PEMODELAN REGRESI MULTILEVEL ZERO-INFLATED GENERALIZED POISSON DAN REGRESI MULTILEVEL ZERO-INFLATED POISSON PADA DATA RESPON COUNT

Data pengamatan hierarki (bertingkat) dengan variabel respon yang bersifat diskrit (count) dan berisikan banyak nilai nol dapat diselesaikan menggunakan model regresi Multilevel Zero-Inflated Poisson (MZIP). Banyaknya nilai nol pada data ternyata menyebabkan terjadinya dispersi (overdispersi/underdispersi). Jika terdapat fenomena overdispersi pada data, maka regresi MZIP kurang akurat digunakan untuk analisis karena berdampak pada nilai standard error menjadi under estimate (lebih kecil dari nilai sesungguhnya), sehingga kesimpulan yang diperoleh menjadi tidak valid. Salah satu metode yang dapat digunakan untuk mengatasi data count pengamatan hierarki yang mengalami dispersi yaitu model regresi Multilevel Zero-Inflated Generalized Poisson (MZIGP) sebagaimana yang dibahas dalam penelitian ini. Proses estimasi parameter model regresi MZIGP menggunakan metode Best Linear Unbiased Predictors (BLUP) melalui algoritma Expectation-Maximization (EM). Aplikasi model regresi MZIP dan MZIGP pada data jumlah kunjungan dokter di wilayah Canada menunjukkan hasil yang berbeda. Pada model regresi MZIP variabel status penyakit kronik (X2) dan level pendidikan (X3) memiliki nilai p-value yang signifikan terhadap model sementara model regresi MZIGP tidak ada variabel yang memiliki nilai p-value yang signifikan terhadap model. Namun, Likelihood ratio statistic kemudian menunjukkan bahwa ada perbaikan model yang diberikan oleh model regresi MZIGP terhadap model regresi MZIP dalam memodelkan data jumlah kunjungan dokter di wilayah Canada pada tahun 1985-1988 dengan nilai V=16,05. Hasil ini juga dipertegas dengan nilai standard error pada regresi MZIGP mengalami peningkatan atau under estimate yang terjadi pada regresi MZIP telah diatasi