Hasil Pencarian  ::  Simpan CSV :: Kembali

"Adaptive statistical tests, developed over the last 30 years, are often more powerful than traditional tests of significance, but have not been widely used. To date, discussions of adaptive statistical methods have been scattered across the literature and generally do not include the computer programs necessary to make these adaptive methods a practical alternative to traditional statistical methods. Until recently, there has also not been a general approach to tests of significance and confidence intervals that could easily be applied in practice. Modern adaptive methods are more general than earlier methods and sufficient software has been developed to make adaptive tests easy to use for many real-world problems. Applied Adaptive Statistical Methods: Tests of Significance and Confidence Intervals introduces many of the practical adaptive statistical methods developed over the last 10 years and provides a comprehensive approach to tests of significance and confidence intervals. It shows how to make confidence intervals shorter and how to make tests of significance more powerful by using the data itself to select the most appropriate procedure.Adaptive tests can be used for testing the slope in a simple regression, testing several slopes in a multiple linear regression, and for the analysis of covariance. The increased power is achieved without compromising the validity of the test, by using adaptive methods of weighting observations and by using permutation techniques. An adaptive approach can also be taken to construct confidence intervals and to estimate the parameters in a linear model. Adaptive confidence intervals are often narrower than those obtained from traditional methods and maintain the same coverage probabilities."

"Provides a comprehensive theory of the approximations of quantile processes in light of recent advances, as well as some of their statistical applications."

"The book includes 45 papers from a selection of the 156 papers accepted for presentation and discussed at the conference on “Advanced statistical methods for the analysis of large data-sets.”"

"Here is a brief, well-organized, and easy-to-follow introduction and overview of robust statistics. Huber focuses primarily on the important and clearly understood case of distribution robustness, where the shape of the true underlying distribution deviates slightly from the assumed model (usually the Gaussian law). An additional chapter on recent developments in robustness has been added and the reference list has been expanded and updated from the 1977 edition."

"Metode two stage adaptive cluster sampling (2S-ACS) sangat baik digunakan untuk mengambil sampel dimana elemen yang akan diteliti sangat jarang atau berkelompok. Pada 2S-ACS, pengambilan sampel diawali dengan membagi wilayah penelitian menjadi unit-unit primer. Masing-masing unit primer dibagi menjadi unit-unit sampling. Pada tahap pertama, dipilih beberapa unit primer secara SRS. Pada tahap kedua, dari masing-masing unit primer yang terpilih pada tahap pertama, diambil beberapa unit sampling sebagai sampel awal. Kemudian, dilakukan proses penambahan sampel pada masing-masing unit sampling yang terpilih pada sampel awal. Ada dua skema yang dapat digunakan untuk menambahkan sampel, yaitu skema overlapping dan skema nonoverlapping. Pada skema overlapping, proses penambahan sampel diperbolehkan melewati batas unit primer, sedangkan pada skema nonoverlapping tidak diperbolehkan melewati batas unit. Pada masing-masing skema akan digunakan taksiran Horvitz-Thompson dan taksiran Hansen-Hurwitz untuk menaksir mean dan total populasi. Taksiran yang diperoleh adalah taksiran yang tak bias. Pada tugas akhir ini akan diberikan contoh penerapan two stage adaptive cluster sampling dengan menggunakan skema overlapping dan skema nonoverlapping. Kata kunci : taksiran Horvitz-Thompson; taksiran Hansen-Hurwitz; two stage adaptive cluster sampling; unit primer; unit sampling. ix+106 hal.;lamp.;gamb.;tab.; Bibliografi : 10 (1967-2002)"

"Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi 2 L , dimana 2 L adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas."

"Survei umumnya ditujukan untuk melakukan pendugaan parameter populasi seperti total maupun rata-rata nilai suatu domain area dengan jumlah sampel yang besar. Salah satu pendekatan dalam menduga parameter populasi dihasilkan melalui metode pendugaan langsung. Namun, pendugaan langsung seringkali kurang presisi saat ukuran sampel suatu area berukuran kecil. Selain itu, terdapat permasalahan ketika pendugaan langsung tersebut digunakan untuk suatu area dengan ukuran sampel yang kecil, yaitu akan menimbulkan standard error yang besar. Permasalahan ini kemudian diatasi dengan mengembangkan metode pendugaan parameter yang dikenal dengan metode pendugaan area kecil Small Area Estimation, SAE. Dalam skripsi ini, akan dijelaskan prosedur untuk mencari dugaan rata-rata nilai populasi pada area kecil dengan metode Spatial Empirical Best Linear Unbiased Prediction SEBLUP yang mengikuti model Simultaneously Autoregressive SAR . Secara umum, prosedur ini diawali dengan mendefinisikan model tingkat area. Kemudian, model tingkat area tersebut diperluas dengan menambahkan pengaruh spasial ke dalam pengaruh acak area. Model spasial tingkat area tersebut yang selanjutnya digunakan sebagai dasar untuk melakukan pendugaan rata-rata nilai populasi pada area kecil.

---

Surveys are generally intended to predict population parameters such as the total or mean value of a domain area with a large sample size. One approach in estimating population parameters is obtained through direct estimation methods. However, direct estimation are often less precise when the sample size of an area is small. In addition, there is a problem when the direct estimation is used for an area with a small sample size, which will cause a large standard error. This problem was then addressed by developing a method of parameter estimation known as the Small Area Estimation SAE method. In this mini thesis, we will describe the procedure to find the mean population value in a small area using Spatial Empirical Best Linear Unbiased Prediction SEBLUP method which follows Simultaneously Autoregressive SAR model. In general, this procedure begins with defining an area level model. Then, the area level model is expanded by adding spatial effects into the random effects of the area. The spatial model of the area level is then used as the basis for estimating the mean population value in a small area."