Estimasi Parameter Regresi Quantil Dengan Regresi Robust Least Trimmed Square (LTS) (Studi Kasus : Faktor -Faktor yang Mempengaruhi Penyebaran Penyakit Malaria di Indonesia)
Main Article Content
Abstract
Estimasi Metode OLS didasarkan pada distribusi normal, sehingga kurang tepat untuk menganalisis sejumlah data yang tidak simetris atau mengandung outlier. Oleh karena itu, dikembangkan regresi quantil yang tidak terpengaruh oleh adanya pencilan (outlier). Selain regresi quantil, regresi robust LTS juga dapat digunakan sebagai alternatif untuk menyelesaikan permasalahan data yang fluktuatif dan mengandung outlier. Penelitian ini membandingkan regresi quantil dengan regresi robust LTS pada kasus faktor-faktor yang mempengaruhi penyakit malaria di Indonesia. Diperoleh hasil bahwa dengan menggunakan metode OLS diperolehsebesar 0,681 dan regresi robust LTS sebesar 0,732 serta regresi quantil dengan = 0,95 sebesar 0,832. sehingga diperoleh model terbaik yang diperoleh model regresi quantil. Lebih lanjut diperoleh hasil bahwa faktor utama penyebab penyebaran penyakit malaria di Indonesia yaitu faktor rumah layak huni, faktor penduduk miskin dan faktor tenaga dokter.
Article Details
References
Badan Pusat Statistika, Hasil Survei Sosial Ekonomi Nasional Tahun 2014, Jakarta, 2014. |
I. Budiantara, "Penelitian Bidang Regresi Spline Menuju Terwujudnya Penelitian Statistika yang Mandiri dan Berkarakter.," in Seminar Nasional FMIPA Universitas Pendidikan Ganesha., Universitas Pendidikan Ganesha., 2011. |
C. d. W. Chen, "Computational Issues for Quantile Regression," The Indian Journal of Statistics, vol. 67, pp. 399-417, 2005. |
M. d. M. Datukramat, Menganalisis Hubungan Anatara Sanitasi Lingkungan Dengan Kejadian Malaria Pada Murid Sekolah Dasar Di Kabupaten Bolaang Mengondow Utara, Manado: journal keperawatan (e-Kp) Fakultas Kedokteran Universitas Sam Ratulangi, 2013. |
I. Ghozali, Aplikasi analisis Multivariat dengan program SPSS, Semarang : Edisi ketujuh, 2013. |
S. C. d. K. K. Gob, "Nonstandard Quantile-Regression Inference," Econometric Theory, vol. 25, pp. 1415-1432 , 2009. |
D. N. Gujarati, Basic Econometrics, Newyork: 4th Edition. New York: McGrahill. Co., 2004. |
W. Hardle, Applied Nonparametric Regression, New York: Cambridge University Press, 1990. |
T. J. d. T. R. J. Hastie, Generalized Additive Models, New York. London: Chapman and Hall, 1990. |
I. d. Yuyun, "Analisis faktor-faktor yang mempengaruhi angka kejadian penyakit tropis malaria dengan metode klasifikasi pohon (Studi kasus Kabupaten Sorong Selatan, Provinsi Papua Barat).," Jurnal, Institut Teknologi Sepuluh Nopember , 2010. |
K. K. R. Indonesia, Profil kesehatan Indonesia,, Jakarta: Pusat data dan Informasi Kementrian Kesehatan, 2014. |
R. d. M. J. A. F. Koenker, "Goodness of fit and Related Inference Process for Quantile Regression," Journal of the American statistical Association, vol. 94, no. 448, pp. 1296-1310, 1999. |
R. Koenker, Ekonomitric society monographs "Quantile Regression", New York: Cambridge University, 2005. |
Z. L. Lin W, "Optimal smoothing in nonparametric conditional quantile derivative function estimation," Journal of Econometrics Science Direct, vol. 188, pp. 502-513., 2015. |
A. I. A. d. M. R. Mirontoneng, "Analisis faktor-faktor yang berhubungan kejadian malaria pada anak di wilayah kerja PKM Tona kecamatan tahuna kabupaten Sangihe," Program Studi Ilmu Keperawatan Fakultas kedokeran Universitas Sam Ratula, 2014. |
R. H. Myers, Classical and Modern Regression with Application, Boston: PWS, 1990. |
P. A. Susilowati, "Analisis regresi pada prevalensi malaria di Provinsi Maluku Utara, Malauku, Papua Barat dan Papua dengan faktor yang mempengaruhinya," Skripsi, Jurusan Statistika Institut Teknologi Sepuluh Nopember, 2013. |
M. Werner, Identification of Multivariate Outliers in Large Data Sets, University of Colorado at Denver, 2003. |