Ramli, Mustain (2020) Estimasi Kurva Regresi Nonparametrik Spline Truncated untuk Data Longitudinal (Aplikasi pada Data Return On Assets di Bursa Efek Indonesia Tahun 2012-2018). Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211850010017-Master_Thesis.pdf Download (5MB) | Preview |
Abstract
Regresi nonparametrik merupakan metode pendugaan model yang berdasarkan pendekatan yang tidak terikat asumsi bentuk kurva regresi tertentu. Salah satu estimasi kurva regresi nonparametrik yang paling sering digunakan adalah pendekatan spline. Spline merupakan salah satu pendekatan nonparametrik yang sering digunakan dan memiliki kemampuan yang sangat baik menangani karakter data yang bersifat smooth serta data yang perilakunya berubah-ubah pada sub-sub interval tertentu. Secara teoritis pendekatan spline tidak hanya mampu mengestimasi kurva regresi nonparametrik untuk data cross section, tetapi dapat juga dikembangkan untuk data longitudinal. Data longitudinal merupakan kombinasi data cross section dan data time series dimana pada data longitudinal antar subyek saling independen, akan tetapi antar pengamatan saling dependen. Penelitian ini bertujuan untuk mengestimasi kurva regresi nonparametrik spline truncated untuk data longitudinal dengan menggunakan metode WLS dan mengestimasi matriks varians-kovarians dengan menggunakan metode MLE. Setelah diperoleh hasil estimasi kurva dan estimasi matriks varians-kovarians maka selanjutnya diaplikasikan pada data Return On Assets (ROA) di Bursa Efek Indonesia (BEI) tahun 2012-2018 dengan subyek bank sebanyak 30. Berdasarkah hasil kajian yang telah dilakukan diperoleh model terbaik untuk Return On Assets (ROA) dengan menggunakan regresi nonparametrik spline truncated untuk data longitudinal orde satu dengan satu titik knot dan matriks pembobot yang digunakan merupakan matriks varians-kovarians error yang di estimasi memiliki nilai GCV sebesar 15.12, koefisien determinasi R-square yang dihasilkan sebesar 85.56% dengan nilai MSE sebesar 0.739.
=================================================================================================================================
Nonparametric regression is a model estimation method which was based on an approach that is not restricted by certain assumptions of the regression curve shape. One of the most commonly used nonparametric regression curve estimates is the spline approach. Spline is one of the nonparametric approaches that is often used and has a very good ability to handle data characters that are smooth as well as data whose behavior changes at certain sub-intervals. Theoretically, the spline approach is not only able to estimate nonparametric regression curves for cross section data, but can also be developed for longitudinal data. Longitudinal data is a combination of cross sectional data and time series data where the longitudinal data between subjects are mutually independent, but between observations are dependent. This study aims to find estimations curve of nonparametric regression spline truncated for longitudinal data using WLS method and to find the variance-covariance matrix estimation using MLE method. After obtaining the estimated curve and the variance-covariance matrix, then applied next to the Return On Assets (ROA) data on the Indonesia Stock Exchange during 2012-2018 with 30 bank subjects. Based on the results of the study, the best model for Return On Assets (ROA) obtained using nonparametric regression spline truncated for longitudinal data one sequence with one knot point and weighting matrix used is the estimated variance-covariance matrix of errors with GCV value of 15.12, coefficient of determination R-square generated of 85.56% with MSE value of 0.739.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.536 Ram e-1 2020 |
| Uncontrolled Keywords: | Regresi Nonparametrik, Spline Truncated, Matriks Varians-Kovarians, Data Longitudinal, Return On Assets (ROA) |
| Subjects: | H Social Sciences > HA Statistics > HA31.7 Estimation Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Mustain Ramli |
| Date Deposited: | 15 Oct 2024 01:18 |
| Last Modified: | 15 Oct 2024 01:18 |
| URI: | http://repository.its.ac.id/id/eprint/74579 |
Actions (login required)
 |
View Item |