Proyek
Studi metode statistik dan machine learning, lengkap dengan materi dan alat analisis interaktif. Mulai dari tujuan analisismu, atau cari langsung.
Saya ingin…
Menampilkan 1–11 dari 11 proyek
Daftar proyek
GAM / Spline dan Regresi Robust (Huber)
Dipakai untuk: Hubungan nonlinear atau banyak pencilan
Regresi untuk hubungan nonlinear memakai Generalized Additive Model dengan fungsi spline, dan regresi robust dengan fungsi kerugian Huber yang tahan terhadap pencilan.
Mediasi & Moderasi
Dipakai untuk: Efek tidak langsung atau bersyarat
Analisis mediasi menguji apakah pengaruh X pada Y berjalan lewat variabel M, dengan uji Sobel dan selang bootstrap untuk efek tidak langsung. Analisis moderasi menguji apakah besar pengaruh X berubah menurut variabel W, dengan variabel W dipusatkan di rata-rata dan efek bersyarat dihitung pada rata-rata W dan rata-rata ± 1 simpangan baku.
Regresi Panel (Efek Tetap, Efek Acak, dan Uji Hausman)
Dipakai untuk: Data panel (unit diamati beberapa periode)
Regresi untuk data panel, yaitu unit yang sama diamati pada beberapa periode. Membandingkan OLS gabungan, efek tetap (within), dan efek acak (Swamy-Arora), lalu memilih di antaranya dengan uji Hausman.
Hierarchical Linear Modeling (HLM)
Dipakai untuk: Data bertingkat (mis. siswa dalam sekolah)
Hierarchical Linear Modeling (HLM) atau Linear Mixed Effects Regression untuk menganalisis data terstruktur bertingkat (nested/grouped data) dengan memisahkan efek tetap (fixed effects) dan efek acak (random effects).
Quantile Regression
Dipakai untuk: Efek pada kuantil, bukan rata-rata
Regresi Kuantil (Quantile Regression) memodelkan kuantil bersyarat tertentu (misalnya median, kuantil bawah, atau kuantil atas) dari variabel dependen numerik terhadap variabel independen, sehingga pengaruh sebuah variabel dapat dibandingkan di bagian bawah, tengah, dan atas sebaran. Halaman ini memakai data publik Engel (pengeluaran pangan rumah tangga Belgia) dan menguji apakah koefisien sama di semua kuantil.
Ordinal Logistic Regression
Dipakai untuk: Target lebih dari dua kelas · kelas berurutan
Metode regresi untuk memodelkan variabel dependen kategorikal berskala ordinal (memiliki urutan/tingkatan) berdasarkan satu atau lebih variabel prediktor. Menggunakan Proportional Odds Model (Ordered Logit/Probit/CLogLog) dilengkapi uji asumsi parallel lines (Likelihood Ratio Test) dan perhitungan Odds Ratio.
Poisson & Negative Binomial Regression
Dipakai untuk: Target berupa hitungan (count)
Metode regresi untuk data cacah (count data) berbasis Generalized Linear Model dengan log link. Regresi Poisson untuk data ekuidispersi dan Regresi Binomial Negatif (DerSimonian-Laird/MLE alpha) untuk data overdispersi, dilengkapi uji overdispersion, Incidence Rate Ratio (IRR), serta perbandingan model via Likelihood Ratio Test dan AIC/BIC.
Ridge, Lasso & Elastic Net Regression
Dipakai untuk: Banyak prediktor, target numerik · prediktor banyak atau saling berkorelasi
Metode regresi linier terregularisasi (Ridge, Lasso, dan ElasticNet Regression) yang digunakan untuk memodelkan hubungan linear kompleks, mengatasi multikolinearitas melalui penambahan penalti L1 (Lasso) dan L2 (Ridge) pada fungsi kerugian, serta seleksi fitur otomatis.
Multiple Linear Regression
Dipakai untuk: Banyak prediktor, target numerik
Regresi Linear Berganda (Multiple Linear Regression) digunakan untuk memodelkan hubungan linear antara satu variabel dependen dengan dua atau lebih variabel independen. Memungkinkan analisis kekuatan hubungan, kecocokan model, signifikansi parsial/simultan, serta uji asumsi klasik (multikolinieritas, autokorelasi, heteroskedastisitas, dan normalitas residual).
Multinomial Logistic Regression
Dipakai untuk: Target lebih dari dua kelas · kelas tanpa urutan
Metode regresi yang digunakan untuk memprediksi variabel dependen kategorikal dengan lebih dari dua kategori berdasarkan satu atau lebih variabel independen.
Simple Linear Regression
Dipakai untuk: Satu prediktor, target numerik
Uji statistik untuk memodelkan hubungan antara dua variabel menggunakan persamaan linear.