MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL



dokumen-dokumen yang mirip
PROSIDING ISBN :

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

UKURAN GEJALA PUSAT DAN UKURAN LETAK

2.2.3 Ukuran Dispersi

Uji Statistika yangb digunakan dikaitan dengan jenis data

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

ISSN: JURNAL GAUSSIAN, Volume 4, Nomor 4, Tahun 2015, Halaman Online di:

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

REGRESI LOGISTIK BINER

BAB 2. Tinjauan Teoritis

PENANGANAN OVERDISPERSI PADA MODEL REGRESI POISSON MENGGUNAKAN MODEL REGRESI BINOMIAL NEGATIF. Rio Tongaril Simarmata 1, Dwi Ispriyanti 2.

MATEMATIKA INTEGRAL RIEMANN

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB III ESTIMASI MODEL PROBIT TERURUT

JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman Online di:

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

PENDUGAAN PARAMETER DISTRIBUSI GENERALIZED WEIBULL DENGAN MENGGUNAKAN METODE KEMUNGKINAN MAKSIMUM

BAB IX PENGGUNAAN STATISTIK DALAM SIMULASI

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

UKURAN GEJALA PUSAT (UGP)

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian

JENIS BUNGA PEMAJEMUKAN KONTINYU

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Dasar Ekonomi Teknik: Matematika Uang. Ekonomi Teknik TIP FTP UB

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

b) Untuk data berfrekuensi fixi Data (Xi)

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge

INTERFERENSI DAN DIFRAKSI

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

BAB 1 ERROR PERHITUNGAN NUMERIK

(Saeter & Hammond, 2006) i, j=1,2,...n. III. PEMBAHASAN

PELABELAN GRACEFUL PADA DIGRAF LINTASAN DAN DIGRAF BIPARTIT LENGKAP

PERTIDAKSAMAAN AZUMA PADA MARTINGALE UNTUK MENENTUKAN SUPREMUM PELUANG

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson

EKONOMI TEKNIK. Ekuivalensi

KAJIAN KONVERGENSI BARISAN RUANG NORM-(n-1) DENGAN n 2

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

ANALISIS ALGORITMA REKURSIF DAN NONREKURSIF

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

X a, TINJAUAN PUSTAKA

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2013) ( X Print) D-1

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

Regresi Linier Sederhana Definisi Pengaruh

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Bab II Teori Pendukung

BAB 2 LANDASAN TEORI

S2 MP Oleh ; N. Setyaningsih

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

BAB II IMPEDANSI SURJA KAWAT TANAH DAN MENARA

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

8. MENGANALISIS HASIL EVALUASI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

Sudaryatno Sudirham. Permutasi dan Kombinasi

BAB II TINJAUAN PUSTAKA. dua sampel berpasangan akan menggunakan statistik uji T 2 -Hotelling. Untuk itu,

BAB 2 LANDASAN TEORI. Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat

BAB II LANDASAN TEORI

REGRESI LINIER SEDERHANA

Statistika ITS Surabaya

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

InfinityJurnal Ilmiah Program Studi Matematika STKIP Siliwangi Bandung, Vol 1, No.1, Februari 2012

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

3 Departemen Statistika FMIPA IPB

BAB III PERSAMAAN PANAS DIMENSI SATU

Estimasi dan Pengujian Hipotesis pada Model Geographically Weighted Multinomial Logistic Regression

Pertemuan 3 Luas Daerah Bidang Datar, dan Volume Benda Padat dengan Metode Bidang Irisan Sejajar

Penerapan Teori Limit Pusat Multivariat pada Pengendalian Proses Pelayanan di Poliklinik Rawat Jalan Rumah Sakit Umum Kardinah Tegal

MEKANISME KERUNTUHAN LINGKARAN (Circular Failure Mechanisms)

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

Penarikan Contoh Acak Sederhana (Simple Random Sampling)

V. PENDEKATAN BAYES PADA MODEL ACAK

titik tengah kelas ke i k = banyaknya kelas

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

INTERPOLASI. FTI-Universitas Yarsi

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

Analisis Survival Pada Pasien Demam Berdarah Dengue (DBD) di RSU Haji Surabaya Menggunakan Model Regresi Weibull

Transkripsi:

MODEL LOGIT KUMULATIF UNTUK RESPON ORDINAL Robah P Rahaat da Tatk Wdhah Juusa Matmatka FMIPA UNDIP Jl. Pof. H. Sodato, S.H, Smaag 575 Abstat. Logt umulatv modl s usd to dsb th latoshp btw a spos vaabl ad o o mo xplaatoy vaabls whh spos vaabl s of odal sal. To stmat th paamts, us maxmum lklhood mthod wth Nwto Raphso tato. Tstg fo th sgfa of th offts s do to ft th modl. Tst fo ovall sgfa of th vaabls th modl s pfomd by lklhood ato tst ad tst o dvdual offt s do usg Wald s tst. Ky wods: logst, logt, bay, odal, gsso modl, MLE. PENDAHULUAN Modl gs mupaka kompo ptg dalam bbapa aalss data dga mggambaka hubuga ataa vaabl spo da satu atau bbapa vaabl plas. Pada umumya aalss gs dguaka utuk mgaalss data dga vaabl spo bupa data kuattatf. Aka ttap sg uga dtmu kasus dga vaabl spoya bsfat kualtatf/ katgo. Utuk mgatas masalah tsbut dapat dguaka modl gs logstk [3]. Modl logstk utuk data spo odal dga k katgo ( k> mupaka pluasa da modl logstk utuk data spo omal dga dua katgo (modl logstk b. Sbagamaa dalam modl gs laya, dua vaabl plas atau lbh dapat dstaka dalam aalss. Vaabl plas dapat bupa data kuattatf maupu data kualtatf []. Modl logstk utuk data spo odal sg dsbut sbaga modl logt kumulatf. Rspo dalam modl logt kumulatf bupa data btgkat yag dwakl dga agka,, 3,, k, dga k adalah bayakya katgo spo []. Dalam tulsa aka dbahas mga ptua modl logt kumulatf da u kooka modl yag dpolh. Utuk mmplas pmbahasa dbka otoh kasus pagkat pgawa g spl RSUD Salatga p 3 Dsmb.. DESKRIPSI TEORITIS Sbaga dasa utuk modl logstk odal adalah modl logstk b. Pada modl logstk b Y adalah vaabl spo yag laya utuk kada sukss atau utuk kada gagal. Dalam modl aka dttuka pluag Y= bla dktahu haga X. (x = P(Y = X da -(x = P(Y = X. Modl logstk b dga satu vaabl plas bbtuk: ( x Logt[ (x ] = log ( x = + x, (. dga X : vaabl plas / bbas. da adalah paamt da modl Jka psamaa (. dubah k btuk ksposal maka aka dpolh x (x =. (. x.. Paksa Paamt Msal dlakuka pobaa yag salg bbas, dga y adalah vaabl spo da obsvas k- ( =,,,

Robah P Rahaat da Tatk Wdhah (Modl Logt Kumulatf utuk Rspo Odal bdstbus bomal dga pobabltas sukss (x da pobabltas gagal -(x. y mmpuya fugs dstas sbaga bkut y y f(y = ( x ( x, y =,. (.3 Kaa obsvas salg bbas maka fugs lklhood ddapat sbaga hasl pkala da masg-masg fugs dstas, yatu L( = f ( y y y = ( x x (.4 Dga adalah paamt yag tdak dktahu da x adalah vaabl bbas pada obsvas k-. Psp da mtod maksmum lklhood adalah ma la dga mmaksmumka fugs lklhood. Utuk tu aga lbh mudah, tlbh dahulu dbtuk logatma atual da fugs lklhood, kmuda mdfsalka logatma atual da fugs lklhood tsbut thadap masg-masg paamt, yatu da. K( = l L( = { y( x l( xp( x } (.5 Dga mdfsalka fugs log lklhood thadap da maka aka ddapat psamaa lklhood, yatu K( ( y x =, da (.6 K( xy x =. (.7 ( Dalam otas matks, tuua pasal ptama adalah K( K(... K( x x... x atau y y...... y K X ( y -, (.8 myataka (x. Psamaa log lklhood pada psamaa (.8 buka mupaka fugs l dalam da shgga haga taksa da dga mgguaka mtod umk. Mtod yag dpaka utuk mmahka masalah adalah mtod Nwto-Raphso. Utuk tu dpluka tuua pasal kdua log lklhood. Pada psamaa (.8 tuua pasal kdua da log lklhood thadap da adalah K( K( x ( = (, (.9 K( K( x (, (. x x ( x (, (. dga x : la x pada saat y = ( la x = da x : la x pada saat y =. Da tuua pasal kdua fugs log lklhood dbtuk matks bukua (x yag mmlk lm-lm gatf da la-la dalam psamaa (.9, (. da (.. Sbut matks sbaga matks fomas yag dyataka dga I(. Btuk matks fomas tsbut adalah 3

Jual Matmatka Vol. 8, No.3, Dsmb 5: -7 K( I( = K( K(, K( ( x ( =. x ( x ( (. Posdu Nwto-Raphso utuk ma taksa, =, dga lagkah-lagkah sbaga bkut. Plh taksa awal m, msalka =, m =,,.. Pada stap tas k (m+ htug taksa bau : (m+ = m + [ I( ] - x [ y- ] 3. Itas blaut hgga dpolh (m+ m.. U Sgfkas Modl a. U saa ksluuha mgguaka u aso lklhood - Hpotss H : = vs H : - Statstk u = htug lklhood ta pa va ablbbas - l lklhooddga va ablbbas = - l y ( y ˆ ( ˆ dga = y da = ( y - Kputusa : H dtolak ka htug > ; atau ddasaka haga p-valu. b. U dvdu mgguaka u Wald - Hpotss : H : = vs H :, dga =, ˆ - Statstk u : W = ˆ SÊ( - Kputusa : H dtolak ka W > atau ddasaka haga p-valu ; 3. MODEL LOGIT KUMULATIF 3.. Btuk Modl Modl logstk utuk data spo odal sg pula dsbut modl logt kumulatf. Btuk modl logt kumulatf utuk spo odal dga k katgo yatu Logt [ ] = log = + T x (3. dga : pluag katgo spo k- = [ P(Y ] : pluag kumulatf katgo spo k- =... : kostata ( =,,..., k- T =( p : paamt kofs yag mggambaka pgauh X thadap logt ( utuk spo (y pada katgo kuag da atau sama dga. Msalka X T =(X X X p adalah vaabl plas. Vaabl plas pada modl logt kumulatf dapat bupa vaabl kotu, katgo atau kduaya. Jka psamaa (3. dubah kbtuk ksposal aka dpolh T x = [P(Y ] =. (3. T x 3.. Paksa Paamt Modl Logt Kumulatf Kotbus da obsvas mutomal,,, k utuk fugs lklhood adalah Logt [ ] = + T x. Kaa dalam hal dguaka pobabltas kumulatf yag ddfska sbaga R = Z = R /...... k R k = = Z k = R k / = Fugs lklhood ddfska sbaga pkala da (k- fakto, yatu: 4

Robah P Rahaat da Tatk Wdhah (Modl Logt Kumulatf utuk Rspo Odal R R R L =... Rk Rk Rk k- k k (3.3 k k Jka ddfska = logt = log da g ( = log xp( = log maka log lklhood adalah k K = log L = Z Z g. (3.4 Modl saa umum da psamaa (3. dapat dtuls logt ( = * T X (3.5 dga : * = (,,..., k-,,,..., p adalah vkto paamt X = (,...,,...,, X yag bla pada saat. Tuua log lklhood thadap * adalah k K K d X d X, (3.6 dga msubsttus V = da V, dpolh k K K V q, dga d d q = X X, Psamaa log lklhood pada psamaa (3.6 buka mupaka fugs l dalam * shgga haga taksa * da dga mgguaka mtod umk. Mtod yag dpaka utuk mmahka masalah adalah mtod Nwto Raphso. Da psamaa (3.6, gatf la haapa tuua pasal kdua da log lklhood thadap *, * s yatu A s = - E K V q q, (3.7 s s dga q s = d d X s X,s. Jad posdu Nwto Raphso utuk ma taksa * adalah. Plh taksa awal A m, m =,,, msal dambl =.. Pada stap tas k (m+ htug taksa bau : b = A * m+ = A * m + K. 3. Itas blaut hgga dpolh A * m+ A * m. 3.3. U Sgfkas Modl Stlah mmpolh modl logt kumulatf da mlakuka paksa paamt-paamt yag ada pada modl, maka lagkah slautya adalah mla sgfkas da paamt-paamt tsbut. 3.3.. U Raso Lklhood U aso lklhood dpolh dga aa mmbadgka fugs log lklhood da sluuh vaabl bbas dga fugs log lklhood tapa vaabl bbas. U aso lklhood dguaka utuk mgu sgfkas modl saa ksluuha. Fugs log lklhood muut psamaa (3.4 adalah k K( = Z Z g k = R log( R log( log( Fugs log lklhood utuk p vaabl plas adalah K( = k R log x R log x 5

Jual Matmatka Vol. 8, No.3, Dsmb 5: -7 x x log, (3.8 dga (x sama dga spt psamaa (3.. Sdagka fugs log lklhood utuk modl logt kumulatf yag haya mgadug kostata ddfska dga K( = dga R l k R l l, (3.9 ( da (. Hpotssya adalah H : = =... = p = vs H : mmal ada satu Statstk u : = htug lklhood ta pa vaablbbas - log lklhooddga vaablbbas (3. Kputusa: H dtolak ka > atau bdasaka haga p-valu htug ; p Polaka H mmb at bahwa satu atau lbh paamt yag ada pada modl tdak sama dga ol. Olh kaa tu, dga mgtahu sgfka/ tdakya paamt dapat dktahu sgfka/ tdakya modl. 3.3.. U Wald U Wald dpolh dga aa mgkuadatka aso stmas paamt dga stmas stada oya. U Wald dguaka utuk mgu sgfkas tap paamt. - U Wald utuk kostata Hpotss : H : = vs H : ˆ Statstk u : W = (3. ˆ SÊ( Kputusa: H dtolak ka W > atau bdasaka haga p-valu ; - U Wald utuk kofs vaabl plas Hpotss : H : = vs H : ˆ Statstk u : W = ˆ (3. SÊ( Kputusa: H dtolak ka W > ; atau bdasaka haga p-valu 4. CONTOH KASUS Utuk mapka modl logt kumulatf utuk spo odal maka dambl stud kasus d bdag kpgawaa. Aka dlhat pgauh tgkat pddka da masa ka thadap pagkat (gologa/ uag pgawa g spl. Dalam hal data yag dambl adalah data ktagaa Bada Pglolaa Rumah Sakt Umum Daah Kota Salatga kadaa 3 Dsmb, sbayak 9 pgawa g spl. Pagkat (gologa/uag dkatgoka dalam 4 tgkata, yatu tgkat (gologa IB sampa dga tgkat 4 (gologa IVC. Tgkat pddka dotaska X da dkatgoka mad 6, yatu: = SD, = SMP, 3 = SMU atau sdaat da Dploma I, 4 = Dploma III, 5 = Saaa Stata I, 6 = Dokt Umum, Dokt Spsals, Saaa Stata II. Masa ka (tahu dotaska dga X. Data tsbut daalss dga pogam SPSS dpolh hasl sbaga bkut - Da tabl dapat dbtuk modl logt kumulatf Logt [ P(Y ] = +,384 x + 3,585 x, dga =,,., 3. - U sgfkas modl saa ksluuha Hpotss : H : = = vs H : mmal ada satu, dga =, Da hasl phtuga dpolh htug = 4,74 dga sg.=. Shgga apabla dambl = 5 % maka Ho dtolak, mmal ada satu paamt, atau dga kata la modl ook 6

Robah P Rahaat da Tatk Wdhah (Modl Logt Kumulatf utuk Rspo Odal Tabl. Estmas Paamt Modl, haga Wald da sgfkasya 3 4 5 6 7 8 6.5 8.94 9.75.39 4.87 6. 8.76.946 Wald.98 8.76.7 43.855 74.38 83.95 95.34.9 Sg......... 9 3.474 4.9 6.76 9.6 3.88.384 3.585 Wald 4.67 8.493 78.936 84.759 93.339 3.98 9.954 Sg....... - U sgfkas tap-tap paamt dalam modl dga u Wald U Wald utuk tsp Hpotss : H : = vs H : =,,...3 Bdasaka tabl, sg. da smua adalah.. Hal muukka bahwa smua paamt bpgauh thadap logt [ ] yag bat bpgauh pula thadap pagkat PNS. U Wald utuk kofs vaabl plas Hpotss : H : = vs H :, dga =, Bdasaka tabl, dpolh la W, yatu W = 3,98 da W = 9,954 sta la sg. =. Hal muukka bahwa smua paamt bpgauh thadap logt [] atau smua vaabl plas, yatu tgkat pddka da masa ka bpgauh thadap logt [] yag bat bpgauh pula thadap pagkat PNS. 5. PENUTUP Modl logt kumulatf dapat dguaka utuk mggambaka hubuga ataa vaabl spo yag bskala odal da vaabl plas, dmaa vaabl plasya dapat bupa data kotu, katgo atau kduaya. Utuk maks paamt pada modl logt kumulatf dguaka mtod maksmum lklhood yag mupaka psamaa yag tdak mmpuya pylsaa losd fom sshgga pamaa yag ada haus dslsaka saa tatf dga mtod Nwto Raphso. Sdagka utuk mgtahu kooka modlya dguaka u aso lklhood (u ksluuha da u wald (u dvdu. 6. DAFTAR PUSTAKA [] Agst, A. (996, A Itoduto to Catgoal Data Aalyss, Joh Wly ad Sos I, Caada. [] Ellyaa (, Pbadga Modl Logstk Odal dga Modl Rgs Klask, Jual MIPA Ua, 5(: 43-44. [3] Hosm, D.W. ad Lmshow, S. (989, Appld Logst Rgsso, Joh Wly ad Sos I, Caada. [4] MCullagh, P. (98, Rgsso Modls fo Odal Data (wth dsusso, Jual Royal Statst Soty, B(4: 9 4. [5] MCullagh, P. ad J.A Nld (983, Galzd La Modls, Chapma ad Hall, Lodo, Sod Edto 989. 7