Oleh :
Kelompok 5
Amelia Andriani (H 121 15 008)
Fitriani S (H 121 15 014)
Nurul Hidayanti A. (H 121 15 017)
Andi Asriani (H 121 15 021)
Elsa Resa Sari (H 121 15 309)
Windi Wilda Ningsi (H 121 15 313)
Hesti Erdayanti (H 121 15 507)
Akan dijabarkan statistik cukup dan persamaan likelihood terhadap pemodelan loglinear
berupa tabel tiga arah. Selanjutnya tentang perhitungan nilai maksimum likelihood
(ML) dari beberapa kemungkinan dan frekuensi harapan. Bagian ketiga tentang uji
kesesuaian model, dan terakhir tentang estimasi parameter model. Beberapa contoh juga
ditunjukkan dalam bab ini, sebagai bahan pembelajaran tentang model log linear.
2. Relevansi
Model log linear juga memiliki model logit, sehingga penyesuaian model log linear dengan
model logitnya perlu dipahami. Penggunaan model logit selalu ada dalam model log linear
yang bertujuan untuk membentuk model linear yang akan lebih mudah untuk
diinterpretasikan. Kajian teori, mulai statistic cukup hingga uji kesesuaian mode l, menjadi
penting keberadaannya supaya lebih memahami ketika berhubungan dengan data riil.
3. Statistik Cukup dan Likelihood Pemodelan Loglinear
3.1 Statistik Cukup Minimal
Asumsikan model pengambilan sampel yang paling mudah, sampel tersebut
menghitung { } untuk penggolongan silang dari X Y, dan Z adalah variable bebas acak
Poisson dengan nilai yang diharapkan { } . Hasil yang sama terjadi ketika sel
hitung adalah sebuah sampel multinomial dengan sel peluang.
Dimana memberikan hasil kali dari semua sel dalam table. Kernel log
likehoodnya adalah
() = log ( ) (7.1)
() = + ++ 1 + ++ + ++ + + +
+ + + + exp[ + + +
+ + + + ]
Karena distribusi Poisson berada dalam suku eksponensial, maka koefisien dari
parameter pada log likelihood ini adalah statistik cukup. Untuk model yang penuh
ini, { }adalah koefisien dari { }, jadi tidak terdapat reduksi pada data. Untuk
model yang lebih sederhana, beberapa parameter lamda bernilai nol, Sehingga
persamaan (7.2) disederhanakan menjadi:
log = + + +
Table 7.1 memuat statistic cukup minimal untuk beberapa model loglinier. Model
sederhana (X, Y, Z) hanya membutuhkan factor-tunggal distribusi marginal, sedangkan
model (XY, Z) juga membutuhkan dua-faktor X-Y distribusi marginal. Statistik cukup
minimal adalah distribusi marginal yang sederhana yang sesuai dengan syarat-syarat pada
symbol model. Untuk model (XY, XZ, YZ) memiliki semua dua -faktor terikat, singkatnya,
statistic cukup minimal adalah marginal table dua -cara {+ }, {+ } dan { + }
Nilai { ijk } untuk model loglinear (XZ,YZ) merupakan solusi untuk persamaan
likelihood. Misalkan turunan dari persamaan likelihood menggunakan model loglinier
(XZ, YZ), dimana untuk setiap X dan Y adalah independen untuk Z . Untuk model ini,
persamaan (7.2) dapat disederhanakan menjadi
(, , , +
, ) untuk memperoleh persamaan Likelihood. Misalnya,
perhatikan (6.4) dan (6.5) sama dengan persamaan yang diperoleh sebelumnya pada
table 6.1 untuk model (XZ,YZ) dan merupakan Maximum Likelihood Estimasi.
3.3 Kesimpulan Birch
Untuk model (XY,YZ), Table 7.1 bahwa statistik yang cukup minim
merupakan estimasi ML dari distribusi marjinal yang sesuai frekuensi harapkan.
Birchs (1963) menunjukkan bahwa persamaan likelihood untuk model loglinier
cocok dengan statistik yang cukup minimal untuk nilai-nilai yang diharapkan.
log = + +
karena estimasi ML dari parameter hanya fungsi yang sama untuk estimasi
ML
dari beberapa paramater, dimana
(6.6)
4.2 Perkiraan Iteratif dan Perkiraan Langsung
Berdasarkan ketiga pemodelan awal pada Tabel 6.2, terdapat persamaan jelas dan
perkiraannya dapat dikatakan langsung. Nmun, banyak juga pemodelan loglinear
yang tidak dapat diperkirakan secara langsung. Bagi pemodelan seperti itu,
perhitungan ML membutuhkan metode iteratif. Pemodelan yang telah dipelajari
melibatkan dua dan tiga variabel, dimana variabel yang tidak dapat diperkirakan
secara langsung yakni (XY,XZ,YZ), pemodelan tanpa hubungan antara ketiga
variabel. Meskipun tabel marginal dua arah merupakan statistic minimal cukup
dari pemodelan, ( ijk ) tidak mungkin bisa dijabarkan secara langsung dalam ( ij+
), ( i+j ) dan ( +ij )
* Rumus pemodelan tidak dicantumkan dan diperoleh berdasarkan pola. Contohnya
untuk
(XZ,Y),
Alasan serupa menghasilkan { } untuk semua kecuali satu model pada tabel
7.2. Tabel 7.2 menunjukkan formula. Tabel itu juga mengungkapkan { } dalam hal
probabilitas marjinal. Ekspresi dan persamaan ini menentukan formula ML, dengan
menggunakan pendekatan yang baru saja dijelaskan.
Untuk model yang memiliki rumus eksplisit untuk , perkiraannya
dikatakan langsung Estimasi ML kemudian membutuhkan metode iteratif. Dari model
pada Tabel 7.1 dan 7.2, satu-satunya yang tidak memiliki perkiraan langsung adalah
XY, XZ, YZ. Meskipun tabel marginal dua arah adalah statistik minimal yang
memadai, maka tidak mungkin untuk mengungkapkan secara langsung dalam
istilah dari {++ }, {++ }, {++ }, Perkiraan langsung tidak ada untuk model tak
jenuh yang berisi semua asosiasi dua faktor. Dalam prakteknya, tidak penting untuk
mengetahui model mana yang memiliki perkiraan langsung. Metode Iteratif untuk
model yang tidak memiliki perkiraan langsung juga berlaku dengan model yang
memiliki perkiraan langsung. Perangkat lunak statistik untuk model loglinear
menggunakan metode iteratif untuk semua kasus.
4.3 Contoh Soal
Tabel 7.3 daftar nilai hasil pencocokan untuk beberapa model. Dalam
simbol, D adalah ras terdakwa, V adalah ras korban dan P adalah vonis
hukuman mati. Misalkan { ijk } menunjukkan nilai yang cocok pada tingkat I
dari ras terdakwa, tingkat j dari ras korban, dan k tingkat vonis hukuman mati.
Misalnya, untuk model (D, V, P),
++
++++
= = (160x214x36)/(326)2 = 11,60. Nilai yang cocok untuk
2
model merupakan model (VP, DP) dan (VP, DP, DV), dimana adalah hamper sama
dengan data yang diamati.
Untuk setiap model dalam Tabel 7.4, odds rasio diperkirakan menggambarkan
keterkaitan antara hubungan marjinal dan parsial dijelaskan oleh kondisi
collapsibility, misalnya:
(D, V, P)
Semua odds rasio parsial yang sama dengan 1.0 dan pasti akan selalu sama dengan
odds rasio marjinal, karena kondisi collapsibility terpenuhi.
(P, DV)
Hanya D V odds rasio yang tidak sama dengan 1.0 maka semua odds rasio parsial
pasti tidak akan selalu sama dengan odds rasio marjinal. Karena {nijk} merupakan
statistic cukup yang minimal untuk semua model. Dengan demikian, marjinal odds
rasio D V adalah sama untuk { } seperti untuk data yang diamati.
(VP, DV)
Hanya odds rasio partial D P yang sama dengan 1.0, V P dan odds ratio
parsial D V pasti akan sama dengan odds rasio marjinal. Hal ini tidak tepat untuk
parsial dan marjinal odds ratios D P, karena V tidak bebas pada P atau D. Odds
rasio marjinal dari V P dan D V adalah sama untuk { } pada data yang
diamati, karena semua = dan + = +
Semua variabel yang bepasangan adalah variable tidak bebas. Tidak ada odds rasio
yang sama dengan 1.0, dan tidak satupun dari variable tersebut yang perlu sama
dengan odds rasio marginal yang terkait. Taksiran odds rasio marjinal sama
dengan data yang diamati, karena semua
+ = +,
+ =
+ ,
+ = +
(DVP)
Karena model ini memungkinkan interaksi tiga-faktor, dua odds rasio parsial untuk
sepasang variabel yang ada tidak lagi sama. Variabel tersebut dekat (setelah 0,5
ditambahkan ke sel masing-masing), bagaimanapun ada indikasi yang
menunjukkan mengapa model (DV, VP, DV) cocok.
Nilai-nilai odds rasio diperkirakan dalam Tabel 7.4 berguna untuk menerjemahkan
hubungan antara variabel. Misalnya, pertimbangkan model (DV, VP, DV), yang
cocok tetapi memberikan smoothing dari data. Oddsrasio D P berarti bahwa
kemungkinan estimasi vonis hukuman mati "ya" adalah (a) 1.2 kali lebih tinggi untuk
seorang tersangka berkulit putih, (b) 0.6 kali lebih tinggi untuk tersangka berkulit
hitam, dalam setiap tingkat ras korban.