c:\fakepath\latent class analysis
DESCRIPTION
Bahan KuliahTRANSCRIPT
Dokter harus menentukan apakah anaksakit?
Pak RT harus menentukan apakah orang ini miskin ?, dankarenanya perlu didaftarkan sebagai penerima BLT
Pak RT harus menentukan apakah orang ini miskin ?, dankarenanya perlu didaftarkan sebagai penerima Tabung danKompor Gas ?
PROBLEM
Tekanan Darah
Temeperatur Badan
Tenggorokan
Kondisi kesehatan anak :
Merupakan variabel latent dengan duakategori; Sakit dan Sehat.
Diukur melalui sejumlahindikator yang dapatdiamati-diukur. Disebutsebagai Variabel Manifest(Indikator)
Latent Class vs. Cluster Analysis
Penetapan objek kedalam class dikerjakan memakaisebuah model peluang, oleh karenanya dikenalsebagai sebuah pendekatan cluster berbasis modelpeluang (probability based model clustering)
Penetapan objek kedalam class dikerjakan memakaisebuah konsep jarak, yang dipakai sebagai sebuahukuran mengenai kemiripan (similarity).
Model Peluang
XC
kt
XB
jt
XA
it
X
tijkt
|||
Model dengan:1. Satu Latent, X, dan tiga manifest variabel, A, B, dan C2. Assumsi Conditional Independence3. Menyatakan peluang bahwa sebuah objek dengan latent
variabel nilainya t (X = t), dan masing-masing variabelmanifest bernilai : A = i, B = j, dan C = k, dan
)|(
)(
|tXiAP
tXP
XA
it
X
t
Back to basicProb of A and B, P( A and B).
)()|()( BPBAPBAP
)()()( BPAPBAP
Umum
A dan B Independen
Prob of A and B and C, P( A and B and C).
)()|()|(
)()|()(
CPCBPBCAP
BCPBCAPABCP
Conditional Independence
Untuk objek-objek dalam grup yang sama variabel-variabel indikator independen satu sama lain. A, B, danC mutual independence
Jadi dalam grup yang sama, bahwa A = i independenterhadap B = j dan C = k.
X=t
A=i B=j C=k
Kembali kepada contoh:
Tekanan Darah (A)
Temeperatur Badan (B)
Tenggorokan (C)
N
T
N
T
N
T
Kesehatan(X)
Skt
Sht
X=Skt
A=i B=j C=k
X=Sht
A=i B=j C=k
Mutual Independence Mutual Independence
X = Skt, Sht. I = N, T. j = N,T k = N, T.
Model Tradisional LA
)()|()|()|(
)|(),|()|(
)|,(),,|()|,,(
tXPtXkCPtXjBPtXiAP
tXkCPtXkCjBPtXiAP
tXkCjBPtXkCjBiAPtXkCjBiAP
Peluang :
X
t
XC
kt
XB
jt
XA
it
tXPtXkCPtXjBPtXiAPtXkCjBiAP
|||
)()|()|()|(),,,(
Latent variabel:X = Skt (1)
Latent variabel:X = Sht (2)
Tabel kontingensi:
Indikator C Total
A B N T
NN fnnn1
T fntt1
TN
T
Indikator C Total
A B N T
NN fnnn2
T fntt2
TN
T
Penetapan Model
Berapa banyak kelas (Class) yang dapat menjelaskan data, T = ?
Banyak kelas sama dengan 1, T = 1, menggambarkan suatukeadaan dimana semua individu dimasukan kedalam satu kelas,dan indikator – indikator independen satu sama lain.
X=t
A=i B=j C=k
Model dengan satu kelas disebut sebagai model baseline (H0)
C
k
B
j
A
iijk
1)1( XP
Apabila model dengan satu kelas tidak memadai, maka pekerjaandilanjutkan dengan menambahkan kelas menjadi dua, dandemikian seterusnya satu demi satu kelas ditambahkan sampaidiperoleh sebuah model dengan sejumlah kelas yang dapatmenjelaskan data dengan baik.
Peneraan Model
Peneraan dikerjakan memakai likelihood ratio chi-squared statistic Yang mengukur perbedaan antara expected frekuensi sel, , dengan yang teramati, fijk :
2L
ijkF̂
ijk
ijk
ijk
ijk
F
ffL
ˆln2
2
Model baik memiliki nilai L2 kecil
Pertama taksir parameter-parameter dalam model (π)
ijk ijkijk
nF ˆ
Kemudian jumlahkan untuk semua kelas untukmendapatkan πijk
XC
kt
XB
jt
XA
it
X
tijkt
|||
dan terahir hitung
Penaksiran Model
Indikator C Total
A B N T
NN
T
TN
T
nnnF̂
Apabila expected frekuensi sel sama dengan observed, maka nilaistatistik L2 menjadi nol. Oleh karenanya sejauh mana nilai L2
nilainya berbeda dari nol menjadi indikasi adanya assosiasi yang belum dijelaskan model
Statistik L2 , untuk n besar, berdistribusi chi-square, dengan derajatbebas sama dengan
Df = banyak sel – banyak parameter (M) - 1
M = T – 1 + T((I-1) +(J-1) + (K-1))
M = T – 1 + T((I-1) +(J-1) + (K-1))
T -1 buah peluang LC, πt , cukup T – 1 karenajumlahnya 1
Untuk tiap latent class, ada I – 1 buah peluangbersyarat untuk variabel indikator A .
Indikator C
A B N T
NN πnnn2
T πntt2
TN
T
Indikator C
A B N T
NN πnnn2
T πntt2
TN
T
Latent variabel:X = Skt (1)
Latent variabel:X = Sht (2)
Tabel kontingensi: