Manajemen Informasi Kesehatan Diagnostik Model PERTEMUAN 5 Mieke Nurmalasari Manajemen Informasi Kesehatan

KEMAMPUAN AKHIR YANG DIHARAPKAN Mahasiswa mampu mendiagnosa pengamatan yang mempengaruhi model regresi. Mahasiswa mampu menguraikan tentang pengamatan ekstrem (outlier) dan pengamatan yang berpengaruh (influential cases) terhadap model regresi.

Diagnostik Model Regresi Pengamatan tidak biasa dan pengamatan yang berpengaruh (Unusual and influential data): 1. Outlier 2. Leverage 3. Influence Heterokedasitas ( varians tidak konstan) Multikolinieritas (terdapat hubungan antar variabel bebas atau non independence of x-variables).

Unusual and Influential data Outlier: adalah suatu observasi yang menyimpang dari sekumpulan data yang lain atau pengamatan yang jauh dari pusat data. -Nilai Y (variabel tidak bebas) menjadi sangat tidak biasa ketika diberikan nilai x- tertentu. -Outlier memberikan indikasi adanya keanehan sampel atau bisa juga indikasi dari kesalahan entry data.

Outlier

Dampak Outlier Keberadaan data outlier/ pencilan akan mengganggu dalam proses analisis data dan harus dihindari, karena dapat menyebabkan error dari model semakin besar, varians pada data juga menjadi besar dan estimasi interval dari koefisien regresi juga semakin lebar.

Unusual and Influential Data 2. Leverage: adalah pengamatan dengan nilai ekstrim pada variabel bebas (prediktor). Leverage mengukur seberapa jauh nilai variabel Y menyimpang dari nilai rata-ratanya. Leverage ini bisa mempengaruhi estimasi koefisien regresinya.

3. Influence adalah perpaduan antara outlier dan leverage, artinya jika kita menghilangkan pengamatan ini maka estimasi koefisien regresi akan sangat berubah.

Berikut ini ukuran untuk mendeteksi outlier Leverage: menampilkan nilai leverage (pengaruh) terpusat. DFFITS atau Standardized DFFIT: menampilkan nilai perubahan yang diprediksi jika case tertentu dikeluarkan, yang sudah distandarkan. Cook’s Distance: menampilkan nilai jarak Cook DFBETA(s) : Menampilkan nilai perubahan koefisien regresi hasil perubahan yang disebabkan oleh pengeluaran case tertentu. Digunakan untuk mendeteksi outlier pada variabel bebas.

Ketentuan dalam pengambilan keputusan: Leverage > (2p-1)/n, artinya terdapat outlier/ pencilan DFFITS > 2 *sqrt (p/n), artinya terdapat outlier/ pencilan Cook’s Distance > F(0.5; p , n-p) , artinya terdapat outlier/ pencilan DFBETA(s) > 2/sqrt(n), artinya terdapat outlier/ pencilan Dimana n = jumlah observasi (sampel) dan p= jumlah parameter dalam model.

Ketentuan dalam pengambilan keputusan: References: https://students.brown.edu/ http://www.columbia.edu/~so33/SusDev/Lecture_5.pdf http://www.stat.nuk.edu.tw/hsuhl/course/103_1/LR/Hsuhl_LRClass_Chap10.pdf https://www.youtube.com/watch?v=xc_X9GFVuVU