Pendugaan Model Aditif untuk Data Deret Waktu dengan Pendekatan Model Linear Campuran

Abstract

Additive model is generalization of multiple regression that expresses the mean of a reponse variable which is modeled as a sum of junctional form of predictors. Standard methods of additve models assume that errors are independent stochastic. This assumption is inappropiate for time series data where errors are autocorrellated. Standard methods of additive model need to be justified when it is used for data with autocorrelated errors. Simulation results show that the time series additive model produce higher smoothing parameter estimator and smaller sum square errors than the standard additive models. This results show that additive model is sensitive to errors asumption.

Model ad iti f adalah generalisasi dan regresi berganda, dimana nilai tengah peubah respon dimodelkan sebagai penjumlahan dari bentuk hubungan fungsional setiap peubah penjelas. Metode baku pada model adit if mengasumsikan bahwa galat aeak bebas stokastik. Asumsi ini tidak sesuai untuk data deret waktu, dimana galat acak pada umumnya saling bcrkorelasi (aulokorelasi). Model ad itif baku perlu dikoreksi untuk dara dengan galat acak berkorelasi. Hasil simulasi menunjukkan bahwa model aditif deret waktu memberikan penduga parameter pemulus yang lebih linggi dan jumlah kuadrat gala! yang Iebih kecil dibandingkan dengan model aditif baku. Hasil ini menunjukkan bahwa model aditif peka terhadap asumsi kebebasan galat acak.