Generalized Linear Models

Slides:



Advertisements
Presentasi serupa
Distribusi Beta, t dan F.
Advertisements

Korelasi & Regresi Oleh: Bambang Widjanarko Otok.
Kelompok 2 (3 SE3) Anindita Ardha Pradibtia ( ) Elmafatriza Elisha Ekatama ( ) Muh. Mustakim Hasma ( )
UJI HIPOTESIS.
Hypothesis Testing In Full Rank Model
Pendahuluan Landasan Teori.
DISTRIBUSI TEORITIS.
BETYARNINGTYAS CYNTHIA LA SARIMA MUH Tabrani Nuri NURWAHIDA VIEVIEN

Operations Management
Distribusi Probabilitas Kontinu()
SATUAN ACARA PERKULIAHAN
BAB IX DISTRIBUSI TEORITIS
DISTRIBUSI PROBABILITAS KONTINYU TEORITIS 2
Regresi linier sederhana
UJI ASUMSI KLASIK.
Hypothesis Testing In Full Rank Model
Regresi linier sederhana
KORELASI DAN REGRESI LINEAR SEDERHANA
RANK FULL MODEL (ESTIMATION)
RANK FULL MODEL (VARIANCE ESTIMATION)
Analisis Regresi Linier
1 Pertemuan 17 Pengujian hipotesis regresi Matakuliah: I0174/Analisis regresi Tahun: 2005 Versi: 1.
Pengenalan Permodelan Linier
11 Pebruari 2008 hadi paramu ekonometrika dan analisis multivariat 1 Asumsi Dalam Metode OLS Kuliah III.
1 Pertemuan 7 Estimable parameter Matakuliah: I0204/Model Linier Tahun: Tahun 2005 Versi: revisi.
LOGISTIC REGRESSION Logistic regression adalah regressi dengan binary untuk variabel dependen. Variabel dependen bersifat dikotomi dengan mengambil nilai.
Regresi Linear Dua Variabel
STATISTIK INFERENSIAL
(PROBABILITAS LANJUTAN) DISTRIBUSI PELUANG DISKRIT DAN KONTINU
ANALISIS DATA KATEGORIK
ANALISIS DATA KATEGORIK
Analisis Korelasi dan Regresi linier
ANALISIS DATA KATEGORIK
Random Variate Distribusi Kontinu dan Diskrit
REGRESI NON LINIER Gangga Anuraga, M.Si.
EKONOMETRIKA Pertemuan 7: Analisis Regresi Berganda Dosen Pengampu MK:
PENANGANAN ASUMSI RESIDUAL DALAM ANALISIS REGRESI
Regresi Linier (Linear Regression)
EKONOMETRIKA Pertemuan 10: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Analisis REGRESI.
Variabel Acak dan Distribusi Probabilitas
Uji Asumsi Klasik Multikolinearitas Normalitas
ANOVA ANALYSIS OF VARIANCE.
REGRESI LOGISTIK BINER
Regresi Sederhana : Estimasi
Operations Management
Analisis regresi (principle component regression)
PERTEMUAN KE-14 STATISTIK DESKRIPTIF
DATA NON LINEAR DAN REGRESI LINEAR Gangga Anuraga, M.Si
Muchdie, Ir, MS, Ph.D. FE-Uhamka
REGRESI LOGISTIK MULTINOMIAL
REGRESI LOGISTIK BINER (DICHOTOMOUS INDEPENDENT VARIABLE)
Statistika Parametrik & Non Parametrik
MUHAMMAD HAJARUL ASWAD
REGRESI LINIER BERGANDA
REGRESI LOGISTIK ORDINAL
REGRESI LINIER BERGANDA (MULTIPLE REGRESSION)
Disampaikan Pada Kuliah : Ekonometrika Terapan Jurusan Ekonomi Syariah
Uji Asumsi Analisis Regresi Berganda Manajemen Informasi Kesehatan
Generalized Linear Model pada Data Berdistribusi Poisson (Studi kasus : Banyaknya Jumlah kecelakaan lalu lintas berdasarkan faktor jumlah pelanggaran.
REGRESI POISSON Gangga Anuraga, M.Si.
STATISTIKA.
Distribusi Variabel Acak Kontiyu
UJI ASUMSI KLASIK.
BAB 10 DISTRIBUSI PROBABILITAS Pada berbagai peristiwa dalam probabilitas jika frekuensi percobaannya banyak, maka untuk peristiwa yang bersifat independent.
EKONOMETRIKA Pertemuan 11: Pengujian Asumsi-asumsi Klasik (Bagian 1)
Model Logit Untuk Respons Biner
Random Variate Distribusi Kontinu dan Diskrit
JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2016 Surabaya, 10 Mei 2016 Model Geographically.
Transcript presentasi:

Generalized Linear Models GANGGA ANURAGA

PEMODELAN (MODELING) Mengapa dibutuhkan model dari suatu data ? Model mendeskripsikan hubungan atau asosiasi dalam data. Inferensi parameter dalam model digunakan sebagai cara untuk mengevaluasi hubungan antara variabel independen dengan variabel dependen. Estimasi paramater dalam model menunjukkan tingkat kekuatan (strength) dan kepentingan (importance) dari suatu hubungan atau asosiasi. Model sebagai prediksi  menyediakan estimasi yang baik terhadap variabel respon.

Review Ordinary Linear Regression Variabel respon (Y) kontinu dengan prediktor (X) adalah kontinu/diskrit Ingat : asumsi residual IIDN Estimator Aplikasi pemodelan linier : analisis regresi, anova dll.

PENGANTAR GLMs OLS  bergantung pada distribusi dari Y (normal) Data kategori, asumsi normal menjadi sulit dipenuhi GLMs digunakan pada data diskrit dan count. Tiga komponen dalam GLM Variabel respon Y random dan memiliki dist. Natural eksponensial Sistematik komponen (desain perkalian matrik oleh vektor parameter)  Link function g(.)

PENGANTAR GLMs Normal General Linear Model (Regresi Linier) Link function Data binomial

PENGANTAR GLMs Data Poisson