Regresi linier seperti yang kita ketahui tidak dapat menyelesaikan kasus dimana variabel dependente 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 varibel 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 máxima verossimilhança, 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 Variabel independente dependen harus bersifat dikotomi (2 variabel) Variabel independente tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel independente harus terpisah satu sama lain atau bersifat eksklusif Sampel yang diperlukan dalam jumlah relativo besar, mínimo dibutuhkan hingga 50 sampel dados 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 Em diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logit (p) merupakan log dari peluang ( Odds ratio) Relação de verossimilhança de atau 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. Modelo 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. Contings de log de Konsep, Ratio de Odds Logit (probabilidades de log) merupakan koefisien slope (b) dari persamaan regresi. Slope disini adalah perubahan nilai rata-rata dari Y dari satu unidade perubahan nilai X. Regresi logistik melihat perubahan pada nilai variabel dependem yang ditransformasi menjadi peluang, bukan nilai aslinya seperti pada regresi linier. Sebagai 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 8216variables na equação8217 saída SPSS. Modelo de Kecocokan (ajuste do modelo) e probabilidade de diversão. Probabilidade de ter um problema com a terapia. Seperti yang kita ketahui pada kurva regresi linier kita lihat adanya hubungan linier, 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 máxima probabilidade sangat berguna dalam menentukan kecocokan modelo yang tepat bagi persamaan yang kita miliki. Hipotesis 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 não linier dimana modelo yang ditentukan akan mengikuti pola kurva linier seperti gambar Di bawah ini. Regresi logistik juga menghasilkan rasio peluang (odds ratios) terkait dengan nilai setiap prediktor. Peluang (probabilidades) dari suatu kejadian diartikan sebagai probabilitas hasil yang muncul yang dibagi dengan probabilitas suatu kejadian tidak terjadi. Secara umum, rasio peluang (odds ratios) merupakan sekumpulan peluang yang dibagi oleh peluang lainnya. Rasio peluang bagi prediktor diartikan sebagai jumlah relativo dimana peluang hasil meningkat (rasio peluang gt 1) atau turun (rasio peluang lt 1) ketika nilai variabel prediktor meningkat sebesar 1 unidade. Lebih jelasnya kita dapat mengikuti ilustrasi berikut ini: Kita ingin mengetahui apakah berat badan (weightgain) sapi para peternak di kota elgrow bertambah signifikan atau tidak, dengan variabel prediktor adalah sexo yang terdiri atas masculino (M) atau feminino (F), obit cate (Antihelmíntico) secara rutin sesuai dosis yang dinyatakan dengan sim dan não, dan biaya pemeliharaan por bulan yang dinyatakan dalam EUA. Kali ini kita akan menjalankan modelo 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 download datanya disini 1. tahap impor dados (misalnya dari excel), Buka SPSS kamu, arquivo gt ler dados de texto, pada kotak diálogo abrir dados, arquivos de tipo gt pilih excel, maka datanya muncul di layar, pilih lalu klik gt aberto, kemudian dimunculkan lagi jendela abrir dados, lista de verificação seperti gambar gt ok, dados telah Masuk dalam record spss, berikut adalah dataview, lihat sususannya tidak beraturan, kamu bisa atur dalam variável view: atur label, desimal, dan lain-lain dalam variabel view, 2. Tahap Analisis, Analise gt regression gt logística binária, Setelah muncul jendela logistic Regressão, masukkan weightgain kedalam dependen, dan variabel kategorik yaitu sexo dan anthelmintic ke kotak covariados, lalu klik categórico, untuk menyesuaikan tipe dados varibel kategorik, Di jendela Definir covariáveis variáveis pilih categoria de referência primeiro, kemudian klik muda gt continuar, klik próximo lalu masukkan variabel kontinyu custo, ke dalam covariações, opção kemudiana, kemudian continuar gt ok, maka outputnya akan ditampilkan, modelo Qui-Square sebesar 18,440, angka ini menjelaskan kemampuan Modelo dalam memprediksi variabel dependen weightgain. Dengan signifikansi 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan variabel sexo, dan anthelmintic, ke dalam model. -2 log de probabilidade menjelaskan signifikansi modelo layaknya R-sq pada regresi linier OLS. Tabel Hosmer e Lemeshow test menunjukkan nilai penambahan signikansi modelo dari konstanta, dan modelo sesudah ditambahkan variabel independen sex dan anthelmintic. Penambahannya cukup kecil dengan signifikansi 0,631 (gt0,05). Kita lihat kembali pada variáveis de saída na equação modelo de menunjukkan sesuai hipotesis nulo atau modelo tanpa prediktor, Variáveis de saída não na equação menunjukkan signifikansi masing-masing variabel independen terhadap weightgain. Dari tabel dapat kita lihat bahwa variabel anthelmintic (1) memberikan peningkatan yang signikan terhadap modelo (0,000), sedangkan sexo (1) tidak signifikan (0,298). Tetapi secara keseluruhan signifikan terhadap modelo perbaikan (estatísticas globais, sig 0,000). Variáveis de saída de Dari na equação persamaan yang kita peroleh adalah (lihat nilai pada kolom B): Probabilidades de logs (ganho de peso) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya Odds de registro -3g 502 0,116sex (1) 2,638, hemiltémico (1) 0,011, preço Jika (1) 1 (codificação de saída lihat), antihelmíntico (1) 1 (codificação de saída lihat), dan costUS 100, maka persamaannya menjadi: Probabilidades de logs (ganho de peso) -3,502 0,116 (1) 2,638 (1) 0,011 (100) Odds de registro (peso) -3,502 0,116 2,638 1,1 Jika kita hilangkan log maka persamaan akan dalam bentuk eksponensial: probabilidades (peso) e -3,502 0,116 2,638 1,1 Interpretasi dari Persamaan Untuk setiap perubahan por unidade Pada variabel sex (1) (koding dummy untuk variabel Mjantan), akan meningkatkan weightgain sebesar 0,116. Untuk setiap kenaikan pada variabel anthelmintic (1) sebesar 1 unidade, maka akan meningkatkan weightgain sebesar 2.638. Untuk setiap penambahan sebesar US1 terhadap variabel cost, maka akan meningkatkan peluang weightgain sebesar 0,011. Dann nilai signifikansi dapat kita simpulkan bahwa variabel yang signikan berpengaruh terhadap log odds (weightgain) adalah pemberian obat cacing secara rutin (antihelmíntico (1)), dan cost dengan nilai signifikansi berturut-turut 0,02 dan 0,018 (pada tingkat signifikansi 95). Kemudian mari kita interpretasikan nilai exp (B) variáveis de saída do pada nas equações diáreas: Variabel sex (1) yang mengacu pada MaleJantan, memiliki kecenderungan untuk mendapatkan pertambahan berat badan (weightg ain) 1,122 kali daripada Femalebetina yang menjadi kategori referensi kita (ini Adalah koding dummy, dimana 0 untuk F dan 1 untuk M). Variabel anthelmintic (1) yang mengacu pada sim, dimana pemberian obat cacing secara teratur dan sesuai dosis memiliki peluang sebesar 13,988 kali daripada kategori referensi kita yang mengacu pada não, dimana no dinyatakan sebagai tidak memberikan asupan obat cacing secara rutin dan sesuai dosis. Variabel ini sangat signifikan mempengaruhi log odds (weightgain) dengan nilai signifikansi 0,002. Variabel cost 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 gtgtgtTutorial 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. (Kayak 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 Razão atual dan ukuran Perusahaan diukur dengan logaritma valor de mercado natural. Variabel terikatnya adalah ketepatan penyampaian laporan keuangan, dengan kode 1 untuk perusahaan yang tepat waktu dan 0 untuk perusahaan yang terlambat. Data yang digunakan dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba juga bisa didownload dibagian bawah nanti ya. Dalam tutorial ini menggunakan SPSS 20.Langsung saja ya dengan langkah-langkahnya. Langkah-langkah dalam pengujian analisis regresi logistik Pada posisi arquivo telah terbuka, maka akan terlihat pada layar dados tentang ketepatan penyampaian laporan keuangan perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, langkah awalnya adalah pilih menu Analisar. Kemudian pilih Regression from Binary Logistic. Maka akan muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak bebas dari caixa varibel ke kolom dependente. Dan masukan semua varibel bebas pada kotak Covariate. Método Untuk, pilih Enter. Sebenarnya bisa dipilih metode apa saja karena modelo yang terbentuk akan sama (dalam artian penduga-penduga parameternya akan memiliki nilai-nilai yang sama). Akan tetapi, khusus metode Digite, harus dilakukan proses dua kali. Pertama, dados de diagrama de identidade, variável sem valor, variável, variável, mana yang, significa, setelah, itu, di, executar, lag, dengan, menggunakan, variabel, yang, signifikan, itu. Modelo yang terbentuk akan sama dengan modelo yang diperoleh dengan metode lain. Klik Categorical. Masukkan semua variabel bebas yang berbentuk kategori pada kotak covariável ke dalam kotak covariáveis categóricas. Indicador padrão de biarkan contras pada. Untuk reference kategori pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan dalam interpretasi odds ratio. Dapat menggunakan kategori akhir (último) atau kategori pertama (primeiro). Dalam penelitian ini digunakan kategori akhir (último). Kemudian klik Continue. Setelah itu pilih menu option. História da iteração do centang untuk dapat mengetahui proses iterasi yang telah berlangsung. Selain itu, akan ditemukan Classificação cortada, yang pada kondisi default sudah diisi dengan 0.5. Nilai ini disebut dengan o valor de corte atau probabilidade anterior. Peluang suatu observasi untuk masuk ke salah satu kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita tidak mempunyai informasi tambahan tentang data kita, maka kita bisa menggunakan padrão. Misalnya pada penelitian ini, sebelumnya tidak pernah dilakukan penelitian apakah ukuran perusahaan condong pada satu sisi. Dengan alasan ini, dapat digunakan classificação ponto de corte sebesar 0,5. Namun, misalnya pada ada penelitian lain yang telah meneliti maka bisa dinaikkanditurunkan classificação cutoff sesuai hasil penelitian. Dalam penelitian ini semua variabel numerik dalam default 0,5. Abaikan bagain yang lain, klik continua. Abaikan bagian yang lain, dan tekan OK maka akan keluar saída de Regresi Logistik. Intrepretasi Hasil analisis regresi logistik Setelah keluar output dari hasil executando dados de SPSS maka diperoleh hasil analisis sebagai berikut: Identifikasi Data yang Hilang Pada tabel di atas, dapat dilihat tidak ada data yang hilang (casos em falta). Pemberian kode variabel respond 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 código de referência (kode pembanding) adalah Wajar Tanpa Pengecualian (lihat pada tabel di atas bagian codificações de parâmetros yang berkode nol). Sementara untuk variabel Kompleksitas. Yang menjadi kode pembanding adalah Punya anak perusahaan. Kode pembanding ini akan digunakan untuk interpretasi Odds Ratio. Uji Signifikansi Modelo Dari hasil SPSS dapat digunakan tabel 8220 Testes Omnibus de Coeficientes Modelos 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 (Percentagem correta) Persentase ketepatan modelo dalam mengkasifikasikan observasi adalah 78.6 persen. Artinya dari 70 observasi, ada 55 observasi yang tepat pengklasifikasiannya oleh modelo regresi logistik. Jumlah observasi yang tepat pengklasifikasiannya dapat dilihat pada diagonal utama. Uji Parsial de Pembentukan Modelo Pada uji diharapkan Ho akan ditolak sehingga variabel yang sedang diuji masuk ke dalam modelo. Dengan bantuan tabel 8220Variables em The Equation8221 dapat dilihat variabel mana saja yang berpengaruh significa modelo de sehingga bisa dimasukkan ke. Jika nilai sig. lta maka Ho ditolak. Berdasarkan hasil di atas diketahui bahwa terdapat 2 variabel bebas yang significikan berpengaruh terhadap ketepatan penyampaian laporan keuangan perusahaan karena masing-masing variabel tersebut memiliki nilai signifikansi yang lebih kecil aa. Variabel-variabel tersebut adalah Profitabilitas (Sig.0.004) dan Likuiditas (Sig.0.000). Modelo yang terbentuk adalah: Dimana: X1i Profitabilitas X2i Likuiditas i1,2,8230, n 7. Interpretasi Odds Ratio Nilai Odds ratio ini juga disediakan oleh tabel 8220 Variáveis na Equação 8221 pada kolom Exp (B): Berdasarkan hasil di atas kita dapat Menginterpretasikan Odds ratio sebagai berikut: Jika jumlah profitabilitas perusahaan bertambah 1 unidade 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 código de referência). Perusahaan dengan opini auditor adalah opini lain cenderung 0.848 kali (lebih rentah) untuk tepat waktu dalam menyampaikan laporan keuangan dibanding dengan perusahaan yang Wajar tanpa Pengecualian. Jika Relação atual pada likuiditas bertambah 1 persen maka perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika ukuran perusahaan bertambah 1 unidade maka perusahaan tersebut cenderung 1.123 kali untuk tepat waktu dalam menyampaikan laporan keuangannya. Buat yang ingin mencoba silahkan download filenya dibawah ini: tutorial reglog biner (SPSS 20) Escrito por: Nasrul Setiawan Terima kasih sudah membaca artikel Analisis regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda bisa bookmark halaman ini dengan URL statistikceria. blogspot201701tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang jelas silahkan tinggalkan komentar atau pesan. Dalam beberapa, modelo regresi juga bisa menggunakan variabel independent kualitatif. Variabel kualitatif ini bisa dalam bentuk kelas, kelompok atau tingkatan. Contohnya adalah peneliti ingin menganalisis jumlah penjualan vendas melalui jenis kelamin dan tingkat pendidikan. Dalam bahasan kali ini kita akan membahas mengenai analisis regresi dengan variabel independen kualitatif. Contoh Kasus Sederhana (Dummy dua kategori) Seorang Gerente sebuah perusahaan otomotif ingin mengetahui gaji karyawan berdasarkan jenis kelamin karyawannya Y Bo b1 d1 e1 Dimana, Y adalah jumlah gaji, dan d1 (untuk karyawan laki-laki), dan do (karyawan wanita) Intercepto (B0) menunjukkan rata-rata gaji karyawana, dan declive (b1) menunjukkan berapa besar perbedaan gaji antara karyawan laki-laki dan wanita, dan B0 b1 memberi informasi mengaji gaji rata-rata karyawan laki-laki Klik Analise Regressão Linier. Masukkan variabel gaji kekotak dependente, dan SEXjenis kelamin ke kotak independente Klik OK, lalu akan tampil Produção Sebagai berikut: Angka R sebesar 0.236 menunjukkan angka korelasi yang kecil antara gaji dengan gender karyawan. Dari Tabel anova diketahui bahwa nilai F hitung adalah sebesar 2.538 dengan Sig sebesar 0.118. Angka ini lebih besar dibanding dengan nilai 0.05 sehingga dapat dikatakan bahwa pengaruh variabel gender tidak signikan mempengaruhi besaran gaji yang diterima karyawan. Reggae Persaano (tidak signifikan) Persamaan yang diperoleh Dari Tabel Coeff adalah sebabai berikut: Gaji laki-laki 4.534 0.422 (1), atau sebesar 4.957 Gaji wanita 4.534 0.422 (0), atau sebesar 4.534 Namun karena modelo tidak signifikan, maka persamaan ini tidak Diinterpretasikan lebih lanjut Selanjutnya akan dibahas regresi manequim gt 2 kriteria, dan regresi ganda dengan variabel independen kualitatif gt 2 variabel Mas, saya kan sedang menyusun skripsi dengan variabel dependen x1 sebelum hari libur dan X2 sesudah hari libur, dengan Y IHSG, saya kurang tahu, Dan mau bertanya perlu melakukan uji asumsi klasik tidak kalau perlu, apa alasannya dan kalau tidak apa alasannya Saya juga mau tanya, apakah bisa jika saya menggunakan 2X pengujian regresi linier berganda menggunakan SPSS untuk yang pertama 0hari perdagangan biasa 1sebelum libur, dan kemudian 0hari perdagangan biasa Libour de Ssudah. Terimakasih sebelumnya. Mohon bantuannya pak, saya menggunakan analisis regresi dgn variabel manequim. Variabel independentnya ada 2 yaitu variabel hadiah dan APB. Variabel dependente de terhadap permintaan tabungan simpedes. Karna hadiah tidak ada satuan ukur, maka saya kuantitatifkan menjadi ada dan tidak ada dgn nilai 1 jika ada dan 0 jika tidak ada. Apakah sama dgn cara regresi di atas pak Kalo iya saya sudah coba mengolah dados dan hasilnya kedua variabel berpengaruh tetapi variabel hadiah tidak signifikan. Apakah bisa dibantu pak bagaimana biar semua variabel signifikan. Terimakasih pak mengapa semua harus signifikan mbak. PAK saya jg sama pertnayaannya ,, tolong pak penjelasannya kirim lwt email sy assalamualaikum .. mau nanya mas, saya kan lagi nyusun skripsi tentang hari perdagangan (senin, selasa, rabu, kamis, jumat) terhadap return saham. Saya menggunakan regresi linear berganda variabel manequim mas .. sbenarnya prosedur penentuan skala nominal (o dan 1) itu gmn mas. Apakah perlu menggunakan uji normalitas dados, asumsi klasik, dan uji t amp F sperti regresi berganda biasa mas. Maaf mas, banyak tanya bener2 blom ngerti makasie sebelumnya mas Assalamualaiku, mohon bantuannya mas .. kalau kuesioner dengan jawaban pilihan ganda seperti ini: a. Tidak pernah b. Hanya dirumah saja b. Dirumah dan disekolah c. Dimana saja. Bagaimana cara mengujinyaapakah perlakuannya sama dengan kuesioner dengan skala likert (escala ordinal) mengingat jawaban pilihan ganda diatas mempunyai tingkatan skor. Terimakasih mas. Assalamualaikum mo nanya mas ,, klo meregresi var dumy untuk tingkat pendidikan (Sd, smp, sma) dengan eviews gmana carany yah masterimakasih sebelumnyKonsep 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 disebut reglog. Untuk pembahasan kali akan dibahas materi reglog dulu. Dan akan dilakukan untuk contoh kasusnya dengan software SPSS. Mudy-mudahan bisa membantu para cendikiawan muda termasuk penulis sendiri. hehehhe Analisis regresi logistik digunakan untuk menjelaskan hubungan antara variabel respon eang berupa dados dikotomikbiner dengan variabel bebas yang berupa data berskala intervalo 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). Modelo modelo modelo Modelo modelo padrão modelo padrão modelo padrão padrão padrão, padrão do modelo de pada. Sebaran bernoulli termasuk dalam salah satu dari sebaran keluarga eksponensial. Variabel respon 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 dados 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 dependencea 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 modelo 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 non linier, sehingga perlu dilakukan transformasi ke dalam bentuk logit untuk memperoleh fungsi yang linier ágar 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 modelo logit karena angka-angka yang digunakan untuk menyatakan tingkatan Tersebut hanya sebagai identifikasi dan tidak mempunyai nilai numerik dalam situasi seperti ini diperlukan variabel manequim. Untuk variabel bebas dengan skala ordinal maupun nominal dengan k kategori, akan diperlukan sebanyak k-1 variabel manequim. Asseg-asumsi dalam regresi logistik: Tidak mengasumsikan hubungan linier antar variabel dependen de independent Variabel dependen harus bersifat dikotomi (2 variabel) Variabel independente tidak harus memiliki keragaman yang sama antar kelompok variabel Kategori dalam variabel independente harus terpisah satu sama lain atau bersifat eksklusif Sampel yang Diperlukan dalam jumlah relatif besar, mínimo dibutuhkan hingga 50 sampel dados untuk sebuah variabel prediktor (bebas). Parâmetro de Pendugaan Metodo untuk mengestimasi parâmetro-parâmetro yang tidak diketahui dalam modelo regresi logistik ada 3 yaitu: 1. Metode kemungkinan maksimum (Método de máxima probabilidade) 2. Metode kuadrat terkecil tertimbang noniterasi 3. Método analítico fungsi diskriminan (Discriminante Análise de Fucção) Pada dasarnya metode maksimum Probabilidade de se tornar um método de troca de dados, de acordo com o método do método mínimo quadrado, com método sedan, com método de menor comprimento quadrado método Hanya menggunakan satu kali iterasi. Kedua metode ini asymptoticaly equivalente. Artinya jika ukuran sampel besar keduanya akan menghasilkan estimator yang identik. Penggunaan fungsi diskriminan mensyaratkan variabel penjelas yang kuantitatif berdistribusi normal. Oleh karena itu, penduga dari fungsi diskriminan akan sobre estimativa bila variabel penjelas tidak berdistribusi normal. Dari Ketiga metodei di atas, metode yang banyak digunakan adalah metode maksimum likelihood dengan alasan lebih praktis (Nachrowi dan Usman, 2002). Metode maksimu likelihoood ini menduga parâmetro denegan nilai yang memaksimumkan fungsi verossimilhança (função de verossimilhança). Uji Signifikansi Modelo Untuk mengetahui pengaruh variabel bebas terhadap variabel tidak bebas secara bersama-sama (em geral) di dalam modelo, dapat menggunakan Uji Ratio de verossimilhança. Hipotesisnya adalah sebagai berikut: Ho: 1 2. P0 (tidak ada pengaruh veriabel bebas secara simultan terhadap variabel tak bebas) H1: mínimo 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 modelo reduksi (modelo reduzido) atau modelo yang terdiri dari konstanta saja Lp Maksimum Probabilidade dari modelo penuh (modelo completo) atau dengan semua variabel bebas. Statistik G2 ini mengikuti distribusi Khi-kuadrat dengan derajad bebas p sehingga hipotesis ditolak jika p-valor lt, yang berarti variabel bebas X secara bersama-sama mempengaruhi variabel tak bebas Y. Uji Parsial de Pembentukan Modelo Pada umumnya, tujuan analsis statistik adalah untuk mencari Modelo yang cocok dan keterpautan yang kuat antara modelo dengan data yang ada. Parâmetro keberartiano de Pengujian (koefisien) secar 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: Hipotesis akan ditolak jika p-value lt yang berarti variabel bebas Xj secara parcial mempengaruhi variabel tidak bebas Y. Odds Ratio Odds ratio 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. Odds ratio 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 modelo regresi logistik Adalah setiap kenaikan c unidade pada variabel bebas akan menyebabkan risiko terjadinya Y 1, adalah exp (cj) kali lebih besar. Odds ratio dilambangkan dengan, didefinisikan sebagai perbandingan dua nilai odds xj 1 dan xj 0, sehingga: Siang mas. Saya Echa. Ingin menanyakan..pada penelitian saya (dados não paramétricos, var dependen dan independen keduanya rasio) didapat hasil korelasi spearman yg bermakna. Saya ingin melanjutkan regresinya..tp setelah saya uji regresi liniernya trnyt residualnya uji Kolmogorov tidak terdistribusi normal juga..hehhe. Sebaiknya saya menggunakan regresi apa ya mas apakah hrs menggunakan regresi logistik (dados pdhal 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 natural (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 corrigindo 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 data, 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 Data berskala Ordinal 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 interval, 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, data ranking 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. dosen 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 going concern diberi kode 1 dan menerima opini non going concern 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 program populer seperti SPSS. Coba buka SPSS gt trus analisis gt regressi gt logistic biner (binary logistic). taruh variabel independen di covariate. itu jika ingin menggunakan logistik biner. jika ingin menggunakan logistik general maka bisa buka spss trus analisis gt logistic gt general gt taruh di covariate digunakan jika variabel kategorik. coba dulu yaa
No comments:
Post a Comment