Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Analisis regresi digunakan untuk mengetahui hubungan antara satu variabel respon dan satu atau lebih variabel penjelas. Ketika variabel respon berupa data count yaitu data yang berupa bilangan bulat non-negatif, analisis regresi yang sering digunakan adalah analisis regresi Poisson. Pada regresi Poisson terdapat asumsi kesamaan nilai mean dengan nilai variansinya. Dalam data count sering didapati kondisi dimana nilai variansi lebih besar dari nilai meannya atau disebut overdispersi. Pada data yang overdispersi, regresi Poisson kurang tepat jika digunakan karena nilai standard error dari taksiran parameter yang dihasilkan akanunderestimate sehingga beresiko memberikan kesimpulan yang tidak tepat. Model regresi Poisson-Inverse Gaussian dapat digunakan pada data count yang overdispersi dan memiliki tail panjang. Penaksiran parameter model regresi Poisson-Inverse Gaussian menggunakan metode maksimum likelihood dan solusi dari fungsi log -likelihood-nya menggunakan pendekatan numerik yaitu Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo R-Squared, uji rasio likelihood, dan Uji Wald.

---

Regression analysis is used to investigate the relationship between one response variable and one or more regressor variables. If the response variable is count data, that has non negative integer value, the regression analysis that usually used is Poisson Regression. Poisson regression has an assumption that mean of response variable equal to its variance. On count data frequently found that the variance is greater than mean, or called overdispersion. On overdispersion case, poisson regression is inconvenient to used because it may underestimate the standard error of regression parameters and consequently it risk to give misleading inference. Poisson Inverse Gaussian regression model can be used on overdispersion and long tail count data. Parameter estimation of Poisson Inverse Gaussian Regression Model can be obtained through the maximum likelihood method and the solution of log likelihood function may be solved by using numerical method called Newton Raphson. Goodness of fit testing of this model includes pseudo R Squared, rasio likelihood test, and Wald test."

"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."

"Untuk memodelkan data cacah atau count data, model regresi yang biasa digunakan adalah model regresi Poisson. Model regresi Poisson mengasumsikan mean pada variabel respon sama dengan variansinya atau dikenal dengan istilah equidispersion. Apabila regresi Poisson digunakan untuk kondisi selain equidispersion, yaitu overdispersion dan underdispersion, maka nilai standard error dari estimasi parameter model menjadi tidak konsisten. Salah satu alternatif model regresi untuk mengatasi overdispersion maupun underdispersion adalah model regresi double Poisson. Model regresi double Poisson mengasumsikan variabel respon berdistribusi double Poisson. Distribusi double Poisson diperoleh menggunakan definisi dari keluarga distribusi double eksponensial. Parameter pada model regresi double Poisson diestimasi menggunakan metode maksimum likelihood dan solusi dari persamaan log-likelihoodnya diselesaikan menggunakan metode numerik Newton-Raphson. Penerapan model regresi double Poisson pada data kepiting tapal kuda menunjukan bahwa hanya variabel weight yang berpengaruh signifikan terhadap banyak kepiting satelit yang berkerumun ke sarang kepiting tapal kuda betina. Selain itu, interpretasi dari model regresi double Poisson juga serupa dengan model regresi Poisson sebab keduanya menggunakan fungsi penghubung log.

---

To model count data, the most commonly used regression model is the Poisson regression model. The Poisson regression model assumes that the mean of the response variable is equal to the variance, also known as equidispersion. If Poisson regression is used for conditions other than equidispersion, namely overdispersion and underdispersion, then the standard error value of the estimated model parameters becomes inconsistent. One of the alternative regression models to overcome overdispersion and underdispersion is the double Poisson regression model. The double Poisson regression model assumes that the response variable has a double Poisson distribution. The double Poisson distribution is obtained using the definition of the double exponential distribution family. The parameters in the double Poisson regression model were estimated using the maximum likelihood method and the solutions of the log-likelihood equation were solved using the Newton-Raphson numerical method. The application of the double Poisson regression model to the horseshoe crab data shows that only the variable weight has a significant effect on the number of satellite crabs swarming to the nests of female horseshoe crabs. In addition, the interpretation of the double Poisson regression model is also similar to the Poisson regression model because both use a log link function."

"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."

"Regresi Poisson merupakan generalized linear models (GLM) yang umum digunakan untuk memodelkan hubungan antara variabel respon berbentuk count data dengan satu atau lebih kovariat. Hanya saja, kerap dijumpai count data yang tidak memenuhi asumsi equidispersion sehingga tidak dapat dimodelkan dengan regresi Poisson. Salah satu penyebabnya adalah fenomena overdispersion yang teridentifikasi dengan banyaknya observasi yang bernilai nol (excess zeros) pada count data. Model regresi Zero-Inflated Poisson (ZIP) dapat digunakan untuk memodelkan count data yang mengalami overdispersion akibat excess zeros. Namun, pada beberapa kasus, count data dapat mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Oleh karena itu, diperkenalkan solusi atas permasalahan tersebut menggunakan sebuah distribusi baru, yaitu distribusi Zero-and-One-Inflated Poisson (ZOIP), yang dibangun berdasarkan distribusi Bernoulli dan Poisson. Pada skripsi ini, dikonstruksi model regresi ZOIP untuk memodelkan count data yang mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Parameter model regresi ZOIP tersebut diestimasi menggunakan metode maksimum likelihood dan algoritma Expectation Maximization (EM). Selanjutnya, diaplikasikan model regresi ZOIP dengan satu kovariat dan tanpa kovariat ke data klaim asuransi mobil. Berdasarkan nilai Akaike Information Criteria (AIC), didapatkan bahwa model regresi tanpa kovariat lebih cocok untuk memodelkan data klaim asuransi mobil yang dipakai.

---

Poisson regression is a generalized linear model (GLM) that is commonly used to model the relationship between response variables in the form of count data with one or more covariates. However, it is often found that count data does not meet the equidispersion assumption, so it cannot be modeled using Poisson regression. One of the causes is the phenomenon of overdispersion which is identified by the number of observations that are zero (excess zeros) in the count data. The Zero-Inflated Poisson (ZIP) regression model can be used to model count data that experiences overdispersion due to excess zeros. However, in some cases, count data may contain excess zeros and excess ones in a certain period of time. Therefore, a solution to this problem was introduced using a new distribution, namely the Zero-and-One-Inflated Poisson (ZOIP) distribution, which was built based on the Bernoulli and Poisson distribution. In this thesis, a ZOIP regression model is constructed to model count data containing excess zeros and excess ones in a certain period of time. The parameters of the ZOIP regression model are estimated using the maximum likelihood method and the Expectation Maximization (EM) algorithm. Furthermore, the ZOIP regression model with a covariate and without covariates were applied to the car insurance claim data. Based on the Akaike Information Criteria (AIC) value, it was found that the regression model without covariates is more suitable for modeling the car insurance claim data used."

"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."