Abstract
Ordinary least square (OLS) is a method that can be used to estimate the parameter in linear regression analysis. There are some assumption which should be satisfied on OLS, one of this assumption is homoscedasticity, that is the variance of error is constant. If variance of the error is unequal that so-called heteroscedasticity. The presence heteroscedasticity can cause estimation with OLS becomes inefficient. Therefore, heteroscedasticity shall be overcome. There are some method that can used to overcome heteroscedasticity, two among those are Box-Cox power transformation and median quantile regression. This research compared Box-Cox power transformation and median quantile regression to overcome heteroscedasticity. Applied Box-Cox power transformation on OLS result ????2point are greater, smaller RMSE point and confidencen interval more narrow, therefore can be concluded that applied of Box-Cox power transformation on OLS better of median quantile regression to overcome heteroscedasticity.
Highlights
a method that can be used to estimate the parameter in linear regression analysis
some assumption which should be satisfied on Ordinary least square (OLS)
that is the variance of error is constant
Summary
Estimasi parameter pada analisis regresi linear dilakukan dengan menggunakan Metode Kuadrat Terkecil. Terdapat beberapa metode yang dapat digunakan untuk mengatasi heteroskedastisitas, antara lain Transformasi Box-Cox dan regresi kuantil median. Dari penelitian tersebut disimpulkan bahwa transformasi Box-Cox dapat digunakan untuk mengatasi heteroskedastisitas dengan nilai λ berada pada interval (-2, 2), dan penelitian tentang regresi kuantil median untuk mengatasi heteroskedastisitas pernah dilakukan oleh Uthami, et al [8]. Box dan Cox mempertimbangkan kelas transformasi berparameter tunggal, yaitu yang dipangkatkan pada variabel respons Y, sehingga diperoleh model transformasinya dengan merupakan parameter yang harus diduga. Prosedur utama yang dilakukan pada Transformasi Box-Cox adalah menduga parameter , yang dilakukan dengan mencari nilai dan melalui persamaan:. Dari Y dengan syarat X Jika Y merupakan sebaran variabel acak kontinu dan x adalah salah satu vektor regresor X, maka fungsi kuantil bersyarat dalam fungsi kuantil ke- dapat didefinisikan sebagai:. Semakin kecil nilai RMSE berarti galat semakin kecil sehingga model yang diperoleh semakin baik
Sign-in/Register to view highlights & summary Sign-in/Register to access full text options 
Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
