• Tidak ada hasil yang ditemukan

S MAT 1000057 Chapter5

N/A
N/A
Protected

Academic year: 2017

Membagikan "S MAT 1000057 Chapter5"

Copied!
2
0
0

Teks penuh

(1)

62

Nurul Hanifah, 2016

PENERAPAN METODE WEIGTHED LEAST SQUARE UNTUK MENGATASI HETEROSKEDASTISITAS

PADA ANALISIS REGRESI LINEAR

Universitas Pendidikan Indonesia | repository.upi.edu| perpustakaan.upi.edu

BAB V

PENUTUP

5.1 Kesimpulan

Berdasarkan hasil pembahasan pada bab sebelumnya dapat disimpulkan

sebagai berikut:

1. Langkah-langkah penerapan metode WLS untuk mengatasi

heteroskedastisitas pada analisis regresi linear sebagai berikut:

 Pada heteroskedastisitas � ~ � 0, � dengan W matriks diagonal n x n definit positif dan nonsingular sehingga W dapat difaktorisasi

= � Λ �′

C eigen vektor da W dan Λ matriks diagonal dengan unsur diagonal eigen

value dari W.

 Didefinisikan T = � Λ / sehingga W= T�′

 Misal �′ = � Λ− / sehingga W= P�′

 Ubah Y = X  +  menjadi PY = P X  + P  atau Z= V +f

 Misal V=W-1 Maka V matriks diagonal dengan elemen diagonalnya w1, …

,wn sehingga nilai � = ′ − ′ dan Var (b)= � ′ − .

2. Penerapan metode WLS dalam hubungan anak yang bekerja dan tidak/belum

sekolah dengan anak terlantar dilakukan dengan program eviews sebagai

berikut:

 Model regresi pada anak terlantar dengan model OLS pada program eviews

Y = 24531.80 + 1.953404 +3.680349

 Lakukan pengecekkan dengan uji white diperoleh nilai nR2= 26,43163 >

2 02 ,05 = 5,99148 dan prob. Chi square 0,000 0,05 sehingga terdapat

(2)

63

Nurul Hanifah, 2016

PENERAPAN METODE WEIGTHED LEAST SQUARE UNTUK MENGATASI HETEROSKEDASTISITAS

PADA ANALISIS REGRESI LINEAR

Universitas Pendidikan Indonesia | repository.upi.edu| perpustakaan.upi.edu

 Pembobot pada model yaitu variabel tidak sekolah, diperoleh WLS nilai R squared yaitu 0,932302 dan standard error yaitu 15867,7

 Setelah dilakukan pembobotan, dilakukan pengecekan ulang dengan uji white dengan nR2= 7,795718 <

0,05

2 = 7,81472 dan prob. Chi square

0,0504 0,05 maka tidak terdapat heteroskedastisitas.

 Sehingga model yang dapat digunakan sebagai peramalan yaitu: Y = 7880.635 + 3.095680 + 4.376621

Dengan:

Y = Anak Terlantar

= Anak Bekerja

= Anak Tidak Sekolah

5.2 Saran

1. Faktor- faktor anak terlantar bukan hanya anak yang bekerja dan tidak

sekolah mengakibatkan anak terlantar. Pada penelitian selanjutnya

untuk mengetahui seberapa besar anak terlantar dapat menggunakan

faktor lain yang mengakibatkan anak menjadi kategori anak terlantar.

2. Pada penelitian selanjutnya dapat membandingkan metode-metode

untuk mentransformasi heteroskedastisitas, sehingga dapat

Referensi

Dokumen terkait

Motivasi siswa untuk belajar mata pelajaran Teknik Kerja Bengkel masuk pada kategori sedang, maka dalam proses pembelajaran, motivasi siswa menjadi faktor yang

PENERAPAN METODE MULTIVARIATE ADAPTIVE REGRESSION SPLINE (MARS) UNTUK MENENTUKAN FAKTOR YANG MEMPENGARUHI MASA STUDI MAHASISWA FPMIPA UPI.. Universitas Pendidikan Indonesia |

belajarnya berada pada kategori tinggi, 9 anak yang memiliki motivasi.. belajarnya pada kategori sedang, dan 2 orang anak yang

Yang mempengaruhi keputusan nasabah menggunakan ATM dengan metode CHAID menggunakan taraf nyata 0,05 atau 5% yaitu Transaksi melalui ATM BNI memiliki keamanan yang tinggi,

Akhirnya algoritma ADR akan mendistribusikan arus lalu lintas menuju beberapa rute optimal sehingga waktu perjalanan menjadi minimum sebagai upaya untuk mengurangi

Penelitian ini bertujuan untuk mengetahui seberapa besar minat mahasiswa Prodi Pendidikan Kepelatihan Olahraga (PKO) angkatan 2013 dan faktor-faktor yang

Penelitian selanjutnya dapat dilakukan dengan jumlah subjek yang lebih besar, dengan ruang lingkup yang lebih luas, agar terlihat seberapa besar pengaruh. brand image dalam

Penelitian ini bertujuan untuk mengetahui seberapa besar hasil belajar siswa yang menggunakan teknis pohon faktor, untuk mengetahui seberapa besar hasil belajar siswa yang