PENERAPAN REGRESI KUANTIL PADA DATA KEMISKINAN BENGKULU
Notice bibliographique
Résumé
Kemiskinan merupakan permasalahan yang kompleks. Sehingga masalah kemiskinan yang sangat multidimensi ini sulit dipecahkan. Hal ini menjadikan kajian tentang kemiskinan sangat diperlukan. Indonesia sebagai negara berkembang memiliki persentase penduduk miskin yang cukup tinggi, dan provinsi Bengkulu sebagai salah satu penyumbang kemiskinan terbesar kedua di Pulau Sumatra sehingga dibutuhkan kajian lebih lanjut tentang data kemiskinan Bengkulu. Penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran per kapita per bulan dibawah garis kemiskinan. Dilihat dari rata-rata pengeluaran perkapita dilakukan penerapan regresi kuantil. Regresi kuantil digunakan karena penerapan regresi linier tidak cocok yang dapat dilihat dari tidak terpenuhinya asumsi kenormalan dan homoskedastisitas. Hal ini terjadi karena adanya pencilan dan keberagaman data. Penerapan regresi kuantil dengan variable bebasnya Jumlah keluarga tanpa listrik, Jumlah sarana Pendidikan, Jumlah Sarana Kesehatan, Jumlah Penerima Jamkesmas, dan Jumlah SKTM diperoleh bahwa variable yang berpengaruh ialah Jumlah keluarga tanpa listrik dan Jumlah Sarana Kesehatan dengan kuantil 0.5 dimana model tersebut telah stabil.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,039 | 0,014 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».