regressione logistica può essere utilizzato per modellare una relazione tra due categoria (binario) outcame variabili axplanatory variabili (chiamato anche una variabile dipendente) e uno o più (chiamati anche insdependent o variabili predittive). Le stime di un modello di regressione logistica per ogni variabili indipendenti danno una stima dell'effetto di quella variabile sulla variabile outcame dopo l'adeguamento per tutte le altre variabili indipendenti del modello, (Cath Robert, Rachel Dolman, Anne Kingdon, 2007). (Modello regresi Logistik dapat digunakan untuk memodelkan hubungan Antara dua kategori (binario) variabel Hasil (variabel dependenterikat) Dan Dua atau Lebih penjelas Variabel (independenbebas Variabel. Estimasi modello regresi Logistik untuk Masing-Masing variabel bebas memberikan perkiraan efek variabel tersebut terhadap variabel terikat setelah menyesuaikan dengannya dengan variabel bebas lainnya pada pemodelan tersebut, (Cath Robert, Rachel Dolman, Anne Kingdon, 2007)) Sumber Sofyan dan Heri, SPSS Complete 2009 Ada beberapa perbedaan Antara Analisis regresi berganda dengan Analisis regresi logistikbinary Logistik yaitu:.. regresi Analisis berganda terdapat uji F yaitu uji pengaruh bersama-sama variabel independen terhadap variabel dependen dan uji t yaitu untuk mengetahui pengaruh TIAP variabelmasing-Masing variabel independen terhadap variabel dependen. sedangkan Analisis regresi Logistik Hanya terdapat uji t. Pada Analisis Logistik variabel dependennya berskala dikotomis (Dua pilihan). misalnya ya atau Tidak, berkualitas atau Tidak berkualitas, Lelli atau Gagal, SERING atau jarang Selanjutnya Langkah Analisis Regresi Logistik dengan SPSS Silahkan scaricare artikelnya PDF Regresi linier seperti yang kita ketahui Tidak dapat menyelesaikan Kasus dimana variabel dipendente bersifat dikotomi dan kategori dengan dua atau Lebih kemungkinan (es. 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 manichino. 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 massima verosimiglianza, 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 (es. 1berhasil, 0gagal). Regresi Logistik menghasilkan Rasio peluang (odds ratio) 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 indipendente variabel dependen Harus bersifat dikotomi (2 variabel) variabel indipendente Tidak Harus memiliki keragaman yang sama antar Kelompok variabel Kategori Dalam variabel indipendente Harus terpisah Satu sama Lain atau bersifat eksklusif Sampel yang diperlukan Dalam jumlah relatif Besar, minimo hingga dibutuhkan 50 Sampel dati untuk Sebuah variabel prediktor (bebas). Persamaan Regresi Logistik Regresi Logistik menghasilkan Rasio peluang yang dinyatakan dengan transformasi fungsi logaritma (log), dengan demikian fungsi transformasi accedere ataupun ln diperlukan untuk p-value, dengan demikian dapat dinyatakan bahwa logit (p) merupakan log Dari peluang ( odds ratio) atau rapporto di verosimiglianza 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. Modello 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 registro Odds, Odds Ratio Logit (odds log) merupakan koefisien pendenza (b) Dari persamaan regresi. Slope Disini Adalah perubahan Nilai rata-rata unità Satu dari dari Y perubahan nilai X. Regresi logistik Melihat perubahan pada nilai variabel dependen yang ditransformasi menjadi peluang, Bukan Nilai aslinya seperti pada regresi linier. Sebagai ilustrasi Jika Nilai peluang Adalah 0,25, maka Nilai probabilità Adalah 3 (25. 75), sedangkan Jika Nilai peluang 50, maka Nilai probabilità Adalah 1 (50. 50), atau jika Nilai peluang 0,33, Maka Nilai odds Adalah 2 (33. 67) dengan totale complessive degli ospiti nilai peluang Adalah 1. Nilai odds ratio biasanya dapat kita Lihat pada Kolom 8216variables B Pada nell'output equation8217 SPSS. Kecocokan Model (modello di misura) dan fungsi probabilità Probabilità berarti Juga peluang atau probabilitas untuk hipótesis tertentu. 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 massima verosimiglianza sangat berguna Dalam menentukan kecocokan modello yang tepat bagi persamaan yang kita Miliki. Hipótesis Dalam regresi Logistik Antara rimasto: h0 ketika persamaan regresi bernilai 0 logit (p) 0. h1 persamaan regresi Berbeda nyata dari 0 logit (p) 8800 0. Regresi Logistik merupakan regresi non linier dimana modello yang akan ditentukan mengikuti pola kurva linier seperti gambar di bawah ini. Regresi Logistik Juga menghasilkan Rasio peluang (odds ratio) terkait dengan nilai setiap prediktor. Peluang (odds) Dari Suatu kejadian diartikan sebagai probabilitas Hasil Yang Yang Muncul dibagi dengan probabilitas Suatu kejadian Tidak terjadi. Secara Umum, Rasio peluang (odds ratio) merupakan sekumpulan peluang yang dibagi Oleh peluang lainnya. Rasio peluang Bagi prediktor diartikan sebagai jumlah relatif dimana peluang Hasil meningkat (Rasio peluang gt 1) Turun atau (Rasio peluang lt 1) ketika nilai variabel prediktor meningkat sebesar 1 unità. 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 sesso yang terdiri ATAS maschio (M) atau femmina (F), pemberian cacing obat (antielmintico) Secara rutina sesuai dosis yang dinyatakan dengan si dan no, dan biaya pemeliharaan per bulan yang dinyatakan Dalam Stati Uniti. Kali ini kita akan menjalankan modello logit software menggunakan bantuan IBM SPSS Versi 23, untuk Yang Masih menggunakan SPSS Seri di bawahnya Jangan khawatir, Masih kurang Lebih sama koq cara aplikasinya, kamu Bisa scaricare datanya 1. tahap dati impor Disini (Dari misalnya Excel) Buka SPSS Kamu, i dati di testo il file gt lettura, dialogo Kotak pada dati aperti, i file di tipo GT Pilih excel, maka datanya Muncul di Layar, Pilih Lalu klik GT Open, kemudian dimunculkan Lagi Jendela dati di apertura, lista di controllo seperti gambar gt ok, Telah dati masuk record di Dalam SPSS, berikut Adalah DataView, Lihat sususannya Tidak beraturan, kamu Bisa Atur Dalam vista variabile: Atur etichetta, desimal, dan Lain-lain vista Dalam variabel, 2. Tahap Analisis, analizzare gt regressione logistica gt binario, Setelah Muncul Jendela logistica regressione, masukkan weightgain kedalam dependen, dan variabel kategorik yaitu sesso dan antielmintico ke Kotak covariate, Lalu klik categorica, untuk menyesuaikan tipe dati variabel kategorik, Di Jendela definire variabili covariate Pilih categoria di riferimento prima, cambiamenti klik kemudian GT continuano, klik prossimo Lalu masukkan variabel costo kontinyu, ke covariate Dalam, opzione kemudian, kemudian continuare ok GT, Maka outputnya Akan modello ditampilkan, chi-quadrato sebesar 18.440, Angka ini menjelaskan kemampuan modello Dalam memprediksi variabel dependen weightgain. 0,000 lt 0,05, berarti terdapat peningkatan signifikansi dengan penambahan variabel sesso, dan antielmintico, modello ke Dalam dengan signifikansi. -2 Log verosimiglianza menjelaskan modello signifikansi layaknya pada regresi OLS linier R-quadrati. Tabel Hosmer e Lemeshow prova menunjukkan nilai penambahan signifikansi modello dari konstanta, modello dan sesudah variabel ditambahkan independen sesso dan antielmintico. Penambahannya cukup kecil dengan signifikansi 0631 (gt0.05). Kita Lihat variabili di uscita kembali Pada nel modello menunjukkan equazione sesuai hipótesis nullo modello atau Tanpa prediktor, le variabili di uscita non nell'equazione menunjukkan signifikansi Masing-Masing variabel independen terhadap weightgain. Dari tabel dapat kita Lihat bahwa variabel antielmintico (1) Modello memberikan peningkatan Yang signifikan terhadap (0,000), il sesso sedangkan (1) Tidak signifikan (0298). Tetapi Secara complessive degli ospiti signifikan terhadap perbaikan modello (statistiche globali, SIG 0,000). variabili di uscita Dari nell'equazione persamaan yang kita peroleh Adalah (Lihat nilai pada Kolom B): Log odds (weightgain) B0 B1sex (1) B2anthelmintic (1) B3cost atau dengan nilai aslinya log odds (weightgain) -3502 0,116sex (1) 2,638anthelmintic (1) 0,011cost Jika sesso (1) 1 (Lihat codifica in uscita), antielmintico (1) 1 (Lihat codifica in uscita), Dan costus 100, Maka persamaannya menjadi: Log odds (weightgain) -3.502 0.116 (1) 2.638 (1) 0.011 (100) log odds (weightgain) -3502 0,116 2,638 1,1 Jika kita hilangkan accedere maka persamaan akan Dalam bentuk eksponensial: odds (weightgain) e -3502 0.116 2.638 1,1 Interpretasi dari persamaan Untuk setiap perubahan per unità pada variabel sesso (1) (Koding manichino untuk variabel Mjantan), Akan weightgain meningkatkan sebesar 0116. Untuk setiap kenaikan pada variabel antielmintico (1) sebesar 1 unità, Maka akan meningkatkan weightgain sebesar 2.638. Untuk setiap penambahan sebesar US1 terhadap costo variabel, Maka akan meningkatkan peluang weightgain sebesar 0,011. Dari Nilai signifikansi dapat kita simpulkan bahwa variabel yang signifikan log odds berpengaruh terhadap (weightgain) Adalah pemberian obat cacing Secara rutina (antielmintico (1)), Dan costo dengan Nilai signifikansi berturut-turut 0,02 dan 0,018 (pada Tingkat signifikansi 95). Kemudian Mari kita interpretasikan nilai exp (B) variabili di uscita pada nell'equazione Di ATAS: Variabel sesso (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 manichino, dimana 0 untuk F dan 1 untuk M). Variabel antielmintico (1) Yang mengacu pada sì, dimana pemberian obat cacing Secara teratur dan sesuai dosis memiliki peluang sebesar 13.988 kali daripada kategori referensi kita yang mengacu pada no, no dimana dinyatakan sebagai Tidak memberikan asupan obat cacing Secara rutina dan sesuai dosis. variabel ini Sangat signifikan log odds mempengaruhi (weightgain) dengan nilai signifikansi 0,002. costo Variabel cenderung meningkatkan weightgain sebesar 0,030 kali dengan nilai signifikansi yang baik yaitu 0,018 lt 0,05. (Yoso) scaricare 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 esercitazione 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 Visualizzati di recente 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, revisore opini, 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 revisore diukur dengan 2 jika mendapatkan opini wajar Tanpa pengecualian dan 1 untuk opini di Più likuiditas diukur dengan Indice Corrente dan Ukuran Perusahaan diukur dengan logaritma valore di mercato naturale. Variabel terikatnya Adalah ketepatan penyampaian laporan keuangan, dengan Kode 1 untuk Perusahaan Yang tepat waktu dan 0 untuk Perusahaan yang terlambat. Dati yang digunakan Dalam penelitian ini tidak ditampilkan mungkin kalau teman ingin mencoba Juga Bisa didownload dibagian bawah nanti ya. Dalam esercitazione ini menggunakan SPSS 20.Langsung saja ya dengan Langkah-langkahnya. Langkah-Langkah Dalam pengujian Analisis regresi Logistik Pada posisi file di Telah TERBUKA, Maka akan terlihat pada Layar dati tentang ketepatan penyampaian laporan keuangan Perusahaan dengan sejumlah variabel-variabelnya. Untuk menganalisis, Langkah awalnya menù Pilih Adalah Analizzare. kemudian Pilih regressione logistica binaria dan. Maka Akan Muncul tampilan seperti di bawah ini. Masukan variabel yang berfungsi sebagai variabel tak bebas dari scatola variabel ke Kolom dipendente. Dan masukan semua varibel bebas pada Kotak covariate. Untuk Metodo, Pilih Invio. Sebenarnya Bisa dipilih metode APA saja modello Karena yang akan terbentuk sama (Dalam Artian penduga-penduga parameternya Akan memiliki Nilai-sama nilai yang). tetapi Akan, metode khusus Enter, Harus dilakukan prose dua kali. Pertama, dati di corsa dengan semua variabel untuk mengetahui variabel mana yang signifikan, setelah ITU di eseguire Lagi dengan menggunakan variabel yang signifikan ITU. Modello yang akan terbentuk modello sama dengan yang diperoleh dengan metode lain. Klik categoriale. masukkan Semua Variabel Bebas yang berbentuk Kategori Pada Kotak covariate ke Dalam Kotak covariate categoriche. contras biarkan indicatore pada di default. riferimento kategori Pilih bagian kategori yang akan dipakai sebagai referensi atau pembanding yang akan digunakan Dalam interpretasi odds ratio untuk. Dapat menggunakan kategori Akhir (ultimo) atau kategori Pertama (prima). Dalam penelitian ini digunakan kategori Akhir (ultimo). Kemudian klik Continua. Setelah opzione di menu Pilih ITU. centang cronologia delle iterazioni untuk dapat mengetahui prose iterasi yang Telah berlangsung. Selain ITU, Akan Classificazione ditemukan tagliato fuori, Yang pada kondisi predefinita Sudah diisi dengan 0.5. Nilai ini disebut dengan il atau probabilità a priori valore di cut. peluang Suatu observasi untuk masuk ke salah Satu Kelompok sebelum karakteristik variabel penjelasnya diketahui. Jika kita Tidak mempunyai Informasi tambahan tentang dati kita, Maka kita Bisa menggunakan predefinita. Misalnya penelitian Pada ini, sebelumnya Tidak pernah dilakukan penelitian apakah Ukuran Perusahaan condong pada Satu sisi. dengan Alasan ini, dapat classificazione digunakan cutoff sebesar 0,5. Namun, misalnya Pada penelitian ada yang lain Telah meneliti maka Bisa dinaikkanditurunkan classificazione di taglio sesuai Hasil penelitian. Dalam penelitian ini semua variabel Numerik Dalam predefinito 0,5. Abaikan bagain di Più, klik continuare. Abaikan bagian di Più, dan tekan OK maka akan keluar uscita dari Regresi Logistik. Intrepretasi Hasil Analisis regresi Logistik Setelah dari uscita keluar Hasil esecuzione dei dati di SPSS maka diperoleh Hasil Analisis sebagai berikut: Identifikasi dati yang hilang Pada recapitassero Di ATAS, dapat Visualizzati di recente i dati Tidak ada yang hilang (mancano i casi). Pemberian Kode variabel respon 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 manichino Variabel. Penelitian ini menggunakan dua Variabel penjelas yang kategorik yaitu variabel Opini dan variabel Kompleksitas. Untuk opini variabel. nantinya yang akan digunakan sebagai codice di riferimento (Kode pembanding) Adalah Wajar Tanpa Pengecualian (Lihat pada tabel di ATAS bagian parametro codifiche 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 Modello Dari Hasil SPSS dapat digunakan tabel 8220 Test Omnibus del Modello Coefficienti 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 minima ada Satu variabel bebas yang berpengaruh. Persentase Ketepatan Klasifikasi (percentuale corretta) Persentase modello ketepatan Dalam mengkasifikasikan observasi Adalah 78,6 persen. Artinya Dari 70 observasi, ada yang 55 observasi tepat pengklasifikasiannya Oleh modello regresi Logistik. Jumlah observasi yang tepat pengklasifikasiannya dapat Visualizzati di recente pada Utama diagonale. Uji Parsial Dan Pembentukan Modello Pada uji diharapkan Ho akan ditolak sehingga variabel yang Sedang diuji masuk modello ke Dalam. Dengan bantuan tabel 8220Variables in The dapat Visualizzati di recente variabel mana saja yang berpengaruh signifikan sehingga Bisa dimasukkan ke modello Equation8221. 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). Modello 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 variabili nell'equazione 8221 pada Kolom Exp (B): Berdasarkan Hasil di ATAS kita dapat menginterpretasikan Odds ratio sebagai berikut: Jika jumlah profitabilitas Perusahaan bertambah 1 unità 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 (codice di riferimento pada merujuk). Perusahaan dengan opini revisore Adalah opini Lain cenderung 0,848 kali (Lebih rendah) untuk tepat waktu Dalam menyampaikan laporan keuangan dibanding dengan Perusahaan yang Wajar Tanpa Pengecualian. Jika rapporto attuale pada likuiditas bertambah 1 persen maka Perusahaan akan cenderung 1.708 kali untuk tepat waktu menyampaikan laporan keuangannya. Ketika Ukuran Perusahaan bertambah 1 unità maka Perusahaan tersebut cenderung 1.123 kali untuk tepat waktu Dalam menyampaikan laporan keuangannya. Buat yang ingin mencoba scaricare silahkan filenya dibawah ini: esercitazione reglog moschettone (SPSS 20) Scritto da: Nasrul Setiawan Terima kasih Sudah membaca artikel Analisis regresi Regresi Logistik SPSS dengan judul Tutorial Contoh Analisis Regresi Logistik binerdikotomi dengan SPSS. Anda Bisa segnalibro Halaman ini dengan URL statistikceria. blogspot201301tutorial-analisis-regresi-logistik. html. Apabila ada yang kurang Jelas silahkan tinggalkan komentar atau pesan. Sebagai kelanjutan dari tulisan mengenai modello pilihan kualitatif, pada bagian ini, Akan dijelaskan modello contoh logit binario dan estimasinya dengan menggunakan programma SPSS. Sebagai 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, wanita Jika konsumen berjenis kelamin, 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. dati Setelah diinput Dalam Lembar Kerja SPSS kemudian klik Analizza Regressione gt gt binaria logistica. selanjutnya Akan Muncul tampilan berikut: 2. Masukkan Y sebagai variabile dipendente dengan cara klik Y di Kotak kiri, kemudian klik tanda panah disamping Kotak dipendenti. X1 Masukkan, X2 dan X3 kedalam Kotak covariate, dengan cara klik variabile Masing-Masing, kemudian klik tanda panah disamping Kotak covariate. 3. Selanjutnya, Karena variabel X3 merupakan peubah kategori (ordinale) dengan Lebih Dari dua kategori (yaitu 0pendapatan rendah, 1pendapatan Sedang dan 2pendapatan Tinggi) Maka diubah terlebih dahulu ke Dalam 2 variabel manichino, untuk modello mengembangkan yang Logis dan Mudah diinterpretasi, sebagai berikut : (ini sama dengan prosedur regresi dengan variabel bebas manichino sebelumnya) X31 1, Jika konsumen berpendapatan menengah 0, Jika selainnya X32 1, Jika konsumen berpendapatan Tinggi 0, Jika selainnya programma Dalam SPSS untuk mengkonversi ini dengan cara klik categoriale dari diatas tampilan, Maka Akan Muncul berikut tampilan: Selanjutnya, klik X3, klik tanda panah disamping covariate categoriche. Pilih Riferimento Categoria dengan In primo luogo, kemudian klik Change dan Continua. Selanjutnya klik OK. 4. uscita keluar Akan SPSS untuk regresi logit sebagai berikut (disini Hanya ditampilkan bagian-bagian terpenting saja yang dibahas Akan): La stampa di tabel Pertama diatas menjelaskan transformasi variabel X3 dengan kategori 0,1 dan 2 menjadi dua variabel manichino yaitu X31 X32 dan. 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 (Tinggi pendapatan) dan 0 untuk kategori lainnya. Dengan demikian, kategori 0 (pendapatan rendah) Akan bernilai 0 baik pada variabel X31 X32 dan. Stampa di tabel kedua diatas merupakan Nilai Khi-KUADRAT (2) Dari modello regresi. Sebagaimana modello halnya regresi lineari OLS dengan Metode, Kita Juga dapat melakukan pengujian arti penting modello Secara complessive degli ospiti. Jika metode OLS menggunakan uji F, Maka pada modello 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. (Kritéria pengujian dan cara pengujian Persis sama dengan uji F OLS pada metode regresi). Tetapi, Kita Juga Bisa Melihat Nilai p-value dari nilai G ini yang biasanya ditampilkan Oleh download-software Statistik, termasuk SPSS. Uscita Dari SPSS, Nilai didapatkan 2 sebesar 18.131 dengan p-value 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 modello regresi Logistik Secara complessive degli ospiti dapat menjelaskan atau memprediksi keputusan konsumen Dalam membeli mobil. Stampa di tabel ketiga memberikan estimasi koefisien modello dan pengujian hipótesis parsial dari koefisien modello. Dalam pelaporannya, modello regresi logistiknya dapat dituliskan sebagai berikut: uscita Dari SPSS diatas menjadi sebagai berikut:. Modello ini modello merupakan peluang membeli Mobil (P (xi) yang dipengaruhi Oleh Faktor-Faktor Umur, Jenis kelamin dan pendapatan Modello tersebut Adalah bersifat non parametro Dalam lineare. Selanjutnya, untuk modello menjadikan tersebut lineare, dilakukan transformasi dengan logaritma naturali, (transformasi ini yang menjadi Hal penting Dalam regresi Logistik dan dikenal dengan istilah logit trasformazione), 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 accedere 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 relativa individu 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 parametro 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 errore di Masing-Masing koefisien. Dari uscita SPSS ditampilkan nilai Wald dan p-valuenya. Berdasarkan Nilai p-value (Dan menggunakan Kritéria pengujian 10), dapat Visualizzati di recente seluruh variabel (kecuali X31), berpengaruh nyata (memiliki p-value dibawah 10) terhadap keputusan membeli mobil. Lalu, bagaimana interpretasi koefisien regresi logit dari persamaan di ATAS. Dalam modello regresi lineare, koefisien i menunjukkan perubahan nilai variabel dipendente sebagai akibat perubahan Satu satuan variabel indipendente. Hal yang sama sebenarnya Juga berlaku Dalam modello regresi logit, tetapi Secara matematis Sulit diinterpretasikan. Koefisien modello Dalam logit menunjukkan perubahan Dalam logit sebagai akibat perubahan Satu satuan variabel indipendente. Interpretasi yang tepat untuk koefisien ini tentunya tergantung pada kemampuan menempatkan arti dari perbedaan Antara dua logit. Oleh karenanya, Dalam modello logit, dikembangkan pengukuran Yang odds ratio dikenal dengan NAMA (). Odds ratio untuk Masing-Masing variabel ditampilkan Oleh SPSS sebagaimana diatas yang terlihat recapitassero (Kolom Exp (B)). Odds ratio 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 0201 (Lihat uscita SPSS). Dalam Kasus variabel X2 (Jenis kelamin dimana 1 wanita dan 0 Pria), odds dengan rapporto sebesar 0201 dapat diartikan bahwa peluang wanita untuk membeli mobil Adalah 0201 kali Pria dibandingkan, Jika Umur dan pendapatan mereka sama. Artinya Wanita memiliki peluang Lebih rendahi Dalam membeli mobil Pria dibandingkan. Dalam Kasus variabel X1 (Umur), odds dengan rapporto 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 rapporto Skala variabel dengan), hati-hati menginterpretasikan nilai perbedaan peluangnya. Jika perbedaan Umur Lebih dari probabilità 1 tahun, misalnya 10 tahun, maka rationya Akan menjadi 4,14, Yang diperoleh Dari perhitungan FFS: 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. Selamat pg pak, SY mau bertanya. diatas BPK mengatakan Uji G Kritéria pengujian sm dengan uji F-DI OLS. apakah tabel YG digunakan jg sm kl uji t Di OLS memakai perbandingan DGN tabel t, uji f OLS DGN perbandingan tabel f. Lalu UTK uji g dan uji t (nilai Wald) di Logistik apakah memakai perbandingan tabel YG sama Juga atau UTK uji g dan uji nilai Wald di Logistik keduanya memakai tabel distribusi CHISQUARE pak Selamat Siang pak, saya mau Tanya jika Hasil uji Wald regresi Logistik Biner semua variabell Lebih dari 0.05, apakah Buruk apa yang Harus dilakukan Maksudnya probabilita (sIG) wald gt 0.05 (Tidak signifikan) Jika semuanya tentu saja modello Harus diperbaiki. Langkah yang Harus dilakukan Adalah periksa dati terlebih dahulu (terutama outliernya). modello Kedua periksa, (uji multikolinearitas antar variabel bebas). dati Ketiga tambah. makasih pak ATAS pembahasanya semoga berkah ilmunya, maaf saya mau Tanya Lagi pak. regresi logiistik salah Satu variabel saya Adalah plafon pinjaman, saya Pakai manichino sebagai berikut plafon1 plafon2 1. 500.000 0 0 gt 1. Riferimento 500.000 Karena saya Namakan plafon Saja, semua saya masukan ke SPSS 17, plafon. plafon1 Dan palfon2 nah pas saya masukan ke SPSS saya isikan ke variabel viewnya di valore saya tulis 0 lainya dan 1 1. 500.000 kemudian saya Olah, pas ternyata Kolom summray caso di trasformazione, variabel gt 1. 500.000 di rimuovere analisa dari dan Jadi konstanta akhirnya di Kolom categorica variabel codifica nah gt 1. 500.000 Tidak terdaftar yang ada Hanya Frek lt 500., 000 lainya 249 1. 500,00 ITU di Analisis Karena akhirnya jumlah lainya di ATAS ITU berjumlah 249 32 281 sedangkan jumlah responden yang diteliti n 271 orang. bagaimana pak makasih
No comments:
Post a Comment