Mikhratunnisa (2015) Pemodelan Partial Proportional Odds Pada Masa Studi Lulusan Program Magister Institut Teknologi Sepuluh Nopember. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
1313201015-Master-Thesis.pdf Download (1MB) | Preview |
Abstract
Regresi logistik ordinal merupakan salah satu metode statistika untuk
menganalisis data dengan variabel respon yang mempunyai skala data ordinal dan
terdiri dari tiga kategori atau lebih, serta variabel prediktor yang digunakan dapat
berupa data kategori atau kuantitatif. Model yang umum digunakan dalam regresi
logistik ordinal adalah Proportional Odds Model (POM). POM mempunyai
asumsi kuat yang dapat menyebabkan kesalahan interpretasi jika asumsi
dilanggar, asumsi umum dari model tersebut adalah bahwa log-odds ratio tidak
bergantung pada kategori variabel respon, atau lebih dikenal dengan asumsi
proportional odds. Dalam model regresi logistik ordinal yang memenuhi asumsi
proportional odds bahwa koefisien dari masing-masing fungsi logit yang
terbentuk adalah sama dan yang berbeda adalah pada nilai intercept masingmasing
fungsi logit tersebut. Model alternatif yang perlu dipertimbangkan ketika
asumsi proportional odds tidak terpenuhi adalah PPOM (Partial Proportional
Odds Model), yakni model yang melemahkan asumsi proporsionalitas pada
beberapa variabel prediktor dalam model. Tujuan penelitian ini adalah mengkaji
estimasi parameter PPOM dan mengaplikasikan PPOM pada masa studi lulusan
program magister Institut Teknologi Sepuluh Nopember (ITS). Estimasi
parameter PPOM dengan menggunakan metode Maximum Likelihood Estimation
(MLE) diperoleh hasil yang tidak close form sehingga diperlukan iterasi Newton-
Raphson. Hasil pengujian parameter PPOM menunjukkan bahwa variabel
prediktor yang berpengaruh terhadap masa studi lulusan program magister Institut
Teknologi Sepuluh Nopember (ITS) adalah nilai Toefl, jenis kelamin, kesesuaian
bidang studi antara S1 dan S2, nilai IPK S1, sumber pendanaan, jenis pekerjaan,
dan asal fakultas.
===============================================================================================
Ordinal logistic regression is one of statistical method that use to data analysis
with ordinal response variable and consist of three or more category, and the
predictor variables can be category or quantitative. The general model that used in
ordinal logistic regression is Proportional Odds Model (POM) which has strong
assumptions may cause wrong interpretation if the assumptions was violated, the
common assumption is log-odds ratio not depend on response variable category,
called proportional odds assumption. In ordinal logistic regression model that
satisfy the proportional odds assumption has a same coefficient of each formed
logit function and a different intercept of logit function. The alternative model
considering when the proportional odds assumption is not satisfy, that is Partial
Proportional Odds Model (PPOM). This model relaxing the proportionality
assumption only for some predictor variables in the model. The aims of this
research are to review parameter estimation of PPOM and applied PPOM in study
period of master’s degree programme in Institut Teknologi Sepuluh Nopember.
The parameter estimation use Maximum Likelihood Estimation (MLE) and
because it is not close form, Newton-Raphson iteration necessary. Parameter
PPOM’s test show that the influence variables are TOEFL test, Sex, Suitability of
S1 and S2, S1 IPK, Funding Resource, Job and Native Faculty.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.536 Mik p |
| Uncontrolled Keywords: | Regresi logistik ordinal, Proportional Odds Model, Partial Proportional Odds Model, masa studi |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression |
| Divisions: | Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Mr. Marsudiyana - |
| Date Deposited: | 06 Dec 2019 06:56 |
| Last Modified: | 06 Dec 2019 06:56 |
| URI: | http://repository.its.ac.id/id/eprint/72255 |
Actions (login required)
 |
View Item |