PERBANDINGAN METODE KUADRAT TERKECIL DAN METODE BAYES DALAM MENGESTIMASI PARAMETER MODEL REGRESI LINIER DENGAN GALAT HETEROSKEDASTISITAS

Ryan, Handani (2017) PERBANDINGAN METODE KUADRAT TERKECIL DAN METODE BAYES DALAM MENGESTIMASI PARAMETER MODEL REGRESI LINIER DENGAN GALAT HETEROSKEDASTISITAS. Diploma thesis, Universitas Andalas.

[img]
Preview
Text (cover dan abstrak)
C.pdf - Published Version

Download (106kB) | Preview
[img]
Preview
Text (BAB I)
BAB 1.pdf - Published Version

Download (128kB) | Preview
[img]
Preview
Text (BAB V)
BAB V.pdf - Published Version

Download (216kB) | Preview
[img]
Preview
Text (Daftar Pustaka)
Daftar Pustaka.pdf - Published Version

Download (14kB) | Preview
[img] Text (Skripsi Full Text)
karyailmiah utuh.pdf - Published Version
Restricted to Registered users only

Download (1MB)

Abstract

ABSTRAK Analisis regresi merupakan salah satu metode dalam statistik yang digunakan untuk melihat hubungan antara variabel bebas dengan variabel tak bebas, pada model regresi linier sederhana melibatkan satu variabel tak bebas dan satu variabel bebas, Metode yang biasa digunakan untuk menduga model tersebut adalah Metode Kuadrat Terkecil (MKT), dimana dalam MKT terdapat asumsi-asumsi yang harus dipenuhi diantaranya adalah error berdistribusi normal, independent dan ragam konstan (homokedatisitas). Jika salah satu asumsi dilanggar seperti ragam error-nya tidak konstan (heteroskedastisitas) yang mengakibatkan penduaan dengan MKT tidak efisien. Oleh sebab itu perlu penduga parameter yang lain yaitu Metode Bayes, dimana diperoleh hasil bias yang lebih kecil dibandingkan dengan MKT. Kata kunci : model regresi linear sederhana, Heteroskedastisitas, metode kuadrat terkecil, dan metode Bayes.

Item Type: Thesis (Diploma)
Subjects: Q Science > QA Mathematics
Divisions: Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika
Depositing User: s1 matematika matematika
Date Deposited: 08 Feb 2017 06:05
Last Modified: 08 Feb 2017 06:05
URI: http://scholar.unand.ac.id/id/eprint/22811

Actions (login required)

View Item View Item