Penerapan Prosedur Firth untuk Mengatasi Pemisahan (Separation) pada Model Regresi Probit Biner

Article Sidebar

PDF
Published Jul 31, 2017

Main Article Content

Evellin Dewi Lusiana
Universitas Brawijaya
Luthfatul Amaliana

Abstract

Estimasi parameter model regresi probit dapat dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE). Namun, metode MLE tidak dapat dipakai apabila dalam data mengandung pemisahan (separation) baik pemisahan sempurna (complete separation) maupun pemisahan tidak sempurna (quasi-complete separation) karena mengakibatkan hasil estimasi dengan metode MLE tidak konvergen. Salah satu upaya yang dapat dilakukan untuk mengatasi hal ini adalah dengan menggunakan pendekatan prosedur Firth yang pertama kali diusulkan oleh Firth (1993).  Penelitian ini menggunakan data sekunder pemberian kredit oleh pemerintah terhadap petani rumput laut di Kabupaten Kupang dengan tujuh variabel independen. Pada pemeriksaan awal ditemukan bahwa data tersebut mengandung pemisahan kurang sempurna yang mengakibatkan estimasi parameter bersifat  divergen.  Setelah ditangani dengan pendekatan prosedur Firth, diperoleh estimasi parameter yang bersifat konvergen

Article Details

How to Cite
LUSIANA, Evellin Dewi; AMALIANA, Luthfatul. Penerapan Prosedur Firth untuk Mengatasi Pemisahan (Separation) pada Model Regresi Probit Biner. Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami), [S.l.], v. 1, n. 1, p. 128-134, july 2017. Available at: <http://conferences.uin-malang.ac.id/index.php/SIMANIS/article/view/49>. Date accessed: 01 apr. 2023.
ABNT APA BibTeX CBE EndNote - EndNote format (Macintosh & Windows) MLA ProCite - RIS format (Macintosh & Windows) RefWorks Reference Manager - RIS format (Windows only) Turabian
Issue
Vol 1 No 1 (2017): Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai Islami )
Section
Mathematics
Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

Copyright Notice

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.

References

1. Albert A, Anderson JA. On the Existence of Maximum Likelihood Estimates in Logistic Regression Model. Biometrika. 1984;71:1-10.
2. So Y. A Tutorial on Logistic Regression. 1995. Available from: http://support.sas.com/techsup/technote/ts450.pdf
3. Zorn C. A Solution to Separation in Binary Response Models. Political Analysis. 2005;13:157-70.
4. Firth D. Bias Reduction of Maximum Likelihood Estimates. Biometrika. 1993;80:27-38.
5. Heinze G, Schemper M. A Solution to The Problem of Separation in Logistic Regression. Statistics in Medicine 2002;21:2409-19.
6. Sunadji. Model Pengembangan Budidaya Rumput Laut di Kabupaten Kupang Provinsi NTT (Simulasi Kebijakan dengan Pendekatan Ekonomi Rumah Tangga). . Malang: Universitas Brawijaya; 2013.
7. Wooldridge JM. Econometric Analysis of Cross Section and Panel Data. Massachusets: MIT Press; 2002.
8. Lessafre E, Albert A. Partial Separation in Logistic Discrimination. Journal of the Royal Statistical Society B 1989;51(1):109-16.