ANALISIS BAYESIAN PADA REGRESI LOGISTIK MULTIVARIAT DENGAN ALGORITMA MCMC RANDOM WALK METROPOLIS
Total View This Week159

Institusion

Universitas Gadjah Mada

Author

Subject

STATISTIKA 

Datestamp

2019-07-16 00:00:00 

Abstract :
(ABSTRAKSI) Di banyak area aplikasi, seperti epidemiologi dan penelitian biomedis, regresi logistik merupakan pendekatan standar untuk analisis data biner maupun data kategorik. Pendekatan umum untuk data jenis ini dapat digunakan pendekatan generalized estimating equation (GEE, Zeger dan Liang, 1986). Meskipun pendekatan GEE memecahkan masalah data biner ataupun data kategorik, namun pendekatan ini bergantung pada asumsi sampel besar.Dalam skripsi ini menggunakan pendekatan metode Bayesian untuk mengestimasi data biner. Pendekatan Bayesian sering kali menghasilkan perhitungan yang rumit dimana melalui integrasi numerik dengan dimensi integral yang cukup besar. Dengan menggunakan algoritma Markov Chain Monte Carlo (MCMC) didapatkan perkiraan distribusi posterior yang tepat, algoritma ini juga tidak memerlukan pembenaran asumsi sampel besar. Algoritma ini juga menghasilkan perhitungan yang cepat dan efisien. Metode estimasi Bayesian melibatkan informasi prior dari parameter yang digunakan. Skripsi ini termotivasi oleh kebutuhan untuk mengembangkan metode Bayesian pada regresi logistik multivariat dengan distribusi prior noninformatif. (ABSTRACT) In many application, such as epidemiologic and biomedical studies, logistic regression is the standard approach for the analysis of binary and ordered categorical data. Common frequentist approaches, which can be used for data of this type, via generalized estimating equation (GEE, Zeger and Liang, 1986). Although the GEE approach solve this problem, the justification relies on large sample arguments. In this paper we follow a Bayesian approach to estimaste and inference, for multivariate binary and categorical data. Bayesian approach often produce a high complexity calculation and high dimensions integral. By using Markov chain Monte Carlo (MCMC) algorithms to obtain estimates of exact posterior distributions, there is no need to rely on large sample justifications. It’s also fast and eficien in calculation. Bayesian methods involves the prior information of the parameters to estimate the posterior distribution. This article is motivated by the need to develop Bayesian methods for multivariate logistic regression, which allow simple noninformative prior distribution.