Pengujian Autocorelation


Asumsi Model regresi klasik (dengan estimator OLS) adalah tidak ada korelasi serial antar error. Konsekuensi adanya korelasi serial adalah:

·     linear unbiased, consistent dan asymptotically normally distributed,

·     tidak lagi efficient (tidak varians minimumè tdk BLUE).

Mendeteksi gejala autocorelation baik secara visual maupun pengujian seperti: Durbin-Watson Test atau Breusch–Godfrey (BG) Test/ LM test.

Materi lebih lengkap klik  disini.

Iklan

Pengujian Multikolinieritas


Dalam Model regresi linier dengan estimator OLS terdapat salah satu asumsi  tidak adanya multikollieritas. Konsekuensi adanya multicollinearity yang tinggi adalah (a) meskipun masih BLUE, namun estimator OLS mempunyai varians dan covarians yg besar à sulit utk menentukan estimasi yg tepat; (b) konfiden interval lebih melebar.

Mendeteksi gejala multikolinieritas R square, signifikansii, maupun Tolerance (TOL) dan variance inflation factor (VIF).

Download lebih lengkap klik  disini.

Pengujian Heteroscedastisity


Salah satu asumsi dalam model regresi linier dengan estimator OLS adalah bahwa homosedastisity varians error. Gejala heterosedastik akan mengakibatkan hasil estimasi menjadi unbiased dan konsisten tapi tidak efisien.

Mendeteksi gejala heterosedastik dapat dilakukan dengan secar visual maupun pengujian hipotesis. Pengujian White test, Park Test, Glejser Test, Goldfeld-Quandt Test, Breusch–Pagan–Godfrey Test dapat mendeteksi gejala hetrosedastisity.

Materi lengkap dapat lihat Klik disini.

Estimation Non Linier Model with Genetic Algoritma


Pada umumnya estimasi dalam Model Non Linier mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood) dengan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Metoda Algoritma tersebut tidak akan menghasilkan global minimum/ maksimum. Dalam paper ini akan menjelaskan pendekatan baru yaitu Genetic Algoritma yang lebih menjamin global Maksimal/ minimal. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap : Genetic Algoritma.pdf

Silahkan “Comment” di bawah ini.

Bookmark and Share

Linier Model Estimation using Ordinary Least Square and Maximum Likelihood


Estimasi dalam Model Linier pada umumnya mengunakan metoda OLS (Ordinary Least Square) atau ML (Maximum Likelihood). Dalam Paper ini menjelaskan secara teoritis bagaimana metoda estimasi tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

Download bila Anda ingin mendapatkan paper lengkap: (1)cover.pdf; (2)daftar-isi.pdf; (3)isi.pdf

Bookmark and Share

NonLinier Estimation using OLS and Max Likelihood


Paper akan melaporkan hasil ekperimen model nonlinier
untuk menaksir fungsi produksi Cobb-Douglas dan CES dengan mengunakan
metoda Nonlinier Least Square dan Non-Linier Maksimum Likelihood. Metoda estimasi model non linier dengan pendekatan Algoritma Konvesional Gause-Newton; Newton-Rhapson; Marquardt-Levenberg; Berndt, Hall, Hall & Hausman atau Metoda Quadratic-Hill Climbing. Dalam paper ini akan menjelaskan pendekatan tersebut. Simulasi Monte Carlo digunakan untuk menjamin Robusness hasil estimasi. Komputasi yang digunakan dengan menggunakan MATLAB.

File download klik di sini nonlinier.pdf dan lampiran.pdf.

Bookmark and Share

%d blogger menyukai ini: