Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I

Jurnal Eksponensial Volume 2, Nomor 2, Nopember 2011

ISSN 2085-7829

Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I Handling Overdispersion on Poisson Regression Models with Generalized Poisson Regression I Darnah Program Studi Statistika FMIPA Universitas Mulawarman Abstract Poisson regression was used if the independent variable is discrete and follow Poisson distribution when events are rare in a large sample space, discrete type and number of occurances is expressed in a certain interval (time, region, etc). In the Poisson regression model assumed the variance of the dependent variable equal to the mean or called equidispersion. In fact, a common data variance is greater than the mean is commonly called overdispersion or data that is smaller than the mean variance is commonly called underdispersion. The impact caused overdispersion the Poisson regression may underestimate standard error and overstate the significance of regression of the regression parameters and consequently, giving misleading inference about the regression parameters. The purpose of this study is handling overdispersion on Poisson regression using Generalized Poisson Regression I (GPR I). GPR I models shows that the variables which affect to maternal mortality at East Kalimantan on 2009 are percentage of married woman under age (less than 17 years), and percentage of auxiliary labor performed by non medical personnil (midwives). Keywords: GPR I, Overdispersion, Poisson Regression. 1. Pendahuluan Model regresi digunakan untuk memodelkan hubungan antara variabel respon dengan variabel prediktor . Apabila variabel respon berdistribusi Poisson, maka model regresi yang digunakan adalah regresi Poisson. Regresi Poisson didapatkan dari distribusi Poisson, yaitu suatu distribusi untuk peristiwa yang probabilitas kejadiannya kecil, dimana kejadiannya tergantung pada interval waktu tertentu atau di suatu daerah tertentu dengan hasil pengamatan berupa variabel diskrit dan antar variabel saling independen. Penelitian tentang model regresi Poisson telah dilakukan oleh McCullagh dan Nelder (1989) yang memodelkan jumlah kecelakaan dari jasa kargo pada asuransi laut, Brockman dan Wright (1992) mengembangkan model motor untuk klaim resiko sendiri dinegara United Kingdom (UK) dan Renshaw (1994) mengaplikasikan model klaim motor untuk perusahaan asuransi di UK. Pada model regresi Poisson, diasumsikan variansi dari variabel respon sama dengan meannya. Data yang mempunyai variansi yang lebih besar daripada meannya (overdispersi) tidak tepat lagi dianalisis dengan regresi Poisson karena akan mengakibatkan underestimate pada standard error dan signifikansi dari parameter regresi menjadi overstate. Menurut Ismail dan Jemain (2007), salah satu pendekatan yang dapat dilakukan untuk mengatasi overdispersi dalam regresi Poisson adalah Generalized Poisson Regression I (GPRI).

Penelitian tentang GPR I pernah dilakukan oleh Sofro (2009), yang mengkaji estimasi parameter dari model Generalized Poisson Regression I (GPRI) untuk mengetahui peluang nasabah dalam mengajukan klaim resiko sendiri di PT Asuransi Tripakarta Surabaya. Tetapi dalam penelitian tersebut tidak membahas penanganan overdispersi pada regresi Poisson dengan GPRI. Berdasarkan uraian diatas, penulis tertarik untuk melakukan penelitian tentang cara mengatasi overdispersi pada regresi Poisson dengan menggunakan pendekatan Generalized Poisson Regression I (GPR I). Data yang digunakan pada penelitian ini adalah data hasil penelitian Noverita Yuliana (2011) tentang faktorfaktor yang mempengaruhi kematian ibu melahirkan (maternal mortality) di Kalimantan Timur tahun 2009. 2. Distribusi Poisson Distribusi Poisson merupakan suatu distribusi untuk peristiwa yang probabilitas kejadiannya kecil, dimana kejadiannya tergantung pada interval waktu tertentu atau di suatu daerah tertentu dengan hasil pengamatan berupa variabel diskrit dan antar variabel saling independen. Interval waktu tersebut dapat berapa saja panjangnya, misalnya semenit, sehari, seminggu, sebulan atau bahkan setahun. Daerah tertentu yang dimaksudkan dapat berupa suatu garis, suatu luasan, suatu volume, atau mungkin sepotong bahan (Walpole, 1995).

Program Studi Statistika FMIPA Universitas Mulawarman

5


Menurut Cameron dan Trivedi (1998), suatu variabel random Y yang bertipe diskrit akan mengikuti distribusi Poisson jika  adalah ratarata suatu kejadian per unit waktu dan t adalah periode waktu tertentu, maka rata-rata dari y menjadi  t . Jadi, peluang terjadinya kejadian y pada periode waktu ke-t diberikan oleh persamaan berikut:

[exp(  t )][  t ] y P ( y;  )  , y = 0, 1, 2, … ;   0 y! Bila selang waktu kejadian adalah sama, maka fungsi distribusi peluang untuk variabel random Poisson Y dengan parameter  diberikan oleh:

P ( y,  )  dan

[exp(   )] y!

y

, y = 0,1, 2, … ;

 >0

E (Y )   , var(Y )  

3. Regresi Poisson Regresi Poisson sering kali digunakan untuk menganalisis data diskrit (count data), dalam hal ini respon data tersebut berdistribusi Poisson dengan parameter  . Parameter  ini sangat bergantung pada beberapa unit tertentu atau periode dari waktu, jarak, luas area, volume, dan sebagainya. Distribusi ini kemudian digunakan untuk memodelkan suatu peristiwa yang keberadaannya relatif jarang atau langka untuk terjadi pada satuan unit tertentu. Misalkan data diambil dari bentuk:

y1

x11

x21  xk1

y2 

x12 

x22  xk 2   

yn

x1n

x2 n  xkn

yi adalah observasi ke-i dari variabel respon Y, dan x ji adalah nilai variabel prediktor X j ( j  1, 2,  , k ) , maka model regresi Poisson dapat dinyatakan sebagai berikut: T

E ( yi )   ( xi   )  exp( xi  ); i  1,2,  , n . T

x i  [ x1i , x2i ,  , xki ]

dan



   1 ,  2 ,  ,  k  .  ( xi   ) merupakan model regresi Poisson yang merupakan fungsi dari

x i sebagai variabel

prediktor dan β sebagai parameter regresi yang akan ditaksir. Salah satu metode penaksiran parameter yang dapat digunakan adalah Maximum Likelihood Estimation (MLE). Taksiran maksimum likelihood untuk parameter  dinyatakan

dengan

βˆ

yang

penyelesaian dari turunan pertama dari fungsi likelihoodnya, yaitu : n

L( β )   P( yi , β ) i 1



[  (xi , β )] yi exp(   (xi , β ))  yi ! i 1 n

n  n yi  [  ( x , β )] exp(   (xi , β ))    i i 1 i 1    n  yi ! i 1

Fungsi log natural-likelihoodnya adalah : n

n

n

i 1

i 1

i 1

ln L( β )   yi ln[ ( xi , β )]    ( xi , β )   ln( yi !) Kemudian persamaan tersebut diturunkan terhadap β disamakan dengan nol yang selanjutnya dapat diselesaikan dengan metode iterasi numerik yaitu Newton-Raphson. Ide dasar dari model ini adalah memaksimumkan fungsi likelihood (Myers, 1990). Algoritma untuk optimisasi dengan menggunakan metode NewtonRaphson. Pengujian parameter model regresi Poisson dilakukan dengan menggunakan hipotesis berikut: H0 : 1 = 2 =...= k = 0 H1 : Paling sedikit ada satu i ≠ 0 ; i = 1, 2, ..., k. Statistik uji yang digunakan adalah:

 L(ˆ )   G  2 ln ˆ L (  )   G merupakan nilai devians model regresi poisson. L(ˆ ) adalah nilai likelihood untuk model sederhana tanpa melibatkan variable predictor dan

dengan

dengan

ISSN 2085-7829

merupakan

ˆ ) adalah nilai likelihood untuk model L( lengkap dengan melibatkan variable predictor. Nilai G yang semakin kecil menyebabkan semakin kecil pula tingkat kesalahan yang dihasilkan model, sehingga model menjadi semakin tepat. G disebut juga sebagai statistik rasio likelihood, dimana statistik ini merupakan pendekatan dari distribusi 2 dengan derajat bebas n-k-1 di bawah model yang sedang diamati adalah benar. Kriteria pengujiannya adalah tolak H0 apabila

G   (2 ; n  k 1) . Harga devians ini akan

berkurang seiring dengan bertambahnya parameter ke dalam model. (McCullagh dan Nelder, 1989). Untuk mengetahui pengaruh yang diberikan masing-masing variabel prediktor dilakukan pengujian parameter secara parsial dengan menggunakan hipotesis sebagai berikut: H0 :  i = 0 H1 :  i ≠ 0


6


Statistik uji yang digunakan adalah:

βˆ i t SE (βˆ i ) Dengan daerah penolakan adalah tolak H0 jika | thit | t / 2, dimana  adalah tingkat signifikansi dan  adalah derajat bebas. Atau tolak H0 jika nilai signifikansi<.

4. Overdispersi Dalam model regresi Poisson terdapat beberapa asumsi yang harus dipenuhi. Salah satunya adalah asumsi kesamaan antara mean dari variabel dependen diberikan nilai variabel independen dengan variansinya, yang disebut juga dengan keadaan ekuidispersi. Namun, dalam analisis data count seringkali dijumpai data yang variansinya lebih besar dari mean. Keadaan seperti ini disebut dengan overdispersi. Fenomena overdispersi dapat dijelaskan sebagai berikut:

Var  y i   E  y i 

Sebaliknya, data yang variansinya lebih kecil dari mean disebut dengan underdispersi (McCullagh&Nelder, 1989). Overdipersi atau underdispersi dapat menyebabkan taksiran parameter yang diperoleh tidak efisien, walaupun cenderung tetap konsisten. Penggunaan yang tidak tepat dari regresi Poisson (yang mengandung masalah overdispersi maupun underdispersi) dapat berakibat fatal dalam interpretasi model, khususnya parameter model karena dapat menaksir standar error yang terlalu rendah dan dapat memberikan kesimpulan yang keliru tentang signifikan atau tidaknya parameter regresi yang terlibat. Ada tidaknya overdispersi dalam regresi Poisson dapat diketahui dengan membandingkan nilai mean dan varians yang terbentuk dari variabel repon regresi Poisson, apabila nilai varians lebih besar dari pada nilai meannya maka dapat dikatakan bahwa model regresi Poisson tersebut memiliki masalah overdispersi. Hubungan parameter dispersi (  ) dengan varians dan mean dalam regresi Poisson adalah:

Var Y    

dimana:



Nilai Deviance Derajat Bebasnya

Dari hubungan parameter dispersi (  ) dengan varians dan mean dalam regresi Poisson tersebut dapat digunakan sebagai cara alternatif untuk mengetahui ada tidaknya masalah overdispersi dalam data adalah dengan memperhatikan nilai Deviance dibagi derajat bebasnya berada di sekitar angka 1 maka dapat disimpulkan bahwa model sudah memenuhi salah satu asumsi regresi Poisson, namun ketika

ISSN 2085-7829

nilainya diatas 1 maka dapat diindikasikan masalah overdispersi terjadi dalam data (Pateta, 2005). 5. Generalized Poisson Regression I (GPRI) Menurut Wang dan Famoye dalam Ismail dan Jemain (2007), fungsi kepadatan peluang distribusi Generalized Poisson I (GPI) adalah y   i  1  y i  y 1   1  y i    , Pr(Yi  y i )   exp  i 1   y ! 1   i  i  i   yi  0,1, i

dimana meannya adalah variannya adalah

i

E Yi x i    i dan

Var Yi x i    i 1  a i  . 2

Jika  sama dengan nol, maka fungsi kepadatan peluang GPI akan berdistribusi Poisson sehingga mean sama dengan varian

E Yi x i   Var Yi x i  . Jika  > 0, maka

Var Yi x i  > E Yi x i  , hal ini menunjukkan terjadinya overdispersion dan Jika  < 0, maka

E Yi x i  < Var Yi x i  menunjukkan terjadinya

underdispersion. Jika diasumsikan bahwa T

E ( yi )   ( xi   )  exp( xi  ); i  1,2,  , n maka fungsi likelihoodnya dari model Generalized Poisson Regression I (GPRI) adalah sebagai berikut.  i     yi  1log1  yi   Lβ,    yi log i  1  i  i 1  yi   log( yi !) 1   i Taksiran maksimum likelihood untuk parameter

ˆ , αˆ ) diperoleh model GPRI dinyatakan dengan (β dengan memaksimumkan fungsi likelihoodnya, yaitu menentukan turunan pertamanya terhadap  dan  sehingga:  ln Lβ,    0, j  1,2,  , k β j kemudian diselesaikan dengan prosedur Itertatively Wighted Least Square (IWLS). (2.25) 6. Maternal Mortality (2.26) Penyakit Revisi kesembilan Klasifikasi Internasional (ICD-9) dan Royston dkk (1994) menetapkan bahwa kematian ibu (maternal mortality) adalah kematian seorang wanita yang sedang hamil atau dalam periode 42 hari setelah teriminasi kehamilannya, tanpa memandang lama dan lokasi kehamilan. Kematian tersebut disebabkan oleh berbagai penyebab yang berhubungan dengan kehamilan atau diperburuk oleh kehamilan atau penatalaksanaannya, tetapi bukan akibat kecelakaan atau kebetulan.


7


Sukarni (1994) menyebutkan bahwa faktorfaktor penyebab kematian ibu (maternal mortality) adalah predisposisi dari beberapa keadaan seperti anemia dan penyakit hati akut, pendarahan, sepis, kondisi hygiene yang buruk dari pertolongan persalinan oleh tenaga tradisional yang tidak terlatih, toksimia dengan tanda-tanda peningkatan tekanan darah, adanya protein di air kencing (albumin uria), pembengkakan (oedema) dan juga komplikasi yang diderita oleh ibu. Cholil (1999) menyebutkan bahwa Kerangka Gerakan Sayang Ibu (GSI) dijalankan dengan menerapkan kesadaran bahwa “keterlambatan dapat berakibat pada kematian”. Konsep “keterlambatan” sebagai sarana analisis dan operasional dibagi menjadi tiga fase yaitu: a. Terlambat pertama: terlambat memutuskan untuk mencari pertolongan b. Terlambat kedua: terlambat sampai ketempat pelayanan kesehatan c. Terlambat ketiga: telambat mendapatkan perawatan yang memadai Masing-masing keterlambatan ini bisa berakibat pada kematian ibu. Namun setiap fase disebakan oleh faktor-faktor yang berbeda sehingga implikasi intervensinya pun berbeda. Faktorfaktor yang berkontribusi pada keterlambatan pertama adalah status ekonomi keluarga yang rendah, status pendidikan keluarga yang rendah, penilaian yang rendah terhadap kehidupan wanita, sistem kepercayaan tradisional, serta ketidakmampuan mengenali tanda-tanda bahaya dengan cepat. Sedangkan faktor-faktor penyebab keterlambatan kedua adalah jarak dari puskesmas, kurangnya saran transportasi yang memadai, kondisi jalan yang buruk, dan tinggunya biaya transportasi. Faktor penyebab untuk keterlambatan ketiga adalah kurangnya fasilitas perawatan kebidanan darurat dan tenaga ahli. Faktor adanya jumlah sarana kesehatan (rumah sakit dan puskesmas) yang cukup memadai akan menyebabkan kesehatan dan keselamatan ibu hamil menjadi lebih terjamin karena ibu hamil semakin mudah untuk memeriksakan, berobat, ataupun konsultasi seputar kehamilannya pada sarana kesehatan tersebut. Faktor persentase wanita yang menikah dibawah umur (kurang dari 17 tahun) dipakai sebagai variabel prediktor karena bagi wanita yang menikah dibawah umur 17 tahun kemudian hamil ketika berusia dibawah 17 tahun pula, resiko kematian ibu meningkat secara bermakna. Faktor penolong proses persalinan yang dilakukan oleh tenaga nonmedis seperti dukun dan lainnya, merupakan kondisi yang cukup rawan terutama bila penolong persalinan kurang mengerti tata cara menolong persalinan yang sehat sehingga beresiko pada kematian ibu.

ISSN 2085-7829

7. Metode Penelitian Variabel yang digunakan dalam penelitian ini adalah sebagai berikut: 1. Variabel respon (Y) adalah maternal mortality. 2. Variabel predictor terdiri dari tiga variable yaitu X1: jumlah sarana kesehatan yaitu rumah sakit dan puskesmas di tiap kabupaten/kota, X2: Persentase perempuan yang menikah dibawah umur (kurang dari 17 tahun) di tiap kabupaten/kota dan X3: Persentase penolong proses persalinan yang dilakukan oleh tenaga non medis (dukun bayi) di tiap kabupaten/kota. Langkah-langkah yang dilakukan dalam menganalisa data adalah sebagai berikut: 1. Uji distribusi Poisson 2. Estimasi parameter regresi Poisson 3. Analisis kasus overdispersi 4. Estimasi parameter Generalized Poisson Regression I (GPRI) 5. Pengujian signifikansi parameter GPRI. 6. Interpretasi model 8. Hasil Dan Pembahasan Variabel respon yang berdistribusi Poisson merupakan salah satu syarat dalam model regresi Poisson. Oleh karena itu perlu dilakukan uji distribusi Poisson dengan hipotesis sebagai berikut: H0: Data maternal mortality berdistribusi Poisson. H1: Data maternal mortality tidak berdistribusi Poisson. Taraf signifikasi yang digunakan () sebesar 5% (0,05). Statistik uji yang digunakan adalah Kolmogorof-Smirnov. H0 ditolak jika nilai signifikansi < . Dari hasil analisis diperoleh nilai signifikansi (0,281) > sehingga dapat disimpulkan data maternal mortality berdistribusi Poisson. Selanjutnya dilakukan estimasi parameter model regresi Poisson dengan menggunakan paket program SAS. Nilai estimasi parameter mencapai konvergen setelah iterasi ke-11, hasilnya disajikan pada Tabel 1. Tabel 1. Nilai Estimasi Parameter Model Regresi Poisson Parameter

Estimasi

SE

t

P-value

0

2,1813

0,2952

7,39

<,0001

1

-0,02751

0,0087

-3,15

0,0071

2

-0,02552

0,0067

-3,76

0,0021

3

0,08762

0,0136

6,44

<,0001

Untuk mengetahui ada tidaknya pengaruh variabel prediktor terhadap variabel respon dilakukan pengujian parameter secara serentak dengan menggunakan hipotesis berikut:


8

Jurnal Eksponensial Volume 2, Nomor 2, Nopember 2011 H0 :  1 =  2 =  3 = 0 H1 : Paling sedikit ada satu i ≠ 0 ; i = 1, 2, 3. Dari hasil analisis diperoleh nilai 2 G hitung =38,0381>  ( 0, 05;10 ) = 18,037, maka H 0

ditolak, berarti paling sedikit ada  i yang berpengaruh terhadap model. Pengaruh yang diberikan masing-masing variabel prediktor tersebut dapat diketahui dengan melakukan pengujian parameter secara parsial dengan menggunakan hipotesis berikut: H0 :  i = 0 H1 :  i ≠ 0 Pada Tabel 1 dapat dilihat bahwa semua parameter yang dihasilkan adalah signifikan. Hal ini ditunjukkan oleh masing-masing nilai p-value yang lebih kecil dari . Sehingga diperoleh model regresi Poisson berikut: ln ˆ  = 2.1813 -0,02751X1 -0,02552 X2 + 0,08762 X3

Analisis adanya kasus overdispersi pada data dapat dilihat dari nilai devians dibagi dengan derajat bebasnya. Hasil output software SAS disajikan pada Tabel 2. Tabel 2. Nilai Devians pada Model Regresi Poisson Nilai Devians Df Nilai Devians /Df 38,0381 10 3,80381 Tabel 2 menunjukkan bahwa nilai devians dibagi dengan derajat bebasnya sebesar 3,80381 lebih besar dari 1 sehingga dapat disimpulkan bahwa data maternal mortality mengalami overdispersi. Untuk itu, dilakukan pendekatan model GPRI untuk mengatasinya. Hasil estimasi parameter model GPRI dengan menggunakan paket program SAS disajikan pada Tabel 3. Nilai estimasi parameter mencapai konvergen setelah iterasi 13. Tabel 3. Nilai Estimasi Parameter Model GPRI Parameter

Estimasi

SE

t

P-value

0

2,2381

0,5131

4,36

0,0007

1

-0,03070

0,01763

-1,4

0,1036

2

-0,02783

0,01093

-2,55

0,0233

0,08843 0,02416 3.,66 0,0026 3 Selanjutnya dilakukan pengujian parameter secara serentak dengan menggunakan hipotesis berikut: H0 :  1 =  2 =  3 = 0 H1 : Paling sedikit ada satu i ≠ 0 ; i = 1, 2, 3. Berdasarkan hasil analisis diperoleh nilai G = 98,4 sedangkan

2  0,05;1 = 3,84 sehingga H0 ditolak,

yang berarti paling sedikit ada i yang berpengaruh terhadap model. Untuk mengetahui pengaruh yang diberikan oleh masing-masing variabel prediktor dilakukan pengujian hipotesis berikut:

ISSN 2085-7829

H0 :  i = 0 H1 :  i ≠ 0 Tabel 3 menunjukkan bahwa parameter yang tidak signifikan adalah 1 karena nilai signifikansinya > . Sehingga diperoleh model Generalized Poisson Regression I (GPRI) berikut: ln ˆ = 2,2381 -0,02783 X2 + 0,08843 X3 Berdasarkan model tersebut dapat diketahui bahwa faktor-faktor yang mempengaruhi maternal mortality di Kalimantan Timur tahun 2009 adalah persentase perempuan yang menikah dibawah umur (kurang dari 17 tahun) di tiap kabupaten/kota dan persentase penolong proses persalinan yang dilakukan oleh tenaga non medis (dukun bayi) di tiap kabupaten/kota.

 

9. Kesimpulan Hasil analisis dan pembahasan menunjukkan bahwa terjadi overdispersi pada model regresi poisson untuk data maternal mortality di Kalimantan Timur tahun 2009 sehingga semua parameter yang dihasilkan adalah signifikan dengan nilai standar error yang kecil. Selanjutnya dilakukan pendekatan model Generalized Poisson Regression I (GPRI) untuk mengatasinya. Berdasarkan model GPRI yang diperoleh, terdapat satu parameter yang tidak signifikan sehingga dapat disimpulkan bahwa faktor-faktor yang mempengaruhi maternal mortality di Kalimantan Timur tahun 2009 adalah persentase perempuan yang menikah dibawah umur (kurang dari 17 tahun) di tiap kabupaten/kota dan persentase penolong proses persalinan yang dilakukan oleh tenaga non medis (dukun bayi) di tiap kabupaten/kota. Daftar Pustaka Brockman, M. J., and Wright, T. S. (1992), Statistical Motor Rating: Making Effective Use of Your Data, Journal of the Institute of Actuaries, 119: 3, p. 457-543. Cholil, Abdullah dan S. Maria. (1999). Gerakan Sayang Ibu di Indonesia. Ford Foundation. Jakarta Ismail, N., and Jemain, A. A. (2007), Handling Overdispersionwith Negative Binomial and Generalized Poisson Regression Model, Casualty Actuarial Society Forum, Malaysia. Kleinbaum, David G., Lawrence L. Kupper and Muller, K. E. (1978), Applied Regression Analysis and Other Multivariable MethResiko Sendiris. PWS-Kent Publishing Company, New York. Sofro. (2009). Metode Generalized Poisson Regression pada Klaim Own Damaged di PT. Asuransi Tripakarta Surabaya. Tesis. Jurusan Statistika FMIPA ITS Surabaya.


9


ISSN 2085-7829

McCullagh, P., and Nelder, J. A. (1989), Generalized Linear Models. 2nd Edition. Chapman and Hall, London. Myers, R.H., (1990), Classical and Modern Regression With Applications, PWS Kent Publishing Company, USA. Pateta, Mike. et al. (2005). Fitting Poisson Regression Models Using the Genmod Procedure. USA: SAS Institute Inc. Royston., Erica dan Amstrong, S., (1994), Pencegahan Maternal Mortality Hamil, Binarupa Aksara, Jakarta. Renshaw, A. E. (1994), Modeling the Claims Process in the Presence of Covariates, ASTIN Bulletin. 24: 2, p.265-285. Sukarni, M., (1994), Kesehatan Keluarga dan Lingkungan, Kanisius, Yogyakarta. Yuliana, N (2011). Mengatasi Overdispersi pada Regresi Poisson dengan Regresi Binomial Negatif. Skripsi. Program Studi Statistika FMIPA Unmul.


10

Mengatasi Overdispersi pada Model Regresi Poisson dengan Generalized Poisson Regression I

Recommend Documents