MODUL3
GENERALIZED LINEAR MODELS
Dalam Agresti (2007) Bab II Bab 2 dijelaskan metode untuk menganalisis tabel
kontingensi. Metode-metode tersebut membantu kita menjelaskan pengaruh variabel
penjelas terhadap variabel respon Kategori. Bagian lain dari Agresti (2007) ini
membahas model-model sebagai dassar analisis. Pada kenyataannya metode-metode
pada Bab II juga menghasilkan simpulan dari analisis dari data kategori, tetapi model
dapat menangani situasi yang lebih rumit seperti analisis dari beberapa variabel
penjelas secara simultan.Model yang fit memiliki beberapa keuntungan. Struktur persamaan dari model
menjelaskan pola dan interaksi diantara variabel. Besaran nilai parameter menjelaskan
Kekuatan atau kepentingan pengaruh suatu variabel. Inferensi parameter variabel
mengevaluasi variabel penjelas mana yang memiliki pengaruh techadap respon. Model
juga digunakan untuk memprediksi data dan menyempurnakan taksiran rata-rata
respon pada suatu nilai variabel penjelas.
Model-model dalam agresti (2007) menampilkan generalized linear model. Secara
garis besar model-model meliputi regresi biasa dan Analisis Varians (ANOVA)
dengan respon kontinu sebaik model-model dengan respon diskrit. Bab IIT dalam
Agresti (2007) membahas generalized linear
models untuk data dengan respon kategori dan respon diskrit yang lain.3.1 Komponen dalam Generalized Linear Models
Seluruh model dalam Generalized Linear Models (GLM) memiliki tiga komponen
yaitu:
Komponen Acak: Diidentifikasi oleh variabel respon (Y) dan diasumsikan
memiliki distribusi.
2.Komponen sistematik: Meliputi variabel-variabel penjelas dari model.
3.Fungsi penghubung (link function): yaitu suatu fungsi yang menghubungkan
ekspektasi respon (Y) dengan variabel-variabel penjelas melalui persamaan linier
2H) = Bot BX +... + PX
Fungsi penghubung akan menentukan model yang akan digunakan dalam GLM.
Fungsi penghubung paling sederhana adalah g(u) = py disebut sebagai penghubung
identitas (identity link) merupakan model regresi linier dengan respon kontinu. Fungsi
penghubung yang lain akan menghubungkan pi secara nonlinier terhadap prediktor.3.1 Generalized Linear Models dalam R
Dalam software R GLM terdapat dalam fingsi glm yang terdapat dalam paket
“stats”. Paket “stat sudah disertakan secara default didalam software R sehingga kita
dapat langsung menggunakannya saja. Secara umum metode penaksiran yang
digunakan dalam fungsi glm adalah iteratively reweighted least squares (WLS) yang
menggunakan metode Fisher scoring untuk optimasinya. Untuk metode lain seperti
kemungkinan maksimum dan metode optimasi Newton-Rhapson untuk optimasinya
tidak diimplementasiakn dalam fingsi ini. Dengan demikian kita haras menggunakan
fingsi lain seperti fungsi optim atau kita dapat membuat fungsi sendiri atau
menggunakan fungsi yang telah dibuat oleh orang lain seperti fungsi berikut ini
(Venables & Ripley, 2002)logit.reg <- function(x, y, wt = rep(1, length(y)), intercept =
T, start = rep(@, p), ...)
{
if(!exists("optim")) Library (MASS)
## Aval bagian yang dapat di ubah
fmin <- function(beta, X, y, w) {
p <- plogis(X %*% beta)-sum(2*w*ifelse(y,log(p), log(1-p)))
3:
gmin <- function(beta, X, y, w) {
eta <- X %*% beta; p <- plogis(eta)
t(-2 * (w *dlogis(eta) * ifelse(y, 1/p, -1/(1-p))))%*% X
+
## akhir bagian yang dapat diubah
if(is.null(dim(x))) dim(x) <- c(length(x), 1)
dn <- dimnames(x)[[211]if(!length(dn)) dn <- paste("Var", 1:ncol(x), sep="")
p <- ncol(x) + intercept
if(intercept) {x <- cbind(1, x); dn <- c("(Intercept)", dn)}
if(is.factor(y)) y <- (unclass(y)
fit <- optim(start, fmin, gmin, X
names (fit$par) <- dn
cat("\nCoefficients:\n"); print(fit$par)
cat("\nResidual Deviance:", format(fit$value), "\n")
cat("\nConvergence message:", fit$convergence, “\n")
invisible(fit)
tUntuk model linier probability ubah bagian yang diberi tanda “bagian yang dapat
diubah” dengan fungsi berikut ini
fmin <- function(beta, X, y, w) {
p <- X %*% beta-sum(2 * w * ifelse(y, log(p), log(1-p)))
+
gmin <- function(beta, X, y, w) {
p <- X %*% beta;
t(-2 * (w * ifelse(y, 1/p, -1/(1-p))))%*% X
+Untuk model probit ubah bagian yang diberi tanda “bagian yang dapat diubah dengan
fingsi berikut ini
fmin <- function(beta, X, y, w) {
p <- X %*% beta
-sum(2 * w * ifelse(y, log(p), log(1-p)))
+
gmin <- function(beta, X, y, w) {
p <- X %*% beta;
t(-2 * (w * ifelse(y, 1/p, -1/(1-p))))%*% X
+3.2 Generalized Linear Models untuk Respon Biner
Variabel respon banyak yang hanya memiliki dua kategori misalnya kelulusan
dalam tes (lulus atau tidak), pengobatan penyakit (sembuh atau tidak) dan lain-lain.
Secara umum dapat dikatakan bahwa variabel respon Y hanya memiliki dua hasil yang
mungkin yaitu “sukses” yang dilambangkan dengan angka satu (1) dan “gagal” yang
dilambangkan dengan angka nol (0). Variabel seperti ini disebut sebagai variabel
biner. Distribusi dari Y memiliki peluang sukses P(Y'= 1) =z dan peluang gagal P(Y=
0) = (1 — x) dengan ekspektasi. E(Y) = x Untuk sebuah pengamatan Y akan
mengikuti distribusi Bernoulli. Dengan demikian untuk 1 pengamatan yang saling
bebas, banyak “sukses” akan memiliki distribusi Binomial dengan parameter x .
Dalam bagian ini kita akan membahas GLM dengan respon biner dengan sebuah
variabel penjelas (X) saja meskipun sebenamya GLM dapat digunakan untuk variabel
penjelas lebih dari satu. Perubahan nilai x dipengaruhi oleh perubahan X.Contoh: Dengkuran dan Penyakit Jantung
Contoh berikut diambil dari Agresti (2007) bagian 3.2.2. Data yang di
didasarkan pada survei epidemiologi dari 2484 orang responden (subjek) yang diduga
mendengkur pada saat tidur dan mempunyai resiko terkena serangan jantung. Subjek
dikelompokkan berdasarkan tingkat dengkurannya yang di jelaskan oleh pasangan
mereka. Data disajiken dalam tabel berikut ini
Table 3.1. Hubungan Penyakit Jantung dengan Kebiasaan Mendengkur
Dengkuran Fe a8 —__proporsi Ya
Tidak Pernah 24 1355 10,017
[Kadang-kadang 35 603 0.06
Sering [21 192 0, 10
Selalu 30 224 0,12
Sumber: P. G. Norton and E. V. Dunn, Br. Med. J, 291: 630-632, 1985, published
by BMJ Publishing Group.