Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS Pada hari sebelumnya telah dibahas tentang konsep dari regresi logistik biner. Sesuai dengan janji penulis akan dibahas tutorial regresi logistik biner dengan SPSS. (Kajak pemilu aja ya.:p). Untuk contoh kasus kali ini, terinspirasi dari tugas kelompok perkuliahan yang diambil dari tugas kakak tingkat. Bisa dibilang copas lah ya Tapi, jangan dilihat dari copasnya Tapi lihat dari niatnya dan keinginan untuk saling berbagi semoga dapat membantu mengerjakan tugas, skripsi, tesis atau bahkan disertasi. Contoh Kasus Analisis Regresi Logistik Biner: Dilakukan simulasi untuk melihat pengaruh antara variabel Profitabilitas, kompleksitas perusahaan, opini Auditor, likuiditas dan ukuran perusahaan terhadap ketepatan penyampaian laporan keuangan tahunan perusahaan. Profitabilitas diukur dengan ROA variabel kompleksitas terdiri atas 2 kategorik yaitu diberi angka 2 jika mempunyai anak perusahaan dan 1 jika perusahaan tidak mempunyai anak perusahaan opini auditor diukur dengan 2 jika mendapatkan opini wajar tanpa pengecualian dan 1 untuk opini yang lain likuiditas diukur dengan Aktuelle Ratio dan ukuran Perusahaan diukur dengan logaritma natürlichen Marktwert. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Daten yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba juga bisa dolchisch bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20.Langsung saja ya dengan langkah-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi datei telah terbuka, maka akan terlihat pada layar daten tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah awalnya adalah pilih menu Analysieren. Kemudian pilih Regression dan Binary Logistic. Maka akan muncul tampilan seperti di bawah ini Masukan variabel yang berfungsi sebagai variabel tak bebas dari box variabel ke kolom abhängig. Dan masukan semua varibel bebas pada kotak Covariate. Untuk-Methode, Pilih Enter. Sebenarnya bisa dipilih metode apa saja karena modell yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Enter, harus dilakukan proses dua kali. Pertama, Daten di run dengan semua variabel untuk mengetahui variabel mana yang signifikan, setelah itu di run lagi dengan menggunakan variabel yang signifikan itu. Modell yang terbentuk akan sama dengan Modell yang diperoleh dengan metode lain. Klik kategorisch. Masukkan semua variabel bebas yang berbentuk kategori pada kotak kovariate ke dalam kotak kategorischen kovariaten. Biarkan contras pada default indikator Untuk referenz kategori pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi Odds Ratio. Dapat menggunakan kategori akhir (zuletzt) atau kategori pertama (zuerst). Dalam penelitian ini digunakan kategori akhir (zuletzt). Kemudian klik Weiter. Setelah itu Pilih Menü Option. Centang Iterationsgeschichte untuk dapat mengetahui proses iterasi yang telah berlangsung. Selain itu, akan ditemukan Klassifikation abgeschnitten, yang pada kondisi default sudah diisi dengan 0.5. Nilai ini disebut dengane Wert vor der Wahrscheinlichkeit. Peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang daten kita, maka kita bisa menggunakan default. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu sisi. Dengan alasan ini, dapat digunakan klassifikation cutoff sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinaikkanditurunkan klassifizierung cutoff sesuai hasil penelitian. Dalam penelitian ini semua variabel numerik dalam default 0,5. Abaikan Bagain Yang Lain, klik weiter. Abaikan Bagian Yang Lain, Dan Tekan OK Maka Akan Keluar Ausgang Dari Regresi Logistik. Intrepretasi Hasil analisis regresi logistik Setelah keluar Auslauf dari hasil laufende Daten von SPSS maka diperoleh hasil analisis sebagai berikut: Identifikasi Daten yang Hilang Pada tabel di atas, dapat dilihat tidak ada Daten yang hilang (fehlende Fälle). Pemberian Kode Variabel Reson Oleh SPSS Menurut Pengkodean SPSS, Yang Termasuk Kategori Sukses Adalah Penyampaian Laporan Keuangan Tahunan Yang Tepat. Pemberian kode untuk variabel penjelas yang kategorik Pengkodean variabel penjelas hanya dilakukan untuk variabel penjelas yang kategorik karena akan dibentuk dummy variabel. Penelitian ini menggunakan dua variabel penjelas yang kategorik yaitu variabel Opini dan variabel Kompleksitas. Untuk variabel opini Nantinya yang akan digunakan sebagai referenzcode (kode pembanding) adalah Wajar Tanpa Pengecualian (lihat pada tabel di atas bagian Parameter codings yang berkode nol). Sementara untuk variabel Kompleksitas. Yang menjadi kode pembanding adalah Punya anak perusahaan Kode pembanding ini akan digunakan untuk interpretasi Quotenverhältnis. Uji Signifikansi Model Dari hasil SPSS dapat digunakan tabel 8220 Omnibus Tests von Modell Koeffizienten 8221 untuk melihat hasil pengujian secara simultan pengaruh variabel bebas ini. Berdasarkan tabel di atas diperoleh nilai Sig. Model sebesar 0.000. Karena nilai ini lebih kecil dari 5 maka kita menolak Ho pada tingkat signifikansi 5 sehingga disimpulkan bahwa variabel bebas yang digunakan, secara bersama-sama berpengaruh terhadap ketepatan penyampaian laporan keuangan suatu perusahaan. Atau minimal ada satu variabel bebas yang berpengaruh Persentase Ketepatan Klasifikasi (Prozentsatz korrigieren) Persentase Ketepatan Modell dalam mengkasifikasikan observasi adalah 78.6 persen. Artinya dari 70 Beobachtungen, Ada 55 Beobachtungs-Yang Tepat Pengklasifikasiannya Oleh Modell Regresi Logistik. Jumlah Beobachtungs-Yang Tepat Pengklasifikasiannya Dapat Dilihat Pada Diagonal Utama. Uji Parsial dan Pembentukan Modell Pada uji diharapkan Ho Akan ditolak sehingga variabel Yang Sedang diuji masuk ke dalam Modell. Dengan Bantuan Tabel 8220Variables in der Gleichung8221 Dapat Dilihat Variabel Mana Saja Yang Berpengaruh Signifikan Sehingga Bisa Dimasukkan Ke Modell. Jika nilai sig. lta maka Ho ditolak Berdasarkan hasil di atas diketahui bahwa terdapat 2 variabel bebas yang signifikan berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-masing variabel tersebut memiliki nilai signifikansi yang lebih kecil dari a5. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) dan Likuiditas (Sig.0.000). Modell yang terbentuk adalah: Dimana: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Quotenverhältnis ini juga disediakan oleh tabel 8220 Variablen in der Gleichung 8221 pada kolom Exp (B): Berdasarkan hasil di atas kita dapat Menginterpretasikan Quotenverhältnis sebagai berikut: Jika jumlah Profitabilitas perusahaan bertambah 1 Einheit maka kecendrungan perusahaan tersebut untuk tepat waktu menyampaikan laporan keuangan menjadi 2.780 kali lipat. Sebuah perusahaan yang tidak mempunyai anak perusahaan akan memiliki kecenderungan untuk menyampaikan laporan keuangan secara tepat waktu sebesar 3.057 kali dibanding perusahaan yang memiliki anak perusahaan (merujuk pada referenzcode). Perusahaan dengan opini Auditor adalah opini lain cenderung 0.848 kali (lebih rendah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan yang Wajar tanpa Pengecualian. Jika Aktuelle Beziehung pada likuiditas bertambah 1 persen maka perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika ukuran perusahaan bertambah 1 Einheit Maka perusahaan tersebut cenderung 1.123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buil yang ingin mencoba silahkan download filenya dibawah ini: tutorial reglog biner (SPSS 20) Geschrieben von: Nasrul Setiawan Terima kasih sudah membaca artikel Analisis regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda bisa Lesezeichen Halaman Ini Dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus dimana variabel abhängig bersifat dikotomi dan kategori dengan dua atau lebih kemungkinan (ex. Sukses atau Gagal terpilih atau tidak terpilih lulus atau tidak lulus melakukan pembelian atau Tidak mendapat promosi atau tidak, dan lain-lain). Regresi logistik umumnya melibatkan berbagai macam variabel prediktor baik numerik ataupun kategorik, termasuk variabel dummy. Pada regresi linier, variabel prediktor yang digunakan biasanya numerik, tetapi jika kita melibatkan campuran antara numerik maupun kategorik kita dapat menggunakan regresi logistik. Regresi logistik membentuk persamaan atau fungsi dengan pendekatan maximale likelihood, yang memaksimalkan peluang pengklasifikasian objek yang diamati menjadi kategori yang sesuai kemudian mengubahnya menjadi koefisien regresi yang sederhana. Dua nilai yang biasa digunakan sebagai variabel dependen yang diprediksi adalah 0 dan 1 (ex. 1berhasil, 0gagal). Regresi Logistik Menghasilkan Rasio Peluang (Odds Ratios) Antara Keberhasilan Atau Kegagalan Suatu Dari Analisis. Dapat kita contohkan dengan seorang tokoh yang ingin menjadi presiden, akan lebih baik peluangnya jika menjadi ketua partai politik tertentu. Disini Odds Ratio yang dimaksud adalah seberapa besar peluang tokoh tersebut dengan mempertimbangkan variabel prediktor yang ada. Regresi logistik akan membentuk variabel prediktorrespon (log (p (1-p)) yang merupakan kombinasi linier dari variabel independen Nilai variabel prediktor ini kemudian ditransformasikan menjadi probabilitas dengan fungsi logit. Asumsi-asumsi dalam regresi logistik Tidak mengasumsikan hubungan linier antar variabel dependen dan Unabhängige Variabel dependen harus bersifat dikotomi (2 variabel) Variabel unabhängige tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel unabhängige harus terpisah satu sama lain atau bersifat eksklusif Sampel yang diperlukan dalam jumlah relatif besar, mindestens dibutuhkan hingga 50 sampel data untuk sebuah variabel Prediktor (bebas) persamaan regresi logistik regresi logistik menghasilkan rasio peluang yang dinyatakan dengan transformasi fungsi logaritma (log), dengan demikian fungsi transformasi log ataupun ln diperlukan untuk p-Wert, dengan demikian dapat dinyatakan bahwa logit (p) merupakan log dari peluang ( Odds Ratio) atau Likelihood ratio dengan kemungkinan terbesar nilai peluang adalah 1, dengan demikian persamaan regresi logistik menjadi: logit (p) log (p1-p) ln (p1-p) dimana p bernilai antara 0-1. Modell yang digunakan pada regresi logistik adalah: log (P 1 8211 p) 0 1X1 2X2 8230. kXk Dimana p adalah kemungkinan bahwa Y 1, dan X1, X2, X3 adalah variabel independen, dan b adalah koefisien regresi. Konsep Log Odds, Quoten Ratio Logit (Log Odds) merupakan koefisien Hang (b) dari persamaan regresi. Slope disini adalah perubahan nilai rata-rata dari Y dari satu Einheit perubahan nilai X. Regresi logistik melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier. Seutelai ilustrasi jika nilai peluang adalah 0,25, maka nilai odds adalah 3 (25. 75), sedangkan jika nilai peluang 50, maka nilai odds adalah 1 (50. 50), atau jika nilai peluang 0,33, maka nilai odds adalah 2 (33. 67) dengan total keseluruhan nilai peluang adalah 1. Nilai Odds Ratio Biasanya dapat kita lihat pada kolom B pada 8216variablen in der equation8217 Ausgabe SPSS. Kecocokan Modell (Modell passen) dan fungsi Wahrscheinlichkeit Wahrscheinlichkeit berarti juga peluang atau probabilitas untuk hipotesis tertentu. Seperti Yang Kita Ketahui Pada Kurva Regresi Liner Kita Lihat Adanya Hubungan Liner, Peningkatan Pada Sumbu Y Akan Diikuti Dengan Peningkatan Pada Sumbu X Dan Sebaliknya. Tetapi pada regresi logistik dengan nilai Y antara 0 dan 1, pendekatan linier tidak bisa kita gunakan. Oleh Karena Itu Metode maximale Wahrscheinlichkeit sangat berguna dalam menentukan kecocokan Modell yang tepat bagi persamaan yang kita miliki. Hipoteis dalam regresi logistik antara lain: h0 ketika persamaan regresi bernilai 0 logit (p) 0. h1 persamaan regresi berbeda nyata dari 0 logit (p) 8800 0. Regresi logistik merupakan regresi nicht linier dimana modell yang ditentukan akan mengikuti pola kurva linier seperti gambar Di bawah ini Regresi logistik juga menghasilkan rasio peluang (Quotenverhältnisse) terkait dengan nilai setiap prediktor. Peluang (Chancen) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (Quotenverhältnisse) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan seesselai jumlah relatif dimana peluang hasil meningkat (rasio peluang gt 1) atau turun (rasio peluang lt 1) ketika nilai variabel prediktor meningkat sebesar 1 Einheit. Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini: Kita ingin mengetahui apakah berat badan (gewicht gain) sapi para peternak di kota elgrow bertambah signifikan atau tidak, dengan variabel prediktor adalah sex yang terdiri atas männlich (M) atau weiblich (F), pemberian obat cacing (Anthelmintisch) secara rutin sesuai dosis yang dinyatakan dengan ja dan nein, dan biaya pemeliharaan pro bulan yang dinyatakan dalam US. Kali ini kita akan menjalankan modell logit menggunakan bantuan software IBM SPSS versi 23, untuk yang masih menggunakan SPSS seri di bawahnya jangan khawatir, masih kurang lebih sama koq cara aplikasinya, kamu bisa herunterladen datanya disini 1. tahap impor daten (misalnya dari excel), Buka SPSS Kamu, Datei gt lesen Textdaten, Pada Kotak Dialog offenen Daten, Dateien von Typ gt Pilih Excel, Maka Datanya maiul di layar, Pilih lalu klik gt offen, kemudian dimunculkan lagi jendela Eröffnungsdaten, Checkliste seperti gambar gt ok, Daten telah Mahuk dalam record spss, berikut adalah dataview, lihat sususannya tidak beraturan, kamu bisa atur dalam variabler ansicht: atur etikett, desimal, dan lain-lain dalam variabel ansicht, 2. tahap analisis, analysieren gt regression gt binäre logistik, setelah muncul jendela logistik Regression, masukkan gewicht gain kedalam dependen, dan variabel kategorik yaitu sex dan anthelmintic ke kotak kovariaten, lalu klik kategorisch, untuk menyesuaikan tipe daten variabel kategorik, di jendela definieren kovariaten variablen pilih referenzkategorie zuerst, kemudian klik änderungen gt weiter, klik next lalu masukkan variabel Kontinin kovariates, kemudian option, kemudian weiter gt ok, maka outputnya akan ditampilkan, Chi-Quadrat Modell sebesar 18.440, angka ini menjelaskan kemampuan Modell dalam memprediksi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan variabel sex, dan anthelmintic, ke dalam model. -2 log Likelihood menjelaskan signifikansi Modell layaknya R-sq pada regresi linier OLS. Tabel Hosmer und Lemeshow Test menunjukkan nilai penambahan signifikansi model dari konstanta, dan model sesudah ditambahkan variabel independen sex dan anthelmintic. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0,05). Kita lihat kembali pada Ausgangsvariablen in der Gleichung menunjukkan Modell sesuai hipoteis null atau Modell tanpa prediktor, Ausgangsvariablen nicht in der Gleichung menunjukkan signifikansi masing-masing variabel independen terhadap weightgain. Dari tabel dapat kita lihat bahwa variabel anthelmintisch (1) memberikan peningkatan yang signifikan terhadap model (0,000), sedangkan sex (1) tidak signifikan (0,298). Tetapi secara keseluruhan signifikan terhadap perbaikan Modell (Gesamtstatistik, sig 0,000). Dari-Ausgangsvariablen in der Gleichung persamaan yang kita peroleh adalah (lihat nilai pada kolom B): Log Odds (Gewichtszunahme) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya Log Odds (Gewichtszunahme) -3,502 0,116sex (1) 2,638anthelmintisch (1) 0,011cost Jika Geschlecht (1) 1 (lihat Ausgangskodierung), anthelmintisch (1) 1 (lihat Ausgabecodierung), dan costUS 100, Maka persamaannya menjadi: Log Odds (Gewichtszunahme) -3,502 0,116 (1) 2,638 (1) 0,011 (100) Log Odds (Gewichtszunahme) -3.502 0,116 2,638 1,1 Jika kita hilangkan log maka persamaan akan dalam bentuk eksponensial: odds (weightgain) e -3,502 0,116 2,638 1,1 Interpretasi dari Persamaan Untuk setiap perubahan pro Einheit Pada variabel sex (1) (kodierender dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintisch (1) sebesar 1 unit, maka akan meningkatkan weightgain sebesar 2,638. Untuk setiap penambahan sebesar US1 terhadap variabel kosten, maka akan meningkatkan peluang weightgain sebesar 0,011. Dari nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan berpengaruh terhadap log odds (Gewichtszunahme) adalah pemberian obat cacing secara rutin (anthelmintic (1)), dan cost dengan nilai signifikansi berturut-turut 0,02 dan 0,018 (pada tingkat signifikansi 95). Kemudian mari kita interpretasikan nilai exp (B) pada Ausgangsvariablen in der Gleichung di atas: Variabel Geschlecht (1) yang mengacu pada MaleJantan, memiliki kecenderungan untuk mendapatkan pertambahan berat badan (weightg ain) 1,122 kali daripada Weiblich yang menjadi kategori referensi kita (ini Adalah kodieren dummy, dimana 0 untuk F dan 1 untuk M). Variabel Anthelmintikum (1) Yang Mengacu Pada Ja, Dimana Pemberian Obat Cacing Secara Teratur Dan Sesuai Dosis Memiliki Peluang Sebesar 13,988 Kali Daripada Kategori Referenzen Kita Yang Mengacu Pada Nein, Dimana keine Dinyatakan Sebagai Tidak Mitgliedsban Asupan Obat Cacing Secara Rutin Dan Sesuai Dosis. Variabel ini sangat signifikan mempengaruhi log odds (weightgain) dengan nilai signifikansi 0,002. Variable Kosten cenderung meningkatkan weightgain sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05 (yoso) download materi dalam bentuk pdf di bawah ini gtgtgtKonsep Regresi Logistik BinerDikotomi Analisis regresi logistik merupakan metode analisis yang biasanya digunakan oleh mahasiswa dalam menyelesaikan skripsi berkaitan Dengan skripsi tentang persepsi. Bahasa gaul metode ini biasa krankheit reglog Untuk pembahasan kali akan dibahas materi reglog dulu Dan akan dilakukan untuk contoh kasusnya dengan software SPSS. Mudah-mudahan bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Analisis regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon yang berupa dikotomikbiner dengan variabel bebas yang berupa Daten Berskala Intervall dan atau kategorik (Hosmer dan Lemeshow, 1989). Variabel yang dikotomikbiner adalah variabel yang hanya mempunyai dua kategori saja, yaitu kategori yang menyatakan kejadian sukses (Y1) dan kategori yang menyatakan kejadian gagal (Y0). Pada modell modell lineare umum komponen acak tidak harus mengikuti sebaran normal, tapi harus masuk dalam sebaran keluarga eksponensial. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial Variabel antworten Y ini, diasumsikan mengikuti distribusi Bernoulli. Timbul pertanyaan: Perbedaan antara regresi logistik dengan analisis regresi biasa kenapa tidak pakai analisis regresi biasa aja Sebenarnya untuk masalah diatas bisa digunakan analisis regresi OLS. Tapi harus memenuhi asumsi bahwa 0 lt E (Yi 247 Xi) lt 1. Namun persyaratan tersebut sulit untuk terpenuhi. Sehingga metode regresi OLS kurang cocok untuk Daten kuantitatif dan lebih baik menggunakan metode regresi logistik. Contoh Kasus dalam regresi logsitik biner: Pengaruh Tingkat Pendidikan, Lapangan Kerja yg dimasuki, Pendapatan, Pengeluaran, Jumlah ART terhadap Status Kemiskinan (MiskinTIdak Miskin). Pengaruh Pendapatan Keluarga, Banyaknya Anggota Keluarga, Jenis rumah, Usia Kepala Keluarga terhadap Kepemilikan rumah (Punya rumahtidak) Berdasarkan dua contoh tersebut mungjkin sudah membuka pikiran untuk kasus seperti apa regresi logistik digunakan. Intinya variabel abhängignya dikotomi artinya memiliki dua kategori seperti pada kasus diatas yang ditebal. Kenapa cuma dua kategori aja tidak bisa lebih dari tiga kategori Untuk metode ini tidak bisa karena hanya bisa dua sesuai dengan namanya. Untuk masalah diatas ada metode lain yang bisa digunakan yaitu regresi logistik ordinal. Bagaimana langkah-langkah atau prosedur statistiknya sebagai referensi buat skripsi. hehehe Bentuk umum Modell peluang regresi logistik dengan p variabel penjelas, diformulasikan sebagai berikut: dengan (x) adalah peluang kejadian sukses dengan nilai probabilita 08804 (x) 88041 dan j adalah nilai Parameter dengan J 1,2 P. (X) merupakan fungsi yang nicht linier, sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk memperoleh fungsi yang linier agar dapat dilihat hubungan antara variabel bebas dan variabel tidak bebas. Dengan melakukan transformasi dari logit (x), maka didapat persamaan yang lebih sederhana, yaitu: Jika dari beberapa variabel bebas ada yang berskala nominal atau ordinal, maka variabel tersebut tidak akan tepat jika dimasukkan dalam modell logit karena angka-angka yang digunakan untuk menyatakan tingkatan Tersebut hanya sebagai identifikasi dan tidak mempunyai nilai numerik dalam situasi seperti ini diperlukan variabel dummy Untuk variabel bebas dengan skala ordinal maupun nominal dengan k kategori, akan diperlukan sebanyak k-1 variabel dummy. Asami-asumsi dalam regresi logistik: Tidak mengasumsikan hubungan linier antar variabel dependen dan unabhängig Variabel dependen harus bersifat dikotomi (2 variabel) Variabel unabhängige tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel unabhängige harus terpisah satu sama lain atau bersifat eksklusif Sampel yang Diperlukan dalam jumlah relatif besar, minimal dibutuhkan hingga 50 sampel daten untuk sebuah variabel prediktor (bebas). Pendugaan Parameter Metode untuk mengestimasi Parameter-Parameter yang tidak diketahui dalam Modell regresi logistik ada 3 yaitu: 1. Metode kemungkinan maksimum (Maximum Likelihood Methode) 2. Metode kuadrat terkecil tertimbang noniterasi (Noniterative Weight Least Square Methode) 3. Analisis fungsi diskriminan (Diskriminante Fazitanalyse) Pada dasarnya metode maksimum Likelihood merupakan metode kuadrat terkecil tertimbang dengan beberapa proses iterasi, sedangkan metode noniterative gewicht am wenigsten quadratische methode hanya menggunakan satu kali iterasi. Kedua metode ini asymptotisch äquivalent Artinya jika ukuran sampel besar keduanya akan menghasilkan schätzer yang identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi normal. Oleh karena itu, penduga dari fungsi diskriminan akan über Schätzung bila variabel penjelas tidak berdistribusi normal. Dari Ketiga Metodei di Atas, Metode Yang Banyak Digunakan Adalah Metode Maksimum Wahrscheinlichkeit Dengan Alasan Lebih Praktis (Nachrowi Dan Usman, 2002). Metode maksimu likelihoood ini menduga Parameter dengan nilai yang memaksimumkan fungsi Wahrscheinlichkeit (Wahrscheinlichkeitsfunktion). Uji Signifikansi Modell Untuk mengetahui pengaruh variabel bebas terhadap variabel tidak bebas secara bersama-sama (Gesamt) di dalam Modell, dapat menggunakan Uji Likelihood Ratio. Hipoteisnya adalah sebagai berikut: Ho: 1 2. P1 (tidak ada pengaruh veriabel bebas secara simultan terhadap variabel tak bebas) H1: minimal ada satu j 8800 0 (ada pengaruh paling sedikit satu veriabel bebas terhadap variabel tak bebas) Untuk j 1,2. P Statistik uji yang digunakan adalah: Lo Maksimum Lieklihood dari Modell reduksi (Reduziertes Modell) atau Modell yang terdiri dari konstanta saja Lp Maksimum Likelihood dari model penuh (Vollmodell) atau dengan semua variabel bebas. Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga hipoteis ditolak jika p-Wert lt, yang berarti variabel bebas X secara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial dan Pembentukan Modell Pada umumnya, tujuan analsis statistik adalah untuk mencari Modell Yang Cocok Dan Keterpautan Yang Kuat Antara Modell Dengan Daten Yang Ada. Pengujian keberartianischer Parameter (koefisien) secara parsial dapat dilakukan melalui Uji Wald dengan hipotesisnya sebagai berikut: Ho: j 0 (variabel bebas ke j tidak mempunyai pengaruh secara signifikan terhadap variabel tidak bebas) H1: j 8800 0 (variabel bebas ke j mempunyai pengaruh secara Signifikan terhadap variabel tidak bebas) Untuk j 1,2. P Dengan statistik uji sebagai berikut: Hipoteis akan ditolak jika p-Wert lt yang berarti variabel bebas Xj secara partiell mempengaruhi variabel tidak bebas Y. Odds Ratio Quotenverhältnis merupakan ukuran risiko atau kecenderungan untuk mengalami kejadian 8216sukses 8216 antara satu kategori dengan kategori lainnya, didefinisikan Sebagai ratio dari odds untuk xj 1 terhadap xj 0. Quotenverhältnis ini menyatakan risiko atau kecenderungan pengaruh observasi dengan xj 1 adalah berapa kali lipat jika dibandingkan dengan observasi dengan xj 0. Untuk variabel bebas yang berskala kontinyu maka interpretasi dari koefisien j pada modell regresi logistik Adalah setiap kenaikan c unit pada variabel bebas akan menyebabkan risiko terjadinya Y 1, adalah exp (cj) kali lebih besar. Quotenverhältnis dilambangkan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 dan xj 0, sehingga: Siang mas. Saya Echa Ingin menanyakan..pada penelitian saya (Daten nicht parametrik, var dependen dan independen keduanya rasio) didapat hasil korelasi spearman yg bermakna. Saya ingin melanjutkan regresinya..tp setelah saya uji regresi liniernya trnyt restualnya uji Kolmogorov tidak terdistribusi normalen juga..hehhe. Sebaiknya saya menggunakan regresi apa ya mas apakah hrs menggunakan regresi logistik (pdhal Daten saya rasio) .. mhn pencerahannya ya mas..tksh bnyk Siang. Kalau datanya rasio mungkin lebih baik menggunakan korelasi pearson Kalau datanya tidak normal bisa dicoba transformasi dulu variabelnya mas. Assalamu39alaikum Ka, Mau Tanya. Di logit, kalo salah satu variabel prediktor yang bentuknya logaritma natürlich (ln), misanya variabel pengeluaran dalam bentuk ln, itu gimana interpretasi Odds Ratio nya apa sama aja kaya di analisis regresi linier misal Odds Ratio nya 3, berarti tiap kenaikan satu persen pengeluaran, Kecenderungan quotsuksesquot akan meningkat sebesar 3 kali. Apa seperti itu terimakasih Jazakumullaahu khairan Wa39alaikumsalam, knapa di-ln-kn dek mending variabelnya yang mentah saja, tidak usah ditransformasi, supaya reglognya tidak mubazir. Sama2 dek Di-ln-kn, tujuannya biar mempermudah interpretasi ka, tapi ternyata malah bingung cara nginterprestinya. Kalo gak di-ln-kn, ketika odds nya 2, berarti intrpretasinya: setiap pertambahan quotsatuquot rupiah pengeluaran, meningkatkan kecenderungan quotsuksesquot sebesar 2x, apakah seperti itu maksud dari quotreglognya mubadzirquot itu gmn makanya tidak usah di-ln-kan dek, selain jd makin Susah interpretasi, biasanya transformasi dilakukan untuk menormalkan Daten, sementara metode reglog tidak butuh asumsi normalitas. Reglog itu metode yang persyaratannya paling ringan di antara metode regresi lain, jadi kalau datanya diperlakukan seperti ketika memakai regresi biasa (yg syaratnya banyak) itu menurut saya mubazir. Assalamu39alaykum Mas Chalik Mawardi Mohon izin saya ikut nanya juga ya, sedang menyusun skripsi. Ada beberapa pertanyaan: 1. Apakah Daten berskala Ordinales bisa hanya terdiri dari dua kategori Contohnya para pelamar PNS dikategorikan menjadi quotlulus tesquot dan quottidak lulus tesquot. 2. Variabel penelitian saya hanya terdiri dari satu variabel dependen dan satu variabel independen. Variabel dependennya sebenarnya terdiri dari 4 kategori, tetapi bisa juga diolah menjadi dikotomi. Sedangkan untuk variabel independennya Intervall, Tetapi juga bisa diolah menjadi dhikotom. Mohon saran Mas Chalik sebaiknya saya menggunakan metode statistik apa Terima kasih sebelumnya. Wa 39alaikummsalam 1. Tidak, ordinal itu maksudnya, kategori, tapi memiliki tingkatan, berapapun banyaknya kategori tersebut. Misal, Datenrangliste siswai, IP mahasiswai, jabatan pekerja, jenjang pendidikan (sd, smp, sma), dsb 2. Kalau dilihat dari jenis datanya, bisa pakai regresi logistik atau probit assalamualaikum, mas saya mau nanya. Saya masih belum paham soal penggunaan variabel dummy Jadi penelitian saya tu datanya ordinal dengan satu variabel independen dan satu variabel dependen. Tapi penelitian saya ini dilakukan pada dua kelompok yaitu kelompok sasaran dan kelompok kontrol. Sebelumnya saya meneliti korelasi variabel x terhadap y pada kelompok sasaran, selanjutnya saya bandingkan dengan kelompok kontrol mana yang pengaruhnya lebih besar terhadap variabel y. Dose saya menyarankan untuk di dummy, tapi saya blm paham mas. Mohon pncerahannya bgmn caranya, trus apakah bisa menggunakan spss atau gimana mas terimakasih sebelumnya. Pagi Pak, saya mau bertanya bagaimana cara mengolah regresi logistik dengan variabel dependen 2 kategori tapi variabel independennya ada tiga kategori. Misal dependennya menerima opini gehen Besorgnis diberi kode 1 dan menerima opini nicht gehende Sorge 0 lalu independennya kondisi keuangan bangkrut diberi kode 1, rawan diberi kode 0, sehat diberi kode -1. Mohon pencerahannya pak, makasi untuk kemudahan coba ganti kode variabel independennya menjadi 1, 2 dan 3. jumlah pilihan pada variabel independen tidak masalah masih bisa dijalankan dengan programm populer seperti SPSS. Coba buka SPSS gt trus analisis gt regressi gt logistische biner (binäre logistik). Taruh variabel independen di covariate Itu jika ingin menggunakan logistik biner Jika ingin menggunakan logistik allgemein maka bisa buka spss trus analisis gt logistisch gt allgemein gt taruh di covariate digunakan jika variabel kategorik. Coba dulu yaaMinggu yang lalu, saya telah menyampaikan mengenai konsep dari analisis regresi logistik biner. Pada Minggu Ini, Saya Akan Coba Melanjutkan Pembahasan Berkaitan Dengan L Angkah-Langkah Pengolahan Nya Dengan Menggunakan Bantuan Programm SPSS. Langkah-langkahnya adalah sebagai berikut: 1. Buka lah Programm SPSS Yang und ein Miliki 2. Eingabedaten nya --gt sebagai contoh, Daten yang saya gunakan adalah Daten latihan dari buku Kategorische Datenanalyse (Alan Agresti, 2007, edisi 2 --gt Halban 132), pada kasus saya variabel penjelasnya ada 2 (Durasi skala rasio dan T dengan skala nominal) dan variabel terikatnya Y dalam bentuk nominal (terdiri atas 2 kategori - gt biner) 3. Pilih opsi variabel Ansicht. Lalu ubahlah variabel name dan label - nya sesuai dengan kasus masing-masing. Saat ini, saya akan menggubah nama menjadi D, T dan Y misalnya. Kemudische Werte nya disesuaikan nilainya. Bila data berbentuk nominal atau ordinal (misalnya untuk T dan Y), measure nya diganti dari scale menjadi nominal . 4. Data telah beres, kemudian pilih opsi Analyze gt Regression gt Binary Logistics 5. Masukkan Y sebagai variabel Dependent dan D serta T sebagai covariates . Untuk Method nya saat ini saya masih tetap menggunakan enter . 6. Karena T berbentuk kategorik, maka harus ditetapkan reference Category nya dengan cara memilih opsi Categorical . Untuk kemudahan interpretasi biasanya saya memilih first untuk reference nya. Artinya setiap kategori akan diperbandingkan dengan kategori pertama. Kemudian JANGAN LUPA pilih change. Klik Continue . 7. Pilih options . Kemudian centang hosmer lemeshow dan classification plots dan klik continue . Kemudian OK. OK. Untuk Interpretasi Outputnya silahkan membaca postingan berikutnya yang berjudul. Analisis Regresi Logistik (interpretasi). Terimakasih telah membaca. - Ferdi Fadly -
No comments:
Post a Comment