Articles
<![CDATA[PEMERIKSAAN DATA BERPENGARUH DALAM MODEL REGRESI GAMMA ]]>
<![CDATA[Hajarisman, Nusar]]>
<![CDATA[ MEDIA STATISTIKA Vol 3, No 2 (2010): Media Statistika ]]>
Publisher : <![CDATA[Department of Statistics, Faculty of Science and Mathematics, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (560.338 KB)
|
DOI: 10.14710/medstat.3.2.79-92
<![CDATA[In certain cases, often encountered a group of data where the observed respone variable shaped non-negative and not symmetrical (skewed to the right). The case data such as this one can be found in the field of insurance, such as variable stating the amount of claims or states of time between when a customer claims to obtain these claims. To handle such cases one of them is by using a generalized linear model, with respone variables that follow the gamma distribution. The paper discusses the inspection data outliers and influential data in the modeling of the respone following the gamma distribution. Several statistical measures used to examine the outlier data is the value of leverage, standardized deviance residual, standardized Pearson residual, and residual likelihood. Then the data outliers potentially influential data will be examined using Cook's distance statistics. Â Keywords: Gamma Distributions, Leverage, Standardized Deviance Residual, Standardized Pearson Residual, And Residual Likelihood, Cook's Distance Statistics]]>
<![CDATA[Penaksiran Dan Pengujian Model Regresi Beta-Logistik Heckman-Willis ]]>
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Asep Saefuddin]]>
<![CDATA[ FORUM STATISTIKA DAN KOMPUTASI Vol. 6 No. 2 (2001) ]]>
Publisher : <![CDATA[FORUM STATISTIKA DAN KOMPUTASI ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Methods are presented for modeling dose-related effects in proportion data when extra-binomial variability is a concern. Motivation is taken from experiments in developmental toxicology, where the observed proportions. Appeal is made to the well-known beta-binomial distribution to represent the overdispersion. From this, an exponential function of the linear predictor is used to model the dose-response relationship. The spesification was introduced previously for econometric applications by Heckman and Willis; it induces a form logistic regression for mean response, together with a reciprocal biexponential model for the intralitter correlation. For large sample, likelihood based methods for estimating and testing the joint proportion-correlation response are studied.Keywords: logistic regression, beta-binomial distributin, biexponential model]]>
<![CDATA[PENDEKATAN NONPARAMETRIK UNTUK ANALISIS TREND PADA RESPONS BINER ]]>
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Asep Saefuddin]]>
<![CDATA[ FORUM STATISTIKA DAN KOMPUTASI Vol. 11 No. 1 (2006) ]]>
Publisher : <![CDATA[FORUM STATISTIKA DAN KOMPUTASI ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Pada saat penelitian lebih difokuskan pada proporsi dari banyaknya ‘sukses’, pi = Yi/Ni, maka analisis seringkali dilakukan berdasarkan model sampling untuk proporsi:distribusi binomial. Distribusi statistik sederhana seperti binomial kadang-kadang tidak mampu untuk menggambarkan distribusi sampling dari Yi atau pi. Dengan demikian, untuk setiap analisis berdasarkan pada penaksiran parameter dari model binomial (yaitu metode parametrik binomial) akan membawa pada kekeliruan dalam inferensi mengenai efek dari suatu stimulus yang sedang diamati. Dalam makalah ini akan dibahas mengenai suatu alternatif dari model parametrik untuk pi, yaitu dengan menggunakanmetode bebas-distribusi (nonparametrik). Dua buah metode berdasarkan pendekatan nonparametrik untuk keperluan analisis trend yang akan dibahas dalam makalah ini ujiCochran-Armitage dan uji Permutasi.]]>
<![CDATA[Penaksiran Parameter Model Regresi Beta untuk Memodelkan Data Proporsi ]]>
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 12, No 1 (2012) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v12i1.1056
<![CDATA[Suatu variabel respons yang berbentuk proporsi yang nilainya ada dalam selang terbuka (0, 1) dapatdihubungkan dengan sejumlah variabel prediktor melalui model regresi beta. Model ini merupakanbagian dari model linear umum (generalized linear model, GLM) dimana variabel respons ini adalahmegikuti distribusi beta yang merupakan anggota dari keluarga eksponensial. Parameter regresi darimodel regresi beta dapat diinterpretasikan dalam bentuk rata-rata dari respons, dan ketikamenggunakan fungsi hubung logit, maka parameter regresi ini diinterpretasikan sebagai odds rasio.Penaksiran parameter model menggunakan metode kemungkinan maksimum, dimana prosespenaksirannya harus diselesaikan secara numerik. Dalam makalah ini akan dibahas mengenaipenaksiran parameter model regresi beta melalui metode penskoran Fisher berdasarkan pada vektorskor dan matriks informasi Fisher. Terakhir, akan dibahas pula contoh penerapan dari pemodelandata proporsi melalui regresi beta ini.]]>
<![CDATA[Strategi Pembentukan Model Regresi Logistik ]]>
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 5, No 2 (2005) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v5i2.924
<![CDATA[Metode pemilihan model regresi terbaik bagi sebagian pengguna statistik merupakan suatu halyang relatif sulit dilakukan karena menyangkut dua tujuan yang berbeda. Pertama, kita inginmemasukkan sebanyak mungkin variabel agar diperoleh model dugaan yang terandalkan. Kedua, kitaingin melibatkan sesedikit mungkin variabel ke dalam model agar diperoleh varians dari taksiranrespons yang kecil. Dalam makalah ini akan diberikan beberapa prosedur atau strategi pembentukanmodel regresi logistik yang banyak diadopsi dari prosedur regresi linear biasa. Prosedur pembentukanmodel regresi logistik yang akan dibahas dalam makalah ini diantaranya adalah prosedur pemilihanvariabel, regresi logistik bertahap (stepwise logistic regression), dan regresi logistik himpunan bagianterbaik (best subsets logistic regression).]]>
<![CDATA[Analisis Data Respon Biner Bivariat dengan Tidak Mengabaikan Data Hilang ]]>
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Aceng Komarudin Mutaqin]]>;
<![CDATA[Fera Shintarini]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 2 (2003) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v3i2.580
<![CDATA[Makalah ini membahas tentang analisis data respon biner bivariat dimana ada data hilangpada variabel respon yang kedua. Dalam penganalisisannya data hilang tersebut dapat dilibatkandengan cara menduplikasinya dan diberi bobot. Model yang digunakan dalam analisis ini adalahmodel regresi logistik. Penaksiran parameternya dihitung dengan menggunakan metode iterasi.Sedangkan varians dari penaksir parameternya dihitung dengan menggunakan metode jackknife.Data yang digunakan dalam penerapan analisis data respon biner bivariat dimana ada data hilangpada variabel respon yang kedua adalah data kenaikan berat badan balita berdasarkan jenis kelamindan umur balita (bulan) di Posyandu Anggrek Komplek Cilame Permai RW 19 Cilame Cimahi padabulan April sampai Juni tahun 2003. berdasarkan hasil dan pembahasan disimpulkan bahwa modelregresi logistik tidak cocok untuk memodelkan hubungan antara kenaikan berat badan balita bulanMei sampai Juni dengan jenis kelamin dan umur pada bulan April tahun 2003 di Posyandu AnggrekKompleks Cilame Permai RW 19 Cilame Cimahi]]>
<![CDATA[The Beta-Binomial Multivariate Model for Correlated Categorical Data ]]>
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Asep Saefuddin]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 8, No 1 (2008) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v8i1.976
<![CDATA[Over the past year, a significant amount of research has explored the logistic regression models foranalyzing correlated categorical data. In these models, it is assumed that the data occur in clusters,where individuals within each cluster are correlated, but individuals from different clusters areassumed independent. A commonly used in modeling correlated categorical univariate data is toassume that individual counts are generated from a Binomial distribution, with probabilities varybetween individuals according to a Beta distribution. The marginal distribution of the counts is thenBeta-Binomial. In this paper, a generalization of the model is made allowing the number ofrespondent m, to be random. Thus both the number units m, and the underlying probability vectorare allowed to vary. We proposed the model for correlated categorical data, which is generalized toaccount for extra variation by allowing the vectors of proportions to vary according to a Dirichletdistribution. The model is a mixture distribution of multinomial and Dirichlet distribution, and wecall the model as the beta-binomial multivariate model.]]>
<![CDATA[Masalah Overdispersi dalam Model Regresi Logistik Multinomial ]]>
<![CDATA[Annisa Lisa Nurjanah]]>;
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Teti Sofia Yanti]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 16, No 1 (2016) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v16i1.2278
<![CDATA[Model regresi logistik multinomial merupakan pengembangan dari model regresi logistik binomialdimana variabel responnya mempunyai lebih dari dua kategori (politokomus). Model ini jugamerupakan kelompok model linear terampat (generalized linear model), dimana komponen acaknyamengasumsikan bahwa distribusi dari variabel respon mengikuti distribusi multinomial. Salah satuasumsi yang harus dipenuhi dalam model regresi logistik multinomial ini adalah variabel responnyamerupakan variabel acak yang saling bebas dan kategorinya bersifat mutually exclusive. Apabilaasumsi ini dilanggar maka akan muncul masalah yang dikenal dengan masalah overdispersi.Konsekuensi dari adanya masalah overdispersi dalam data akan menghasilkan suatu model yangtidak valid. Salah satu cara untuk mengatasi masalah overdispersi dalam model regresi logistikmultinomial yang akan dibahas dalam makalah ini adalah mengadopsi apa yang dilakukan olehMcCullagh dan Nelder (1989) dengan mengkoreksi matriks varians kovariansnya. Model regresilogistik multinomial ini kemudian akan diaplikasikan untuk mengetahui pengaruh dari jenis kelamindan perilaku merokok orang tua terhadap perilaku merokok mahasiswa Unisba. Dari model regresilogistik multinomial biasa dan dengan model regresi logistik multinomial terkoreksi dapat disimpulkanbahwa variabel-variabel prediktor yang dianggap berarti dalam kedua pemodelan tersebut berbeda.Perbedaan lainnya terdapat pada nilai galat baku model regresi logistik multinomial biasa lebih kecildari yang seharusnya dengan kata lain underestimate dibandingkan dengan model regresi logistikmultinomial terkoreksi, dan selang kepercayaan untuk rasio odds menjadi pendek dibandingkandengan model regresi logistik multinomial terkoreksi.]]>
<![CDATA[DISCRETE CHOISE ANALYSIS AS A TOOL IN MARKETING RESEARCH AND ITS IMPLEMENTATION IN THE SAS SYSTEM ]]>
<![CDATA[Nusar Hajarisman]]>;
<![CDATA[Mardha Tri Meilani]]>;
<![CDATA[Hardiana Prasasti]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 3, No 1 (2003) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v3i1.569
<![CDATA[Discrete choice modeling, a somewhat newer technique in preference structure modeling of marketing research thanconjoint analysis. This model differs in that consumers are asked to view a series of competing products and select one. In thisregard, it is based on a move realistic task that consumers perform every day: the task of choosing a product from among a groupof competitor. Discrete choice models can be used to perform powerful and complex simulation of marketplace for an entireproduct or service category. The impact of price change and product enchangments on brand shares can be simulated before theyare implemented, as can the effects of potential competitive response to these action. Futher, discrete choice models are muchbetter than conjoint analysis at duplicating the interactions between different characteristics of a product or service. We usePHREG procedure in the SAS system to estimate the dicrete choice model.]]>
<![CDATA[Pemeriksaan Ketepatan Fungsi Hubung dalam Analisis Data Biner ]]>
<![CDATA[Nusar Hajarisman]]>
<![CDATA[ STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 9, No 1 (2009) ]]>
Publisher : <![CDATA[Program Studi Statistika Unisba ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.29313/jstat.v9i1.993
<![CDATA[Dalam pemodelan data biner atau binomial ada sejumlah cara dimana model dugaan tidak layak.Yang paling penting dari semua itu adalah komponen sistematik linear dari model tidak dinyatakandengan tepat. Sebagai contoh misalnya model tidak menyertakan suatu variabel penjelas yangmemang seharusnya berada di dalam model, atau mungkin satu atau dua variabel penjelas perluditransformasi sebelumnya. Kedua, transformasi dari peluang respons yang digunakan mungkintidak tepat; misalnya mungkin saja bahwa transformasi dari peluang respons yang telah digunakanadalah transformasi logistik padahal seharusnya menggunakan transformasi log-log komplementer.Ketiga, data mungkin berisi suatu data pencilan yang mengakibatkan data tidak cocok terhadapmodel dugaan. Teknik yang digunakan untuk memeriksa kelayakan model ini disebut juga sebagaiproses diagnosa. Pada makalah ini pembahasan akan lebih difokuskan pada pemeriksaan ketepatanfungsi hubung dalam pemodelan data biner.]]>
