Rumus Regresi Logistik Binär Optionen

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 (zB 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 Verhältnis 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 logistic 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 yaaSebagai kelanjutan dari tulisan mengenai modell pilihan kualitatif, pada bagian ini, akan dijelaskan contoh modell binär logit dan estimasinya dengan menggunakan programm SPSS. Seutelai contoh ilustratif, misalnya ingin diprediksi pengaruh umur, jenis kelamin dan pendapatan terhadap pembelian mobil. Berdasarkan hasil survai terhadap 48 responden, didapatkan datanya sebagai berikut: Dimana: Y 1, jika konsumen membeli mobil, 0 jika konsumen tidak membeli mobil X1 umur responden dalam tahun X2 1, jika konsumen berjenis kelamin wanita, 0 jika konsumen berjenis kelamin pria X3 0 , Jika konsumen berpendapatan rendah, 1 jika konsumen berpendapatan sedang 2 jika konsumen berpendapatan tinggi Tahapan-tahapan estimasi dalam SPSS sebagai berikut: 1. Setelah Daten diinput dalam lembar kerja SPSS kemudian klik Analyse gt Regression gt Binary Logistic. Selanjutnya akan muncul tampilan berikut: 2. Masukkan Y sebagai Variable abhängige dengan cara klik Y di kotak kiri, kemudian klik tanda panah disamping kotak Abhängig. Masukkan X1, X2 dan X3 kedalam kotak Kovariaten, dengan cara klik masing-masing variabel, kemudian klik tanda panah disamping kotak kovariaten. 3. Selanjutnya, Karena Variabel X3 merupakan peubah kategori (ordinal) dengan lebih dari dua kategori (yaitu 0pendapatan rendah, 1pendapatan sedang dan 2pendapatan tinggi) maka diubah terlebih dahulu ke dalam 2 variabel dummy, untuk mengembangkan modell yang logis dan mudah diinterpretasi, sebagai berikut : (Ini sama dengan prosedur regresi dengan variabel bebas dummy sebelumnya) X31 1, jika konsumen berpendapatan menengah 0, jika selainnya X32 1, jika konsumen berpendapatan tinggi 0, jika selainnya Dalam Programm SPSS untuk mengkonversi ini dengan cara klik kategorische dari tampilan diatas, maka Akan muncul tampilan berikut: Selanjutnya, klik X3, klik tanda panah disamping Kategorische Kovariaten. Pilih Referenz Kategorie dengan Erste, kemudian klik Änderung dan Weiter. Selanjutnya klik OK 4. Akan Keluar Ausgabe SPSS untuk regresi logit sebagai berikut (disini hanya ditampilkan bagian-bagian terpenting saja yang akan dibahas): Ausdruck di di tabel pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 dan 2 menjadi dua variabel dummy yaitu X31 dan X32. Seperti yang terlihat dari tabel tersebut, variabel X31 bernilai 1 untuk kategori 1 (pendapatan menengah) dan 0 untuk kategori lainnya. Variabel X32 bernilai 1 untuk kategori 2 (pendapatan tinggi) dan 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) akan bernilai 0 baik pada variabel X31 dan X32. Ausdruck des Tafels kedua diatas merupakan nilai Khi-kuadrat (2) dari model regresi. Sebagaimana Halnya Modell regresi lineare Dengan Metode OLS, Kita Juga Dapat Melakukan Pengujian Arti Penting Modell Secara Keseluruhan. Jika metode OLS menggunakan uji F, maka pada modell logit menggunakan uji G. Statistik G ini menyebar menurut sebaran Khi-kuadrat (2). Karenanya dalam pengujiannya, nilai G dapat dibandingkan dengan nilai 2 tabel pada tertentu dan derajat bebas k-1. (Kriteria pengujian dan cara pengujian persis sama dengan uji F pada metode regresi OLS). Tetapi, kita juga bisa melihat nilai p-Wert dari nilai G ini yang biasanya ditampilkan oleh sofware-software statistik, termasuk SPSS. Dari Ausgabe SPSS, didapatkan nilai 2 sebesar 18,131 dengan p-Wert 0,001. Karena nilai ini jauh dibawah 10 (jika menggunakan pengujian dengan 10), atau jauh dibawah 5 (jika menggunakan pengujian dengan 5), maka dapat disimpulkan bahwa modell regresi logistik secara keseluruhan dapat menjelaskan atau memprediksi keputusan konsumen dalam membeli mobil. Druck aus di tabel ketiga memberikan estimasi koefisien Modell dan pengujian hipotesis parsial dari koefisien Modell. Dalam pelaporannya, modell regresi logistiknya dapat dituliskan sebagai berikut: Dari Ausgabe SPSS diatas menjadi sebagai berikut: Modell ini merupakan Modell peluang membeli mobil (P (xi) yang dipengaruhi oleh faktor-faktor umur, jenis kelamin dan pendapatan Model tersebut adalah bersifat nicht - Linearer Dalamparameter Selanjutnya, untuk menjadikan modell tersebut linear, dilakukan transformasi dengan logaritma natürlich, (transformasi ini yang menjadi hal penting dalam regresi logistik dan dikenal dengan istilah 8221logit transformation8221), sehingga menjadi (pembahasan lebih rinci, silakan dibaca buku-buku ekonometrik) : 1-P (xi) adalah peluang tidak membeli mobil, sebagai kebalikan dari P (xi) sebagai peluang membeli mobil. Oleh karenanya, ln P (xi) 1-P (xi) secara sederhana merupakan log dari perbandingan antara peluang membeli mobil dengan Peluang tidak membeli mobil. Oleh karenanya juga, koefisien dalam persamaan ini menunjukkan pengaruh dari umur, jenis kelamin dan pendapatan terhadap peluang relativer einzeln membeli mobil yang dibandingkan dengan peluang tidak membeli mobil. Selanjutnya, untuk menguji faktor mana yang berpengaruh nyata terhadap keputusan pilihan membeli mobil tersebut, dapat menggunakan uji signifikansi dari Parameter koefisien secara parsial dengan statistik uji Wald, yang serupa dengan statistik uji t atau uji Z dalam regresi lineare Biasa, yaitu dengan membagi koefisien terhadap standar Fehler masing-masing koefisien Dari Ausgabe SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan nilai p-Wert (dan menggunakan kriteria pengujian 10), dapat dilihat seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-Wert dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit dari persamaan di atas Dalam Modell regresi linear, koefisien ich menunjukkan perubahan nilai variabel abhängig sebagai akibat perubahan satu satuan variabel unabhängig. Hal yang sama sebenarnya juga berlaku dalam modell regresi logit, tetapi secara matematis sulit diinterpretasikan. Koefisien dalam modell logit menunjukkan perubahan dalam logit sebagai akibat perubahan satu satuan variabel unabhängig Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan antara dua logit. Oleh Karenanya, Dalam Modell Logit, Dikembangkan Pengukuran Yang Dikenal Dengan Nama Odds Ratio (). Quotenverhältnis untuk masing-masing variabel ditampilkan oleh SPSS sebagaimana yang terlihat tabel diatas (kolom Exp (B)). Quotenverhältnis dapat dirumuskan: e, dimana e adalah bilangan 2,71828 dan adalah koefisien masing-masing variabel. Sebagai contoh, Odds Ratio untuk variabel X2 e-0.1602 0,201 (lihat Ausgabe SPSS). Dalam kasus variabel X2 (jenis kelamin dimana 1 wanita dan 0 pria), dengan odds ratio sebesar 0,201 dapat diartikan bahwa peluang wanita untuk membeli mobil adalah 0,201 kali dibandingkan pria, jika umur dan pendapatan mereka sama. Artinya wanita memiliki peluang lebih rendahi dalam membeli mobil dibandingkan pria. Dalam kasus variabel X1 (umur), dengan Quotenquote sebesar 1.153 dapat diartikan bahwa konsumen yang berumur lebih tua satu tahun peluang membeli mobilnya adalah 1,153 kali dibandingkan konsumen umur yang lebih muda (satu tahun), jika pendapatan dan jenis kelamin mereka sama. Artinya orang yang lebih tua memiliki peluang yang lebih tinggi dalam membeli mobil. Dalam konteks umur ini (yang merupakan variabel dengan skala ratio), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan umur lebih dari 1 tahun, misalnya 10 tahun, maka odds rationya akan menjadi 4,14, yang diperoleh dari perhitungan sbb: e (10 x 0,142). Artinya peluang membeli mobil konsumen yang berumur lebih tua 10 tahun adalah 4,14 kali dibandingkan konsumen yang lebih muda (10 tahun) darinya. Selanjutnya, dalam konteks variabel pendapatan, terlihat bahwa X31 tidak berpengaruh signifikan. Artinya, peluang membeli mobil antara konsumen pendapatan sedang dan pendapatan rendah adalah sama saja. Sebaliknya, untuk X32, dapat diinterpretasikan bahwa peluang membeli mobil konsumen pendapatan tinggi adalah 6,45 kali dibandingkan pendapatan rendah, jika umur dan jenis kelaminnya sama. KONSEP REGRESI LOGISTIK CONTOH DENGAN SPSS 16 (Kasus Binary Reglog) Malam ni sobat semua. Wah Wah Wah. Pada gimana nih kabarnya Mama baik dan sehat-sehat saja ya hehehe. Yap, s ekarang kita belajar lagi yuk materi yang baru Nah, kali ini saya mau ngebahas dan ngasi contoh untuk metode statistik Regresi Logistik. Kalau sobat pernah baca postingan saya tentang mehrere regression. Maka bedanya ada pada skala daten variabel terikatnya sob. Untuk regresi logistik, skala daten variabel terikat (Y) adalah kategorik (nicht metrik). Ya bisa dua kategori, lebih dari dua (banyak kategori) dan bisa juga skala datanya ordinal kategorik. Terkait konsep, sebenarnya sama saja dengan regresi biasa (sederhana maupun berganda) yaitu melihat pengaruh dari variabel-variabel bebas terhadap variabel terikat. Regresi logistik ini juga dipakai sebagai alternatif dari analisis multivariat yaitu analisis diskriminan (pembeda). Nah, sebagai pengantar pengetahuan saja, dalam analisis diskriminan kan dibutuhkan asumsi kenormalan multivariat. Nah......................................................................................................................... Asumsi multivariat normal ini terkadang sulit dipenuhi dalam analisis diskriminan karena variabel bebas yang digunakan merupakan gabungan antara skala daten kategoriknon metrik dan kontinyumetrik. Dalam regresi logistik dikenal konsep Quoten Ratio yang sama artinya dengan probabilitas atau kecenderungan. Apropos. T erkait analisis diskriminan ini akan dibahas secara khusus pada postingan berikutnya. Sabar aja ya hehe. Kalau seandainya, dalam penelitian sobat, pakainya ada dua kategori pada variabel terikatnya misalnya 8220lulus8221 dan 8220tidak lulus8221, maka dinamakan binäre logistische Regression. Kalau semisalnya lebih dari dua kategori alias banyak dinamakan multinomiale logistische regression. Nah, satu lagi, kalau skala daten variabel terikatnya ordinal (peringkat), dinamakan ordinal logistische regression. Oke deh kali ini saya berikan contoh pengerjaannya. Monggo, datanya herunterladen disini Kalo sobat sudah ambil dan lihat datanya, ada tiga buah variabel yakni hasil tes tertulis, jenis kelas dan nilai tes praktikum. Disini saya mengambil sampel secara acak yakni 30 mahasiswa jurusan tehnik sipil suatu kampus. Hasil tes tertulis yang adalah variabel terikat merupakan kategorik (dua kategori yaitu 1lulus dan 0tidak lulus), jenis kelas juga kategorik (1reguler dan 0non reguler) dan nilai tes praktikum adalah nicht kategorik (kontinyu). Berikut cuplikan tampilan datenansicht dan variabel viewnya: japra: jadi dalam analisis reglog kita menggunakan variabel bebas yang berskala daten kualitatif (nominal atau ordinal) sehingga kita tidak bisa menghitung varians dan rerata dari variabel yang berskala daten kualitatif. Selanjutnya, dalam uji asumsi yang lain misalnya multikol, itu hanya digunakan kalau kita menggunakan variabel bebas dengan skala daten yang sama bukan gabungan (beberapa kuantitatif dan ada juga yang kualitatif). Uji F dan T sama dengan yang di OLS anonim: kalau untuk melihat besarnya pengaruh suatu variabel bebas kamu bisa lihat nilai koefisiennya modelnya saja dan coba sandingkan dengan teori yang ada. Ingat bahwa statistik itu hanya tools sehingga harus selalu dilakukan uji kebaikan model statistik, bisa dgn melihat nilai R quadratisch, klassifizierungsgrundstück bahkan mengembalikan hubungan variabel bebas terhadap tidak bebas ke dalam esensi keilmuannya (apa benar pengaruhnya benar seperti yang ditunjukkan oleh model statistik). Demikian Salam Salam kenal mas .. Saya punya tugas seberapa besar pengaruh website promosi yg saya buat terhadap jumlah transaksi penjualan perharinya selama 1bulan. Jd Y nya saya Bikin 1 Dari Website saya 0 Dari Medien lain, buat X nya saya buat kuisioner skla likert dengan 2 variabel dr website saya, jadi ketika ada pembeli yg membeli barang saya kasikan kuisionernya. Apakah bisa analisis reg log untuk mencari besran pengaruh website promosi saya terhadap jmlah transaksi penjualan perharinya selama satu bulan. Trimss