PEMODELAN INDEKS PEMBANGUNAN MANUSIA DI PROVINSI MALUKU DAN MALUKU UTARA DENGAN MENGGUNAKAN SPATIAL AUTOREGRESSIVE MODEL (SAR)
Notice bibliographique
Résumé
Indeks Pembangunan Manusia (IPM) di suatu wilayah dipengaruhi oleh IPM di wilayah lain yang berdekatan. Hal ini berdasarkan pada hukum Tobler yang berbunyi “segala sesuatu berhubungan dengan lainnya, tetapi hal-hal yang lebih dekat lebih terkait daripada hal-hal yang jauh. Wilayah yang lokasinya berdekatan mempunyai hubungan yang lebih tinggi daripada lokasi yang lokasinya jauh. Analisis mengenai faktor-faktor yang mempengaruhi IPM dapat dilakukan melalui regresi linier klasik. Tetapi, apabila sudah memperhitungkan lokasi, analisis regresi spasial merupakan metode yang lebih sesuai untuk digunakan. Regresi spasial merupakan pengembangan dari regresi linier klasik yang didasarkan pada adanya pengaruh lokasi pada data yang dianalisis. Spatial autoregressive (SAR) merupakan salah satu pemodelan spasial yang berkaitan dengan pendekatan area. Model SAR merupakan model yang tepat untuk pemodelan Indeks Pembangunan Manusia di Provinsi Maluku dan Maluku Utara dengan menggunakan pembobot Queen Contiguity. Berdasarkan estimasi parameter SAR terdapat empat variabel perdiktor signifikan mempengaruhi indeks pembangunan manusia yaitu variabel Harapan Lama Sekolah , Rata-rata Lama Sekolah , Umur Harapan Hidup Saat Lahir dan Pengeluran Perkapita dengan modelnya adalah .
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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) | 0,013 | 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 ».