Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data count adalah data yang berupa bilangan bulat non-negatif. Analisis regresi yang biasa digunakan untuk variabel respon yang berupa data count adalah regresi Poisson. Regresi Poisson memerlukan asumsi bahwa mean pada variabel respon sama dengan variansinya. Jika asumsi tersebut dilanggar yaitu pada saat variansi lebih besar dibanding mean atau disebut kondisi overdispersi, maka regresi Poisson tidak sesuai untuk menganalisis data tersebut. Overdispersi pada regresi Poisson dapat membuat standard error dari taksiran parameter regresi cenderung lebih rendah dari seharusnya, sehingga menghasilkan kesimpulan yang tidak valid. Model regresi Binomial Negatif merupakan salah satu model yang dapat digunakan saat terjadi overdispersi pada data count. Tugas akhir ini akan membahas mengenai penaksiran parameter model regresi Binomial Negatif dengan metode maksimum likelihood dimana solusi dari fungsi likelihood-nya diselesaikan dengan metode Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo-R2, uji rasio likelihood, dan uji Wald.

---

Count data is the non-negative integer data. Regression analysis is commonly used for count dependent data variabel is Poisson Regression. Poisson Regression has an assumption that mean of response variable equal to its variance. If the assumption is violated, where the variance is greater than mean, called overdispersion, then Poisson regression is inconvenient to analyze the data. Overdispersion on Poisson regression may underestimate the standard errors of regression parameters and consequently, giving misleading inference about the regression parameters.

Negative Binomial regression model is one of the models that can be used when there is evidence of overdispersion count data. This final task will discuss about estimating parameter of Negative Binomial regression model by maximum likelihood methods, which the maximum likelihood estimates may be solved by using the Newton-Raphson iteration. Goodness of fit testing of this model includes pseudo-R2 statistic, likelihood ratio, and Wald test. "

"Data count sering diasumsikan berdistribusi Poisson yang hanya memiliki satu parameter dengan mean dan variansi sama. Namun pada kenyataannya, sering ditemukan data count dengan variansi yang lebih besar dari mean, keadaan ini dikenal dengan overdispersi. Saat terjadi overdispersi, maka data count tidak berdistribusi Poisson, sehingga perlu dicari distribusi lain yang dapat digunakan untuk menganalisis data count. Salah satu distribusi yang dapat digunakan adalah distribusi Binomial Negatif yang merupakan distribusi Campuran Poisson-Gamma (Mixture Poisson-Gamma Distribution). Pada tugas akhir ini akan dijelaskan mengenai perumusan distribusi Binomial Negatif sebagai distribusi Campuran Poisson-Gamma (Mixture Poisson-Gamma Distribution), penaksiran parameter pada distribusi Binomial Negatif yang merupakan distribusi campuran Poisson-Gamma, serta mempelajari sifat-sifat taksirannya.

---

Counts data, often assumed follows a Poisson distribution has same mean and variance value. But in fact, count data often has variance value greater than mean value, this condition is called by overdispersion. When overdispersion occured, data count doesn't have a Poisson distribution, so need to find another distribution which can be applied for data count analyzing. One of distribution which often be applied is Negative Binomial distribution which is form as a mixture Poisson-Gamma distribution. In this minithesis, estimators of Negative Binomial distribution (Mixture Poisson-Gamma distribution) and their characteristics will be explained."

"Model pilihan diskrit adalah model yang digunakan untuk memodelkan pilihan. Model pilihan diskrit dapat diturunkan dari fungsi utilitas yang direpresentasikan dalam probabilitas pembuat keputusan memilih alternatif pilihan yang memberikan utilitas maksimum. Salah satu model pilihan diskrit adalah Model Mixed Logit. Model ini mengasumsikan koefisien dari variabel penjelasnya bersifat random yang dapat menggambarkan selera antar pembuat keputusan yang berbeda-beda dalam menentukan pilihan; dan komponen error berdistribusi Gumbel. Model Mixed Logit merupakan campuran antara Model Logit dan distribusi dari koefisien random variabel penjelas. Parameter yang akan ditaksir pada Model Mixed Logit adalah parameter dari distribusi koefisien random, seperti mean dan variansi. Penaksiran parameter Model Mixed Logit menggunakan metode Maximum Simulated Likelihood Estimator (MSLE) berdasarkan metode Halton Sequence. Setelah diperoleh taksiran parameter, selanjutnya probabilitas pembuat keputusan untuk masing-masing pilihan dihitung, sehingga diperoleh alternatif pilihan yang memaksimumkan utilitas pembuat keputusan.

---

A discrete choice model is a model that be used to modelling the choices. A discrete choice model can be derived from a utility function which represented in probability of decision maker chooses an alternative which give maximum utility. Mixed Logit model is one of these choice type models. Mixed Logit model assumes that random coefficient of variable which can capture different taste variation over decision makers; and error term is Gumbel distributed.

Mixed Logit model is a mixture between Logit model and distribution of random coefficient. Estimated parameter in Mixed Logit model is parameter of random coefficient distribution, i.e mean and variance. The method of parameter estimation of this model is Maximum Simulated Likelihood Estimator (MSLE) which based on Halton Sequence method. After estimator is obtained, then probability that decision maker for each alternative calculated, so that an alternative which maximize utility of decision maker is obtained."

"Error in variable model adalah model regresi dimana variabel independennya mengandung error. Hal ini dikarenakan nilai sebenarnya dari variabel independen tidak diketahui dan tidak dapat diukur dengan tepat sesuai dengan nilai sebenarnya (disebut dengan variabel independen yang tidak terobservasi), sehingga nilai sebenarnya dari variabel independen ini diwakilkan oleh nilai yang didapat dari suatu proses pengukuran yang belum tentu sesuai dengan nilai sebenarnya. Salah satu jenis error in variable model adalah classical error in variable model. Pada classical error in variable model, terdapat dua jenis variabel independen yang tidak terobservasi, yaitu fixed dan random. Pada penulisan tugas akhir ini akan dibahas mengenai penaksiran parameter pada classical error in variable model dimana variabel independen yang tidak terobservasi berdistribusi normal dengan menggunakan metode maksimum likelihood."

"Regresi Poisson adalah model regresi umum yang digunakan untuk menghitung data dengan equidispersion. Namun, perhitungan data tidak selalu memenuhi asumsi ini. Hitungan data tidak terpenuhi asumsi ini ketika overdispersi muncul. Overdispersion adalah suatu kondisi dimana varians lebih besar dari rata-rata. Dalam data verdispersi karena kelebihan nol dan tambahan penyebaran berlebihan dalam nilai-nilai positif, salah satu model alternatif yang dapat digunakan adalah rintangan model binomial negatif. Rintangan model binomial negatif terdiri dari model dua bagian model biner dan model binomial negatif terpotong nol. Tugas akhir ini akan membahas tentang model rintangan konstruksi binomial negatif dan metode Bayesian untuk memperkirakan parameter dalam model binomial negatif rintangan. Algoritma metode Bayesian digunakan dalam proyek ini adalah Markov Chain Monte Carlo-Gibbs Sampling (MCMC-GS). Rintangan negatif model binomial akan diterapkan pada data Parkinson dari Parkinsons Growth Markers Database inisiatif (PPMI). Model diterapkan untuk menemukan faktor risiko dari komplikasi motorik kejadian dan frekuensinya berdasarkan Gerakan Disorder Society-Unified Parkinson Data Skala Timbangan Penyakit (MDS-UPDRS). Variabel signifikan untuk model bagian satu adalah skor total MDS-UPDRS Bagian III dan variabel total skor MDS-UPDRS Bagian II dan III untuk model bagian dua. Hasil lain yang diperoleh dari aplikasi data ini adalah parameter estimasi konvergen.

---

Poisson regression is a general regression model used to calculate data with equidispersion. However, data calculations do not always fit this consideration. Count data not met Suppose this overdispersion compilation appears. Overdispersion is a place where variants are greater than average. In data verdispersion due to zero excess and additional excessive spread in positive values, one alternative model that can be used is the constraints of the negative binomial model. The negative binomial obstacle model consists of a two-part binary model and the negative binomial zero-truncated model. This final project will discuss about the negative binomial constraint construction model and the Bayesian method for estimating parameters in the negative binomial resistance model. The Bayesian method algorithm is used in this project is the Markov Monte Carlo-Gibbs Sampling Chain (MCMC-GS). The negative barriers of the binomial model will be applied to Parkinsons data from Parkinsons Growth Markers Database Implementation (PPMI). The model applied to find risk factors for motor complications of events and their frequency is based on the Disorder-Unified Parkinsons Movement Disease Scale Data (MDS-UPDRS). The significant variable for the part one model is MDS-UPDRS Part III total score and MDS-UPDRS Part II and III total variable variables for the part two model. The results obtained from the application of this data are convergent estimation parameters."

"Pada penelitian survival, kadang kala survival time dipengaruhi oleh faktor-faktor lain. Untuk kondisi tersebut dapat digunakan metode analisis regresi dengan model Cox PH. Dari model Cox ini, diperoleh bahwa hazard ratio untuk dua individu dengan nilai kovariat yang berbeda tidak akan dipengaruhi oleh waktu. Atau dengan perkataan lain, hazard untuk satu individu proporsional dengan hazard individu lainnya dengan keproporsionalan yang konstan, tidak dipengaruhi oleh waktu. Oleh sebab itu, ketika diterapkan pada data harus diperiksa apakah asumsi tersebut terpenuhi. Pengecekan asumsi proportional hazard akan dilakukan dengan dua pendekatan. Pendekatan yang pertama dengan grafik, yaitu grafik log-log, dan yang kedua dengan pengujian goodness-of-fit. Metode grafik memberikan hasil yang subjektif sedangkan pengujian goodness-of-fit memberikan hasil yang objektif berdasarkan pengujian statistik.

---

In survival studies, sometimes the time until the occurrence of an event is influenced by other factors. Cox PH model, which is one of the semi parametric regression method can be applied for the data analysis. From this Cox model, it is found that the hazard ratio for two individuals with different covariates not be affected by time. In other words, hazard for an individual is proportional with hazard from another individual with constant proportionality, not affected by the time. Therefore, when applied to the data, it should be checked whether the assumptions are met. The assumption of proportional hazard will be checked using two approaches. The first approach using graph, the log-log graph, and the second by testing the goodness-of-fit. Graphical method gives subjective results while the goodness-of-fit testing gives objective results based on statistical testing."

"Untuk menggambarkan variansi bersyarat dari runtun waktu keuangan dapat dimodelkan menggunakan Generalized Autoregressive Conditional Heteroscedasticity (GARCH). Model multivariate dikembangkan untuk mengetahui hubungan antar beberapa data runtun waktu keuangan dan mengetahui variansi kovariansi dari data runtunnya, salah satunya adalah model full-factor multivariate GARCH. Salah satu karakteristik runtun waktu keuangan adalah memiliki ekor gemuk, karakteristik ini dapat dijelaskan oleh distribusi yang memiliki ekor gemuk contohnya distribusi student-t. Pada tulisan ini, akan dibahas mengenai estimasi parameter pada model full-factor multivariate GARCH dengan asumsi error berdistribusi multivariate student-t. Pembahasan akan difokuskan pada tahap estimasi parameter model full-factor student-t multivariate GARCH dengan metode estimasi maksimum likelihood. Namun estimasi secara analitik tidak dapat digunakan untuk mengestimasi parameter dalam model, maka digunakan penyelesaian secara numerik menggunakan algoritma quasi-Newton BFGS. Data yang digunakan pada tulisan ini adalah data return harian delapan saham pada pasar di Amerika Serikat dari tanggal 1 Januari 2006 sampai dengan 1 Januari 2015.

---

To describe the conditional variance of financial time series, Generalized Autoregressive Conditional Heteroscedasticity models (GARCH) has been widely used. Multivariate models were developed to capture the relationship between several financial time series datas, and to describe the conditional variance and covarianse of time series. In this paper we consider full-factor multivariate GARCH model. One of the characteristics of financial time series is fat tails in the conditional distribution, these characteristic can be explained by the distribution that has fat tails, for example student-t distribution. In this paper, we will discuss full-factor multivariate GARCH model assuming the error has multivariate student-t distribution. The discussion will focus on parameter estimation for full-factor multivariate student-t GARCH model with maximum likelihood estimation method. But in this model don’t have the closed form, so we used numerically method i.e quasi-Newton BFGS algorithm. The data used in this paper are returns from eight stocks on the US market from January 1st 2006 until January 1st 2015."

"Tugas akhir ini akan membahas model waktu tunggu kendaraan pada persimpangan dengan lampu lalu lintas saat jam sibuk. Model waktu tunggu kendaraan pada jam sibuk ini dibuat dengan cara memodifikasi kurva dari jumlah kendaraan dalam antrian pada kondisi steady-state dengan kurva jumlah kendaraan dalam antrian pada kondisi deterministik dengan menggunakan metode P. D. Whiting. Hasil modifikasi ini merupakan kurva dari jumlah kendaraan dalam antrian untuk kondisi time-dependent.

---

Vehicle delay model at signalized intersection during peak hour is discussed in this skripsi. This model can be used to approximate how long a vehicle has to queue up at the intersection during peak hour. P. D. Whiting method is used to obtain vehicle queue length of time-dependent curve base on modify vehicles queue length of steady-state curve and vehicles queue length of deterministic curve."

"Model pilihan diskrit adalah model yang biasa digunakan untuk memodelkan pilihan. Model pilihan diskrit tersebut dapat diturunkan dari fungsi utilitas. Salah satu model pilihan diskrit yang sering digunakan adalah model multinomial probit. Model multinomial probit mengasumsikan bahwa komponen error pada fungsi utilitas berdistribusi normal standar. Model Multinomial Probit berbentuk integral lipat (J-1) dengan J adalah banyaknya alternatif pilihan, dan parameter-parameter yang akan ditaksir berada pada batas-batas integral model tersebut, oleh karena itu dibutuhkan suatu metode simulasi untuk menghitung nilai dari taksiran tersebut. Parameter pada model multinomial probit ditaksir dengan menggunakan metode maximum simulated likelihood estimation (MSLE) yang berdasarkan pada simulasi GHK.

---

Discrete choice model is a model commonly used to model choice. Discrete choice model can be derived from utility functions. One model commonly used discrete choice model is multinomial probit. Multinomial probit model assumes that the errors component in the utility function of standard normal distribution. Multinomial probit models shaped folding integral (J-1) with J is the number of alternative options and the parameters to be estimated to be at the limits of the integral model, and therefore requires a simulation method to calculate the value of those estimates. Parameters in the multinomial probit model was estimated using the method of simulated maximum likelihood estimation (MSLE) is based on the GHK simulation."

"ABSTRAKTumor merupakan salah satu dampak dari mutasi yang terjadi pada proses pembelahan sel tubuh mahluk hidup. Dalam skripsi ini digunakan model pertumbuhan tumor dalam bentuk sistem PDB Nonlinier yang telah dikembangkan oleh De Pillis & Radunskaya (2003). Model tersebut melibatkan interaksi antara sel normal, sel tumor, dan sel imun. Solusi dari model ditentukan secara kualitatif melalui analisis sistem dinamik. Analisis bifurkasi juga dilakukan untuk mengetahui perubahan sifat kualitatif yang mungkin terjadi ketika adanya perubahan nilai parameter. Simulasi terhadap model yang disajikan pada skripsi ini dilakukan dengan menggunakan perangkat lunak MatCont dan Wolfram Mathematica.

---

ABSTRACTTumor is one of the mutation effect that can occur in a cell. Tumor growth model that is discussed here has been developed by De Pillis & Radunskaya (2003). The model includes normal cell, tumor cell, and immune cell interaction that is represented into nonlinear ODE system. The solution of the model is determined qualitatively by dynamical system analysis. Bifurcation analysis is also presented to know the qualitative changes that can occur by varying parameter value. Simulation is done by using MatCont and Wolfram Mathematica."