702 of Int. Congress of Mathematicians, pp. 1311-1319 171-183.

27

Referensi

Dokumen terkait

Dalam regresi kernel, apa yang harus dilakukan adalah untuk meletakkan sebuah kernel. (semacam fungsi benjolan) untuk setiap titik

Selain itu kurva regresi untuk estimator kernel lebih mulus dibandingkan dengan estimator spline , karena pada estimator kernel estimasi dilakukan pada setiap

Berdasarkan hasil pembahasan hubungan non-linear antara dua variabel seper- ti pada contoh kasus untuk data Sepeda Motor dimana variabel Waktu (X) yang dibutuhan dengan

Pendekatan regresi nonparametrik dengan estimator kernel menggunakan fungsi kernel Uniform, triangle, epanechnikov, quartic, triweight, gauss, dan cosinus pada data

Selain itu kurva regresi untuk estimator kernel lebih mulus dibandingkan dengan estimator spline, karena pada estimator kernel estimasi dilakukan pada setiap titik

Penggunaanfungsi kernel yang berbeda yaitu fungsi kernel Triangle dan kernel Gaussian dengan bandwidth optimal menghasilkan estimasi kurva regresi yang hampir sama,

Oleh karena itu, pola sebaran data deret waktu IHSG dalam penelitian ini yang tidak diketahui sebarannya akan dianalisis menggunakan pendekatan regresi nonparametrik dengan fungsi

Dokumen ini membahas model regresi nonparametrik berdasarkan estimator polinomial lokal kernel untuk menganalisis pertumbuhan balita, dengan fokus pada penentuan bandwidth