Dahlianasofi (2009) Perbandingan regresi poisson tergeneralisasi dan regresi poisson lagrangian pada data over dispersi dan under dispersi. Sarjana thesis, Universitas Brawijaya.
Abstract
Analisis regresi merupakan teknik analisis data yang digunakan untuk memodelkan hubungan kausal antara satu peubah respon dengan satu atau lebih peubah penjelas. Jika peubah respon yang terlibat merupakan peubah diskrit hasil pencacahan yang berdistribusi Poisson, maka analisis regresi yang tepat digunakan adalah analisis Regresi Poisson (PR). Namun, Regresi Poisson menghendaki rata-rata dan ragam peubah respon harus sama, sehingga metode ini tidak tepat digunakan pada data yang mengalami over dispersi (ragam lebih besar daripada rata-rata) atau under dispersi (ragam lebih kecil daripada rata-rata). Alternatif model regresi yang lebih sesuai untuk data over dispersi atau under dispersi adalah model Regresi Poisson Tergeneralisasi (GPR) dan model Regresi Poisson Lagrangian (LPR). Penelitian ini bertujuan untuk membandingkan model Regresi Poisson Tergeneralisasi dan model Regresi Poisson Lagrangian pada data over dispersi dan under dispersi. Data yang digunakan adalah 10 buah data sekunder di bidang astronomi, pertanian, kedokteran, biologi, manajemen bisnis, transportasi, asuransi kesehatan, kriminologi, psikologi pendidikan dan ekonomi. Hasil analisis menunjukkan bahwa Regresi Poisson Tergeneralisasi lebih sesuai jika digunakan pada data pengamatan yang mengalami over dispersi, sedangkan Regresi Poisson Lagrangian lebih tepat bila diterapkan pada data pengamatan yang mengalami under dispersi.
English Abstract
Regression analysis is a kind of statistical analysis technique used to model the causality among a response variable and one or more explanatory variables. When the response variable is a discrete counts variable and follow the Poisson distribution, then Poisson Regression (PR) is the appropriate analysis. Unfortunately, Poisson Regression requires an equality between mean and variance of the response variable. So, this method is not appropriate to be applied on overdispersion data (variance is higher than mean) or underdispersion data (variance is smaller than mean). The proper alternative models for those data are Generalized Poisson Regression (GPR) and Lagrangian Poisson Regression (LPR), that do not require any equality between mean and variance of the response variable. The purpose of research is comparing the performances of Generalized Poisson Regression (GPR) and Lagrangian Poisson Regression (LPR) in 10 data from 10 different fields, those are astronomy, farming, medical, biology, business management, transportation, health insurance, criminology, psychology of education and economy. The results of analysis show that GPR more appropriate for overdispersion data and LPR more appropriate for underdispersion data.
| Item Type: | Thesis (Sarjana) |
|---|---|
| Identification Number: | SKR/MIPA/2009/29/050900271 |
| Subjects: | 500 Natural sciences and mathematics > 510 Mathematics |
| Divisions: | Fakultas Matematika dan Ilmu Pengetahuan Alam > Matematika |
| Depositing User: | Unnamed user with email repository.ub@ub.ac.id |
| Date Deposited: | 13 Feb 2009 14:05 |
| Last Modified: | 22 Oct 2021 07:11 |
| URI: | http://repository.ub.ac.id/id/eprint/152249 |
Preview |
Text
050900271.pdf Download (3MB) | Preview |
Actions (login required)
 |
View Item |