Ardyanto, Fendy (2018) Estimasi Interval Parameter Komponen Parametrik dan Spline dalam Model Regresi Semiparametrik Campuran Spline dan Kernel (Aplikasi : Tingkat Pengangguran Terbuka di Indonesia). Masters thesis, Institut Teknologi Sepuluh November.
Preview |
Text
1316201712-Master_Thesis.PDF - Accepted Version Download (4MB) | Preview |
Abstract
Estimasi interval merupakan salah satu bagian penting dari inferensi statistik. Estimasi interval untuk parameter dalam regresi semiparametrik dapat digunakan untuk menentukan variabel prediktor yang berpengaruh secara signifikan terhadap variabel respon. Dalam penelitian ini dikembangkan estimasi interval untuk parameter model dengan menggunakan beberapa variabel prediktor yang mempunyai pola hubungan dengan variabel respon yang berbeda-beda. Pendekatan regresi semiparametrik campuran spline truncated dan kernel digunakan untuk menjelaskan pola hubungan tersebut. Untuk menyelesaikan estimasi interval terpendek parameter model, digunakan pendekatan pivotal quantity. Dari hasil penelitian ini didapatkan rumusan estimasi interval untuk parameter saat varians diketahui maupun saat varians tidak diketahui.
Kajian estimasi interval untuk parameter model regresi semiparametrik campuran spline truncated dan kernel diaplikasikan pada data Tingkat Pengangguran Terbuka di Indonesia pada Tahun 2016. Metode pemilihan titik knot dan bandwidth optimum menggunakan metode Generalized Cross Validation (GCV). Model terbaik yang terbentuk adalah model menggunakan satu titik knot dengan GCV minimum 0,04054 dan koefisien determinasi disesuaikan ( R2 adj) sebesar 92,53 persen. Variabel yang berpengaruh secara signifikan adalah tingkat partisipasi angkatan kerja pada komponen parametrik, persentase penduduk 15 tahun keatas lulus SMA/SMK, kepadatan penduduk dan laju pertumbuhan ekonomi pada komponen spline. Dari hasil penelitian ini diharapkan dapat dijadikan masukan bagi pemerintah untuk mengambil kebijakan dalam rangka menurunkan Tingkat Pengangguran Terbuka secara menyeluruh.
================ Interval estimates are an important part of statistical inference. Interval estimates for parameters in semiparametric regression can be used to determine predictor variables that significantly influence response variables. In this research, interval estimation is developed for model parameters by using several predictor variables that have relationship with response variable in different pattern. A mixture model of spline truncated and kernel in semiparametric regression approach is used to explain the pattern of the relationship. To complete the shortest interval estimate of model parameters, the pivotal quantity approach is used. From the results of this study obtained the formulation of interval estimation for parameters when the variance is known and when the variance is unknown.
Interval estimation studies for semiparametric mixed regression spline and kernel semiparametric regression parameters were applied to the Unemployment Rate data in Indonesia in 2016. The method of selecting knots and optimum bandwidth using Generalized Cross Validation (GCV) method. The best model is model using one point knot with minimum GCV 0,04054 and coefficient of determination adjusted (R2 adj) equal to 92,53 percent. Significant variables that influence significantly are labor force participation rate on parametric component, the percentage of population 15 years and above graduated from SMA / SMK, population density and economic growth rate on spline component.. From the results of this study is expected to be an input for the Government to take policy in order to reduce the Unemployment Rate Open as a whole.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTST 519.536 Ard e |
| Uncontrolled Keywords: | analisis regresi; tingkat pengangguran terbuka; pivotal quantity; estimasi interval; semiparametrik; spline truncated; kernel; regression analysis; open unemployment rate; pivotal quantity; interval estimate; semiparametric regression; spline truncated |
| Subjects: | H Social Sciences > HA Statistics Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA353.K47 Kernel functions (analysis) |
| Divisions: | Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | FENDY ARDYANTO |
| Date Deposited: | 18 Apr 2018 07:57 |
| Last Modified: | 16 Sep 2020 08:14 |
| URI: | http://repository.its.ac.id/id/eprint/50888 |
Actions (login required)
 |
View Item |