METODE ORDINARY LEAST SQUARES DAN LEAST TRIMMED SQUARES DALAM MENGESTIMASI PARAMETER REGRESI KETIKA TERDAPAT OUTLIER

Intan Fitri Maharani, Neva Satyahadewi, Dadan Kusnandar

Abstract


Metode Ordinary Least Squares (OLS) merupakan metode yang sering digunakan untuk mengestimasi parameter model regresi. Namun keberadaan outlier dalam data dapat menyebabkan hasil estimasi parameter regresi yang diperoleh oleh metode OLS menjadi tidak efisien. Metode Least Trimmed Squares (LTS) merupakan metode yang dapat digunakan ketika data terkontaminasi outlier. Pada penelitian ini tingkat efisiensi metode OLS dan LTS dibandingkan dalam mengestimasi parameter regresi ketika terdapat oulier dalam data. Penelitian ini menggunakan 20 kondisi data yang berbeda dalam ukuran sampel dan persentase outlier. Tingkat efisiensi dari kedua metode dibandingkan berdasarkan nilai bias dan Mean Square Error (MSE) dari nilai estimasi yang dihasilkan. Penelitian ini menunjukkan bahwa metode LTS menghasilkan nilai bias dan MSE lebih kecil dibandingkan metode OLS. Sehingga metode LTS lebih efisien dalam mengestimasi parameter regresi dibandingkan metode OLS ketika terdapat outlier dalam data.

 

Kata Kunci: Simulasi, MSE, Bias, Regresi Robust.


Full Text:

PDF

Refbacks

  • There are currently no refbacks.