net/publication/322978628
CITATIONS READS
15 18,842
3 authors:
Riki Herliansyah
Kalimantan Institute of Technology
20 PUBLICATIONS 155 CITATIONS
SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Project: The construction of the Bandung Family Relations Test View project
All content following this page was uploaded by Rezzy Eko Caraka on 23 July 2018.
Bibliografi.: 91 - 94
ISBN : 978-602-6542-46-5
E-ISBN : 978-602-6542-47-2
1. Statistik Deskriptif
I. Caraka, Rezzy Eko
II. Herliansyah, Riki III. Judul
519.53
Semua informasi tentang buku ini, silahkan scan QR Code di cover belakang buku ini
BAB 3
KATA PENGANTAR
Jamilatuzzahro
M
aha baik Allah yang memperjalankan skenario hamba-Nya,
memberikan kami kesempatan, kemudahan, dan kemampuan
untuk menyelesaikan buku ini. Semua tergerak atas izin-Nya.
Warisan keilmuan yang hingga kini sampai kepada kita adalah tulisan.
Lewat tulisan karya para ilmuwan terdahulu, ilmu sampai pada kita. Sebut
saja Al Khawarizm lewat penemuan aljabar dan angka nol dan karya
tulisannya kita bisa belajar. Maka, tidak berlebihan ketika kita katakan
kegemaran membaca dan menuangkan hasil bacaan dan pembelajaran
dalam bentuk tulisan dapat membangun sebuah peradaban besar.
Ide menulis buku ini muncul ketika ditawarkan oleh satu penerbit
yang tertarik dengan salah satu jurnal kami yang merupakan
pengembangan dari skripsi saya saat menempuh program sarjana di
Universitas Gadjah Mada. Dengan melakukan penambahan literatur dan
juga berkolaborasi dengan dua penulis lainnya, atas rahmat-Nya hadir
buku yang kami beri judul aplikasi Generalized Linier Model dengan R.
Statistika dikenal sebagai tongkat pembimbing di daerah
ketidaktahuan dan ketidakpastian, karenanya statistika diperlukan dalam
meneropong masa depan (problem solver of the future). Penerapan keilmuan
statistika sangat luas. Model-model statistika digunakan sebagai tools
penelitian di berbagai bidang disiplin ilmu. Baik dalam penyusunan
model, perumusan hipotesa, pengembangan alat atau instrumen
vi Aplikasi Generalized Linear Model Pada R
KATA PENGANTAR
Rezzy Eko Caraka
P
uji syukur kepada Allah SWT kami panjatkan, berkat rahmat dan
karunia-Nya penulis dapat menyelesaikan buku ini. Tak lupa
semoga shalawat serta salam senantiasa tercurah kepada
jungjungan kita Nabi Muhammad SAW, kepada keluarganya, sahabatnya,
para tabi'in, tabiut tabiahum, kepada kita semua, serta kepada seluruh
umatnya hingga akhir zaman yang menjadikan sebagai uswatun hasanah,
suri tauladan yang baik.
Buku ini merupakan karya saya dengan 2 sahabat saya, Mbak
Jamilatuzzahro dan Bang Riki Herliansyah. Mereka berdua sosok yang
hangat mengayom dan membimbing saya dengan baik. Mbak
Jamilatuzzahro menamatkan program magister aktuaria di Institut
Teknologi Bandung (ITB) dan Bang Riki Herliansyah program magister
statistika di University of New South Wales (UNSW) sebuah kebanggaan
bagi saya untuk mengenal mereka berdua. Dengan kata pengantar ini saya
mengucapkan terima kasih kepada kedua orang tua saya Fauziani dan
Rozali juga adik Bungsu Roffi Dwi Putra. Kepada supervisor saya
Dr.Sakhinah Abu Bakar School of Mathematical Sciences The National
University of Malaysia, Bapak Dr. Toni Toharuddin, Dr.Irlandia Ginanjar,
Ibu Anindya Apriliyanti , Bapak Gumgum Darmawan dan semua keluarga
besar Departemen Statistika Universitas Padjadjaran, Keluarga Persatuan
viii Aplikasi Generalized Linear Model Pada R
KATA PENGANTAR
Riki Herliansyah
P
uji syukur kita panjatkan atas kehadit Allah yang maha kuasa yang
berkat rahmat dan karunia yang dilimpahkan kami dapat
menyelesaikan buku yang berjudul “Aplikasi Generalized Linear
Model pada R”. kami sadari bahwa buku ini masih jauh dari bentuk
sempurna untuk digunakan oleh berbagai kalangan. Buku ini merupakan
karya pertama dari saya sebagai seseorang yang baru bergelut di dunia
Pendidikan. Tujuan dari penyusunan buku ini adalah untuk memberikan
penjelasan secara singkat tentang bagaimana melakukan pemodelan
regresi yang distribusi dari variable responnya tidak terikat pada distribusi
tertentu. Pada bagian awal dari buku ini juga diberikan pengenalan secara
singkat program R dan R studio yang direkomendasikan oleh penulis.
Selain diberikan penjelasan mengenai teori singkat dari GLM, proses
estimasi dan pengujian koefisien model regresi, contoh simulasi beberapa
distribusi juga diberikan dan bagaimana menyusun algoritmanya di R.
Aplikasi dari GLM pada data nyata juga tidak lupa diberikan sebagai
pembelajaran.
Terlepas dari GLM, buku ini juga menambahkan sedikit materi
tentang perluasan dari model GLM yaitu seperti Generalized Linear Mixed
Model yaitu model GLM dengan efek acak, Generalized Aditive Model dan
Generalized Linear Latent Variable Models. GLLVM merupakan sebuah
model statistika yang kompleks yang umum digunakan untuk
memodelkan kekayaan spesies di ekologi.
x Aplikasi Generalized Linear Model Pada R
Pada kesempatan ini juga, kami akan memperkenalkan model ini dan
package yang dapat digunakan. Package ini disusun oleh saya pribadi dan
beberapa tim dari UNSW, ANU, Australia dan beberapa peniliti di
universitas Finlandia. Nama package dari model ini adalah gllvm yang
dapat diunduh di CRAN R yang disusun oleh Niku dkk (2017).
Sebelum saya menutup kata pengantar ini, saya berharap buku ini
dapat menjadi sarana belajar bagi siapapun yang tertarik mengenai
pemodelan regresi. Tentu kritik dan saran yang membangun sangat kami
harapkan dari pembaca sekalian untuk bekal kami di kemudian hari untuk
menciptakan karya-karya lain yang bermanfaat. Sekian dari saya semoga
buku ini memberi manfaat dan selamat belajar.
Wassalam
DAFTAR ISI
KATA PENGANTAR v
DAFTAR ISI xi
DAFTAR GAMBAR xiii
DAFTAR TABEL xv
PENDAHULUAN 1
BAB 1 GENERALIZED LINIEAR MODEL 13
1.1 Sejarah dari GLMs (LM, GLM, GLMs) 15
1.2 Komponen GLMs 20
1.3 Exponential Family (Distribusi Keluarga Eksponensial) 21
1.4 Model Generalized Linier Model 30
1.5 Fungsi Link 31
1.6 Estimasi Generalized Linier Models 31
1.7 Kriteria Pemilihan Model Terbaik 32
1.8 Uji Analisis Generalized Linier Models 33
1.9 Langkah – Langkah Generalized Linier Model 35
BAB 2 GENERALIZED ADDITIVE MODELS (GAM) 39
2.1 Additive Model 40
2.2 Smoothing Spline 40
2.3 Pemilihan Parameter Penghalus 42
BAB 3 GENERALIZED ADDITIVE MIXED MODELS (GAMM) 45
xii Aplikasi Generalized Linear Model Pada R
-oo0oo-
BAB 3
DAFTAR GAMBAR
-oo0oo-
xiv Aplikasi Generalized Linear Model Pada R
BAB 3
DAFTAR TABEL
-oo0oo-
xiv Aplikasi Generalized Linear Model Pada R
PENDAHULUAN
R
adalah salah satu aplikasi statistika yang tersedia secara gratis
yang dikembangkan oleh Ross Ihaka dan Robert Gentleman
berdasarkan Bahasa S yaitu sebuah Bahasa komputasi untuk
analisis data dan grafik pada tahun 1990an. Pengembangan dan
pendistribusian R adalah merupakan tugas dari the R Development Core
Team yang dikelompoki oleh beberapa ahli statistika.
Untuk menginstall R di komputer kita, aplikasi tersebut telah tersedia
dan dapat diperoleh di halaman web the Comprehensive R Archive Network
(CRAN):http://cran.r-project.org/dengan beberapa versi yang tersedia
untuk Windows, Linux, dan Mac. R memiliki banyak manfaat untuk
analisis statistik dan grafik yang outputnya tersedia dalam berbagai format
seperti jpg, png, bmp, ps, pdf, emf, pictex, xfig. Hasil analisis ditampilkan
langsung dilayar seperti P-values, koefiesien regresi, residual, standar erorr
dan sebagainya. R menyediakan berbagai macam fitur untuk analisis
statistik dari yang sederhana untuk statistika deskriptif seperti membuat
grafik dan diagram, mencari rata-rata dan varians dana analisis regresi
sederhana hingga analisis statistic yang kompleks untuk statistika inferensi
seperti analisis runtun waktu, generalized linear model (GLM), generalized
linear mixed model (GLMM) dan beberapa analisis statistic lainnya.
Berikut adalah langkah-langkah menginstall R untuk pengguna yang baru
pertama kali menggunakan R.
2 Aplikasi Generalized Linear Model Pada R
menulisk kan perintah setelah tand da “->” dan R akan men ngeksekusi
perintah tersebut.
2. Jendela EEditor juga diisebut jendelaa Script. Perin
ntah yang kitta tuliskan
pada jend dela Console pada dasarny ya tidak dapaat simpan, seh hingga kita
harus meenuliskan kem mbali setiap kali
k kita mem mbuka R. Jend dela Script
memung gkinkan kita untuk
u menyiimpan dan m mengedit perintah yang
kita tuliiskan. Agar perintah yan ng kita tuliss pada jend dela Script
dieksekuusi oleh R, kitta perlu memmberikan perin ntah RUN deengan cara
menekan n tombol RUNN atau dengan n CTRL+ENTE ER untuk mengirimkan
perintah tersebut ke jeendela Comm mand.
3. Jendela Environmentt/ History yang y terletak pada bagiaan sebelah
kanan attas. Pada jen ndela ini terssedia pilihann Import Dattaset yang
memberiikan kita pilih han untuk meengimport daata secara lang gsung dari
berbagai jenis file diiantara lain CSV, Excel, SPSS, SAS dan d Stata.
Jendela history men nunjukkan pekerjaan yan ng telah kitta ketikan
sebelumn nya.
4. Jendela yyang keempatt adalah files// plots/ packaages/ help. Paada jendela
ini kita d
dapat membu uka file, melihat grafik, mmenginstal dan n memuat
package aatau menggu unakan fung gsi help untu uk mencari penjelasan
p
mengenaai syntax atau fungsi tertenntu.
4 Aplikasi Generalized Linear Model Pada R
Pada layar computer anda akan muncul daftar packages yang telah
terinstal. Pada dasarnya, sudah ada cukup banyak packages yang terinstal
dan dapat langsung digunakan. Sedangkan, jika kita ingin menginstal
packages baru yang belum tersedia dalam daftar, pada jendela keempat
pilih menu packages kemudian klik instal. Selanjutnya, kita memasukkan
nama package yang ingin diinstal dengan mengetikan nama package tersebut
pada kolom yang tersedia atau dapat dilakukan secara langsung pada
jendela Console sebagai berikut:
> install.packages(“mvnormtest”)
Untuk menggunakan packages yang telah disintal maka kita perlu memuat
package tersebut terlebih dahulu.
> library(mvnormtest)
> vektor[1]
[1] 1
> vektor2 = rep(1,6)
> vektor2
[1] 1 1 1 1 1 1
> vektor3 = seq(from=1, to=6, by=1)
A B C
10 0.6 23
17 1.7 41
12 1.2 10
7 0.9 15
6 Aplikasi Generalized Linear Model Pada R
2. Grafik
Membuaat grafik meru upakan salah h bagian penting dari sebu
uah proses
analisis d
data dan stattistic. Grafik biasanya
b dibu
uat untuk meemberikan
deskripsii awal meng genai data kitta. Dalam beeberapa analisis seperti
runtun wwaktu, grafik merupakan langkah
l pentiing dalam meenentukan
model p peramalan. Pada
P contoh dibawah inii, kita ingin membuat
sebuah g grafik dari va
ariable x dimmana variable ini merupakan sebuah
data yaang dibangk kitkan meng ggunakan ffungsi rnorm m() yang
merupak kan fungsi distribusi
d no
ormal baku. Fungsi plott() adalah
perintah yang diguna akan untuk menggambark
m kan grafik suaatu fungsi.
Kita bisaa memodifika asi grafik deengan mengu ubah pengatu uran yang
terdapat dalam fungsii plot.
>x = rnorrm(17)
>plot(x)
8 Aplikasi Generalized Linear Model Pada R
>hist(x)
3. Pemprograman
R juga memungkinkan pengunanya untuk menulis sendiri fungsi
tertentu seperti di Matlab. Dalam membuat fungsi, kita dapat
menggunakan penyataan if dan perulangan (for) ke dalam fungsi kita.
Pernyataan if digunakan ketika sebuah fungsi hanya akan berjalan jika
kondisi tertentu terpenuhi. Misalnya pada contoh berikut, sebuah
kondisi diberikan yaitu 60. Fungsi ini mengerjakan perintah
selanjutnya jika kondisi ini terpenuhi.
> X = 56
> if (X < 60) {
Kode = “Tidak Lulus”
} else {
Kode = “Lulus”
}
> Kode
[1] "Tidak Lulus"
Perintah/Tanda Pengertian
matrix() untuk membuat sebuah matriks
c() untuk membuat sebuah vektor
diag() untuk membuat matriks identitas atau nilai diagonal
matriks
+ penjumlahan matriks
- Pengurangan
* Perkalian skalar antar matriks
%*% perkalian matriks
solve() invers matriks
det() determinan matriks
t() transpose matriks
cbind() menggabung dua atau lebih matriks atau vektor kolom
rbind() menggabung dua atau lebih matriks atau vektor baris
Tabel 0.2. Fungsi kepadata peluang (d_), fungsi distribusi kumulatif (p_), fungsi
kuantil (q_) dan fungsi pembangkit acak (r_)
Perintah Pengertian
plot() untuk membuat grafik
hist() untuk membuat histogram
barplot() untuk membuat diagram batang
piechart() untuk membuat diagram lingkaran
mean() untuk mencari rata-rata
sd() untuk mencari standar deviasi
cor() untuk mencari korelasi
summary() untuk memberikan statistika deskriptif
cor.test() untuk analisis korelasi
lm() digunakan untuk membuat model linier (regresi)
glm() digunakan untuk membuat model generalized linear model
(glm)
shapiro.test() untuk menguji asumi normalitas
chisq.test() untuk menguji tabel kontingensi menggunak uji Chi-Square
t.test() uji T untuk satu dan dua sampel
anova() uji anava
arima() untuk pemodelan runtuk waktu
-oo0oo-
Bab 1
P
ada umumnya pemodelan statistika bersifat abstrak yang
merupakan konsep sederhana dari sebuah teori yang lumrahnya
digunakan pada rumpun sains, teknologi penelitian tentang
hubungan diantara fenomena-fenomena real merupakan dasar dari tujuan
sains dan memainkan peranan penting dalam kehidupan sehari-hari. Saat
ini analisis regresi merupakan alat yang populer untuk mengetahui
hubungan tersebut. Analisis regresi adalah salah satu metode untuk
menentukan hubungan sebab-akibat antara satu variabel dengan variabel
yang lain. Variabel penyebab disebut dengan variabel independen, variabel
penjelas atau variabel X. Sementara variabel yang terkena akibat dikenal
sebagai variabel yang dipengaruhi, variabel dependen, variabel terikat,
variabel respon atau variabel Y. Pendugaan kurva regresi digunakan untuk
menjelaskan hubungan antara peubah penjelas dengan peubah respon.
Pendekatan pendugaan yang paling sering digunakan adalah pendekatan
parametrik. Asumsi yang mendasari pendekatan ini adalah kurva regresi
dapat diwakili oleh suatu model parametrik (Hardle, 1990). Dalam regresi
parametrik, diasumsikan bahwa bentuk kurva regresi diketahui
berdasarkan teori, informasi sebelumnya, atau sumber- sumber lain yang
dapat memberi pengetahuan secara terperinci.
Apabila model dari pendekatan parametrik diasumsikan benar,
maka pendugaan parametrik akan sangat efisien. Tetapi jika salah, maka
14 Aplikasi Generalized Linear Model Pada R
model linier dengan respon kontinu. Fungsi penghubung yang lain akan
menghubungkan μ secara nonlinier terhadap prediktor.
Pada Model Linear klasik, Y diasumsikan berdistribusi Normal
dengan E( ) = dan varians . Namun pada kenyataannya, kondisi ini
tidak begitu saja terpenuhi. Pada GLMs, variable respon Y dapat
berdistribusi selain Normal, yang masuk dalam Exponential Family.
( : , ) = exp ( ) ⁄ ( )+ ( , ) (1)
dengan fungsi tertentu a(.), b(.) dan c(.). Jika diketahui, maka bentuk
persamaan (1) merupakan Exponential Family dengan parameter kanonik .
Beberapa jenis distribusi yang kerap digunakan dalam GLMs dapat
dijabarkan sbb:
1. Distribusi Normal
~ ( , )
( )= exp (2)
√
1 1
( ; , ) = exp + log
2 √2
2 +
( ; , ) = exp log √2
2
( ; , ) = exp + log √2
2 2
( ; , ) = exp log √2 +
2 2
22 Aplikasi Generalized Linear Model Pada R
( ; , ) = exp log √2 +
2
dengan:
:
:
( ) : /2
:
( ) :
( , ) : log √2 +
2
( )= ( )
2
( )=
2
( )= =
( )= ( ) ( )
( )=1 ( )
( )= =
( ; )
=2 ( , ; ) ( ̂, ; )
( ; ̂) 1 1 1
=2 √2 √2
2 2 2
( ; ̂)
=
2. Distribusi Binomial
~ ( , )
( )= ( ) (1 ) (3)
28 Aplikasi Generalized Linear Model Pada R
dengan:
:
:
2
( ) : ( 2 )
: 1
( ) :
1
( , ) : + log
2 2 2
( )= ( )
1( 2 ) ( 2)
( )=
2
/
( )=( 2 ) =
( )= ( ) ( )
1( 2 ) ( 2)
( )=
2
/
( )=
Generalized Linear Model 29
( ; )
=2 ( , ; ) ( ̂, ; )
( ; ̂) 1
=2 + + log
2 2 2 2
1
+ + log
2 2 2 2
( ; ̂) 1 1 1 1
= +
2
( , ; )= ( ; , )
ln ( , ; ) = ( , ; )= ∑ ln ( ; , )
( )
( , )= ln ( , ) +
( )
= + ln ( , )
1
RMSE =
Uji Parameter
Hipotesis utama yang ingin diuji adalah
Ho : = 0 (koefisien tidal layak masuk model)
H1 : 0 (koefisien layak masuk model)
Tingkat Signifikansi : α
√
Statistik Hitung : =
Daerah penolakan :
Ho akan ditolak jika statistik uji lebih kecil daripada nilai
( , ) atau dinotasikan dengan ( , ). Jika
menggunakan software, maka dilihat dari nilai p_value apabila p_value
< alpha maka Ho ditolak.
Statistik Hitung : =∑
=
=
Daerah penolakan :
Ho akan ditolak jika statistik uji hitung lebih kecil daripada tabel nilai
atau dinotasikan dengan hitung tabel . Jika menggunakan software,
maka dilihat dari nilai p_value apabila p_value < alpha maka Ho
ditolak.
Generalized Linear Model 35
Pemilihan Variabel
DATA Statistika
Respon dan
Deskriptif
Prediktor
LINIER ?
Pemilihan Fungsi
Link
Identifikasi Distribusi
Variabel respons
Pemodelan
Pemodelan Distribusi Variabel
Generalized Linier Respons
Model
Gambar 1.1. Analaisis GLM Sumber : Jamilatuzzahro, Rezzy Eko Caraka, Riki
Herliansyah
Selain itu hasil dan kesimpulan yang akan didapat pun akan menjadi
rancu apabila pengumpulan data dilakukan tidak dengan
benar.Pengumpulan data dilakukan untuk memperoleh informasi yang
dibutuhkan dalam rangka mencapai tujuan penelitian. Proses
pengumpulan data ditentukan oleh variabel-variabel yang ada dalam
hipotesis. Pengumpulan data dilakukan terhadap sampel yang telah
ditentukan sebelumnya.
2. Menentukan variable depedent dan variable independent
Variabel independen (independent variable) adalah tipe variabel yang
menjelaskan atau mempengaruhi variabel yang lain. Variabel
dependen (dependent variable) adalah tipe variabel yang dijelaskan atau
dipengaruhi oleh variabel independen. Kedua tipe variabel ini
merupakan kategori variabel penelitian yang paling sering digunakan
dalam penelitian karena mempunyai kemampuan aplikasi yang luas.
Data yang diperoleh pada proses pengumpulan data, selanjutnya
peneliti harus mengklasifikasikan dan menentukan data yang
termasuk ke dalam variabel independent dan data yang termasuk
dalam varaibel dependent. Penentuan kedua variabel ini berdasar teori
keilmuan terkait.
3. Statistika Deskriptif
Pada deskripsi data, diberikan ukuran tendensi pusat, ukuran posisi
dan ukuran variasi, kesemuanya menggambarakan karakteristik data.
Ukuran numerik yang menggambarkan beberapa karakteristik dari
populasi adalah parameter, sedangkan ukuran numerik yang
menggambarkan karakteristik dari data pengamatan (sampel) adalah
statistic yang mana tujuannya adalah untuk menduga atau
mengestimasi parameter. Sebagai contoh, rata – rata penjualan yang
diperoleh dari populasi keseluruhan adalah parameter, sedangkan rata
– rata penjualan dari suatu sampel yang representative adalah statistic.
Statistic ini yang dijadikan sebagai penduga parameter.
4. Pengujian Linieritas
Uji linieritas merupakan syarat sebelum dilakukan uji generalized linier
models. Secara umum Uji Linieritas bertujuan untuk mengetahui
Generalized Linear Model 37
-oo0oo-
38 Aplikasi Generalized Linear Model Pada R
BAB 2
G
eneralized additive models (GAM) merupakan perluasan dari
regresi linier biasa dengan menggantikan fungsi linier menjadi
fungsi aditif sehingga model ini dapat digunakan meskipun
hubungan variabel respon dan beberapa variabel prediktor tidak linier.
Dan seperti halnya GLM, distribusi respon pada GAM tidak hanya pada
distribusi normal saja tapi juga distribusi yang termasuk dalam keluarga
eksponensial dapat dianalisis dengan metode ini. Teori model aditif
bersifat menyeluruh dalam mengungkapkan hal-hal yang lebih kompleks
terutama yang berkaitan dengan pengaruh acak, komponen ragam dan
bentuk sebaran data peubah yang tidak normal. Selanjutnya, model
GAMM ini diharapkan lebih efisien dalam mengidentifikasi sebaran
pengaruh komponenen acak sehingga mampu menerangkan lebih tepat
pengaruh komponenen acak tersebut dalam suatu model.
Pada umumnya koefisien dalam analisis regresi bersifat efek tetap
(fixed efect), dan relatif mudah dalam mengambil kesimpulan. Namun,
dalam beberapa kasus analisis regresi dipengaruhi oleh efek acak (random
efect). Seperti halnya pada kasus pengambilan kesimpulan untuk seluruh
populasi yang memiliki beberapa tingkatan dimana sampel diambil secara
acak.
Efek tetap (fixed efect) adalah seluruh parameter terkait yang diambil
dari populasi dalam suatu percobaan, sedangkan efek acak (random efect)
40 Aplikasi Generalized Linear Model Pada R
∑ (2.1)
dengan teknik penghalusan running mean, kernel atau spline. Pada model
aditif terdapat jumlahan i fungsi yang merupakan jumlahan fungsi tunggal
dari setiap variabel prediktor. Persamaan yang memiliki jumlah observasi
yang besar seringkali menghasilkan bentuk kurva regresi yang tidak sesuai
dengan kondisi sebenarnya. Sehingga, kurva tersebut tidak dapat
menggambarkan kecenderungan kurva pada bagian tertentu. Konsep yang
digunakan dalam penyelesaian permasalahan tersebut yaitu dengan
membagi data ke dalam beberapa bagian lalu menghubungkan setiap
bagiannya, sehingga diperoleh estimasi yang tepat. Konsep ini disebut
dengan piecewise of regression equation. Metode yang digunakan dalam
pendekatan estimasi tersebut yaitu smoothing spline.
Hastie dan Tibshirani (1990) membahas berbagai macam penghalus
diagram pencar. Salah satu dari penghalus diagram pencar tersebut adalah
penghalus spline yang merupakan solusi dari:
∑ (3.2)
-oo0oo-
44 Aplikasi Generalized Linear Model Pada R
BAB 5
DAFTAR PUSTAKA
Jiang, J., 2007, Linier and Generalized Linier Mixed Models and their Application,
Penerbit Springer, New York, USA.
Lin, X., 1999, Inference in Genralized Additive Mixed Models, University of
michigan annarbor, USA.
Mamouridis, V., 2011, Additive Mixed Models applied to the study of red shrimp
landings: comparison between frequentist and Bayesian perspectives.
McCullagh, P., and Nelder, J.A., (1989). Generalized Linear Model. London:
Chapman and Hall.
Nelder, J. A., and Wedderburn, (1972). :Generalized Linear Model”. Journal
of the Royal Statistical Society. Series A (General), Vol. 135, No. 3.
Niku, Jenni, Warton, David I., Hui, Francis K.C. and Taskinen, Sara (2017).
Generalized Linear Latent Variable Models for Multivariate
Abundance Data in Ecology. Journal of Agricultural, Biological and
Environmental Statistics.
Ovaskainen, O., Abrego, N., Halme, P., and Dunson, D. (2016). Using latent
variable models to identify large networks of species-to-species
associations at different spatial scales. Methods in Ecology and
Evolution, pages 549–555.
Pinheiro, J.C, Bates, D., Mixed Efect Models in S and S-Plus, Bell Laboratories
Lucent Technologies and Departement of Computer Sciences and
Statistics, University of Wisconsin Madison, USA.
Rao, C. R., (1973). Linear Statistical inference and Applications. New York:
John Wiley & Sons.
Rosadi, D., 2010,Analisis Ekonometrika & Runtun Waktu Terapan dengan R,
Penerbit Andi, Yogyakarta.
Shen, J., 2011, Additive Mixed Modeling of HIV Patien Outcomes Across
Multiple Studies, University of California, Los Angeles 2011.
Skrondal, Anders and Hesketh, Sophia Rabe (2004). Generalized Latent
Variable Modeling. Chapman & Hall/CRC
94 Aplikasi Generalized Linear Model Pada R
-oo0oo-
View publication stats