RISKESDAS Modul IPKM. Modul MDG s. Modul Biomedis. penyajian sampai domain kabupaten/kota. domain provinsi, subsampel dari Modul IPKM.

(1)

(2)

RISKESDAS 2013



Modul IPKM



_{penyajian sampai}

domain kabupaten/kota.



Modul MDG’s



_{penyajian sampai}

domain provinsi,

subsampel dari Modul

IPKM.



Modul Biomedis



_{penyajian level nasional,}

subsampel dari Modul

MDG’s.

Modul IPKM

(3)

KERANGKA SAMPEL

 Kerangka sampel pemilihan tahap pertama adalah daftar primary

sampling unit (PSU) dalam master sampel.

 PSU adalah gabungan dari beberapa blok sensus

 Jumlah PSU dalam master sampel adalah 30000 PSU

 PSU juga dilengkapi informasi jumlah dan daftar nama kepala

rumah tangga, alamat, tingkat pendidikan KRT berdasarkan klasifikasi wilayah urban/rural.

 Kerangka sampel pemilihan tahap kedua adalah seluruh bangunan

sensus yang di dalamnya terdapat rumah tangga biasa (tidak termasuk institutional household). Bangunan sensus terpilih dan rumah tangga biasa dalam bangunan sensus terpilih terlebih dahulu dilakukan pengecekan keberadaan & pemutakhiran.

(4)

Skema Penarikan Sampel PSU dan Blok Sensus Susenas dan Riskesdas

Master Sampel 30.000 PSU Susenas dan

Riskesdas 12.000 PSU 18.000 PSU Susenas

sistematik

Susenas dan Riskesdas @2 Blok Sensus PPS size ruta Susenas @1Blok Sensus Riskesdas @1 Blok Sensus Susenas @ 1 Blok Sensus PPS size ruta Susenas 30.000 BS Susenas Trw 1

(5)

DESAIN SAMPLING (1)

Modul IPKM (untuk estimasi kabupaten/kota)

Metode Sampling: Sampling tiga tahap berstrata

 Tahap pertama, memilih sejumlah psu dari psu terpilih secara

sistematik pada setiap kab/kota sesuai alokasi domain.

 Tahap kedua, dari psu terpilih, dipilih 2 blok sensus secara

pps_{dengan size jumlah rumah tangga sesuai alokasi domain.}

Selanjutnya dipilih secara acak satu blok untuk Riskesdas dan satu blok sensus untuk Susenas.

 Tahap ketiga, dari setiap blok sensus terpilih Riskesdas,

dipilih 25 bangunan sensus secara sistematik berdasarkan data bangunan sensus hasil SP2010-C1.

 Tahap keempat, dari setiap bangunan sensus terpilih dipilih

satu rumah tangga biasa secara acak, setelah terlebih dahulu mengidentifikasi rumah tangga yang sekarang tinggal di bangunan sensus tsb (dimutakhirkan).

(6)

DESAIN SAMPLING (2)

Modul MDG’s (untuk estimasi provinsi)

Metode Sampling: Sampling dua tahap berstrata,

subsampel dari estimasi kab/kota.

 Tahap pertama, memilih sejumlah BS secara sistematik

dari BS terpilih estimasi kab/kota sesuai alokasi domain kab/kota.

 Tahap Kedua, dari setiap blok sensus sampel, dipilih 25

bangunan sensus secara sistematik berdasarkan data hasil SP2010-C1.

 Tahap Ketiga, dari setiap bangunan sensus terpilih, dipilih

satu rumah tangga, setelah dilakukan pemutakhiran terlebih dahulu.

(7)

DESAIN SAMPLING (3)

Modul Biomedis (untuk estimasi nasional)

Metode Sampling: Sampling dua tahap berstrata, subsampel dari estimasi provinsi.

 Tahap 1: Memilih 250 kabupaten/kota secara pps wr). Dari

hasil penarikan sampel, jumlah realisasi sampel yang efektif (effective sample size) sebanyak 177 kabupaten/kota.

 Tahap 2: Dari setiap kabupaten/kota terpilih, dilakukan

pemilihan blok sensus secara systematic sampling dari daftar blok sensus sampel Riskesdas Modul MDG’s.

Rumah tangga yang menjadi sampel dalam Riskesdas Modul Biomedis adalah sebanyak 25 rumah tangga yang terpilih pada Modul MDG’s di blok sensus sampel Modul Biomedis.

(8)

DESIGN WEIGHT(1)

 Estimasi kabupaten/kota (Modul IPKM)

𝑤𝑤_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗} = 𝑀𝑀𝑘𝑘𝑘𝑘_{25 × 𝑛𝑛}× 𝐵𝐵𝑘𝑘𝑘𝑘𝑘 × 𝑚𝑚𝑘𝑘𝑘𝑘𝑘𝑗𝑗

𝑘𝑘𝑘 × 𝑀𝑀𝑘𝑘𝑘𝑘𝑘 ×

𝑚𝑚_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗}′ 𝑚𝑚_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗}

𝑛𝑛_𝑘𝑘𝑘 : jumlahbloksensussampelModulIPKM di kabupatenkstrata h (h=1,2) 𝑀𝑀_{𝑘𝑘𝑘𝑘𝑘} : jumlahpopulasirumahtangga(hasil SP2010) di kab/kota k strata h

bloksensusi

𝑀𝑀_{𝑘𝑘𝑘𝑘} : jumlahpopulasirumahtangga(hasil SP2010) di kab/kotakstrata h 𝐵𝐵_{𝑘𝑘𝑘𝑘𝑘}: jumlahpopulasibangunansensus di kab/kota k strata h bloksensusi

(hasil SP2010)

𝑚𝑚_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗} : jumlahpopulasirumahtangga di kab/kotak strata

hbloksensusibangunansensusj (hasil SP2010)

𝑚𝑚_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗}′ : jumlahpopulasirumahtangga di kab/kotak strata

(9)

DESIGN WEIGHT(2)



Estimasi provinsi (Modul MDG’s)

𝑤𝑤

_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗}′

=

𝑀𝑀

𝑘𝑘𝑘𝑘

_{25 × 𝑛𝑛}

× 𝐵𝐵

𝑘𝑘𝑘𝑘𝑘

× 𝑚𝑚

𝑘𝑘𝑘𝑘𝑘𝑗𝑗

𝑘𝑘𝑘′

× 𝑀𝑀

𝑘𝑘𝑘𝑘𝑘

×

𝑚𝑚

_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗}

′

𝑚𝑚

_{𝑘𝑘𝑘𝑘𝑘𝑗𝑗}

𝑛𝑛_𝑘𝑘𝑘′ : jumlahbloksensussampelModulMDG’s di kabupatenkstrata h 𝑀𝑀_{𝑘𝑘𝑘𝑘𝑘} : jumlahpopulasirumahtangga (hasil SP2010) di kab/kota k

strata h bloksensusi

𝑀𝑀𝑘𝑘𝑘𝑘 : jumlahpopulasirumahtangga (hasil SP2010) di kab/kotak

strata h

𝐵𝐵_{𝑘𝑘𝑘𝑘𝑘}: jumlahpopulasibangunansensus di kab/kota k strata h bloksensusi (hasil SP2010)

𝑚𝑚𝑘𝑘𝑘𝑘𝑘𝑗𝑗 : jumlahpopulasirumahtangga di kab/kotak strata

𝑚𝑚𝑘𝑘𝑘𝑘𝑘𝑗𝑗′ : jumlahpopulasirumahtangga di kab/kotak strata

(10)

DESIGN WEIGHT(3)

 Estimasi nasional (ModulBiomedis)

𝑤𝑤_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘}′′ = _{25 × 𝑡𝑡}𝑀𝑀𝑝𝑝𝑘𝑘𝑘𝑘 × 𝐵𝐵𝑝𝑝𝑘𝑘𝑘𝑘𝑘 × 𝑚𝑚𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑗𝑗

𝑝𝑝𝑘 × 𝑛𝑛𝑝𝑝𝑘𝑘𝑘′′ × 𝑀𝑀𝑝𝑝𝑘𝑘𝑘𝑘𝑘 ×

𝑚𝑚_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑗𝑗}′ 𝑚𝑚_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑗𝑗}

𝑀𝑀_{𝑝𝑝𝑘𝑘𝑘𝑘}: jumlahpopulasirumahtangga(hasil SP2010) di strata IPKM ke-p (p=1,2,3) kab/kota k strata daerahh (h=1,2)

𝑡𝑡_𝑝𝑝𝑘 : jumlahsampelkabupaten/kotadi strata IPKM ke-p (p=1,2,3) daerahh (h=1,2)

𝑛𝑛_{𝑝𝑝𝑘𝑘𝑘}′′ : jumlahbloksensussampelModulBiomedisdi strata IPKM ke-p kabupatenk daerahke-h

𝑀𝑀_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘} : jumlahpopulasirumahtangga(hasil SP2010) di strata IPKM ke-p kab/kota k daerahh bloksensusi

𝐵𝐵_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘} : jumlahpopulasibangunansensus di strata IPKM ke-p kab/kota k daerahh bloksensusi(hasil SP2010)

𝑚𝑚_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑗𝑗} : jumlahpopulasirumahtangga di strata IPKM pkab/kotak strata

𝑚𝑚_{𝑝𝑝𝑘𝑘𝑘𝑘𝑘𝑗𝑗}′ : jumlahpopulasirumahtangga di strata IPKM pkab/kotak strata

(11)

Respon Rate

a. Rumah Tangga : 98%, tertinggi NTB (99.83%), terendah DKI (89.57%) b. Individu: 93%, tertinggi Sumsel (98.20%), terendah Papua (81%)

c. Ciri-ciri non respon individu :

Kelompok umur Respon Total Respon rate Ya Tidak 0-9 192,507 6,872 199,379 0.966 10-19 199,149 20,074 219,223 0.908 20-29 127,777 22,301 150,078 0.851 30-39 157,757 11,913 169,670 0.930 40-49 150,914 8,896 159,810 0.944 50-59 108,470 4,998 113,468 0.956 60-69 56,164 1,798 57,962 0.969 70 plus 35,025 978 36,003 0.973 Total 1,027,763 77,830 1,105,593 0.930

(12)

Adjustment for Nonresponse

Nonrespon block: Adjustment weight for nonresponse Nonrespon household:

p_bs=response rate block census

p_ruta= response rate household

ruta BS hi r hi W _p _p W( ) = ⋅ 1 ⋅ 1 BS hi r hi W _p W( ) = ⋅ 1

(13)

Trimmed Weight



Weight trimming process is should done by strata.



The Process is begin with the specific value of upper bound, then it

will adjust to original weight in dataset therefore the number of

(14)

Trimmed Weight (lanjutan)



Trimmed weight for BS ke-i strata h, at district is:

(

)

(

)







⋅

≥

⋅

<

=

( ) ₍ ₎ ₍( ₎) *) (

3 jk

3

3 jk

r hi hi r hi r hi hi r hi T hi

W

IQR

W

IQR

W

IQR

W

(15)

Trimmed Weight (lanjutan)



Assume the weight in strata is constant.



If F

_T

is rasio original weight to trimmed weight.



Adjusted trimmed weight for strata h at district:

∑

= h kh kh T h r hi h T W n W n F ) ( ) ( ( )* ) ( T hi T T hi

F

W

=

×

(16)

Correction Factor for Household Projection



The number of household that used for design

weight is the number of household based on

SP2010. For that reason, it has to use the

correction factor according to 2013 projection:

) 2010 ( ) 2013 ( ) ( ) (

~

h h T hij A hij

H

x

w

=

(17)

Secondary data control



The final step is calculate the weight for each household

that controlled by the number of household from 2011

projection based on sex (2 categories) and 5 year age

group (16 categories) using

GLS (Generalized Least

(18)

Adjusted Final Weight (GLS procedure)



GLS is proposed to minimize the function of weight so:

will be solve the problem .

min

(

Ω

W

)

Λ

(

Ω

−

W

)

′

−

−1 W X

N

W

X

′

=

(19)

Adjusted Final Weight (Continue)



The unique solution for cases is

adjusted final weight

:

= vector design weight for each sample from m unit sample;

= matrix for each characteristic of unit sample where parameter is known, like

number of person in cell K by definition of age, sex in each unit. = vector of parameter X, like # population in each cell by age, sex.

= matrix final weight, assumed or , with each elemen m×1 vector η is total of column matrix X for each unit.

= vector adjusted final weight;

1) (n Ω × ) X_K×_m ) 1 ( P_K_× ) (

Λ m×m Λ diag= ( )Ω Λ=(diag(η))−1diag( )Ω

) ( ) 1 ( G x m_h W