Hasil Pencarian  ::  Simpan CSV :: Kembali

"Over-dispersi dan under-dispersi adalah beberapa masalah umum ketika pemodelan dihitung data. Karena kondisi seperti itu, distribusi Poisson tidak lagi cocok untuk data cacah pemodelan, karena melanggar asumsi kesetaraan (mean equal variance). Di studi sebelumnya, beberapa distribusi telah diperkenalkan sebagai alternatif untuk Distribusi poisson, untuk menangani kondisi dispersi. Namun, distribusinya bisa hanya menangani overdispersion atau underdispersion. Oleh karena itu, distribusi baru adalah dikembangkan untuk menangani data dengan dispersi kurang dan penyebaran berlebihan. Distribusi ini adalah disebut distribusi Conway Maxwell Poisson (COM-Poisson). COM-Poisson distribusi pertama kali diperkenalkan oleh Conway dan Maxwell pada tahun 1962, sebagai solusi untuk sistem antrian dengan tarif layanan yang tergantung pada negara. Modifikasi Poisson ini distribusi memiliki dua parameter, λ dan parameter tambahan v, yang disebut dispersi parameter. Karena parameter tambahan, distribusi ini dapat digunakan di dispersi berlebihan (jika v <1), equidispersion (jika v = 1), dan dispersi kurang (jika v> 1). Melalui contoh data nyata, tesis ini akan menggunakan distribusi COM-Poisson untuk pemodelan data dengan kondisi penyebaran berlebihan dan kurang penyebaran.

---

Over-dispersion and under-dispersion are some common problems compiling calculated data modeling. Because of such conditions, the Poisson distribution is no longer suitable for modeling data, because of the testing of the equality equation (mean equal variance). In previous studios, several distributions have been introduced as alternatives to Poisson distribution, to support the terms of dispersion. However, its distribution can only overcome overdispersion or underdispersion. Therefore, new distributions have been developed to support data with less dispersion and excessive distribution. This distribution is called the Conway Maxwell Poisson (COM-Poisson) distribution. COM-Poisson distribution was first introduced by Conway and Maxwell in 1962, as a solution for queuing systems with service rates that depend on the country. This Poisson modification distribution has two parameters, λ and an additional parameter v, which is called parameter dispersion. Because of the additional parameters, this distribution can be used in excessive dispersion (if v <1), equation (if v = 1), and less dispersion (if v> 1). Through real data examples, this thesis will use the COM-Poisson distribution for data modeling with the use of redundant and less-spread distributions."

"Distribusi Weibull-Poisson merupakan distribusi kontinu yang dapat memodelkan beberapa macam bentuk hazard yaitu monoton naik, monoton turun dan increasing upside-down bathtub shape yang mempunyai bentuk bathtub shape terbalik dan monoton naik. Distribusi ini merupakan suatu distribusi lifetime yang dapat memodelkan kegagalan dalam suatu sistem seri dan merupakan pengembangan dari distribusi EksponensialPoisson. Distribusi ini diperoleh dengan melakukan metode compounding terhadap distribusi Weibull dan distribusi ZT-Poisson. Untuk mendapatkan bentuk akhir dari distribusi tersebut digunakan beberapa sifat matematis seperti order statistik dan ekspansi deret taylor. Selain pembentukan distribusi Weibull-Poisson, skripsi ini menjelaskan fungsi kepadatan peluang, fungsi distribusi, momen ke-r, momen sentral ke-r, mean, dan variansi. Sebagai ilustrasi, dibahas pula aplikasi distribusi Weibull-Poisson pada data survival marmut setelah terinfeksi virus Turblece Bacilli.

---

The Weibull-Poisson distribution is a continuous distribution that can be modeled various forms of hazard namely monotone up, monotone down and upside-down down bathtub shape which is shaped up. This distribution is a lifetime-distribution that can model failures in a series system and is development of the Exponential-Poisson distribution. This distribution is obtained by perform the compounding method on the Weibull distribution and the ZT-Poisson distribution. To obtain the final form of the distribution, several mathematical properties are used such as statistical order and Taylor's number expansion. In addition to the formation of Weibull-Poisson distribution, this thesis includes the probability density function, distribution function, moment rth, rth central moment, mean, and variance. As an illustration, Weibull-Poisson distribution is applied on guinea pig survival data after being infected with Turblece virus Bacilli."

"ABSTRAKCount data tidak selalu bersifat ekuidispersi. Sehingga, distribusi Poisson tidak dapat digunakan untuk memodelkan count data tersebut. Beberapa distribusi alternatif dari distribusi Poisson telah dikenalkan untuk memodelkan data overdispersi. Namun, distribusi tersebut memiliki kompleksitas yang lebih tinggi dalam jumlah parameter distribusi. Perlu dilakukan modifikasi pada distribusi Poisson agar distribusi yang terbentuk bisa merepresentasikan data overdispersi. Salah satu caranya yaitu dengan melakukan pencampuran distribusi antara distribusi Poisson dengan distribusi Lindley. Distribusi yang terbentuk yaitu distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley belum dapat mengatasi data underdispersi. Selain itu terdapat data asli yang tidak memiliki observasi bernilai nol. Dengan demikian, untuk mendapatkan distribusi yang lebih fleksibel agar lebih cocok dengan count data tersebut, perlu dilakukan modifikasi pada distribusi Poisson-Lindley dengan menerapkan metode zero-truncated. Distribusi baru yang terbentuk yaitu distribusi Zero-truncated Poisson-Lindley. Distribusi baru tersebut dapat mengatasi data yang tidak memiliki observasi bernilai nol dalam kondisi overdispersi maupun underdispersi. Dalam skripsi ini, didapat karakteristik dari distribusi Zero truncated Poisson-Lindley dan penaksiran parameter distribusi menggunakan metode maximum likelihood.

---

ABSTRACT

Not every count data has equal-dispersion. As a result, Poisson distribution is no longer appropriate to be used for count data modelling. Several distributions have been introduced to be used as an alternative to Poisson distribution on handling the over-dispersion in data. In general, the alternative distributions have higher complexity in the number of parameters. Modification needs to be done in Poisson distribution so that the distribution can represent the condition of the over-dispersion in data. By doing mixing Poisson and Lindley distribution, a new distribution called Poisson-Lindley is developed. However, Poisson-Lindley distribution cannot handle data that exhibits under-dispersion. On the other hand, there is real data that has no zero-count. Therefore, in order to obtain a more flexible distribution to fit count data that has no zero count, a modification needs to be done in Poisson Lindley distribution by applying a zero truncated method in Poisson-Lindley distribution. The newly formed distribution is named Zero-truncated Poisson Lindley distribution. It can handle the condition when the data has no zero-count both in over-dispersion and under-dispersion. In this paper, characteristics of Zero truncated Poisson Lindley distribution are obtained and estimate distribution parameters using the maximum likelihood method."

"ABSTRACT

Overdispersi sering kali menjadi kendala dalam memodelkan count data dikarenakan distribusi Poisson yang sering digunakan untuk memodelkan count data tidak dapat menanggulangi data overdispersi. Telah diperkenalkan beberapa distribusi yang dapat digunakan sebagai alternatif dari distribusi Poisson dalam menanggulangi overdispersi pada data. Namun, distribusi yang ditawarkan tesebut memiliki kompleksitas yang lebih tinggi dibanding distribusi Poisson dalam hal jumlah parameter yang digunakan. Untuk itu, ditawarkan distribusi baru yang memiliki sebaran mirip dengan distribusi Poisson, yaitu distribusi Lindley. Namun, distribusi Lindley merupakan distribusi kontinu sehingga tidak dapat digunakan untuk memodelkan count data. Oleh karena itu, dilakukan diskritisasi pada distribusi Lindley menggunakan metode yang mempertahankan fungsi survival dari distribusi Lindley. Distribusi hasil dari diskritisasi distribusi Lindley tersebut memiliki satu parameter dan dapat digunakan untuk memodelkan data overdispersi sehingga cocok digunakan sebagai alternatif dari distribusi Poisson dalam memodelkan count data yang overdispersi. Distribusi hasil dari diskritisasi distribusi Lindley tersebut biasa disebut distribusi Discrete Lindley. Dalam penulisan ini diperoleh karakteristik dari distribusi Discrete Lindley yang unimodal, menceng kanan, memiliki kelancipan yang tinggi, dan overdispersi. Berdasarkan simulasi numerik, diperoleh pula karakteristik dari parameter distribusi Discrete Lindley yang memiliki bias dan MSE besar pada sekitaran nilai parameter exp(-1).

---

ABSTRACT

Overdispersion often being a problem in modeling count data because the Poisson distribution that is often used to modeling count data cannot conquer the overdispersion data. Several distributions have been introduced to be used as an alternative to the Poisson distribution on conquering dispersion in data. However, that alternative distribution has higher complexity than Poisson distribution in the number of parameters used. Therefore, a new distribution with similar distribution to Poisson is offered, that is Lindley distribution. Lindley distribution is a continuous distribution, then it cannot be used to modeling count data. Hence, discretization on Lindley distribution should be done using a method that maintain the survival function of Lindley distribution. Result distribution from discretization on Lindley distribution has one parameter and can be used to modeling overdispersion data so that distribution is appropriate to be used as an alternative to Poisson distribution in modeling overdispersed count data. The result distribution of Lindley distribution discretization is commonly called Discrete Lindley distribution. In this paper, characteristics of Discrete Lindley distribution that are obtained are unimodal, right skew, high fluidity and overdispersion. Based on numerical simulation, another charasteristic of parameter is also obtained from Discrete Lindley distribution that has a large bias and MSE when parameter value around exp(-1)."

"Model regresi Generalized Poisson I merupakan suatu model regresi yang digunakan untuk menganalisis hubungan antara sebuah variabel random dependen yang berupa data count ( berjenis diskrit ) dengan satu atau lebih variabel independen. Model ini dapat digunakan baik dalam keadaan ekuidispersi, overdispersi ataupun underdispersi. Penaksiran parameter dari model regresi Generalized Poisson I dapat diperoleh denganmenggunakan metode maksimum likelihood melalui pendekatan Newton- Raphson. Beberapa ukuran perbandingan dapat digunakan untuk membandingkan model regresi Generalized Poisson I dengan model regresi Poisson."

"Distribusi Poisson adalah distribusi yang biasa digunakan untuk memodelkan count data dengan asumsi nilai mean dan variansi memiliki nilai yang sama (ekuidispersi). Dalam kenyataannya, sebagian besar count data memiliki nilai mean yang lebih kecil dari variansi (overdispersi) dan distribusi Poisson tidak cocok digunakan untuk memodelkannya. Dengan demikian, beberapa distribusi alternatif telah diperkenalkan untuk mengatasi masalah ini. Salah satunya adalah distribusi Shanker yang hanya memiliki satu parameter. Namun, distribusi Shanker adalah distribusi kontinu, sehingga tidak dapat digunakan untuk memodelkan count data. Oleh karena itu, distribusi baru ditawarkan yaitu distribusi Poisson-Shanker. Distribusi Poisson-Shanker diperoleh dengan mencampurkan distribusi Poisson dan Shanker, dengan distribusi Shanker sebagai mixing distribution. Hasil yang diperoleh adalah distribusi campuran yang memiliki satu parameter dan dapat digunakan untuk memodelkan count data yang overdispersi. Dalam tugas akhir ini, diperoleh bahwa distribusi Poisson-Shanker memiliki beberapa sifat yaitu unimodal, overdispersi, hazard rate naik, serta diperoleh koefisien kurtosis dan skewness. Selain itu, diperoleh pula empat raw momen dan momen sentral pertama. Metode yang digunakan untuk menaksir parameter adalah metode maximum likelihood dan diselesaikan dengan menggunakan iterasi numerik. Dilakukan ilustrasi pada data untuk menggambarkan distribusi Poisson-Shanker. Karakteristik parameter dari distribusi Poisson-Shanker diperoleh dengan simulasi numerik dengan beberapa variasi nilai parameter dan ukuran sampel. Hasil yang diperoleh adalah rata-rata nilai MSE dan bias taksiran parameter akan naik seiring pertambahan nilai parameter untuk suatu nilai n dan akan turun seiring pertambahan nilai n untuk suatu nilai parameter.

---

Poisson distribution is a common distribution for modelling count data with assumption mean and variance has the same value (equidispersion). In fact, most of the count data have mean that is smaller than variance (overdispersion) and Poisson distribution cannot be used for modelling this kind of data. Thus, several alternative distributions have been introduced to solve this problem. One of them is Shanker distribution that only has one parameter. Since Shanker distribution is continuous distribution, it cannot be used for modelling count data. Therefore, a new distribution is offered that is Poisson-Shanker distribution. Poisson-Shanker distribution is obtained by mixing Poisson and Shanker distribution, with Shanker distribution as the mixing distribution. The result is a mixture distribution that has one parameter and can be used for modelling overdispersion count data. In this paper, we obtain that Poisson-Shanker distribution has several properties are unimodal, overdispersion, increasing hazard rate, and right skew. The first four raw moments and central moments have been obtained. Maximum likelihood is a method that is used to estimate the parameter, and the solution can be done using numerical iterations. A real data set is used to illustrate the proposed distribution. The characteristics of the Poisson-Shanker distribution parameter is also obtained by numerical simulation with several variations in parameter values and sample size. The result is average MSE and bias of the estimated parameter will increase when the parameter value rises for a value of n and will decrease when the value of n rises for a parameter value."

"Analisis regresi digunakan untuk mengetahui hubungan antara satu variabel respon dan satu atau lebih variabel penjelas. Ketika variabel respon berupa data count yaitu data yang berupa bilangan bulat non-negatif, analisis regresi yang sering digunakan adalah analisis regresi Poisson. Pada regresi Poisson terdapat asumsi kesamaan nilai mean dengan nilai variansinya. Dalam data count sering didapati kondisi dimana nilai variansi lebih besar dari nilai meannya atau disebut overdispersi. Pada data yang overdispersi, regresi Poisson kurang tepat jika digunakan karena nilai standard error dari taksiran parameter yang dihasilkan akanunderestimate sehingga beresiko memberikan kesimpulan yang tidak tepat. Model regresi Poisson-Inverse Gaussian dapat digunakan pada data count yang overdispersi dan memiliki tail panjang. Penaksiran parameter model regresi Poisson-Inverse Gaussian menggunakan metode maksimum likelihood dan solusi dari fungsi log -likelihood-nya menggunakan pendekatan numerik yaitu Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo R-Squared, uji rasio likelihood, dan Uji Wald.

---

Regression analysis is used to investigate the relationship between one response variable and one or more regressor variables. If the response variable is count data, that has non negative integer value, the regression analysis that usually used is Poisson Regression. Poisson regression has an assumption that mean of response variable equal to its variance. On count data frequently found that the variance is greater than mean, or called overdispersion. On overdispersion case, poisson regression is inconvenient to used because it may underestimate the standard error of regression parameters and consequently it risk to give misleading inference. Poisson Inverse Gaussian regression model can be used on overdispersion and long tail count data. Parameter estimation of Poisson Inverse Gaussian Regression Model can be obtained through the maximum likelihood method and the solution of log likelihood function may be solved by using numerical method called Newton Raphson. Goodness of fit testing of this model includes pseudo R Squared, rasio likelihood test, and Wald test."

"Overdispersion adalah masalah yang sering ditemukan saat memodelkan data cacah. Overdispersion ditandai dengan nilai variansi lebih besar dari mean. Penyebab overdispersion yang sering terjadi adalah banyaknya pengamatan bernilai nol pada suatu data. Akibatnya, distribusi Poisson yang memiliki nilai mean dan variansi yang sama (equidispersion) tidak cocok lagi untuk memodelkan data cacah tersebut. Salah satu alternatif distribusi untuk mengatasi kondisi overdispersion adalah distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley hanya memiliki fungsi massa peluang monoton turun. Untuk menambah fleksibilitas distribusi Poisson-Lindley, distribusi tersebut diberikan bobot berupa fungsi bobot binomial negatif. Pemberian fungsi bobot binomial negatif ini tetap menghasilkan distribusi dengan nilai variansi lebih besar dari mean sehingga tetap dapat digunakan untuk mengatasi kondisi overdispersion. Distribusi baru yang diperoleh disebut distribusi weighted negative binomial Poisson-Lindley (WNBPL). Pada tugas akhir ini dibahas mengenai proses pembentukan distribusi weighted negative binomial Poisson-Lindley, beberapa karakteristiknya, dan pengestimasian parameternya dengan metode maksimum likelihood. Sebagai ilustrasi, digunakan data frekuensi klaim pemegang polis untuk dimodelkan dengan distribusi WNBPL.

---

Overdispersion is a common problem when modeling count data. Overdispersion is characterized by the variance greater than the mean. The cause of overdispersion that often occurs is the large number of zero-value observations in a data. As a result, the Poisson distribution which has the same mean and variance (equidispersion) is no longer suitable for modeling the count data. An alternative distribution to overcome the overdispersion condition is the Poisson-Lindley distribution. However, probability mass function of Poisson-Lindley is monotonic decreasing. To increase the flexibility of the Poisson-Lindley distribution, the distribution is given a weight function in the form of a negative binomial weight function. Giving this negative binomial weight function still creates a distribution with the variance greater than the mean to overcome overdispersion data. The new distribution obtained by giving that weight function is called the weighted negative binomial Poisson-Lindley (WNBPL) distribution. This thesis discusses the formation of the weighted negative binomial Poisson-Lindley distribution, some of its characteristics, and estimate its parameters using the maximum likelihood method. As an illustration, WNBPL distribution is used to model the data of frequency claims by policyholders."

"Distribusi Poisson seringkali digunakan untuk menganalisis data count. Distribusi Poisson memiliki asumsi ekuidispersi, yaitu nilai mean sama dengan nilai variansinya. Namun, yang sering terjadi pada data terapan adalah overdispersi, yaitu variansi lebih besar dari mean. Salah satu penyebab overdispersi adalah banyaknya pengamatan bernilai 0 pada data (excess zeros). Distribusi Zero-Inflated Poisson (ZIP) merupakan distribusi yang dapat digunakan pada data count dengan excess zeros. Distribusi ZIP merupakan campuran dari distribusi degenerate di 0 dan distribusi Poisson. Parameter dari distribusi ZIP adalah dan . Dengan menggunakan metode Maximum Likelihood Estimation (MLE), akan dicari taksiran titik untuk parameter dan, di mana menyatakan probabilitas pengamatan 0 merupakan structural zeros dan menyatakan mean dari subpopulasi yang berdistribusi Poisson. Walaupun penaksiran parameter distribusi ZIP menggunakan MLE menghasilkan taksiran parameter dengan nilai MSE yang kecil, namun taksiran parameter tersebut memiliki bias karena penaksiran parameter harus dilakukan secara numerik. Bias dari taksiran parameter tersebut dapat dikurangi menggunakan metode Bias-Reduced MLE. Penggunaan metode ini tidak memengaruhi nilai Mean­-Squared Error (MSE) yang dimiliki oleh penaksir parameter MLE, sehingga bias dari penaksir parameter MLE dapat berkurang tanpa mengubah nilai MSE. Data simulasi digunakan untuk mengilustrasikan penaksiran parameter distribusi ZIP menggunakan Bias-Reduced MLE. Simulasi menunjukkan bahwa penaksiran parameter Bias-Reduced MLE menghasilkan bias penaksir yang lebih kecil daripada penaksir MLE pada ukuran sampel yang kecil. Selain itu, nilai MSE dari penaksir parameter Bias-Reduced MLE tidak berbeda secara signifikan dengan penaksir parameter MLE. Maka dari itu, penaksiran parameter Bias-Reduced MLE dapat mengurangi bias dari penaksir parameter MLE pada ukuran sampel yang kecil tanpa mengubah nilai MSE dari penaksir parameter MLE secara signifikan.

---

Poisson distribution is commonly used to analyse count data. It requires equidispersion assumption, i.e. equality of mean and variance. However, what often happened to real data is overdispersion, i.e. variance exceeds mean. One of the cause of overdispersion is excess zeros. Zero-Inflated Poisson (ZIP) distribution can be used to analyse count data with excess zeros. ZIP Distribution is a mixing distribution ofdegenerate at 0 and Poissondistribution. Parameters of ZIP distribution are 𝜔and𝜆, where 𝜔denotes probability of structural zeros and denotes mean of Poisson distributed subpopulation. Those parameterswill be estimated by Maximum Likelihood Estimation (MLE) method. Although MLE estimates provide small MSE, but they are biased because the estimation should use numerical method. A way to reduce the bias is by Bias Reduced MLE method. This method would not compromise MSEso that the bias reduced while MSE remains the same. Illustration of Bias-Reduced MLE parameter estimation is given by generating simulation data.Data simulation shows that with Bias-Reduced MLE, ML estimators bias isreduced in small samples. Besides, the MSE of Bias Reduced ML estimator is not significantly different with ML estimator. So that, Bias-ReducedML estimator would reduce bias of ML estimator without compromise the MSE."

"Data hitung merupakan contoh data diskrit non negatif yang sering dijumpai di penerimaan data. Analisis yang biasa digunakan dalam pemodelan data hitung adalah Analisis regresi poisson, dimana salah satu asumsi dari regresi ini adalah equidispersion yaitu ketika mean dan varians datanya sama. Namun dalam praktiknya, keadaan overdispersi lebih umum daripada equidispersion. Data berpengalaman Overdispersi ini tentunya membutuhkan penanganan khusus untuk dapat dianalisis. Model Regresi yang dapat menangani masalah dispersi berlebih ini adalah model Quasi-regresi. Poisson, dimana model ini memperhitungkan elemen parameter dispersi penyebabnya varians data tidak sama dengan mean. Metode yang digunakan dalam penilaian Parameter dari model regresi Quasi-Poisson adalah Maximum Quasi-Likelihood yang bukan perhatikan secara khusus bentuk distribusi variabel respon. Perhitungan numerik yang digunakan dalam penelitian ini adalah Newton Raphson setara dengan Iterative Weighted Least Square (IWLS). Tujuan dari penelitian ini adalah dengan mengaplikasikan metode estimasi Maximum Quasi-Likelihood dalam melakukan estimasi Parameter regresi Quasi-Poisson. Hasil studi kasus pada data yang bermasalah pada di atas menunjukkan bahwa, dalam kasus penyebaran berlebih, metode regresi Quasi-Poisson Kemungkinan Kuasi Maksimum menyajikan model yang lebih baik daripada Regresi Poisson.Calculated data is an example of non-negative discrete data that is often found in data reception. The analysis commonly used in calculating data modeling is regression analysis, where one of the assumptions of this regression is equidispersion, which is when the mean and variance of the data are the same. In practice, however, the overdispersion state is more generally equidispersion. Experienced data. This overdispersion certainly requires special handling to be analyzed. A regression model that can address this excess dispersion problem is a Quasi-regression model. Poisson, where this model takes into account the dispersion parameter because the variance of the data is not the same as the mean. The method used in the sample The parameter of the Quasi-Poisson regression model is the Maximum Quasi-Likelihood which is not a specific form of the distribution of the response variable. The numerical calculation used in this study is Newton Raphson equivalent to the Iterative Weighted Least Square (IWLS). The purpose of this study is to apply the Quasi-Likelihood Maximum method in estimating Quasi-Poisson regression parameters. The results of the case study on the problematic data above show that, in case of excess spread, the Quasi-Poisson regression method of Quasi-Maximum Likelihood presents a better model than Poisson Regression."