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 logistik merupakan salah satu analisi multivariate, yang berguna untuk memprediksi abhängig variabel berdasarkan variabel independen. Pada logistic regresi, dependen variabel adalah variabel dikotomi (kategori). Ketika kategori variabel dependennya berjumlah dua kategori maka digunakan binäre logistik, dan ketika dependen variabelnya lebih dari dua kategori maka digunakan multinominal logistische regression. Lalu ketika dependen variabelnya berbentuk ranking, maka disebut dengan ordinal logistische regression. Konsep Regresi Logistik Regresi logistik merupakan alternative uji jika asumsi multivariate normale verteilung pada variabel bebasnya tidak bisa terpenuhi ketika akan dilakukan analisis diskriminan. Tidak terpenuhinya asumsi ini dikarenakan variabel bebas merupakan campuran antara variabel kontinyu (metrisch) dan kategorial (nicht metrisch). Misalnya, probabilitas bahwa orang yang menderita serangan jantung pada waktu tertentu dapat diprediksi dari informasi usia, kebiasaan merokok, jenis kelamin, dan lainnya. Asumsi Regresi Logistik Regresi Logistik Tidak Membran Hanoi Lubier Antara Variabel Bebas Dengan Variabel Terikat. Regresi Logistik dapat menyeleksi hubungan karena menggunakan pendekatan nicht linier log transformasi untuk memprediksi Odds Ratio. Odd dalam regresi logistik sering dinyatakan sebagai probabilitas. Misal Odd sebuah perusahaan dapat bangkrut atau berhasil atau ungerade seorang anak dapat lulus atau tidak pada Ujian Nasional. Variabel bebas tidak memerlukan asumsi multivariate normalität Asumsi homokedastis tidak diperlukan Variabel bebas tidak perlu dirubah ke bentuk metrisch (Intervall atau skala ratio) CONTOH KASUS Logistic Regression Daten Yang Diberikan Adalah Daten Fiktif Bukan Daten Sebenarnya, Cuma Sebagai Latihan Uji Statistik Seorang dokter ingin mengetahui probabilitas seorang Pasien terkena penyakit jantung berdasarkan rutinitas kebiasaan merokok dan usia Daten dikumpulkan dari catatan medis sebanyak 30 orang pasien yang melakukan pemeriksaan kesehatan di RS ABC merokok (1), tdk merokok (0) Usia (usia dalam tahun) Pada Menü Analysieren, Pilih Regression gtgt Binär Logistik Masukkan variabel sakit ke Dependent, kemudian variabel rokok dan usia ke 8220covariate box8221 Kemudian, Klik Optionen, lalu beri tanda pada Klassifikation Plots, Hosmer-Lemeshow GoF, Korrelationsmatrix, dan itteration Geschichte Klik Weiter, Kemudian OK HASIL Dan INTERPRESTASI Menilai Model Fit Untuk Menilai modell passend dapat diperhatikan nilai statistik -2LogL yaitu tanpa mengikutsertakan variabel hanya berupa konstanta yaitu sebesar 41.589. Ketika dimasukkan 2 variabel baru maka prediksi nilai -2LogL sebesar 16.750. Artinya terdapat penurunan sebesar 41.589 8211 16.750 24.839. Untuk -2LogL pertama diperoleh nilai 41.589 dengan df1 30-1 29. Nilai ini signifikan pada alpha 5 yang berarti Ho ditolak, artinya Modell tidak fit. Nilai -2LogL kedua adalah sebesar 16.750 dengan df2 30-3 27 adalah tidak signifikan pada alpha 5. (Nilai statistik -2LogL di atas dibandingkan dengan nilai statistik distribusi x2.), Artinya modell passend dengan daten. Statistik - LogL dapat digunakan untuk menentukan apakah jika variabel bebas dimasukkan dalam modell dapat secara signifikan mempengaruhi modell. Dengan selisih 24.839 dan df (df1-df229-272) maka menunjukkan angka ini signifikan pada alpha 5. Hal ini berarti Ho ditolak dan Modell passen dengan Daten. Cox n Snell8217s R Platz adalah ukuran pengaruh bersama yaitu sebesar 0.563 dan nilai Nagelkerke R Platz adalah sebesar 0.751. Denganer demikian dapat disimpulkan bahwa kemampuan variabel bebas menjelaskan modell adalah sebesar 75.10. Selanjutnya, Hosmer und Lemeshow8217s GoF dilakukan untuk menguji hipoteis. Jika sig lt 0.05 maka Ho ditolak yang berarti ada perbedaan signifikan antara modell dengan nilai observasinya. Jika sig gt 0.05 maka Ho diterima, artinya tidak ada perbedaan antara Modell dan nilai observasinya. Statistik Hosmer und Lemeshow8217s GoF diperoleh sebesar 0.594 (gt 0.05) sehingga dapat dinyatakan bahwa Modell passen dengan Daten. Hosmer und Lemeshow8217s GoF juga menghasilkan nilai 6.475 dengan probabilitas sebesar 0,594 sehingga dapat disimpulkan bahwa modell passend dengan daten. Estimasi Parameter dan Interprestasi Estimasi Maximum Likehood Parameter Modell dapat dilihat dari Ausgabe pada tabel Variablen in der Gleichung. Logistische Regression kemudian dapat dinyatakan: Ln P1-P -11.506 5.348 Rokok .210 Usia. Variabel bebas kebiasaan merokok signifikan dengan probabilitas sebesar 0,004 (lt 0,05) dan variabel usia juga signifikan dengan probabilitas 0.032. Dengan memperhatikan persamaan ini maka dapat diinterprestasikan sbb: log der quoten seseorang terkena secara positif berhubungan dengan rokok. Probabilitas atau Quoten seorang terkena penyakit jantung jika ia perokok adalah sebesar 5.348. Artinya seorang perokok memiliki kemungkinan terkena serangan jantung 5.35 kali lebih besar dibanding yang tidak merokok. Jika variabel rokok dianggap konstan, maka probabilitas seseorang terkena serangan jantung adalah sebesar 0.210 pada setiap kenaikan satu tahun usia. Jika Rokok dianggap konstan, maka seseorang memiliki odds terkena penyakit jantung adalah sebesar 1.233 untuk setiap penambahan usia. Sementara jika usia bernilai konstan maka odds seorang terkena penyakit jantung adalah sebesar 210.286 untuk perokok dibandingkan dengan yang tidak merokok. Hasil insgesamt clasification rate adalah sebesar 90.0 pada cutoff 50 Pertama. Variabel rokok dan usia memiliki hubungan positif dengan odds penyakit jantung Kedua. Jika usia bernilai konstan, maka seorang perokok memiliki odds terkena penyakit jantung sebesar 5.384 kali lebih besar dibanding yang tidak merokok Ketiga. Jika rokok bernilai konstan, maka odds seorang terkena penyakit jantung adalah sebesar 0.210 pada setiap penambahan usia. Cuma diingatkan8230.data yang Diberikan Adalah Daten Fiktif Bukan Daten Sebenarnya, Cuma Sebagai Latihan Uji Statistik Imam Ghozali. 2009. Aplikasi Analisis Multivariate Dengan Programm SPSS. Semarang BP: Undip, hal. 261-275Konsep 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 yaa
No comments:
Post a Comment