Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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 Generalized Poisson I merupakan suatu model regresi yang digunakan untuk menganalisis hubungan antara sebuah variabel random dependen yang berupa data count ( berjenis diskrit ) dengan satu atau lebih variabel independen. Model ini dapat digunakan baik dalam keadaan ekuidispersi, overdispersi ataupun underdispersi. Penaksiran parameter dari model regresi Generalized Poisson I dapat diperoleh denganmenggunakan metode maksimum likelihood melalui pendekatan Newton- Raphson. Beberapa ukuran perbandingan dapat digunakan untuk membandingkan model regresi Generalized Poisson I dengan model regresi Poisson."

"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."

"Analisis regresi adalah sebuah metode statistika yang digunakan untuk menganalisis hubungan antara sebuah variabel dependen dengan satu atau lebih variabel independen. Pada umumnya variabel dependen dalam analisis regresi adalah variabel random kontinu dan distribusi dari variabel dependen diberikan nilai variabel independen adalah Normal. Dalam skripsi ini akan dijelaskan mengenai analisis regresi yang variabel dependen diberikan nilai variabel independennya diasumsikan berdistribusi Poisson. Analisis regresi tersebut dinamakan analisis regresi Poisson. Analisis regresi Poisson digunakan untuk menganalisis hubungan antara sebuah variabel dependen yang menyatakan data terhitung atau data count berdistribusi Poisson dengan satu atau lebih variabel independen. Data count yang dimaksud misalnya adalah banyaknya kejadian dalam interval waktu, ruang, atau volume tertentu. Dalam analisis regresi Poisson, variabel independen yang digunakan dapat berjenis kontinu atau kategorik. Hubungan antara variabel dependen dan variabel independen tersebut dijelaskan oleh model regresi Poisson. Penaksiran parameter model dilakukan menggunakan metode maksimum likelihood dengan pendekatan Newton-Raphson. Pengujian signifikansi parameter model menggunakan uji Rasio Likelihood dan uji Wald. "

"ABSTRAKSalah satu alternatif ukuran kekuatan prediksi yang dapat diterapkan pada model GLM dimana variabel responnya berdistribusi tidak hanya normal yaitu dengan menggunakan koefisien korelasi regresi regression correlation coefficient ndash; RCC . Koefisien korelasi regresi dibangun berdasarkan definisi koefisien korelasi dengan menggunakan model GLM. Sehingga RCC dapat didefinisikan sebagai nilai yang menyatakan kekuatan hubungan antara variabel respon dan ekspektasi bersyarat dari variabel respon. Koefisien korelasi regresi merupakan salah satu alternatif ukuran kekuatan prediksi yang dapat memenuhi sifat applicability, interpretability, consistency, dan affinity. Pada umumnya bentuk eksplisit dari RCC pada GLM sulit ditemukan. Namun, ketika RCC diterapkan pada model regresi Poisson dan variabel prediktor diasumsikan berdistribusi multivariat normal, maka akan ditemukan bentuk eksplisit. Bentuk eksplisit ini masih memuat parameter ndash; parameter dari model regresi Poisson yang tidak diketahui. Oleh karena itu, perlu dicari estimasi dari parameter - parameter tersebut sehingga diperoleh estimator dari RCC. Metode yang digunakan untuk mengestimasi parameter pada model regresi Poisson adalah metode maximum likelihood."

---

""ABSTRACT"The regression correlation coefficient RCC is one alternative measure of predictive power that can be applied to the GLM model in which the distribution of response variable is not only normal. The regression correlation coefficient is constructed based on the definition of correlation coefficient by using generalized linear model GLM . So, the RCC can be defined as a value that states the strength of the relationship between the response variable and the conditional expectation of the response variable. The regression correlation coefficient is one of predictable strength measure that can satiesfies the property like applicability, interpretability, consistency, and affinity. In general, the explicit form of RCC on GLM is difficult to find. However, when RCC is applied to the Poisson regression model and the predictor variable is assumed to be a normal multivariate distribution, an explicit form is found. This explicit form still contains the unknown parameters of the Poisson regression model. Therefore, we need to find an estimate of these parameters to obtain an estimator from the RCC. The method used to estimate the parameters in Poisson regression model is maximum likelihood method."

"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."

"Dalam segala kompetisi olahraga, mengetahui tim mana yang akan menjuarai atau memenangkan pertandingan atau kejuaraan merupakan sesuatu yang menarik untuk diketahui oleh fans dan media, tak terkecuali dengan sepak bola yang beberapa tahun terakhir ini telah menjadi topik penelitian. Dalam skripsi ini digunakan model regresi Poisson untuk memprediksi hasil akhir pertandingan sepak bola, dengan memprediksi rataan gol yang dicetak suatu tim dalam setiap pertandingan yang mengikuti distribusi Poisson. Model regresi Poisson untuk banyak gol yang dicetak suatu tim dikonstruksi dari empat variabel yaitu gol yang dicetak dalam tiap pertandingan, keuntungan bermain kendang home advantage, kemampuan serangan offensive, kemampuan pertahanan deffensive. Metodologi diterapkan pada Liga Utama Inggris 2017-2018. Adapun hasil yang dikeluarkan memiliki tingkat akurasi yang cukup baik.

---

In any sport competition, there is a strong interest in knowing which team shall be the champion at the end of the championship and one of them is football. Football match predictions are of great interest to fans and sports press. In the last few years it has been the focus of several studies. In this essay, propose Poisson regression model to predict the final result of football matches. Predict the average goals scored by each team by assuming that the number of goals scored by a team in a match follows a univariate Poisson distribution. Poisson regression model for many goals scored by the team is formulated from four variables the goal average in a match, the home team advantage, the team 39 s offensive power, the opponent team 39s defensive power. The methodology is applied to the 2017 2018 English Premier League. The results obtained using this model has a fairly good accuracy."

"Analisis regresi merupakan salah satu metode yang paling sering digunakan dalam menganalisis data. Pada aplikasinya, seringkali proses analisis dihadapkan dengan masalah keterurutan. Pada tahun 1972 Richard E. Barlow memperkenalkan metode Regresi Isotonik sebagai salah satu metode analisis data yang mempertimbangkan keterurutan. Metode regresi ini digunakan ketika penelitian berhadapan dengan asumsi bahwa ketika nilai variabel independen bertambah, maka nilai variabel dependen juga bertambah. Dengan adanya asumsi ini, maka digunakan fungsi isotonik, yaitu fungsi yang mempertahankan keterurutan naik, untuk menemukan model yang sesuai. Tujuan dari metode Regresi Isotonik adalah menemukan fungsi g* yang merupakan anggota kelas fungsi isotonik dan memiliki jarak kuadrat minimum terhadap fungsi yang diperoleh dari data pengamatan. Dengan menggunakan prinsip dasar Cumulative Sum Diagram dan Greatest Convex Minorant, g* bisa diperoleh, dimana g* adalah fungsi tangga. Seiring berkembangnya teori pendekatan, interpolasi polinomial juga semakin berkembang dan bisa digunakan untuk smoothing fungsi tangga yang diperoleh dari metode Regresi Isotonik. Fungsi hasil smoothing ini dinamakan Smooth Isotonic Regression. Dalam skripsi ini akan dibahas bagaimana cara memodelkan hubungan antara dua variabel menggunakan metode Regresi Isotonik dan Smooth Isotonic Regression.

---

Regression analysis is a method in statistics that often used to analyze data. On the application in real world problem, the analysis process is often confronted an order restriction. In 1972, Richard E. Barlow introduced a method named Isotonic Regression as a method that concerns on the order restriction. This method is used when the analysis confront an assumption that the dependent variable value will increase as the independent variable value increase. With this assumption, the regression model is constructed from isotonic function that preserves the order of the variable.

The objective of this method is to find a function g* that has minimum distance to the observation data function and g* is element of class of isotonic function . Using the Cumulative Sum Diagram and Greatest Convex Minorant, appropriate g* can be found and g* is a step function. Polynomial interpolation as the development of approximation theory can be used as a smoothing function to the step function from isotonic regression. This smooth function named Smooth Isotonic Regression. In this paper, these two methods will be explained."

"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."