Hasil Pencarian  ::  Simpan CSV :: Kembali

"Berkson Measurement error model merupakan model regresi dimana nilai dari variabel prediktor yang terobservasi telah ditentukan sebelumnya dan mengandung error pengukuran atau error observasi. Penaksiran parameter model regresi dengan kasus Berkson Measurement error dapat dilakukan dengan beberapa metode diantaranya dengan metode OLS dan metode Minimum Distance. Metode yang digunakan dalam tugas akhir ini adalah metode Minimum Distance berdasarkan momen pertama dan kedua dari variabel respon diberikan variabel prediktor terobservasi yang diperkenalkan oleh Wang (2003). Berdasarkan teorema kekonsistenan yang dinyatakan Wang (2003), penaksir Minimum Distance bersifat konsisten dan dibuktikan berdasarkan lemma dari kekonsistenan Ekstremum Estimator. Dalam tugas akhir ini, metode Minimum Distance diterapkan untuk menaksir parameter model regresi polinomial Berkson. Penaksir parameter model diperoleh dengan mensubstitusikan taksiran dari parameter-parameter baru yang muncul pada momen pertama dan kedua dari variabel respon diberikan nilai variabel prediktor terobservasi.

---

Berkson measurement error model is a regression model where the value of the observed predictor variable was determined and contained error of measurement or error of observation.The parameter estimation of regression model with Berkson measurement error case can be estimated with several methods such as by OLS method and Minimum Distance methods. The method used in this minithesis is the Minimum Distance based on the first two conditional moment of the response variable given the value of ​​observed predictor variable that introduced by Wang (2003). Based on the theorem of consistency that was stated by Wang (2003), the Minimum Distance estimator was consistent and it was proved based on the consistency of Ekstremum Estimator theorem. In this minithesis, the Minimum Distance method is applied to estimate parameters polinomial Berkson regression model. Parameter estimator model is obtained by substituting the value of new parameter estimators that appear on the first two conditional moment of the response variable given the value of ​​observed predictor variable."

"Regresi data panel merupakan suatu regresi yang menggabungkan dua jenis data, yaitu data cross section dan data longitudinal. Berdasarkan komponen errornya regresi data panel dibedakan menjadi dua yaitu komponen error satu arah dan dua arah. Pada regresi data panel dibutuhkan beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spatial dependent. Jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi. Sehingga model yang diperoleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spasial dalam analisis regresi data panel yang dinamakan spatial panel data model. Dalam tugas akhir ini akan dibahas bagaimana cara menaksir parameter pada model regresi spasial panel satu arah dengan menggunakan metode maksimum likelihood."

"Model regresi Poisson tampak tak berhubungan (seemingly unrelated Poisson regression model, SUPREME) merupakan suatu model yang terdiri dari beberapa persamaan dimana variabel-variabel dependen dalam tiap persamaan menyatakan data terhitung (count data) dengan distribusi dari variabel dependen diberikan nilai variabel independen adalah Poisson. Diantara persamaan-persamaan tersebut terdapat keterkaitan satu sama lain yang ditunjukkan dengan adanya korelasi antar error dari setiap persamaan yang diindikasikan dengan terdapatnya paling sedikit satu variabel independen yang sama dalam setiap persamaan. Penaksiran parameter dari model regresi Poisson tampak tak berhubungan dilakukan dengan menggunakan metode maksimum likelihood dengan pendekatan Newton-Raphson. Model regresi Poisson tampak tak berhubungan akan memberikan taksiran parameter yang lebih efisien dibandingkan dengan model regresi Poisson apabila terdapat korelasi antar error dari setiap persamaan."

"Model regresi data panel spasial error dinamis adalah model regresi data panel yang melibatkan lag dari variabel dependen dan komponen dependensi spasial error. Karena terdapat korelasi antara lag dari variabel dependen dan komponen error, estimasi dengan Ordinary Least Squares menjadi bias dan tidak konsisten. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah perluasan metode Arellano dan Bond yang mencakup metode instrumental variabel menggunakan variabel instrumen yang disarankan oleh Mutl (2006) dan prinsip Generalized Method of Moments (GMM). Kemudian ditambah dengan metode pendekatan Kapoor, Kelejian, dan Prucha (KKP) sehingga dihasilkan taksiran yang konsisten.

---

The dynamic spatial error panel data regression model is panel data regression model which involves lag of the dependent variable and error spatial dependence. Because there is correlation between the lag of the dependent variable and error components, the ordinary least squares estimator becomes biased and inconsistent. Therefore, we need another method to estimate parameters in the model. The method which can be used is the extended method of Arellano and Bond covering instrumental variable method using instrument variables suggested by Mutl (2006) and the principle of the Generalized Method of Moments (GMM). Then the method is coupled with the method of Kapoor, Kelejian, and Prucha (KKP) approach so that it produces consistent estimators."

"Pada model regresi data panel spasial dinamis terdapat lag dari variabel dependen dan spatial lag dari variabel dependen yang berperan sebagai variabel eksplanatori. Hal ini menyebabkan variabel eksplanatori berkorelasi dengan error, variabel jenis ini disebut variabel endogen eksplanatori. Dengan adanya variabel ini, estimasi secara ordinary least squares menjadi bias dan tidak konsisten. Oleh karena itu sebelum menaksir parameter pada model regresi data panel spasial dinamis harus dilakukan first-difference untuk menghilangkan efek individu dan selanjutnya dilakukan instrumental variabel pada variabel endogen eksplanatori. Kemudian untuk mendapatkan unbiased and consistent estimator, model ini ditaksir dengan metode Arrelano dan Bond yang menggunakan prinsip generalized method of moments optimal."

"Model regresi data panel dinamis merupakan model regresi data panel yang melibatkan lag dari variabel dependen sebagai variabel eksplanatori yang berkorelasi dengan error. Lag dari variabel dependen tersebut dinamakan variabel endogen eksplanatori. Adanya variabel endogen eksplanatori menyebabkan estimasi parameter menggunakan metode OLS menghasilkan taksiran yang bias dan tidak konsisten. Oleh karena itu dibutuhkan metode lain untuk menaksir parameter, salah satunya adalah metode yang dikembangkan oleh Arellano dan Bond. Arellano dan Bond mengembangkan metode penaksiran parameter melalui proses first differencing dan metode instrumental variabel sehingga taksiran yang dihasilkan oleh metode ini memiliki sifat tak bias, konsisten dan efisien. Metode Arellano dan Bond tersebut kemudian dikembangkan oleh Blundell dan Bond dengan cara mengkombinasikan momen kondisi dan matriks instrumen antara model first difference dan model level untuk menghasilkan taksiran yang sama-sama tak bias dan konsisten tetapi lebih efisien yang dinamakan GMM-System Estimator.

---

Regression model of dynamic panel data is a regression model of panel data involving lag of dependent variable as explanatory variables which are correlated with the error. Lag of dependent variable is called endogenous explanatory variables. The presence of this lag cause the estimates of the parameters produce the estimator that are biased and inconsistent using OLS method. Therefore, other methods are needed to estimate the parameters, one of is the method developed by Arellano and Bond.

Arellano and Bond developed a method of parameter estimation through a process of first-differencing and instrumental variable method so that the estimator are unbiased, consistent and efficient. This method is then developed by Blundell and Bond with combine the moment conditions and matrix of instruments between first-difference model and level model to produce the estimator that are both unbiased and consistent but more efficient thus it called GMM-System estimator."

"Model regresi logistik dua level merupakan analisis multilevel yang digunakan untuk menganalisis data yang mempunyai struktur hirarki dua level dengan data respon biner (bernilai 0 atau 1). Yang dimaksud dengan data hirarki adalah data dengan unit-unit observasi yang bersarang pada unit yang lebih tinggi. Dalam skripsi ini, bentuk model regresi logistik dua level difokuskan pada model regresi logistik dua level dengan random intercept. Metode penaksiran parameter yang adalah metode Penalized Quasi Likelihood order pertama (PQL-1). Prinsip umum dari metode ini adalah melinierkan bagian yang non-linier dari model regresi logistik dua level dengan perluasan deret Taylor order pertama sehingga didapat model linier 2-level untuk kemudian dilakukan pengestimasian parameter menggunakan Iterative Generalized Least Square (IGLS). Prosedur tersebut dilakukan secara iteratif sampai konvergen. Metode ini diaplikasikan pada data survey di Eropa mengenai faktor-faktor yang mempengaruhi seseorang dalam penggunaan hak pilihnya dalam pemilu. Data terdiri dari 3300 individu yang diambil secara acak dari 20 negara di Eropa."

"Model regresi ordinal dua level merupakan model yang digunakan untuk menganalisis data respon ordinal tercluster dan longitudinal. Dalam hal ini variabel respon ordinal yang diketahui, dibentuk dari suatu variabel laten kontinu yang tak diketahui nilainya. Nilai batas kategorik (threshold) pada variabel laten perlu diestimasi bersama-sama dengan koefisien regresi ordinal dua level. Untuk mengestimasi parameter-parameter dan threshold pada model regresi ordinal dua level, digunakan metode estimasi maximum marginal likelihood (MMLE) melalui pendekatan numerik dengan metode Fisher scoring. Pada setiap iterasi metode Fisher Scoring, digunakan Gauss-Hermite Quadrature untuk menghitung secara numerik persamaan marginal likelihood. Untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal tercluster, digunakan data TVSFP di mana siswa bersarang dalam kelas. Sedangkan untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal longitudinal, akan digunakan data psikiatrik di mana pasien diklasifikasikan pada beberapa tingkat keparahan penyakit terhadap beberapa titik waktu (time points). Struktur data dua level yang digunakan untuk data longitudinal adalah perulangan observasi bersarang dalam individu (pasien)."

"Regresi kuantil adalah metode regresi yang menghubungkan kuantil dari variabel respon dengan satu atau beberapa variabel prediktor. Regresi kuantil memiliki kelebihan yang tidak dimiliki oleh regresi linier yaitu robust terhadap outlier dan dapat memodelkan data yang heteroskedastisitas. Regresi kuantil dapat diestimasi parameternya dengan metode Bayesian.Metode Bayesian adalah alat analisis data yang diturunkan berdasarkan prinsip inferensi Bayesian. Inferensi Bayesian adalah proses mempelajari analisis data secara induktif dengan teorema Bayes. Untuk menaksir parameter regresi dengan inferensi Bayesian, perlu dicari distribusi posterior dari parameter regresi dimana distribusi posterior proporsional terhadap perkalian distribusi prior dan fungsi likelihoodnya. Karena perhitungan distribusi posterior secara analitik sulit untuk dilakukan jika semakin banyak parameter yang ditaksir, maka diajukan metode Markov Chain Monte Carlo (MCMC). Penggunaan metode Bayesian dalam regresi kuantil memiliki kelebihan yaitu penggunaan MCMC memiliki kelebihan yaitu mendapatkan sampel nilai parameter dari distribusi posterior yang tidak diketahui, penggunaanyang efisien secara komputasi, dan mudah diimplementasikannya. Yu dan Moyeed (2001) memperkenalkan regresi kuantil Bayesian dengan menggunakan fungsi likelihood dari error yang berdistribusi Asymmetric Laplace Distribution (ALD) dan menemukan bahwameminimumkan taksiran parameter pada regresi kuantil sama dengan memaksimalkan fungsi likelihood dari error yang berdistribusi Asymmetric Laplace Distribution (ALD). Metode yang digunakan untuk menaksir parameter regresi kuantil adalah Gibbs sampling dari distribusi ALD yang merupakan kombinasi dari distribusi eksponensial dan Normal. Penaksiran parameter model regresi dilakukan dengan cara pengambilan sampel pada distribusi posteriordari parameter regresi yang ditemukan dalam skripsi ini. Pengambilan sampel pada distribusi posterior dapat menggunakan metode Gibbs sampling. Hasil yang diperoleh dari Gibbs sampling berupa barisan sampel parameter yang diestimasikan. Setelah mendapatkan barisan sampel, barisan sampel dirata-ratakan untuk mendapatkan taksiran parameter regresinya. Studi kasus dalam skripsi ini adalah membahas pengaruh faktor risiko dari nasabah asuransi kendaraan bermotor terhadap besar klaim yang diajukan oleh nasabah.

---

Quantile regression is a regression method that links the quantiles of the response variable with one or more predictor variables. Quantile regression has advantages that linear regression does not have; it is robust against outliers and can model heteroscedasticity data.

The parameters of quantile regression can be estimated using the Bayesian method. The Bayesian method is a data analysis tool derived based on the Bayesian inference principle.

Bayesian inference is the process of studying data analysis inductively with the Bayes theorem. To estimate regression parameters with Bayesian inference, it is necessary to find the posterior distribution of the regression parameters where the posterior distribution is

proportional to the product of the prior distribution and its likelihood function. Since the calculation of the posterior distribution analytically is difficult to do if the more parameters are estimated, the Markov Chain Monte Carlo (MCMC) method is proposed. The use of the Bayesian method in quantile regression has advantages, namely the use of MCMC has the advantages of obtaining sample parameter values from an unknown posterior distribution,

using computationally efficient, and easy to implement. Yu and Moyeed (2001) introduced Bayesian quantile regression using the likelihood function of errors with an Asymmetric Laplace Distribution (ALD) distribution and found that minimizing parameter estimates in quantile regression is the same as maximizing the likelihood function of errors with an Asymmetric Laplace Distribution (ALD) distribution. The method used to estimate quantile regression parameters is Gibbs sampling from the ALD distribution, which is a combination

of the exponential and normal distributions. The estimation of the regression model parameters is done by sampling the posterior distribution of the regression parameters which is found in this thesis. Gibbs sampling method is used to sampling the posterior distribution.

The results obtained from Gibbs sampling are a sample sequence of estimated parameters.

After obtaining the sample sequences, the sample lines are averaged to obtain an estimated regression parameter. The case study in this thesis discusses the effect of risk factors from motor vehicle insurance customers on the size of claims submitted by customers."