ESTIMASI PARAMETER REGRESI ROBUST MODEL SEEMINGLY UNRELATED REGRSSION (SUR) DENGAN METODE GENERALIZED LEAST SQUARE (GLS)

  • Dimas Arif Yulianto Universitas Negeri Semarang
  • Sugiman Sugiman Universitas Negeri Semarang
  • Arief Agoestanto Universitas Negeri Semarang
Keywords: Pencilan (Outlier) Regresi Robust LTS Seemingly Unrelated Regression (SUR) Generalized Least Square (GLS)

Abstract

Penelitian ini bertujuan untuk: (1) memperoleh hasil estimasi parameter pada data yang mengandung pencilan dengan menggunakan estimasi parameter regresi robust metode Least Trimmed Square (LTS); (2) memperoleh sistem persamaan regresi robust pada model Seemingly Unrelated Regression (SUR) dengan metode Generalized Least Square (GLS). Pada penelitian ini menggunakan data nilai inflasi umum di Kota Salatiga, Kota Pekalongan, Kabupaten Rembang, dan Kabupaten Demak. Estimasi parameter regresi pada data yang menggandung pencilan lebih baik menggunakan metode regresi robust daripada menggunakan metode OLS karena menghasilkan nilai R-Square yang lebih besar. Estimasi regresi robust padamodel Seemingly Unrelated Regression (SUR) metode Generlaized Least Square (GLS) lebih baik digunakan untuk mengestimasi pada data panel yang semua datanya mengandung pencilan karena menghasilkan nilai residual yang kecil.

References

Arina, F. 2017. Regresi Robust Untuk Mengatasi Data Pencilan. Journal Industrial Servicess, 3(1): 182-184.
Chen, C. 2002. Robust Regression and Outlier Detection with the Robustreg Procedure. SUGI paper 265-267. SAS Institute: Cary.NC.
Dewi E. T. K, Agoestanto A., & Sunarmi S. 2016. Metode Least Trimmed Square (LTS) dan MM-Estimation Untuk Mengestimasi Prameter Regresi Ketika Terdapat Outlier. Unnes Journal of Mathematics, 5(1): 47-54.
Dwiningsih, E. &Wutsqa, D. U. 2012. Model Seemingly Unrelated Regression (SUR). JurnalMatematika, 2(2): 1 – 10.
Greene, W. H. 2003. Econometric Analysis (5thed). Upper Saddle, NJ: Prentice-Hall Companies.
Gujarati, D. N. 2004. Basic Econometrics (4thed). New York: The McGraw-Hill Companies.
Herawati, N., Nisa K., & Setiawan E. 2011. Analisis Ketegaran Regresi Robust Tehadap Letak Pencilan: Studi Perbandingan. Bulletin of Mathematics, 3(1): 49-60.
https://demakkab.bps.go.id/subject/3/inflasi.html#subjekViewTab3 [diakses pada 16-05-2017].
https://pekalongankota.bps.go.id/subject/3/inflasi.html#subjekViewTab3 [dikases pada 16-05-2017].
https://rembangkab.bps.go.id/subject/3/inflasi.html#subjekViewTab3 [diakses pada 16-05-2017].
https://salatigakota.bps.go.id/subject/3/inflasi.html#subjekViewTab3[diakses pada 16-05-2017].
Iswati H.,Syahni R., & Maiyastri M. 2014. Perbandingan Penduga Ordinary Least Squares (OLS) dan Generalized Least Squares (GLS) Pada Model Regresi Linier dengan Regresor Bersifat Stokastik dan Galat Model Berautokorelasi. Jurnal Matematika UNAND, 3(4): 168-176.
Maharani, I.F., N. Satyahadewi, &D. Kusnandar. 2014. Metode Ordinary Least Square dan Least Trimmed Squares DalamMengatasi Parameter RegresiKetikaTerdapat Outlier. BuletinIlmiah Mat. Stat. danTerapannya, 3(3): 163-168.
Paludi, S. 2009. IdentifikasidanPengaruhKeberadaan Data Pencilan (Outlier).Majalah Panorama Nasional, Januari-Juni,Hlm. 56 – 62.
Putri, D. E. 2014. PerbandinganRegresi Robust Penduga Least Trimmed Square (LTS) danPenduga MM UntukPendugaan Model PenilaianAset Modal. JurnalStatistik, 2(3): 189-192.
Rousseeuw, P. J.&Leroy, A. M. 1987. Robust Regression and Outlier Detection. Canada: John Wiley & Sons, Inc.
Seddighi, H.R, K.A Lawler &Katos A. V. 2000. Econometrics. London: Routledge.
Sembiring, R.K. 2003. AnalisisRegresi (2th ed.). Bandung: InstitutTeknologi Bandung.
Soemartini. 2007. Pencilan (Outlier). Bandung: UniversitasPadjadjaranwordpress.
Suliyanto. 2008. TeknikProyeksiBisnis. Yogyakarta: C.V. Andi Offset.
Sungkawa, I. 2009. PenditeksianPencilan (Outlier) dan Residual padaRegresi Linier. JurnalInformatikaPertanian, 18(2): 95-105.
Suyanti&Sukestiyarno. 2014. Deteksi Outlier MenggunakanDiagnosaRegresiBerbasis Estimator Parameter Robust. Unnes Journal of Mathematics, 3(2): 12-29. s
Widyaningsih, A., M. Susilawati& I. W. Sumarjaya. 2014. Estimasi Model Seemingly Unrelated Regression (SUR) denganMetode Generalized Least Square (GLS). JurnalMatematika, 4(2): 102—110.
Yaffe, R. A. 2002. Robust Regression Modelling With STATA Lecture Notes. Avenue: Social Science and Mapping Group Academic Computing Service.
Zellner.1962. An Efficient Method of Estimating Seemingly Unrelated Regression Equations and Tests for Aggregation Bias. Journal of the American Statistical Association, 57: 348-368.
Published
2019-01-02
Section
Articles