Perpustakaan Digital ITB

Salah satu asumsi penting pada model regresi linear berganda adalah tidak terjadi korelasi antargalatnya. Pelanggaran terhadap asumsi tersebut; yang disebut galat berautokorelasi, membuat estimator Ordinary Least Square (OLS) menjadi tidak Best Linear Unbiased Estimators (BLUE) karena tidak memiliki variansi minimum di antara estimator lainnya. Tujuan utama dari penelitian ini adalah untuk mengkaji metode Feasible Generalized Least Square (FGLS) sebagai ukuran perbaikan dengan mempertimbangkan dua prosedur estimasi koefisien korelasi; yaitu prosedur iterasi Cochrane-Orcutt (CO) dan prosedur Theil-Nagar. Dalam menggunakan metode FGLS, harus berhati-hati pada saat menghilangkan pengamatan pertama. Oleh karena itu, transformasi Prais-Winsten dianjurkan untuk mentransformasi pengamatan pertama. Tesis ini mengkombinasikan setiap prosedur dengan menggunakan transformasi Prais-Winsten dan dibandingkan dengan OLS. Nilai MSE koefisien titik potong (intercept) dan koefisien kemiringan (slope) dari hasil estimasi metode-metode tersebut, dibandingkan dengan hasil estimasi OLS melalui data simulasi. Sebagai tambahan, dibandingkan juga metode-metode tersebut berdasarkan hasil forecasting atau prediksi dengan menggunakan data riil. Diperoleh bahwa metode FGLS lebih baik digunakan untuk sampel besar sedangkan pada sampel kecil, metode OLS cenderung lebih baik. Sementara untuk penggunaan transformasi Prais-Winsten, akan berpengaruh pada sampel kecil, sedangkan pada sampel besar, tetap menghasilkan hasil yang serupa dengan tanpa penggunaannya.