PEMODELAN REGRESI MULTILEVEL ZERO-INFLATED GENERALIZED POISSON DAN REGRESI MULTILEVEL ZERO-INFLATED POISSON PADA DATA RESPON COUNT
Bibliographic record
Abstract
Data pengamatan hierarki (bertingkat) dengan variabel respon yang bersifat diskrit (count) dan berisikan banyak nilai nol dapat diselesaikan menggunakan model regresi Multilevel Zero-Inflated Poisson (MZIP). Banyaknya nilai nol pada data ternyata menyebabkan terjadinya dispersi (overdispersi/underdispersi). Jika terdapat fenomena overdispersi pada data, maka regresi MZIP kurang akurat digunakan untuk analisis karena berdampak pada nilai standard error menjadi under estimate (lebih kecil dari nilai sesungguhnya), sehingga kesimpulan yang diperoleh menjadi tidak valid. Salah satu metode yang dapat digunakan untuk mengatasi data count pengamatan hierarki yang mengalami dispersi yaitu model regresi Multilevel Zero-Inflated Generalized Poisson (MZIGP) sebagaimana yang dibahas dalam penelitian ini. Proses estimasi parameter model regresi MZIGP menggunakan metode Best Linear Unbiased Predictors (BLUP) melalui algoritma Expectation-Maximization (EM). Aplikasi model regresi MZIP dan MZIGP pada data jumlah kunjungan dokter di wilayah Canada menunjukkan hasil yang berbeda. Pada model regresi MZIP variabel status penyakit kronik (X2) dan level pendidikan (X3) memiliki nilai p-value yang signifikan terhadap model sementara model regresi MZIGP tidak ada variabel yang memiliki nilai p-value yang signifikan terhadap model. Namun, Likelihood ratio statistic kemudian menunjukkan bahwa ada perbaikan model yang diberikan oleh model regresi MZIGP terhadap model regresi MZIP dalam memodelkan data jumlah kunjungan dokter di wilayah Canada pada tahun 1985-1988 dengan nilai V=16,05. Hasil ini juga dipertegas dengan nilai standard error pada regresi MZIGP mengalami peningkatan atau under estimate yang terjadi pada regresi MZIP telah diatasi.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.017 | 0.038 |
| Meta-epidemiology (narrow) | 0.002 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.006 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.006 | 0.003 |
| Research integrity | 0.002 | 0.005 |
| Insufficient payload (model declined to judge) | 0.032 | 0.007 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".