IREVANIE, RAHMADANIE SAPTA (2017) PERBANDINGAN METODE QUANTILE REGRESSION (QR) DAN GEOGRAPHICALLY WEIGHTED REGRESSION (GWR) PADA DATA ANGKA HARAPAN HIDUP DI INDONESIA. Masters thesis, INSTITUT TEKNOLOGI SEPULUH NOPEMBER.
|
Text
1315201701-Master_Theses.pdf - Published Version Download (2MB) | Preview |
Abstract
Analisis regresi linier merupakan salah satu metode statistik untuk mengetahui hubungan antar variabel berdasarkan ukuran pemusatan variabel respon. Seringkali data memiliki sebaran yang heterogen yang salah satunya disebabkan oleh outlier. Jika pada data yang heterogen digunakan model regresi linier maka akan menghasilkan residual yang besar karena berada jauh diatas atau dibawah rata-rata. Pemodelan pada data yang heterogen tidak cukup hanya menggunakan ukuran pemusatan melainkan juga dibutuhkan pemodelan yang mampu menjelaskan data-data yang outlier. Regresi kuantil (QR) merupakan salah satu metode dalam pemodelan data yang dapat menjelaskan variabel respon pada setiap kuantil dan dapat diaplikasikan pada data yang memiliki residual tidak homogen. Residual yang tidak homogen memungkinkan model yang dihasilkan secara global tidak mampu menerangkan keseluruhan data sehingga diperlukan model secara lokal pada setiap wilayah dengan memasukkan unsur spasial. Salah satu metode statistik yang mempertimbangkan unsur lokasi pada data tidak stasioner adalah Geographically Weighted Regression (GWR) yang menggunakan pembobot lokasi dalam menaksir parameter. Dalam penelitian ini akan dilakukan pendekatan yang menganalisa hubungan data spasial nonstasioner dan distribusi dari variabel respon dengan menggunakan QR dan GWR. Estimasi parameter pada QR dilakukan dengan meminimumkan loss function dengan optimasi Simplex. Aplikasi pada Angka Harapan Hidup di Indonesia menggunakan QR menghasilkan parameter yang berbeda untuk setiap kuantil dan GWR menghasilkan parameter untuk setiap lokasi. Perbandingan kedua metode tersebut dengan membandingkan RMSE di tiap kuantil dimana nilai RMSE dari metode GWR lebih kecil dibandingkan metode QR pada semua kuantil. ======================================================================================================= Regression is a statistical method to explain the relationship between response variable and predictor variables based on central measurement of response variable The data often has a heterogeneous distribution, which it caused by outliers. If the heterogenous data are modeled by regression, it will generate large residual. Modeling the heterogenous data is not appropriate enough using measurement of central tendency, but it needed the model that can explain the outliers. Quantile regression (QR) is one method of modeling data that can explain the variable responses in each quintile and can be applied to the data that has a residual that not homogeneous. Heterogenous residual can generate global model that not able to explain all the data so it needed the local model in each region by incorporating elements of spatial. One statistical method that considers the element of location is Geographically Weighted Regression (GWR) for non stationary data and using a weighted location in estimating parameters. In this research will be using approach to analyze the relationship nonstationary spatial data and the distribution of the response variable using QR and GWR. Parameter estimation in QR examined in this study with minimized loss function using linear programming Simplex. Application on life expectancy using QR generate different parameters for each quantile and GWR generate parameters for each location. Comparison of the two methods by comparing the RMSE in each quintile where RMSE of the GWR method is smaller than QR method in each quantile.
| Item Type: | Thesis (Masters) |
|---|---|
| Uncontrolled Keywords: | Geographically Weighted Regression, GWR, Quantile Regression, Angka Harapan Hidup |
| Subjects: | H Social Sciences > HA Statistics Q Science > QA Mathematics > QA278.2 Regression Analysis |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | RAHMADANIE SAPTA IREVANIE |
| Date Deposited: | 23 Jan 2017 04:32 |
| Last Modified: | 05 Mar 2019 06:32 |
| URI: | https://repository.its.ac.id/id/eprint/2352 |
Actions (login required)
 |
View Item |
