ESTIMATOR KERNEL GAUSSIAN, KERNEL EPANECHNIKOV DAN KERNEL KUARTIK DALAM MODEL REGRESI SEMIPARAMETRIK

Sriyanti Mustika Ningrum, NIM.: 16610009 (2020) ESTIMATOR KERNEL GAUSSIAN, KERNEL EPANECHNIKOV DAN KERNEL KUARTIK DALAM MODEL REGRESI SEMIPARAMETRIK. Skripsi thesis, UIN SUNAN KALIJAGA YOGYAKARTA.

Preview	Text (ESTIMATOR KERNEL GAUSSIAN, KERNEL EPANECHNIKOV DAN KERNEL KUARTIK DALAM MODEL REGRESI SEMIPARAMETRIK) 16610009_BAB-I_IV-atau-V_DAFTAR-PUSTAKA.pdf Download (2MB) | Preview
	Text (ESTIMATOR KERNEL GAUSSIAN, KERNEL EPANECHNIKOV DAN KERNEL KUARTIK DALAM MODEL REGRESI SEMIPARAMETRIK) 16610009_BAB-II_sampai_SEBELUM-BAB-TERAKHIR.pdf Restricted to Registered users only Download (7MB)

Abstract

Analisis regresi merupakan salah satu metode dalam statistika untuk mengetahui hubungan antara variabel independen dengan variabel dependen. Pada analisis regresi terdapat tiga macam pendekatan, yaitu parametrik, nonparametrik, dan semiparametrik. Pendekatan parametrik merupakan pendekatan dengan variabel data yang diketahui bentuk polanya. Pendekatan nonparametrik merupakan pendekatan dengan variabel data dengan kurva smooth yang tidak diketahui polanya, sehingga data tersebut akan mencari bentuk polanya sendiri. Sedangkan pendekatan semiparametrik merupakan gabungan dari pendekatan parametrik dan pendekatan nonparametrik. Estimasi kurva sangat bergantung pada perilaku data, sehingga diperlukan teknik smoothing. Salah satu teknik smoothing yang dapat digunakan dalam penelitian adalah kernel. Pada penelitian ini, penulis membahas salah satu estimator kernel yaitu estimator Priestley-Chao yang akan mengestimasi tiga fungsi kernel yaitu fungsi kernel gaussian, fungsi kernel epanechnikov dan fungsi kernel kuartik. Selanjutnya ketiga fungsi kernel yang diestimasi tersebut digunakan untuk menganalisis data simulasi yang dibangkitkan dari software R dengan   1 x ~ N 0,4 ,   2 x ~ U 1,1 dengan  ~ N 0,1 . Hasil analisis yang diperoleh menunjukkan bahwa nilai MSE untuk fungsi kernel gaussian sebesar 179,1222 untuk fungsi kernel epanechnikov sebesar 74,5913 dan fungsi kernel kuartik sebesar 76,6575 Pada simulasi ini dapat disimpulkan bahwa pada data simulasi yang dianalisis penulis menunjukan bahwa estimasi regresi kernel epanechnikov lebih baik daripada estimasi regresi kernel gaussian dan estimasi regresi kernel kuartik.

Share this knowledge with your friends :

Actions (login required)

View Item