Analisis Regresi Spasial pada Indeks Pembangunan Manusia di Provinsi Sumatera Utara Tahun 2020
Notice bibliographique
Résumé
Indeks Pembangunan Manusia (IPM) di suatu daerah dipengaruhi oleh IPM di daerah sekitar yang berdekatan. Faktor yang mempengaruhi IPM dapat dianalisis melalui regresi linier klasik, tetapi apabila sudah memperhitungkan lokasi, pendekatan regresi spasial merupakan metode analisis yang lebih sesuai untuk digunakan. Tujuan penelitian ini adalah melakukan analisis regresi spasial pada pemodelan IPM Provinsi Sumatera Utara tahun 2020. Penelitian ini memberikan hasil bahwa model regresi spasial yang digunakan adalah model SAR. Nilai ρ yang positif menunjukkan bahwa peningkatan IPM dari wilayah yang mengelilingi suatu kabupaten/kota akan meningkatkan IPM di kabupaten/kota tersebut. Direct effect yang diperoleh adalah sebesar -0.5069455 sedangkan indirect effect adalah sebesar -0.313711. Persentase penduduk miskin memiliki pengaruh negatif yang signifikan yang artinya peningkatan persentase penduduk miskin akan menyebabkan penurunan IPM provinsi Sumatera Utara tahun 2020. Oleh karena itu, pemerintah disarankan dapat mengambil kebijakan yang tepat dari segi ekonomi khususnya dalam pengentasan kemiskinan sehingga dapat meningkatkan IPM di Provinsi Sumatera Utara.
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 | 0,001 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».