Penelitian ini fokus pada estimasi model regresi nonparametrik dengan data tersensor kanan ketika kovariat mengalami kesalahan pengukuran. Untuk mencapai tujuan ini, Hal ini diperlukan untuk memecahkan masalah sensor dan kesalahan pengukuran yang diabaikan oleh banyak peneliti. Sebagaimana telah diketahui bahwa adanya kesalahan pengukuran menyebabkan bias dan estimasi parameter yang tidak konsisten. Apalagi teknik regresi nonparametrik tidak dapat diterapkan secara langsung pada observasi yang disensor kanan. Pada penelitian ini selain diberikan penurunan teoritis metode estimasi model, juga diberikan studi simulasi dan contoh penerapan metode tersebut ada data riil, yakni data COVID-19.
Dalam penelitian ini, untuk memecahkan masalah sensor, dipertimbangkan variabel respon yang diperbarui menggunakan metode Buckley–James (MBJ), yang pada dasarnya adalah berdasarkan estimator Kaplan–Meier. Kemudian masalah kesalahan pengukuran ditangani menggunakan metode dekonvolusi kernel, yang merupakan alat khusus untuk memecahkan masalah ini. Oleh karena itu, tiga dekonvolusi estimator berdasarkan MBJ diperkenalkan menggunakan pemulusan kernel, pemulusan polinomial lokal, dan teknik B-spline yang menggabungkan variabel respon yang diperbarui dan dekonvolusi kernel. Kinerja estimator ini dibandingkan dalam studi simulasi. Selain itu, contoh data riil disajikan menggunakan kumpulan data Covid-19.
Hasil-hasil penelitian yang diperoleh adalah hasil estimasi model, hasil studi simulasi, dan hasil penerapan pada data COVID-19. Berikut ini hasil-hasil penelitian yang disajikan secara ringkas (untuk uraian lengkap dapat ditemukan di artikel jurnal).
Akhirnya diperoleh kesimpulan bahwa hasil yang diperoleh menunjukkan bahwa kinerja DKE dan DKE baik DBS terlihat jelas dalam estimasi nonparametrik dari dataset yang disensor kesalahan pengukuran. Perlu dicatat bahwa pencapaian DKE dan DBS sangat berkaitan terhadap penolakan mereka terhadap data yang disensor kanan. Jadi, dalam konteks nonparametric estimasi kumpulan data yang menantang, DKE dan DBS mengambil langkah lebih maju dibandingkan dengan DLP. Hasil simulasi menunjukkan ketika tingkat sensor rendah, DKE dan DLP mempunyai hasil yang lebih dekat. Namun, DKE lebih baik daripada DLP untuk level yang lebih tinggi. Sebaliknya, jika tingkat sensor meningkat (30%), DKE dan DBS memberikan perkiraan yang lebih baik. Hasil dari data Covid-19 membuktikan kinerja DKE memuaskan dan kinerja DBS mengikuti DKE. Hasil analisis menunjukkan hasil data riil selaras dengan hasil konfigurasi simulasi penelitian yang sesuai.
Penulis: Dr. Nur Chamidah, S.Si., M.Si.
Informasi lengkap (detail) dari penelitian ini dapat dilihat pada tulisan kami di laman:
https://doi.org/10.1007/s00184-024-00953-5
Dursun Aydin, Ersin Yilmaz, Nur Chamidah, Budi Lestari, I Nyoman Budiantara (2024). Righ-Censored Nonparametric Regression with Measurement Error. Metrika 87(3). DOI: 10.1007/s00184-024-00953-5.
