C:\Fakepath\Latent Class Analysis
Download as PPTX, PDF0 likes335 views
Dokumen tersebut membahas tentang analisis kelas laten yang digunakan untuk menentukan status kesehatan anak dan status kemiskinan seseorang. Analisis kelas laten menggunakan model kemungkinan berbasis kelas untuk mengelompokkan objek ke dalam kelas-kelas berdasarkan variabel manifestnya. Model kemungkinan memperkirakan parameter model dan kemungkinan untuk setiap kelas laten dan kombinasi nilai variabel manifestnya.
C:\Fakepath\Latent Class Analysis
- 2. PROBLEMDokterharusmenentukanapakahanaksakit?Pak RT harusmenentukanapakahoranginimiskin ?, dankarenanyaperludidaftarkansebagaipenerima BLT Pak RT harusmenentukanapakahoranginimiskin ?, dankarenanyaperludidaftarkansebagaipenerimaTabungdanKompor Gas ?
- 3. Kondisikesehatananak : Diukurmelaluisejumlahindikator yang dapatdiamati-diukur. DisebutsebagaiVariabel Manifest (Indikator)Merupakanvariabel latent denganduakategori; SakitdanSehat.TekananDarahTemeperaturBadanTenggorokan
- 4. Latent Class vs. Cluster AnalysisPenetapanobjekkedalam class dikerjakanmemakaisebuah model peluang, olehkarenanyadikenalsebagaisebuahpendekatan cluster berbasis model peluang (probability based model clustering)Penetapanobjekkedalam class dikerjakanmemakaisebuahkonsepjarak, yang dipakaisebagaisebuahukuranmengenaikemiripan (similarity).
- 5. Model PeluangModel dengan:Satu Latent, X, dantiga manifest variabel, A, B, dan CAssumsiConditional IndependenceMenyatakanpeluangbahwasebuahobjekdengan latent variabelnilainyat (X = t), danmasing-masingvariabel manifest bernilai : A = i, B = j, dan C = k, dan
- 6. Back to basicProb of A and B, P( A and B).UmumA dan B IndependenProb of A and B and C, P( A and B and C).
- 7. Conditional IndependenceUntukobjek-objekdalamgrup yang samavariabel-variabelindikatorindependensatusama lain. A, B, dan C mutual independenceJadidalamgrup yang sama, bahwa A = iindependenterhadap B = j dan C = k.X=tA=iB=jC=k
- 8. Kembalikepadacontoh:NNNTekananDarah (A)TTTTemeperaturBadan (B)Tenggorokan (C) SktKesehatan (X) Sht
- 9. Model Tradisional LAX=ShtX=SktA=iB=jC=kA=iB=jC=kMutual IndependenceMutual IndependenceX = Skt, Sht. I = N, T. j = N,T k = N, T.
- 10. Peluang :
- 11. Tabelkontingensi:Latent variabel:X = Skt (1)Latent variabel:X = Sht (2)
- 12. Penetapan ModelBerapabanyakkelas (Class) yang dapatmenjelaskan data, T = ? Banyakkelassamadengan 1, T = 1, menggambarkansuatukeadaandimanasemuaindividudimasukankedalamsatukelas, danindikator – indikatorindependensatusama lain.X=tA=iB=jC=kModel dengansatukelasdisebutsebagai model baseline (H0)
- 13. Peneraan ModelApabila model dengansatukelastidakmemadai, makapekerjaandilanjutkandenganmenambahkankelasmenjadidua, dandemikianseterusnyasatudemisatukelasditambahkansampaidiperolehsebuah model dengansejumlahkelas yang dapatmenjelaskan data denganbaik.Peneraandikerjakanmemakailikelihood ratio chi-squared statistic Yang mengukurperbedaanantara expected frekuensisel, , dengan yang teramati, fijk:Model baikmemilikinilaiL2kecil
- 14. Penaksiran ModelPertamataksir parameter-parameter dalam model (π)Kemudianjumlahkanuntuksemuakelasuntukmendapatkanπijkdanterahirhitung
- 15. Apabila expected frekuensiselsamadengan observed, makanilaistatistikL2menjadi nol. OlehkarenanyasejauhmananilaiL2nilainyaberbedadarinolmenjadiindikasiadanyaassosiasi yang belumdijelaskan modelStatistikL2 , untuknbesar, berdistribusichi-square, denganderajatbebassamadenganDf = banyaksel – banyak parameter (M) - 1M = T – 1 + T((I-1) +(J-1) + (K-1))
- 16. M = T – 1 + T((I-1) +(J-1) + (K-1))Untuktiap latent class, ada I – 1 buahpeluangbersyaratuntukvariabelindikator A .T -1 buahpeluang LC, πt , cukup T – 1 karenajumlahnya 1Tabelkontingensi:Latent variabel:X = Skt (1)Latent variabel:X = Sht (2)