Kajian Analisis Regresi Dengan Data Panel

Data set yang merupakan kombinasi data cross section dan time series sering sekali ditemukan dalam kajian ekonomi, disebut sebagai data panel. Dalam pemodelan data panel kita dihadapkan pada komponen stokastik yang relatif kompleks. Analisis regresi data panel adalah analisis regresi dengan struktur data merupakan data panel. Umumnya pendugaan parameter dalam analisis regresi dengan data cross section dilakukan menggunakan pendugaan metode kuadrat terkecil (MKT). Metode ini akan memberikan hasil pendugaan yang bersifat Best Linear Unbiased Estimation (BLUE) jika semua asumsi Gauss Markov terpenuhi diantaranya adalah non-autcorrelation. Kondisi terakhir ini tentunya sulit terpenuhi pada saat kita berhadapan dengan data panel. Sehingga pendugaan paramter tidak lagi bersifat BLUE. Jika data panel dianalisis dengan pendekatan model-model time series seperti fungsi transfer, maka ada informasi keragaman dari unit cross section yang diabaikan dalam pemodelan. Salan satu keuntungan dari analisis regresi data panel adalah mempertimbangkan keragamaan yang terjadi dalam unit cross section.

Quality Function Deployment (QFD)

Quality Function Deployment ( QFD ) adalah suatu metode untuk melakukan strukturisasi dalam perencanaan dan perancangan produk atau jasa yang memudahkan pihak perusahaan untuk mendefinisikan kebutuhan dan keinginan pelanggan serta kemudian menerjemahkan setiap kebutuhan dan keinginan tersebut ke dalam karakteristik teknis yang relevan. Dari sini dapat dilakukan evaluasi untuk setiap rancangan produk atau jasa secara sistematis sehingga perusahaan dapat menghasilkan produk atau jasa yang dapat memenuhi keinginan dan kebutuhan pelanggan.
Lou Cohen 1995 mendefinisikan Quality Function Deployment sebagai berikut:
Quality Function Deployment is a method for structured product planning and development that enables a development team to specify clearly the customer’s wants and needs, and than to evaluate each proposed product or service capability systematically in terms of its impact on meeting those needs.

http://www.4shared.com/dir/13899065/c74ff60d/sharing.html

Pemodelan Persamaan Struktural Dengan PLS

Pemodelan persamaan structural yang sering disebut dengan Structural Equation Modeling (SEM) atau Linear Structural Relationship (LISREL). SEM pendekatan terintegrasi antara Analisis Faktor, Model Struktural dan Analisis Path. LISREL sangat membantu penelitian dalam konfirmasi model penelitian yang melibatkan variabel laten. SEM banyak digunakan dalam berbagai bidang ilmu khususnya dalam ilmu-ilmu sosial untuk melihat keterkaitan antara variabel penelitian. Metode pendugaan yang umumnya digunakan adalah metode Maksimum Likelihood. Pendugaan parameter dengan metode ML dalam LISREL membutuhkan berapa asumsi kritis seperti ukuran sampel minimal 10 kali banyaknya indikaor atau lebih dari 100 unit pengamatan, data menyebar mengikuti sebaran normal multivariate. LISREL menyediakan beberapa pendekatan yang dapat digunakan dalam pendugaan paremeter model jika data tidak menyebar normal multivariate, diantaranya dengan Bootstrap ML atau menggunakan metode Weighted Least Square (WLS). Namun, kedua pendekatan ini tetap membutuhkan data yang relative besar sehingga untuk model yang kompleks dengan ukuran sampel yang relative kecil dibutuhkan suatu pendekatan baru. Salah satu pendekatan baru yang diperkenalkan oleh Herman Wold, adalah Partial Least Square (PLS) dan sering disebut soft modeling. Dengan menggunakan PLS dimungkinkan melakukan pemodelan persamaan structural dengan ukuran sampel relative kecil dan tidak membuhkan asumsi normal multivariate. Selain permasalahan asumsi sebaran dan banyaknya data, kendala lain yang dihadapi pemodelan structural menggunakan LISREL adalah indikator (variabel manifest) penelitian hanya dimungkinkan bersifat reflektif (variabel laten menjelaskan variabel manifest), tidak dimungkinkan untuk indikator bersifat formatif (variabel manifest menjelaskan variabel laten). Dengan menggunakan PLS dimungkinkan penelitian menggunakan indikator bersifat reflektif ataupun formatif.

Penggerombolan Parameter Regresi Dengan Error-Based Clustering

Teknik analisis gerombol adalah suatu proses pengorganisasian data yang sangat besar kedalam kelompok-kelompok yang lebih kecil dengan data yang memiliki kemiripan ditempatkan pada kelompok yang sama sedangkan yang kurang mirip ditempakan dalam kelompok yang berbeda. Teknik ini diharapkan mampu mengungkapkan informasi yang tersimpan dalam data sehingga bisa membantu dalam pengambilan keputusan yang tepat terkait dengan kajian yang sedang dilakukan.
Pemanfaatan data yang tidak standar yaitu tidak dalam bentuk vektor dalam dimensi ruang p, sering kali menjadi kendala dalam penggunaan analisis gerombol tradisonal. Untuk dapat menggunakan teknik analisis gerombol tradisional, data terlebih dahulu harus dirubah ke dalam struktur yang diinginkan untuk mempermudah analisis. Namun tidak jarang dalam proses mengubah struktur data awal menjadi struktur data baru banyak informasi yang hilang. Beberapa contoh teknik yang digunakan untuk mengubah struktur data yaitu menghitung rataan, mereduksi data dengan teknik analisis komponen utama ataupun menggunakan model-model statistik yang lain. Dalam setiap teknik ini disajikan statistik varians-kovarian atau matriks kekeliruan (measurement error) yang terkait dengan hasil perubahan struktur data tersebut yang merupakan ukuran informasi yang hilang selama proses tranformasi. Hasil transformasi ini kemudian dijadikan unit pengamatan baru yang digerombolkan tanpa memperhatikan matriks kekeliruan yang menyertai setiap unit pengamatan baru tersebut.
Analisis gerombol klasik yang didasarkan pada jarak kuadrat Euclidean memiliki kelemahan yaitu tidak mempertimbangkan adanya informasi kekeliruan ataupun unsur ketidakpastian yang terkait dengan data. Memasukkan informasi kekeliruan dalam proses penggerombolan akan memberikan hasil pengelompokkan yang berbeda dan tentunya lebih baik dibandingkan dengan analisis gerombol tradisional seperti K-means dan Ward’s hierarchical clustering.
Salah satu pendekatan baru dalam metode penggerombolan yang memasukkan informasi kekeliruan yang terkait dengan data adalah metode error-based clustering (Kumar, 2007). Dalam metode error-based clustering dikembangkan model statistik dan algoritma penggerombolan yang melibatkan measurement error. Terdapat dua algoritma penggerombolan dalam error-based clustering yaitu (1) hError, yaitu algoritma pengelompokkan hirarki yang menghasilkan sebuah rangkaian gerombol tersarang, (2) kError, yaitu algoritma partisi, yang mempartisi data menjadi beberapa gerombol spesifik