ABSTRACT

NILA FAULINA. Robust Regression M-Estimation, S-Estimation, and MMEstimation in Multiple Regression. Under direction of AUNUDDIN and ITASIA DINA S. In classical multiple regression, the ordinary least squares estimation is the best method if assumptions are met to obtain regression weights when analyzing data. However, if the data does not satisfy some of these assumptions, then sample estimates and results can be misleading. Therefore, statistical techniques that are able to cope with or to detect outlying observations have been developed. Robust regression is an important method for analyzing data that are contaminated with outliers. It can be used to detect outliers and to provide resistant results in the presence of outliers. The purpose of this study is compare robust regression Mestimation, S-estimation, and MM-estimation with ordinary least square methods via simulation study. The simulation study is used in determine which methods best in all of the linear regression scenarios.

Keywords: Robust Regression, M-Estimation, S-Estimation, MM-Estimation, Outlier.

RINGKASAN
NILA FAULINA. Regresi Kekar Penduga M, Penduga S, dan Penduga MM pada Analisis Regresi Berganda. Dibawah bimbingan AUNUDDIN dan ITASIA DINA S. Metode kuadrat terkecil (MKT) atau ordinary least square (OLS) merupakan salah satu metode yang sering digunakan untuk mendapatkan nilainilai penduga parameter dalam pemodelan regresi. Penggunaan MKT memerlukan beberapa asumsi klasik yang harus dipenuhi oleh komponen sisaan atau galat (i) dalam model yang dihasilkan. Beberapa asumsi itu antara lain adalah bahwa komponen sisaan memenuhi asumsi kenormalan, kehomogenan ragam, dan tidak ada autokorelasi. Myers (1990) menyatakan bahwa apabila asumsi klasik itu terpenuhi, maka penduga parameter yang diperoleh bersifat best linear unbiased estimator (BLUE). Dalam berbagai kasus ditemui berbagai hal yang menyebabkan tidak terpenuhinya asumsi klasik tersebut. Saat asumsi ada yang tidak terpenuhi, maka penggunaan MKT akan memberikan kesimpulan yang bersifat kurang baik atau nilai penduga parameternya bersifat bias, interpretasi hasil yang diberikan juga menjadi tidak valid. Salah satu penyebab tidak terpenuhinya asumsi klasik adalah adanya pencilan (outliers) pada data amatan. Pencilan ini dapat diketahui secara visual atau secara eksak dengan melakukan diagnosis sisaan dari model regresi yang terbentuk. Suatu data dinyatakan sebagai pencilan berdasarkan kriteria tertentu dalam metode diagnosis sisaan yang digunakan. Selanjutnya, diperlukan alternatif metode penduga parameter lain yang dapat mengatasi adanya pencilan dalam data amatan. Metode itu adalah metode regresi kekar (robust), beberapa penduga yang sering digunakan adalah penduga M, penduga S, dan penduga MM. Diharapkan, melalui metode regresi kekar dapat diperoleh penduga parameter yang lebih baik yang bersifat bias dan mempunyai ragam minimum sehingga menghasilkan model yang lebih baik dari model hasil MKT. Penelitian ini menggunakan data simulasi yang dibangkitkan sebanyak 100 data dan diulang sebanyak 20 kali. Plot pencaran titik data antara peubah respon dengan peubah penjelas mengungkapkan bahwa secara keseluruhan pola pencaran titik tersebut bisa didekati oleh garis lurus (model regresi linier). Titik-titik yang terlihat terlalu jauh dari kumpulan data disebut sebagai pencilan. Hasil pendugaan parameter 0 pada kelompok data tanpa pencilan (0% pencilan) dugaan yang diperoleh hampir sama untuk setiap metode. Namun dapat dikatakan yang paling baik dari keempat metode adalah MKT karena lebih mendekati nilai parameter. Pada kelompok data dengan pencilan 5% penduga yang paling baik diantara keempat metode adalah metode penduga S. Sedangkan hasil dugaan MKT sangat jauh dari yang diharapkan. Pada kelompok data dengan pencilan 10% penduga yang paling baik diantara keempat metode adalah metode penduga M. Pada kelompok data dengan pencilan 15% secara keseluruhan metode regresi kekar memberikan hasil yang hampir sama dalam menduga koefisien

regresi. Dari hasil pendugaan dapat dilihat bahwa penduga MKT merupakan penduga yang sangat peka terhadap pencilan. Nilai dugaan yang diperoleh dari MKT menyimpang jauh dari nilai yang diharapkan. Hasil pendugaan parameter 1 pada kelompok data tanpa pencilan (0% pencilan) dugaan yang diperoleh hampir sama untuk setiap metode. Namun dapat dikatakan yang paling baik dari keempat metode adalah metode penduga S karena lebih mendekati nilai parameter. Pada kelompok data dengan pencilan 5% penduga S dan penduga MM memberikan hasil yang hampir sama dan merupakan penduga terbaik. Untuk hasil dugaan MKT masih jauh dari yang diharapkan. Pada kelompok data dengan pencilan 10% metode regresi kekar memberikan hasil yang hampir sama. Pada kelompok data dengan pencilan 15% juga memberikan hasil yang tidak berbeda jauh, namun dapat dikatakan metode yang paling baik adalah metode penduga S. Dari hasil pendugaan dapat dilihat bahwa penduga MKT merupakan penduga yang sangat peka terhadap pencilan karena hasil yang diberikan masih menyimpang dari nilai yang diharapkan. Hasil pendugaan parameter 2 pada kelompok data tanpa pencilan (0% pencilan) dugaan yang diperoleh hampir sama untuk setiap metode. Namun dapat dikatakan yang paling baik dari keempat metode adalah metode penduga MM. Pada kelompok data dengan pencilan 5% penduga yang paling baik diantara keempat metode adalah metode penduga S. Sedangkan hasil dugaan MKT hampir mendekati nilai yang diharapkan. Pada kelompok data dengan pencilan 10% penduga yang paling baik diantara keempat metode adalah metode penduga S. Pada kelompok data dengan pencilan 15% penduga M merupakan penduga yang paling baik. Dari penelitian ini disimpulkan bahwa metode regresi kekar penduga M, penduga S, dan penduga MM lebih kekar terhadap pencilan dibandingkan MKT. Dengan membandingkan dugaan koefisien regresi dan efisiensi dari penduga diketahui bahwa penduga M lebih efisien dalam mengatasi pencilan dibandingkan penduga S dan penduga MM. Sedangkan antara penduga S dan penduga MM, penduga MM mempunyai efisiensi lebih baik daripada penduga S. Namun secara keseluruhan semakin besar persentase pencilan efisiensi masing-masing penduga semakin menurun. Kata kunci : Regresi Kekar, Penduga M, Penduga S, Penduga MM, Pencilan