MODEL REGRESI TERSENSOR

CHRISTINA, . (2011) MODEL REGRESI TERSENSOR. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

Text cbnj riwayat.pdf Download (325kB)

Abstract

Zero consumption adalah masalah yang sering terjadi pada data survey konsumsi/pengeluaran rumah tangga, dimana sebagian rumah tang�ga tidak mengkonsumsi jenis komoditas tertentu, sedangkan rumah tangga yang lain mengkonsumsi dalam jumlah yang sangat bervariasi. Model regresi klasik dengan metode kuadrat terkecil (Ordinary Least Square) akan cukup baik didekati apabila asumsi kenormalan, kebebasan dan kehomogenan ragam terpenuhi. Namun, semakin banyak pengamatan bernilai nol pada data yang diperoleh akan menyebabkan heteroskedastisitas. Penggunaan metode OLS akan menghasilkan penduga yang bias dan tidak konsisten karena asumsi yang mendasari tidak dipenuhi. Model regresi tersensor adalah model regresi alter�natif yang dapat digunakan dalam masalah zero consumption. Pada skripsi ini dibahas model regresi tersensor untuk mengatasi masalah zero consumption, dimana dihasilkan MSE yang lebih kecil daripada MSE model regresi biasa, serta dihasilkan penduga parameter yang lebih tepat dibandingkan model re�gresi biasa. Zero consumption is an issue that often occurs in data survey on consumption or household expenditures. It happens in which most household do not consume certain commodities, while the consumption of other household varies. The classical regression model by the method of Ordinary Least Square (OLS) will be good to be used if the assumption of homogeneity of freedom and variety are met. However, the more zero number found in observations, it will lead to heteroscedasticity. The using of OLS method will produce biased and inconsistent estimator because the underlying assumptions are not met. Censored regression model is an alternative regression model that can be used in zero consumption issue. Furthermore, this thesis analyzes the censored re�gression model to solve the zero consumption issue. It produces smaller mean square error (MSE) than MSE that is generated from an ordinary regression model. In addition, it results a more precise parameter than what an ordinary regression model generates.

Item Type:	Thesis (Sarjana)
Additional Information:	1) Prof. Dr. Suyono, M.Si 2) Ir. Fariani Her�min I, M.T
Subjects:	Sains > Matematika
Divisions:	FMIPA > S1 Matematika
Depositing User:	sawung yudo
Date Deposited:	28 Jun 2022 04:16
Last Modified:	28 Jun 2022 04:16
URI:	http://repository.unj.ac.id/id/eprint/30829

Actions (login required)

View Item