Abstrak 
Penanganan Masalah Overdispersi Dalam Data Cacahan Melalui Model Regresi Umum Poisson [Generalized Poisson Regression Models] [Studi Kasus Pada Cara Persalinan Dengan Menggunakan Pervaginam Vacuum Extractum [Ve] Di Daerah Kabupaten Sumedang]
Ani Setiati
Unpad
Indonesia
Unpad
Generalized Poisson, Maksimum Likelihood, overdispersi, Regresi Poisson
Ada beberapa hal yang menyebabkan terjadinya Fenomena overdispersi dalam pengamatan sebuah variabel diantaranya adanya sumber keragaman yang tidak teramati (unobserved heterogenenity), adanya pengamatan yang hilang [missing] pada peubah penjelas, adanya pencilan pada data sehingga perlunya interaksi dalam model, peubah penjelas perlu ditransformasi atau kesalahan spesifikasi link function. Terkait dengan fenomena overdispersi dalam variabel respon yang bersifat cacahan, penggunaan model regresi poisson untuk menjelaskannya dengan menggunakan sejumlah variabel penjelas tidak dianjurkan lagi [Ismail Jemain, 2007] karena akan mengakibatkan pendugaan parameter yang bias dan nilai penduga bagi galat baku yang lebih kecil [underestimate]. Oleh karena itu perlu dicari sebuah model regresi alternatif yang memperhitungkan kasus overdispersi dalam variabel respon. Dalam tesis ini akan dikaji Generalized Poisson Regression [GPR] pada data persalinan ibu dengan menggunakan pervaginam Vaccum Extractum [VE] dan sebagai variabel prediktor adalah letak anak dalam rahim dan usia ibu. Model Generalized Poisson Regression [GPR] menghasilkan performa yang lebih baik dengan melihat hasil dari log likelihood dan nilai signifikansi untuk taksiran parameter.
In the process of a variable observation, the over dispersion phenomenon occurs due to some reasons. Some among them are unobserved heterogeneity and missing observations on the explanatory, data outliers that require interaction within the model or an error in the link function specification. The use of the Poisson regression model to explain an over dispersion phenomenon in a count dependent variable, by using a number of independent variables is no longer recommended [Ismail Jemain, 2007] because it will lead to a biased parameter estimating and result in an underestimated value of the standard error. It is necessary to find an alternative regression model that takes account over dispersion cases in the dependent variable. This thesis will examine Generalized Poisson Regression [GPR] using data from child labor via Vacuum Extractum [VE] and as predictive variables: the position of the fetus in the womb and age of the mother. Generalized Poisson Regression [GPR] Model performs better by viewing the results from the log likelihood and significance value for the parameter estimation.
Untuk keterangan lebih lanjut silahkan menghubungi http://cisral.unpad.ac.id