Article Sidebar
Main Article Content
Abstract
The method used to estimate the regression parameters in this study is the Bayes method. The steps in estimating the parameters of the linear regression model using the Bayes method are to determine the Likelihood function from the normal distribution density function, determine the Prior Non-Informative distribution from a normal distribution, then look for the Posterior distribution by switching the Prior distribution with the Likelihood function.Writing this thesis aims to determine the estimation of the parameters of the linear regression model with the Bayesian method approach. From the regression model generated by the OLS method, it was identified that there was one Outlier data. Outlier is a factor that influences parameter estimation in linear regression model. A model will be shown in an example data case by comparing the results of the Ordinary Least Square (OLS) method using R and the results of the Bayesian method using WinBUGS. It can be seen that the MSE value obtained from the Bayesian Method estimation is smaller than the MSE value obtained from the OLS Method estimate. The Mean Square Error (MSE) value obtained from the estimation of the OLS Method is 0.8469 while the Mean Square Error (MSE) value obtained from the estimation of the Bayesian MCMC Method is 0.3723. This shows that the Bayesian MCMC method is much better than the OLS method.
Keywords
Article Details
References
- Ainul, A.M., dkk. 2018. Penerapan Model Analisis Regresi Linier Berganda dengan Pendekatan Bayesian pada Data Aset Bank di Indonesia. Jurnal Keteknikan dan Sains (JUTEKS). 1(1). 41-47.
- Auqino S, dkk. 2019. Perbandingan Metode Kuadrat Terkceil dan Metode Bayes pada Model Regresi Linier Berganda yang Mengandung Multikolinierita. Jurnal Matematika UNAND Vol VIII No. 1. Hal 307-312.
- Br Damanik, F.A. 2020, Analsis Model Regresi Linier Dengan Menggunakan Metode Bayes.
- Farahdiba, D. 2020, Estimasi parameter pada model regresi linier menggunakan metode Bayesian dengan distribusi prior konjugat dan non-informatif jeffreys (Bachelor’s thesis, Fakultas Sains dan Teknologi Universitas Islam Negeri Syarif Hidayatullah Jakarta.
- Katianda, K. R., dkk., 2021, Estimasi Parameter Model Regresi Linier dengan Pendekatan Bayes. JURNAL EKSPONESIAL, 11(2), 127-132.
- Khairiyah, R., & Diana, R. 2018. Perbandingan Metode Kuadrat Terkecil dan Metode Bayes pada Model Regresi Linier dengan Galat Autokorelasi. Jurnal Matematika UNAN, 7(1), 125-135.
- Mulyaningsih, M.D. 2016, Estimasi Parameter Distribusi Binomial Negatif Dengan Pendekatan Bayesian Menggunakan Monte Carlo Markov Chain Berdasarkan Algoritma Mteropolish Hasting. Skripsi tidak dipublikasi. Surabaya: Program Studi Statistika Departemen Matematika, Fakultas Sains dan Teknologi, Universitas Airlangga.
- Mukid, M. A., & Wilandari, Y. (2012). Identifikasi Pola Distribusi Curah Hujan Maksimum dan Pendugaan Parameternya Menggunakan Metode Bayesian Markov Chain Monte Carlo. Media Statistika, 5(2), 63-74.
- Munawwir, A. 2014. Estimasi parameter model regresi menggunakan metode Weighted Least Square (WLS) dengan fungsi pembobot Huber (studi kasus pada pabrik kertas rokok di Kediri) (Doctoral dissertation Universitas Islam Negeri Maulana Malik Ibrahim).
- Ngaini, N. 2012. Estimasi parameter model regresi linier pada data yang mengandung outlier dengan metode maximum likelihood estimation (Doctroal dissertation. Universitas Islam Negeri Maulana Malik Ibrahim)
- Rahmawati, D. 2011, Estimasi model regresi linier dengan pendekatan Bayes: Studi kasus pada data curah hujan di Seattle dan Portland(Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).
- Ryan, H. 2017. PERBANDINGAN METODE KUADRAT TERKECIL DAN METODE BAYES DALAM MENGESTIMASI PARAMETER MODEL REGRESI LINIER DENGAN GALAT HETEROSKEDASTISITAS (Doctoral dissertation, Universitas Andalas).