Analisis Regresi Robust estimasi Generalized M (GM) (Studi Kasus: Indeks Pembangunan Manusia 193 Negara di Dunia pada Tahun 2023)

Putri, Yola Sriwida Yenti (2026) Analisis Regresi Robust estimasi Generalized M (GM) (Studi Kasus: Indeks Pembangunan Manusia 193 Negara di Dunia pada Tahun 2023). Skripsi thesis, UIN Imam Bonjol Padang.

	Text (COVER-Daftar Isi) Yola Sriwida Yenti Putri. NIM 2217010061. COVER- Daftar Isi.pdf - Published Version Download (818kB)
	Text (BAB I) Yola Sriwida Yenti Putri. NIM 2217010061. BAB I.pdf - Published Version Download (279kB)
	Text (BAB III) Yola Sriwida Yenti Putri. NIM 2217010061. BAB III.pdf - Published Version Download (355kB)
	Text (BAB V-DAPUS) Yola Sriwida Yenti Putri. NIM 2217010061. BAB V - DAPUS.pdf - Published Version Download (349kB)
	Text (Full Text) Yola Sriwida Yenti Putri. NIM 2217010061. Full Text.pdf - Published Version Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

Indeks Pembangunan Manusia (IPM) merupakan indikator penting yang digunakan untuk mengukur keberhasilan pembangunan kualitas hidup manusia melalui dimensi kesehatan, pendidikan, dan standar hidup layak. Penelitian ini bertujuan untuk memodelkan faktor-faktor yang mempengaruhi IPM pada 193 negara di dunia tahun 2023 dengan menggunakan metode Regresi Robust estimasi Generalized M (GM). Penggunaan estimasi GM didasari oleh kemampuannya yang unggul dalam menangani masalah pencilan ganda, yaitu kondisi di mana terdapat data ekstrem pada variabel dependen sekaligus titik amatan berpengaruh pada variabel independen (leverage points) yang sering menyebabkan bias pada Metode Kuadrat Terkecil (MKT). Variabel independen yang digunakan meliputi Umur Harapan Hidup, Harapan Lama Sekolah, Rata-rata Lama Sekolah, dan Pendapatan Nasional Bruto per kapita. Metodologi penelitian mencakup uji asumsi klasik, pendeteksian pencilan melalui DFFITS, Leverage Point’s dan Cook’s Distance, serta prosedur iterasi untuk menghasilkan estimasi parameter yang kuat (robust). Hasil penelitian dari perolehan MSE terkecil dan Adjusted R-Square terbesar menunjukkan bahwa estimasi GM mampu memberikan model yang lebih akurat dibandingkan analisis regresi linear berganda.

Actions (login required)

View Item