Wening, Anjar Wicitra (2020) Estimasi Kurva Regresi Semiparametrik untuk Data Longitudinal Menggunakan Estimator Campuran Spline Truncated dan Deret Fourier. Masters thesis, Institut Teknologi Sepuluh Nopember.
Preview |
Text
06211750010029-Master_Thesis.pdf Download (8MB) | Preview |
Abstract
Regresi semiparametrik adalah pendekatan regresi yang digunakan ketika bentuk kurva regresi diasumsikan sebagian diketahui dan sebagian tidak diketahui. Jenis metode estimasi yang sama umumnya digunakan untuk beberapa atau semua variabel prediktor pada model regresi semiparametrik. Padahal ditemukan banyak contoh kasus data yang memiliki pola berbeda pada setiap variabel prediktornya, sehingga jika data dipaksa untuk menggunakan hanya satu bentuk estimator untuk mengestimasi kurva regresi, akan menghasilkan estimasi yang tidak sesuai dengan pola data. Oleh karena itu, estimator campuran perlu dikembangkan. Namun, estimator campuran dalam penelitian sebelumnya hanya mampu menangani data cross-section. Maka penelitian ini menggunakan data longitudinal yang memiliki kelebihan, salah satunya adalah estimasi masing-masing karakteristik individu dan waktu diperoleh secara terpisah. Oleh karena itu, penelitian ini mengembangkan suatu model estimator campuran Spline Truncated dan Deret Fourier dalam regresi semiparametrik untuk data longitudinal dengan menggunakan metode Weighted Least Square dalam penyelesaian estimasinya. Pemilihan model terbaik didasarkan pada titik knot dan parameter osilasi yang dapat dipilih secara optimal menggunakan nilai Generalized Cross Validation (GCV) minimum. Model regresi semiparametrik untuk data longitudinal menggunakan estimator campuran Spline Truncated dan Deret Fourier diterapkan pada data persentase kejadian pneumonia di Indonesia. Model terbaik yang diperoleh adalah model regresi dengan satu titik knot dan osilasi k=1,dengan nilai GCV sebesar 17,52002.
========================================================
Semiparametric regression is the regression approach that is used when the form of a regression curve is assumed to be partly known and partly unknown. In the semiparametric regression model, the same type of estimation method is generally used for some or all of the predictor variables. There are many examples of data cases that have different patterns on each predictor variable, so if the data is forced to use only one form of estimator to estimate the regression curve, it will produce estimation that will not be appropriate to the data pattern. Therefore, a mixed estimator needs to be developed. However, mixed estimator in previous studies was only able to handle cross-sectional data. So this study uses longitudinal data that has advantages, one of which is an estimation of each individual characteristic and time characteristic are obtained separately in longitudinal data. Therefore, this study develops a mixed Spline Truncated and Fourier Series estimator in semiparametric regression for longitudinal data using the Weighted Least Square method. The selection of the best model is based on knot points and optimum oscillation parameters that should be selected optimally using minimum Generalized Cross-Validation (GCV) value. Semiparametric regression model for longitudinal data with mixed Spline Truncated and Fourier Series estimator is used for a percentage of pneumonia case data in Indonesia. The best model obtained is a regression model with one-knot point and oscillation k=1, with GCV value 17,52002.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 519.536 Wen e-1 |
| Uncontrolled Keywords: | Semiparametrik, Spline Truncated, Deret Fourier, Data Longitudinal, Weighted Least Square |
| Subjects: | Q Science > QA Mathematics > QA278.2 Regression Analysis. Logistic regression Q Science > QA Mathematics > QA404 Fourier series |
| Divisions: | Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis |
| Depositing User: | Anjar Wicitra Wening |
| Date Deposited: | 20 May 2024 09:10 |
| Last Modified: | 20 May 2024 09:10 |
| URI: | http://repository.its.ac.id/id/eprint/74174 |
Actions (login required)
 |
View Item |