Sumber : https://www.scribd.com/doc/91973934/Pengertian-OLS#
SUMBER : https://gamastatistika.com/2021/11/02/mengenal-metode-ols-
ordinary-least-square/
Metode OLS adalah metode yang terdapat dalam analisis regresi berganda. Metode ini
digunakan untuk meminimalisir jumlah kuadrat kesalahan dengan mengestimasi suatu garis
regresi. Metode OLS termasuk jenis metode ekonometrik dengan 2 variabel yaitu variabel
independen dan variabel dependen.
Hasil akhir yang dimiliki oleh metode OLS adalah fungsi regresi populasi yang akan
digunakan untuk estimasi data. Untuk menghasilkan estimasi menggunakan metode OLS,
diperlukan empat asumsi dasar yang bersifat BLUE. BLUE sendiri merupakan singkatan
dari best, linear, unbiased, dan estimator. Berikut ini beberapa penjelasan dari asumsi dasar
tersebut.
Best : hasil model regresi yang terbaik serta minim error
Linear : model dalam regresi sesuai dengan kaidah OLS
Unbiased : nilai yang diharapkan sesuai dengan nilai yang benar
Estimator : model regresi yang terbentuk memiliki varians dengan nilai terkecil
Metode OLS ordinary least square juga memiliki kriteria operasi yaitu line of best
fit dengan jumlah kuadrat deviasi antara titik observasi dengan garis regresi adalah minimum.
Hasil estimasi dalam metode OLS memiliki sifat yang BLUE. Hasil estimasi tersebut juga
cenderung lebih efisien, konsisten.
Selain itu, hasil estimasi pada metode OLS juga cenderung memiliki koefisien regresi dengan
distribusi yang normal. Intercept nilai dependent dari estimasi metode OLS juga cenderung
memiliki distribusi yang normal jika nilai independent-nya nol.
alam metode OLS juga terdapat beberapa jenis uji asumsi seperti uji asumsi klasik, uji
signifikansi, serta koefisien determinasi. Dalam uji asumsi klasik juga terdapat beberapa
asumsi berdasarkan metode OLS ordinary least square diantaranya :
Asumsi normalitas
Asumsi heterogenitas
Asumsi non multikolinieritas
Dalam uji signifikansi juga terdapat beberapa jenis pengujian diantaranya :
Pengujian secara parsial
Pengujian secara serentak
Setiap jenis asumsi dan pengujian memiliki variabel dependent dan independent yang cukup
beragam dengan hipotesis yang beragam. Dengan menggunakan metode OLS, data analisis
regresi berganda yang dilakukan bisa memberikan hasil yang sesuai dengan kebutuhan.
Metode OLS juga bisa mengukur prediksi terhadap variabel dependent melalui pegamatan
variabel independent. Metode OLS menggunakan metode kuadrat terkecil (MKT) untuk
melakukan pendugaan parameter.
https://www.dictio.id/t/apa-yang-dimaksud-dengan-ordinary-least-squares-ols/116519
Ringkasan:
1. "OLS" berarti "kuadrat terkecil biasa", sedangkan "MLE" berarti "estimasi
kemungkinan maksimum".
2. Kuadrat terkecil biasa, atau OLS, juga bisa disebut kuadrat terkecil linier. Ini
adalah metode untuk menentukan perkiraan parameter yang tidak diketahui
yang terletak di model regresi linier.
3. Estimasi kemungkinan maksimum, atau MLE, adalah metode yang digunakan
untuk memperkirakan parameter model statistik dan untuk menyesuaikan
model statistik dengan data.
(http://www.differencebetween.net/science/mathematics-statistics/differences-
between-ols-and-mle/)
Kuadrat terkecil biasa, atau OLS adalah metode untuk menentukan perkiraan parameter yang
tidak diketahui yang terletak di model regresi linier. Metode ini diperoleh dengan
meminimalkan total kuadrat jarak vertikal antara respons yang diamati dalam kumpulan data
dan respons yang diprediksi oleh pendekatan linier. Melalui rumus sederhana, Anda dapat
menyatakan penaksir yang dihasilkan, terutama regresi tunggal, yang terletak di sisi kanan
model regresi linier. Juga itu adalah solusi keseluruhan Anda dalam meminimalkan jumlah
kuadrat kesalahan dalam persamaan Anda.
Estimasi Kemungkinan Maksimum, atau MLE, adalah metode yang digunakan untuk
memperkirakan parameter model statistik, dan untuk menyesuaikan model statistik dengan
data. Dengan menggunakan estimasi kemungkinan maksimum, Anda dapat memperkirakan
rata-rata dan varian dari tinggi subjek Anda. MLE akan menetapkan rata-rata dan varians
sebagai parameter dalam menentukan nilai parametrik tertentu dalam model tertentu.
https://askanydifference.com/id/difference-between-ols-and-mle/
k
https://www.youtube.com/watch?v=1CuNP7O9e0w
https://www.google.com/search?
q=dasar+taraf+signifikan&bih=649&biw=1366&hl=id&sxsrf=APwXEdezcsXcPdh1
RcI6ku3YcG9TJOnchA
%3A1683432126618&ei=viJXZKy6Jf6NseMP4LCC0Aw&ved=0ahUKEwiskaSvqeL
-AhX-
RmwGHWCYAMoQ4dUDCA4&uact=5&oq=dasar+taraf+signifikan&gs_lcp=Cgxnd
3Mtd2l6LXNlcnAQAzIHCCEQoAEQCjIHCCEQoAEQCjIHCCEQoAEQCjIHCCE
QoAEQCjoHCCMQ6gIQJzoNCC4QxwEQ0QMQ6gIQJzoNCC4QjwEQ6gIQtAIYAT
oNCAAQjwEQ6gIQtAIYAToECCMQJzoHCCMQigUQJzoLCAAQgAQQsQMQgw
E6BQgAEIAEOg0IABCKBRCxAxCDARAKOggIABCABBCxAzoLCC4QgAQQs
QMQgwE6CAgAEIoFELEDOggIABAWEB4QCjoGCAAQFhAeOggIABAWEB4Q
DzoHCAAQDRCABDoGCAAQHhANOgoIABAFEB4QDRAKOggIABAFEB4QD
ToKCAAQBRAeEA0QDzoICAAQCBAeEA06BQghEKABOgQIIRAVSgQIQRgAU
PAEWNojYLolaAFwAXgAgAG2AogB7yCSAQgwLjExLjguMpgBAKABAbABFM
ABAdoBBggBEAEYCg&sclient=gws-wiz-
serp#fpstate=ive&vld=cid:2530588e,vid:k1MrfqwAhyM
Semakin besar taraf nyata (α) yang digunakan, semakin buruk kualitas pengujian
hipotesisnya. Sebaliknya, semakin kecil taraf nyata (α) yang digunakan, semakin baik
Youtube
10% artinya kita mempunyai risiko salah dalam mengambil keputusan untuk menolak
hipotesisi yang benar sebanyak 10% dan menerima hipotesis yang benar itu 90%
Maka semakin kecil nilai signifikansinya maka semakin kecil ingkat kesalahannya