Penerapan Metode Resampling Untuk Inferensi Parameter B Pada Regresi Linear Sederhana Dengan Distribusi Bersama Kedua Perubahnya Tidak Dlketahui
Dalam model Regresi Linear Sederhana, kedua peubahnya (X dan Y) mempunyai distribusi bersama. Dalam banyak buku literatur, telah banyak dibahas tentang regresi dengan asumsi bahwa distribusi bersamanya diketahui. Tetapi untuk distribusi bersema yang tidak diketahui, masih sedikit sekali pembahasanny...
Saved in:
Main Author: | |
---|---|
Format: | Monograph NonPeerReviewed |
Language: | Indonesian |
Published: |
LEMBAGA PENELITIAN UNAIR
1997
|
Subjects: | |
Online Access: | https://repository.unair.ac.id/117385/1/KKC%20KK%20519.536%20PEM%201.pdf https://repository.unair.ac.id/117385/ http://lib.unair.ac.id |
Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
Institution: | Universitas Airlangga |
Language: | Indonesian |
Summary: | Dalam model Regresi Linear Sederhana, kedua peubahnya (X dan Y) mempunyai distribusi bersama. Dalam banyak buku literatur, telah banyak dibahas tentang regresi dengan asumsi bahwa distribusi bersamanya diketahui. Tetapi untuk distribusi bersema yang tidak diketahui, masih sedikit sekali pembahasannya.
Masalah dari penelitian ini adalah membuat inferensi parameter model regresl sederhana, bila distribusi bersama kedua peubahnya tidak diketahui. Untuk menyelesaikan masalah tersebut dalam penelitian ini digunakan metode Resampling, yaitu Jackknife dan Bootstrap. Kedua metode ini dapat digunakan untuk mengaproksimasi distribusi sampling dari suatu statistik beserta karakteristikkarakteristiknya. Manfaat dari penelitian ini adalah untuk memberikan salah satu penyelesaian inferensi statistik terutama inferensi parameter 130 dan 131 yang merupakan parameter dari model regresi linier sederhana.
Hasil dari penelitian ini adalah nilai dari bo = -219.4061 dengan tingkat kepercayaan sebesar 93,5%, dan bl = 16.726 726 dengan tingkat kepercayaan lebih dari 99% untuk data Spring, dan bo = 19.76682 dengan tingkat kepercayaan 89%, dan bl = 1.869955 dengan tingkat kepercayaan lebih dari 99% untuk data Cabezon. Penelitian ini bisa dilanjutkan untuk Model Regresi Ganda, yaitu model regresi dengan peubah bebas yang lebih dari satu. |
---|