Kelompok 2
3 SE 3
MODELLING STRATEGY
MODEL INDEPENDENCE
Diasumsikan, sampel
multinomial
= .
independen
secara statistik
++ = ++
++ = ++
++ = ++
maka diperoleh:
log = + ...(1)
Dengan asumsi:
Hal ini sama saja seperti hubungan dua dimensi independen antara Y dan
variabel yang berasal dari IK kombinasi level dari gabungan variabel X dan
Z. Model log liniernya adalah:
+
Jika dua variabel joint bebas terhadap variabel ketiga, yang disimbolkan
dengan (XY, Z), atau (XZ, Y) atau (YZ, X) maka
Dengan asumsi:
Dua versi lain dari hipotesis ini, yaitu variabel Y bebas terhadap joint variabel
X dan Z yang disimbolkan (XZ, Y) dan variabel X bebas terhadap joint
variabel Y dan Z (YZ, X). Model log linier untuk masing-masing hipotesis
tersebut adalah:
+
(1)
(3)
(3)
(2)
(2)
Syarat Asosiasi
dalam Model Log
Linier
Interpretasi
Variabel-variabel
saling independen
Y independen dari
Y
independen
dari
distribusi
bersama
distribusi
X dan Z bersama
X
Z
X dan
dan Y
independen
X
dan Y syarat
dengan
independen
diketahui Z
dengan syarat
diketahui Z
bersyarat
independen
dengan asumsi
ASOSIASI HOMOGEN
Setiap log linier yang sudah dijelaskan di atas memiliki tiga, dua, dan satu
pasang variabel independen bersyarat. Setiap pasang variabelnya terdapat
interaksi, dan interaksi tersebut tidak dipengaruhi oleh level variabel ketiga.
Hipotesisnya disimbolkan dengan (XY, YZ, XZ). Model log linier untuk
hipotesis ini adalah:
+
dengan asumsi:
SATURATED MODEL
Untuk tabel tiga arah, bentuk kernel log likehood didapat berdasarkan joint
Poisson probability, yaitu
Oleh karena statistic cukup dari adalah koefisien nya sendiri , maka
j=1,2,,p
L( )
ni xij i xij
j
i
i
L
ni k i k
XZ
ik
L
n jk jk
YZ
jk
ni k i k
n jk jk
ijk
i k jk
k
)
i k ni k
i k jk ni k n jk
ijk
k
n k
Solusi diatas sesuai dengan model dan data pada statsistik cukup
Banyak model loglinear yang tidak bisa diestimasi secara langsung, untuk
menyelesaikannya dengan metode iteratif.
Pada tabel diatas yang tidak bisa diestimasi secara langsung yaitu model
(XY,XZ,YZ). Estimasi langsung tidak bisa dilakukan untuk unsaturated model
yang mengandung semuanya dua faktor asosiasi.
METODE ITERATIF
Jika model log linier tidak langsung menghasilkan estimasi maka algoritma
iteratif seperti Newton-Raphson dapat digunakan untuk memecahkan
persamaan likelihoodnya. Selain metode Newton-Raphson, ada pula metode
iteratif yang menyajikan metode yang lebih simpel namun memiliki
keterbatasan yaitu metode iteratif proportional fitting.
METODE NEWTON-RAPHSON
Proses dilakukan terus menerus hingga nilai dari estimasi tidak lagi berubah
yang berarti bahwa likelihood mencapai titik maksimum dan proses iterasi
telah konvergen ke titik maksimum saat fungsi telah cocok dan nilai dugaan
sudah bagus.
Digambarkan bahwa model yang digunakan adalah model (XY, XZ, YZ)
memiliki statistik cukup ( n ij+ ), ( ni+k), ( n+jk). Penduga awalannya harus
memenuhi model. Ada tiga langkah untuk ulangan pertama pada IPF:
Hipotesis nol dan alternatif untuk kedua tes tersebut dapat dirumuskan
menjadi
H0: model Log Linier yang digunakan cocok dengan keadaan
sebenarnya
H1: model Log Linier yang digunakan tidak
sebenarnya
maka dapat diambil kesimpulan bahwa model Log Linear yang digunakan
sesuai dengan keadaan sebenarnya.
Hasil yang signifikan memberikan arti bahwa model tidak cocok, sedangkan
hasil yang tidak signifikan memberikan arti bahwa model cocok dengan
keadaaan sebenarnya.
Residual dapat digunakan untuk meunjukkan sel mana pada tabel yang
berkontribusi terhadap ketidakcocokan model, dan juga membantu peneliti
untuk menentukan model alternatif yang lebih cocok.
Model log linear untuk dimensi yang lebih tinggi (multidimennsi) merupakan
perluasan dari model log linear tabel 3 arah. Bertambahnya jumlah dimensi,
maka memunculkan beberapa komplikasi.
Diantaranya :
Meningkatnya jumlah asosiasi yang mungkin dan ketentuan interaksi,
sehingga pemilihan model jauh lebih sulit.
Bertambahnya jumlah sel-sel.
Model log linear untuk dimensi yang lebih tinggi dapat di gambarkan melalui
tabel kontingensi 4 dimensi, yang memuat 4 variabel utama yaitu W, X, Y,
dan Z.
Model log linear dari tabel kontingensi 4 dimensi dapat dilihat baik secara
teoritis maupun hierarki.
Model log linear yang kompleks pada tabel kontingensi empat dimensi
memuat 6 kemungkinan dari interaksi 2 variabel , 4 kemungkinan dari
interaksi 3 variabel , dan 1 interaksi 4 variabel . Persamaan loglinearnya sbb
Model tanpa interaksi 3 faktor atau lebih mempunya bentuk model loglinear
yang hanya terdiri dari model sederhana dan interaksi 2 variabel.
Persamaannnya sebagai berikut.
Uji Chi Square digunakan untuk mengetahui apakah model sesuai dengan
keadaan sebenarnya atau tidak.
Hipotesis :
Ho : model loglinear sesuai dengan keadaan sebenarnya
H1 : model loglinear tidak sesuai dengan keadaan sebenarnya
Rumus Uji Statistik Chi Square :
Apabila dan p-value > taraf signifikansi =5% maka dianggap model log
linear yang digunakan sesuai keadaan yang sebenarnya.
Keterangan :
= frekuensi harapan
Derajat bebas untuk model yang memuat semua bentuk interaksi dalam
tabel kontingensi 4 dimensi ditunjukan dengan rumus :
df=ijkl-[1-(i-1)+(j-1)+(k-1)+(l-1)+(i-1)(j-1)+(i-1)(k-1)+(i-1)(l-1)+(j-1)(k-1)+(j1)(l-1)+(k-1)(l-1)+(i-1)(j-1)(k-1)+(i-1)(j-1)(l-1)+(i-1)(k-1)(l-1)+(j-1)(k-1)(l-1)]
No
Derajat Bebas
(W, X, Y, Z)
[ijkl-i-j-k-l+3]
(WX, Y, Z)
[ijkl-ij-k-l+2]
(WX, YZ)
[(ij-1)(kl-1)]
(WX, XY, Z)
[j(ikl-i-k+1)(l+1)]
[ijkl-ij-jk-kl+j+k]
[i(jkl-j-k-l+2)]
(WXY, Z)
[(ijk-1)(l-1)]
(WXY, YZ)
[k(ij-1)(l-1)]
(WXY, XYZ)
[jk(i-1)(l-1)]
10
(l-1)(k-1)(i-1)(j-1)
11
[ijkl-ijk-ijl-jkl+i+j+k+1]
12
[l(k-1)(j-1)(i-1)]
13
[ij(kl-l-k)]
14
[jl(ik-k-i)]
15
[ijkl-ijl-ij-jk-kl+j+k+4]
16
[ijkl-ijk-il-jl-kl+i+k+l+3]
17
[ijkl-ijk-jl-kl+j+k+2]
18
[ijkl-ijl-ij-jk]
19
[ijkl-ij-ik-jk-jl-kl-il+2j+2k+2l+2i-3]
20
[ijkl-ij-ik-jk-jl-kl+2j+2k+l+i-2]
21
[ijkl-ij-ik-jk-kl+i+2k+j-1]
22
[ijkl-ij-ik-jk+i+k-1]
23
(WXYZ)
Dari model log linear kompleks , maka bentuk likelihood dari persamaan diatas menjadi
INTERPRETATION MODEL
TERIMAKASIH