PERFORMA MAXIMUM LIKELIHOOD ESTIMATOR, RIDGE REGRESSION ESTIMATOR, DAN GENERALIZED RIDGE ESTIMATOR DALAM MENGATASI MULTIKOLINEARITAS PADA REGRESI POISSON INVERSE GAUSSIAN

Model regresi Poisson Inverse Gaussian merupakan metode yang umum digunakan untuk menganalisis data yang mengalami overdispersi. Regresi Poisson Inverse Gaussian biasanya menggunakan metode estimasi Maximum Likelihood Estimator (MLE) untuk pendugaan parameter, dengan memenuhi salah satu asumsi pentingnya, yaitu tidak adanya multikolinearitas. Keberadaan multikolinearitas dapat menyebabkan hasil analisis metode regresi menjadi tidak akurat karena hasil estimasi menjadi tidak stabil dan bias. Penelitian ini menggunakan data jumlah tindak kejahatan yang dilaporkan di Provinsi Jawa Timur tahun 2024, namun data tersebut mengalami multikolinearitas. Untuk mengatasi multikolinearitas, beberapa metode dapat digunakan, yaitu metode PIGRRE dan PIGGRE. Metode PIGRRE bekerja dengan menambahkan penalti pada besarnya koefisien regresi sehingga dapat mengurangi varians estimasi tanpa meningkatkan bias secara signifikan. Sementara itu, metode PIGGRE menerapkan matriks shrinkage diagonal yang memberikan nilai shrinkage berbeda pada setiap variabel prediktor (variabel independen). Hasil penelitian ini menunjukkan bahwa metode terbaik untuk mengatasi multikolinearitas adalah metode dengan nilai MSE terkecil, yaitu metode PIGGRE dengan parameter ridge