Text
Metode Penalized maximum likelihood estimation untuk mengatasi masalah pemisahan pada model regresi logistik biner
Model regresi logistik biner merupakan salah satu model regresi logistik yang digunakan untuk menganalisis hubungan antara satu peubah respon bersifat biner dengan beberapa peubah penjelas bersifat kategorik. Estimasi parameter model regresi logistik biner menggunakan metode Maximum Likelihood Estimation (MLE) yang selanjutnya diselesaikan dengan metode iteratif Newton-Raphson. Namun, dalam suatu kondisi tertentu metode MLE tidak dapat digunakan karena diperoleh penduga yang tidak konvergen. Untuk menyelesaikan hal tersebut, digunakan pendekatan metode Penalized Maximum Likelihood Estimation (PMLE) yang pertama kali diusulkan oleh Firth (1993). PMLE merupakan hasil modifikasi fungsi skor likelihood menjadi fungsi skor Penalized likelihood. Data yang digunakan dalam penelitian ini adalah data sekunder tentang penerimaan kenaikan pangkat pegawai BKN Pusat Jabatan Fungsional Tertentu Periode 1 Oktober 2017. Sebelum dilakukan analisis, data diuji asumsi multikolinearitas. Diketahui bahwa data tidak mengandung multikolinearitas. Selanjutnya, langkah pertama adalah melakukan pendugaan parameter pada data menggunakan metode MLE dan Iteratif Newton-Raphson dengan bantuan Program R. Dari data yang dianalisis, ditemukan masalah yaitu penduga parameter tidak konvergen. Kedua, mencari masalah yang mengakibatkan penduga tidak konvergen menggunakan peluang ketepatan alokasi yang dilanjut dengan memeriksa ragam penduga penjelas yang dibakukan. Dari data yang dianalisis mengandung masalah pemisahan kurang sempurna. Langkah terakhir mencari penduga parameter pada data tersebut yang telah teridentifikasi masalah pemisahan kurang sempurna menggunakan Metode PMLE untuk mendapatkan model terbaik. Hasil penelitian ini menunjukkan bahwa model terbaik dari data penerimaan kenaikan pangkat mengandung faktor yang paling mempengaruhi penerimaan kenaikan pangkat tersebut, yaitu akumulasi absensi dua tahun terakhir.
Binary logistic regression model is one of the logistic regression models that is used to analyze the correlation between the binary response variable and several categorical predictor variables. The parameters of the binary logistic regression models are estimated by Maximum Likelihood Estimation (MLE) method which subsequently solved by iterative Newton-Raphson method. However, in certain circumstances MLE method cannot be used because non-convergent estimator is obtained. To resolve the problem, it is used the approach of Penalized Maximum Likelihood Estimation (PMLE) method which was first proposed by Firth (1993). PMLE is a result of modification of likelihood score function into Penalized likelihood score function. Data used in this research was secondary data about the acceptance of promotion of Occupation Position Functional Position Period October 1st 2017. Before the analyze is done,the step is to test the assumption of multicolinearity. From data processed known that data does not contain multicolinearity. In this research, the first step is estimating the parameter of the data by using the MLE method and Newton-Raphson Iteratition with the help of R program. From data analysis, it is found a problem, i.e. non-convergent parameter estimator. The second step is seeking problems resulting non-converge estimator using opportunities of allocation accuracy and continued by examining the standardized predictor variance estimators. The data that were analyzed contained quasi-complete separation problem. The final step is searching for the parameter estimators of the data which were identified quasi-complete separation problem using PMLE method to obtain the best model. The results of this research indicate that the best model of the data of acceptance of promotions contains factor that most influence acceptance of promotion, i.e. accumulated absenteeism last two years.
SS00016426 | SK 16426 | UPT Perpustakaan UNJ (CD.03.2018.003) | Tersedia |
Tidak tersedia versi lain