Model Geographically and Temporally Weighted Compound Correlated Bivariate Poisson Regression (Studi Kasus: Jumlah Kematian Ibu dan Postneonatal di Provinsi Jawa Timur 2021-2023)

Hargandi, Priyanka Ratulangi (2025) Model Geographically and Temporally Weighted Compound Correlated Bivariate Poisson Regression (Studi Kasus: Jumlah Kematian Ibu dan Postneonatal di Provinsi Jawa Timur 2021-2023). Masters thesis, Institut Teknologi Sepuluh Nopember.

Text 6003231001-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Model Compound Correlated Bivariate Poisson Regression (CCBPR) merupakan model regresi dengan distribusi diskrit yang digunakan untuk memodelkan dua variabel respon cacahan yang saling berkorelasi, mengalami overdispersi, serta memiliki kemencengan dan modus lebih dari nol. CCBPR bersifat global dan belum mampu mengakomodasi heterogenitas spasial maupun temporal dalam data. Pengembangan model menjadi Geographically Weighted CCBPR (GWCCBPR) memungkinkan model menangkap variasi spasial, namun masih mengabaikan efek temporal yang juga berperan penting dalam memengaruhi variabel respon. Data panel yang mencakup periode waktu berbeda memberikan wawasan tambahan yang tidak dapat diperoleh hanya dari dimensi spasial. Penelitian ini mengembangkan model Geographically and Temporally Weighted Compound Correlated Bivariate Poisson Regression (GTWCCBPR) untuk mengatasi keterbatasan model GWCCBPR dengan mempertimbangkan dimensi temporal, sehingga memungkinkan analisis heterogenitas spasial dan temporal secara bersamaan. Model ini diterapkan untuk menganalisis jumlah kematian ibu dan postneonatal di Provinsi Jawa Timur tahun 2021–2023, dengan mengintegrasikan pengaruh spasial dan temporal melalui fungsi pembobot kernel Gaussian adaptif serta parameter penyeimbang spasio-temporal. Estimasi parameter dilakukan menggunakan metode Maximum Likelihood Estimation (MLE) dengan pendekatan numerik algoritma BHHH. Evaluasi model menggunakan kriteria AICc menunjukkan bahwa GTWCCBPR memiliki kinerja terbaik dibandingkan model CCBPR dan GWCCBPR. Parameter regresi GTWCCBPR bersifat lokal terhadap lokasi dan waktu, menghasilkan pola pengaruh variabel prediktor yang berbeda antar kabupaten/kota dan antar tahun. Model ini berhasil mengelompokkan kabupaten/kota ke dalam empat klaster berdasarkan pola signifikansi terhadap kematian ibu dan kematian postneonatal. Dengan demikian, GTWCCBPR memberikan fleksibilitas analisis yang lebih tinggi dibandingkan model sebelumnya, serta menghasilkan informasi yang lebih kontekstual untuk mendukung perumusan kebijakan kesehatan yang adaptif berbasis bukti spasial dan temporal.
===================================================================================================================================
The Compound Correlated Bivariate Poisson Regression (CCBPR) model is a discrete regression model used to analyze two correlated count response variables that exhibit overdispersion, skewness, and a mode greater than zero. However, CCBPR is a global model and cannot accommodate spatial and temporal heterogeneity in the data. The development of the Geographically Weighted CCBPR (GWCCBPR) allows the model to capture spatial variation, yet it still overlooks temporal effects that also influence the response variables. Panel data across different time periods provide additional insights that are not accessible from the spatial dimension alone. This study introduces the Geographically and Temporally Weighted Compound Correlated Bivariate Poisson Regression (GTWCCBPR) model to address the limitations of GWCCBPR by incorporating temporal variation, enabling simultaneous analysis of spatial and temporal heterogeneity. The model is applied to maternal and postneonatal mortality data in East Java Province during 2021–2023, integrating spatial and temporal effects through an adaptive Gaussian kernel weighting function and a spatio-temporal balancing parameter. Parameter estimation is conducted using the Maximum Likelihood Estimation (MLE) method with the Berndt–Hall–Hall–Hausman (BHHH) numerical algorithm. Model evaluation based on the corrected Akaike Information Criterion (AICc) indicates that GTWCCBPR outperforms both CCBPR and GWCCBPR. The regression parameters in GTWCCBPR are local to space and time, producing varying predictor effects across districts and years. The model successfully classifies districts into four clusters based on the significance patterns of maternal and postneonatal mortality. Thus, GTWCCBPR offers greater analytical flexibility and yields more contextual insights to support adaptive, evidence-based health policy formulation in both spatial and temporal dimensions.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	CCBPR, GTWCCBPR, Number of Maternal Deaths, Number of Postneonatal Deaths, CCBPR, GTWCCBPR, Jumlah Kematian Ibu, Jumlah Kematian Postneonatal
Subjects:	H Social Sciences > HA Statistics > HA30.6 Spatial analysis H Social Sciences > HA Statistics > HA31.3 Regression. Correlation. Logistic regression analysis. H Social Sciences > HA Statistics > HA31.7 Estimation Q Science > QA Mathematics > QA276 Mathematical statistics. Time-series analysis. Failure time data analysis. Survival analysis (Biometry) Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression
Divisions:	Faculty of Mathematics, Computation, and Data Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Priyanka Ratulangi Hargandi
Date Deposited:	05 Aug 2025 12:36
Last Modified:	05 Aug 2025 12:36
URI:	http://repository.its.ac.id/id/eprint/127515

Actions (login required)

View Item