Kombinasi Regresi Tak Bias Ridge dengan Regresi Komponen Utama untuk Mengatasi Masalah Multikolinieritas
STATISTIKA: Journal of Theoretical Statistics and Its Applications · 2017
DOI: 10.29313/jstat.v17i1.2713 ↗Kurz gefasst
Fachartikel in der Zeitschrift STATISTIKA: Journal of Theoretical Statistics and Its Applications, 2017. Verfasst von Fitriana Novitasari und 2 weiteren Autor:innen.
Abstract (Originalsprache)
Metode kuadrat terkecil (MKT) merupakan salah satu metode penaksir parameter regresi. Dalam metode MKT terdapat salah satu asumsi yang harus dipenuhi yaitu tidak adanya multikolinieritas. Multikolinieritas merupakan hubungan linier antara sesama variabel bebas () yang akan berakibat pada ragam penduga koefisisen regresi menjadi besar sehingga menyebabkan selang kepercayaan untuk parameter regresi cenderung akan lebih lebar. Salah satu metode yang dapat digunakan untuk mengatasi multikolinieritas adalah regresi MCRR, dimana metode MCRR ini merupakan kombinasi antara regresi tak bias ridge (URR) dan regresi komponen utama. Makalah ini akan membahas penanganan multikolinieritas dengan menggunakan MCRR, sebagai bahan aplikasi akan digunakan data tingkat produksi Crude Palm Oil (CPO).
Zitieren
APA
Novitasari, F., Suliadi, S., & A., A. I. (2017). Kombinasi Regresi Tak Bias Ridge dengan Regresi Komponen Utama untuk Mengatasi Masalah Multikolinieritas. STATISTIKA: Journal of Theoretical Statistics and Its Applications. https://doi.org/10.29313/jstat.v17i1.2713
Vancouver
Novitasari F, Suliadi S, A. AI. Kombinasi Regresi Tak Bias Ridge dengan Regresi Komponen Utama untuk Mengatasi Masalah Multikolinieritas. STATISTIKA: Journal of Theoretical Statistics and Its Applications. 2017. doi:10.29313/jstat.v17i1.2713
BibTeX
@article{Novitasari2017,
author = {Novitasari, Fitriana and Suliadi, Suliadi and A., Anneke Iswani},
title = {Kombinasi Regresi Tak Bias Ridge dengan Regresi Komponen Utama untuk Mengatasi Masalah Multikolinieritas},
journal = {STATISTIKA: Journal of Theoretical Statistics and Its Applications},
year = {2017},
doi = {10.29313/jstat.v17i1.2713}
}
EUVIMED