Ulum, Ahmad Fatih Basitul (2016) Penaksiran Parameter Dan Pengujian Hipotesis Model Geographically Weighted Bivariate Negative Binomial Regression (Studi Kasus: Jumlah Penderita Penyakit Kusta Tipe PB Dan MB Di Jawa Timur Tahun 2012). Masters thesis, Institut Teknologi Sepuluh Nopember.
|
Text
1314201716-Master-Thesis.pdf Download (3MB) | Preview |
Abstract
Regresi Poisson adalah basis regresi yang digunakan pada respons berupa count data. Asumsi kesamaan varians dan rata-rata (ekuidispersi) menjadi syarat mutlak yang harus dipenuhi pada model ini. Pelanggaran asumsi ekuidispersi mengakibatkan standard error dari parameter menjadi underestimate. Pada kenyataannya, kondisi ekuidispersi adalah hal yang jarang terjadi. Kondisi varians lebih besar dari rata-rata (overdispersi) lebih sering terjadi. Regresi binomial negatif menjadi salah satu alternatif untuk mengatasi overdispersi pada regresi Poisson. Untuk bivariate count data, basis regresinya ialah regresi Poisson bivariat. Namun bila terjadi overdispersi bisa digunakan regresi negatif binomial bivariat. Regresi biasa (global) mengasumsikan varians pada seluruh observasi sama (homoscedasticity), sehingga parameter yang dihasilkan berlaku pada semua lokasi observasi. Bila varians antar lokasi tidak sama (spatial heterogeneity), regresi global akan kurang tepat digunakan, sehingga regresi lokal menjadi pilihan yang tepat. Regresi lokal mampu menghasilkan parameter yang berbeda untuk tiap titik lokasi, sehingga keragaman antar lokasi bisa digambarkan dengan baik oleh model ini. Kusta merupakan jenis penyakit yang dapat menimbulkan dampak sosial, ekonomi, dan budaya. Indonesia merupakan penyumbang terbesar ketiga kasus kusta di dunia setelah India dan Brazil, sedangkan kasus kusta terbanyak di Indonesia terjadi di Jawa Timur. Hasil penelitian menunjukkan beberapa faktor, seperti faktor sosial, ekonomi, dan budaya menjadi pemicu terjadinya kasus kusta. Penelitian sebelumnya dilakukan dengan model Geographically Weighted Bivariate Poisson Regression (GWBPR) pada kasus kusta tipe Pausibasiler (PB) dan Multibasiler (MB) di Jawa Timur. Namun penelitian tersebut menyebutkan adanya kasus overdispersi. Penelitian ini menerapkan model Geographically Weighted Bivariate Negative Binomial Regression (GWBNBR) untuk menangani overdispersi pada model GWBPR. Penaksiran parameter GWBNBR dilakukan dengan metode Maximum Likelihood Estimation (MLE). Berdasarkan kriteria devians dan Akaike Information Criterion (AIC), dalam kasus ini model lokal memiliki kinerja lebih baik dibanding model global ================================================================================================================== Poisson regression is a basic regression on count data response. Equality of mean and variance (equidispersion) is one of the special assumption in this model. Violation of this assumption cause the standard error of parameters is not precise. In real, the assumption of equidispersion is something rare, unlike variance greater than mean (overdispersion) is more frequent. Negative binomial regression is an alternative to handle overdispersion in Poisson based regression. For bivariate count data responses, the base regression model is bivariate Poisson regression. If there were overdispersion the bivariate negative binomial regression is recommended. Common regression (global) assumed the equality of variance among observations (homoscedasticity), so the parameter is valid for all location of observations. If there were inequality of variance among observations (spatial heterogeneity), the global model is not proper. So the local model will have the better result. Local regression produce the different parameter for every location of observations, so the variation among location could be well described using this model. Leprosy is a disease which cause the social, economy, and cultural effect. Indonesia share the biggest leprosy case after India and Brazil, and East Java Province share the largest case in Indonesia. From researches, several factors such as social, economy, and culture has the trigger of leprosy case. Previous research on leprosy case with Paucibacillary (PB) and Multibacillary (MB) type of leprosy in East Java Province has done using Geographically Weighted Bivariate Poisson Regression (GWBPR). However, there were presence an overdispersion. This research intend to overcome the oversdispersion in GWBPR, using Geographically Weighted Bivariate Negative Binomial Regression (GWBNBR). Estimation of GWBNBR parameter using Maximum Likelihood Estimation (MLE). Based on deviance and Akaike Information Criterion (AIC), local model have better perform than global model in this case.
| Item Type: | Thesis (Masters) |
|---|---|
| Additional Information: | RTSt 619.536 Ulu p |
| Uncontrolled Keywords: | bivariate count data, overdispersi, regresi negatif binomial bivariat, heterogenitas spasial, regresi lokal. |
| Subjects: | H Social Sciences > HN Social history and conditions. Social problems. Social reform |
| Depositing User: | Users 13 not found. |
| Date Deposited: | 16 Jun 2017 02:32 |
| Last Modified: | 27 Dec 2018 04:36 |
| URI: | https://repository.its.ac.id/id/eprint/41706 |
Actions (login required)
 |
View Item |
